CN113859267B - 路径决策方法、装置及车辆 - Google Patents
路径决策方法、装置及车辆 Download PDFInfo
- Publication number
- CN113859267B CN113859267B CN202111252800.9A CN202111252800A CN113859267B CN 113859267 B CN113859267 B CN 113859267B CN 202111252800 A CN202111252800 A CN 202111252800A CN 113859267 B CN113859267 B CN 113859267B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- path
- lane
- obstacle
- sampling
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000005070 sampling Methods 0.000 claims abstract description 103
- 230000003068 static effect Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 230000001133 acceleration Effects 0.000 description 8
- 230000002085 persistent effect Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002355 dual-layer Substances 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 231100001261 hazardous Toxicity 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0016—Planning or execution of driving tasks specially adapted for safety of the vehicle or its occupants
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
-
- 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
本申请是关于一种路径决策方法、装置及车辆。该方法包括：根据识别出的障碍物生成障碍物的预测轨迹；根据所述障碍物的预测轨迹将所述障碍物匹配到对应的车道；根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道；根据目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。本申请提供的方案，能够结合周围环境生成具体的推荐路径，满足车辆自动驾驶的需求，保障自动驾驶车辆的安全性。
Description
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种路径决策方法、装置及车辆。
背景技术
随着科技的发展，车辆的自动驾驶技术越来越成熟。在车辆的自动驾驶***中，行为决策架构负责分别在结构化道路、交叉路口以及开放场景上做出路径、速度、优先级以及安全决策，以实现自动驾驶车辆通过使用各种传感器来观察并识别其周围环境，并在几乎没有或完全没有人工干预的情况下，执行自主导航任务。行为决策与运动规划类似，可以分解为路径决策和速度决策。
相关技术中的路径决策，主要基于规则进行决策，对于复杂场景，未使用与周围车辆的交互信息，也未给出具体的推荐路径，无法满足车辆自动驾驶的需求。
发明内容
为解决或部分解决相关技术中存在的问题，本申请提供一种路径决策方法、装置及车辆，能够结合周围环境生成具体的推荐路径，满足车辆自动驾驶的需求，保障自动驾驶车辆的安全性。
本申请第一方面提供一种路径决策方法，所述方法包括：
根据识别出的障碍物生成障碍物的预测轨迹；
根据所述障碍物的预测轨迹将所述障碍物匹配到对应的车道；
根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道；
根据目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。
在一实施方式中，所述根据目标车道采样生成候选路径，包括：
以所述自车在本车道的当前位置为起点，在所述自车的本车道和所述目标车道之间以设定第一距离间隔进行采样，获得多个采样位置；
对于所述多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得所述每个采样位置的多个采样节点；
连接所述多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。
在一实施方式中，所述从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径，包括：确定所述候选路径中每条候选路径的路径成本；
选择路径成本小的候选路径作为所述自车的推荐路径。
在一实施方式中，所述确定所述候选路径中每条候选路径的路径成本，包括：
确定所述候选路径中每条候选路径的各分段路径的路径成本；
将所述各分段路径的路径成本相加得到每条候选路径的路径成本。
在一实施方式中，所述确定所述候选路径中每条候选路径的各分段路径的路径成本，包括：
将每条候选路径的各分段路径按预设路径成本进行加权运算，得到各分段路径的路径成本，
其中所述预设路径成本包括以下至少一项：路径平滑性成本、车道对中成本、路径一致性成本、静态障碍物成本、动态障碍物成本。
