CN114620058A - 轨迹规划方法、装置、计算设备、移动体以及存储介质 - Google Patents
轨迹规划方法、装置、计算设备、移动体以及存储介质 Download PDFInfo
- Publication number
- CN114620058A CN114620058A CN202011454433.6A CN202011454433A CN114620058A CN 114620058 A CN114620058 A CN 114620058A CN 202011454433 A CN202011454433 A CN 202011454433A CN 114620058 A CN114620058 A CN 114620058A
- Authority
- CN
- China
- Prior art keywords
- speed
- path
- vehicle
- planning
- mobile body
- 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 62
- 230000006870 function Effects 0.000 claims description 41
- 230000004888 barrier function Effects 0.000 claims description 13
- 230000007423 decrease Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 29
- 238000004364 calculation method Methods 0.000 description 11
- 230000001133 acceleration Effects 0.000 description 8
- 238000005457 optimization Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000003786 synthesis reaction Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000011144 upstream manufacturing 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请涉及自动驾驶领域,具体而言涉及轨迹规划领域。本申请实施例提供一种轨迹规划方法,应用于进行自动驾驶的车辆。该轨迹规划方法包括规划车辆在规划路径上的移动速度的速度规划步骤。在速度规划步骤中,在车辆的规划路径与他车的预测路径间有交集路径时,根据车辆的规划路径与他车的预测轨迹构建速度障碍区块,使用势场函数构建速度障碍区块的排斥势场,据此规划出车辆的移动速度,其中,该势场函数以他车按预测路径行驶的概率为常量,该概率的值越大,排斥势场的强度也越强。采用该轨迹规划方法,能够减小概率较小的他车预测轨迹对车辆的影响,从而能够使车辆的速度不会过于保守,提高车辆的行驶效率。
Description
技术领域
本申请涉及自动驾驶领域,具体而言涉及轨迹规划领域,尤其涉及一种轨迹规划方法、装置、计算设备、移动体以及存储介质。
背景技术
当前,车辆自动驾驶技术备受瞩目。在车辆具有的自动驾驶***中轨迹规划模块对于车辆的行驶安全和通行效率有着至关重要的作用。轨迹规划包含车辆的位置和速度这两个分别属于空间和时间维度的信息。可以将轨迹规划分为路径规划和速度规划两个子问题。在轨迹规划中,主要通过对规划出的路径进行速度规划,调整自车速度,来避让动态的交通参与者。
轨迹规划的上游信息来源之一,是自车的环境车轨迹预测模块,其对车辆行驶环境中的环境车等其他交通参与者的行驶轨迹进行实时预测,根据该预测结果进行速度规划。
例如,现有技术中,有一种基于速度障碍的无人车实时轨迹规划方法,在车辆三维的位置和航向的位形空间中合理而有效的进行车辆的实时轨迹规划,将符合车辆动力学约束的光滑可控基元与速度障碍概念相结合,通过设置最优速度的方法进行启发式搜索,求解无人车任意两个位形空间的无碰估计。
该方法中,仅考虑了无人车和障碍物的当前速度,但事实上无论是无人车还是障碍物,未来的速度都不一定是匀速的。通过该方法规划的实时轨迹,没有预见性,车辆随时间流逝而行驶过的轨迹,并不是最优最合理的。
另外,现有技术中,还有一种根据道路上障碍物车辆的不同位置与其不同相应的工况,来进行最优参考轨迹的选取并进行动态的轨迹规划的方法。通过分析无人车换道意图的产生与换道可执行的条件,根据对周围障碍车位置以及速度的预测,在决定避障换道的初始时刻拟合出局部最优换道轨迹,进而把这条最优轨迹作为局部参考轨迹,生成无人车可行驶的轨迹簇,并将设计出的速度距离成本代价函数与损失函数相结合,利用非线性模型预测控制筛选出轨迹簇中的最优轨迹。
该方法中,通过在轨迹簇中选择最优轨迹来作为无人车的最终轨迹,然而在这个轨迹簇中,每条轨迹都是定速的,并且针对同一条路径,设置的速度也是唯一的,耦合了空间和时间的解空间,丧失了很多可行解,无法做到全局最优。
在创立本申请的过程中,发明人发现,在某些时候,各个道路参与者的行驶意图不明确,对其轨迹的预测结果具有不确定性。具体地,各个道路参与者的预测轨迹可能有多条,各预测轨迹的预测结果呈现概率分布。而上述现有技术中没有对这种概率分布进行考虑。如果对各预测轨迹一视同仁地对待,会导致自车的速度过于保守,在冗杂的城市道路,行车效率大大降低,甚至可能出现自动驾驶车辆停滞的问题。
发明内容
鉴于现有技术的以上问题,本申请提供一种轨迹规划方法、装置、计算设备、移动体以及存储介质,其能够适应对交通参与者的轨迹预测结果的不确定性,考虑到不同的预测概率而进行移动体的速度规划,以使移动体的速度不会过于保守,从而提高移动效率。
为达到上述目的,本申请第一方面提供一种轨迹规划方法,应用于能够自主移动的第一移动体,其包括规划所述第一移动体的移动路径的路径规划步骤与规划所述第一移动体在规划出的规划路径上的移动速度的速度规划步骤。在所述速度规划步骤中:获取第二移动体的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以在所述规划路径上的位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。作为所述势场函数的自变量的位置例如为沿着第一移动体的规划路径的累计长度。
第一移动体例如可以是自动驾驶车辆、无人机以及机器人等。第二移动体例如可以是车辆、人等。在此,第二移动体主要是指能够以一定速度移动的人或物体,但不局限于此,当然也可以包含处于静止状态的物体。
关于第二移动体的预测轨迹及其概率,可以根据第二移动体的状态信息、其附近的路网结构等信息来进行推定。第二移动体的状态信息可以包括当前的位置、朝向及速度等。
第二移动体的预测轨迹可能有多条。例如,在十字路口等位置,第二移动体的预测轨迹可能是直行、左转或右转。在该情况下,第二移动体的预测轨迹具有不确定性,而用概率来表征第二移动体按各预测轨迹移动的可能性。
