CN114964288A - 路径规划方法及装置、无人车 - Google Patents
路径规划方法及装置、无人车 Download PDFInfo
- Publication number
- CN114964288A CN114964288A CN202210528039.5A CN202210528039A CN114964288A CN 114964288 A CN114964288 A CN 114964288A CN 202210528039 A CN202210528039 A CN 202210528039A CN 114964288 A CN114964288 A CN 114964288A
- Authority
- CN
- China
- Prior art keywords
- path
- position point
- sampling
- point
- unmanned vehicle
- 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
- 238000013439 planning Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 198
- 238000012216 screening Methods 0.000 claims abstract description 7
- 230000033001 locomotion Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 230000000875 corresponding effect Effects 0.000 claims description 21
- 230000002596 correlated effect Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003860 storage Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 22
- 238000012544 monitoring process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 230000003993 interaction Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012384 transportation and delivery Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000000151 deposition Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
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
本公开涉及路径规划方法及装置、无人车、计算机可存储介质。路径规划方法包括:根据无人车的导航路径,确定用于辅助所述无人车行驶的指引线;根据所述指引线,确定用于辅助进行多层位置点采样的多条采样线,每条采样线对应一层位置点采样;基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点;根据所述当前位置点和所述多个目标位置点,确定所述无人车的当前帧路径。根据本公开,可以提高所规划路径的稳定性。
Description
技术领域
本公开涉及计算机技术领域,尤其涉及无人驾驶领域,特别涉及路径规划方法及装置、无人车、计算机可存储介质。
背景技术
目前,自动驾驶设备用于将人或者物从一个位置自动运送到另一个位置,自动驾驶设备通过设备上的传感器采集环境信息并完成自动运送。基于自动驾驶技术控制的无人配送车进行物流运输极大地提高了生产生活的便捷性,节约了人力成本。在自动驾驶领域,路径规划任务是一项基础任务。
相关技术中,在自动驾驶领域的路径规划过程中,采用均匀采样的方式获取候选位置点,并从候选位置点中筛选多个目标位置点,进而根据自动驾驶设备的当前位置点和多个目标位置点,确定自动驾驶设备的当前帧路径。
发明内容
本公开提出了一种解决方案,可以提高所规划路径的稳定性。
根据本公开的第一方面,提供了一种用于自动驾驶的路径规划方法,包括:根据无人车的导航路径,确定用于辅助所述无人车行驶的指引线;根据所述指引线,确定用于辅助进行多层位置点采样的多条采样线,每条采样线对应一层位置点采样;基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点;根据所述当前位置点和所述多个目标位置点,确定所述无人车的当前帧路径。
在一些实施例中,基于所述当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点包括:对于每条采样线,利用车辆动力学相关信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径,其中,在所述每条采样线为与所述当前位置点的距离最近的采样线的情况下,所述参考位置点为所述当前位置点,在所述每条采样线为其他采样线的情况下,所述参考位置点为位于与所述每条采样线相邻且靠近所述当前位置点方向的采样线上的每个候选位置点;根据所述每条采样线与所述至少一条参考路径的交点,确定位于所述每条采样线上的至少一个候选位置点。
在一些实施例中,对于与所述当前位置点的距离最近的采样线,利用车辆动力学相关信息,确定以所述当前位置点为起点的至少一条参考路径;根据与所述当前位置点的距离最近的采样线与以所述当前位置点为起点的至少一条参考路径的交点,确定位于与所述当前位置点的距离最近的采样线上的至少一个候选位置点;对于每条其他采样线,利用所述车辆动力学相关信息,确定以位于与所述每条其他采样线相邻且与所述当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径;根据所述每条其他采样线与以位于与所述每条其他采样线相邻且与所述当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径的交点,确定位于所述每条其他采样线上的至少一个候选位置点。