在一实施方式中，所述根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道，包括：
根据自车的预测轨迹、可选车道内所述障碍物的预测轨迹，获得所述自车与所述可选车道内障碍物的碰撞风险系数；
根据所述自车与所述可选车道内障碍物的碰撞风险系数，确定所述自车与所述可选车道内障碍物的碰撞风险参数；
根据所述自车与所述可选车道内障碍物的碰撞风险参数，确定所述自车与所述可选车道内障碍物的碰撞风险值；
根据所述自车与所述可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道。
在一实施方式中，所述碰撞风险系数包括碰撞时间、制动时间、最小安全裕度中的至少一项。
本申请第二方面提供一种路径决策装置，包括：
障碍物识别模块，用于根据识别出的障碍物生成障碍物的预测轨迹；
障碍物匹配模块，用于根据所述障碍物识别模块生成的障碍物的预测轨迹将所述障碍物匹配到对应的车道；
车道选择模块，用于根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道；
路径选择模块，用于根据所述车道选择模块选择的目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。
在一实施方式中，所述路径选择模块包括：
采样模块，用于以所述自车在本车道的当前位置为起点，在所述自车的本车道和所述车道选择模块选择的目标车道之间以设定第一距离间隔进行采样，获得多个采样位置，对于所述多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得所述每个采样位置的多个采样节点；
路径生成模块，用于连接所述采样模块获得的多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径；
路径成本计算模块，用于确定所述候选路径中每条候选路径的路径成本；
选择模块，用于选择所述路径成本计算模块确定的路径成本小的候选路径为所述自车的推荐路径。
本申请第三方面提供一种车辆，所述车辆包括如上所述的装置。
本申请第四方面提供一种电子设备，包括：
处理器；以及
存储器，其上存储有可执行代码，当所述可执行代码被所述处理器执行时，使所述处理器执行如上所述的方法。
本申请第五方面提供一种计算机可读存储介质，其上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如上所述的方法。
本申请提供的技术方案可以包括以下有益效果：
本申请的技术方案，在根据障碍物的预测轨迹将所述障碍物匹配到对应的车道之后，根据自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道；根据目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。通过上述处理，能够利用自车与周围环境信息生成候选路径，并从中选择路径成本小的推荐路径，从而满足复杂的车辆自动驾驶的驾驶需求，也能够保障自动驾驶车辆的安全性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本申请。
附图说明
通过结合附图对本申请示例性实施方式进行更详细的描述，本申请的上述以及其它目的、特征和优势将变得更加明显，其中，在本申请示例性实施方式中，相同的参考标号通常代表相同部件。
图1是本申请实施例示出的路径决策方法的流程示意图；
图2是本申请实施例示出的路径决策方法的另一流程示意图；
图3是本申请实施例示出的路径决策方法的可选车道的示意图；
图4是本申请实施例示出的路径决策方法的候选路径的场景示意图；
图5是本申请实施例示出的路径决策方法的候选路径的坐标示意图；
图6是本申请实施例示出的路径决策方法的对候选路径的采样示意图；
图7是本申请实施例示出的路径决策装置的结构示意图；
图8是本申请实施例示出的路径决策装置的另一结构示意图；
图9是本申请实施例示出的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的实施方式。虽然附图中显示了本申请的实施方式，然而应该理解，可以以各种形式实现本申请而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本申请更加透彻和完整，并且能够将本申请的范围完整地传达给本领域的技术人员。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本申请可能采用术语“第一”、“第二”、“第三”等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本申请范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
本申请实施例提供一种路径决策方法，能够结合周围环境生成具体的推荐路径，满足车辆自动驾驶的需求。
以下结合附图详细描述本申请实施例的技术方案。
图1是本申请实施例示出的路径决策方法的流程示意图。
参见图1，一种路径决策方法，包括：
在S101中，根据识别出的障碍物生成障碍物的预测轨迹。
自车可以通过传感器获知自车周围的环境信息，识别自车周围的障碍物，并根据识别出的障碍物生成障碍物的预测轨迹。
在S102中，根据障碍物的预测轨迹将障碍物匹配到对应的车道。
该步骤中，可以根据障碍物的预测轨迹获得障碍物的位置、速度、加速度、朝向等。基于障碍物的预测轨迹的位置，可以将障碍物匹配至对应车道内，例如匹配至本车道、本车道的相邻车道或相邻车道之外的其他车道。
在S103中，根据自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道。
