CN114620034A - 一种自动泊车的轨迹动态规划方法、***、设备及介质 - Google Patents
一种自动泊车的轨迹动态规划方法、***、设备及介质 Download PDFInfo
- Publication number
- CN114620034A CN114620034A CN202210462768.5A CN202210462768A CN114620034A CN 114620034 A CN114620034 A CN 114620034A CN 202210462768 A CN202210462768 A CN 202210462768A CN 114620034 A CN114620034 A CN 114620034A
- Authority
- CN
- China
- Prior art keywords
- planning
- automatic parking
- vehicle
- optimal
- cell
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000013507 mapping Methods 0.000 claims abstract description 45
- 238000011156 evaluation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 230000001413 cellular effect Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 239000006185 dispersion Substances 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000004888 barrier function Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 201000004569 Blindness Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供一种自动泊车的轨迹动态规划方法、***、设备及介质，建立自动泊车中的车辆动力学模型，并求解出车辆运动学约束和边界条件以及运动过程中的障碍约束，建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型，通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的思想对自动泊车轨迹可以实现轨迹规划的全局最优性，并通过离线计算得出最优轨迹规划离散表；其中动态规划的思想可以减少计算的复杂性，并且可以保证最优规划解的准确性，车辆可根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划，可以实现实时性的要求，并保证其自动泊车过程的安全可靠。
Description
技术领域
本发明属于智能驾驶中的自动泊车技术领域，具体涉及一种自动泊车的轨迹动态规划方法、***、设备及介质。
背景技术
智能驾驶车辆可实现自动泊车，其中涉及了一种在低速运行下的自动泊车最优轨迹动态规划方法。车辆的最优轨迹规划是寻找在满足车辆行驶时的各种约束从给定起始位置到终止位置的全局最优路径，并从时间序列上提供车辆在每个时刻上的运动状态信息以及最优控制输入。
目前自动泊车轨迹规划方法处在不在改进中与完善中。其中采用几何线条构造方法虽然可以简单并快速获得自动泊车的最优轨迹，但轨迹不连续导致精确度大大下降。基于Dijkstra算法的图搜索方法在搜索过程中耗时太长且搜索极具盲目性，基于概率路图或快速搜索随机树的随机采样方法可以有效解决广阔环境下的自动泊车最优轨迹问题，但由于采样点缺少而无法解决局部狭窄环境下的自动泊车最优轨迹优化问题。
随着人工智能技术以及计算机硬件的迅速发展，各种智能算法广泛应用于自动泊车的最优轨迹优化中，比如神经网络、模糊控制、机器学习、遗传算法和粒子群优化等，取得了很好的效果。但各种智能算法由于复杂计算过程无法满足自动泊车的实时性要求，而且在自动泊车中极为看重的稳定性和安全性问题上存在极大的缺陷。因此，发展一种满足实时性、稳定性、安全性、精确性的自动泊车最优轨迹规划方法极为重要且迫切。
发明内容
针对现有技术中存在的问题，本发明提供一种自动泊车的轨迹动态规划方法、***、设备及介质，能够实时、稳定、精确的确定自动泊车最优轨迹规划。
本发明是通过以下技术方案来实现：
种自动泊车的轨迹动态规划方法，其特征在于，包括以下步骤：
S1：建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
S2：建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
S3：通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表完成在线对车辆进行决策规划。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
所述步骤S2中胞映射方法包括以下步骤：
将状态空间离散为多个均布的方块区域，每个方块区域为一个胞，将每个胞的所有点作为该胞的中心点；
将车辆需要经过的方块区域的胞的中心点依次带入动力学方程并进行映射，得到胞映射关系。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
所述步骤S3中离线计算包括以下步骤：
对车辆动力学方程中的状态变量和决策变量进行离散化处理，得到其离散化的动力学方程和评价函数；在离散状态空间中标记初始位置和终止位置所在的胞，并由约束方程定义陷胞；
基于车辆的动力学方程在离散状态空间中对每个胞一步胞映射，并记录相应的胞映射信息；
