CN114212107A - 一种基于价值图的智能网联驾驶规划方法 - Google Patents
一种基于价值图的智能网联驾驶规划方法 Download PDFInfo
- Publication number
- CN114212107A CN114212107A CN202111585921.5A CN202111585921A CN114212107A CN 114212107 A CN114212107 A CN 114212107A CN 202111585921 A CN202111585921 A CN 202111585921A CN 114212107 A CN114212107 A CN 114212107A
- Authority
- CN
- China
- Prior art keywords
- traffic
- map
- value
- vehicle
- road
- 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
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明是一种基于价值图的智能网联驾驶规划方法,涉及车联网技术领域。本发明在路口设置的边缘计算节点中基于区域内交通元素的特征计算通行势图,基于区域内静态特征计算路面基图,基于区域内所有车辆的历史轨迹,计算不可观测因素对通行价值的影响,获得通行价值底图,将三个图叠加形成通行价值图传输给车辆;车辆探测周围区域中的交通元素计算局部通行势图,并更新通行价值图,进行路径规划。本发明方法通过价值图完成车载设备与边缘计算协同,降低了路面交通态势数据维度,扩大了车辆感知范围,为车辆提供更丰富的环境信息,提高了路径规划的质量,也降低了车路通信的带宽需求,降低了车载终端处理的复杂度,减少对车辆的算力需求。
Description
技术领域
本发明涉及车联网、智能汽车技术领域,尤其涉及一种车路协同驾驶路径规划方法和路径规划***。
背景技术
自动驾驶汽车的控制***架构主要由感知模块、决策模块和控制模块构成。感知模块负责感知周围环境。在车联网的条件下,车辆即作为感知器又作为执行器。车辆通过车载传感器感知周围环境,也利用车联网技术与其他车辆或道路设施进行交互,共享感知到的环境信息,从而协作地建立起对周围环境地完整认知。决策模块主要负责全局规划和局部规划。全局规划在道路的拓扑结构上进行,规划算法把车辆的起始位置和目标位置作为输入,输出连接起止点的道路拓扑节点序列。局部规划把每个拓扑节点当作短期目标,考虑当前实时的驾驶环境,规划出一条安全的驾驶路径。控制模块负责将决策模块输出的驾驶路径转换为车辆的控制指令,其中对车辆的控制分为横向控制和纵向控制。横向控制指的是通过控制方向盘转角来控制车辆行驶的航向,纵向控制指的是通过控制车辆的油门、挡位、刹车来控制车辆的行驶速度。
在车联网环境下,车辆通过V2X(车对外界的信息交换)可以全面、精确的感知周围环境。自动驾驶汽车的规划***不仅需要通过感知模块获得其他交通元素当前的状态,还需要通过V2X获得更大范围的交通状态,并预期未来的运动趋势,才能据此做出正确高效的驾驶决策规划。但是,如果路侧的边缘计算节点仅仅将感知识别出的全量路面交通元素传递给车辆,车辆自行根据V2X的数据进行路面交通态势的融合和重建,需要耗费大量的车载计算能力。即便在路侧边缘计算节点进行多源感知结果的融合,将融合后的全量路面交通状态数据发送给车辆,车辆仍然需要记录和预测多交通元素的运动态势,并在车端进行自我感知结果和路侧感知结果的运动态势计算与融合,这对车辆的计算能力和通信网络实时性要求很高。而且,大规模的数据通信总会带来延迟,延迟导致的态势认知的滞后性,对车辆驾驶决策的规划也会产生严重影响。