在一些实施例中,所述车辆动力学相关信息包括车辆动力学属性信息或者车辆运动轨迹信息,利用车辆动力学相关信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径包括:利用所述车辆动力学属性信息或车辆运动轨迹信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径。
在一些实施例中,路径规划方法,还包括:对所述无人车的转角范围进行采样,得到多个参考转角,其中,所述参考路径包括在所述多个参考转角下的路径。
在一些实施例中,基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点还包括:对于每条采样线,确定所述无人车的上一帧路径与所述每条采样线的交点为位于所述每条采样线上的候选位置点。
在一些实施例中,每条采样线上的候选位置点为满足第一预设运动条件的交点,所述第一预设运动条件包括与所述每条采样线对应的参考位置点与所述每条采样线上的候选位置点之间的无人车朝向差小于或等于无人车朝向差阈值。
在一些实施例中,从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点包括:根据所述当前位置点、位于所述多条采样线上的多个候选位置点和预设行驶代价,利用寻路算法,确定所述多个目标位置点,其中,所述寻路算法的停止条件包括从所述当前位置点出发到达最后一个目标位置点的里程大于或等于里程阈值。
在一些实施例中,所述预设行驶代价包括平滑性代价和安全性代价中的至少一种,其中,所述平滑性代价与所述寻路算法当前处理的位置点和所述候选位置点之间的无人车朝向差成正相关,所述安全性代价与所述寻路算法当前处理的位置点和所述候选位置点之间的线段到障碍物的最近距离成负相关,所述寻路算法当前处理的位置点为所述当前位置点或所述候选位置点。
在一些实施例中,在所述候选位置点包括所述无人车的上一帧路径与每条采样线的交点的情况下,所述预设行驶代价还包括路径相似性代价,所述路径相似性代价表征从所述寻路算法当前处理的位置点出发的路径与所述上一帧路径之间的相似度。
在一些实施例中,所述路径相似性代价与所述寻路算法当前处理的位置点到所述上一帧路径上的各个相邻位置点之间的路径线段的最短距离或者所述寻路算法当前处理的位置点的前一位置点到所述上一帧路径上的各个相邻位置点之间的路径线段的最短距离成正相关。
在一些实施例中,从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点包括:从位于多条采样线上的多个候选位置点中,选择多个满足第二预设运动条件的候选位置点,所述第二预设运动条件包括位置点之间运动无碰撞和候选位置点位于预设地图范围内中的至少一种;从多个满足第二预设运动条件的候选位置点中,选择所述多个目标位置点。
根据本公开第二方面,提供了一种用于自动驾驶的路径规划装置,包括:第一确定模块,被配置为根据无人车的导航路径,确定用于辅助所述无人车行驶的指引线;第二确定模块,被配置为根据所述指引线,确定用于辅助进行多层采样的多条采样线,每条采样线对应一层采样;采样模块,被配置为基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;筛选模块,被配置为从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点;第三确定模块,被配置为根据所述当前位置点和所述多个目标位置点,确定所述无人车的当前帧路径。
根据本公开第三方面,提供了一种用于自动驾驶的路径规划装置,包括:存储器;以及耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行上述任一实施例所述的路径规划方法。
根据本公开的第四方面,提供了一种无人车,包括:上述任一实施例所述的用于自动驾驶的路径规划装置。
在一些实施例中,无人车,还包括:定位模块、导航模块、感知模块和地图模块中的至少一种,其中,所述定位模块被配置为发送所述无人车的速度、当前位置点的位置坐标以及无人车朝向到所述路径规划装置;所述导航模块被配置为发送所述无人车的导航路径到所述路径规划装置;所述感知模块被配置为感知所述无人车周围的障碍物,并将感知的障碍物信息发送到所述路径规划装置;所述地图模块被配置为向所述路径规划装置提供地图数据。
在一些实施例中,无人车,还包括:控制模块,被配置为接收来自所述路径规划装置的当前帧路径,并控制所述无人车按照所述当前帧路径行驶。
根据本公开的第五方面,提供了一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现上述任一实施例所述的路径规划方法。
在上述实施例中,可以提高所规划路径的稳定性。
附图说明
构成说明书的一部分的附图描述了本公开的实施例,并且连同说明书一起用于解释本公开的原理。
参照附图,根据下面的详细描述,可以更加清楚地理解本公开,其中:
图1是示出根据本公开一些实施例的路径规划方法的流程图;
图2是示出根据本公开一些实施例的确定采样线的示意图;
图3A是示出根据基于均匀采样的路径规划方法进行路径规划的结果示意图;
图3B是示出根据本公开一些实施例的路径规划方法进行路径规划的结果示意图;
图4是示出根据本公开一些实施例的路径规划装置的框图;
图5是示出根据本公开另一些实施例的路径规划装置的框图;
图6是示出根据本公开一些实施例的无人车的框图;
图7是示出根据本公开另一些实施例的无人车的框图;
图8是示出根据本公开一些实施例的无人车的侧视图;
图9是示出用于实现本公开一些实施例的计算机***的框图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到:除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制。因此,示例性实施例的其它示例可以具有不同的值。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
图1是示出根据本公开一些实施例的路径规划方法的流程图。