由终止位置所在的胞向前开始进行搜索，并记录每个胞的累积最优胞映射信息，累积最优评价函数值以及对应最优规划解；
继续向前搜索并更新累积最优评价函数值和对应的最优轨迹规划解；
判断结束搜索条件，当最优轨迹规划离散表不再更新或所有胞被搜索时，搜索结束，整合得出最优轨迹规划离散表。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
所述由约束方程定义的陷胞，在搜索时陷胞不进行搜索，视为障碍区域。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
所述胞映射信息包括映射关系以及对应的评价函数值和一步规划解。
进一步，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
所述在线对车辆进行决策规划的过程为：
寻找车辆当前状态变量以及决策变量所在的胞，并判断当前状态所在胞是否改变，若胞号改变，则去在线查询已经离线计算的最优轨迹规划离散表，在表中寻找一步最优轨迹规划解；若胞号没有改变，则最优轨迹规划解保持不变；将一步最优轨迹规划解作为车辆当前状态的决策输入，在线进行一步轨迹规划。
一种自动泊车的轨迹动态规划***，包括：
第一建模运算模块：用于建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
第二建模运算模块：用于建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
路径规划模块：用于通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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一种自动泊车的轨迹动态规划方法的步骤。
一种计算机可读存储介质，所述计算机可读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一种自动泊车的轨迹动态规划方法的步骤。
与现有技术相比，本发明具有以下有益的技术效果：
本发明提供一种自动泊车的轨迹动态规划方法、***、设备及介质，建立自动泊车中的车辆动力学模型，并求解出车辆运动学约束和边界条件以及运动过程中的障碍约束，建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型，通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的思想对自动泊车轨迹可以实现轨迹规划的全局最优性，并通过离线计算得出最优轨迹规划离散表；其中动态规划的思想可以减少计算的复杂性，并且可以保证最优规划解的准确性，车辆可根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划，可以实现实时性的要求，并保证其自动泊车过程的安全可靠。
附图说明
图1为本发明具体实施例中一种自动泊车的轨迹动态规划方法流程图；
图2为本发明具体实施例中自动泊车轨迹规划场景图；
图3为本发明具体实施例中自动泊车胞映射方法示意图；
图4为本发明具体实施例中基于胞映射动态规划离线求解方案示意图；
图5为本发明具体实施例中自动泊车轨迹规划在线决策方案示意图。
具体实施方式
下面结合具体的实施例对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本发明提供一种自动泊车的轨迹动态规划方法，如图1所示，包括以下步骤：
S1：建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
S2：建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
S3：通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划。
具体的，如图2所示，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆，本申请自动泊车轨迹规划场景为自动泊车，由给定约束下从初始位置到终止位置并满足评价函数值(话费时间)最优的轨规划场景，自动泊车是在低速状态下在局部狭窄环境中进行的，在满足安全舒适、便捷快速的要求下达到自动泊车的目的。
优选的，所述步骤S2中胞映射方法包括以下步骤：
将状态空间离散为多个均布的方块区域，每个方块区域为一个胞，将每个胞的所有点作为该胞的中心点；
将车辆需要经过的方块区域的胞的中心点依次带入动力学方程并进行映射，得到胞映射关系。
具体的，如图3所示，以二维状态空间为例，状态空间被离散成一个个小方块区域，每个方块区域代表一个胞。每个胞的所有点都将视作为该胞的中心点，即每个胞的中心点代表每个胞区域内的所有点。初始状态所在的区域在胞z0，将z0中心点代入车辆的动力学方程进行一步映射，到达胞z1所在的区域，之后便将胞z1的中心点代入车辆的动力学方程进行一步映射，到达z2所在的区域。于是便建立了胞z0到z1的映射关系，z1到z2的映射关系。其中胞映射信息除了包括映射对关系，还有相应的一步映射的评价函数值以及一步映射的轨迹规划解。
优选的，所述步骤S3中离线计算包括以下步骤：
对车辆动力学方程中的状态变量和决策变量进行离散化处理，得到其离散化的动力学方程和评价函数；在离散状态空间中标记初始位置和终止位置所在的胞，并由约束方程定义陷胞；
基于车辆的动力学方程在离散状态空间中对每个胞一步胞映射，并记录相应的胞映射信息；
由终止位置所在的胞向前开始进行搜索，并记录每个胞的累积最优胞映射信息，累积最优评价函数值以及对应最优规划解；
继续向前搜索并更新累积最优评价函数值和对应的最优轨迹规划解；
判断结束搜索条件，当最优轨迹规划离散表不再更新或所有胞被搜索时，搜索结束，整合得出最优轨迹规划离散表。
具体的，如图4所示，基于胞映射动态规划离线求解方案由五步组成，