采用本申请第一方面提供的轨迹规划方法,第二移动体对第一移动体的排斥势场的强度大小与第二移动体按照所述预测轨迹移动的概率的大小有关,所述概率的值越大,所述排斥势场的强度也越强,因此,能够更好地适应第二移动体的预测轨迹的不确定性,减小第二移动体的概率较小的预测轨迹对第一移动体的移动速度受的影响,从而能够使第一移动体的速度不会过于保守,提高第一移动体的移动效率。
作为本申请第一方面的一种可能的实现方式,所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
采用该方式,能够以较小的计算量实时地规划出各周期的所述第一移动体的移动速度,提高第一移动体的移动效率。
作为本申请第一方面的一种可能的实现方式,所述“在所述交集路径上的位置”和“在所述规划路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
作为本申请第一方面的一种可能的实现方式,所述势场强度随着相对于当前时刻的时间推移的增大而减小。
采用该方式,能够使第二移动体的更未来的预测轨迹对第一移动体的速度规划的影响减小,而减小置信度较低的预测轨迹的影响,尽可能使第一移动体保持在当前速度,待移动环境逐步明晰时,再做出加减速反应,从而能更大程度地体现与其他交通参与者的交互,提高移动效率。
作为本申请第一方面的一种可能的实现方式,当所述时间推移超过时间阈值时,所述势场强度为零。所述时间阈值可以根据所述第一移动体的所述预测轨迹的最大时长来决定。
采用该方式,超过时间阈值时,便不考虑第二移动体的预测轨迹对第一移动体的速度规划的影响,因此,能够避免随时间增长而置信度显著降低的第二移动体的预测轨迹的影响,提高第一移动体的移动效率。
作为本申请第一方面的一种可能的实现方式,按照所述第二移动体的种类设定所述时间阈值。所述第二移动体可以是行人、车辆等运动规律不同的物体。
采用该方式,按照第二移动体的种类来设定时间阈值,从而能够适应运动规律不同的物体来更合理规划第一移动体的移动速度。
作为本申请第一方面的一种可能的实现方式,所述势场函数为:
其中,aprob表示预测轨迹的概率,取值范围为(0,1];dcentor(s,t)表示(s,t)处,到速度障碍区块中心的距离;dedge(s,t)表示(s,t)处,到速度障碍区块边缘的距离;表示该速度障碍区块边缘的影响区域的边界,当超出这个边界,即时,pv(s,t) =0,即,自车10不受该速度障碍区块的影响;tmax表示预测轨迹的最大时长,当超出这个最大时长,即t>tmax时,pv(s,t)=0,自车10不受该速度障碍区块的影响。
采用该方式,能够在考虑第二移动体的预测轨迹概率、到障碍物的距离以及相对于当前时间的时间推移,来更合理地规划第一移动体的移动速度。
为达到上述目的,本申请第二方面提供一种轨迹规划装置,应用于能够自主移动的第一移动体,其包括用于规划所述第一移动体的移动路径的路径规划模块与用于规划所述第一移动体在规划出的规划路径上的移动速度的速度规划模块。所述速度规划模块进行以下处理:获取第二移动体的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以在所述规划路径上的位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。
第一移动体例如可以是自动驾驶车辆、无人机以及机器人等。第二移动体例如可以是车辆、人等。在此,第二移动体主要是指能够以一定速度移动的人或物体,但不局限于此,当然也可以包含处于静止状态的物体。
关于第二移动体的预测轨迹及其概率,可以根据第二移动体的状态信息、其附近的路网结构等信息来进行推定。第二移动体的状态信息可以包括当前的位置、朝向及速度等。
第二移动体的预测轨迹可能有多条。例如,在十字路口等位置,第二移动体的预测轨迹可能是直行、左转或右转。在该情况下,第二移动体的预测轨迹具有不确定性,而用概率来表征第二移动体按各预测轨迹移动的可能性。
采用本申请第二方面提供的轨迹规划装置,第二移动体对第一移动体的排斥势场的强度大小与第二移动体按照所述预测轨迹移动的概率的大小有关,所述概率的值越大,所述排斥势场的强度也越强,因此,能够更好地适应第二移动体的预测轨迹的不确定性,减小第二移动体的概率较小的预测轨迹对第一移动体的移动速度受的影响,从而能够使第一移动体的速度不会过于保守,提高第一移动体的移动效率。
作为本申请第二方面的一种可能的实现方式,所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
采用该方式,能够以较小的计算量实时地规划出各周期的所述第一移动体的移动速度,提高第一移动体的移动效率。
作为本申请第二方面的一种可能的实现方式,所述“在所述交集路径上的位置”和“在所述规划路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
作为本申请第二方面的一种可能的实现方式,所述势场强度随着相对于当前时刻的时间推移的增大而减小。
采用该方式,能够使第二移动体的更未来的预测轨迹对第一移动体的速度规划的影响减小,而减小置信度较低的预测轨迹的影响,尽可能使第一移动体保持在当前速度,待移动环境逐步明晰时,再做出加减速反应,从而能更大程度地体现与其他交通参与者的交互,提高移动效率。
作为本申请第二方面的一种可能的实现方式,当所述时间推移超过时间阈值时,所述势场强度为零。所述时间阈值可以根据所述第一移动体的所述预测轨迹的最大时长来决定。
采用该方式,超过时间阈值时,便不考虑第二移动体的预测轨迹对第一移动体的速度规划的影响,因此,能够避免随时间增长而置信度显著降低的第二移动体的预测轨迹的影响,提高第一移动体移动效率。
作为本申请第二方面的一种可能的实现方式,按照所述第二移动体的种类设定所述时间阈值。所述第二移动体可以是行人、车辆等运动规律不同的物体。
采用该方式,按照第二移动体的种类来设定时间阈值,从而能够适应运动规律不同的物体来更合理规划第一移动体的移动速度。
为达到上述目的,本申请第三方面提供一种移动体,具有上述第二方面及其可能的实现方式中的任一所述的轨迹装置。
采用本申请第三方面提供的移动体,能够使移动体的速度不会过于保守,提高移动效率。
为达到上述目的,本申请第四方面提供一种计算设备,包括:至少一个处理器;以及至少一个存储器,其存储有程序指令,所述至少一个处理器通过执行所述程序指令来执行上述第一方面及其可能的实现方式中的任一所述的方法。
为达到上述目的,本申请第五方面提供一种计算机可读存储介质,其上存储有程序指令,计算机通过执行所述程序指令来执行上述第一方面及其可能的实现方式中的任一所述的方法。
本发明的这些和其它方面在以下(多个)实施例的描述中会更加简明易懂。
附图说明
以下参照附图来进一步说明本发明的各个特征和各个特征之间的联系。附图均为示例性的,一些特征并不以实际比例示出,并且一些附图中可能省略了本申请所涉及领域的惯常的且对于本申请非必要的特征,或是额外示出了对于本申请非必要的特征,附图所示的各个特征的组合并不用以限制本申请。另外,在本说明书全文中,相同的附图标记所指代的内容也是相同的。具体的附图说明如下:
