CN113830108B - 自动驾驶车辆的决策规划方法和装置 - Google Patents

自动驾驶车辆的决策规划方法和装置 Download PDF

Info

Publication number
CN113830108B
CN113830108B CN202111325837.XA CN202111325837A CN113830108B CN 113830108 B CN113830108 B CN 113830108B CN 202111325837 A CN202111325837 A CN 202111325837A CN 113830108 B CN113830108 B CN 113830108B
Authority
CN
China
Prior art keywords
potential field
obstacle
longitudinal
decision
current
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202111325837.XA
Other languages
English (en)
Other versions
CN113830108A (zh
Inventor
薛兵
邱恒
莫斯尧
徐传骆
韩志华
张旭
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Zhitu Technology Co Ltd
Original Assignee
Suzhou Zhitu Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Zhitu Technology Co Ltd filed Critical Suzhou Zhitu Technology Co Ltd
Priority to CN202111325837.XA priority Critical patent/CN113830108B/zh
Publication of CN113830108A publication Critical patent/CN113830108A/zh
Application granted granted Critical
Publication of CN113830108B publication Critical patent/CN113830108B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/50—Barriers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了自动驾驶车辆的决策规划方法和装置，包括：获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；构建决策序列树，决策序列树包括多个决策序列；根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；将多个评估结果进行排序，得到排序后的评估结果；对排序后的评估结果进行碰撞检测，得到检测结果；可进行长时域的决策规划，易于扩展且稳定性高。

