CN114715184A - 基于车云协同的智能网联汽车分层决策与控制方法及装置 - Google Patents

基于车云协同的智能网联汽车分层决策与控制方法及装置 Download PDF

Info

Publication number
CN114715184A
CN114715184A CN202210216083.2A CN202210216083A CN114715184A CN 114715184 A CN114715184 A CN 114715184A CN 202210216083 A CN202210216083 A CN 202210216083A CN 114715184 A CN114715184 A CN 114715184A
Authority
CN
China
Prior art keywords
vehicle
planned
planning
coordinate system
target position
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
Application number
CN202210216083.2A
Other languages
English (en)
Inventor
许庆
蔡孟池
***
王建强
陈超义
王嘉伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202210216083.2A priority Critical patent/CN114715184A/zh
Publication of CN114715184A publication Critical patent/CN114715184A/zh
Pending legal-status Critical Current

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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本申请公开了一种基于车云协同的智能网联汽车分层决策与控制方法、装置、电子设备及存储介质，其中，方法包括：通过建立相对坐标系，将车队运动平面规划为相对坐标系中的等距离网格；利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径；将相对坐标系投影至绝对坐标系，得到规划路径在绝对坐标系中的绝对坐标点，并根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，控制待规划车辆按照运动轨迹规划运动至目标位置。从而实现智能网联汽车和云平台的协同规划，提升交通***的整体性能。由此，解决了智能云网联汽车和平台的协同规划等问题。