根据自车与可选车道内障碍物的碰撞风险值的大小，可以触发自车的变道操作，在可选车道中选择目标车道作为变道的车道。其中，可选车道包括自车的本车道和相邻车道，相邻车道包括本车道的左车道和右车道。
在S104中，根据目标车道采样生成候选路径，从候选路径中选择路径成本小的候选路径作为自车的推荐路径。
根据目标车道采样生成候选路径，可以包括：以自车在本车道的当前位置为起点，在自车的本车道和目标车道之间以设定第一距离间隔进行采样，获得多个采样位置；对于多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得每个采样位置的多个采样节点；连接多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。
从候选路径中选择路径成本小的候选路径作为自车的推荐路径，可以包括：确定候选路径中每条候选路径的路径成本；选择路径成本小的候选路径作为自车的推荐路径。
其中，可以确定候选路径中每条候选路径的各分段路径的路径成本；将各分段路径的路径成本相加得到每条候选路径的路径成本。
其中确定候选路径中每条候选路径的各分段路径的路径成本，可以包括：将每条候选路径的各分段路径按预设路径成本进行加权运算，得到各分段路径的路径成本，其中预设路径成本包括以下至少一项：路径平滑性成本、车道对中成本、路径一致性成本、静态障碍物成本、动态障碍物成本。
从该实施例可以看出，本申请的技术方案，在根据障碍物的预测轨迹将障碍物匹配到对应的车道之后，根据自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道；根据目标车道采样生成候选路径，从候选路径中选择路径成本小的候选路径作为自车的推荐路径。通过上述处理，能够利用自车与周围环境信息生成候选路径，并从中选择路径成本小的推荐路径，从而满足复杂的车辆自动驾驶的驾驶需求，也能够保障自动驾驶车辆的安全性。
图2是本申请实施例示出的路径决策方法的另一流程示意图。图2相对于图1更详细描述了本申请的方案。
参见图2，一种路径决策方法，包括：
在S201中，获取自车和障碍物的预测轨迹。
自车可以通过传感器例如视觉传感器、毫米波雷达、激光雷达感知自车周围的环境信息，识别自车周围的障碍物，障碍物可以包括行人和车辆，还可以包括其它道路中的不利通行或无法通过的栏杆等。根据对拍摄图像的当前帧的障碍物的识别，还可以对当前帧的障碍物生成标签，障碍物标签可以包括：盲区障碍物、行人(例如路外行人、路内静止行人、路内移动行人等)、车辆(例如路外静止车辆、纵向远处静止车辆、路边左右静止车辆、迎面而来的前方车辆、横穿车辆、汇入车辆、左后方车辆)等。
其中，可以根据每一个障碍物的历史轨迹和当前状态，为每一个障碍物生成预测轨迹，障碍物的历史轨迹可以包括历史的位置、速度，障碍物的当前状态可以包括障碍物当前的位置、速度、加速度、朝向，障碍物的预测轨迹可以包括预测的位置、速度。对于自车周围的车辆，可以采用概率预测模型(例如，EKF(Extended Kalman Filter，扩展卡尔曼滤波器)，UKF(Unscented Kalman Filter，无损卡尔曼滤波器))或者使用数据驱动的高级概率预测模型(例如，LSTM-RNN(Long Short-Term Memory-Recurrent Neural Network，长短期记忆网络，是循环神经网络的一种变体))，根据车辆当前的位置、速度、加速度、朝向对其位置、速度进行预测。
自车的预测轨迹，可以使用车辆运动模型并根据MPC(Model PredictiveControl，模型预测控制)算法计算的控制输入下的运动轨迹作为自车预测轨迹，也可以使用上一次规划的轨迹作为自车预测轨迹。
在S202中，根据障碍物的预测轨迹，将障碍物匹配至对应的车道内。
该步骤中，可以根据障碍物的预测轨迹获得障碍物的位置、速度、加速度、朝向等。基于障碍物的预测轨迹的位置，可以将障碍物匹配至对应车道内。
在S203中，根据自车的预测轨迹、可选车道内障碍物的预测轨迹，获得自车与可选车道内障碍物的碰撞风险值。
如图3所示，自车的可选车道包括当前所在的本车道301，自车当前所在的本车道301相邻左侧的左车道302、自车当前所在的本车道301相邻右侧的右车道303。
自车当前可选车道包括本车道301、左车道302、右车道303，可以将自车可选车道的道路区域分为六个区域：当前前方3011、当前后方3012、左前方3021、左后方3022、右前方3031和右后方3032。根据自车在当前本车道301的位置、速度和自车当前可选车道内障碍物的位置和速度，评估自车进入六个区域的碰撞风险值，以确定是否可以安全进入该区域。根据自车与可选车道内障碍物的碰撞风险值，将可选车道内的六个区域确定为危险区域和安全区域，例如图3的安全区域包括当前前方3011、当前后方3012、左后方3022、右前方3031，危险区域包括左前方3021、右后方3032。其中危险区域和安全区域可以通过不同颜色进行区分但不局限于此。
根据自车和可选车道内障碍物的位置、速度、加速度、朝向，可以识别和评估当前的交通状况。例如，评估在当前交通状况下，自车进入可选车道内各区域与可选车道内障碍物的碰撞风险，获得自车与可选车道内各个障碍物的碰撞风险度值，碰撞风险值可以包括前方碰撞风险值和后方碰撞风险值。本申请可以使用碰撞时间(TTC)、制动时间(TTB)、最小安全裕度(MSM)等自车与障碍物的碰撞风险系数获得自车与各个障碍物的碰撞风险值。
如果可选车道内的两辆车辆继续以各自当前的速度和预测轨迹行驶，则以两辆车辆发生碰撞所需的时间为碰撞时间(TTC)。在自车速度非常接近相邻车道中的车辆时，此时将产生较小的TTC值，在这种情况下执行换道操作是非常危险的。仅利用碰撞时间评估碰撞风险，可能较难评估与自车速度非常接近的相邻车道中车辆的碰撞风险，因此评估碰撞风险还可以进一步利用制动时间和最小安全裕度。