第一步：对车辆动力学方程中的状态变量和决策变量进行离散化处理，并得到其离散化的动力学方程和评价函数；之后在离散状态空间中标记初始位置和终止位置所在的胞，并由约束方程定义陷胞(在搜索时陷胞不进行搜索，视为障碍区域)；
第二步：基于车辆的动力学方程在离散状态空间中对每个胞一步胞映射，并记录相应的胞映射信息(映射关系以及对应的评价函数值和一步规划解)。
第三步：由终止位置所在的胞向前开始进行搜索，并记录每个胞的累积最优胞映射信息(累积最优评价函数值以及对应最优规划解)；
第四步：继续向前搜索并更新累积最优评价函数值和对应的最优轨迹规划解；
第五步：判断结束搜索条件，当最优轨迹规划离散表不再更新或所有胞被搜索时，搜索结束；
第六步：整合得出最优轨迹规划离散表。
优选的，所述在线对车辆进行决策规划的过程为：
寻找车辆当前状态变量以及决策变量所在的胞，并判断当前状态所在胞是否改变，若胞号改变，则去在线查询已经离线计算的最优轨迹规划离散表，在表中寻找一步最优轨迹规划解；若胞号没有改变，则最优轨迹规划解保持不变；将一步最优轨迹规划解作为车辆当前状态的决策输入，在线进行一步轨迹规划。
本发明提供一种自动泊车的轨迹动态规划***，包括：
第一建模运算模块：用于建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
第二建模运算模块：用于建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
路径规划模块：用于通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划。
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于一种自动泊车的轨迹动态规划方法的操作。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作***。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关一种自动泊车的轨迹动态规划方法的相应步骤。
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。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；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：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，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范围。
Claims (10)
1.一种自动泊车的轨迹动态规划方法，其特征在于，包括以下步骤：
S1：建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
S2：建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
S3：通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表完成在线对车辆进行决策规划。
2.根据权利要求1所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述步骤S1中车辆运动学约束为道路障碍，包括过往行人和车辆。
3.根据权利要求1所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述步骤S2中胞映射方法包括以下步骤：
将状态空间离散为多个均布的方块区域，每个方块区域为一个胞，将每个胞的所有点作为该胞的中心点；
将车辆需要经过的方块区域的胞的中心点依次带入动力学方程并进行映射，得到胞映射关系。
4.根据权利要求1所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述步骤S3中离线计算包括以下步骤：
对车辆动力学方程中的状态变量和决策变量进行离散化处理，得到其离散化的动力学方程和评价函数；在离散状态空间中标记初始位置和终止位置所在的胞，并由约束方程定义陷胞；
基于车辆的动力学方程在离散状态空间中对每个胞一步胞映射，并记录相应的胞映射信息；
由终止位置所在的胞向前开始进行搜索，并记录每个胞的累积最优胞映射信息，累积最优评价函数值以及对应最优规划解；
继续向前搜索并更新累积最优评价函数值和对应的最优轨迹规划解；
判断结束搜索条件，当最优轨迹规划离散表不再更新或所有胞被搜索时，搜索结束，整合得出最优轨迹规划离散表。
5.根据权利要求4所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述由约束方程定义的陷胞，在搜索时陷胞不进行搜索，视为障碍区域。
6.根据权利要求4所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述胞映射信息包括映射关系以及对应的评价函数值和一步规划解。
7.根据权利要求1所述的一种自动泊车的轨迹动态规划方法，其特征在于，所述在线对车辆进行决策规划的过程为：
寻找车辆当前状态变量以及决策变量所在的胞，并判断当前状态所在胞是否改变，若胞号改变，则去在线查询已经离线计算的最优轨迹规划离散表，在表中寻找一步最优轨迹规划解；若胞号没有改变，则最优轨迹规划解保持不变；将一步最优轨迹规划解作为车辆当前状态的决策输入，在线进行一步轨迹规划。
8.一种自动泊车的轨迹动态规划***，其特征在于，包括：
第一建模运算模块：用于建立自动泊车中的车辆动力学模型，计算车辆运动学约束和边界条件以及运动过程中的障碍约束；
第二建模运算模块：用于建立给定初始位置到终止位置的以行驶时间或行驶里程为评价函数的自动泊车最优轨迹规划模型；
