CN114019971B - 一种无人设备控制方法、装置、存储介质及电子设备 - Google Patents
一种无人设备控制方法、装置、存储介质及电子设备 Download PDFInfo
- Publication number
- CN114019971B CN114019971B CN202111298666.6A CN202111298666A CN114019971B CN 114019971 B CN114019971 B CN 114019971B CN 202111298666 A CN202111298666 A CN 202111298666A CN 114019971 B CN114019971 B CN 114019971B
- Authority
- CN
- China
- Prior art keywords
- decision
- planning
- target
- obstacle
- bound
- 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 62
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 238000010586 diagram Methods 0.000 claims abstract description 74
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 21
- 230000006872 improvement Effects 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 3
- 238000013138 pruning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本说明书公开了一种无人设备控制方法、装置、存储介质及电子设备,可以应用于无人驾驶设备。先从障碍物中选择出预测轨迹与目标设备的规划路径相交汇的目标障碍物,再对与目标设备存在碰撞风险的各目标障碍物所执行的先行决策或让行决策进行组合得到若干个决策组,基于决策组中各目标障碍物的预测轨迹与规划路径相交汇的预测位置,以及各目标障碍物对应的决策,确定在执行决策组中各决策时目标设备在规划时空图中的规划域,并根据规划域选择出目标决策组,以在目标决策组对应的规划域内规划目标设备的行驶轨迹,以实现目标设备沿基于上述方法所规划出的行驶轨迹行驶时,对目标设备与目标障碍物之间原本可能发生的碰撞进行避免。
Description
技术领域
本说明书涉及自动驾驶技术领域,尤其涉及一种无人设备控制方法、装置、存储介质及电子设备。
背景技术
目前,在自动驾驶技术领域,通常会为无人设备规划出未来一段时间的行驶轨迹,以指示无人设备在何时、以何种状态行驶至何处。
而无人设备的行驶轨迹则基于决策模块中所确定出的各种决策。
其中,由于无人设备所在的行驶空间中其他障碍物的存在,需要对无人设备作出指示无人设备超过障碍物行驶的先行决策,或指示无人设备在障碍物之后行驶的让行决策,使得根据各决策规划出的行驶轨迹能够保证无人设备避开障碍物行驶。
发明内容
本说明书提供一种无人设备控制方法、装置、存储介质及电子设备,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人设备控制方法,包括:
获取为目标设备规划的规划路径,以及为目标设备周围的障碍物预测出的预测轨迹;
将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置;
针对每个目标障碍物,将对该目标障碍物所执行的各候选决策作为该目标障碍物对应的决策,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,其中,所述候选决策包括先行决策和让行决策;
针对每个决策组,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,其中,所述规划时空图用于表示在指定方向上相对位移与时间的关系;
根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组;
根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
可选地,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,具体包括:
确定待生成的决策选择树;
确定目标障碍物集合,从中选择出指定障碍物,针对所述决策选择树中当前的每个叶子节点,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点;
将所述指定障碍物从所述目标障碍物集合中移出,并重新从所述目标障碍物集合中选择出指定障碍物,直到所述目标障碍物集合为空集;
针对每个叶子节点,将由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策的集合作为该叶子节点所在的决策组。
可选地,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点之前,所述方法还包括:
判定根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,所述目标设备在规划时空图中的规划域满足指定条件。
可选地,所述指定条件包括:
在所述规划时空图中划分出所述目标设备的规划域的规划上界在任一时刻上均不小于该节点中所包含的规划下界。
可选地,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,具体包括:
根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,在规划时空图中确定出该决策组中的叶子节点中所包含的规划上界和规划下界,其中,所述规划时空图用于指示在指定方向上相对位移与时间的关系;
确定所述叶子节点中规划上界和规划下界之间的范围,并作为根据该叶子节点所在的决策组中所包含的各决策进行轨迹规划时,所述目标设备的规划域。
可选地,根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组,具体包括:
根据各叶子节点中包含的规划上界和规划下界,从所包含的规划上界在任一时刻上均不小于所包含的规划下界的叶子节点中选择出至少一个目标叶子节点,并将所选择出的目标叶子节点所在的决策组作为目标决策组。
可选地,所述决策选择树中的每个节点中包括规划上界和规划下界;