如果可选车道内的车辆保持其当前速度和预测轨迹，则以车辆与其它车辆发生碰撞所需的时间为制动时间。而最小安全裕度(MSM)，可以为可选车道内两辆车辆保持最小安全性所需的距离。
该步骤中根据自车的预测轨迹、可选车道内障碍物的预测轨迹，获得自车与可选车道内障碍物的碰撞风险系数；根据获得的自车与可选车道内障碍物的碰撞风险系数，获得自车与可选车道内障碍物的碰撞风险参数；根据获得的自车与可选车道内障碍物的碰撞风险参数，获得自车与可选车道内障碍物的碰撞风险值。
其中，每个碰撞风险系数可以分别定义为：
MSM＝|sn-se|
式中，sn和vn分别是在某一时刻t每个指定区域中最近障碍物的位置和速度。变量se和ve分别是自车在时刻t的位置和速度。
关于三个碰撞风险系数，将与TTC、TTB和MSM相对应的每个风险参数定义为：
式中，和/>分别是TTC、TTB和MSM的阈值，可以通过车辆传感器规格、国家交通规则、国际安全标准或每个***规范对其进行修改。
碰撞风险值可以包括前方碰撞风险值和后方碰撞风险值。根据每个碰撞风险系数的定义，R(TTB)和R(MSN)影响前方区域，R(TTC)和R(MSN)影响后方区域。通过组合风险参数R(TTC)、R(TTB)和R(MSN)，前方碰撞风险值和后方碰撞风险值可以分别定义为：
式中，R(FORWARD)为前方碰撞风险值，R(BACKWARD)为后方碰撞风险值。
为提高计算的效率，可以在测量车辆之间的距离时，将车辆的形状由三个直径相同的圆盘组成，第一个圆盘的圆心与车辆后轴的中点重合，第二个圆盘的圆心与车辆中心重合，第三个圆盘的圆心与车辆前轴中心重合，直径等于车辆的宽度。例如，在测量自车与自车前方车辆的时，自车与自车前方车辆的形状都由三个直径相同的圆盘组成，第一个圆盘的圆心与车辆后轴的中点重合，第二个圆盘的圆心与车辆中心重合，第三个圆盘的圆心与车辆前轴中心重合，直径等于车辆的宽度。自车与自车前方车辆的距离为自车的第三个圆盘的圆心与自车前方车辆的第一个圆盘的圆心的距离。
在S204中，选择自车与可选车道内障碍物的碰撞风险值小于设定风险阈值的可选车道为自车的目标车道。
自车可以根据获得的自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道。对于自车所在的当前车道，自车一般不会反向行驶，因此后方碰撞风险值一般不会影响操纵决策。而可选车道中距离自车最近的前方车辆较低的速度，将可能触发自车的换道操作，以提高通行效率。例如，如果可选车道的前方碰撞风险值大于或等于1，则表示自车与前方障碍物会发生碰撞，自车不可以执行换道操作，不触发自车的换道操作；如果可选车道的前方碰撞风险值小于1，则表示自车与前方障碍物不会发生碰撞，自车可以执行换道操作，可以触发自车的换道操作，以提高通行效率。
对于自车当前所在的本车道相邻左侧的左车道，将会检查相邻左车道后方(左后)快速行驶车辆和前方(左前)行驶较慢的车辆或者停止车辆，根据自车与相邻左车道的障碍物的前方碰撞风险值，评估相邻左车道是否可以安全进入，以防止自车在向相邻左车道变道过程中发生碰撞风险。例如，如果自车与相邻左车道的障碍物的前方碰撞风险值小于1，则自车可以安全进入相邻左车道，可以选择自车与障碍物的碰撞风险值小于1的相邻左车道为自车的目标车道。
对于自车当前所在的本车道相邻右侧的右车道，将会检查相邻右车道后方(右后)快速行驶车辆和前方(右前)行驶较慢的车辆或者停止车辆，根据自车与相邻右车道的障碍物的前方碰撞风险值，评估相邻右车道是否可以安全进入，以防止自车在向相邻右车道变道过程中发生碰撞风险。例如，如果自车与相邻右车道的障碍物的前方碰撞风险值小于1，则自车可以安全进入相邻右车道，选择自车与障碍物的碰撞风险值小于1的相邻右车道为自车的目标车道。
为了保证自车变道的安全性，还需要保证自车与目标车道的最近后方车辆、自车与本车道前方最近车辆、目标车道的最近后方车辆与目标车道的最近前方车辆之间的间隙足够大；对于自车保持当前所在的本车道，自车车辆需要确保与前一辆车辆的间隙超过一定安全距离slk：
slk＝ve*τk+ck
式中，ve表示自车纵向速度，τk是恒定的车道保持时间间隔，ck是最小的车道保持距离。
对于自车车道变更，还需要考虑自车和目标车道最近前后车辆之间的相对速度。当目标车道最近后方车辆的速度大于目标车道最近前方车辆的速度时，需要更大的距离。此时安全距离可以设计为slc：
式中，vs表示目标车道车辆纵向速度，ds表示目标车道最近车辆与自车的相对纵向距离，τc1是车道变化的相对速度的时间间隔，τc2是车道变更允许的最小时间间隔，cc是换道的最小间隙。ds大于0表示目标车道车辆在自车的前方。
此外，前方车辆的速度需大于或等于自车和后方车辆的速度，以保证间隙没有被缩小，以及自车当前所在本车道的剩余路径长度需要足够大以满足变道规划的长度。
在S205中，在自车的本车道和目标车道之间，采样生成多条候选路径。
以自车在本车道的当前位置为起点，在自车的本车道和目标车道之间以设定第一距离间隔进行采样，获得多个采样位置；对于多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得每个采样位置的多个采样节点；连接多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。
如图4和图5所示，图4中x轴的方向为横向，y轴的方向为纵向。道路的几何形状由车道的中心线确定，在Frenet坐标系下，以自车在本车道的当前位置作为起点，在自车的本车道和目标车道之间，在横向方向上以设定第一距离间隔ds进行终点采样，获得多个采样位置。对于多个采样位置的每个采样位置401，在纵向方向上以设定第二距离间隔dl进行采样，获得每个采样位置401的多个采样节点402。由多个采样位置的每个采样位置401的的多个采样节点402，生成采样空间。采样空间的多个采样节点之间可以使用样条曲线、螺旋线、或贝塞尔曲线平滑连接，生成自车的多条候选路径。