Description

自动驾驶车辆的决策规划方法和装置
技术领域
本发明涉及智能交通技术领域，尤其是涉及自动驾驶车辆的决策规划方法和装置。
背景技术
决策规划为自动驾驶***的大脑，决策规划问题的本质是在时间域和空间域下的搜索问题，直接求解的复杂度过高，难以满足运算实时性要求。自动驾驶决策规划算法要求考虑当前车道和目标车道的障碍物信息、道路限速等，目前主流的决策规划算法基于采样方法或凸优化方法，尽管效率高于直接求解，但仍然难以进行长时域的决策规划，且存在参数过多、难以扩展、稳定性差等缺点。
发明内容
有鉴于此，本发明的目的在于提供自动驾驶车辆的决策规划方法和装置，可进行长时域的决策规划，易于扩展且稳定性高。
第一方面，本发明实施例提供了自动驾驶车辆的决策规划方法，所述方法包括：
获取交通参与者的参数信息，根据所述交通参与者的参数信息得到所述交通参与者的势场；
构建决策序列树，所述决策序列树包括多个决策序列；
根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场；
根据所述融合势场和预设的***状态方程，计算时域下所有所述决策序列对应的规划轨迹；
对所有所述决策序列对应的规划轨迹进行评估，得到多个评估结果；
将多个所述评估结果进行排序，得到排序后的评估结果；
对所述排序后的评估结果进行碰撞检测，得到检测结果。
进一步的，所述构建决策序列树，包括：
获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
根据所述自车当前状态和所述当前车道的障碍物构建所述当前车道的ST图；
根据所述目标车道的障碍物构建所述目标车道的ST图；
根据所述当前车道的ST图和所述目标车道的ST图，得到所述当前车道的可行域；
根据所述当前车道的可行域构建所述决策序列树；
其中，每个所述可行域为所述决策序列树的一个节点。
进一步的，所述交通参与者的势场包括限速势场；根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场包括，重复执行以下处理，直至每个所述可行域均被遍历：
从所述决策序列中选取任一可行域，并作为当前可行域；
获取与所述当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
当所述第一障碍物的纵向势场大于所述限速势场的最大值时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第三障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第一障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第一障碍物的纵向势场大于所述第三障碍物的纵向势场，并且所述第一障碍物的纵向势场大于所述限速势场的最小值时，根据所述第三障碍物的纵向势场和所述第一障碍物的纵向势场得到所述当前可行域的纵向势场；
当所述第二障碍物的纵向势场大于所述第一障碍物的纵向势场时，根据所述第二障碍物的纵向势场、所述第三障碍物的纵向势场和所述限速势场的最大值得到所述当前可行域的纵向势场。
进一步的，所述交通参与者的势场还包括参考线势场；根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场，包括：
从所述参考线势场和所述第三障碍物的横向势场中选取最大值，并将所述最大值作为所述当前可行域的横向势场。
进一步的，所述交通参与者的参数信息包括横纵向位置、横纵向速度、横纵向加速度和能量函数；根据所述交通参与者的参数信息得到所述交通参与者的势场，包括：
将所述横纵向位置、所述横纵向速度、所述横纵向加速度和所述能量函数通过LQR算法，得到所述交通参与者的势场。
第二方面，本发明实施例提供了自动驾驶车辆的决策规划装置，所述装置包括：
获取单元，用于获取交通参与者的参数信息，根据所述交通参与者的参数信息得到所述交通参与者的势场；
构建单元，用于构建决策序列树，所述决策序列树包括多个决策序列；
构造单元，用于根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场；
计算单元，用于根据所述融合势场和预设的***状态方程，计算时域下所有所述决策序列对应的规划轨迹；
评估单元，用于对所有所述决策序列对应的规划轨迹进行评估，得到多个评估结果；
排序单元，用于将多个所述评估结果进行排序，得到排序后的评估结果；
检测单元，用于对所述排序后的评估结果进行碰撞检测，得到检测结果。
进一步的，所述构建单元具体用于：
获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
根据所述自车当前状态和所述当前车道的障碍物构建所述当前车道的ST图；
根据所述目标车道的障碍物构建所述目标车道的ST图；
根据所述当前车道的ST图和所述目标车道的ST图，得到所述当前车道的可行域；
根据所述当前车道的可行域构建所述决策序列树；