Description

基于车云协同的智能网联汽车分层决策与控制方法及装置
技术领域
本申请涉及车辆协同规划技术领域，特别涉及一种基于车云协同的智能网联汽车分层决策与控制方法、装置、电子设备及存储介质。
背景技术
自动驾驶汽车在复杂环境中的行驶效率和安全性依赖于可靠的决策与控制技术。在多车混行的交通环境中，依赖于自主式决策的自动驾驶方法难以兼顾多车优化目标，且容易出现多车决策冲突、难以消解的情况。借助于智能网联云控技术，在集中获取一定范围内交通***中的全部车辆信息后，云平台可以进行集中式的指派与规划，对多车的行驶目标和运行性能进行综合优化，提升交通***的整体性能。
现有集中式交通优化方法将所有任务都安排在集中式计算单元中进行，计算复杂度高，难以实时应用。其根本原因在于其将多车的行为规划建模为多目标优化问题，此优化问题维度高、参数众多、约束复杂，严重限制了求解效率，亟待解决。
发明内容
本申请提供一种基于车云协同的智能网联汽车分层决策与控制方法、装置、电子设备及存储介质，以解决智能云网联汽车和平台的协同规划等问题。
本申请第一方面实施例提供一种基于车云协同的智能网联汽车分层决策与控制方法，包括以下步骤：利用云端建立相对坐标系，将车队运动平面规划为所述相对坐标系中的等距离网格；利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径；利用车端将所述相对坐标系投影至绝对坐标系，得到所述规划路径在所述绝对坐标系中的绝对坐标点，并根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置。
可选地，在本申请的一个实施例中，所述利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径，包括：利用匈牙利算法将所述待规划车辆与所述目标位置进行匹配；利用A*算法对所述待规划车辆到达所述目标位置的相对路径进行规划。
可选地，在本申请的一个实施例中，所述根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，包括：利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制所述待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表所述待规划车辆的行驶路程；基于预设的固定初态、固定末态的最优控制方法求解所述待规划车辆纵向控制输入，生成所述待规划车辆的运动轨迹规划。
可选地，在本申请的一个实施例中，所述控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置，包括：根据所述运动轨迹规划生成所述待规划车辆运动的速度序列或加速度序列及前轮转角序列；根据所述速度序列或加速度序列及前轮转角序列控制所述待规划车辆运动至所述目标位置。
本申请第二方面实施例提供一种基于车云协同的智能网联汽车分层决策与控制装置，包括：建立模块，用于利用云端建立相对坐标系，将车队运动平面规划为所述相对坐标系中的等距离网格；规划模块，用于利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径；控制模块，用于利用车端将所述相对坐标系投影至绝对坐标系，得到所述规划路径在所述绝对坐标系中的绝对坐标点，并根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置。
可选地，在本申请的一个实施例中，所述规划模块，包括：匹配单元，用于利用匈牙利算法将所述待规划车辆与所述目标位置进行匹配；路径规划单元，用于利用A*算法对所述待规划车辆到达所述目标位置的相对路径进行规划。
可选地，在本申请的一个实施例中，所述根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，包括：利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制所述待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表所述待规划车辆的行驶路程；基于预设的固定初态、固定末态的最优控制方法求解所述待规划车辆纵向控制输入，生成所述待规划车辆的运动轨迹规划。
可选地，在本申请的一个实施例中，所述控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置，包括：根据所述运动轨迹规划生成所述待规划车辆运动的速度序列或加速度序列及前轮转角序列；根据所述速度序列或加速度序列及前轮转角序列控制所述待规划车辆运动至所述目标位置。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上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程序，以执行如上述实施例所述的基于车云协同的智能网联汽车分层决策与控制方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以执行如上述实施例所述的基于车云协同的智能网联汽车分层决策与控制方法。
由此，本申请至少具有如下有益效果：
通过建立相对坐标系，将车队运动平面规划为相对坐标系中的等距离网格；利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径；将相对坐标系投影至绝对坐标系，得到规划路径在绝对坐标系中的绝对坐标点，并根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，控制待规划车辆按照运动轨迹规划运动至目标位置。从而实现智能网联汽车和云平台的协同规划，提升交通***的整体性能。由此，解决了智能云网联汽车和平台的协同规划等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种基于车云协同的智能网联汽车分层决策与控制方法的流程图；
图2为根据本申请的一个实施例提供的相对坐标与绝对坐标关系示意图；
图3为根据本申请实施例的基于车云协同的智能网联汽车分层决策与控制装置的示例图；
图4为申请实施例提供的电子设备的结构示意图。