图1是本申请实施例的一种应用场景示意图;
图2是本申请实施例的另一种应用场景示意图;
图3是本申请实施例提供的一种车辆的结构示意图;
图4是本申请实施例提供的一种轨迹规划装置的结构示意图;
图5是本申请实施例提供的路径规划场景示意图;
图6是本申请实施例提供的与图5对应的S-t图;
图7是本申请实施例提供的一种轨迹规划方法的示意性流程图;
图8是本申请实施例提供的轨迹规划方法的具体应用例示意图;
图9是与图8的应用例对应的S-t图;
图10是与图8的应用例对应的S-t曲线示意图;
图11是与图8的应用例对应的V-t曲线示意图;
图12是本申请实施例提供的一种计算设备的结构示意图。
具体实施方式
在以下的描述中,所涉及的表示步骤的标号,如S10、S20……等,并不表示一定会按此步骤执行,在允许的情况下可以互换前后步骤的顺序,或同时执行。
说明书和权利要求书中使用的术语“包括”不应解释为限制于其后列出的内容;它不排除其它的元件或步骤。因此,其应当诠释为指定所提到的所述特征、整体、步骤或部件的存在,但并不排除存在或添加一个或更多其它特征、整体、步骤或部件及其组群。因此,表述“包括装置A和B的设备”不应局限为仅由部件A和B组成的设备。
本说明书中提到的“一个实施例”或“实施例”意味着与该实施例结合描述的特定特征、结构或特性包括在本发明的至少一个实施例中。因此,在本说明书各处出现的用语“在一个实施例中”或“在实施例中”并不一定都指同一实施例,但可以指同一实施例。此外,在一个或多个实施例中,能够以任何适当的方式组合各特定特征、结构或特性,如从本公开对本领域的普通技术人员显而易见的那样。
本申请实施例提供的技术例如被应用于自动驾驶车辆,包括完全自动化的无人驾驶车辆和部分自动化、有条件自动化以及高级自动化的车辆等。除此以外,本申请实施例提供的轨迹规划方法还可以应用于机器人、无人机等其他的能够自主移动的移动体。下面以应用于自动驾驶车辆的情况为例进行说明。
为了准确地对本申请中的技术内容进行叙述,以及为了准确地理解本申请,在进行具体说明之前先对本说明书中所使用的术语给出如下的解释说明或定义。
轨迹规划:规划自动驾驶车辆未来一段时间内将要行驶的轨迹,包含时间和空间信息;
预测不确定性:环境车辆的轨迹预测,与它未来可能的不同意图一一对应,呈现概率分布,不是确定的预测;
速度规划:将轨迹规划问题分为路径规划和速度规划两个子问题,则速度规划指的就是规划在这条路径上行驶时的速度曲线;
势场:常用于路径规划领域,对障碍物设立势场函数,排斥自车,以达到避障的目的;
S-t图:纵坐标为位移s(单位:m(米)),表示沿着当前规划的路径,累计的长度,横坐标为时间t(单位:s(秒)),表示相对于当前时刻的时间推移。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。如有不一致,以本说明书中所说明的含义或者根据本说明书中记载的内容得出的含义为准。另外,本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
首先,参照图1、图2对本申请实施例的应用场景进行说明。
图1是本申请实施例的一种应用场景示意图。如图1所示,作为自动驾驶车辆的车辆10(以下有时还称为自车10)正在道路上行驶。在道路上存在位于自车 10行驶的车道前方的作为静止物体的遗落物20,以及作为环境车辆的位于相邻车道的其他车辆30(以下有时还称为他车30),遗落物20成为可能会与自车10碰撞的静态障碍物,在自车10为了避开遗落物20而规划出局部进入相邻车道的规划路径时,他车30成为可能会与自车10碰撞的动态障碍物。因此,在自车10进行避免与遗落物30碰撞的轨迹规划时,需要预测他车30的行驶轨迹来规划自车10的行驶速度,以避免与他车30发生碰撞。
在图1的场景下,自车10预测出的他车30将来的行驶轨迹例如为,如带箭头的单点划线所示那样向路边停车。因此,自车10可以根据对他车30的预测行驶轨迹而规划出如带箭头的虚线所示那样避开遗落物20的轨迹。
然而,有些时候,与图1所示的场景不同,道路上的他车30的行驶意图是不明确的。图2是本申请实施例的另一种应用场景示意图。在图2的场景下,自车 10将要在十字路口沿着路径R0直行,在与自车10行驶的道路交叉的道路上存在他车30。关于他车30,其在十字路口的行驶意图是不确定的,其有可能左转、直行或右转,自车10对他车30的预测轨迹有三条,左转预测轨迹R1、直行预测轨迹R2、右转预测轨迹R3。因此,自车10对于他车30的预测轨迹,具有预测不确定性,是呈概率分布的。并且,随着相对于当前时刻的时间推移的增长,预测轨迹的置信度会大大降低。如果对于这些预测轨迹,在轨迹规划时一视同仁地对待,会导致自车10 的速度过于保守,在冗杂的城市道路,行车效率大大降低,甚至可能出现自车10无法行驶的问题。
因而,在本申请中,在基于具有预测不确定性的他车30的预测轨迹进行自车10的轨迹规划时,考虑他车30的各预测轨迹的概率分布,以及相对于当前时刻的时间推移的长短,来减弱较小概率的预测轨迹对于自车10的速度规划的影响,由此提高行车效率。
下面,参照图3-12来详细说明本申请实施例提供的轨迹规划方法、轨迹规划装置以及计算设备。
本申请实施例提供的轨迹规划方法例如由搭载在作为自动驾驶车辆的车辆10上的轨迹规划装置500来执行。
图3是搭载有本申请实施例提供的轨迹规划装置500的车辆10的结构示意图。
如图1所示,车辆10具有感知装置200、预测装置300、决策装置400、轨迹规划装置500和运动控制装置600。
感知装置200用于获取自车10的行驶环境信息和自车状态信息。感知装置200例如包括摄像头、雷达、毫米波雷达、激光雷达、加速度计、陀螺仪等感知设备。该感知装置200例如可以使用自车10上搭载的先进驾驶辅助***中的各种传感器等。
行驶环境信息例如包括自车10所行驶的道路上的静态物体信息和动态物体信息。静态物体信息例如包括道路上掉落的物体、交通标志等静止物体的信息。动态物体信息例如包括道路上的行人、其他车辆等自车10以外的交通参与者的信息。行驶环境信息中具体包含每个物体的朝向、大小、速度以及位置等信息。由感知装置 200获取到的行驶环境信息可以发送给预测装置300、决策装置400和轨迹规划装置 500。
自车状态信息包括自车10的速度信息和位置信息等。速度信息例如可以包括角速度、线速度以及线加速度等。位置信息例如为自车10在大地坐标系下的坐标的信息。由感知装置200获取到的自车状态信息可以发送给决策装置400和轨迹规划装置500。
预测装置300用于根据感知装置00获取到的行驶环境信息来预测障碍物将来的预测轨迹。此处的障碍物是指可能会与自车10发生碰撞的物体。该预测轨迹中包括障碍物的预测路径和预测速度等信息。
在障碍物的预测轨迹有多条的情况下,预测装置300还预测各条预测轨迹的概率分布。预测装置300可以使用公知的方法来预测障碍物按各条预测轨迹移动的概率。例如,可以使用多层感知机,输入障碍物当前的状态信息以及其附近的路网结构,通过神经网络,输出该障碍物所有可能的轨迹的权重,进行归一化后,得到预测轨迹的概率分布。障碍物当前的状态例如包括朝向、大小、速度以及位置等。由预测装置300预测出的障碍物的预测轨迹以及概率的信息可以发送给决策装置40和轨迹规划装置500。
