CN114185352A - 一种高精度高实时的自动驾驶局部路径规划方法 - Google Patents
一种高精度高实时的自动驾驶局部路径规划方法 Download PDFInfo
- Publication number
- CN114185352A CN114185352A CN202111492166.6A CN202111492166A CN114185352A CN 114185352 A CN114185352 A CN 114185352A CN 202111492166 A CN202111492166 A CN 202111492166A CN 114185352 A CN114185352 A CN 114185352A
- Authority
- CN
- China
- Prior art keywords
- local
- path
- driving
- vehicle
- automatic driving
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000002093 peripheral effect Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000790 scattering method Methods 0.000 description 1
Images
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
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- 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
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)
- Traffic Control Systems (AREA)
Abstract
一种高精度高实时的自动驾驶局部路径规划方法,包括如下步骤:步骤一、获取全局参考路径;步骤二、通过传感器测得周围的局部环境信息,进行环境模型构建,获得初始化后的栅格地图;步骤三、利用RRT算法对已构建的所述栅格地图进行搜索,对可用节点进行筛选,获取无碰撞局部行车路径;步骤四、在筛选后获取的无碰撞局部行车路径上进行扩展,获取带有宽度信息的行车区域约束;步骤五、对带有宽度的行车区域约束进行枚举采样,获得所有局部路径的可能情况,从中选择最优路径作为输出。降低了自动驾驶***在局部路径规划中的算力需求,提升局部路径规划方法的路径规划精确度,有利于车辆通在复杂狭窄环境中的通行,提升车辆行驶安全性、灵活性。
Description
技术领域
本发明涉及自动驾驶领域,尤其涉及一种高精度高实时的自动驾驶局部路径规划方法。
背景技术
在自动驾驶汽车***中,车辆的局部路径规划是自动驾驶决策技术的重要组成部分之一。局部路径规划主要通过车辆感知信息、全局路径及自车状态等信息通过规划算法获取一条车辆实时运动轨迹。感知信息通常由相机、毫米波雷达、激光雷达等车载传感器获取,得到障碍物的类型、位置、速度和加速度等信息,自车状态容如车辆速度、方向盘、加速度等信息由车载网络获取。为保证自动驾驶车辆在限定区域复杂场景中安全运行,避免由算法设计不足带来的预期功能安全等相关问题,需要提升自动驾驶控制***中局部路径规划算法的路径规划精度,精度的提升能够进一步提升车辆在复杂场景下的运行性能,但势必带来算力需求的提升,这对自动驾驶车辆域控制器等相关计算硬件品台带来了极大的挑战,若算力需求接近硬件算力的极限,自动驾驶***将处于不稳定状态,严重影响车辆行车安全,若对精度不做较大提升,车辆在遭遇狭窄场景时可能会自主判定场景不可通行,从而造成行车的中断。在提升算法计算精度的同时保证算法计算的实时性,降低算法运行的算力需求是十分有必要的。
发明内容
为了解决上述技术问题,本发明提供了一种高精度高实时的自动驾驶局部路径规划方法,包括如下步骤:
步骤一、获取全局参考路径;
步骤二、通过传感器测得周围的局部环境信息,进行环境模型构建,将区域按照定大小步长进行网格化,获得初始化后的栅格地图;
步骤三、利用RRT算法对已构建的所述栅格地图进行搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选,获取无碰撞局部行车路径;
步骤四、在筛选后获取的无碰撞局部行车路径上进行扩展,获取带有宽度信息的行车区域约束;
步骤五、对带有宽度的行车区域约束进行枚举采样,获得所有局部路径的可能情况,从中选择最优路径作为输出。
作为优选,在所述步骤一中,通过GPS获取全局参考路径。
作为优选,在所述步骤二中,所述栅格地图是将传感器、感知、预测等***自动驾驶功能模块输出的环境信息进行处理后,再通过离散采样的方式建模而成。
作为优选,在所述步骤三中,引入B样条曲线函数对随机树节点连线进行路径拟合,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径。
作为优选,在所述步骤四中,对所述无碰撞局部行车路径使用定步长采样扩展方法进行扩展,沿路径的垂直方向进行定步长采样,获得散点序列,散点序列所覆盖区域形成带有宽度的行车区域约束。
作为优选,在所述步骤五中,对获得的所有局部路径进行代价评估,找到最小代价的备选局部路径,此路径为最终输出结果。
本发明带来的有益效果:
1.本发明克服了现有局部路径规划技术中路径规划精度和实时性之间的矛盾,在提升局部路径规划精度的同时保证计算的实时性。
2.本发明能够降低自动驾驶***在局部路径规划中的算力需求,提升局部路径规划方法的路径规划精确度,有利于车辆通在复杂狭窄环境中的通行,提升车辆行驶安全性、灵活性。
附图说明
图1为本发明方法的流程图;
图2为本发明方法结构图;
图3为本发明的分步流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
如图1、图2所示,本实施例提供了一种高精度高实时的自动驾驶局部路径规划方法,包括如下步骤:
S1、通过GPS获取全局参考路径;
S2、通过传感器测得周围的局部环境信息,进行环境模型构建,将区域按照定大小步长进行网格化,获得初始化后的栅格地图,所述栅格地图是将传感器、感知、预测等***自动驾驶功能模块输出的环境信息进行处理后,再通过离散采样的方式建模而成;
S3、利用RRT算法对已构建的所述栅格地图进行搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选,引入B样条曲线函数对随机树节点连线进行路径拟合,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径,获取无碰撞局部行车路径;
S4、对所述无碰撞局部行车路径使用定步长采样扩展方法进行扩展,沿路径的垂直方向进行定步长采样,获得散点序列,散点序列所覆盖区域形成带有宽度的行车区域约束;
S5、对带有宽度的行车区域约束进行枚举采样,获得所有局部路径的可能情况,从中选择最优路径作为输出。
如图3所示,本方法由外部输入的障碍物信息、交通规则约束、道路边界约束作为开始,外部输入信息进入到环境分析与建模模块中,开始对信息进行处理,首先确定环境区域的大小,使用100米以内的矩形区域作为环境分析和建模区域;
将区域按照定大小步长进行网格化,获得初始化后的栅格地图;