在S206中，确定多条候选路径每条候选路径的路径成本。
平滑连接生成的多条候选路径可以在安全性、平滑性、准确性和一致性之间做出折衷的处理。
如图6所示，可以在多条候选路径每条候选路径上进行离散采样，获得多条候选路径每条候选路径的多个离散采样点： 根据自车的预测轨迹、障碍物的预测轨迹，以及多条候选路径每条候选路径的多个离散采样点，可以确定候选路径中每条候选路径的各分段路径的路径成本；将各分段路径的路径成本相加得到每条候选路径的路径成本。
其中，可以将每条候选路径的各分段路径按预设路径成本进行加权运算，得到各分段路径的路径成本，其中预设路径成本包括以下至少一项：路径平滑性成本、车道对中成本、路径一致性成本、静态障碍物成本、动态障碍物成本。其中，在加权运算设置权重时，障碍物碰撞成本的权重可以设置大一些，其次是道路对中成本。
(1)路径平滑性成本：考虑自车横向运动时行驶的舒适度，使用曲率计算路径平滑性成本csmooth：
式中，N表示评估候选路径的路径平滑性成本中离散点的数目；κi为第i个候选路径点的曲率；κmax由车辆可执行的最小转弯半径确定；ωsmooth为路径平滑性成本权重。平滑性成本csmooth根据候选路径点的曲率计算，可以保障自车横向运动时能够平滑的行驶，保障自车横向运动时行驶的舒适度。
由于候选路径在Frenet坐标系下生成，可以通过下式得到笛卡尔坐标系下的曲率k:
式中，A和B定义为：
B＝sgn(1-lκr)
式中，κr为路径点在参考线上投影点的曲率；l、分别表示Frenet坐标系下横向位置l与纵向距离s的0阶、1阶、2阶导数；sgn(.)为符号函数。
(2)车道对中成本：对于单个车道，为了使候选路径尽量贴近期望的道路中心线偏移位置，车道对中成本Ccenter可以为：
式中，N表示评估候选路径的路径平滑性成本中离散点的数目，li是自车在第i个候选路径点的横向偏移量；ldest为期望的候选路径点偏离道路中心线的距离，该距离可以根据需要进行预先设置；lmax为最大规划宽度，可以为道路的半宽，当偏差大于道路半宽时，成本是无限的；ωref为车道对中成本权重。
(3)路径一致性成本：由于障碍物的突然出现，导致路径发生突然改变方向。为了防止当前候选路径与上一次的规划路径之间存在显著差异，必须考虑路径的一致性。例如设s1到s2为上一次规划路径的覆盖区域，路径一致性成本可以为：
式中，M表示评估候选路径的路径一致性成本中离散点的数目；lio是在上一次规划路径中与具有相同弧长s的第i个候选路径点所对应的横向偏移；ωconsistent为路径一致性成本权重；li是自车在第i个候选路径点的横向偏移量；lmax为最大规划宽度，可以为道路的半宽。
(4)静态障碍物成本：自车覆盖区域到障碍物多边形的距离，可以用作衡量静态障碍物势能成本。
根据障碍物距自车初始位置距离的增加，对障碍物进行适当膨胀。与障碍物横向膨胀相比，纵向膨胀应该更加明显。静态障碍物成本为：
式中，m表示评估候选路径的静态障碍物成本中离散点的数目；d表示候选路径点所代表的自车外形与静态障碍物多边形之间的最小距离；dsafe为最小安全距离；ωstatic为静态障碍物成本权重。
(5)动态障碍物成本：由于规划频率足够高，前一个规划周期的速度曲线用于评估与动态障碍物的潜在碰撞是合理的。当上一次规划的路径长度比较短或没有上一次规划速度曲线，则需要根据当前位置、速度、加速度信息规划一条合理的自车轨迹。对于候选路径上的评估点s，根据自车轨迹获得当前位置处所需的时间t，根据移动障碍物的预测轨迹，可以预测其位置(x，y)。对于固定时间t，动态障碍物可被视为静态障碍物。与静态障碍物成本类似，动态障碍物成本为：
与静态障碍物膨胀方式不同，动态障碍物则随着预测时间的延伸，动态障碍物膨胀幅度加大。K表示比例系数(比较大的常值)，用于加大碰撞风险的成本。
其中，n表示评估候选路径的动态障碍物成本中离散点的数目；d表示候选路径点所代表的自车外形与动态障碍物多边形之间的最小距离；dsafe为最小安全距离；ωdynamic为动态障碍物成本权重。
在S207中，选择路径成本小的候选路径为自车的推荐路径。
多条候选路径每条候选路径的路径成本可以为：
L＝Csmooth+Ccenter+Cconsistent+Cstatic+Cdynamic
比较多条候选路径每条候选路径的路径成本L，在多条候选路径中选择路径成本L小的候选路径作为自车的推荐路径。例如，可选择路径成本L最小的候选路径作为自车的推荐路径但不局限于此。
本申请实施例中，能够利用自车与周围环境信息生成候选路径，并从中选择路径成本小的推荐路径，从而满足复杂的车辆自动驾驶的驾驶需求，也能够保障自动驾驶车辆的安全性。
进一步的，本申请实施例中，可以根据自车的预测轨迹、可选车道内障碍物的预测轨迹，获得自车在可选车道内的碰撞风险值；根据获得的自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道，能够防止在车道变更过程中与目标车道的车辆发生碰撞，保证变道的安全性。
进一步的，本申请实施例中，可以在自车的本车道和目标车道之间，选择路径成本小的候选路径为自车的推荐路径，能够利用自车与周围车辆的交互信息，生成满足路径成本约束的推荐路径，满足复杂的车辆自动驾驶的驾驶需求，也能够保障自动驾驶车辆变道的安全性。
与前述应用功能实现方法实施例相对应，本申请还提供了一种路径决策装置、车辆、电子设备及相应的实施例。
图7是本申请实施例示出的路径决策装置的结构示意图。
参见图7，一种路径决策装置70，包括：障碍物识别模块71、障碍物匹配模块72、车道选择模块73、路径选择模块74。
障碍物识别模块71，用于根据识别出的障碍物生成障碍物的预测轨迹。障碍物识别模块71可以通过传感器获知自车周围的环境信息，识别自车周围的障碍物。