决策装置400用于根据行驶环境信息和自车状态信息等信息来作出车道变更、超车、减速避让等决策,将与车道变更、超车、减速避让等有关的信息称为决策信息。该决策信息可以发送给轨迹规划装置500。
轨迹规划装置500用于规划使车辆10向目的地行驶的轨迹。轨迹规划装置500将所规划的轨迹发送给运动控制装置600。关于轨迹规划装置500的详细结构在后面进行说明。
运动控制装置600用于控制车辆10按照轨迹规划装置500规划的轨迹行驶。
下面参照图4对本申请实施例提供的轨迹规划装置500的详细结构进行说明。
图4是本申请实施例提供的轨迹规划装置500的结构示意图。轨迹规划装置500例如可以由具有处理器、存储器、通信接口和总线的计算设备构成。该计算设备通过由处理器执行存储部中存储的程序,发挥轨迹规划装置500的功能,而执行本申请实施例提供的轨迹规划方法。该计算设备例如可以为车辆10具有的车载计算平台。
如图4所示,轨迹规划装置500包括路径规划模块520、速度规划模块530 和轨迹合成模块540。其中,速度规划模块530包括预测信息映射单元532、速度障碍势场构建单元534、S-t曲线计算单元536和V-t曲线计算单元538。
路径规划模块520用于进行自车10的行驶路径规划,包括全局路径规划和局部路径规划。在自车10从出发地出发时,路径规划模块520规划至目的地的全局规划路径。在车辆10向目的地行驶过程中,路径规划模块520按照规定的周期,根据全局规划路径、实时的行驶环境信息以及决策信息等规划局部规划路径。局部规划路径大致是沿着全局规划路径进行规划的,但是在需要避让障碍物、借道超车等情况下,会与全局规划路径有所偏差。
图5是本申请实施例提供的路径规划场景示意图。图5中,自车10在车道58R上行驶,其正前方存在他车30a。在车道58R的相邻车道即车道58L上存在与自车10向相反方向行驶的他车30b。在此,在自车10的当前车速高于他车30a的情况下,自车10将来会与他车30a碰撞。因此,为了避免与他车30a碰撞,自车10的路径规划模块520规划出借用车道58L而超越他车30a的局部规划路径R。
速度规划模块530用于根据当前时刻(当前周期)的局部规划路径以及障碍物的预测轨迹等信息,规划自车10在该局部规划路径上的行驶速度。具体地,速度规划模块530基于当前时刻的局部规划路径获得S-t图,在S-t图中映射出会对自车10行驶速度产生影响的后述的速度障碍区块,根据障碍物的与该速度障碍区块对应的预测轨迹的概率,对S-t图中的各速度障碍区块构建不同强度的排斥势场,然后根据排斥势场计算自车10的S-t曲线,通过对S-t曲线进行微分得到自车10的V-t曲线。
对速度障碍区块的构建进行说明。如上所述,障碍物的预测轨迹包括障碍物的预测路径和预测速度,在障碍物的预测路径与自车10的当前时刻的局部规划路径间有交集路径时,根据该交集路径来构建速度障碍区块。此处的“有交集路径”的情况例如为,障碍物的预测路径和自车10的局部规划路径相交、至少部分重合等情况。而“交集路径”例如可以理解为障碍物的预测路径和自车10的局部规划路径彼此重叠的部分。在该情况下,在某一时间段,障碍物的至少局部处于自车10的局部规划路径上。速度障碍区块是根据其他车辆等障碍物的体积与车辆10的局部规划路径重叠的时间段而计算出的。速度障碍区块例如可以用障碍物在交集路径上的位置和时间的对应关系来表征。在此,需注意的是:即使在只有一个障碍物的情况下,速度障碍区块的数量也可能不只一个,速度障碍区块的数量取决于障碍物的所有预测轨迹中与自车10的规划路径间有交集路径的预测轨迹的数量。
如上所述,速度规划模块530具有预测信息映射单元532、速度障碍势场构建单元534、S-t曲线计算单元536和V-t曲线计算单元538。其中,预测信息映射单元532用于根据局部规划路径以及障碍物的预测轨迹信息等信息在S-t图中映射速度障碍区块;速度障碍势场构建单元534用于根据各障碍物的预测轨迹的概率对各速度障碍区块构建排斥势场;S-t曲线计算单元536用于根据排斥势场来计算自车10的 S-t曲线;V-t曲线计算单元538用于根据S-t曲线计算自车10的V-t曲线。
图6是与图5的场景对应的S-t图。在图5的场景下,在自车10超车前后他车30a的预测轨迹均与自车10的规划路径有重合之处,即,他车30a成为影响自车 10行驶速度的速度障碍区块。另外,在车道58L上行驶的他车30b的预测轨迹也与自车10的规划路径有重合之处,即,他车30b也成为影响自车10的行驶速度的速度障碍区块。由此,如图6所示,在S-t图中,可以映射出与他车30a对应的两个速度障碍区块B1和B3,以及与他车30b对应的速度障碍区块B2。根据映射有三个速度障碍区块的S-t图,例如可以计算出图中实线所示的自车10的S-t曲线。虽然未图示,但通过对图6中的S-t曲线进行微分,即可获得自车10的V-t曲线,规划出自车10 在图5中的局部规划路径R上的行驶速度。
轨迹合成模块540用于将路径规划模块520规划出的局部规划路径与速度规划模块532规划出的在该局部规划路径上的行驶速度合成在一起,得到车辆10的规划轨迹。另外,车辆10的规划轨迹被发送给运动控制装置600。
下面,参照图7~图11对由轨迹规划装置500执行本申请实施例提供的轨迹规划方法时的具体处理动作进行说明。
图7是本申请实施例提供的轨迹规划方法的示意性流程图。图8是本申请实施例提供的轨迹规划方法的具体应用例示意图。图9是与图8的应用例对应的S-t 图。图10是与图8的应用例对应的S-t曲线示意图。图11是与图8的应用例对应的 V-t曲线示意图。
在图8所示的例子中,自车10在道路68与道路78相交的丁字路口处,在道路78的车道78c上行驶,接下来要左转进入道路68的车道68b。在车道68b上有他车30b行驶,在车道68c上有他车30a行驶。
下面结合图8的例子来说明图7的流程图中的各步骤的处理。
步骤S10:由路径规划模块520根据行驶环境信息、自车状态信息、决策信息等信息进行当前时刻的局部路径规划。在该步骤中,可以使用一些常规的路径规划方法,例如基于采样的路径规划方法、基于搜索的路径规划方法等。
在图8的例子中,路径规划模块520根据自车10要左转的情况,而规划出图8中从车道78c左转进入车道68b的自车规划路径R0。
步骤S20:速度规划模块530的预测信息映射单元532根据规划出的当前时刻的局部规划路径和障碍物的预测轨迹,将速度障碍区块映射到基于当前时刻的局部规划路径的S-t图中。具体地,基于当前时刻的局部规划路径,以及其他车辆等障碍物的预测轨迹,计算出障碍物的体积与自车10的局部规划路径相重合的时间段即区块,由这些区块构成速度障碍区块,映射到S-t图中。
例如,可以将时间离散化,对每个离散时间点,在预测轨迹上找到该时间点障碍物所处的位置、以及它的形状大小,如果障碍物在该离散时间点在自车10的规划路径上占据一段长度,则计算这个离散时间点的该长度的两个端点,对所有这样的长度计算端点而形成的包络面积,就是速度障碍区块。