公开号为CN110471421A的中国专利申请文件在2019年11月19日公开了一种车辆安全行驶的路径规划方法及路径规划***,用于节省计算量提高路径规划的可靠性,技术实现包括:获取障碍物在不同时刻点的位置;得到障碍物的位置线段;获取车辆的第一当前位置和目标位置;若障碍物的第二当前位置与第一当前位置的第一距离小于第一预置阈值,则根据第一目标距离将位置线段进行膨胀,得到第一膨胀后的位置线段;根据第一膨胀后的位置线段、第一当前位置和目标位置得到第一路径规划;或者,若障碍物的第二当前位置与目标位置的第二距离小于第二预置阈值,则根据第二目标距离将位置线段进行膨胀,得到第二膨胀后的位置线段;根据第二膨胀后的位置线段、第一当前位置和目标位置得到第二路径规划。但该技术方案在计算每个路径点的时候只考虑当前位置附近的障碍物信息,而忽略了更远处障碍物对当前路径点选择的影响。因此该技术的路径规划结果不是全局最优路径,因而可能导致不必要的启停、避让操作,降低驾驶效率和乘坐体验。
公开号为CN110132279A的专利申请文件在2019年8月16日公开了一种局部路径规划的测试方法和装置,包括:获取无人车基于路网路径规划数据和局部路径规划数据行驶得到的用于测试的规划指标;获取无人车基于细节路径规划数据行驶得到的实际的规划指标;比对用于测试的规划指标和实际的规划指标;根据比对结果以及规划合理性确定规则,确定细节路径规划数据是否合理。该技术方案实现了无需人工测试细节路径规划数据,提高了测试细节路径规划数据的效率,并且提高了测试结果的准确性。但是,该技术方案在进行路径规划的时候,在只考虑当前时刻的障碍物位置的静态地图上的拓扑结构中进行路径规划,当下一时刻障碍物位置发生变化的时候,上轮路径规划结果失效,需要重新进行规划,该技术方案进行路径规划的时候采取先采样再打分的方式,最终的规划结果可能不是最优路径。
公开号为CN109612496A的专利申请文件在2019年4月12日公开了一种路径规划方法、装置及车辆,解决无人驾驶车辆无法保证变道能力的问题。该技术方案的实现包括:基于起点以及终点,生成路径规划结果,路径规划结果中包含有至少两条车道,且所述至少两条车道中相邻的车道为前后相邻;基于所述路径规划结果包含的至少两条车道中,每一条车道的属性、以及所述每一条车道的左右相邻关系,获取可选车道;车道的属性包含有可变道属性以及不可变道属性;将所述可选车道添加至路径规划结果,得到扩展后的路径规划结果,在所述扩展后的路径规划结果中,确定至少一个包含属性相同车道的通行区域。但是,该技术方案只在当前时刻的静态地图的拓扑结构上进行车道级别的路径规划,规划精度较差,当下一时刻环境发生变化的时候需要重新规划路径。并且该方法要求车辆在有车道划分的结构化道路环境中进行路径规划,不能适应非结构化道路环境。
公开号为CN109501799A的专利申请在2019年3月22日公开了一种车联网条件下的动态路径规划方法,包括:动态换道轨迹的规划首先通过构建提高舒适性和通行效率的综合换道时间和最大加速度的目标函数,利用三次样条法、约束条件以及目标函数求解最优换道轨迹,并且能够根据车联网提供的实时信息参考换道轨迹,数据实时更新可以在前方出现突发状况时及时反馈给决策单元重新进行规划路径,以防止碰撞,使得换道车辆适应周围车辆运动状态变化;通过引入目标函数和从最优解的方面确定规划的轨迹方程,在减少换道时间和防止碰撞方面具有安全性、舒适性和高效性。但是,该技术方案中,车辆需要直接处理通过车联网技术获取的远方驾驶环境信息,提高了对车辆计算能力的要求。同时该技术方案也仅应用于车辆的换道场景,而不能应用于非结构化道路的驾驶环境。
发明内容
鉴于上述现有技术的不足,为了降低路面交通态势数据维度,降低车路通信的带宽需求,减少对车辆本身的算力需求,减少由于环境变化导致路径重复规划,本发明提供了一种基于价值图的智能网联驾驶规划方法,基于路侧边缘计算态势融合实现车路协同驾驶决策。
本发明提供的一种基于价值图的智能网联驾驶规划方法,包括如下步骤:
(1)在路口设置的边缘计算节点中设置通行势图计算模块、通行价值底图计算模块以及通行价值图计算模块。边缘计算节点基于区域内交通元素的物理特征和运动特征计算通行势图,基于区域内静态特征计算路面基图,基于区域内所有车辆的历史轨迹,计算不可观测因素对通行价值的影响,获得通行价值底图,再将通行势图、路面基图和通行价值底图叠加,形成通行价值图,传输给车辆;
(2)车辆驶入区域内后,接收到当前时刻的通行价值图;同时,车辆探测周围区域中的交通元素,计算局部通行势图,利用局部通行势图对从边缘计算节点接收的通行价值图进行局部更新;利用更新后的通信价值图进行路径规划。
所述的步骤(1)包括如下子步骤:
(1.1)边缘计算节点通过路侧感知模块探测所负责交通区域内的各类交通元素,获取交通元素的物理特征;路侧感知模块还获取区域内所有车辆的历史轨迹;边缘计算节点所负责的区域划分为网格地图;