将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点,具体包括:
将所述指定障碍物对应的先行决策作为该叶子节点的第一子节点,将该叶子节点的规划上界作为所述第一子节点的规划上界,并根据该叶子节点的规划下界,以及该指定障碍物的预测位置,确定出所述第一子节点的规划下界;将所述指定障碍物对应的让行决策作为该叶子节点的第二子节点,将该叶子节点的规划下界作为所述第二子节点的规划下界,并根据该叶子节点的规划上界,以及该指定障碍物的预测位置,确定出所述第二子节点的规划上界。
可选地,确定待生成的决策选择树,具体包括:
根据目标设备的当前速度和最大加速度,确定根节点所包括的在所述规划时空图中的规划上界;根据目标设备的当前速度和最大减速度,确定根节点所包括的在所述规划时空图中的规划下界;
根据所确定出的规划上界和规划下界,生成决策选择树的根节点,并根据所生成的根节点确定待生成的决策选择树。
可选地,根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹,具体包括:
针对每个目标决策组,根据该目标决策组的规划域的面积,和/或,该目标决策组中所包含的先行决策的数量,和/或,该目标决策组中所包含的决策与历史上对同一目标障碍物的决策相同的数量,确定出该目标决策组的优化表征值;
根据所确定出的各目标决策组的优化表征值,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
本说明书提供了一种无人设备控制装置,包括:
路径获取模块,用于获取为目标设备规划的规划路径,以及为目标设备周围的障碍物预测出的预测轨迹;
障碍物选择模块,用于将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置;
决策组合模块,用于针对每个目标障碍物,将对该目标障碍物所执行的各候选决策作为该目标障碍物对应的决策,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,其中,所述候选决策包括先行决策和让行决策;
范围确定模块,用于针对每个决策组,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,其中,所述规划时空图用于表示在指定方向上相对位移与时间的关系;
决策选择模块,用于根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组;
轨迹规划模块,用于根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
本说明书提供了一种计算机可读存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述无人设备控制方法。
本说明书提供了一种电子设备,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,所述处理器执行所述程序时实现上述无人设备控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
在本说明书提供的无人设备控制方法中,先从障碍物中选择出预测轨迹与目标设备的规划路径相交汇的目标障碍物,再对与目标设备存在碰撞风险的各目标障碍物所执行的先行决策或让行决策进行组合得到若干个决策组,基于决策组中各目标障碍物的预测轨迹与规划路径相交汇的预测位置,以及各目标障碍物对应的决策,确定在执行决策组中各决策时目标设备在规划时空图中的规划域,并根据规划域选择出目标决策组,以在目标决策组对应的规划域内规划目标设备的行驶轨迹,以实现目标设备沿基于上述方法所规划出的行驶轨迹行驶时,对目标设备与目标障碍物之间原本可能发生的碰撞进行避免。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种无人设备控制方法的流程示意图;
图2为本说明书提供的一种规划路径和预测轨迹的示意图;
图3为本说明书提供的一种规划时空图的示意图;
图4为本说明书提供的另一种规划时空图的示意图;
图5为本说明书提供的又一种规划时空图的示意图;
图6为本说明书提供的再一种规划时空图的示意图;
图7为本说明书提供的一种无人设备控制装置的示意图;
图8为本说明书提供的无人驾驶设备的结构示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,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,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种无人设备控制方法的流程示意图,具体包括以下步骤:
S100:获取为目标设备规划的规划路径,以及为目标设备周围的障碍物预测出的预测轨迹;
本说明书实施例中,所述目标设备为无人设备,具体的,所述无人设备(以下简称无人车)可包括自动驾驶的车辆以及具有辅助驾驶功能的车辆。无人车可以是应用于配送领域的配送车。
本说明书实施例所提供的无人设备控制方法,可以由所述目标设备执行,可以由能够与所述目标设备进行信息传输的电子设备执行,例如笔记本电脑、手机、服务器等,本说明书对此不不作限制。为方便描述,本说明书以目标设备为执行主体,示例性地对本说明书提供的无人设备控制方法进行说明。
获取为目标设备规划的规划路径,其中,所述规划路径指示目标设备行驶路线的形状,可以认为,根据规划路径可以确定目标设备运动至的各位置,而所述规划路径中并不包含指示目标设备行驶至规划路径上每一位置时的时刻和行驶状态。
而相对的,在根据规划路径所规划出的沿规划路径的行驶轨迹中,则包括了指示目标设备何时、以何种状态、沿该行驶轨迹行驶至何处。即,本说明书中所述的行驶轨迹可包括:行驶轨迹的各轨迹点、目标设备途径各轨迹点的规划时间,途径各轨迹点时目标设备的行驶状态。其中,所述行驶状态可以包括目标设备的行驶速度、加速度、转向角度等。
在对目标设备进行控制时,通常所考虑的障碍物为无人车所处的位置周围的障碍物,例如距离无人车20米的障碍物,当然,可以将任何距离范围视作无人车的周围。而由于无人车的行驶倾向已知,也可以仅考虑无人车行驶倾向方向的障碍物(例如无人车前方的障碍物),还可以将无人车所处环境中的障碍物,视作无人车周围的障碍物,例如与无人车在同一道路上的各障碍物。可以看出,障碍物的选择具有多种现有方法,本说明书对此不作限定。