其中，每个所述可行域为所述决策序列树的一个节点。
进一步的，所述交通参与者的势场包括限速势场；所述构造单元包括，重复执行以下处理，直至每个所述可行域均被遍历：
从所述决策序列中选取任一可行域，并作为当前可行域；
获取与所述当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
当所述第一障碍物的纵向势场大于所述限速势场的最大值时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第三障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第一障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第一障碍物的纵向势场大于所述第三障碍物的纵向势场，并且所述第一障碍物的纵向势场大于所述限速势场的最小值时，根据所述第三障碍物的纵向势场和所述第一障碍物的纵向势场得到所述当前可行域的纵向势场；
当所述第二障碍物的纵向势场大于所述第一障碍物的纵向势场时，根据所述第二障碍物的纵向势场、所述第三障碍物的纵向势场和所述限速势场的最大值得到所述当前可行域的纵向势场。
第三方面，本发明实施例提供了电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的方法。
第四方面，本发明实施例提供了具有处理器可执行的非易失的程序代码的计算机可读介质，所述程序代码使所述处理器执行如上所述的方法。
本发明实施例提供了自动驾驶车辆的决策规划方法和装置，包括：获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；构建决策序列树，决策序列树包括多个决策序列；根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；将多个评估结果进行排序，得到排序后的评估结果；对排序后的评估结果进行碰撞检测，得到检测结果；可进行长时域的决策规划，易于扩展且稳定性高。
本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的自动驾驶车辆的决策规划方法流程图；
图2为本发明实施例一提供的双车道决策规划示意图；
图3(a)为本发明实施例一提供的lane1的ST图；
图3(b)为本发明实施例一提供的lane2的ST图；
图4为本发明实施例一提供的决策序列树的示意图；
图5为本发明实施例一提供的第一障碍物的纵向势场示意图；
图6为本发明实施例一提供的第二障碍物的纵向势场示意图；
图7为本发明实施例一提供的第三障碍物的纵向势场示意图；
图8为本发明实施例一提供的第二障碍物的横向势场示意图；
图9为本发明实施例一提供的参考线横向势场示意图；
图10为本发明实施例一提供的参考线纵向势场示意图；
图11为本发明实施例二提供的自动驾驶车辆的决策规划装置示意图。
图标：
1-获取单元；2-构建单元；3-构造单元；4-计算单元；5-评估单元；6-；排序单元；7-检测单元。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为便于对本实施例进行理解，下面对本发明实施例进行详细介绍。
实施例一：
图1为本发明实施例一提供的自动驾驶车辆的决策规划方法流程图。
参照图1，该方法包括以下步骤：
步骤S101，获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；
步骤S102，构建决策序列树，决策序列树包括多个决策序列；
步骤S103，根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；
步骤S104，根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；
步骤S105，对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；
步骤S106，将多个评估结果进行排序，得到排序后的评估结果；
步骤S107，对排序后的评估结果进行碰撞检测，得到检测结果。
进一步的，步骤S102包括以下步骤：
步骤S201，获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
步骤S202，根据自车当前状态和当前车道的障碍物构建当前车道的ST图；
步骤S203，根据目标车道的障碍物构建目标车道的ST图；
具体地，参照如图2所示的双车道决策规划示意图，lane1为当前车道，lane2为目标车道，ego为自车，obsA为第一障碍物，obsB为第二障碍物，obsC为第三障碍物。
步骤S204，根据当前车道的ST图和目标车道的ST图，得到当前车道的可行域；
步骤S205，根据当前车道的可行域构建决策序列树；其中，每个可行域为决策序列树的一个节点。