在图8的例子中,他车30a的预测轨迹有两条,一条为在车道68c上直行的他车预测轨迹Ra1,另一条为从车道68c右转进入车道78b的他车预测路径Ra2。另外,他车30b的预测轨迹为在车道68b上直行的他车预测轨迹Rb。三条他车预测轨迹中与自车规划路径R0有重叠的有两条,即他车预测轨迹Ra1、Rb。因此,如图 9所示,他车30a在按照预测轨迹Ra1直行时作为速度障碍区块B1映射到基于自车 30当前时刻的规划路径R0获得的S-t图中。另外,他车30b在按照他车预测轨迹Rb 直行时作为速度障碍区块B2映射到S-t图中。
步骤S30:速度障碍势场构建单元534根据各障碍物的预测轨迹的概率,对S-t图中的各速度障碍区块,构建不同强度的速度障碍势场即排斥势场。
具体地,针对各速度障碍区块,根据与其对应的障碍物的预测轨迹的概率,分别构建排斥势场函数,随着该概率的增大而增强排斥势场的排斥力,并随着相对于当前时刻向未来时间的推移而减弱该排斥力。在本实施例中,设计的势场函数为:
其中,aprob表示预测轨迹的概率,取值范围为(0,1];dcentor(s,t)表示(s,t)处,到速度障碍区块中心的距离;dedge(s,t)表示(s,t)处,到速度障碍区块边缘的距离;表示该速度障碍区块边缘的影响区域的边界,当超出这个边界,即时,pv(s,t) =0,即,自车10不受该速度障碍区块的影响;tmax表示预测轨迹的最大时长,当超出这个最大时长,即t>tmax时,pv(s,t)=0,自车10不受该速度障碍区块的影响。
根据公式(1)可知,整个势场函数pv(s,t)由三部分构成,第一部分表示排斥势场会随着与速度障碍区块中心的远近而变化;第二部分表示排斥势场会随着与速度障碍区块最近的边之间的距离的增大而衰减;第三部分表示势场会随着相对于当前时刻的时间推移的增大而衰减,这是因为越未来的预测的准确性是越低的。预测轨迹的概率aprob作为势场函数的常量,也会影响排斥势场的强度,该概率越大,排斥势场的强度也越大。另外,在公式(1)中,tmax相当于时间阈值,用于设定自车10受速度障碍区块影响的最大时间长度。
在图8的例子中,针对速度障碍区块B1、B2分别构建势场函数。在针对与他车30a的预测轨迹Ra1对应的速度障碍区块B1构建势场函数时,由于他车30a 的预测轨迹有两条,因此,1>aprob>0。另外,在针对与他车30b对应的速度障碍区块 B2构建势场函数时,由于他车30b的预测轨迹只有一条,因此,aprob=1。此外,图8 中,原点相当于当前时刻。
步骤S40:S-t曲线计算单元536在S-t图中,利用数值优化的方式,设计目标函数,进行优化求解,求得当前时刻下自车的S-t曲线。
在本实施例中,设计的目标函数如下:
其中,cp(si,ti)表示根据步骤S30中设计的势场函数计算得到的势能项,ca(si,ti)是加速度惩罚项,cv(si,ti)是巡航项,ω1,ω2,ω3为各项的权重系数,i是离散化的未来时间的离散点序号,取值为1,2…n,ti是第i个离散点的时刻,si是第i个离散点处的位移。
根据公式(2)可知,设计的目标函数由三部分构成,第一部分是针对所设计的势场函数,用于避开映射在S-t图中的速度障碍区块;第二部分是加速度的项,用于保证规划出的速度曲线的乘坐舒适性;第三部分是速度项,用于尽可能地按照期望的巡航速度行驶,保证通行效率。由此,可以根据着眼点的不同来设定各权重系数。例如,如果着眼于确保乘坐舒适性,则可以将ω2设为比ω1,ω3大的值;如果着眼于有效避开障碍物,则可以将ω1设为比ω2,ω3大的值;如果着眼于保证通行效率,则可以将ω3设为比ω1,ω2大的值。此外,ω1,ω2,ω3例如可以根据车辆类型、车辆上的各功能模块的性能,通过实验调试而得到。
基于所设计的上述目标函数,可以将速度规划问题转化为一个优化问题,利用非线性优化求解的方法,如内点法等方法求解,或利用梯度下降的方法,求解最优的S-t曲线。
在图8的例子中,存在速度障碍区块B1、B2两个速度障碍区块。本申请实施例中,如图10所示,通过步骤S40的处理,可以获得不带标记的实线曲线所示的S-t曲线。另外,图10中,作为参照,还示出了下方的带三角形标记的实线曲线所示的S-t曲线,该参照曲线是通过未考虑到预测轨迹的预测不确定性的其他速度规划算法得到的S-t曲线。通过比较两条S-t曲线可知,通过本申请实施例提供的轨迹规划方法获得的S-t曲线,在同样的时间可以行驶更远的路程,因此,行车效率提高。
此外,也可以将图10中的参照曲线用作本步骤中的优化求解时的初值,以在实时计算时让迭代求解更快收敛,从而减轻运算负荷。
步骤S50:V-t曲线计算单元538对S-t曲线进行微分,得到自车的V-t曲线。
在图8的例子中,通过对图10所示的不带标记的实线曲线所示的S-t曲线进行微分,可获得图11所示的V-t曲线。
步骤S60:轨迹合成模块540将求得的V-t曲线与步骤S10中规划的路径合成为轨迹,并发送给运动控制装置600。
在图8的例子中,轨迹合成模块540将图11中的V-t曲线与图8中的自车规划路径R0合成,而得到包含时间和空间位置的自车10的规划轨迹。
在步骤S60之后,本次的轨迹规划处理结束。
此外,图7的流程图以一定的频率周期性运行,直至车辆10到达目的地。由此,能够保证轨迹规划的实时性。
以上对本实施例中的轨迹规划方法进行了说明,但本申请实施例提供的轨迹规划方法并不局限于此。
在一些实施例中,在步骤S30中也可以采用其他的势场函数。例如也可以不考虑相对于当前时刻向未来的时间推移的大小,而仅考虑预测轨迹的概率分布来设计势场函数。
在一些实施中,关于势场函数pv(s,t)中的参数和tmax,可以根据障碍物种类的不同而设定不同的值。例如,障碍物为人和车辆时,由于二者移动速度的不同,对自车10速度的影响也不同。因此,可以根据障碍物是人还是车辆,来改变上述参数和tmax的值。从而,能够适应作为不同交通参与者的行人和车辆的运动规律来提高自车10的行车效率。
在一些实施例中,在步骤S40中也可以采用其他的目标函数,来计算自车 10的S-t曲线。例如,目标函数也可以由两部分构成,一部分为与所设计的势场函数对应的势能项,另一部分为加速度惩罚项或巡航项。
在一些实施例中,上述轨迹规划方法也可以不由设置在车辆10上的轨迹规划装置500执行,而是在与自车10以可通信的方式连接的服务器或云端中执行,然后将轨迹规划结果通过网络发送给自车10。
下面,将上述实施例总结如下。
本申请实施例提供一种轨迹规划方法,应用于能够自主移动的第一移动体 (例如上述实施例中的自车10),其包括规划所述第一移动体的移动路径的路径规划步骤(例如图7中的步骤S10)与规划所述第一移动体在规划出的规划路径上的移动速度的速度规划步骤(例如图7中的步骤S20~S50),在所述速度规划步骤中:获取第二移动体(例如上述实施例中的他车30a、30b)的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。上述实施例中,“沿着当前规划的路径,累计的长度”对应于作为所述势场函数的自变量的位置。
第一移动体除了自主移动的车辆外,还可以是自主移动的无人机以及机器人等。第二移动体除了车辆以外、还可以人等。