然后,针对每个障碍物,可以采用任一现有技术,对该障碍物在未来时段内的轨迹进行预测,得到该障碍物在未来时段内的预测轨迹,类似的,所预测出的障碍物的预测轨迹中也可以包括预测轨迹的各轨迹点、障碍物途径各轨迹点的预测时间以及途径各轨迹点时障碍物的行驶状态,其中,所述行驶状态可以包括障碍物的行驶速度、加速度、转向角度等。例如,可以采用预先训练的机器学习模型对障碍物轨迹进行预测,输入障碍物在历史上的轨迹数据,得到所输出的障碍物在未来时段内的预测轨迹,其中,所述机器学习模型可以为任一现有的机器学习模型,例如,循环神经子网络、长短期记忆网络等等,本说明书对此不作限制。
S102:将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置。
根据所预测出的各障碍物的预测轨迹,确定出与为目标设备所规划的规划路径存在交汇的障碍物。本说明书一实施例中,此时可以仅考虑规划路径和预测轨迹在空间上是否存在交汇点,而不对目标设备及障碍物运动至交汇点的时刻是否一致进行考虑。图2示出了获取到的目标设备的一种规划路径,以及为障碍物A-障碍物C分别预测出的预测轨迹A-预测轨迹C(障碍物在图中未示出),在图2的示例中,目标设备沿所示出的规划路径由右侧车道换道至左侧车道,规划路径与障碍物B的预测轨迹B在位置b处存在交汇,并且与障碍物C的预测轨迹C在位置c处存在交汇,此时,可以将障碍物B和障碍物C确定为目标障碍物,并将位置b作为目标障碍物B的预测位置,将位置c作为目标障碍物C的预测位置。
S104:针对每个目标障碍物,将对该目标障碍物所执行的各候选决策作为该目标障碍物对应的决策,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,其中,所述候选决策包括先行决策和让行决策。
然后,可以将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置,此时,可以认为目标设备沿所述规划路径运动时,存在与目标障碍物在预测位置发生碰撞的可能性,因此,本说明书实施例中,需要针对每个目标障碍物,都从对该目标障碍物所执行的各候选决策中,确定出目标设备实际对该目标障碍物执行的决策,其中,候选决策包括目标设备在行驶至目标障碍物的预测位置之前就先行超过目标障碍物的先行决策,以及目标设备在目标障碍物行驶经过所述预测位置之后再经过所述预测位置的让行决策。本说明书一实施例中,将对目标障碍物所执行的每个候选决策都称为该目标障碍物对应的决策。
本说明书实施例中,存在着目标设备与目标障碍物的行驶方向相同、相反以及目标设备与目标障碍物行驶方向交叉的情况(例如目标障碍物为过马路的行人等),针对每个目标障碍物,目标设备对该目标障碍物执行先行决策时,在该目标障碍物以预测轨迹驶过该目标障碍物对应的预测位置之前,目标设备沿所述规划路径行驶至该目标障碍物对应的预测位置,目标设备对该目标障碍物执行让行决策时,在该目标障碍物以预测轨迹驶过该目标障碍物对应的预测位置之后,目标设备沿所述规划路径行驶至该目标障碍物对应的预测位置。
对于与目标设备同向行驶的目标障碍物来说,当目标设备在与目标障碍物相同车道上时,对目标障碍物执行让行决策则可使目标设备跟随目标障碍物行驶,对目标障碍物执行先行决策则可令目标设备在目标障碍物前方行驶;当目标设备行驶在与目标障碍物同向的另一车道上时,对目标障碍物执行让行决策则可使目标设备在行驶方向上落后与目标障碍物行驶,而对目标障碍物执行先行决策则可令目标设备在行驶方向行驶在目标障碍物前方。
总之,为使目标设备以行驶轨迹运动的过程中,不与目标障碍物在同一时刻处于同一位置(目标障碍物的预测位置),本说明书实施例提出该无人设备控制方法,在决策模块中对存在碰撞可能性的目标障碍物作出先行决策或让行决策,使得后续进行轨迹规划时,能够基于所作出的各决策规划出合理的行驶轨迹,避免目标设备与障碍物的碰撞。
如上所述,针对每个目标障碍物,可以对该目标障碍物执行先行决策和让行决策中的一种,作为该目标障碍物对应的决策,因此,当存在若干个目标障碍物时,可以通过组合各目标障碍物的各决策,实现对所有目标障碍物的对应的决策组合的枚举,具体的,仍然以图2为例,基于图2示出的规划路径和预测轨迹确定出了两个目标障碍物:目标障碍物B和目标障碍物C,其中,针对目标障碍物B和目标障碍物C中的任一,可以对该目标障碍物执行先行决策和让行决策中的任一决策,因此,组合目标障碍物B和目标障碍物C的决策,可以得到本例中的所有决策情况,即,对目标障碍物B执行先行决策,并对目标障碍物C执行先行决策、对目标障碍物B执行先行决策,并对目标障碍物C执行让行决策、对目标障碍物B执行让行决策,并对目标障碍物C执行先行决策,以及对目标障碍物B执行让行决策,并对目标障碍物C执行让行决策,以上四种为在此情形下对各目标障碍物对应的各决策的所有组合,本说明书实施例中,将所组合出的包含所有目标障碍物对应的决策的合集作为一个决策组。
通过组合各目标障碍物对应的各决策,可以枚举出所有决策组,其中,每个决策组中包括为所确定出的各目标障碍物所选择的决策。
可以采用任一方式来确定各决策组,例如可以直接通过上述方式,通过枚举出目标障碍物对应的决策的所有情况,并将所有目标障碍物对应的决策的每个不同情况确定为一个决策组,本说明书另一实施例中,还可以采用树形算法来确定各决策组。
具体的,可以确定待生成的决策选择树,然后,确定目标障碍物集合,从中选择出指定障碍物,针对所述决策选择树中当前的每个叶子节点,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点,接着,可以将所述指定障碍物从所述目标障碍物集合中移出,并重新从所述目标障碍物集合中选择出指定障碍物,直到所述目标障碍物集合为空集。
此时,所生成的决策选择树中,每一层对应有一个目标障碍物,每一层的每一节点则对应了对该层所对应的目标障碍物执行的一种决策,在此情形下,针对每个叶子节点,将由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策的集合作为该叶子节点所在的决策组。
本说明书一实施例中,所述决策选择树可以为任一现有的树形结构,例如,B-树、二叉树等,由于针对每个目标障碍物,对该目标障碍物执行的候选决策仅包括先行决策和让行决策两种,因此,本说明书一实施例中,可以所述决策选择树可以为二叉树。
S106:针对每个决策组,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,其中,所述规划时空图用于表示在指定方向上相对位移与时间的关系。
S108:根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组。
在确定出各决策组之后,针对每个决策组,根据各目标障碍物的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备的规划域,作为该决策组对应的规划域。