障碍物匹配模块72，用于根据障碍物识别模块71生成的障碍物的预测轨迹将障碍物匹配到对应的车道。障碍物匹配模块72可以根据障碍物的预测轨迹获得障碍物的位置、速度、加速度、朝向等。基于障碍物的预测轨迹的位置，可以将障碍物匹配至对应车道内，例如匹配至本车道、本车道的相邻车道或相邻车道之外的其他车道。
车道选择模块73，用于根据自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道。其中，可选车道包括自车的本车道和相邻车道，相邻车道包括本车道的左车道和右车道。
路径选择模块74，用于根据车道选择模块73选择的目标车道采样生成候选路径，从候选路径中选择路径成本小的候选路径作为自车的推荐路径。路径选择模块74可以是以自车在本车道的当前位置为起点，在自车的本车道和目标车道之间以设定第一距离间隔进行采样，获得多个采样位置；对于多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得每个采样位置的多个采样节点；连接多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。路径选择模块74可以确定候选路径中每条候选路径的路径成本；选择路径成本小的候选路径作为自车的推荐路径。
本申请的实施例，在根据障碍物的预测轨迹将障碍物匹配到对应的车道之后，根据自车与可选车道内障碍物的碰撞风险值，在可选车道中选择自车的目标车道；根据目标车道采样生成候选路径，从候选路径中选择路径成本小的候选路径作为自车的推荐路径。通过上述处理，能够利用自车与周围环境信息生成候选路径，并从中选择路径成本小的推荐路径，从而满足复杂的车辆自动驾驶的驾驶需求，也能够保障自动驾驶车辆的安全性。
图8是本申请实施例示出的路径决策装置的另一结构示意图。
参见图8，一种路径决策装置80，包括障碍物识别模块71、障碍物匹配模块72、车道选择模块73、路径选择模块74。其中，路径选择模块74可以包括：采样模块741、路径生成模块742、路径成本计算模块743、选择模块744。
障碍物识别模块71、障碍物匹配模块72、车道选择模块73、路径选择模块74的功能可参见图7中的描述。
采样模块741，用于以自车在本车道的当前位置为起点，在自车的本车道和车道选择模块选择的目标车道之间以设定第一距离间隔进行采样，获得多个采样位置，对于多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得每个采样位置的多个采样节点。
路径生成模块742，用于连接采样模块741获得的多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。
路径成本计算模块743，用于确定候选路径中每条候选路径的路径成本。
选择模块744，用于选择路径成本计算模块743确定的路径成本小的候选路径为自车的推荐路径。
本申请的实施例中，还提供一种车辆，车辆包括上述的路径决策装置。车辆路径决策装置的功能可以参考图7或图8，此处不再赘述。
关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不再做详细阐述说明。
图9是本申请实施例示出的电子设备的结构示意图。
参见图9，电子设备90包括存储器901和处理器902。
处理器902可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器901可以包括各种类型的存储单元，例如***内存、只读存储器(ROM)，和永久存储装置。其中，ROM可以存储处理器902或者计算机的其他模块需要的静态数据或者指令。永久存储装置可以是可读写的存储装置。永久存储装置可以是即使计算机断电后也不会失去存储的指令和数据的非易失性存储设备。在一些实施方式中，永久性存储装置采用大容量存储装置(例如磁或光盘、闪存)作为永久存储装置。另外一些实施方式中，永久性存储装置可以是可移除的存储设备(例如软盘、光驱)。***内存可以是可读写存储设备或者易失性可读写存储设备，例如动态随机访问内存。***内存可以存储一些或者所有处理器在运行时需要的指令和数据。此外，存储器901可以包括任意计算机可读存储媒介的组合，包括各种类型的半导体存储芯片(DRAM，SRAM，SDRAM，闪存，可编程只读存储器)，磁盘和/或光盘也可以采用。在一些实施方式中，存储器901可以包括可读和/或写的可移除的存储设备，例如激光唱片(CD)、只读数字多功能光盘(例如DVD-ROM，双层DVD-ROM)、只读蓝光光盘、超密度光盘、闪存卡(例如SD卡、min SD卡、Micro-SD卡等等)、磁性软盘等等。计算机可读存储媒介不包含载波和通过无线或有线传输的瞬间电子信号。
存储器901上存储有可执行代码，当可执行代码被处理器902处理时，可以使处理器902执行上文述及的方法中的部分或全部。
此外，根据本申请的方法还可以实现为一种计算机程序或计算机程序产品，该计算机程序或计算机程序产品包括用于执行本申请的上述方法中部分或全部步骤的计算机程序代码指令。
或者，本申请还可以实施为一种非暂时性机器可读存储介质(或计算机可读存储介质、或机器可读存储介质)，其上存储有可执行代码(或计算机程序、或计算机指令代码)，当可执行代码(或计算机程序、或计算机指令代码)被电子设备(或电子设备、服务器等)的处理器执行时，使处理器执行根据本申请的上述方法的各个步骤的部分或全部。
以上已经描述了本申请的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。
Claims (10)
1.一种路径决策方法，其特征在于，包括：
根据识别出的障碍物生成障碍物的预测轨迹；
根据所述障碍物的预测轨迹将所述障碍物匹配到对应的车道；
根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道；其中，所述碰撞风险值基于所述自车与所述可选车道内障碍物的碰撞风险参数得到，所述碰撞风险参数基于所述自车与所述可选车道内障碍物的碰撞风险系数得到，所述碰撞风险系数基于所述自车的预测轨迹以及所述可选车道内障碍物的预测轨迹得到；