如图1所示,用于自动驾驶的路径规划方法包括:步骤S110,根据无人车的导航路径,确定用于辅助无人车行驶的指引线;步骤S120,根据指引线,确定用于辅助进行多层位置点采样的多条采样线,其中,每条采样线对应一层采样;步骤S130,基于无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;步骤S140,从位于多条采样线上的多个候选位置点中,筛选从当前位置点出发依次到达的多个目标位置点;步骤S150,根据当前位置点和多个目标位置点,确定无人车的当前帧路径。在一些实施例中,路径规划方法由用于自动驾驶的路径规划装置执行。
在上述实施例中,以与导航路径相匹配的指引线为参考,利用车辆动力学相关信息,从多条采样线上进行候选位置点的多层采样。通过指引线与车辆动力学相关信息的结合进行多层采样的方式,考虑了候选位置点的无人车可达性,从而可以进一步提升所规划路径的稳定性。
在步骤S110中,根据无人车的导航路径,确定用于辅助无人车行驶的指引线。指引线与导航路径的方向一致,用于指引无人车的行驶方向。在一些实施例中,导航路径为车道级别的导航路径,与导航路径相匹配的指引线根据导航路径所指示的车道确定。例如,对导航路径所指示的车道的中心线的坐标点进行平滑得到指引线。在一些实施例中,指引线可以基于Frenent坐标系构建。Frenet坐标系描述了无人车相对于道路的位置,在Frenet坐标系中,s代表沿道路的距离称为纵坐标,d表示与纵向线的位移称为横坐标。
在一些实施例中,可以从无人车的导航模块获取到导航路径。
在步骤S120中,根据所述指引线,确定用于辅助进行多层位置点采样的多条采样线,其中,每条采样线对应一层采样。例如,多条采样线从无人车的当前位置点出发且沿着指引线的方向依次排列。多条采样线均与指引线垂直。在一些实施例中,相邻采样线在指引线方向上的间隔相同。
图2是示出根据本公开一些实施例的确定采样线的示意图。
如图2所示,无人车的当前位置点c投影到指引线上后,得到投影点的里程值curr_s,从而确定投影点在指引线上的位置。按照预设步长,可以确定距离当前位置点在指引线上的投影点预设步长的采样参考点的里程值next_s,从而确定距离当前位置点在指引线上的投影点预设步长的采样参考点在指引线上的位置。图2仅示出了一个采样参考点,通常情况下,需要确定多个采样参考点,相邻采样参考点之间的里程值相差预设步长。
在确定参考采样点在指引线上的位置后,将垂直于指引线且与指引线相交于参考采样点的垂直线,确定为采样线。图2仅示出了一条采样线,通常情况下需要确定多条采样线,以实现多层采样。
在步骤S130中,基于无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点。例如,无人车的当前位置点可以从无人车的定位模块获取。
在一些实施例中,可以通过如下方式实现上述步骤S130。
首先,对于每条采样线,利用车辆动力学相关信息,确定以与每条采样线对应的参考位置点为起点的至少一条参考路径。在每条采样线为与当前位置点的距离最近的采样线的情况下,参考位置点为当前位置点。在每条采样线为其他采样线的情况下,参考位置点为位于与每条采样线相邻且靠近当前位置点方向的采样线上的每个候选位置点。
然后,根据每条采样线与至少一条参考路径的交点,确定位于每条采样线上的至少一个候选位置点。
在上述实施例中,通过利用车辆动力学相关信息确定无人车可能会行驶的参考路径,利用参考路径和采样线的交点实现从采样线上采样候选位置节点的过程。通过这种方式,进一步考虑了无人车在路径规划过程中的路径可达性,从而进一步提高了所规划的路径稳定性。通过提升路径稳定性,可以提高无人车或自动驾驶车辆的通行能力,便于下游控制模块跟踪轨迹,避免产生画龙现象,减少其他交通参与者的误判情况,减少交通拥堵或碰撞,提高自动驾驶安全性。
在一些实施例中,可以通过如下方式实现上述采样候选位置点的过程。
首先,对于与当前位置点的距离最近的采样线,利用车辆动力学相关信息,确定以当前位置点为起点的至少一条参考路径。进而,根据与当前位置点的距离最近的采样线与以当前位置点为起点的至少一条参考路径的交点,确定位于与当前位置点的距离最近的采样线上的至少一个候选位置点。
然后,对于每条其他采样线,利用车辆动力学相关信息,确定以位于与每条其他采样线相邻且与当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径。进而,根据每条其他采样线与以位于与每条其他采样线相邻且与当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径的交点,确定位于每条其他采样线上的至少一个候选位置点。
在一些实施例中,每条采样线上的候选位置点为满足第一预设运动条件的交点。第一预设运动条件包括与每条采样线对应的参考位置点与每条采样线上的候选位置点之间的无人车朝向差小于或等于无人车朝向差阈值。例如,无人车朝向差阈值为90度。无人车朝向差阈值也可以为其他值。通过限定参考位置点与候选位置点之间的无人车朝向差,可以过滤不符合无人车的运动规律的候选位置点,从而进一步提高路径可达性,进一步提高路径稳定性。
在一些实施例中,车辆动力学相关信息包括车辆动力学属性信息或车辆运动轨迹信息,可以利用车辆动力学属性信息或车辆运动轨迹信息,确定以与每条采样线对应的参考位置点为起点的至少一条参考路径。
以车辆动力学相关信息包括无人车的预设速度、无人车朝向、无人车转角和无人车轴距等车辆动力学属性信息为例,根据无人车的预设速度、无人车朝向、无人车转角和无人车轴距等车辆动力学属性信息,可以确定以与每条采样线对应的参考位置点为起点的至少一条参考路径。例如,可以根据无人车的预设速度、无人车朝向、无人车转角和无人车轴距等车辆动力学属性信息,可以确定车辆运动轨迹信息,进而根据车辆运动轨迹信息,确定以与每条采样线对应的参考位置点为起点的至少一条参考路径。
在一些实施例中,在确定参考路径之前,可以对无人车的转角范围进行采样,得到多个参考转角。参考路径包括在多个参考转角下的路径。通过转角采样,可以在避免算力消耗过多的情况下,提升所规划的路径稳定性,从而平衡算力消耗和路径稳定性之间的关系。
在一些实施例中,基于车辆动力学相关信息包括无人车的预设速度、无人车朝向、采样得到的无人车转角集合中的无人车转角和无人车轴距等车辆动力学属性信息,根据车辆动力学属性信息与车辆运动轨迹信息之间的关系,确定无人车的车辆运动轨迹信息。
