CN114777804A - 一种路径规划方法、装置、设备及可读存储介质 - Google Patents
一种路径规划方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN114777804A CN114777804A CN202210426538.3A CN202210426538A CN114777804A CN 114777804 A CN114777804 A CN 114777804A CN 202210426538 A CN202210426538 A CN 202210426538A CN 114777804 A CN114777804 A CN 114777804A
- Authority
- CN
- China
- Prior art keywords
- path
- broken line
- points
- aiming
- target
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及自动驾驶寻径技术领域,公开了一种路径规划方法、装置、设备及可读存储介质。其中,该方法包括:基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从初始位置至终点位置的多个路径点;基于多个路径点,生成从初始位置至终点位置的预瞄路径,该预瞄路径包括多条折线段;基于预瞄路径中各个折线段的方向,确定多个目标轨迹点;连接多个目标轨迹点,得到目标路径。通过实施本发明,无需搜索全部的地图信息,通过生成的预瞄路径确定出行驶的轨迹点,由此降低了计算量和计算时间,提高了路径的更新速度,最大程度上保证路径的实时更新。
Description
技术领域
本发明涉及自动驾驶寻径技术领域,具体涉及一种路径规划方法、装置、设备及可读存储介质。
背景技术
现有的路径规划算法主要有可视图法(visibility diagram)、传统A星算法、混合A星算法和快速随机生成树等。可视图算法是最简单和常用的几何寻找路径方法,将几何图中每个障碍物的顶点标出,再将每两个顶点画出一条边,这种方法虽然能找到起点到终点的最短的距离,时间复杂度为O(n2logn),但确定出的路径不适合无人驾驶汽车等非完整性***。
传统A星算法是路径规划中经典的寻径算法,但是传统A星算法不加汽车动力学约束条件,所以无法满足汽车运动学特性,这种方法确定出的路径不适合无人驾驶汽车等非完整性***。混合A星算法是传统A星算法的升级,以车辆的运动学模型为节点,在预测下一步运动时候考虑了汽车的速度,方向盘转角等汽车参数的约束,满足车辆运动学的算法,解决了传统A星算法得出路径不适合非完整性***的问题。无论是传统A星算法还是混合A星算法,在生成路径时都需要CPU有较高的算力,然而,在地图面积较大、精度较高的情况下,CPU提供的算力难以满足算法需求,由此导致其生成的路径难以实现实时更新。
发明内容
有鉴于此,本发明实施例提供了一种路径规划方法、装置、设备及可读存储介质,以解决现有的路径规划的计算量较大,在地图面积较大和精度较高的情况下,CPU提供的算力难以满足需求而导致路径难以实现实时更新的问题。
根据第一方面,本发明实施例提供了一种路径规划方法,包括:基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从所述初始位置至所述终点位置的多个路径点;基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,所述预瞄路径包括多条折线段;基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点;基于所述多个目标轨迹点,形成目标路径。
本发明实施例提供的路径规划方法,通过对初始位置、障碍物位置以及终点位置,从地图信息中确定出从初始位置至终点位置的多个路径点,继而根据多个路径点形成预瞄路径,根据预瞄路径中各个折线段的方向,确定出多个目标轨迹点,将多个目标轨迹点连接起来即可得到目标路径。该方法无需搜索全部的地图信息,通过生成的预瞄路径确定出行驶的轨迹点,由此降低了计算量和计算时间,提高了路径的更新速度,最大程度上保证路径的实时更新。
结合第一方面,在第一方面的第一实施方式中,所述基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点,包括:采用混合A星算法,在所述各个折线段的方向上撒放预设数量的轨迹点;计算各个所述轨迹点对应于所述折线段的夹角;基于所述夹角从各个所述轨迹点中确定出所述目标轨迹点。
本发明实施例提供的路径规划方法,通过采用混合A星算法在各个折线段的方向上撒放预设数量的轨迹点,计算各个轨迹点对应于折线段的夹角,根据计算得到的夹角从各个轨迹点中确定出目标轨迹点。该方法按照各个折线段的方向进行撒点,大大减少了向无关区域的撒点,降低了轨迹点的计算量。
结合第一方面第一实施方式,在第一方面的第二实施方式中,所述基于所述夹角从各个所述轨迹点中确定出所述目标轨迹点,包括:判断所述夹角是否小于预设角度值;当所述夹角小于所述预设角度值时,计算所述轨迹点对应的代价值,所述代价值用于表征当前轨迹点至所述终点位置的最短路径。