根据目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。
2.根据权利要求1所述的方法，其特征在于，所述根据目标车道采样生成候选路径，包括：
以所述自车在本车道的当前位置为起点，在所述自车的本车道和所述目标车道之间以设定第一距离间隔进行采样，获得多个采样位置；
对于所述多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得所述每个采样位置的多个采样节点；
连接所述多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径。
3.根据权利要求1所述的方法，其特征在于，所述从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径，包括：
确定所述候选路径中每条候选路径的路径成本；
选择路径成本小的候选路径作为所述自车的推荐路径。
4.根据权利要求3所述的方法，其特征在于，所述确定所述候选路径中每条候选路径的路径成本，包括：
确定所述候选路径中每条候选路径的各分段路径的路径成本；
将所述各分段路径的路径成本相加得到每条候选路径的路径成本。
5.根据权利要求4所述的方法，其特征在于，所述确定所述候选路径中每条候选路径的各分段路径的路径成本，包括：
将每条候选路径的各分段路径按预设路径成本进行加权运算，得到各分段路径的路径成本，
其中所述预设路径成本包括以下至少一项：路径平滑性成本、车道对中成本、路径一致性成本、静态障碍物成本、动态障碍物成本。
6.根据权利要求1所述的方法，其特征在于，所述碰撞风险系数包括碰撞时间、制动时间、最小安全裕度中的至少一项。
7.一种路径决策装置，其特征在于，包括：
障碍物识别模块，用于根据识别出的障碍物生成障碍物的预测轨迹；
障碍物匹配模块，用于根据所述障碍物识别模块生成的障碍物的预测轨迹将所述障碍物匹配到对应的车道；
车道选择模块，用于根据自车与可选车道内障碍物的碰撞风险值，在所述可选车道中选择所述自车的目标车道；其中，所述碰撞风险值基于所述自车与所述可选车道内障碍物的碰撞风险参数得到，所述碰撞风险参数基于所述自车与所述可选车道内障碍物的碰撞风险系数得到，所述碰撞风险系数基于所述自车的预测轨迹以及所述可选车道内障碍物的预测轨迹得到；
路径选择模块，用于根据所述车道选择模块选择的目标车道采样生成候选路径，从所述候选路径中选择路径成本小的候选路径作为所述自车的推荐路径。
8.根据权利要求7所述的装置，其特征在于，所述路径选择模块包括：
采样模块，用于以所述自车在本车道的当前位置为起点，在所述自车的本车道和所述车道选择模块选择的目标车道之间以设定第一距离间隔进行采样，获得多个采样位置，对于所述多个采样位置中的每个采样位置，以设定第二距离间隔进行采样，获得所述每个采样位置的多个采样节点；
路径生成模块，用于连接所述采样模块获得的多个采样位置中每个采样位置的采样节点，生成自车的多条候选路径；
路径成本计算模块，用于确定所述候选路径中每条候选路径的路径成本；
选择模块，用于选择所述路径成本计算模块确定的路径成本小的候选路径为所述自车的推荐路径。
9.一种车辆，其特征在于，所述车辆包括如权利要求7或8所述的装置。
10.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有可执行代码，当所述可执行代码被电子设备的处理器执行时，使所述处理器执行如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111252800.9A CN113859267B (zh) | 2021-10-27 | 2021-10-27 | 路径决策方法、装置及车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111252800.9A CN113859267B (zh) | 2021-10-27 | 2021-10-27 | 路径决策方法、装置及车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113859267A CN113859267A (zh) | 2021-12-31 |
| CN113859267B true CN113859267B (zh) | 2023-08-25 |
Family
ID=78998334
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111252800.9A Active CN113859267B (zh) | 2021-10-27 | 2021-10-27 | 路径决策方法、装置及车辆 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113859267B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114291116B (zh) * | 2022-01-24 | 2023-05-16 | 广州小鹏自动驾驶科技有限公司 | 周围车辆轨迹预测方法、装置、车辆及存储介质 |
| CN115220449B (zh) * | 2022-07-14 | 2023-11-21 | 小米汽车科技有限公司 | 路径规划的方法、装置、存储介质、芯片及车辆 |
| CN115179949B (zh) * | 2022-09-13 | 2022-11-29 | 毫末智行科技有限公司 | 车辆的压速变道控制方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949611A (zh) * | 2019-03-28 | 2019-06-28 | 百度在线网络技术（北京）有限公司 | 无人车的变道方法、装置及存储介质 |