采用该轨迹规划方法,第二移动体对第一移动体的排斥势场的强度大小与第二移动体按照所述预测轨迹移动的概率的大小有关,所述概率的值越大,所述排斥势场的强度也越强,因此,能够更好地适应第二移动体的预测轨迹的不确定性,减小第二移动体的概率较小的预测轨迹对第一移动体的移动速度受的影响,从而能够使第一移动体的速度不会过于保守,提高第一移动体的移动效率。
可选地,所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
采用该方式,能够以较小的计算量实时地规划出各周期的所述第一移动体的移动速度,提高第一移动体的移动效率。
可选地,所述“在所述交集路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
可选地,所述势场强度随着相对于当前时刻的时间推移的增大而减小。
采用该方式,能够使第二移动体的更未来的预测轨迹对第一移动体的速度规划的影响减小,而减小置信度较低的预测轨迹的影响,尽可能使第一移动体保持在当前速度,待移动环境逐步明晰时,再做出加减速反应,从而能更大程度地体现与其他交通参与者的交互,提高移动效率。
可选地,当所述时间推移超过时间阈值时,所述势场强度为零。所述时间阈值可以根据所述第一移动体的所述预测轨迹的最大时长来决定。
采用该方式,超过时间阈值时,便不考虑第二移动体的预测轨迹对第一移动体的速度规划的影响,因此,能够避免随时间增长而置信度显著降低的第二移动体的预测轨迹的影响,提高第一移动体的移动效率。
可选地,按照所述第二移动体的种类设定所述时间阈值。
采用该方式,按照行人、车辆等运动规律不同的第二移动体的种类来设定时间阈值,从而能够适应运动规律不同的物体来更合理规划第一移动体的移动速度。
本申请实施例还提供一种轨迹规划装置,应用于能够自主移动的第一移动体(例如上述实施例中的自车10),其包括用于规划所述第一移动体的移动路径的路径规划模块(例如上述实施例中的路径规划模块520)与用于规划所述第一移动体在规划出的规划路径上的移动速度的速度规划模块(例如上述实施例中的速度规划模块530),所述速度规划模块进行以下处理:获取第二移动体(例如上述实施例中的他车30a、30b)的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。作为所述势场函数的自变量的位置例如为上述实施例中的“沿着当前规划的路径,累计的长度”。
采用该轨迹规划装置,第二移动体对第一移动体的排斥势场的强度大小与第二移动体按照所述预测轨迹移动的概率的大小有关,所述概率的值越大,所述排斥势场的强度也越强,因此,能够更好地适应第二移动体的预测轨迹的不确定性,减小第二移动体的概率较小的预测轨迹对第一移动体的移动速度受的影响,从而能够使第一移动体的速度不会过于保守,提高第一移动体的移动效率。
可选地,所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
采用该方式,能够以较小的计算量实时地规划出各周期的所述第一移动体的移动速度,提高第一移动体的移动效率。
可选地,所述“在所述交集路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
可选地,所述势场强度随着相对于当前时刻的时间推移的增大而减小。
采用该方式,能够使第二移动体的更未来的预测轨迹对第一移动体的速度规划的影响减小,尽可能使第一移动体保持在当前速度,待移动环境逐步明晰时,再做出加减速反应,从而能更大程度地体现与其他交通参与者的交互,提高移动效率。
可选地,当所述时间推移超过时间阈值时,所述势场强度为零。所述时间阈值可以根据所述第一移动体的所述预测轨迹的最大时长来决定。
采用该方式,超过时间阈值时,便不考虑第二移动体的预测轨迹对第一移动体的速度规划的影响,因此,能够避免随时间增长而置信度显著降低的第二移动体的预测轨迹的影响,提高第一移动体移动效率。
可选地,按照所述第二移动体的种类设定所述时间阈值。。
采用该方式,按照行人、车辆等运动规律不同的第二移动体的种类来设定时间阈值,从而能够适应运动规律不同的物体来更合理规划第一移动体的移动速度。
本申请实施例还提供一种移动体,其具有上述的轨迹规划装置。
采用该移动体,能够使移动体的速度不会过于保守,提高移动效率。
本申请实施例还提供一种计算设备。图12是本申请实施例提供的一种计算设备2000的结构性示意性图。该计算设备2000包括:处理器2100、存储器2200、通信接口2300、总线2400。
应理解,图12所示的计算设备2000中的通信接口2300可以用于与其他设备之间进行通信。
处理器2100可以与存储器2200连接。该存储器2200可以用于存储该程序代码和数据。因此,该存储器2200可以是处理器2100内部的存储单元,也可以是与处理器2100独立的外部存储单元,还可以是包括处理器2100内部的存储单元和与处理器210独立的外部存储单元的部件。
可选的,计算设备2000还可以包括总线2400。其中,存储器2200、通信接口2300可以通过总线2400与处理器2100连接。总线2400可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线2400可以分为地址总线、数据总线、控制总线等。为便于表示,图12中仅用一条线表示,但并不表示仅有一根总线或一种类型的总线。
应理解,在本申请实施例中,该处理器2100可以采用中央处理单元(centralprocessing unit,CPU)。该处理器还可以是其它通用处理器、数字信号处理器(digitalsignal processor,DSP)、专用集成电路(application specific integrated circuit,ASIC)、现成可编程门阵列(field programmable gate Array,FPGA)或者其它可编程逻辑器件、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。或者该处理器2100采用一个或多个集成电路,用于执行相关程序,以实现本申请实施例所提供的技术方案。
存储器2200可以包括只读存储器和随机存取存储器,并向处理器2100提供指令和数据。处理器2100的一部分还可以包括非易失性随机存取存储器。例如,处理器2100还可以存储设备类型的信息。
在计算设备2000运行时,所述处理器2100执行所述存储器2200中的计算机执行指令而执行本申请实施例所提供的轨迹规划方法的操作步骤。
应理解,根据本申请实施例的计算设备2000可以作为执行根据本申请各实施例的轨迹规划方法的相应主体,并且计算设备2000中的各个模块的上述和其它操作和/或功能分别为了实现本实施例各方法的相应流程,为了简洁,在此不再赘述。
本申请实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序用于使计算机执行本申请各实施例提供的轨迹规划方法。