将各类输入的环境要素进行投影,存在障碍物或不可通行的区域在初始化的栅格地图上标注1,否则标注0,从而获得环境的栅格地图。
在获取环境的栅格地图后将栅格地图信息传递至区域搜索与限定模块中进行计算,使用随机撒点的方法在区域中选取一个点,若该点与前一点的连线不存在碰撞,则认为该点是有效的;
重复撒点过程,直到随机撒点结果接近目标点;
此时获得一条连接起点和目标点的散点序列,对此散点序列进行处理,找到连接起点和目标点的最少节点序列,即可获得一条连接起点和目标点的无碰撞少节点路径;对连接起点和目标点的少节点路径进行扩展,在道路坐标系下沿路径的垂直线方向进行定步长大小扩展,可在各节点处获得一系列的扩展散点,这一系列的散点可描述一个带有宽度的曲线区域,至此获得带有宽度的行车区域约束。
将栅格地图和带有宽度的行车区域约束传递至高精度局部路径优化中,基于定步长离散的思想对带有宽度的行车区域约束进行离散化,获取该区域的网格化地图;
使用基于网格的采样思想进行路径节点采样,即可获得一条备选的局部路径采样结果;
对该结果进行代价值评估,并记录该代价;重复上述过程,找到最小代价的备选局部路径,并将最小代价的备选局部路径作为最终结果输出,即可获得最优局部参考路径。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (6)
1.一种高精度高实时的自动驾驶局部路径规划方法,包括如下步骤:
步骤一、获取全局参考路径;
步骤二、通过传感器测得周围的局部环境信息,进行环境模型构建,将区域按照定大小步长进行网格化,获得初始化后的栅格地图;
步骤三、利用RRT算法对已构建的所述栅格地图进行搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选,获取无碰撞局部行车路径;
步骤四、在筛选后获取的无碰撞局部行车路径上进行扩展,获取带有宽度信息的行车区域约束;
步骤五、对带有宽度的行车区域约束进行枚举采样,获得所有局部路径的可能情况,从中选择最优路径作为输出。
2.如权利要求1所述的一种高精度高实时的自动驾驶局部路径规划方法,其特征在于,在所述步骤一中,通过GPS获取全局参考路径。
3.如权利要求1所述的一种高精度高实时的自动驾驶局部路径规划方法,其特征在于,在所述步骤二中,所述栅格地图是将传感器、感知、预测等***自动驾驶功能模块输出的环境信息进行处理后,再通过离散采样的方式建模而成。
4.如权利要求1所述的一种高精度高实时的自动驾驶局部路径规划方法,其特征在于,在所述步骤三中,引入B样条曲线函数对随机树节点连线进行路径拟合,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径。
5.如权利要求1所述的一种高精度高实时的自动驾驶局部路径规划方法,其特征在于,在所述步骤四中,对所述无碰撞局部行车路径使用定步长采样扩展方法进行扩展,沿路径的垂直方向进行定步长采样,获得散点序列,散点序列所覆盖区域形成带有宽度的行车区域约束。
6.如权利要求1所述的一种高精度高实时的自动驾驶局部路径规划方法,其特征在于,在所述步骤五中,对获得的所有局部路径进行代价评估,找到最小代价的备选局部路径,此路径为最终输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492166.6A CN114185352B (zh) | 2021-12-08 | 2021-12-08 | 一种高精度高实时的自动驾驶局部路径规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111492166.6A CN114185352B (zh) | 2021-12-08 | 2021-12-08 | 一种高精度高实时的自动驾驶局部路径规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114185352A true CN114185352A (zh) | 2022-03-15 |
CN114185352B CN114185352B (zh) | 2024-01-19 |
Family
ID=80542772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111492166.6A Active CN114185352B (zh) | 2021-12-08 | 2021-12-08 | 一种高精度高实时的自动驾驶局部路径规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114185352B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114812581A (zh) * | 2022-06-23 | 2022-07-29 | 中国科学院合肥物质科学研究院 | 一种基于多传感器融合的越野环境导航方法 |
CN115718489A (zh) * | 2022-11-10 | 2023-02-28 | 中元宇(北京)物联网科技有限公司 | 一种防疫智能机器人的路径规划方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088456A (zh) * | 2017-12-21 | 2018-05-29 | 北京工业大学 | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
CN111795699A (zh) * | 2019-11-26 | 2020-10-20 | 北京京东乾石科技有限公司 | 无人车的路径规划方法、装置和计算机可读存储介质 |
CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
CN112683290A (zh) * | 2020-12-29 | 2021-04-20 | 的卢技术有限公司 | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 |
CN113419521A (zh) * | 2020-03-05 | 2021-09-21 | 广州市香港科大***研究院 | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 |
-
2021
- 2021-12-08 CN CN202111492166.6A patent/CN114185352B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108088456A (zh) * | 2017-12-21 | 2018-05-29 | 北京工业大学 | 一种具有时间一致性的无人驾驶车辆局部路径规划方法 |
CN111795699A (zh) * | 2019-11-26 | 2020-10-20 | 北京京东乾石科技有限公司 | 无人车的路径规划方法、装置和计算机可读存储介质 |
CN113419521A (zh) * | 2020-03-05 | 2021-09-21 | 广州市香港科大***研究院 | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 |
CN111289008A (zh) * | 2020-04-28 | 2020-06-16 | 南京维思科汽车科技有限公司 | 一种用于无人驾驶车辆的局部路径规划算法 |