具体的,本说明书一实施例中,在所预测出的障碍物的预测轨迹中,包含了障碍物所到达的位置(即预测轨迹的轨迹点),以及到达各位置的时间,因此,针对每个决策组中所包含的对每个目标障碍物执行的决策,可以确定出在该决策下规划行驶轨迹的规划域,作为该决策对应的规划域,仍然以图2为例,若决策组中所包含的决策为对目标障碍物C执行先行决策,并对目标障碍物B执行让行决策,则目标障碍物C对应的决策的规划域为目标设备沿规划路径行驶至规划路径上的c点的时刻应在目标障碍物C到达c点的时刻之前,而目标障碍物B对应的决策的规划域则为目标设备沿规划路径行驶至规划路径上的b点的时刻应在目标障碍物B到达b点的时刻之后。
在确定出决策组中各决策对应的规划域之后,本说明书一实施例中,可以将各决策对应的规划域的交集作为决策组对应的规划域。
本说明书一实施例中可以采用不等式来表示每个决策对应的规划域,并作为为目标设备规划行驶轨迹时的约束,然后,可以联立由决策组中各决策所确定出的不等式,并在该不等式组的解集范围内规划目标设备的行驶轨迹。
本说明书另一实施例中,所述规划域可以表示为对目标设备在时间与空间上的关系进行的约束。具体的,可以建立规划时空图,所述规划时空图用于指示在指定方向上相对位移与时间的关系,此时,所述规划时空图即位移-时间图,也就是S-T图。
示例性的,在预测出障碍物的预测轨迹之后,则可以确定出目标障碍物的预测轨迹与规划路径相交汇的时间,以及交汇处的预测位置,然后可以将交汇时刻位于预测位置的各目标障碍物投影至所述规划时空图中。
本说明书一实施例中,所述规划时空图指示在指定方向上相对位移与时间的关系,本领域技术人员可以理解的,当确定出目标设备在任一方向上相对位移与时间的关系时,则可以确定出目标设备在该方向上的速度,而由于目标设备的规划路径已知,则可以分解出目标设备在沿规划路径运动时任一方向上的速度。因此,可以选择任一方向为指定方向,但由于在对车辆进行控制时,通常将车辆的控制量分解为横向控制量(方向盘转角等)和纵向控制量(油门、刹车等),因此,本说明书以下示例性地将目标设备运动的纵向方向作为指定方向。
由于本说明书实施例中为目标设备在当前时刻未来的一段时间内进行轨迹规划,因此,可以以目标设备当前时刻所在位置作为在纵向上的位移的相对位置,并将当前时刻作为时间的起始点,基于此,可以建立如图3所示的规划时空图,其中所述规划时空图为S-T图,其中的S轴即表示在纵向上相对于目标设备当前位置的位移,T轴则表示相对于当前时刻所经过的时间。然后,可以将图2所示的目标障碍物B和目标障碍物C投影至规划时空图中,得到图3。
在此情形下,所述目标障碍物在规划时空图中的规划域可以由规划时空图中的规划上界和规划下界划分出,即将规划时空图中的规划上界和规划下界之间的范围作为目标障碍物在规划时空图中的规划域。
其中,针对每个决策组,当根据该决策组中各决策进行轨迹规划时,划分该决策组对应的规划域的规划上界和规划下界可以根据决策组中所包括的各决策确定。本说明书实施例对于如何根据决策组中所包括的各决策确定该决策组对应的规划域的规划上界和规划下界不作限定。
当以上述生成决策选择树的方式来组合各目标障碍物对应的决策时,可以在判定根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,所述目标设备在规划时空图中的规划域满足指定条件,再为重新选择出的指定障碍物生成叶子节点的子节点。即,在为重新选择出的指定障碍物生成叶子节点的子节点之前,先判断目标设备在规划时空图中的规划域是否满足指定条件,若是,则为重新选择出的指定障碍物生成叶子节点的子节点,否则,则不生成该叶子节点的子节点,即进行预剪枝。其中,所述指定条件可以为所述规划域的面积不小于指定的面积阈值等等。
本说明书一实施例中,所述指定条件还可以为根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,在所述规划时空图中划分出所述目标设备的规划域的规划上界在任一时刻上均不小于该节点中所包含的规划下界。
接着,本说明书实施例中,在决策组对应的规划域内,可以采用任一现有的方式规划目标设备的行驶轨迹。
例如,可以采用预先训练的机器学习模型,以所预测出的各障碍物的预测轨迹为输入,输出在决策组对应的规划域的约束下所规划出的目标设备的行驶轨迹,其中,所述机器学习模型为用于规划目标设备的行驶轨迹的模型,具体的,可以为任一现有的机器学习模型,例如循环神经子网络、长短期记忆网络等等,本说明书对此不作限制。
再例如,还可以在决策组对应的规划域内采用任一现有的优化算法,在决策组对应的规划域的约束下,求解出目标设备行驶至规划路径上各位置的时刻和行驶状态,从而得到目标设备的行驶轨迹。
本说明书一实施例中,可以在根据决策组对应的规划域规划目标设备的行驶轨迹之前,先从各决策组中根据各决策组对应的规划域选择出至少一个目标决策组,并仅在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
本说明书实施例并不限制如何选择目标决策组,仅作为示例,可以将决策组中对应的规划域较大的至少一个决策组选择为目标决策组,例如,在上例中,通过不等式组来表示决策组对应的规划域时,不等式组的解集范围越大,可以认为决策组对应的规划域越大等等。
基于上述如图1所述的无人设备控制方法,先从障碍物中选择出预测轨迹与目标设备的规划路径相交汇的目标障碍物,再对与目标设备存在碰撞风险的各目标障碍物所执行的先行决策或让行决策进行组合得到若干个决策组,基于决策组中各目标障碍物的预测轨迹与规划路径相交汇的预测位置,以及各目标障碍物对应的决策,确定在执行决策组中各决策时目标设备在规划时空图中的规划域,并根据规划域选择出目标决策组,以在目标决策组对应的规划域内规划目标设备的行驶轨迹,以实现目标设备沿基于上述方法所规划出的行驶轨迹行驶时,对目标设备与目标障碍物之间原本可能发生的碰撞进行避免。
当以上述通过决策选择树的方式来组合决策组时,决策选择树的每个节点都可以包括规划上界和规划下界,本说明书实施例中,每个节点的规划上界和规划下界之间的区域,即根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,所述目标设备在规划时空图中的规划域。
当所述生成的决策选择书中仅包括根节点时,根节点中可以包括规划上界和规划下界,通常来说,根节点中所包含的规划上界为根据目标设备当前在指定方向上的速度和最大加速度来确定出的在指定方向上的位移-时间(即S-T)函数,而当目标设备的运动方向上存在着需要制动的制动点时,例如红绿灯,则可以根据制动点所在位置,以及目标设备的当前在指定方向上的速度和最大加速度来确定出的在指定方向上的位移-时间函数,以使目标设备在指定点处速度为零,例如,可以先以最大加速度加速至最大速度,然后减速运动至制动点,当然,此时可以采用任一方式确定位移-时间函数并作为规划上界,本说明书实施例对此不作限制。