结合第一方面第二实施方式,在第一方面的第三实施方式中,所述计算所述轨迹点的代价值,包括:获取所述轨迹点对应的当前撒放位置;计算各个所述轨迹点到所述当前撒放位置的第一距离、所述当前撒放位置到所述终点位置的第二距离以及各个所述轨迹点到对应折线段的第三距离;基于所述第一距离、所述第二距离以及所述第三距离的和,得到所述当前轨迹点对应的代价值。
结合第一方面第二实施方式,在第一方面的第四实施方式中,所述方法还包括:当所述夹角大于所述预设角度值时,废弃所述轨迹点。
本发明实施例提供的路径规划方法,当夹角大于预设角度值时,表示该轨迹点与预瞄路径之间的偏差较大,予以舍弃。当夹角小于预设角度值时,计算轨迹点所对应的代价值,代价值越小,表示该轨迹点与预瞄路径之间的偏差越小,通过比较各个轨迹点对应的代价值,从中选择出代价值最小的轨迹点作为目标轨迹点,由此能够保证最终生成的目标路径更加准确。
结合第一方面,在第一方面的第五实施方式中,所述基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,包括:通过可视图算法生成每两个路径点之间的折线段;基于各个所述折线段的顶点,确定从所述初始位置至所述终点位置的连接各个顶点的最短折线;将所述最短折线确定为所述预瞄路径。
本发明实施例提供的路径规划方法,通过可视图算法生成每两个路径点之间的折线段,并根据各个折线段的顶点,确定出从初始位置至终点位置的连接各个顶点的最短折线,以该最短折线作为预瞄路径,由此能够保证确定出的预瞄路径为最优的,进一步能够保证后续生成的目标路径是最优的。
结合第一方面或第一方面第一实施方式至第五实施方式中的任一实施方式,在第一方面的第六实施方式中,所述方法还包括:控制非完整性***的行驶主体按照所述目标路径行驶。
本发明实施例提供的路径规划方法,能够支持非完整性***的行驶主体,在得到目标路径后,能够控制非完整性***的行驶主体按照该目标路径予以行驶,使得非完整性***的行驶主体能够进行实时的在线路径规划。
根据第二方面,本发明实施例提供了一种路径规划装置,包括:第一确定模块,用于基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从所述初始位置至所述终点位置的多个路径点;生成模块,用于基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,所述预瞄路径包括多条折线段;第二确定模块,用于基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点;连接模块,用于基于所述多个目标轨迹点,形成目标路径。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或第一方面任一实施方式所述的路径规划方法。
根据第四方面,本发明实施例提供了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指令,所述计算机指令用于使计算机执行第一方面或第一方面任一实施方式所述的路径规划方法。
需要说明的是,本发明实施例提供的路径规划装置、电子设备以及计算机可读存储介质的相应有益效果,请参见路径规划方法中相应内容的描述,在此不再赘述。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的路径规划方法的流程图;
图2是根据本发明实施例的路径规划方法的另一流程图;
图3是根据本发明实施例的路径规划方法的另一流程图;
图4是根据本发明实施例的预瞄路径的生成示意图;
图5是采用混合A星算法生成规划路径的示意图;
图6是根据本发明实施例的路径规划装置的结构框图;
图7是本发明实施例提供的电子设备的硬件结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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。
根据本发明实施例,提供了一种路径规划方法的实施例,需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。例如,现在大多数的泊车路由寻径都只在泊车开始阶段搜索一次并且是离线计算,其采用的路径规划算法主要有可视图法(visibility diagram)、传统A星算法、混合A星算法和快速随机生成树等。可视图算法是最简单和常用的几何寻找路径方法,将几何图中每个障碍物的顶点标出,再将每两个顶点画出一条边,这种方法虽然能找到起点到终点的最短的距离,时间复杂度为O(n2logn),但确定出的路径不适合无人驾驶汽车等非完整性***。
传统A星算法是路径规划中的经典寻径算法,但传统A星算法不加汽车动力学约束条件,所以无法满足汽车运动学特性,这种方法确定出的路径不适合无人驾驶汽车等非完整性***。混合A星算法是传统A星算法的升级,以车辆的运动学模型为节点,在预测下一步运动时候考虑了汽车的速度,方向盘转角等汽车参数的约束,满足车辆运动学的算法,解决了传统A星算法得出路径不适合非完整性***的问题。然而,无论是传统A星算法还是混合A星算法,在生成路径时都需要CPU有较高的算力,可是在地图面积较大和精度较高时,CPU提供的算力难以满足算法需求,导致其生成的路径难以实现实时更新。