例如,车辆动力学属性信息与车辆运动轨迹信息之间的关系可以用自行车模型表示。自行车模型所表征的函数关系为
在上述函数关系中,θ为无人车在当前位置点的无人车朝向,v为无人车的预设速度,为采样得到的无人车转角集合,L为无人车轴距。以无人车的当前位置点的坐标为(x,y,θ)为例,表征了无人车的车辆运动轨迹信息,即无人车从当前位置点出发的坐标变化量。
根据无人车的当前位置点和无人车的车辆运动轨迹信息,即可得到离散化的反映无人车在不同无人车转角下的车辆运动轨迹的多个坐标。根据离散化的这多个坐标,就可以确定无人车在无人车转角集合中的无人车转角下的参考路径。无人车在无人车转角到下的多条参考路径参考图2。不同无人车转角下的参考轨迹具有不同的转弯半径R,其中,
在一些实施例中,车辆动力学相关信息包括车辆轨迹描述信息,可以利用车辆轨迹描述信息,确定以与每条采样线对应的参考位置点为起点的至少一条参考路径。
仍以图2为例,对于图2所示的一条采样线,候选位置点包括P1到P7。多条类似图2所示的采样线上的候选位置点构成候选位置点集合S={P1,P2,…,P7,…}。
在一些实施例中,对于每条采样线,还可以确定无人车的上一帧路径与每条采样线的交点为位于每条采样线上的候选位置点。通过这种方式,考虑了当前帧路径上目标位置点的选择与无人车的上一帧路径之间的关系,从而进一步考虑了路径的相似性,减少路径抖动,进一步提升所规划路径的稳定性。
以图2为例,无人车的上一帧路径与采样线的交点为P8。P8也作为候选位置点,被加入到候选位置点集合中。
在步骤S140中,从位于多条采样线上的多个候选位置点中,筛选从当前位置点出发依次到达的多个目标位置点。
在一些实施例中,可以根据当前位置点、位于多条采样线上的多个候选位置点和预设行驶代价,利用寻路算法,确定多个目标位置点。寻路算法的停止条件包括从当前位置点出发到达最后一个目标位置点的里程大于或等于里程阈值。例如,寻路算法包括A星算法等用于寻找最佳路径的算法。
在一些实施例中,将候选位置点集合S、当前位置点作为寻路算法的输入,预设行驶代价作为目标约束,即可确定多个目标位置点。
在一些实施例中,预设行驶代价包括平滑性代价和安全性代价中的至少一种。平滑性代价与寻路算法当前处理的位置点和候选位置点之间的无人车朝向差成正相关。安全性代价与寻路算法当前处理的位置点和候选位置点之间的线段到障碍物的最近距离成负相关。寻路算法当前处理的位置点为当前位置点或候选位置点。
在一些实施例中,在候选位置点包括无人车的上一帧路径与每条采样线的交点的情况下,预设行驶代价还包括路径相似性代价。路径相似性代价表征从寻路算法当前处理的位置点出发的路径与上一帧路径之间的相似度。通过路径相似性代价反映所规划的当前帧路径与上一帧路径之间的相似度,可以进一步提高路径稳定性。
在一些实施例中,以预设行驶代价包括平滑性代价、安全性代价和路径相似性代价为例,预设行驶代价通过对平滑性代价、安全性代价和路径相似性代价进行加权操作得到。例如,用于加权操作的权重值包括第一权重值、第二权重值和第三权重值。预设行驶代价=第一权重值×平滑性代价+第二权重值×安全性代价+第三权重值×路径相似性代价。第一权重值、第二权重值和第三权重值根据实际情况设定。
在一些实施例中,路径相似性代价与寻路算法当前处理的位置点到上一帧路径上的各个相邻位置点之间的路径线段的最短距离或者寻路算法当前处理的位置点的前一位置点到上一帧路径上的各个相邻位置点之间的路径线段的最短距离成正相关。
在一些实施例中,可以先从位于多条采样线上的多个候选位置点中,选择多个满足第二预设运动条件的候选位置点,其中,第二预设运动条件包括位置点之间运动无碰撞和候选位置点位于预设地图范围内中的至少一种。然后,从多个满足第二预设运动条件的候选位置点中,选择多个目标位置点。从多个满足第二预设运动条件的候选位置点中,选择多个目标位置点的过程,可以参考上述寻路算法。
例如,可以从无人车的感知模块获取到无人车或自动驾驶车辆周围的障碍物信息,从而判断位置点之间的运动是否无碰撞。以图2为参考,当前位置点c到P1的路径上经过障碍物,因此会将候选位置点P1从候选位置点集合S中删除。
例如,可以从无人车的地图模块中获取地图数据,并根据预设地图范围,判断候选位置点在地图数据中的位置是否位于预设地图范围内。
在步骤S150中,根据当前位置点和多个目标位置点,确定无人车的当前帧路径。在一些实施例中,对当前位置点和多个目标位置点构成的初始路径进行平滑处理,得到无人车的当前帧路径。当前帧路径也称为轨迹,轨迹由一系列的轨迹点按照相对时间从先到后排列,轨迹点信息包括但不限于坐标、速度、加速度、朝向和相对时间等。
图3A是示出根据基于均匀采样的路径规划方法进行路径规划的结果示意图。
图3B是示出根据本公开一些实施例的路径规划方法进行路径规划的结果示意图。
图3A示出了根据基于均匀采样的路径规划方法进行路径规划得到的各个路径点的位置坐标变化情况。图3B示出了根据本公开一些实施例的路径规划方法进行路径规划得到的各个路径点的位置坐标变化情况。x轴和y轴共同构成路径点的位置坐标。
对比图3A和图3B可以发现,图3A中根据基于均匀采样的路径规划方法进行路径规划的结果中,路径帧抖动明显,尤其是图3A中矩形框标注的区域范围内,路径规划过程中所规划的路径点的位置坐标变化范围较大且分散。而图3B中根据本公开一些实施例的路径规划方法进行路径规划的结果中,路径帧相对更加稳定,参考类似与图3A的矩形框标注的区域范围内,路径规划过程中所废话的路径点的位置坐标变化范围较小且集中。
图4是示出根据本公开一些实施例的路径规划装置的框图。
如图4所示,用于自动驾驶的路径规划装置41包括第一确定模块411、第二确定模块412、采样模块413、筛选模块414和第三确定模块415。
第一确定模块411被配置为根据无人车的导航路径,确定用于辅助无人车行驶的指引线,例如执行如图1所示的步骤S110。
第二确定模块412被配置为根据指引线,确定用于辅助进行多层采样的多条采样线,每条采样线对应一层采样,例如执行如图1所示的步骤S120。
采样模块413被配置为基于无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点,例如执行如图1所示的步骤S130。