(1.2)通行势图计算模块,计算网格地图中在各位置与各交通元素发生碰撞的综合风险,获取通行势图Vp;
(1.3)边缘计算节点将所负责区域内的通行范围的划分转化为路面基图Vb,路面基图Vb中记载在各位置处与道路边界的冲撞风险;道路边界包括车道线和设置在道路上的静态路障;
(1.4)通行价值底图计算模块,对区域内所有车辆的历史轨迹,依据车辆的行驶轨迹的方向和车道进行分类,去除同类中的无效轨迹,计算各类轨迹的分布特征,根据轨迹的分布特征计算通行价值底图Vh;通行价值底图Vh中记载在各位置处与各类轨迹的偏离程度,反映不可观测因素对通行价值的影响;
(1.5)通行价值图计算模块,将通行势图Vp、路面基图Vb和通行价值底图Vh,形成通行价值图V,并传输给车辆。
所述的步骤(2)中,车辆中设置有车载感知模块、局部态势计算模块、路面态势评价模块和驾驶决策模块;其中,局部态势计算模块采用与通行势图计算模块相同方法,根据车载感知模块探测的车辆周围区域中交通元素的物理特征,计算局部通行势图;路面态势评价模块获取边缘计算节点发送来的通行价值图;驾驶决策模块利用局部通行势图更新通行价值图,利用更新后的通行价值图进行路径规划。
与现有技术相比,本发明的优点与积极效果在于:
(1)与只依靠车载感知***进行路径规划的现有技术相比,本发明通过车路协同,利用分布于环境中的路侧感知***扩大了车辆感知范围,提高了规划路径的质量;同时使用边缘计算节点对广阔行驶区域中的环境信息进行预处理,降低了车路通信的带宽需求,也减少了对车辆本身的算力需求。
(2)与只考虑其他交通元素位置等动、静态信息的现有规划方案相比,本发明方法通过势函数综合考虑各交通元素的尺寸、位置、速度、加速度等动态信息,来计算不同时刻各交通元素对通行的影响,通过构建价值图统一交互数据,进一步降低车载处理复杂度,提高路径规划质量,减少了由于环境变化而导致的重复规划。
(3)车辆约定俗成的驾驶习惯、未能被车载感知***探测到的障碍信息以及未能被及时更新的路网信息都会影响这车辆的路径规划。高精度地图虽然能够提供准确的车道和车道中心线信息,但是在交叉口等场景虚拟车道中心线并不一定是最优的行驶轨迹。为了处理上述信息,本发明方法还利用边缘计算节点通过跟踪区域内车辆的实际行驶轨迹来将上述信息,及未能由车载感知***探测到的障碍、未及时更新的路面信息、和约定俗成的驾驶习惯进行建模,以通行价值的形式体现在通行价值图中,为车辆提供更丰富的环境信息以提高路径规划的质量,避免由于上述原因规划出不合时宜的路径以导致车祸的发生。
附图说明
图1是本发明的基于价值图的智能网联驾驶规划方法的整体流程图;
图2是本发明通行势图的计算过程示意图;
图3是本发明通行价值底图的计算流程图。
具体实施方式
下面将结合附图和实施例对本发明作进一步的详细说明。
本发明提供的基于价值图的智能网联驾驶规划方法,实现了一种基于路侧边缘节点计算态势融合的车路协同驾驶决策机制,通过车路协同的方式拓展感知范围。路侧的边缘计算节点将感知到的局部路面高精度信息与全局感知信息进行融合,屏蔽不同类型交通元素的细节特征,对区域内车辆历史轨迹进行处理以计算未能直接探测的路径约束,并根据路面多交通元素的运动趋势进行态势认知,考虑不同交通元素的运动特性,基于价值迭代网络计算路面交通态势价值图,并向车辆提供该价值图,而不是路面交通元素状态,从而解决车辆通过V2X感知交通环境态势存在的数据维度高、数据量大、交互延迟、车辆重新认知理解计算量大等问题。车辆通过通行价值图间接获得信息后,综合考虑车载感知***探测的局部态势信息,进行价值迭代以低成本的方式获得全局最优路径。
路面态势包括路面上存在的各种交通元素如车辆、行人,道路划分情况以及其他未知因素。当路面态势包括的因素种类更加齐全,所分布的范围更加广阔时,由路面态势所进行的驾驶决策质量就更高。但是由于路面态势所包含的因素较多,分布较广,且难以避免新因素的出现,导致车辆无法有效的获得和处理全量信息。因此,本发明方法中,广阔丰富的路面态势信息由边缘计算节点进行处理,以尺寸固定的通行价值图的形式表示路面态势对通行的影响,不同路面态势因素都转换为通行价值,从而用统一的维度和尺度表达路面态势。车辆获得了通行价值图即间接获得了路面态势,进而规划最优驾驶路线。