| CN111898804A (zh) * | 2020-07-10 | 2020-11-06 | 东风商用车有限公司 | 局部规划的道路自适应采样方法 |
| CN112362074A (zh) * | 2020-10-30 | 2021-02-12 | 重庆邮电大学 | 一种结构化环境下的智能车辆局部路径规划方法 |
| 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 |
| CN112639849A (zh) * | 2020-01-17 | 2021-04-09 | 华为技术有限公司 | 路径选择方法和路径选择装置 |
-
2021
- 2021-10-27 CN CN202111252800.9A patent/CN113859267B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109949611A (zh) * | 2019-03-28 | 2019-06-28 | 百度在线网络技术（北京）有限公司 | 无人车的变道方法、装置及存储介质 |
| CN112639849A (zh) * | 2020-01-17 | 2021-04-09 | 华为技术有限公司 | 路径选择方法和路径选择装置 |
| CN111898804A (zh) * | 2020-07-10 | 2020-11-06 | 东风商用车有限公司 | 局部规划的道路自适应采样方法 |
| CN112362074A (zh) * | 2020-10-30 | 2021-02-12 | 重庆邮电大学 | 一种结构化环境下的智能车辆局部路径规划方法 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113859267A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113859267B (zh) | 路径决策方法、装置及车辆 | |
| CN114234998B (zh) | 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法 | |
| US20210370921A1 (en) | Vehicle collision avoidance based on perturbed object trajectories | |
| CN110667578B (zh) | 自动驾驶车辆的横向决策***及横向决策确定方法 | |
| EP3474254B1 (en) | Surrounding environment recognition device | |
| US10266175B2 (en) | Vehicle collision avoidance | |
| CN103026396B (zh) | 驾驶辅助装置 | |
| CN108604421B (zh) | 车辆的行驶控制方法及车辆的行驶控制装置 | |
| US11351996B2 (en) | Trajectory prediction of surrounding vehicles using predefined routes | |
| CN113960996A (zh) | 行驶装置的避障路径的规划方法和装置 | |
| JPWO2021242702A5 (zh) | ||
| CN113635894B (zh) | 用于确定可行驶区域的方法 | |
| CN113844451B (zh) | 行驶设备控制方法、装置、电子设备及存储介质 | |
| EP3211375B1 (en) | Travel route calculation apparatus | |
| CN112660128B (zh) | 用于确定自动驾驶车辆的车道变更路径的设备及其方法 | |
| CN112577506A (zh) | 一种自动驾驶局部路径规划方法和*** | |
| JP7037956B2 (ja) | 車両進路予測方法、車両走行支援方法及び車両進路予測装置 | |
| US20210197811A1 (en) | Course prediction device, computer readable medium, and course prediction method | |
| CN114103993A (zh) | 车辆的驾驶控制装置及方法 | |
| US11087147B2 (en) | Vehicle lane mapping | |
| US20220126874A1 (en) | Autonomous Driving Control Apparatus and Method | |
| JP7505020B2 (ja) | 経路区間評価方法及び車両操作方法 | |
| CN117227714A (zh) | 一种自动驾驶车辆转弯避让控制方法及*** | |
| CN111650934A (zh) | 自动驾驶***局部路径规划的方法 | |
| CN115817470A (zh) | 车辆直道换道意图的预测方法及其装置和计算机存储介质 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240228 Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province Patentee before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Country or region before: China |