附图标记说明：建立模块-100、规划模块-200、控制模块-300、存储器-401、处理器-402、通信接口-403。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的基于车云协同的智能网联汽车分层决策与控制方法、装置、电子设备及存储介质。针对上述背景技术中提到的问题，本申请提供了一种基于车云协同的智能网联汽车分层决策与控制方法，在该方法中，通过将多车行为规划问题解耦为上层路径规划问题和下层轨迹规划问题，将上层路径规划置于云端集中式运行，将下层轨迹规划问题置于车端分布式运行，技能充分利用云端的大规模计算能力，又能发挥车端分布式并行加速能力，是解决现有技术困境的重要手段。此外，通过建立车辆运动相对坐标系，在相对坐标中规划车辆的运动，将车辆运动平面离散化为等距离网格，并利用多智能体运动规划方法进行协同路径规划，保证规划结果不存在时空冲突，即避免了多车运动过程中的碰撞。同时，本申请在获得云端计算提供的关键点坐标后，将相对坐标投影到绝对坐标中，并根据坐标点的位置和要求到达的时间，进行车辆的运动轨迹规划，包括为了使车辆连续通过指定坐标点而需要输入的速度序列(或加速度序列)及前轮转角序列等。由此，解决了智能云网联汽车和平台的协同规划等问题。
为了实现智能云网联汽车和平台的协同规划，本申请对车辆的运动规划任务进行解耦，即在云端进行集中式的多车无冲突路径规划，在车端进行分布式的单车多阶段轨迹规划。
具体而言，图1为本申请实施例所提供的一种基于车云协同的智能网联汽车分层决策与控制方法的流程图。
如图1所示，该基于车云协同的智能网联汽车分层决策与控制方法包括以下步骤：
在步骤S101中，利用云端建立相对坐标系，将车队运动平面规划为相对坐标系中的等距离网格。
在本申请的实施例中，通过云端对上述车队建立车辆运动相对坐标系，在相对坐标中规划车辆的运动。同时，在相对坐标系中，将车辆运动平面离散化为等距离网格，以便确定车辆在上述相对坐标系中的坐标位置，从而进行后续的路径和轨迹规划。
可以理解的是，相对坐标系跟随车辆一同向前方运动，保持匀速行驶的车辆在相对坐标系中的相对坐标保持不变。举例而言，A、B两车均以30km/h的速度匀速行驶，在以A车坐标作为参照点的前提下，建立相对坐标系，B车相对于A车处于相对静止状态，故B车在该相对坐标系中的坐标保持不变。
在步骤S102中，利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径。
在对车队建立相对坐标系，并将车辆运动平面离散化为等距离网格后，需在相对坐标系中，根据车队车辆的横纵向运动需求，获取车队中每辆车的多个预期位置数据。并为车队中的车辆按照其在相对坐标系中生成的上述预期位置偏好需求进行一一匹配，以搜索到最佳的目标位置，继而云端为车辆顺利行驶至该目标位置的路径进行规划。
需要说明的是，上述路径是指规划每一辆车在指定的时间点到达指定的位置，只限制时间点和位置点的坐标，而不限制车辆在多个坐标之间运动的过程，并保证只要车辆按照所给要求在多个位置之间连续运动，就不会发生碰撞。
具体地，本申请的实施例中，利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径，包括：使用匈牙利算法对编队中的车辆与其期望在编队中的目标位置进行匹配，然后利用A*算法对车辆到达目标位置的相对路径(即相对坐标系中的坐标点序列)进行规划，在可能发生碰撞的车辆中，通过交换其目标位置或者令一些车辆保持其相对坐标不变从而使另一些车辆限行通过来避免碰撞。
需要说明的是，进行目标分配时，会首先计算车辆到目标位置之间的分配代价矩阵，如定义的代价矩阵为C＝[ci,j]，其中第i行，第j列元素为车辆i分配至目标j的代价，由此，就获得了每一辆车分配至每一个目标位置的代价。然后，需要计算出一个分配矩阵A＝[ai,j]，其中第i行，第j列元素若为1，则表示车辆i被分配至了目标j，若为0，则表示没有分配。实际上是需要解决一个数学上的整数规划问题，如下：
Figure BDA0003534739060000051
Figure BDA0003534739060000052
Figure BDA0003534739060000053
Figure BDA0003534739060000054
应当注意的是，上述目标分配算法的任务就是寻找一个一一分配关系，使得被分配车辆和目标间的分配代价之和最小。匈牙利算法、单纯形算法均可以用来解决上述目标分配问题，具体由本领域技术人员根据实际情况自行设定，于此不做具体限定。
举例而言，首先，云端对一正常行驶的车队建立车辆运动相对坐标系，在相对坐标中规划车辆的运动。车队中一车欲在前方路口掉头，通过云端计算有且只有该车具有前方掉头期望，而在掉头前，该车需要依次完成变道，以行驶至左转车道上进行掉头。因此，云端会在其变道过程所需要行驶的车道上按照行进方向从前往后以预设间距，如以3米为间距，生成6个预期位置，由此，云端计算该车分别分配至6个预期位置的代价，并根据代价构建代价矩阵，其中，该车在不允许分配至任一目标位置时，代价为无穷大；根据代价矩阵和匈牙利算法为该车匹配对应的目标位置。而该车从当前位置行驶至目标位置的相对路径规划方法可利用基于冲突的书搜索方法进行相对路径规划，其主要步骤包括：
Step 1：确定与目标的分配关系之后，先不考虑碰撞，适用A*算法为所有车辆规划其到达目标位置所需的相对路径，此时的路径规划结果即为根节点；
Step 2：计算所有车辆第一步运动时产生的冲突，此冲突指多辆车在同一时刻到达相同位置，或者多辆车的路径在同一时间段内发生交叉；
Step 3：将Step 2中检测到的冲突作为约束分别依次施加给冲突车辆，此约束指在某一时刻禁止某辆车进行某种动作，这样就可消解一个冲突，因为互相冲突的两辆车中的一辆被禁止进行冲突行为，而另一辆车则保持原来的规划路径。由根节点施加的约束会作为子节点在根节点后方产生一个分支；
Step 4：对每一个还存在冲突的分支，继续在只考虑当前已施加约束的情况下对每一辆车都使用A*算法为其规划到达目标位置所需的相对路径，并继续检测其中的冲突，并继续将冲突变成约束施加跟当前节点中的冲突车辆，依次类推，新的路径规划结果会作为被施加约束的节点的子节点，继续扩充冲突树；
Step 5：重复Step 4，直到运算时间到达指定的最大运算时间，或者冲突树中已经不存在还有冲突的节点，此时在所有无冲突节点中的总路程最小的节点对应的相对路径即为当前求得的最优路径。