根节点中还包括规划下界,所述规划下界可以根据目标设备的当前速度和最大减速度确定出来,例如,以最大减速度减速至速度为零并停止,将所得到的位移-时间函数作为规划下界,在此情形下,所述加速度和减速度均为标量,并且加速度大于零,减速度小于零。
图3中示出了一种根节点中所包含的规划上界c和规划下界d的示例。
然后,在决策选择树的生成过程中,在针对当前的每个叶子节点生成子节点时,可以将从目标障碍物中所选择出的指定障碍物对应的先行决策作为该叶子节点的第一子节点,并将该叶子节点的规划上界作为所述第一子节点的规划上界,并根据该叶子节点的规划下界,以及该指定障碍物的预测位置,确定出所述第一子节点的规划下界。具体的,所述规划下界可以为不与指定障碍物发生碰撞并先于指定障碍物驶过指定障碍物的预测位置时,最接近该叶子节点的规划下界的位移-时间函数。
以图4为例,若当前某一叶子节点的规划上界c和规划下界d分别如图中所示,此时,将目标障碍物C对应的先行决策作为该叶子节点的第一子节点,则所生成的该第一子节点的规划上界可以为图中所示的规划上界c,并根据目标障碍物C所在的位置,以及该叶子节点的规划下界d,为该第一子节点确定出规划下界e,从而得到该第一子节点的规划上界c和规划下界e。
类似的,当针对当前的每个叶子节点,将从目标障碍物中所选择出的指定障碍物对应的让行决策作为该叶子节点的第二子节点,可以将该叶子节点的规划下界作为所述第二子节点的规划下界,并根据该叶子节点的规划上界,以及该指定障碍物的预测位置,确定出所述第二子节点的规划上界。具体的,所述规划上界可以为不与指定障碍物发生碰撞并晚于指定障碍物驶过指定障碍物的预测位置时,最接近该叶子节点的规划上界的位移-时间函数。
若当前某一叶子节点的规划上界c和规划下界d分别如图5所示,则生成的该第二子节点的规划下界可以即为该叶子节点的规划下界d,还可以根据目标障碍物B所在的位置,以及该叶子节点的规划上界c,确定出该第二子节点的规划上界f。
当然,还可能会出现所生成的子节点中所包含的规划上界的位移并不在每一时刻都大于该子节点中所包含的规划下界的位移的情况。
如图6所示,目标障碍物C对应的决策为让行决策,并为目标障碍物C在决策选择树中生成了包含规划上界g和规划下界d的节点,然后,需要将目标障碍物B对应的先行决策生成为目标障碍物C的让行决策的子节点,此时,为目标障碍物B对应的先行决策可确定出规划上界h,则目标障碍物B对应的先行决策节点中包括规划上界g和规划下界h,显然,规划上界g的函数在S轴上并不时刻大于规划下界h的函数。
此时,在规划上界不大于规划下界的时刻,无法为目标设备规划出在该时刻与当前位置的相对位移。
因此,当在为重新选择出的指定障碍物生成叶子节点的子节点之前,可以先判断该叶子节点中所包含的规划上界在任一时刻上是否均不小于该节点中所包含的规划下的位移界,若是,则为该叶子节点生成子节点,若否,则不生成该叶子节点的子节点,即进行预剪枝。例如,对目标障碍物B执行先行决策并对目标障碍物C执行让行决策的节点的子节点之前,判断规划上界g的函数在S轴上并不时刻大于规划下界h的函数,此时,则可以不为该对目标障碍物B执行先行决策并对目标障碍物C执行让行决策的节点生成子节点,即对该叶子节点进行剪枝。
本说明书一实施例中,在为所有目标障碍物对应的决策确定出在决策选择树上节点之后,可以针对每个叶子节点,将由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策的集合作为该叶子节点所在的决策组,而由于每一层节点中所包含的规划上界和规划下界均为根据上层节点以及该节点对应的目标障碍物的决策和位置所确定出的,因此,在此情形下,针对每个叶子节点,可以认为该叶子节点中所包含的规划上界和规划下界之间的范围即为该叶子节点所在的决策组的规划域。
本说明书一实施例中,可以从所包含的规划上界在任一时刻上均不小于所包含的规划下界的叶子节点中选择出至少一个目标叶子节点,并将所选择出的目标叶子节点所在的决策组作为目标决策组。
具体的,本说明书实施例中,针对每个目标决策组,根据该目标决策组的规划域的面积,和/或,该目标决策组中所包含的先行决策的数量,和/或,该目标决策组中所包含的决策与历史上对同一目标障碍物的决策相同的数量,确定出该目标决策组的优化表征值,并根据所确定出的各目标决策组的优化表征值,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
其中,该目标决策组的规划域的面积越大、该目标决策组中所包含的先行决策的数量越多、该目标决策组中所包含的决策与历史上对同一目标障碍物的决策相同的数量越多,则为该目标决策组所确定出的优化表征值就越大。
更进一步的,由于各目标决策组对应的规划域均为非封闭范围,因此,可以将上述目标叶子节点中所包含的规划上界、规划下界以及规划时空图中指定时刻上的位移-时间函数,以及指定位移距离上的位移-时间函数所围成的范围来确定目标决策组的规划域的面积。
以图5为例,当该目标决策组的目标叶子节点中包含的规划上界f、规划下界d时,为该目标决策组所确定的规划域的面积可以为规划上界f、规划下界d以及位移-时间函数S=s1和位移-时间函数T=t1所围成的面积。
当然,以上仅示例性地以通过树形算法来确定决策组为例进行说明,本领域技术人员可以理解的是,采用任一现有方式所确定出的决策组,仍然可以采用上述任一方式确定决策组对应的规划域,并在规划域内为目标设备进行轨迹规划。
以上为本说明书的一个或多个实施例提供的无人设备控制方法,基于同样的思路,本说明书还提供了相应的无人设备控制装置,如图7所示。
图7为本说明书提供的一种无人设备控制装置示意图,该装置包括:
路径获取模块700,用于获取为目标设备规划的规划路径,以及为目标设备周围的障碍物预测出的预测轨迹;
障碍物选择模块702,用于将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置;
决策组合模块704,用于针对每个目标障碍物,将对该目标障碍物所执行的各候选决策作为该目标障碍物对应的决策,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,其中,所述候选决策包括先行决策和让行决策;
范围确定模块706,用于针对每个决策组,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,其中,所述规划时空图用于表示在指定方向上相对位移与时间的关系;