如图5所示,混合A星算法是在自车前后两个方向根据不同角度撒点,分别计算每个点的cost值(cost=当前点到撒点距离+当前点到终点的欧几里得距离),再取cost值的最小点作为下一步的当前点,这一步骤极其耗时,且需要CPU具有较高的算力。其中,图5所示的1号曲线为混合A星算法所探索的点,2号曲线为探索之后最终形成的规划路径。
基于此,本申请技术方案通过从地图信息中确定出从初始位置至终点位置的多个路径点以生成预瞄路径,继而混合A星算法可以按照预瞄路径的方向进行撒点,由此降低了计算量和计算时间,提高了路径的更新速度。
在本实施例中提供了一种路径规划方法,可用于电子设备,如智能自动驾驶汽车、扫地机器人、无人机等,图1是根据本发明实施例的路径规划方法的流程图,如图1所示,该流程包括如下步骤:
S11,基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从初始位置至终点位置的多个路径点。
地图信息为行驶主体在行驶过程中的行驶路线,例如,该地图信息可以为格栅地图,也可以是通过即时定位与地图构建(Simultaneous Localization and Mapping,SLAM)形成的地图,当然还可以是通过其他方式获取到的地图,此处不作具体限定,只要能够得到行驶主体的行驶路线即可。
初始位置为行驶主体当前所处的位置,该初始位置可以由设置在行驶主体上的定位传感器获取的,还可以是由用户输入的,此处对初始位置的获取不作具体限定。障碍物位置为影响行驶主体前进的各个障碍物所处的位置,障碍物位置可以通过设置在行驶主体上的摄像装置进行获取。终点位置为用户输入的目的地,相应地,行驶主体中设置的处理器或控制器能够响应用户的输入操作,以确定出对应于输入操作的终点位置。
路径点为行驶主体从初始位置行驶至终点位置所经过的位置点,该路径点可以根据障碍物的位置确定,即路径点要规避障碍物所处位置。以自动驾驶汽车为例,自动驾驶汽车的导航设备中存储有相应的地图信息,其可以通过感知障碍物的位置,在地图信息中确定出从初始位置至终点位置的多个路径点。
S12,基于多个路径点,生成从初始位置至终点位置的预瞄路径,该预瞄路径包括多条折线段。
基于多个路径点能够计算出从初始位置行驶至终点位置所要经过的最少个数的路径点,将该路径点予以连接得到多条折线段,将多条折线段首尾连接的形成一条从初始位置至终点位置的折线,即从初始位置至终点位置的预瞄路径。
例如,将格栅地图、初始位置、终点位置和障碍物信息作为可视图算法的输入,通过可视图算法生成规避障碍物位置的连接起点位置和终点位置的最短折线段。
S13,基于预瞄路径中各个折线段的方向,确定多个目标轨迹点。
预瞄路径中包含有多个折线段,各个折线段的方向不同,行驶主体可以根据各个折线段的方向对其行驶路径进行探索,得到多个探索点。进一步地,行驶主体可以对各个探索点进行代价(cost)值计算,以从中确定出行驶所要经过的目标轨迹点。
S14,基于多个目标轨迹点,形成目标路径。
行驶主体将其确定出的各个目标轨迹点进行连接,得到最终的目标路径,即行驶主体从初始位置行驶至终点位置的最优行驶路径。
本实施例提供的路径规划方法,通过对初始位置、障碍物位置以及终点位置,从地图信息中确定出从初始位置至终点位置的多个路径点,继而根据多个路径点形成预瞄路径,根据预瞄路径中各个折线段的方向,确定出多个目标轨迹点,将多个目标轨迹点连接起来即可得到目标路径。该方法无需搜索全部的地图信息,通过生成的预瞄路径确定出行驶的轨迹点,由此降低了计算量和计算时间,提高了路径的更新速度,最大程度上保证路径的实时更新。
在本实施例中提供了一种路径规划方法,可用于电子设备,如智能自动驾驶汽车、扫地机器人、无人机等,图2是根据本发明实施例的路径规划方法的流程图,如图2所示,该流程包括如下步骤:
S21,基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从初始位置至终点位置的多个路径点。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S22,基于多个路径点,生成从初始位置至终点位置的预瞄路径,该预瞄路径包括多条折线段。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S23,基于预瞄路径中各个折线段的方向,确定多个目标轨迹点。
具体地,上述步骤S23可以包括:
S231,采用混合A星算法在各个折线段的方向上撒放预设数量的轨迹点。
在确定出预瞄路径后,行驶主体基于混合A星算法在各个折线段的方向上进行撒点,例如行驶主体在其当前位置向折线段的方向上撒放3个轨迹点,当然还可以撒放其他数据的轨迹点,此处不做具体限定,本领域技术人员可以根据实际需要确定。
S232,计算各个轨迹点对应于折线段的夹角。
将撒放的各个轨迹点与行驶主体当前位置予以连接,得到各轨迹点与当前位置之间的多条连接线,行驶主体依次计算各条连接线与其所对应折线段之间的夹角。
例如,设撒放了3个轨迹点A、B、C,行驶主体当前所处位置为O,所处位置对应的折线段为L,则将3个轨迹点A、B、C分别与O进行连接,得到3条连接线OA、OB和OC,并依次计算OA与L之间夹角α1、OB与L之间夹角α2,以及OC与L之间夹角α3。
S233,基于夹角从各个轨迹点中确定出目标轨迹点。