可以理解的是，通过在相对坐标系中将车辆运动平面离散化为等距离网格，并利用多智能体运动规划方法进行协同路径规划，保证规划结果不存在时空冲突，避免了多车运动过程中的碰撞。
在步骤S103中，利用车端将相对坐标系投影至绝对坐标系，得到规划路径在绝对坐标系中的绝对坐标点，并根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，控制待规划车辆按照运动轨迹规划运动至目标位置。
需要说明的是，在获得上述云端计算提供的关键点坐标后，将相对坐标投影到绝对坐标中。为了使车辆连续通过上述指定坐标点，并根据坐标点的位置和要求到达的时间，输入对应的速度序列或加速度序列及前轮转角序列等，进行车辆的运动轨迹规划。其中，轨迹是指在完成路径规划之后，进一步计算为了使车辆在指定时刻连续到达指定位置而需要的速度、前轮转角控制输入。
具体地，在本申请的一个实施例中，首先利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表待规划车辆的行驶路程；基于预设的固定初态、固定末态的最优控制方法求解待规划车辆纵向控制输入，生成待规划车辆的运动轨迹规划。从而根据运动轨迹规划生成待规划车辆运动的速度序列或加速度序列及前轮转角序列，并根据速度序列或加速度序列及前轮转角序列控制待规划车辆运动至目标位置。
如图2所示，其展示了一辆车(深灰色)为了加入前方四辆车(浅灰色)从而形成编队时，相对坐标的建立(中间部分)、相对运动的规划(上方部分)以及投影到绝对坐标系后车辆的运动轨迹规划(下方部分)的对应关系。图中的绿色车辆经过了两个阶段、三个状态后，到达了目标编队位置。图中的vF代表编队的统一运行速度，T代表车辆在两个状态之间切换的时间限制，dg为相对坐标的离散距离。
根据本申请实施例提出的基于车云协同的智能网联汽车分层决策与控制方法，通过建立相对坐标系，将车队运动平面规划为相对坐标系中的等距离网格；利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径；将相对坐标系投影至绝对坐标系，得到规划路径在绝对坐标系中的绝对坐标点，并根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，控制待规划车辆按照运动轨迹规划运动至目标位置。从而实现智能网联汽车和云平台的协同规划，提升交通***的整体性能。
其次参照附图描述根据本申请实施例提出的基于车云协同的智能网联汽车分层决策与控制装置。
图3是本申请实施例的基于车云协同的智能网联汽车分层决策与控制装置的方框示意图。
如图3所示，该基于车云协同的智能网联汽车分层决策与控制装置10包括：建立模块100，规划模块200以及控制模块300。
其中，建立模块100，用于利用云端建立相对坐标系，将车队运动平面规划为相对坐标系中的等距离网格；规划模块200，用于利用相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到待规划车辆到达目标位置的规划路径；控制模块300，用于利用车端将相对坐标系投影至绝对坐标系，得到规划路径在绝对坐标系中的绝对坐标点，并根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，控制待规划车辆按照运动轨迹规划运动至目标位置。
可选地，在本申请的一个实施例中，规划模块200，包括：匹配单元，用于利用匈牙利算法将待规划车辆与目标位置进行匹配；路径规划单元，用于利用A*算法对待规划车辆到达目标位置的相对路径进行规划。
可选地，在本申请的一个实施例中，根据绝对坐标点和待规划车辆的目标规划时间计算待规划车辆的运动轨迹规划，包括：利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表待规划车辆的行驶路程；基于预设的固定初态、固定末态的最优控制方法求解待规划车辆纵向控制输入，生成待规划车辆的运动轨迹规划。
可选地，在本申请的一个实施例中，控制待规划车辆按照运动轨迹规划运动至目标位置，包括：根据运动轨迹规划生成待规划车辆运动的速度序列或加速度序列及前轮转角序列；根据速度序列或加速度序列及前轮转角序列控制待规划车辆运动至目标位置。
需要说明的是，前述对基于车云协同的智能网联汽车分层决策与控制方法实施例的解释说明也适用于该实施例的基于车云协同的智能网联汽车分层决策与控制装置，此处不再赘述。
根据本申请实施例提出的基于车云协同的智能网联汽车分层决策与控制装置，通过在云端进行集中式的多车无冲突路径规划，在车端进行分布式的单车多阶段轨迹规划。通过建立车辆运动相对坐标系，在相对坐标中规划车辆的运动，并将车辆运动平面离散化为等距离网格，并利用多智能体运动规划方法进行协同路径规划，保证规划结果不存在时空冲突。此外，在获得云端计算提供的关键点坐标后，将相对坐标投影到绝对坐标中，并根据坐标点的位置和要求到达的时间，进行车辆的运动轨迹规划，从而实现智能网联汽车和云平台的协同规划，提升交通***的整体性能。
图4为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器401、处理器402及存储在存储器401上并可在处理器402上运行的计算机程序。
处理器402执行程序时实现上述实施例中提供的基于车云协同的智能网联汽车分层决策与控制方法。
进一步地，电子设备还包括：
通信接口403，用于存储器401和处理器402之间的通信。
存储器401，用于存放可在处理器402上运行的计算机程序。
存储器401可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器401、处理器402和通信接口403独立实现，则通信接口403、存储器401和处理器402可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图4中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器401、处理器402及通信接口403，集成在一块芯片上实现，则存储器401、处理器402及通信接口403可以通过内部接口完成相互间的通信。
处理器402可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如上的基于车云协同的智能网联汽车分层决策与控制方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