决策选择模块708,用于根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组;
轨迹规划模块710,用于根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
可选地,所述决策组合模块704具体用于,确定待生成的决策选择树;确定目标障碍物集合,从中选择出指定障碍物,针对所述决策选择树中当前的每个叶子节点,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点;将所述指定障碍物从所述目标障碍物集合中移出,并重新从所述目标障碍物集合中选择出指定障碍物,直到所述目标障碍物集合为空集;针对每个叶子节点,将由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策的集合作为该叶子节点所在的决策组。
可选地,所述决策组合模块704还用于,判定根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,所述目标设备在规划时空图中的规划域满足指定条件。
可选地,所述指定条件包括:在所述规划时空图中划分出所述目标设备的规划域的规划上界在任一时刻上均不小于该节点中所包含的规划下界。
可选地,所述范围确定模块706具体用于,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,在规划时空图中确定出该决策组中的叶子节点中所包含的规划上界和规划下界,其中,所述规划时空图用于指示在指定方向上相对位移与时间的关系;确定所述叶子节点中规划上界和规划下界之间的范围,并作为根据该叶子节点所在的决策组中所包含的各决策进行轨迹规划时,所述目标设备的规划域。
可选地,所述决策选择模块708具体用于,根据各叶子节点中包含的规划上界和规划下界,从所包含的规划上界在任一时刻上均不小于所包含的规划下界的叶子节点中选择出至少一个目标叶子节点,并将所选择出的目标叶子节点所在的决策组作为目标决策组。
可选地,所述决策选择树中的每个节点中包括规划上界和规划下界;所述决策组合模块704具体用于,将所述指定障碍物对应的先行决策作为该叶子节点的第一子节点,将该叶子节点的规划上界作为所述第一子节点的规划上界,并根据该叶子节点的规划下界,以及该指定障碍物的预测位置,确定出所述第一子节点的规划下界;将所述指定障碍物对应的让行决策作为该叶子节点的第二子节点,将该叶子节点的规划下界作为所述第二子节点的规划下界,并根据该叶子节点的规划上界,以及该指定障碍物的预测位置,确定出所述第二子节点的规划上界。
可选地,所述决策组合模块704具体用于,根据目标设备的当前速度和最大加速度,确定根节点所包括的在所述规划时空图中的规划上界;根据目标设备的当前速度和最大减速度,确定根节点所包括的在所述规划时空图中的规划下界;根据所确定出的规划上界和规划下界,生成决策选择树的根节点,并根据所生成的根节点确定待生成的决策选择树。
可选地,所述轨迹规划模块710具体用于,针对每个目标决策组,根据该目标决策组的规划域的面积,和/或,该目标决策组中所包含的先行决策的数量,和/或,该目标决策组中所包含的决策与历史上对同一目标障碍物的决策相同的数量,确定出该目标决策组的优化表征值;根据所确定出的各目标决策组的优化表征值,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述无人设备控制方法。
本说明书还提供了图8所示的电子设备的结构示意图。如图8所示,在硬件层面,该电子设备包括处理器、内部总线、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述无人设备控制方法。
当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字***“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的***、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、***或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于***实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。
Claims (9)
1.一种无人设备控制方法,其特征在于,包括:
获取为目标设备规划的规划路径,以及为目标设备周围的障碍物预测出的预测轨迹;
将预测轨迹与规划路径相交汇的障碍物作为目标障碍物,并将目标障碍物与规划路径交汇的位置确定为目标障碍物的预测位置;
针对每个目标障碍物,将对该目标障碍物所执行的各候选决策作为该目标障碍物对应的决策,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,其中,所述候选决策包括先行决策和让行决策,其中,组合各目标障碍物对应的各决策,得到由各目标障碍物对应的各决策所组成的若干个决策组,具体包括:
确定待生成的决策选择树;
确定目标障碍物集合,从中选择出指定障碍物,针对所述决策选择树中当前的每个叶子节点,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点;
将所述指定障碍物从所述目标障碍物集合中移出,并重新从所述目标障碍物集合中选择出指定障碍物,直到所述目标障碍物集合为空集;
针对每个叶子节点,将由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策的集合作为该叶子节点所在的决策组;
针对每个决策组,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,其中,所述规划时空图用于表示在指定方向上相对位移与时间的关系,所述规划域满足在所述规划时空图中划分出所述目标设备的规划域的规划上界在任一时刻上均不小于对应节点中所包含的规划下界的指定条件;
根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组;
根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
2.如权利要求1所述的方法,其特征在于,将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点之前,所述方法还包括:
判定根据由该叶子节点至所述决策选择树的根节点之间的回溯路径中所包括的各目标障碍物对应的决策进行轨迹规划时,所述目标设备在规划时空图中的规划域满足指定条件。