如图1所示,本发明方法中,在路口布置边缘计算节点,在边缘计算节点中实现基于历史经验的通行价值底图计算、基于势函数的通行势图计算、以及通行价值图计算。通行价值图反应了边缘计算节点负责的驾驶区域内各路面位置的综合通行价值。在车辆节点使用边缘计算节点发送来的通行价值图,进行路面态势评价,结合车载感知的视野范围内的路面态势,基于价值迭代车辆的驾驶决策,规划车辆的最优行驶路径。下面将本发明方法分步骤来说明。
步骤一:边缘计算节点中功能的实现。本发明的边缘计算节点中包含通行势图计算模块、通行价值底图计算模块以及通行价值图计算模块。
步骤1.1:边缘计算节点通过路侧感知模块探测所感知的交通区域内的各类交通元素,获取交通元素的物理特征参数。
路侧感知模块负责探测边缘计算节点负责区域内存在的各类交通元素,包括行人和车辆等各种类型的交通工具,将各交通元素的外形尺寸、位置、速度、加速度等各种物理特征上报给边缘计算节点,用于做进一步处理。若将区域内各交通元素的信息直接发送给车辆势必增加通信负担,车辆要处理如此之多交通元素也必将导致车辆计算压力的增大,并且每台车辆都需要对这些交通元素进行相同的处理,造成了算力的浪费。因此,本发明在边缘计算节点对这些交通元素的物理特征做进一步处理。
步骤1.2:边缘计算节点的通行势图计算模块实现基于势函数的通行价值计算。
行人、车辆等交通参与者具有不同的运动特性,在持续运动过程中,车辆与不同运动特性的交通元素碰撞风险也不同。现有方法并未对车辆运动态势形成统一的评价方法,难以描述交通元素运动趋势对车辆碰撞风险的影响。本发明利用势函数抽象交通元素物理特性与运动特性对周边通行能力的影响,并计算出通行势图。再将通行势图与路面基图叠加,用于构建路面通行价值图。
通行势图计算模块根据路侧感知***探测的交通元素特征使用势函数计算通行势图,该图以固定尺寸的图的形式反应所有交通元素对通行区域的影响。通行势图计算模块使用势函数fp将不同交通元素及其物理特征转化为通行势图,以统一的形式向车辆提供当前区域的交通态势信息。通行势图的获取过程如图2所示,由分布于道路各处的路侧感知设备探测到当前感知区域内存在的各种交通元素及其物理特征参数,图2中障碍即交通元素,在路径规划时所探测的交通元素也即障碍。根据障碍物理特征参数,对重复识别的障碍实体进行去重,对同一个障碍实体的互补特征进行融合,以提高障碍实体的探测精度;然后根据障碍的运动特征,如速度、加速度等预测其未来各时间点所处的位置、姿态等信息;最后利用势函数将各交通元素在不同时刻对网格地图中某一位置的威胁转化为单一值,构造通行势图Vp。
在计算通行势图Vp时,先将边缘计算节点负责的区域按照特定间隔划分为网格地图,坐标(i,j)为网格在地图中的索引。然后使用下式进行计算:
其中:e.t为交通元素e在t时刻所占据的网格位置集合。γ∈(0,1]为折减系数,γk为k时刻的折减系数。fp(t,i,j,e)计算位置(i,j)在时刻t与交通元素e的碰风险的时候,不仅考虑了t时刻交通元素e所在的位置,也通过折减系数将交通元素e未来所处位置与(i,j)的碰撞风险折算到当前时刻一同考虑。本发明不严格限制函数fp以及交通元素e的实现形式。上面公式T代表所考虑的一个未来时刻。
分布广泛、类型多样、数量众多的交通元素信息,既不利于直接传播,而且由于每个车辆若直接获得交通元素信息都需要对相同的信息进行同样的后续处理,也造成了算力的浪费。而本发明利用边缘计算节点集中对当前区域内的交通元素进行处理、计算,将不同交通元素运动态势信息以统一的形式间接提供给车辆。既减小了通信带宽,也降低了车辆的计算负担。
步骤1.3:边缘计算节点计算和存储路面基图,通行价值底图计算模块基于历史轨迹数据计算通行价值底图。
本发明实现基于历史经验的通行价值计算。基于价值图的路径规划方法在规划路径的时候会避免障碍所在的网格,其中障碍可能是实体的,如路面遗撒,也可能是虚拟的,如车道线。但是在十字路口,在没有其他车辆的情况下,尽管没有车道线的限制,车辆仍然不能随意在十字路口区域穿行。驾驶员在通过路口的时候往往有约定俗成的驾驶路线,如果自动驾驶车辆的路线规划结果与其他非自动驾驶车辆的习惯驾驶路线有着较大出入,那么就会对该区域内的安全通行有着较大的影响。因此,本发明针对这一场景,加入基于高精度地图或历史行驶轨迹形成的虚拟车道,并基于虚拟车道计算通行价值底图,通行价值底图体现了在区域行驶的路线偏好。