通过各个轨迹点对应于折线段的夹角,确定出与折线段的方向偏差较小的轨迹点,并该轨迹点作为目标轨迹点。例如,夹角越小表示该轨迹点与折线段的方向偏差越小,行驶主体可以根据各个轨迹点对应于折线段的夹角,从中确定出夹角较小的点,并将该夹角较小的点作为目标轨迹点。
具体地,上述步骤S233可以包括:
(1)判断夹角是否小于预设角度值。
预设角度值用于表征当前轨迹点与折线段之间的方向偏差角度,预设角度值可以为90°,也可以为60°,还可以为45°,当然也可以为其他值,此处并不作具体限定,本领域技术人员可以根据实际需要确定。当夹角小于预设角度值时,执行步骤(2),当夹角大于预设角度值时,执行步骤(3)。
(2)计算轨迹点对应的代价值,该代价值用于表征当前轨迹点至终点位置的最短路径。
当夹角小于预设角度值时,表示该轨迹点与折线段的方向偏差较小,此时行驶主体可以计算各轨迹点的代价值,即cost值,通过该cost值表示当前轨迹点至终点位置的最短路径。可选地,计算代价值的步骤可以包括:
(21)获取轨迹点对应的当前撒放位置。
当前撒放位置为行驶主体当前所处位置,该位置可以通过行驶主体上设置的定位传感器获取到。
(22)计算各个轨迹点到当前撒放位置的第一距离、当前撒放位置到终点位置的第二距离以及各个轨迹点到对应折线段的第三距离。
按照两点间的距离计算公式,可以分别计算到各个轨迹点与当前撒放位置之间的第一距离,以及当前撒放位置到终点位置的第二距离。第三距离为轨迹点到对应折线段的最短距离,即垂直距离,行驶主体中的处理器可以根据当前轨迹点确定出其至对应折线段的垂足,并计算出当前轨迹点与垂足之间的距离,将该距离作为第三距离。
(23)基于第一距离、第二距离以及第三距离的和,得到当前轨迹点对应的代价值。
将第一距离、第二距离以及第三距离进行相加,得到这三个距离的和,行驶主体中的处理器可以将这三者之和作为cost值;还可以在这三者之和的基础上乘以预设的设置系数,将这三者之和与的设置系数的乘积值作为cost值,其中,该设置系数可以为0-1之间的任意值,根据轨迹点与折线段之间的距离远近可以设置系数为0.3,也可以设置系数为0.5,当然还可以设置其他值,此处不做具体限定。需要说明的是,距离越近,设置系数越小。
(3)废弃轨迹点。
当夹角大于预设角度值时,表示当前轨迹点与预瞄路径折线段之间的偏差较大,不可能作为行驶主体的前进过程中的轨迹点,此时则可以将该轨迹点予以废弃。
由于轨迹点的减少和计算量的下降,可以相对应的提高输入的地图信息的精度,更高的地图精度将有助于规划更稳更安全的路径。
S24,基于多个目标轨迹点,形成目标路径。详细说明参见上述实施例对应的相关描述,此处不再赘述。
本实施例提供的路径规划方法,通过采用混合A星算法在各个折线段的方向上撒放预设数量的轨迹点,计算各个轨迹点对应于折线段的夹角,根据计算得到的夹角从各个轨迹点中确定出目标轨迹点。当夹角大于预设角度值时,表示该轨迹点与预瞄路径之间的偏差较大,予以舍弃。当夹角小于预设角度值时,计算轨迹点所对应的代价值,代价值越小,表示该轨迹点与预瞄路径之间的偏差越小,通过比较各个轨迹点对应的代价值,从中选择出代价值最小的轨迹点作为目标轨迹点,由此能够保证最终生成的目标路径更加准确。同时,按照各个折线段的方向进行撒点,大大减少了向无关区域的撒点,降低了轨迹点的计算量。
在本实施例中提供了一种路径规划方法,可用于电子设备,如智能自动驾驶汽车、扫地机器人、无人机等,图3是根据本发明实施例的路径规划方法的流程图,如图3所示,该流程包括如下步骤:
S31,基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从初始位置至终点位置的多个路径点。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S32,基于多个路径点,生成从初始位置至终点位置的预瞄路径,该预瞄路径包括多条折线段。
具体地,上述步骤S32可以包括:
S321,通过可视图算法生成每两个路径点之间的折线段。
在得到多个路径点之后,采用可视图算法能够生成每两个路径点之间的折线段,如图4所示,行驶主体可以按照可视图算在每两个路径点之间依次生成折线段,得到多条折线段。
S322,基于各个折线段的顶点,确定从初始位置至终点位置的连接各个顶点的最短折线。
折线段的顶点为组成折线段的某一路径点,每条折线段均对应有两个路径点,基于可视图算法可以规划出从初始位置至终点位置所途径最少的折线段顶点,依次连接各个顶点,生成初始位置至终点位置的最短折线,如图4所示。
S323,将最短折线确定为预瞄路径。
最短折线能够表征从初始位置至终点位置的最优行驶方向和行驶路径,在确定出最短折线后,即可将该最短折线直接确定为预瞄路径。
S33,基于预瞄路径中各个折线段的方向,确定多个目标轨迹点。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S34,基于多个目标轨迹点,形成目标路径。详细说明参见上述实施例对应的相关描述,此处不再赘述。
S35,控制非完整性***的行驶主体按照目标路径行驶。
非完整性***指受非完整约束的***,包括自动驾驶车辆、移动机器人、空间机器人、水下机器人、欠驱动机器人、无人机等。在得到目标路径之后,行驶主体内所设置的控制器则可以控制该非完整性***的行驶主体按照当前生成的目标路径进行行驶。