Claims (10)

1.一种基于车云协同的智能网联汽车分层决策与控制方法，其特征在于，包括以下步骤：
利用云端建立相对坐标系，将车队运动平面规划为所述相对坐标系中的等距离网格；
利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径；
利用车端将所述相对坐标系投影至绝对坐标系，得到所述规划路径在所述绝对坐标系中的绝对坐标点，并根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置。
2.根据权利要求1所述的方法，其特征在于，所述利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径，包括：
利用匈牙利算法将所述待规划车辆与所述目标位置进行匹配；
利用A*算法对所述待规划车辆到达所述目标位置的相对路径进行规划。
3.根据权利要求1所述的方法，其特征在于，所述根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，包括：
利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制所述待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表所述待规划车辆的行驶路程；
基于预设的固定初态、固定末态的最优控制方法求解所述待规划车辆纵向控制输入，生成所述待规划车辆的运动轨迹规划。
4.根据权利要求1所述的方法，其特征在于，所述控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置，包括：
根据所述运动轨迹规划生成所述待规划车辆运动的速度序列或加速度序列及前轮转角序列；
根据所述速度序列或加速度序列及前轮转角序列控制所述待规划车辆运动至所述目标位置。
5.一种基于车云协同的智能网联汽车分层决策与控制装置，其特征在于，包括：
建立模块，用于利用云端建立相对坐标系，将车队运动平面规划为所述相对坐标系中的等距离网格；
规划模块，用于利用所述相对坐标系中的等距离网格对待规划车辆进行协同路径规划，得到所述待规划车辆到达目标位置的规划路径；
控制模块，用于利用车端将所述相对坐标系投影至绝对坐标系，得到所述规划路径在所述绝对坐标系中的绝对坐标点，并根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置。
6.根据权利要求5所述的装置，其特征在于，所述规划模块，包括：
匹配单元，用于利用匈牙利算法将所述待规划车辆与所述目标位置进行匹配；
路径规划单元，用于利用A*算法对所述待规划车辆到达所述目标位置的相对路径进行规划。
7.根据权利要求5所述的装置，其特征在于，所述根据所述绝对坐标点和所述待规划车辆的目标规划时间计算所述待规划车辆的运动轨迹规划，包括：
利用贝塞尔曲线连接多个绝对坐标点，通过比例-积分-微分控制器控制所述待规划车辆的横向转角输入，并利用贝塞尔曲线的长度代表所述待规划车辆的行驶路程；
基于预设的固定初态、固定末态的最优控制方法求解所述待规划车辆纵向控制输入，生成所述待规划车辆的运动轨迹规划。
8.根据权利要求5所述的装置，其特征在于，所述控制所述待规划车辆按照所述运动轨迹规划运动至所述目标位置，包括：
根据所述运动轨迹规划生成所述待规划车辆运动的速度序列或加速度序列及前轮转角序列；
根据所述速度序列或加速度序列及前轮转角序列控制所述待规划车辆运动至所述目标位置。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上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程序，以实现如权利要求1-4任一项所述的基于车云协同的智能网联汽车分层决策与控制方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-4任一项所述的基于车云协同的智能网联汽车分层决策与控制方法。
CN202210216083.2A 2022-03-07 2022-03-07 基于车云协同的智能网联汽车分层决策与控制方法及装置 Pending CN114715184A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210216083.2A CN114715184A (zh) 2022-03-07 2022-03-07 基于车云协同的智能网联汽车分层决策与控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210216083.2A CN114715184A (zh) 2022-03-07 2022-03-07 基于车云协同的智能网联汽车分层决策与控制方法及装置