边缘计算节点通过感知模块还获得所负责区域内的所有车辆的历史轨迹数据,历史轨迹数据记录了车辆的真实行驶轨迹。通行价值底图计算模块将历史轨迹处理为通行价值底图,以反映未知因素对通行区域的影响。
路径规划时除了要避免与其他交通元素发生碰撞外,还需要遵守交通规则在划定的通行范围内通行。本发明的边缘计算节点中还存储有路面基图,路面基图反应了道路的静态特征,如车道线划分等对通行区域的影响。本发明中,边缘计算节点将所负责区域内的通行范围的划分转化为路面基图Vb,其中表示位置(i,j)与道路边界的冲撞风险,使用下式进行计算:
其中Base为车道线、路障等影响道路通行的静态障碍所占据的网格位置集合。本发明不严格限制Vb的计算方法,除了上面方式计算,采用其他方式计算得到的路面基图也可以。
但是在非结构化道路的交通环境中,例如无车道线的路口,尽管没有道路划分,车辆仍要按照约定俗成的驾驶习惯在特定范围内通行。另外,当路况发生临时变化,例如道路破损或部分区域临时限制通行,而路面基图未能及时更新时,边缘计算设备仍要能够以某种方式向车辆提供该路面信息。车辆在区域内频繁通过的路径之外,被认为存在虚拟障碍,该障碍可能是驾驶员约定俗成的习惯,也可能是车道线,未能被车载感知的障碍,或存在妨碍通行的其他元素。虚拟障碍与物理障碍或交通元素的区别在于,其并不是绝对不可逾越的边界,而是通过价值取值方式降低虚拟障碍位置通行价值,以支持车辆最优路线规划。本发明在边缘计算节点以通行价值底图的形式表现该信息。
如图3所示,基于历史轨迹计算通行价值底图的过程包括:首先,边缘计算节点利用路侧感知节点对区域内各交通元素进行识别,然后跟踪车辆元素并持续记录其行驶轨迹,获取一段时间内所有从区域中经过的车辆的轨迹数据;再根据车辆的行驶轨迹的方向、车道等特征将轨迹分类;然后对相同类型的轨迹去除其中由于行驶距离过短、坐标偏移过多等原因造成的无效数据;最后,计算各类轨迹的中心线、偏离度等分布特征,并根据轨迹的分布特征计算通行价值底图Vh。通行价值底图Vh中,表示网格(i,j)与某类轨迹的偏离程度,其间接反映了不可观测因素对通行价值的影响,计算如下:
其中path为边缘节点统计的一类驾驶轨迹,其由该轨迹所经过的网格集合{(i,j),(i,j),…}组成。fh(i,j,path)的实现如下:
本发明方法中不严格限制函数fh及path的实现方法,能实现上述基于车辆历史轨迹数据,计算出不可观测因素对通行价值的影响的方法都可以采用。
步骤1.4:边缘计算节点的通行价值图计算模块,将通行价值底图与通行势图、路面基图共同叠加,形成通行价值图。
通行价值图计算模块根据路面基图Vb、通行价值底图Vh以及通行势图Vp,使用价值迭代的方法根据下式迭代计算通行价值图V:
其中(i′,j′)为(i,j)的相邻位置,系数α,β,ω调节各影响因素对通行价值的影响比重。Vt+1,i′,j′为位置(i′,j′)处在t+1时刻的通行价值。Vt,i,j的绝对值表示t时刻从位置(i,j)出发到达目标位置最小成本。
本发明实现基于价值图的路面态势评价。是将传统路面的交通元素位置、速度、加速度、方向等状态,及交通元素的预测位置、速度、方向等交通元素的态势,转化为网格地图,并根据预测的交通态势建立价值图。价值图是根据当前交通路面各个交通元素位置和运动趋势,计算出的通行风险价值图。该图考虑了车辆运动趋势、碰撞风险,考虑路面限速、障碍等计算出的可行驶区域,并根据价值函数迭代计算可行驶区域的通行价值。自动驾驶车辆获得这张价值图后,只需根据价值图进行最优驾驶路线规划,并根据路线规划和自身感知结果进行车辆控制决策,即可实现复杂路况下的最佳驾驶策略。
步骤二:智能车辆中功能的实现。本发明的车辆节点中设置有车载感知模块、局部态势计算模块、路面态势评价模块和驾驶决策模块。
车辆进行路径规划的目的是为了获得最优的驾驶路径。当车辆需要规划全局最优路径的时候需要通过车联网技术获取和处理当前环境中形式各异数量众多的路面信息、交通元素信息,增加了所需的通信带宽和车辆的算力需求。本发明中,当前环境中的各交通元素的运动态势信息、路径信息、以及过往车辆的驾驶习惯反应处的隐式约束等信息都由边缘计算节点处理为通行价值图的形式。车辆在获得价值图的同时即获得了上述各类信息,车辆再利用车载感知***探测的局部交通态势,与通行价值图一起进行价值迭代,即可在不增加车辆算力需求和较少通信带宽的情况下获得全局最优路径。