路径规划模块：用于通过将车辆的状态变量和控制变量在状态空间中进行离散，基于胞映射方法采用动态规划的方法对自动泊车轨迹进行全局最优规划，并通过离线计算得出最优轨迹规划离散表，车辆根据离线计算出的最优轨迹规划离散表在线对车辆进行决策规划。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并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如权利要求1至7任一项所述一种自动泊车的轨迹动态规划方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述一种自动泊车的轨迹动态规划方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462768.5A CN114620034A (zh) | 2022-04-28 | 2022-04-28 | 一种自动泊车的轨迹动态规划方法、***、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210462768.5A CN114620034A (zh) | 2022-04-28 | 2022-04-28 | 一种自动泊车的轨迹动态规划方法、***、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114620034A true CN114620034A (zh) | 2022-06-14 |
Family
ID=81906016
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210462768.5A Pending CN114620034A (zh) | 2022-04-28 | 2022-04-28 | 一种自动泊车的轨迹动态规划方法、***、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114620034A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、***、设备和介质 |
-
2022
- 2022-04-28 CN CN202210462768.5A patent/CN114620034A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、***、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107169567B (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
| CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
| CN111731274B (zh) | 泊车扭矩的确定方法、装置、设备和介质 | |
| CN112562328B (zh) | 一种车辆行为预测方法及装置 | |
| Geng et al. | Deep reinforcement learning based dynamic route planning for minimizing travel time | |
| CN113415288B (zh) | 分段式纵向车速规划方法、装置、设备及存储介质 | |
| CN113312760B (zh) | 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 | |
| CN112200319A (zh) | 一种实现无人车导航避障的规则推理方法及*** | |
| CN111338360A (zh) | 一种规划车辆行驶状态的方法及装置 | |
| Ma | Towards intelligent fleet management: Local optimal speeds for fuel and emissions | |
| CN114620034A (zh) | 一种自动泊车的轨迹动态规划方法、***、设备及介质 | |
| CN112947495B (zh) | 模型训练的方法、无人驾驶设备的控制方法以及装置 | |
| CN114355909A (zh) | 一种路径规划的方法、装置、计算机设备和存储介质 | |
| CN113978465A (zh) | 一种变道轨迹规划方法、装置、设备以及存储介质 | |
| CN116901981A (zh) | 一种在线自学习型的马尔可夫车辆速度预测方法 | |
| CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
| Da Rocha et al. | Model predictive control of a heavy-duty truck based on Gaussian process | |
| CN114459495A (zh) | 位移信息生成方法、装置以及计算机可读存储介质 | |
| CN112734111A (zh) | 一种水平运输任务agv动态时间预估方法 | |
| CN113554869A (zh) | 一种基于多特征融合的道路封闭检测方法 | |
| Zhang et al. | Autonomous car motion prediction based on hybrid resnet model | |
| CN114333332B (zh) | 一种交通管控方法、装置及电子设备 | |
| CN114750750A (zh) | 一种自动泊车的最优跟踪控制方法、***、设备和介质 | |
| CN113158415B (zh) | 一种基于误差分析的车辆轨迹相似度评估方法 | |
| CN113327423B (zh) | 基于行为树的车道检测方法、装置和服务器 |
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 |