筛选模块414被配置为从位于多条采样线上的多个候选位置点中,筛选从当前位置点出发依次到达的多个目标位置点,例如执行如图1所示的步骤S140。
第三确定模块415被配置为根据当前位置点和多个目标位置点,确定无人车的当前帧路径,例如执行如图1所示的步骤S150。
在一些实施例中,第三确定模块315包括初始路径确定模块和路径平滑模块。初始路径确定模块被配置为确定当前位置点和多个目标位置点构成的初始路径。路径平滑模块被配置为对当前位置点和多个目标位置点构成的初始路径进行平滑处理,得到无人车的当前帧路径。
图5是示出根据本公开另一些实施例的路径规划装置的框图。
如图5所示,用于自动驾驶的路径规划装置51包括存储器511;以及耦接至该存储器511的处理器512。存储器511用于存储执行路径规划方法对应实施例的指令。处理器512被配置为基于存储在存储器511中的指令,执行本公开中任意一些实施例中的路径规划方法。
图6是示出根据本公开一些实施例的无人车的框图。
如图6所示,无人车6包括路径规划装置61。路径规划装置61被配置为执行本公开任意实施例中的路径规划方法。例如,路径规划装置61与路径规划装置41或51具有相同或类似的结构或功能。
在一些实施例中,无人车6还包括定位模块62。定位模块62被配置为发送无人车的速度、当前位置点的位置坐标以及无人车朝向到路径规划装置61。例如,无人车的速度为预设速度。
在一些实施例中,无人车6还包括导航模块63。导航模块63被配置为发送无人车的导航路径到路径规划装置61。
在一些实施例中,无人车6还包括地图模块64。地图模块64被配置为向路径规划装置61提供地图数据。
在一些实施例中,无人车6还包括感知模块65。感知模块65被配置为感知无人车周围的障碍物,并将感知的障碍物信息发送到路径规划装置61。感知模块65还被配置为感知红绿灯信息等。
在一些实施例中,无人车6还包括控制模块66。控制模块66被配置为接收来自路径规划装置61的当前帧路径,并控制无人车按述当前帧路径行驶。
图7是示出根据本公开另一些实施例的无人车的框图。
如图7所示,无人车7主要包括自动驾驶模块71、底盘模块72、远程监控推流模块73和货箱模块74四部分。
自动驾驶模块71包括自动驾驶传感器和核心处理单元(Orin或Xavier模组)组件711、红绿灯识别相机712、前后左右环视相机7131、7132、7133、7134、多线激光雷达714、定位模块715(如北斗、GPS等)、惯性导航单元716。相机与自动驾驶模块之间可进行通信,为了提高传输速度、减少线束,可采用GMSL链路通信。自动驾驶传感器和核心处理单元(Orin或Xavier模组)组件711包括本公开任意一些实施例中的路径规划装置并被配置为执行本公开任意一些实施例的路径规划方法。
在一些实施例中,自动驾驶模块71还包括交换机717和前后左右补盲雷达7181、7182、7183、7184。
底盘模块72主要包括电池721、电源管理装置722、底盘控制器723、电机驱动器724、动力电机725。电池721为整个无人车***提供电源,电源管理装置722将电池输出转换为可供各功能模块使用的不同电平电压,并控制上下电。底盘控制器723接受自动驾驶模块下发的运动指令,控制无人车转向、前进、后退、刹车等。运动指令例如为图6所示的控制模块66根据当前帧路径确定。底盘模块72还包括主电池726。
远程监控推流模块73由前监控相机731、后监控相机732、左监控相机733、右监控相机734和推流模块734构成,该模块将监控相机采集的视频数据传输到后台服务器,供后台操作人员查看。
货箱模块74为无人车的货物承载装置,包括配送货箱741。货箱模块74上还设置有显示交互模块742。显示交互模块742用于无人车与用户交互,用户可通过显示交互模块进行如取件、寄存、购买货物等操作。货箱的类型可根据实际需求进行更换,如在物流场景中,货箱可以包括多个不同大小的子箱体,子箱体可用于装载货物进行配送。在零售场景中,货箱可以设置成透明箱体,以便于用户直观看到待售产品。
货箱模块74还包括天线743。底盘模块72还包括无线通讯模块727。无线通讯模块727通过天线743与后台服务器进行通信,可实现后台操作人员对无人车的远程控制。
图8是示出根据本公开一些实施例的无人车的侧视图。
如图8所示,无人车包括显示交互模块81、底盘82、左侧补盲雷达83、右侧补盲雷达84、后侧补盲雷达85、激光雷达86、右侧相机87、货箱88。交互模块81、底盘82、左侧补盲雷达83、右侧补盲雷达84、后侧补盲雷达85、激光雷达86、右侧相机87、货箱88的功能可以参考图7中的描述,此处不再赘述。
图9是示出用于实现本公开一些实施例的计算机***的框图。
如图9所示,计算机***90可以通用计算设备的形式表现。计算机***90包括存储器910、处理器920和连接不同***组件的总线900。
存储器910例如可以包括***存储器、非易失性存储介质等。***存储器例如存储有操作***、应用程序、引导装载程序(Boot Loader)以及其他程序等。***存储器可以包括易失性存储介质,例如随机存取存储器(RAM)和/或高速缓存存储器。非易失性存储介质例如存储有执行路径规划方法的对应实施例的指令。非易失性存储介质包括但不限于磁盘存储器、光学存储器、闪存等。
处理器920可以用通用处理器、数字信号处理器(DSP)、应用专用集成电路(ASIC)、现场可编程门阵列(FPGA)或其它可编程逻辑设备、分立门或晶体管等分立硬件组件方式来实现。相应地,诸如判断模块和确定模块的每个模块,可以通过中央处理器(CPU)运行存储器中执行相应步骤的指令来实现,也可以通过执行相应步骤的专用电路来实现。
总线900可以使用多种总线结构中的任意总线结构。例如,总线结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MCA)总线、***组件互连(PCI)总线。
计算机***90还可以包括输入输出接口930、网络接口940、存储接口950等。这些接口930、940、950以及存储器910和处理器920之间可以通过总线900连接。输入输出接口930可以为显示器、鼠标、键盘等输入输出设备提供连接接口。网络接口940为各种联网设备提供连接接口。存储接口950为软盘、U盘、SD卡等外部存储设备提供连接接口。