车载感知模块负责探测车辆周边局部区域内存在的各类交通元素。将各交通元素的外形尺寸、位置、速度和加速度等各种物理特征交给局部态势计算模块做进一步处理。
局部态势计算模块与边缘计算节点中的通行势图计算模块相同,根据路侧感知***探测的交通元素特征使用势函数计算局部通行势图Vp,local。不同的是,边缘计算节点计算全局范围内的各交通元素对通行区域的影响,而局部态势计算模块仅计算车辆周围区域中交通元素对该局部范围的影响。
路面态势评价模块从边缘计算节点接收通行价值图V并存储。由于通行价值图反应了全局范围内各种因素对通行的影响,所以车辆无需再对上述因素直接处理。
驾驶决策模块根据局部态势计算模块计算的局部通行势图Vp,local,对态势评价模块获得的全局通行价值图V中车辆周边区域的通行价值进行局部更新,以提高通行价值图的时效性。局部更新计算方法如下:
驾驶决策模块利用实时更新的通行价值图,以车辆当前时刻t所处的位置(i,j)为起点,根据下一时刻相邻位置的通行价值,采取某种策略选取最优相邻位置作为路径点。以此类推,直到到达目标为止。路径点序列即为驾驶决策模块输出的驾驶路径。本发明不严格限制选择路径点的策略,例如可以使用贪心策略来选取下一时刻的路径点next(t,i,j)如下:
next(t,i,j)=argmax(i′,j′)Vt+1,i′,j′
其中(i′,j′)为(i,j)的相邻位置。
除说明书所述的技术特征外,均为本专业技术人员的已知技术。本发明省略了对公知组件和公知技术的描述,以避免赘述和不必要地限制本发明。上述实施例中所描述的实施方式也并不代表与本申请相一致的所有实施方式,在本发明技术方案的基础上,本领域技术人员不需要付出创造性的劳动即可做出的各种修改或变形仍在本发明的保护范围内。
Claims (8)
1.一种基于价值图的智能网联驾驶规划方法,其特征在于,包括如下步骤:
步骤1:在路口设置边缘计算节点,边缘计算节点中设置通行势图计算模块、通行价值底图计算模块以及通行价值图计算模块;
(1.1)边缘计算节点通过路侧感知模块探测所负责交通区域内的各类交通元素,获取交通元素的物理特征;路侧感知模块还获取区域内所有车辆的历史轨迹;边缘计算节点所负责的区域划分为网格地图;
(1.2)通行势图计算模块,计算网格地图中在各位置与各交通元素发生碰撞的综合风险,获取通行势图Vp;
(1.3)边缘计算节点将所负责区域内的通行范围的划分转化为路面基图Vb,路面基图Vb中记载在各位置处与道路边界的冲撞风险;道路边界包括车道线和设置在道路上的静态路障;
(1.4)通行价值底图计算模块,对区域内所有车辆的历史轨迹,依据车辆的行驶轨迹的方向和车道进行分类,去除同类中的无效轨迹,计算各类轨迹的分布特征,根据轨迹的分布特征计算通行价值底图Vh;通行价值底图Vh中记载在各位置处与各类轨迹的偏离程度,反映不可观测因素对通行价值的影响;
(1.5)通行价值图计算模块,将通行势图Vp、路面基图Vb和通行价值底图Vh,形成通行价值图V,并传输给车辆;
步骤2:车辆探测周围区域中的交通元素,计算局部通行势图,利用局部通行势图对从边缘计算节点接收的通行价值图进行局部更新,利用更新后的通信价值图进行路径规划。
2.根据权利要求1所述的方法,其特征在于,所述的步骤(1.2)中,通行势图计算模块获取步骤(1.1)探测的交通元素及其物理特征,先根据物理特征对交通元素去重,对同一交通元素的互补特征进行融合;再根据交通元素的运动特征预测交通元素在未来各时间点所处的位置和姿态;然后利用势函数将各交通元素在不同时刻对网格地图中各位置的威胁转化为单一值,构造通行势图Vp。
7.根据权利要求1所述的方法,其特征在于,所述的步骤2中,车辆中设置有车载感知模块、局部态势计算模块、路面态势评价模块和驾驶决策模块;其中,局部态势计算模块采用与通行势图计算模块相同方法,根据车载感知模块探测的车辆周围区域中交通元素的物理特征,计算局部通行势图;路面态势评价模块获取边缘计算节点发送来的通行价值图;驾驶决策模块利用局部通行势图更新通行价值图,利用更新后的通行价值图进行路径规划。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020115172720 | 2020-12-21 | ||