本申请实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是,但不限于,电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括、但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本申请操作的计算机程序代码,所述程序设计语言包括面向对象的程序设计语言—诸如Java、 Smalltalk、C++,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
注意,上述仅为本申请的较佳实施例及所运用的技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本申请进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明的构思的情况下,还可以包括更多其他等效实施例,均属于本发明的保护范畴。
Claims (15)
1.一种轨迹规划方法,应用于能够自主移动的第一移动体,其特征在于,
包括规划所述第一移动体的移动路径的路径规划步骤与规划所述第一移动体在规划出的规划路径上的移动速度的速度规划步骤,
在所述速度规划步骤中:
获取第二移动体的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;
在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;
使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;
根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。
2.根据权利要求1所述的轨迹规划方法,其特征在于,
所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
3.根据权利要求1或2所述的轨迹规划方法,其特征在于,
所述“在所述交集路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
4.根据权利要求1-3中任一项所述的轨迹规划方法,其特征在于,
所述势场强度随着相对于当前时刻的时间推移的增大而减小。
5.根据权利要求4所述的轨迹规划方法,其特征在于,
当所述时间推移超过时间阈值时,所述势场强度为零。
6.根据权利要求3或4所述的轨迹规划方法,其特征在于,
按照所述第二移动体的种类设定所述时间阈值。
7.一种轨迹规划装置,应用于能够自主移动的第一移动体,其特征在于,
包括用于规划所述第一移动体的移动路径的路径规划模块与用于规划所述第一移动体在规划出的规划路径上的移动速度的速度规划模块,
所述速度规划模块进行以下处理:
获取第二移动体的预测轨迹与所述第二移动体按照所述预测轨迹移动的概率,其中,所述预测轨迹包括所述第二移动体的预测路径与预测速度;
在所述规划路径与所述预测路径间有交集路径时,根据所述规划路径与所述预测轨迹构建速度障碍区块,其中,所述速度障碍区块用所述第二移动体在所述交集路径上的位置和时间的对应关系表征;
使用势场函数构建所述速度障碍区块的排斥势场,其中,所述势场函数以位置和时间为自变量,以所述概率为常量,以所述排斥势场的强度为因变量,并且,所述概率的值越大,所述排斥势场的强度也越强;
根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的移动速度。
8.根据权利要求7所述的轨迹规划装置,其特征在于,
所述“规划出所述第一移动体在所述规划路径上的移动速度”为,根据所述排斥势场和所述规划路径,规划出所述第一移动体在所述规划路径上的位置与时间之间的对应关系,根据所述对应关系求出所述第一移动体的移动速度。
9.根据权利要求7或8所述的轨迹规划装置,其特征在于,
所述“在所述交集路径上的位置”用沿着所述规划路径到当前时刻所述第一移动体所处的位置的距离表征。
10.根据权利要求7-9中任一项所述的轨迹规划装置,其特征在于,
所述势场强度随着相对于当前时刻的时间推移的增大而减小。
11.根据权利要求10所述的轨迹规划装置,其特征在于,
当所述时间推移超过时间阈值时,所述势场强度为零。
12.根据权利要求9或10所述的轨迹规划装置,其特征在于,
按照所述第二移动体的种类设定所述时间阈值。
13.一种移动体,其特征在于,
具有权利要求7至12中任一项所述的轨迹规划装置。
14.一种计算设备,其特征在于,包括:
至少一个处理器;以及
至少一个存储器,其存储有程序指令,
所述至少一个处理器通过执行所述程序指令来执行权利要求1至6中任一项所述的方法。
15.一种计算机可读存储介质,其上存储有程序指令,其特征在于,计算机通过执行所述程序指令来执行权利要求1至6中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011454433.6A CN114620058A (zh) | 2020-12-10 | 2020-12-10 | 轨迹规划方法、装置、计算设备、移动体以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011454433.6A CN114620058A (zh) | 2020-12-10 | 2020-12-10 | 轨迹规划方法、装置、计算设备、移动体以及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114620058A true CN114620058A (zh) | 2022-06-14 |
Family
ID=81894880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011454433.6A Pending CN114620058A (zh) | 2020-12-10 | 2020-12-10 | 轨迹规划方法、装置、计算设备、移动体以及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114620058A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009075964A (ja) * | 2007-09-21 | 2009-04-09 | Toyota Motor Corp | 移動体進路生成方法、および移動体進路生成装置 |
CN109343528A (zh) * | 2018-10-30 | 2019-02-15 | 杭州电子科技大学 | 一种节能的无人机路径规划避障方法 |
CN109521763A (zh) * | 2017-09-18 | 2019-03-26 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于约束平滑样条的路径优化 |
WO2019082505A1 (ja) * | 2017-10-23 | 2019-05-02 | 株式会社デンソー | 自動運転制御装置、車両の自動運転制御方法 |