这里,参照根据本公开实施例的方法、装置和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解,流程图和/或框图的每个框以及各框的组合,都可以由计算机可读程序指令实现。
这些计算机可读程序指令可提供到通用计算机、专用计算机或其他可编程装置的处理器,以产生一个机器,使得通过处理器执行指令产生实现在流程图和/或框图中一个或多个框中指定的功能的装置。
这些计算机可读程序指令也可存储在计算机可读存储器中,这些指令使得计算机以特定方式工作,从而产生一个制造品,包括实现在流程图和/或框图中一个或多个框中指定的功能的指令。
本公开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。
通过上述实施例中的路径规划方法及装置、无人车、计算机可存储介质,可以提高所规划路径的稳定性。
至此,已经详细描述了根据本公开的路径规划方法及装置、无人车、计算机可存储介质。为了避免遮蔽本公开的构思,没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述,完全可以明白如何实施这里公开的技术方案。
Claims (18)
1.一种用于自动驾驶的路径规划方法,包括:
根据无人车的导航路径,确定用于辅助所述无人车行驶的指引线;
根据所述指引线,确定用于辅助进行多层位置点采样的多条采样线,每条采样线对应一层位置点采样;
基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;
从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点;
根据所述当前位置点和所述多个目标位置点,确定所述无人车的当前帧路径。
2.根据权利要求1所述的路径规划方法,其中,基于所述当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点包括:
对于每条采样线,利用车辆动力学相关信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径,其中,在所述每条采样线为与所述当前位置点的距离最近的采样线的情况下,所述参考位置点为所述当前位置点,在所述每条采样线为其他采样线的情况下,所述参考位置点为位于与所述每条采样线相邻且靠近所述当前位置点方向的采样线上的每个候选位置点;
根据所述每条采样线与所述至少一条参考路径的交点,确定位于所述每条采样线上的至少一个候选位置点。
3.根据权利要求2所述的路径规划方法,其中,
对于与所述当前位置点的距离最近的采样线,利用车辆动力学相关信息,确定以所述当前位置点为起点的至少一条参考路径;
根据与所述当前位置点的距离最近的采样线与以所述当前位置点为起点的至少一条参考路径的交点,确定位于与所述当前位置点的距离最近的采样线上的至少一个候选位置点;
对于每条其他采样线,利用所述车辆动力学相关信息,确定以位于与所述每条其他采样线相邻且与所述当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径;
根据所述每条其他采样线与以位于与所述每条其他采样线相邻且与所述当前位置点的距离最近的采样线上的每个候选位置点为起点的至少一条参考路径的交点,确定位于所述每条其他采样线上的至少一个候选位置点。
4.根据权利要求1-3任一项所述的路径规划方法,其中,所述车辆动力学相关信息包括车辆动力学属性信息或者车辆运动轨迹信息,利用车辆动力学相关信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径包括:
利用所述车辆动力学属性信息或车辆运动轨迹信息,确定以与所述每条采样线对应的参考位置点为起点的至少一条参考路径。
5.根据权利要求2所述的路径规划方法,还包括:
对所述无人车的转角范围进行采样,得到多个参考转角,其中,所述参考路径包括在所述多个参考转角下的路径。
6.根据权利要求2所述的路径规划方法,其中,基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点还包括:
对于每条采样线,确定所述无人车的上一帧路径与所述每条采样线的交点为位于所述每条采样线上的候选位置点。
7.根据权利要求2所述的路径规划方法,其中,每条采样线上的候选位置点为满足第一预设运动条件的交点,所述第一预设运动条件包括与所述每条采样线对应的参考位置点与所述每条采样线上的候选位置点之间的无人车朝向差小于或等于无人车朝向差阈值。
8.根据权利要求1所述的路径规划方法,其中,从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点包括:
根据所述当前位置点、位于所述多条采样线上的多个候选位置点和预设行驶代价,利用寻路算法,确定所述多个目标位置点,其中,所述寻路算法的停止条件包括从所述当前位置点出发到达最后一个目标位置点的里程大于或等于里程阈值。
9.根据权利要求8所述的路径规划方法,其中,所述预设行驶代价包括平滑性代价和安全性代价中的至少一种,其中,所述平滑性代价与所述寻路算法当前处理的位置点和所述候选位置点之间的无人车朝向差成正相关,所述安全性代价与所述寻路算法当前处理的位置点和所述候选位置点之间的线段到障碍物的最近距离成负相关,所述寻路算法当前处理的位置点为所述当前位置点或所述候选位置点。
10.根据权利要求9所述的路径规划方法,其中,在所述候选位置点包括所述无人车的上一帧路径与每条采样线的交点的情况下,所述预设行驶代价还包括路径相似性代价,所述路径相似性代价表征从所述寻路算法当前处理的位置点出发的路径与所述上一帧路径之间的相似度。
11.根据权利要求10所述的路径规划方法,其中,所述路径相似性代价与所述寻路算法当前处理的位置点到所述上一帧路径上的各个相邻位置点之间的路径线段的最短距离或者所述寻路算法当前处理的位置点的前一位置点到所述上一帧路径上的各个相邻位置点之间的路径线段的最短距离成正相关。
12.根据权利要求1所述的路径规划方法,其中,从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点包括:
从位于多条采样线上的多个候选位置点中,选择多个满足第二预设运动条件的候选位置点,所述第二预设运动条件包括位置点之间运动无碰撞和候选位置点位于预设地图范围内中的至少一种;
从多个满足第二预设运动条件的候选位置点中,选择所述多个目标位置点。
13.一种用于自动驾驶的路径规划装置,包括:
第一确定模块,被配置为根据无人车的导航路径,确定用于辅助所述无人车行驶的指引线;
第二确定模块,被配置为根据所述指引线,确定用于辅助进行多层采样的多条采样线,每条采样线对应一层采样;
采样模块,被配置为基于所述无人车的当前位置点,利用车辆动力学相关信息,从每条采样线上采样得到至少一个候选位置点;
筛选模块,被配置为从位于多条采样线上的多个候选位置点中,筛选从所述当前位置点出发依次到达的多个目标位置点;
第三确定模块,被配置为根据所述当前位置点和所述多个目标位置点,确定所述无人车的当前帧路径。
14.一种用于自动驾驶的路径规划装置,包括:
存储器;以及
耦接至所述存储器的处理器,所述处理器被配置为基于存储在所述存储器的指令,执行如权利要求1至12任一项所述的路径规划方法。
15.一种无人车,包括:
如权利要求13或14所述的用于自动驾驶的路径规划装置。
16.根据权利要求15所述的无人车,还包括:
定位模块、导航模块、感知模块和地图模块中的至少一种,其中,
所述定位模块被配置为发送所述无人车的速度、当前位置点的位置坐标以及无人车朝向到所述路径规划装置;
所述导航模块被配置为发送所述无人车的导航路径到所述路径规划装置;
所述感知模块被配置为感知所述无人车周围的障碍物,并将感知的障碍物信息发送到所述路径规划装置;
所述地图模块被配置为向所述路径规划装置提供地图数据。
17.根据权利要求15所述的无人车,还包括:
控制模块,被配置为接收来自所述路径规划装置的当前帧路径,并控制所述无人车按照所述当前帧路径行驶。
18.一种计算机可存储介质,其上存储有计算机程序指令,该指令被处理器执行时实现如权利要求1至12任一项所述的路径规划方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528039.5A CN114964288A (zh) | 2022-05-16 | 2022-05-16 | 路径规划方法及装置、无人车 |
PCT/CN2023/070865 WO2023221537A1 (zh) | 2022-05-16 | 2023-01-06 | 路径规划方法及装置、无人车 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210528039.5A CN114964288A (zh) | 2022-05-16 | 2022-05-16 | 路径规划方法及装置、无人车 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114964288A true CN114964288A (zh) | 2022-08-30 |
Family
ID=82971756
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210528039.5A Pending CN114964288A (zh) | 2022-05-16 | 2022-05-16 | 路径规划方法及装置、无人车 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114964288A (zh) |
WO (1) | WO2023221537A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221537A1 (zh) * | 2022-05-16 | 2023-11-23 | 北京京东乾石科技有限公司 | 路径规划方法及装置、无人车 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107992050B (zh) * | 2017-12-20 | 2021-05-11 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
US11199847B2 (en) * | 2018-09-26 | 2021-12-14 | Baidu Usa Llc | Curvature corrected path sampling system for autonomous driving vehicles |
KR102178992B1 (ko) * | 2018-12-21 | 2020-11-17 | 충북대학교 산학협력단 | 차량 동작 계획방법 및 그를 위한 장치 |
CN110908386B (zh) * | 2019-12-09 | 2020-09-01 | 中国人民解放军军事科学院国防科技创新研究院 | 一种无人车分层路径规划方法 |
CN112810630B (zh) * | 2021-02-05 | 2022-03-04 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及*** |
CN113985871A (zh) * | 2021-10-21 | 2022-01-28 | 上海欧菲智能车联科技有限公司 | 泊车路径规划方法、泊车路径规划装置、车辆及存储介质 |
CN114061606B (zh) * | 2021-11-10 | 2024-04-12 | 京东鲲鹏(江苏)科技有限公司 | 路径规划方法、装置、电子设备及存储介质 |
CN114167860B (zh) * | 2021-11-24 | 2023-07-07 | 东风商用车有限公司 | 一种自动驾驶最优轨迹生成方法及装置 |
CN114115298B (zh) * | 2022-01-25 | 2022-05-17 | 北京理工大学 | 一种无人车路径平滑方法及*** |
CN114964288A (zh) * | 2022-05-16 | 2022-08-30 | 北京京东乾石科技有限公司 | 路径规划方法及装置、无人车 |
-
2022