CN202011517272 | 2020-12-21 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114212107A true CN114212107A (zh) | 2022-03-22 |
CN114212107B CN114212107B (zh) | 2023-05-12 |
Family
ID=80705368
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111585921.5A Active CN114212107B (zh) | 2020-12-21 | 2021-12-20 | 一种基于价值图的智能网联驾驶规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114212107B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678432A (zh) * | 2023-08-04 | 2023-09-01 | 江西师范大学 | 一种基于边缘服务下的车辆实时路径规划方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
US20200210461A1 (en) * | 2018-12-28 | 2020-07-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Danger warning method for vehicle, danger warning device for vehicle, and medium |
CN111880174A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于支持自动驾驶控制决策的路侧服务***及其控制方法 |
CN111882472A (zh) * | 2020-07-03 | 2020-11-03 | 多伦科技股份有限公司 | 一种基于物联网的城市智慧交通信息化管理*** |
-
2021
- 2021-12-20 CN CN202111585921.5A patent/CN114212107B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200210461A1 (en) * | 2018-12-28 | 2020-07-02 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Danger warning method for vehicle, danger warning device for vehicle, and medium |
CN109951333A (zh) * | 2019-03-19 | 2019-06-28 | 中南大学 | 边缘计算网络视频处理中基于主观逻辑的信任评估装置 |
CN111880174A (zh) * | 2020-07-03 | 2020-11-03 | 芜湖雄狮汽车科技有限公司 | 一种用于支持自动驾驶控制决策的路侧服务***及其控制方法 |
CN111882472A (zh) * | 2020-07-03 | 2020-11-03 | 多伦科技股份有限公司 | 一种基于物联网的城市智慧交通信息化管理*** |
Non-Patent Citations (1)
Title |
---|
马向东;: "5G技术助推自动驾驶发展和车险变革", 上海保险 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116678432A (zh) * | 2023-08-04 | 2023-09-01 | 江西师范大学 | 一种基于边缘服务下的车辆实时路径规划方法 |