本实施例提供的路径规划方法,通过可视图算法生成每两个路径点之间的折线段,并根据各个折线段的顶点,确定出从初始位置至终点位置的连接各个顶点的最短折线,以该最短折线作为预瞄路径,由此能够保证确定出的预瞄路径为最优的,进一步能够保证后续生成的目标路径是最优的。该方法能够支持非完整性***的行驶主体,在得到目标路径后,能够控制非完整性***的行驶主体按照该目标路径予以行驶,使得非完整性***的行驶主体能够进行实时的在线路径规划。
在本实施例中还提供了一种路径规划装置,该装置用于实现上述实施例及优选实施方式,已经进行过说明的不再赘述。如以下所使用的,术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或软件和硬件的组合的实现也是可能并被构想的。
本实施例提供一种路径规划装置,如图6所示,包括:
第一确定模块41,用于基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从初始位置至终点位置的多个路径点。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
生成模块42,用于基于多个路径点,生成从初始位置至终点位置的预瞄路径,该预瞄路径包括多条折线段。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
第二确定模块43,用于基于预瞄路径中各个折线段的方向,确定多个目标轨迹点。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
连接模块44,用于基于所述多个目标轨迹点,形成目标路径。详细说明参见上述方法实施例对应的相关描述,此处不再赘述。
本实施例提供的路径规划装置,通过对初始位置、障碍物位置以及终点位置,从地图信息中确定出从初始位置至终点位置的多个路径点,继而根据多个路径点形成预瞄路径,根据预瞄路径中各个折线段的方向,确定出多个目标轨迹点,将多个目标轨迹点连接起来即可得到目标路径。该装置无需搜索全部的地图信息,通过生成的预瞄路径确定出行驶的轨迹点,由此降低了计算量和计算时间,提高了路径的更新速度,最大程度上保证路径的实时更新。
本实施例中的路径规划装置是以功能单元的形式来呈现,这里的单元是指ASIC电路,执行一个或多个软件或固定程序的处理器和存储器,和/或其他可以提供上述功能的器件。
上述各模块的更进一步的功能描述与上述对应实施例相同,在此不再赘述。
本发明实施例还提供一种电子设备,具有上述图6所示的路径规划装置。
请参阅图7,图7是本发明可选实施例提供的一种电子设备的结构示意图,如图7所示,该设备可以包括:至少一个处理器501,例如CPU(Central Processing Unit,中央处理器),至少一个通信接口503,存储器504,至少一个通信总线502。其中,通信总线502用于实现这些组件之间的连接通信。其中,通信接口503可以包括显示屏(Display)、键盘(Keyboard),可选通信接口503还可以包括标准的有线接口、无线接口。存储器504可以是高速RAM存储器(Random Access Memory,易挥发性随机存取存储器),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。存储器504可选的还可以是至少一个位于远离前述处理器501的存储装置。其中处理器501可以结合图6所描述的装置,存储器504中存储应用程序,且处理器501调用存储器504中存储的程序代码,以用于执行上述任一方法步骤。
其中,通信总线502可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。通信总线502可以分为地址总线、数据总线、控制总线等。为便于表示,图7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。
其中,存储器504可以包括易失性存储器(英文:volatile memory),例如随机存取存储器(英文:random-access memory,缩写:RAM);存储器也可以包括非易失性存储器(英文:non-volatile memory),例如快闪存储器(英文:flash memory),硬盘(英文:hard diskdrive,缩写:HDD)或固态硬盘(英文:solid-state drive,缩写:SSD);存储器504还可以包括上述种类存储器的组合。
其中,处理器501可以是中央处理器(英文:central processing unit,缩写:CPU),网络处理器(英文:network processor,缩写:NP)或者CPU和NP的组合。
其中,处理器501还可以进一步包括硬件芯片。上述硬件芯片可以是专用集成电路(英文:application-specific integrated circuit,缩写:ASIC),可编程逻辑器件(英文:programmable logic device,缩写:PLD)或其组合。上述PLD可以是复杂可编程逻辑器件(英文:complex programmable logic device,缩写:CPLD),现场可编程逻辑门阵列(英文:field-programmable gate array,缩写:FPGA),通用阵列逻辑(英文:generic arraylogic,缩写:GAL)或其任意组合。