具体地，如图3(a)和图3(b)所示，lane1的可行域为lane1-I、lane1-II，lane2-I、lane2-II、lane2-III。初始状态自车(ego)位于当前车道lane1-I，因此决策序列树如图4所示。每个可行域为决策序列树的一个节点，决策序列树为全部决策序列的集合，决策序列的终点可以不必是叶节点，如lane1-I、lane1-I>>lane2-II、lane1-I>>lane2-II>>lane1-II均为独立的决策序列。
进一步的，交通参与者的势场包括限速势场；步骤S103包括，重复执行以下处理，直至每个可行域均被遍历：
步骤S301，从决策序列中选取任一可行域，并作为当前可行域；
步骤S302，获取与当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
具体地，当前可行域为lane2-II，与当前可行域lane2-II关联的障碍物为第一障碍物obsA、第二障碍物obsB和第三障碍物obsC。另外考虑道路限速势场和参考线势场，当前可行域为lane2-II的势场参照图5至图10。
步骤S303，当第一障碍物的纵向势场大于限速势场的最大值时，解除当前可行域对应的决策序列；
这里，当第一障碍物的纵向势场FA-lon大于限速势场的最大值时，用于表示即使自车紧贴限速，也无法超越obsA，因此当前可行域lane2-II中无可行解，即当前可行域对应的决策序列不可行，需要解除。
步骤S304，当第二障碍物的纵向势场小于第三障碍物的纵向势场时，解除当前可行域对应的决策序列；
这里，当第二障碍物的纵向势场FB-lon小于第三障碍物的纵向势场FC-lon时，用于表示自车在lane1下的行车效率高于在obsB后行驶，因此当前可行域lane2-II中无可行解，即当前可行域对应的决策序列不可行，需要解除。
步骤S305，当第二障碍物的纵向势场小于第一障碍物的纵向势场时，解除当前可行域对应的决策序列；
这里，当第二障碍物的纵向势场FB-lon小于第一障碍物的纵向势场FA-lon时，用于表示lane2中obsA和obsB间距将越来越小，因此当前可行域lane2-II中无可行解，即当前可行域对应的决策序列不可行，需要解除。
步骤S306，当第一障碍物的纵向势场大于第三障碍物的纵向势场，并且第一障碍物的纵向势场大于限速势场的最小值时，根据第三障碍物的纵向势场和第一障碍物的纵向势场得到当前可行域的纵向势场；
这里，当第一障碍物的纵向势场FA-lon大于第三障碍物的纵向势场FC-lon，并且第一障碍物的纵向势场FA-lon大于限速势场的最小值时，用于表示自车在lane1下与前车的距离不足以超越obsA，此时自车应远离前车，以留出足够的超车空间，故当前可行域lane2-II的纵向势场为：Flane2-II＝2FC-lon-FA-lon。
步骤S307，当第二障碍物的纵向势场大于第一障碍物的纵向势场时，根据第二障碍物的纵向势场、第三障碍物的纵向势场和限速势场的最大值得到当前可行域的纵向势场。
这里，当第二障碍物的纵向势场FB-lon大于第一障碍物的纵向势场FA-lon时，用于表示自车在lane1下和lane2下obsA和obsB之间均有足够的换道空间，当前可行域lane2-II的纵向势场为：
进一步的，交通参与者的势场还包括参考线势场；步骤S103包括：
从参考线势场和第三障碍物的横向势场中选取最大值，并将最大值作为当前可行域的横向势场。
这里，当前可行域lane2-II的横向势场为参考线势场Flane2-II-lat和第三障碍物的横向势场FC-lat中的最大值，以提高换道成功率。
即Flane2-II-lat＝max(FC-lat,Flane2-II-lat)
进一步的，交通参与者的参数信息包括横纵向位置、横纵向速度、横纵向加速度和能量函数；步骤S101包括：
将横纵向位置、横纵向速度、横纵向加速度和能量函数通过LQR算法，得到交通参与者的势场。
其中，横纵向位置包括横向位置和纵向位置，横纵向速度包括横向速度和纵向速度，横纵向加速度包括横向加速度和纵向加速度。
这里，获取交通参与者的势场还可以通过PID算法和滑模控制算法实现。
具体地，车辆动力学微分方程参照公式(1)和(2)，
根据车辆动力学微分方程得到***状态方程，***状态方程由公式(3)和公式(4)可知：
y＝Cx (4)
u＝[js jl]；
其中，s为纵向位置，为纵向速度，/>为纵向加速度，/>为纵向jerk(加加速度)，l为横向位置，/>为横向速度，/>为横向加速度，/>为横向jerk(加加速度)。
能量函数由公式(5)可知：
其中，Q为状态变量权重矩阵，R为输入权重矩阵。
根据极小值原理得到全状态反馈最优控制律，参照公式(6)：
u＝-R-1BTPx (6)
其中，P为Riccati方程ATP+PA+Q-PBR-1BTP＝0的解。
此时，***状态方程转化为公式(7)：
因此，交通参与者(Target)的势场参照公式(8)：
FT(x)＝K(xT-x) (8)
根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹，由于整个过程不存在迭代过程，因此可以高效得到决策序列树中所有决策序列的横向规划轨迹和纵向规划轨迹，从而使算力消耗少。常规的决策规划过程由于算力消耗大，因为只能进行较短时域内(7-10s)的决策规划。本申请不涉及求解或搜索过程，可进行60s以上的决策规划计算，从而提高决策规划结果的前瞻性和行车效率。