US20200262448A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Decision method, device, equipment in a lane changing process and storage medium |
CN111830959A (zh) * | 2019-03-26 | 2020-10-27 | 百度(美国)有限责任公司 | 用于操作自动驾驶车辆的方法、***和机器可读介质 |
-
2020
- 2020-12-10 CN CN202011454433.6A patent/CN114620058A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009075964A (ja) * | 2007-09-21 | 2009-04-09 | Toyota Motor Corp | 移動体進路生成方法、および移動体進路生成装置 |
CN109521763A (zh) * | 2017-09-18 | 2019-03-26 | 百度(美国)有限责任公司 | 用于自动驾驶车辆的基于约束平滑样条的路径优化 |
WO2019082505A1 (ja) * | 2017-10-23 | 2019-05-02 | 株式会社デンソー | 自動運転制御装置、車両の自動運転制御方法 |
CN109343528A (zh) * | 2018-10-30 | 2019-02-15 | 杭州电子科技大学 | 一种节能的无人机路径规划避障方法 |
US20200262448A1 (en) * | 2019-02-19 | 2020-08-20 | Baidu Online Network Technology (Beijing) Co., Ltd. | Decision method, device, equipment in a lane changing process and storage medium |
CN111830959A (zh) * | 2019-03-26 | 2020-10-27 | 百度(美国)有限责任公司 | 用于操作自动驾驶车辆的方法、***和机器可读介质 |
Non-Patent Citations (1)
Title |
---|
高扬;孙树栋;赫东峰;: "动态环境中基于碰撞预测的局部路径规划方法", 中国机械工程, no. 21, 10 November 2009 (2009-11-10), pages 2554 - 2557 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7444874B2 (ja) | 方法、非一時的コンピュータ可読媒体、および、車両 | |
US11875681B2 (en) | Drive envelope determination | |
JP7150846B2 (ja) | 自律車両のための物体相互作用予測システムおよび方法 | |
US10816987B2 (en) | Responsive vehicle control | |
EP4229617B1 (en) | Global multi-vehicle decision making system for connected and automated vehicles in dynamic environment | |
US11392127B2 (en) | Trajectory initialization | |
JP2022163098A (ja) | 自律走行車の動作管理 | |
EP3959576A1 (en) | Methods and systems for trajectory forecasting with recurrent neural networks using inertial behavioral rollout | |
WO2021222375A1 (en) | Constraining vehicle operation based on uncertainty in perception and/or prediction | |
EP4162337A1 (en) | Method and system for context-aware decision making of an autonomous agent | |
CN114270360A (zh) | 让步行为建模和预测 | |
US11586209B2 (en) | Differential dynamic programming (DDP) based planning architecture for autonomous driving vehicles | |
Raju et al. | Performance of open autonomous vehicle platforms: Autoware and Apollo | |
US10832439B1 (en) | Locating entities in a mapped environment | |
US20200272159A1 (en) | Method and vehicle control system for intelligent vehicle control about a roundabout | |
US11628858B2 (en) | Hybrid planning system for autonomous vehicles | |
US20230008285A1 (en) | Vehicle control using directed graphs | |
US20230391356A1 (en) | Dynamic scenario parameters for an autonomous driving vehicle | |
US20230053243A1 (en) | Hybrid Performance Critic for Planning Module's Parameter Tuning in Autonomous Driving Vehicles | |
CN114620058A (zh) | 轨迹规划方法、装置、计算设备、移动体以及存储介质 | |
JP2021135509A (ja) | 走行支援装置、走行支援方法、および走行支援プログラム | |
US20240025442A1 (en) | Trajectory planning in autonomous driving vehicles for unforeseen scenarios | |
JP2024527636A (ja) | 動的環境におけるコネクテッド自動運転車両のための大域的マルチ車両意思決定システム | |
CN117533316A (zh) | 一种路口通行方法、装置、电子设备及可读存储介质 |
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 |