3.如权利要求1所述的方法,其特征在于,根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,确定出根据该决策组中所包含的各决策进行轨迹规划时,所述目标设备在规划时空图中的规划域,作为该决策组对应的规划域,具体包括:
根据各目标障碍物在规划时空图中的预测位置,以及该决策组中所包括的各目标障碍物对应的决策,在规划时空图中确定出该决策组中的叶子节点中所包含的规划上界和规划下界;
确定所述叶子节点中规划上界和规划下界之间的范围,并作为根据该叶子节点所在的决策组中所包含的各决策进行轨迹规划时,所述目标设备的规划域。
4.如权利要求3所述的方法,其特征在于,根据各决策组对应的规划域,从各决策组中选择出至少一个目标决策组,具体包括:
根据各叶子节点中包含的规划上界和规划下界,从所包含的规划上界的位移在任一时刻上均不小于所包含的规划下界的叶子节点中选择出至少一个目标叶子节点,并将所选择出的目标叶子节点所在的决策组作为目标决策组。
5.如权利要求3所述的方法,其特征在于,所述决策选择树中的每个节点中包括规划上界和规划下界;
将所述指定障碍物的先行决策和让行决策分别作为该叶子节点的两个子节点,具体包括:
将所述指定障碍物对应的先行决策作为该叶子节点的第一子节点,将该叶子节点的规划上界作为所述第一子节点的规划上界,并根据该叶子节点的规划下界,以及该指定障碍物的预测位置,确定出所述第一子节点的规划下界;将所述指定障碍物对应的让行决策作为该叶子节点的第二子节点,将该叶子节点的规划下界作为所述第二子节点的规划下界,并根据该叶子节点的规划上界,以及该指定障碍物的预测位置,确定出所述第二子节点的规划上界。
6.如权利要求5所述的方法,其特征在于,确定待生成的决策选择树,具体包括:
根据目标设备的当前速度和最大加速度,确定根节点所包括的在所述规划时空图中的规划上界;根据目标设备的当前速度和最大减速度,确定根节点所包括的在所述规划时空图中的规划下界;
根据所确定出的规划上界和规划下界,生成决策选择树的根节点,并根据所生成的根节点确定待生成的决策选择树。
7.如权利要求3所述的方法,其特征在于,根据所选择出的目标决策组,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹,具体包括:
针对每个目标决策组,根据该目标决策组的规划域的面积,和/或,该目标决策组中所包含的先行决策的数量,和/或,该目标决策组中所包含的决策与历史上对同一目标障碍物的决策相同的数量,确定出该目标决策组的优化表征值;
根据所确定出的各目标决策组的优化表征值,在目标决策组对应的规划域内,为所述目标设备规划出沿规划路径运动的行驶轨迹。
8.一种计算机可读存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述权利要求1~7任一项所述的方法。
9.一种无人驾驶设备,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,其特征在于,所述处理器执行所述程序时实现上述权利要求1~7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298666.6A CN114019971B (zh) | 2021-11-04 | 2021-11-04 | 一种无人设备控制方法、装置、存储介质及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111298666.6A CN114019971B (zh) | 2021-11-04 | 2021-11-04 | 一种无人设备控制方法、装置、存储介质及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114019971A CN114019971A (zh) | 2022-02-08 |
CN114019971B true CN114019971B (zh) | 2024-03-26 |
Family
ID=80060611
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111298666.6A Active CN114019971B (zh) | 2021-11-04 | 2021-11-04 | 一种无人设备控制方法、装置、存储介质及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114019971B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114442643B (zh) * | 2022-04-07 | 2022-07-08 | 遨博(江苏)机器人有限公司 | 机器人的组合路径的速度前瞻方法、装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108583578A (zh) * | 2018-04-26 | 2018-09-28 | 北京领骏科技有限公司 | 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 |
CN109491376A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 |
CN109491377A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于dp和qp的决策和规划 |
CN109489675A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于成本的路径规划 |
CN110389583A (zh) * | 2018-04-16 | 2019-10-29 | 百度(美国)有限责任公司 | 生成自动驾驶车辆的轨迹的方法 |
CN110621541A (zh) * | 2018-04-18 | 2019-12-27 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆在高速公路上的自动驾驶的无地图无定位的沿车道行驶方法 |
CN111380534A (zh) * | 2018-12-27 | 2020-07-07 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于st图学习的决策 |
CN112364751A (zh) * | 2020-11-05 | 2021-02-12 | 中国第一汽车股份有限公司 | 一种障碍物状态判断方法、装置、设备及存储介质 |