CN116678432B (zh) * | 2023-08-04 | 2023-10-24 | 江西师范大学 | 一种基于边缘服务下的车辆实时路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114212107B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11390300B2 (en) | Method for using lateral motion to optimize trajectories for autonomous vehicles | |
US11938953B2 (en) | Systems and methods for controlling actuators based on load characteristics and passenger comfort | |
US11320826B2 (en) | Operation of a vehicle using motion planning with machine learning | |
US11827241B2 (en) | Adjusting lateral clearance for a vehicle using a multi-dimensional envelope | |
US11912271B2 (en) | Trajectory prediction from precomputed or dynamically generated bank of trajectories | |
CN112498366B (zh) | 自动驾驶车辆、控制方法、装置、设备及存储介质 | |
CN110861650B (zh) | 车辆的路径规划方法、装置,车载设备和存储介质 | |
US20210078562A1 (en) | Planning for unknown objects by an autonomous vehicle | |
US10281920B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US10234864B2 (en) | Planning for unknown objects by an autonomous vehicle | |
US11325592B2 (en) | Operation of a vehicle using multiple motion constraints | |
CN112577506B (zh) | 一种自动驾驶局部路径规划方法和*** | |
GB2620506A (en) | Homotopic-based planner for autonomous vehicles | |
US20230005173A1 (en) | Cross-modality active learning for object detection | |
US20220126876A1 (en) | Vehicle operation using behavioral rule checks | |
US12030485B2 (en) | Vehicle operation using maneuver generation | |
US20220306156A1 (en) | Route Planner and Decision-Making for Exploration of New Roads to Improve Map | |
CN114212107B (zh) | 一种基于价值图的智能网联驾驶规划方法 | |
EP3648001A1 (en) | Systems and methods for controlling actuators based on load characteristics and passenger comfort | |
Zheng et al. | Comfort-oriented driving: performance comparison between human drivers and motion planners | |
CN117612375A (zh) | 混合稀疏场景下联网车辆变道超车辅助方法 |
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 |