考虑行车效率、平顺性、碰撞风险、横向侧向力等因素，对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；将多个评估结果进行排序，得到排序后的评估结果；对排序后的评估结果进行碰撞检测，如果碰撞检测通过，则结束；如果碰撞检测没有通过，则继续下一评估结果进行碰撞检测，直至排序后的所有评估结果均完成碰撞检测。
本发明实施例提供了自动驾驶车辆的决策规划方法，包括：获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；构建决策序列树，决策序列树包括多个决策序列；根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；将多个评估结果进行排序，得到排序后的评估结果；对排序后的评估结果进行碰撞检测，得到检测结果；可进行长时域的决策规划，易于扩展且稳定性高。
实施例二：
图11为本发明实施例二提供的自动驾驶车辆的决策规划装置示意图。
参照图11，该装置包括：
获取单元1，用于获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；
构建单元2，用于构建决策序列树，决策序列树包括多个决策序列；
构造单元3，用于根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；
计算单元4，用于根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；
评估单元5，用于对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；
排序单元6，用于将多个评估结果进行排序，得到排序后的评估结果；
检测单元7，用于对排序后的评估结果进行碰撞检测，得到检测结果。
进一步的，构建单元2具体用于：
获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
根据自车当前状态和当前车道的障碍物构建当前车道的ST图；
根据目标车道的障碍物构建目标车道的ST图；
根据当前车道的ST图和目标车道的ST图，得到当前车道的可行域；
根据当前车道的可行域构建决策序列树；
其中，每个可行域为决策序列树的一个节点。
进一步的，交通参与者的势场包括限速势场；构造单元3包括，重复执行以下处理，直至每个可行域均被遍历：
从所述决策序列中选取任一可行域，并作为当前可行域；
获取与所述当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
当所述第一障碍物的纵向势场大于所述限速势场的最大值时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第三障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第一障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第一障碍物的纵向势场大于所述第三障碍物的纵向势场，并且所述第一障碍物的纵向势场大于所述限速势场的最小值时，根据所述第三障碍物的纵向势场和所述第一障碍物的纵向势场得到所述当前可行域的纵向势场；
当所述第二障碍物的纵向势场大于所述第一障碍物的纵向势场时，根据所述第二障碍物的纵向势场、所述第三障碍物的纵向势场和所述限速势场的最大值得到所述当前可行域的纵向势场。
本发明实施例提供了自动驾驶车辆的决策规划装置，包括：获取交通参与者的参数信息，根据交通参与者的参数信息得到交通参与者的势场；构建决策序列树，决策序列树包括多个决策序列；根据交通参与者的势场为决策序列中的每个可行域构造对应的融合势场；根据融合势场和预设的***状态方程，计算时域下所有决策序列对应的规划轨迹；对所有决策序列对应的规划轨迹进行评估，得到多个评估结果；将多个评估结果进行排序，得到排序后的评估结果；对排序后的评估结果进行碰撞检测，得到检测结果；可进行长时域的决策规划，易于扩展且稳定性高。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例提供的自动驾驶车辆的决策规划方法的步骤。
本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，计算机可读介质上存储有计算机程序，计算机程序被处理器运行时执行上述实施例的自动驾驶车辆的决策规划方法的步骤。
本发明实施例所提供的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***和装置的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (8)