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 |
CN112631295A (zh) * | 2020-12-17 | 2021-04-09 | 北京汽车研究总院有限公司 | 路径规划方法、装置及车辆 |
CN112829769A (zh) * | 2020-09-15 | 2021-05-25 | 百度(美国)有限责任公司 | 自动驾驶车辆的混合规划*** |
CN113335310A (zh) * | 2021-07-21 | 2021-09-03 | 新石器慧通(北京)科技有限公司 | 基于决策的运动规划方法、装置、电子设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5332034B2 (ja) * | 2008-09-22 | 2013-11-06 | 株式会社小松製作所 | 無人車両の走行経路生成方法 |
-
2021
- 2021-11-04 CN CN202111298666.6A patent/CN114019971B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109491376A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于动态规划和梯度下降的决策和规划 |
CN109491377A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于dp和qp的决策和规划 |
CN109489675A (zh) * | 2017-09-11 | 2019-03-19 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于成本的路径规划 |
CN110389583A (zh) * | 2018-04-16 | 2019-10-29 | 百度(美国)有限责任公司 | 生成自动驾驶车辆的轨迹的方法 |
CN110621541A (zh) * | 2018-04-18 | 2019-12-27 | 百度时代网络技术(北京)有限公司 | 用于自动驾驶车辆在高速公路上的自动驾驶的无地图无定位的沿车道行驶方法 |
CN108583578A (zh) * | 2018-04-26 | 2018-09-28 | 北京领骏科技有限公司 | 用于自动驾驶车辆的基于多目标决策矩阵的车道决策方法 |
CN111380534A (zh) * | 2018-12-27 | 2020-07-07 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于st图学习的决策 |
CN112829769A (zh) * | 2020-09-15 | 2021-05-25 | 百度(美国)有限责任公司 | 自动驾驶车辆的混合规划*** |
CN112364751A (zh) * | 2020-11-05 | 2021-02-12 | 中国第一汽车股份有限公司 | 一种障碍物状态判断方法、装置、设备及存储介质 |
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 |
CN112631295A (zh) * | 2020-12-17 | 2021-04-09 | 北京汽车研究总院有限公司 | 路径规划方法、装置及车辆 |
CN113335310A (zh) * | 2021-07-21 | 2021-09-03 | 新石器慧通(北京)科技有限公司 | 基于决策的运动规划方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114019971A (zh) | 2022-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112306059B (zh) | 一种控制模型的训练方法、控制方法以及装置 | |
CN111208838B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN111076739B (zh) | 一种路径规划的方法及装置 | |
CN113296541B (zh) | 一种基于未来碰撞风险的无人设备控制方法及装置 | |
CN113341941B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN113968243B (zh) | 一种障碍物轨迹预测方法、装置、设备及存储介质 | |
CN111114543A (zh) | 一种轨迹预测方法及装置 | |
CN112629550B (zh) | 一种预测障碍物轨迹以及模型训练的方法及装置 | |
CN113110526B (zh) | 一种模型训练的方法、无人驾驶设备的控制方法及装置 | |
CN113419547B (zh) | 一种多车协同控制方法及装置 | |
CN111238523A (zh) | 一种运动轨迹的预测方法及装置 | |
CN114019971B (zh) | 一种无人设备控制方法、装置、存储介质及电子设备 | |
CN113485383B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
CN111123957B (zh) | 一种轨迹规划的方法及装置 | |
CN113033527A (zh) | 一种场景识别方法、装置、存储介质及无人设备 | |
CN112949756A (zh) | 一种模型训练以及轨迹规划的方法及装置 | |
CN114167857B (zh) | 一种无人驾驶设备的控制方法及装置 | |
CN117008615A (zh) | 一种策略切换的无人车轨迹规划方法和*** | |
CN114153207B (zh) | 一种无人驾驶设备的控制方法及控制装置 | |
CN110895406A (zh) | 一种基于干扰物轨迹规划的无人设备的测试方法及装置 | |
CN114815825B (zh) | 确定车辆最优行驶轨迹方法和装置 | |
CN112987754B (zh) | 一种无人设备的控制方法、装置、存储介质及电子设备 | |
CN114877912A (zh) | 一种车辆导航信息生成方法、装置及设备 | |
CN113815651B (zh) | 一种无人设备控制方法、装置、设备及存储介质 |
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 |