Publications (1)

Publication Number Publication Date
CN114715184A true CN114715184A (zh) 2022-07-08

Family

ID=82238208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210216083.2A Pending CN114715184A (zh) 2022-03-07 2022-03-07 基于车云协同的智能网联汽车分层决策与控制方法及装置

Country Status (1)

Country Link
CN (1) CN114715184A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117433539A (zh) * 2023-12-20 2024-01-23 中国汽车技术研究中心有限公司 一种汽车场地测试多目标物协同轨迹规划的方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117433539A (zh) * 2023-12-20 2024-01-23 中国汽车技术研究中心有限公司 一种汽车场地测试多目标物协同轨迹规划的方法及装置
CN117433539B (zh) * 2023-12-20 2024-06-11 中国汽车技术研究中心有限公司 一种汽车场地测试多目标物协同轨迹规划的方法及装置

Similar Documents

Publication Publication Date Title
Ajanovic et al. Search-based optimal motion planning for automated driving
Varaiya Smart cars on smart roads: problems of control
Kessler et al. Cooperative multi-vehicle behavior coordination for autonomous driving
CN107895225A (zh) 一种多Agent无冲突的合作型任务分配方法
CN114578825A (zh) 基于相对坐标的多车协同横纵向联合运动规划方法及装置
Kneissl et al. A multi-vehicle control framework with application to automated valet parking
CN111638717A (zh) 一种分布式自主机器人交通协调机制的设计方法
Guo et al. An improved acceleration method based on multi-agent system for AGVs conflict-free path planning in automated terminals
Li et al. Connected vehicle-based traffic signal coordination
Ahn et al. Reachability-based decision-making for autonomous driving: Theory and experiments
Tang et al. Systematic testing of autonomous driving systems using map topology-based scenario classification
US20220340177A1 (en) Systems and methods for cooperative driving of connected autonomous vehicles in smart cities using responsibility-sensitive safety rules
CN114715184A (zh) 基于车云协同的智能网联汽车分层决策与控制方法及装置
CN117032203A (zh) 基于svo的自动驾驶智能控制方法
Luo et al. Real-time cooperative vehicle coordination at unsignalized road intersections
Darweesh et al. Openplanner 2.0: The portable open source planner for autonomous driving applications
Esposto et al. Hybrid path planning for non-holonomic autonomous vehicles: An experimental evaluation
CN115638804B (zh) 一种无死锁的无人车辆在线路径规划方法
Dollar et al. Multi-agent control of lane-switching automated vehicles for energy efficiency
Fanti A deadlock avoidance strategy for AGV systems modelled by coloured Petri nets
CN115220461B (zh) 室内复杂环境下机器人单体***及多机器人交互协同方法
Nuli et al. Online coordination of signals for heterogeneous traffic using stop line detection
Ge et al. Distributed model predictive control of connected multi-vehicle systems at unsignalized intersections
Lim et al. Behavioral trajectory planning for motion planning in urban environments
Kim et al. Facilitating cooperative and distributed multi-vehicle lane change maneuvers

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