CN111860155A (zh) * | 2020-06-12 | 2020-10-30 | 华为技术有限公司 | 一种车道线的检测方法及相关设备 |
CN112683290A (zh) * | 2020-12-29 | 2021-04-20 | 的卢技术有限公司 | 一种车辆轨迹规划方法、电子设备及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
魏洪贵: "城市道路下的自主泊车***轨迹规划算法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114812581A (zh) * | 2022-06-23 | 2022-07-29 | 中国科学院合肥物质科学研究院 | 一种基于多传感器融合的越野环境导航方法 |
CN114812581B (zh) * | 2022-06-23 | 2022-09-16 | 中国科学院合肥物质科学研究院 | 一种基于多传感器融合的越野环境导航方法 |
CN115718489A (zh) * | 2022-11-10 | 2023-02-28 | 中元宇(北京)物联网科技有限公司 | 一种防疫智能机器人的路径规划方法及*** |
CN115718489B (zh) * | 2022-11-10 | 2023-08-15 | 中元宇(北京)物联网科技有限公司 | 一种防疫智能机器人的路径规划方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN114185352B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tuncali et al. | Utilizing S-TaLiRo as an automatic test generation framework for autonomous vehicles | |
Shin et al. | Vehicle speed prediction using a Markov chain with speed constraints | |
Schubert et al. | Comparison and evaluation of advanced motion models for vehicle tracking | |
Kim et al. | Probabilistic and holistic prediction of vehicle states using sensor fusion for application to integrated vehicle safety systems | |
US10035508B2 (en) | Device for signalling objects to a navigation module of a vehicle equipped with this device | |
Belbachir et al. | Simulation-driven validation of advanced driving-assistance systems | |
Zhou et al. | Autonomous vehicles’ turning motion planning for conflict areas at mixed-flow intersections | |
CN114185352A (zh) | 一种高精度高实时的自动驾驶局部路径规划方法 | |
Bernsteiner et al. | Radar sensor model for the virtual development process | |
CN112406905B (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
Mouhagir et al. | A markov decision process-based approach for trajectory planning with clothoid tentacles | |
Firoozi et al. | Safe Adaptive Cruise Control with Road Grade Preview and $\mathbf {V} 2\mathbf {V} $ Communication | |
Liu et al. | Trajectory prediction of preceding target vehicles based on lane crossing and final points generation model considering driving styles | |
CN114815853B (zh) | 一种考虑路面障碍特征的路径规划方法和*** | |
KR20230159308A (ko) | 첨단 운전자 보조 시스템(adas) 및/또는 자동화된 운전 시스템(ads)을 교정하고 검증하기 위한 방법, 시스템 및 컴퓨터 프로그램 제품 | |
US11657635B2 (en) | Measuring confidence in deep neural networks | |
Farag | Multiple road-objects detection and tracking for autonomous driving | |
CN114879207A (zh) | 一种用于l4级自动驾驶车辆的超声波避障方法 | |
Farag | Real-time lidar and radar fusion for road-objects detection and tracking | |
Farag | Road-objects tracking for autonomous driving using lidar and radar fusion | |
Pandita et al. | Preceding vehicle state prediction | |
Solmaz et al. | Hybrid testing: A vehicle-in-the-loop testing method for the development of automated driving functions | |
Farag | Lidar and radar fusion for real-time road-objects detection and tracking | |
Pechinger et al. | Benefit of smart infrastructure on urban automated driving-using an av testing framework | |
US20230271621A1 (en) | Driving assistance device, learning device, driving assistance method, medium with driving assistance program, learned model generation method, and medium with learned model generation program |
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 |