可选地,存储器504还用于存储程序指令。处理器501可以调用程序指令,实现如本申请图1至图3实施例中所示的路径规划方法。
本发明实施例还提供了一种非暂态计算机存储介质,所述计算机存储介质存储有计算机可执行指令,该计算机可执行指令可执行上述任意方法实施例中的路径规划方法的处理方法。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random Access Memory,RAM)、快闪存储器(Flash Memory)、硬盘(HardDisk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (10)
1.一种路径规划方法,其特征在于,包括:
基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从所述初始位置至所述终点位置的多个路径点;
基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,所述预瞄路径包括多条折线段;
基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点;
基于所述多个目标轨迹点,形成目标路径。
2.根据权利要求1所述的方法,其特征在于,所述基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点,包括:
采用混合A星算法在所述各个折线段的方向上撒放预设数量的轨迹点;
计算各个所述轨迹点对应于所述折线段的夹角;
基于所述夹角从各个所述轨迹点中确定出所述目标轨迹点。
3.根据权利要求2所述的方法,其特征在于,所述基于所述夹角从各个所述轨迹点中确定出所述目标轨迹点,包括:
判断所述夹角是否小于预设角度值;
当所述夹角小于所述预设角度值时,计算所述轨迹点对应的代价值,所述代价值用于表征当前轨迹点至所述终点位置的最短路径。
4.根据权利要求3所述的方法,其特征在于,所述计算所述轨迹点的代价值,包括:
获取所述轨迹点对应的当前撒放位置;
计算各个所述轨迹点到所述当前撒放位置的第一距离、所述当前撒放位置到所述终点位置的第二距离以及各个所述轨迹点到对应折线段的第三距离;
基于所述第一距离、所述第二距离以及所述第三距离的和,得到所述当前轨迹点对应的代价值。
5.根据权利要求3所述的方法,其特征在于,还包括:
当所述夹角大于所述预设角度值时,废弃所述轨迹点。
6.根据权利要求1所述的方法,其特征在于,所述基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,包括:
通过可视图算法生成每两个路径点之间的折线段;
基于各个所述折线段的顶点,确定从所述初始位置至所述终点位置的连接各个顶点的最短折线;
将所述最短折线确定为所述预瞄路径。
7.根据权利要求1-6任一项所述的方法,其特征在于,还包括:
控制非完整性***的行驶主体按照所述目标路径行驶。
8.一种路径规划装置,其特征在于,包括:
第一确定模块,用于基于预先获取的地图信息、初始位置、障碍物位置以及终点位置,确定从所述初始位置至所述终点位置的多个路径点;
生成模块,用于基于所述多个路径点,生成从所述初始位置至所述终点位置的预瞄路径,所述预瞄路径包括多条折线段;
第二确定模块,用于基于所述预瞄路径中各个折线段的方向,确定多个目标轨迹点;
连接模块,用于基于所述多个目标轨迹点,形成目标路径。
9.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-7任一项所述的路径规划方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使计算机执行权利要求1-7任一项所述的路径规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426538.3A CN114777804A (zh) | 2022-04-21 | 2022-04-21 | 一种路径规划方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210426538.3A CN114777804A (zh) | 2022-04-21 | 2022-04-21 | 一种路径规划方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114777804A true CN114777804A (zh) | 2022-07-22 |
Family
ID=82431313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210426538.3A Pending CN114777804A (zh) | 2022-04-21 | 2022-04-21 | 一种路径规划方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114777804A (zh) |
-
2022