1.一种自动驾驶车辆的决策规划方法，其特征在于，所述方法包括：
获取交通参与者的参数信息，根据所述交通参与者的参数信息得到所述交通参与者的势场；
构建决策序列树，所述决策序列树包括多个决策序列；
根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场；
根据所述融合势场和预设的***状态方程，计算时域下所有所述决策序列对应的规划轨迹；
对所有所述决策序列对应的规划轨迹进行评估，得到多个评估结果；
将多个所述评估结果进行排序，得到排序后的评估结果；
对所述排序后的评估结果进行碰撞检测，得到检测结果；
所述交通参与者的势场包括限速势场；根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场包括，重复执行以下处理，直至每个所述可行域均被遍历：
从所述决策序列中选取任一可行域，并作为当前可行域；
获取与所述当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
当所述第一障碍物的纵向势场大于所述限速势场的最大值时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第三障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第一障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第一障碍物的纵向势场大于所述第三障碍物的纵向势场，并且所述第一障碍物的纵向势场大于所述限速势场的最小值时，根据所述第三障碍物的纵向势场和所述第一障碍物的纵向势场得到所述当前可行域的纵向势场；
当所述第二障碍物的纵向势场大于所述第一障碍物的纵向势场时，根据所述第二障碍物的纵向势场、所述第三障碍物的纵向势场和所述限速势场的最大值得到所述当前可行域的纵向势场。
2.根据权利要求1所述的自动驾驶车辆的决策规划方法，其特征在于，所述构建决策序列树，包括：
获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
根据所述自车当前状态和所述当前车道的障碍物构建所述当前车道的ST图；
根据所述目标车道的障碍物构建所述目标车道的ST图；
根据所述当前车道的ST图和所述目标车道的ST图，得到所述当前车道的可行域；
根据所述当前车道的可行域构建所述决策序列树；
其中，每个所述可行域为所述决策序列树的一个节点。
3.根据权利要求1所述的自动驾驶车辆的决策规划方法，其特征在于，所述交通参与者的势场还包括参考线势场；根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场，包括：
从所述参考线势场和所述第三障碍物的横向势场中选取最大值，并将所述最大值作为所述当前可行域的横向势场。
4.根据权利要求1所述的自动驾驶车辆的决策规划方法，其特征在于，所述交通参与者的参数信息包括横纵向位置、横纵向速度、横纵向加速度和能量函数；根据所述交通参与者的参数信息得到所述交通参与者的势场，包括：
将所述横纵向位置、所述横纵向速度、所述横纵向加速度和所述能量函数通过LQR算法，得到所述交通参与者的势场。
5.一种自动驾驶车辆的决策规划装置，其特征在于，所述装置包括：
获取单元，用于获取交通参与者的参数信息，根据所述交通参与者的参数信息得到所述交通参与者的势场；
构建单元，用于构建决策序列树，所述决策序列树包括多个决策序列；
构造单元，用于根据所述交通参与者的势场为所述决策序列中的每个可行域构造对应的融合势场；
计算单元，用于根据所述融合势场和预设的***状态方程，计算时域下所有所述决策序列对应的规划轨迹；
评估单元，用于对所有所述决策序列对应的规划轨迹进行评估，得到多个评估结果；
排序单元，用于将多个所述评估结果进行排序，得到排序后的评估结果；
检测单元，用于对所述排序后的评估结果进行碰撞检测，得到检测结果；
所述交通参与者的势场包括限速势场；所述构造单元包括，重复执行以下处理，直至每个所述可行域均被遍历：
从所述决策序列中选取任一可行域，并作为当前可行域；
获取与所述当前可行域关联的第一障碍物、第二障碍物和第三障碍物；
当所述第一障碍物的纵向势场大于所述限速势场的最大值时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第三障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第二障碍物的纵向势场小于所述第一障碍物的纵向势场时，解除所述当前可行域对应的所述决策序列；
当所述第一障碍物的纵向势场大于所述第三障碍物的纵向势场，并且所述第一障碍物的纵向势场大于所述限速势场的最小值时，根据所述第三障碍物的纵向势场和所述第一障碍物的纵向势场得到所述当前可行域的纵向势场；
当所述第二障碍物的纵向势场大于所述第一障碍物的纵向势场时，根据所述第二障碍物的纵向势场、所述第三障碍物的纵向势场和所述限速势场的最大值得到所述当前可行域的纵向势场。
6.根据权利要求5所述的自动驾驶车辆的决策规划装置，其特征在于，所述构建单元具体用于：
获取自车当前状态、当前车道的障碍物和目标车道的障碍物；
根据所述自车当前状态和所述当前车道的障碍物构建所述当前车道的ST图；
根据所述目标车道的障碍物构建所述目标车道的ST图；
根据所述当前车道的ST图和所述目标车道的ST图，得到所述当前车道的可行域；
根据所述当前车道的可行域构建所述决策序列树；
其中，每个所述可行域为所述决策序列树的一个节点。
7.一种电子设备，包括存储器、处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述权利要求1至4任一项所述的方法。
8.一种具有处理器可执行的非易失的程序代码的计算机可读介质，其特征在于，所述程序代码使所述处理器执行所述权利要求1至4任一项所述的方法。
CN202111325837.XA 2021-11-10 2021-11-10 自动驾驶车辆的决策规划方法和装置 Active CN113830108B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111325837.XA CN113830108B (zh) 2021-11-10 2021-11-10 自动驾驶车辆的决策规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111325837.XA CN113830108B (zh) 2021-11-10 2021-11-10 自动驾驶车辆的决策规划方法和装置