- 2022-05-16 CN CN202210528039.5A patent/CN114964288A/zh active Pending
-
2023
- 2023-01-06 WO PCT/CN2023/070865 patent/WO2023221537A1/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023221537A1 (zh) * | 2022-05-16 | 2023-11-23 | 北京京东乾石科技有限公司 | 路径规划方法及装置、无人车 |
Also Published As
Publication number | Publication date |
---|---|
WO2023221537A1 (zh) | 2023-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11754408B2 (en) | Methods and systems for topological planning in autonomous driving | |
CN114040869A (zh) | 用于倒行车辆的规划适应 | |
CN108136867A (zh) | 自动驾驶车辆的车辆位置点转发方法 | |
CN114391088A (zh) | 轨线规划器 | |
US11618444B2 (en) | Methods and systems for autonomous vehicle inference of routes for actors exhibiting unrecognized behavior | |
US11648965B2 (en) | Method and system for using a reaction of other road users to ego-vehicle actions in autonomous driving | |
US11853069B2 (en) | Continuing lane driving prediction | |
EP3869342A1 (en) | System and method for generating simulation scenario definitions for an autonomous vehicle system | |
US11970185B2 (en) | Data structure for storing information relating to an environment of an autonomous vehicle and methods of use thereof | |
US11851083B2 (en) | Methods and system for constructing data representation for use in assisting autonomous vehicles navigate intersections | |
US20230111354A1 (en) | Method and system for determining a mover model for motion forecasting in autonomous vehicle control | |
US20220042812A1 (en) | Pre-computing routes for autonomous vehicles using map shards | |
CN116529561A (zh) | 基于单目的对象检测的***和方法 | |
CN115339437A (zh) | 自主车辆的远程对象检测、定位、跟踪和分类 | |
WO2023221537A1 (zh) | 路径规划方法及装置、无人车 | |
WO2022165498A1 (en) | Methods and system for generating a lane-level map for an area of interest for navigation of an autonomous vehicle | |
US11884268B2 (en) | Motion planning in curvilinear coordinates for autonomous vehicles | |
US11358598B2 (en) | Methods and systems for performing outlet inference by an autonomous vehicle to determine feasible paths through an intersection | |
US20230252638A1 (en) | Systems and methods for panoptic segmentation of images for autonomous driving | |
US12043289B2 (en) | Persisting predicted objects for robustness to perception issues in autonomous driving | |
US20230415736A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
US20230415781A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
US20230415739A1 (en) | Systems and methods for controlling longitudinal acceleration based on lateral objects | |
US20240092358A1 (en) | Systems and methods for scene understanding | |
US20240059277A1 (en) | System and method for vehicle navigation |
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 |