- 2022-04-21 CN CN202210426538.3A patent/CN114777804A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021180035A1 (zh) | 一种泊车路径规划方法、装置、车辆和存储介质 | |
US10948919B2 (en) | Dynamic programming and gradient descent based decision and planning for autonomous driving vehicles | |
CN110260867B (zh) | 一种机器人导航中位姿确定、纠正的方法、设备及装置 | |
US10754341B2 (en) | Systems and methods for accelerated curve projection | |
US10606277B2 (en) | Speed optimization based on constrained smoothing spline for autonomous driving vehicles | |
WO2022056770A1 (zh) | 一种路径规划方法和路径规划装置 | |
US20190196485A1 (en) | Non-blocking boundary for autonomous vehicle planning | |
US20190086932A1 (en) | Smooth road reference line for autonomous driving vehicles based on 2d constrained smoothing spline | |
US20180348761A1 (en) | Scalable smooth reference path generator for autonomous driving vehicles | |
US11360482B2 (en) | Method and system for generating reference lines for autonomous driving vehicles using multiple threads | |
US11055540B2 (en) | Method for determining anchor boxes for training neural network object detection models for autonomous driving | |
US11586209B2 (en) | Differential dynamic programming (DDP) based planning architecture for autonomous driving vehicles | |
US10860868B2 (en) | Lane post-processing in an autonomous driving vehicle | |
JP7330142B2 (ja) | 車両のuターン経路を決定する方法、装置、デバイスおよび媒体 | |
US11353878B2 (en) | Soft-boundary based path optimization for complex scenes for autonomous driving vehicles | |
US11768080B2 (en) | Optimal route searching device and operation method thereof | |
CN113728212B (zh) | 用于自动驾驶车辆的导航路线规划方法 | |
CN113050618B (zh) | 用于操作自动驾驶车辆的计算机实现的方法 | |
CN115127576B (zh) | 路径规划方法、装置、芯片、终端、电子设备及存储介质 | |
US11106212B2 (en) | Path planning for complex scenes with self-adjusting path length for autonomous driving vehicles | |
US11878712B2 (en) | Trajectory planning with obstacle avoidance for autonomous driving vehicles | |
CN111126598A (zh) | 自动泊车方法、装置、计算机设备和存储介质 | |
US20210262819A1 (en) | A mixed regular and open-space trajectory planning method for autonomous driving vehicle | |
CN114777804A (zh) | 一种路径规划方法、装置、设备及可读存储介质 | |
Björnberg | Shared control for vehicle teleoperation with a virtual environment interface |
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 |