Publications (2)

Publication Number Publication Date
CN113830108A CN113830108A (zh) 2021-12-24
CN113830108B true CN113830108B (zh) 2023-07-28

Family

ID=78970992

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111325837.XA Active CN113830108B (zh) 2021-11-10 2021-11-10 自动驾驶车辆的决策规划方法和装置

Country Status (1)

Country Link
CN (1) CN113830108B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN111610788A (zh) * 2020-06-13 2020-09-01 大连海事大学 一种分级模糊-人工势场路径规划的方法
CN112418237A (zh) * 2020-12-07 2021-02-26 苏州挚途科技有限公司 车辆驾驶决策方法、装置及电子设备

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102018216110A1 (de) * 2018-09-21 2020-03-26 Volkswagen Aktiengesellschaft Verfahren und Vorrichtung zum Bereitstellen eines Umfeldabbildes eines Umfeldes einer mobilen Einrichtung und Kraftfahrzeug mit einer solchen Vorrichtung
CN110471408B (zh) * 2019-07-03 2022-07-29 天津大学 基于决策过程的无人驾驶车辆路径规划方法
WO2021085109A1 (ja) * 2019-10-31 2021-05-06 ソニー株式会社 軌道計画装置と軌道計画方法およびプログラム
CN110908373B (zh) * 2019-11-11 2021-05-07 南京航空航天大学 一种基于改进人工势场的智能车辆轨迹规划方法
CN111873992A (zh) * 2020-08-11 2020-11-03 北京理工大学重庆创新中心 自动驾驶车辆决策层路径规划的人工势场方法
CN112455445A (zh) * 2020-12-04 2021-03-09 苏州挚途科技有限公司 自动驾驶的变道决策方法、装置和车辆
CN112947492B (zh) * 2021-04-14 2023-09-22 北京车和家信息技术有限公司 车辆控制方法、装置、存储介质、电子设备及车辆

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016045615A1 (zh) * 2014-09-25 2016-03-31 科沃斯机器人有限公司 机器人静态路径规划方法
CN111610788A (zh) * 2020-06-13 2020-09-01 大连海事大学 一种分级模糊-人工势场路径规划的方法
CN112418237A (zh) * 2020-12-07 2021-02-26 苏州挚途科技有限公司 车辆驾驶决策方法、装置及电子设备

Also Published As

Publication number Publication date
CN113830108A (zh) 2021-12-24

Similar Documents

Publication Publication Date Title
Rhinehart et al. Deep imitative models for flexible inference, planning, and control
Krasowski et al. Safe reinforcement learning for autonomous lane changing using set-based prediction
EP3693944A1 (en) Method and device for short-term path planning of autonomous driving through information fusion by using v2x communication and image processing
CN107608372B (zh) 一种基于改进rrt算法与改进ph曲线相结合的多无人机协同航迹规划方法
CN112455445A (zh) 自动驾驶的变道决策方法、装置和车辆
CN106295594B (zh) 一种基于动态路径树的跨摄像头目标跟踪方法及装置
CN111238521B (zh) 一种无人驾驶车辆的路径规划方法及***
CN109579854B (zh) 基于快速扩展随机树的无人车避障方法
US20200189574A1 (en) Driving assistance method and system
De Beaucorps et al. Decision-making for automated vehicles at intersections adapting human-like behavior
CN112163446B (zh) 一种障碍物检测方法、装置、电子设备及存储介质
CN115311888B (zh) 停车场内规避拥堵的路线引导方法、介质及***
CN112506219A (zh) 一种智能交通监管无人机航迹规划方法、***及可读存储介质
CN112231428B (zh) 一种融合战场态势信息的车辆路径规划方法
Alsaleh et al. Do road users play Nash Equilibrium? A comparison between Nash and Logistic stochastic Equilibriums for multiagent modeling of road user interactions in shared spaces
CN113830108B (zh) 自动驾驶车辆的决策规划方法和装置
Menéndez-Romero et al. Maneuver planning for highly automated vehicles
Zhu et al. A decentralized multi-criteria optimization algorithm for multi-unmanned ground vehicles (mugvs) navigation at signal-free intersection
CN114104005B (zh) 自动驾驶设备的决策方法、装置、设备及可读存储介质
CN114117944B (zh) 一种模型更新方法、装置、设备及可读存储介质
CN113885509B (zh) 一种应急电源车路径规划方法、装置、设备及存储介质
CN115759199A (zh) 基于层次化图神经网络的多机器人环境探索方法及***
Ramos et al. The use of game theory for autonomous systems safety: an overview
Saraoglu et al. A Minimax-Based Decision-Making Approach for Safe Maneuver Planning in Automated Driving
CN112634627A (zh) 一种高速巡航状态下的换道方法、装置及汽车

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant