CN115923839A - 一种车辆路径规划方法 - Google Patents
一种车辆路径规划方法 Download PDFInfo
- Publication number
- CN115923839A CN115923839A CN202211555282.2A CN202211555282A CN115923839A CN 115923839 A CN115923839 A CN 115923839A CN 202211555282 A CN202211555282 A CN 202211555282A CN 115923839 A CN115923839 A CN 115923839A
- Authority
- CN
- China
- Prior art keywords
- target vehicle
- vehicle
- data
- information
- obstacle
- 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.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000033001 locomotion Effects 0.000 claims description 51
- 230000005484 gravity Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000003068 static effect Effects 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 12
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000005259 measurement Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 5
- 238000006073 displacement reaction Methods 0.000 description 5
- 238000001914 filtration Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003628 erosive effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
Images
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种车辆路径规划方法，涉及自动驾驶技术领域。本发明提供的一种车辆路径规划方法，通过将图像视觉技术与毫米波雷达技术融合共同确认目标车辆所对应路面信息和障碍物信息，可实现对目标车辆驾驶过程中障碍物的高效精确检测，可改善现有车辆路径规划方法在复杂路面场景下精度较低的问题，提升车辆路径规划方法在复杂路面场景下的检测精度和路径规划效率。
Description
技术领域
本发明涉及自动驾驶技术领域，特别涉及一种车辆路径规划方法。
背景技术
随着车辆的普及，自动驾驶技术在车辆控制***的应用也越来越广泛。通过自动驾驶技术，车辆用户可以在驾驶过程中实现突发事件的智能化应对，比如，车辆用户在驾驶过程中突发疾病，或视线受阻等紧急场景时，自动驾驶技术能够在保障车辆用户驾驶安全的前提下，继续维持高效的驾驶行为。
相关技术提供的自动驾驶技术往往提供针对公路环境的理想化应对措施，而在复杂恶劣环境下，很容易受车辆状态自身、识别***精度和周遭环境等因素共同影响，导致自动驾驶对车辆的路径规划存在较大误差，存在路径规划不合理，对车辆用户的生命健康造成威胁的问题。
发明内容
针对现有技术存在的上述问题，本发明提供了一种车辆路径规划方法，用以改善现有车辆路径规划方法在复杂路面场景下精度较低的现象，以提升车辆路径规划方法在复杂路面场景下的精度和规划效率。
根据本发明实施例的一个方面，提供一种车辆路径规划方法，其特征在于，所述车辆路径规划方法包括一种车辆路径规划方法，其特征在于，所述方法包括：
响应于路径规划指令，实时获取目标车辆的运动数据，及当前路面的场景图像数据和毫米波雷达数据；
根据所述场景图像数据获取第一分类信息，根据所述毫米波雷达数据获取第二分类信息，对所述第一分类信息和所述第二分类信息进行聚类算法处理，确认得到当前路面的综合分类信息，所述第一分类信息包括第一地面信息和至少一个第一物体信息，所述第二分类信息包括第二地面信息和至少一个第二物体信息，所述综合分类信息包括第三地面信息和至少一个第三物体信息；
基于所述综合分类信息与所述目标车辆的运动数据，从所述至少一个第三物体信息中识别出所述目标车辆对应的障碍物，并计算各个障碍物与所述目标车辆的相对运动轨迹数据；
根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径。
在一个优选的实施例中，在基于所述综合分类信息与所述目标车辆的运动数据，从所述至少一个第三物体信息中识别出所述目标车辆对应的障碍物之前，所述方法还包括：
根据所述场景图像数据建立路面三维场景模型并进行展示；
在所述路面三维场景模型中对所述第三地面信息和各个第三物体信息进行标识。
在一个优选的实施例中，所述基于所述综合分类信息与所述目标车辆的运动数据，从所述第三物体信息中识别出所述目标车辆对应的障碍物，包括：
在所述路面三维场景模型中，以所述目标车辆左右边界为界限，确定所述第三地面信息中所述目标车辆所处的第一车道区域，以及允许所述目标车辆行驶的至少一个第二车道区域；
对于每个车道区域，计算所述车道区域所对应图像的图像熵，将图像熵高于预设熵值的车道区域确定为存在障碍物的待定车道区域，将图像熵不高于预设熵值的车道区域确定为不存在障碍物的可选车道区域；
对于每个待定车道区域，获取所述待定车道区域最新相邻单位时间的两个点云帧，根据所述两个点云帧确定所述待定车道区域的动态障碍物和静态障碍物。
在一个优选的实施例中，所述第三物体信息包括物体定位数据、速度大小和速度方向；所述运动数据包括车辆定位数据、航向角、纵向速度和横向速度；此时，所述计算各个障碍物与所述目标车辆的相对运动轨迹数据，包括：
建立全局笛卡尔坐标系，并在全局笛卡尔坐标系中示出所述目标车辆的车辆定位和航向角；
在所述全局笛卡尔坐标系中，以所述目标车辆的车辆重心为中心建立移动参考***，并在所述移动参考***示出所述目标车辆的纵向速度和横向速度；
根据所述综合分类信息，在所述全局笛卡尔坐标系中确定当前路面对应的道路中心线位置，并根据所述全局笛卡尔坐标系中所述目标车辆与所述道路中心线的相对位置关系，将所述目标车辆在所述全局笛卡尔坐标系的运动数据，计算为所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据；
根据各个第三物体信息与所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据，计算得到各个障碍物与所述目标车辆的相对运动轨迹数据。
在一个优选的实施例中，所述目标车辆的自身车况信息包括轮胎侧偏刚度信息、悬架几何结构信息、轮胎接触面摩擦饱和和载荷传递信息中的至少一种。
在一个优选的实施例中，所述方法还包括：
根据所述场景图像数据确定所述目标车辆所处路面的车道图像数据，所述车道图像数据包括所述目标车辆对所处的第一车道图像数据和至少一条第二车道图像数据；此时，所述根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径，还包括：
根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，结合所述车道图像数据，共同规划并更新所述目标车辆对应的驾驶路径。
在一个优选的实施例中，所述方法还包括：
将各个障碍物信息及对应驾驶路径数据确定为一组驾驶经验数据发送至云服务器，由所述云服务器存储；
在下一次车辆路径规划方法执行过程中，响应于辅助路径规划指令，从所述云服务器获取驾驶经验数据用以辅助驾驶路径的规划。
在一个优选的实施例中，所述目标车辆的运动数据由GPS接收机、惯性单位和里程表测得。
在一个优选的实施例中，所述当前路面的场景图像数据包括深度数据和图像数据。
与现有技术相比，本发明提供的一种车辆路径规划方法具有以下优点：
本发明提供的一种车辆路径规划方法，通过将图像视觉技术与毫米波雷达技术融合共同确认目标车辆所对应路面信息和障碍物信息，可实现对目标车辆驾驶过程中障碍物的高效精确检测，可改善现有车辆路径规划方法在复杂路面场景下精度较低的问题，提升车辆路径规划方法在复杂路面场景下的检测精度和路径规划效率。
同时，本发明通过将各个障碍物信息及对应驾驶路径数据确定为一组驾驶经验数据发送至云服务器，由云服务器存储，并在下一次车辆路径规划方法执行过程中，响应于辅助路径规划指令，从云服务器获取驾驶经验数据用以辅助驾驶路径的规划，可进一步辅助提升车辆行驶过程中的路径规划效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。
图1是一种本发明一示例性实施例示出的车辆路径规划方法的流程示意图。
图2是根据本发明一示例性实施例示出的目标车辆在绝对参考***中测量模型的示意图。
图3是根据本发明一示例性实施例示出的车辆路径规划方法的原理示意图。
具体实施方式
以下结合具体实施例（但不限于所举实施例)与附图详细描述本发明，本实施例的具体方法仅供说明本发明，本发明的范围不受实施例的限制，本发明在应用中可以作各种形态与结构的修改与变动，这些基于本发明基础上的等价形式同样处于本发明申请权利要求保护范围。
本发明提供了一种车辆路径规划方法的流程示意图，如图1所示，该车辆路径规划方法包括：
步骤100：响应于路径规划指令，实时获取目标车辆的运动数据，及当前路面的场景图像数据和毫米波雷达数据。
目标车辆的车机***可以以机械按键、触摸按键或语音触发的形式提供路径规划指令的输入途径，用户通过按压机械按键、触摸按键或发出对应语音关键词来进行路径规划指令的输入。
当接收到用户输入的路径规划指令后，客户端对其进行响应，并实时获取目标车辆的运动数据，及当前路面的场景图像数据和毫米波雷达数据。
在一个优选的实施例中，所述目标车辆的运动数据由GPS接收机、惯性单位和里程表测得。
在一个优选的实施例中，所述当前路面的场景图像数据包括深度数据和图像数据。
在一种可能的实施方式中，采用RGB-D相机和毫米波雷达并配备实时模块MyRIO，该模块具有512 MB内存和带无线路由器的标准PC计算机。里程表安装在车轮上进行测量位移和速度，毫米波雷达和RGB-D相机采集的数据相互同步，也与里程表同步。
步骤200：根据所述场景图像数据获取第一分类信息，根据所述毫米波雷达数据获取第二分类信息，对所述第一分类信息和所述第二分类信息进行聚类算法处理，确认得到当前路面的综合分类信息，所述第一分类信息包括第一地面信息和至少一个第一物体信息，所述第二分类信息包括第二地面信息和至少一个第二物体信息，所述综合分类信息包括第三地面信息和至少一个第三物体信息。
在一种可行的实施方式中，首先对激光扫描仪和RGB-D相机执行校准过程，从而将图像特征分为地面和障碍物，以便在校准过程中可以定义地面。在校准的同时，传感器使用相同的表面获取相同的场景，进而对地面建模。相机中的深度数据和图像以及距离扫描器数据将被采集和处理，以获得第一分类信息中的第一地面信息和至少一个第一物体信息。
其中，在进行图像处理前，可先将获取的彩色图像转换为灰度图像，并使用加权平均法（不同比率的RGB图像三个分量加权平均）。
RGB-D摄像机的校准通过收集平面接地平面的深度信息当确定当前深度数据的接地平面后，用中值滤波器对确定平面和参考平面之间的差异进行滤波。因此，噪声像素被减少并且图像也变得平滑。最后，使用阈值提取对象，其中深度大于固定阈值的像素被识别为第一物体，所有其他像素被识别作为地面。同时，将深度图像转换为传感器空间中的三维轮廓–XYZ空间坐标。最后，RGB颜色和纹理与深度轮廓合并，并用不同的颜色标记各个第一物体。
进一步的，可以将传感器观测到的第一物体信息分别分类为两类障碍物：小障碍物和大障碍物，并计算分类障碍物的尺寸。校准过程和从编码器收集的信息确保来自不同来源的所有分类障碍物之间存在关系。最后，基于算法规则对障碍物进行了一般分类。这种分类的主要目的是减少提取特征中的缺陷，并提高障碍物和地面的检测和定位精度。
毫米波雷达可以安装在车辆周围，数量不限，其用以获取目标车辆周围的毫米波雷达数据。毫米波雷达的校准基于描述地面的平面拟合，只有当采集的波形表现为具有一定平面时，才校准拟合成功。接下来，使用距离（z轴）计算分离平面，计算平面和实际采集数据之间的差是拟合的最大误差。最后，通过将当前激光扫描仪点距离与计算出的分离平面的距离进行比较，从而将图像特征分为第二分类信息中的第二地面信息和至少一个第二物体信息。其中，位于拟合平面上的所有点可以从数据中删除，剩余的点被分组在一起，使得每个簇代表一个第二物体。
在一个优选的实施例中，所述方法还包括：
根据所述场景图像数据建立路面三维场景模型并进行展示；在所述路面三维场景模型中对所述第三地面信息和各个第三物体信息进行标识。
步骤300：基于所述综合分类信息与所述目标车辆的运动数据，从所述至少一个第三物体信息中识别出所述目标车辆对应的障碍物，并计算各个障碍物与所述目标车辆的相对运动轨迹数据。
在道路障碍物检测中，本发明通过分割道路区域来提高后续算法的速度，使用结构化道路障碍物检测，并基于Hough变换方法。对于障碍物的初步定位，首先根据车道区域分割车道中的图像。然后，检测感兴趣区域的水平和垂直边缘以找到相交部分，随后，通过扩展和腐蚀感兴趣区域来计算图像熵，以确定该区域中是否存在障碍物。
当道路中存在障碍区域时，边缘的灰度或结构等信息可能是突变的，尤其是复杂的驾驶环境，道路环境对光敏感，导致获取的图像信息容易出现误差，为了提高障碍物识别精度和效率，本发明提出以下障碍物检测方法。
在一个优选的实施例中，所述基于所述综合分类信息与所述目标车辆的运动数据，从所述第三物体信息中识别出所述目标车辆对应的障碍物，包括：
在所述路面三维场景模型中，以所述目标车辆左右边界为界限，确定所述第三地面信息中所述目标车辆所处的第一车道区域，以及允许所述目标车辆行驶的至少一个第二车道区域；对于每个车道区域，计算所述车道区域所对应图像的图像熵，将图像熵高于预设熵值的车道区域确定为存在障碍物的待定车道区域，将图像熵不高于预设熵值的车道区域确定为不存在障碍物的可选车道区域；对于每个待定车道区域，获取所述待定车道区域最新相邻单位时间的两个点云帧，根据所述两个点云帧确定所述待定车道区域的动态障碍物和静态障碍物。
需要说明的是，在道路的一般图像中，如果道路表面存在障碍物，则信息量大，熵值大，本发明通过计算每个车道区域中的信息熵的值来初步确定该车道区域中是否存在障碍物，进而快速检测出待定车道区域和可选车道区域。然后，本发明再对存在障碍物的待定车道区域中最新相邻单位时间的两个点云帧进行分析，来观测相同障碍物在不同时间的位移状态，可减少了控制滞后误差问题，减少了补偿时间对***精度的影响，进而高效且精确地确定待定车道区域中的动态障碍物和静态障碍物，以便于后续预估***根据目标车辆自身行驶状态和各个障碍物运动状态高效地计算优化行驶路径。
在一个优选的实施例中，所述第三物体信息包括物体定位数据、速度大小和速度方向；所述运动数据包括车辆定位数据、航向角、纵向速度和横向速度；此时，所述计算各个障碍物与所述目标车辆的相对运动轨迹数据，包括：
建立全局笛卡尔坐标系，并在全局笛卡尔坐标系中示出所述目标车辆的车辆定位和航向角；在所述全局笛卡尔坐标系中，以所述目标车辆的车辆重心为中心建立移动参考***，并在所述移动参考***示出所述目标车辆的纵向速度和横向速度；根据所述综合分类信息，在所述全局笛卡尔坐标系中确定当前路面对应的道路中心线位置，并根据所述全局笛卡尔坐标系中所述目标车辆与所述道路中心线的相对位置关系，将所述目标车辆在所述全局笛卡尔坐标系的运动数据，计算为所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据；根据各个第三物体信息与所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据，计算得到各个障碍物与所述目标车辆的相对运动轨迹数据。
本发明基于无中心卡尔曼滤波，以在全局笛卡尔坐标系中提供车辆定位和航向角。同时，根据以目标车辆的车辆重心为中心的移动参考系，给出纵向和横向速度，由重心表示移动参考***的中心，其中横向速度和纵向速度已被估计。通过预先计算的路线图描述，将沿着道路中心线从全局坐标移动到局部参考框架，从而将目标车辆定位转换为曲线坐标。一旦相对于道路中心线计算了自我车辆定位，预先计算的道路地图就提供了当前局部参考框架的道路角度和曲率，从而能够计算每个检测到的障碍物的速度矢量的大小和方向。上述信息耦合在一起，可以计算得到各个障碍物与所述目标车辆的相对运动轨迹数据。
为了更好地说明，以下示出本发明目标车辆状态估计的具体实现步骤。
在通过GPS接收机、惯性单位和里程表获取目标车辆的运动数据后，基于无中心卡尔曼滤波UKF，在全局笛卡尔坐标系中提供车辆定位和航向角。同时，根据以车辆为中心的移动参考***（即车辆参考框架，VRF），给出纵向速度和横向速度。
Xe,abs=[XGabs yGabs ψabs Vx Vy] T
XGabs和yGabs分别代表车辆重心在移动参考***的x,y坐标值，可以沿着道路中心线从笛卡尔坐标系转变为曲线坐标。
曲线坐标最重要的优点是相对于笛卡尔坐标（X− Y）表示每个道路特征可以只用一个参数进行描述；因此，每个接近中心线的函数都至少是满射的。
转变为：
Xe,loc=[nGlocξloc Vx Vy]T
ξloc=ψabs− θe
式中ξloc=ψabs−θe表示自我车辆相对于道路角度θe的当前相对方向。一旦计算出车辆相对于道路中心线的位置，预计算的道路地图就会根据当前曲线坐标系的道路角度和曲率（分别为θ（s）和κ（s））。道路描述以Hermite样条曲线的形式给出，道路中心由计算的路线图曲线坐标中的方向和曲率来描述。利用基于欧拉的转换模型计算障碍物的速度矢量的大小和方向以预估参考道路的中心为基准进行计算，结合上述信息共同计算得到各个障碍物与所述目标车辆的相对运动轨迹数据。
步骤400：根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径。
在一个优选的实施例中，所述目标车辆的自身车况信息包括轮胎侧偏刚度信息、悬架几何结构信息、轮胎接触面摩擦饱和和载荷传递信息中的至少一种。
城市驾驶场景的典型速度范围内实现运动学的车辆模型缺乏准确性而导致估计误差，这些误差主要与横向速度估计有关，横向速度估计受到轮胎侧偏刚度、悬架几何结构、轮胎接触面摩擦饱和和载荷传递的强烈影响，在处理常见的强制动操作时，甚至车辆的纵向动态也至关重要。尽管如此，利用具有实时运动学校正的GPS接收机可以提高估计精度，以这种方式，运动规划***将在定位方面连续地接收精确和准确的估计。
具体的，本发明通过自我车辆的状态估计，以及对各个障碍物的状态估计与跟踪，共同分析规划并更新目标车辆对应的驾驶路径。
其中，自我车辆的状态估计步骤可以如下：
无中心卡尔曼滤波（UKF）的离散时间定义基于非线性方程组。
Xk =Xk−1 + fk−1(Xk−1, uk−1, wk−1)δt
yk = hk(Xk, Vk)
其中过程干扰wk和测量噪声Vk假设为相加和零均值，分布有协方差矩阵Qk和Rk，
Wk−1 ∼ (0, Qk−1)
Vk ∼ (0, Rk)
该***基于运动学单轨车辆模型进行建模得到（公式1），该模型将惯性单位测量值视为包含干扰的输入。这些测量值是包含车辆重心（aG，x和aG，y）中的纵向和横向加速度，以及横摆角速度ω。当车辆静止时，在初始化阶段消除传感器偏差。
公式1
xG = Vx cos ψ − Vy sin ψ；
yG = Vx sin ψ + Vy cos ψ；
ψ = ω；
Vx = Vy ˙ψ + ax,G；
Vy = −Vx ˙ψ + ay,G；
滤波器更新方程（公式2）将GPS接收机提供的速度和位置与里程计相结合，GPS接收机通过多普勒效应测量绝对参考***（ENU）中的速度。
公式2
VFE = Vxcos ψ − (Vy + lf ˙ψ) sin ψ；
VFN = Vx sin ψ + (Vy + lf ˙ψ) cos ψ；
VRE = Vx cos ψ − (Vy− lr ˙ψ) sin ψ；
VRN= Vx sin ψ + (Vy− lr ˙ψ) cos ψ；
Vx, odom = Vx；
xG = (xF lR + xRlF )/(lF + lR)；
yG = (yF lR + yRlF )/(lF + lR)；
其中，参数lf和lr，带分别指：车辆重心与车辆前后轴之间的距离，以及车辆重心和前后GPS接收器之间的距离。然后，VFE、VFN、VRE和VRN是GPS接收机测量的ENU坐标中的速度，而Vx、odom是里程计给出的车辆纵向速度。测量模型示意图如图2所示。
自我车辆状态估计提供了车辆在绝对参考坐标系中的定位和航向。状态向量（Xe,abs=[XGabs yGabs ψabs Vx Vy]T）中的纵向和横向速度在以车辆重心为中心的移动参考系中给出。由于必须在道路局部参考框架中提供定位，如Xe,loc=[nGlocξloc Vx Vy]T中的状态向量所示，而道路的路径识别已经通过Hermite样条曲线的形式给出。离散步长为ds=0.1m。
通过欧氏范数计算自我车辆位置和每个采样地图点之间的两个最小距离。这种强力方法仅在过滤器初始化阶段执行：从第二次迭代开始，热启动用于说明前一个车辆位置，以减少计算工作量。一旦计算出车辆相对于道路中心线的位置，预计算的道路地图就会根据当前曲线坐标系的道路角度和曲率（分别为θ（s）和κ（s）），以提供本地参考框架nGloc中的横向位置和相对航向角ξloc。
通过无中心卡尔曼滤波获得状态估计向量和状态协方差矩阵，代入通过迭代进行后续的状态预计更新障碍物的表达形式为Xoi,loc=[Si,loc ni,loc Vsi Vni]T
障碍物的测量由两个雷达传感器和毫米波雷达提供（即给出纵向和横向速度的同一个雷达）。对于每个被跟踪的障碍物i=1，…Nobs，状态估计）是在局部参考框架中提供的，即相对于电动车辆si，loc的纵向距离和相对于道路中心线ni，loc横向距离。此外，根据道路切线方向和正交方向（分别为Vsi和Vni）给出绝对速度。
雷达传感器需要通过CAN总线通信接收当前自我车辆纵向速度和横摆率，其表达式为：
公式3
雷达传感器的数据首先通过过滤，在预定义的空间阈值内对所有目标检测进行聚类，其值根据雷达传感器指示的目标类别而变化。在聚类过程中，与每个对象的位置和相对运动相关的所有测量都在它们之间进行中介。
物体的纵向和横向距离是根据传感器和自我车辆重心之间的位移推导，其推到公式如公式4。
公式4
算法首次检测到特定障碍物时，会分配一个唯一的ID和相应的特征（即尺寸和位置）。在每次连续读取激光雷达时，该算法会将先前检测到的障碍物与从先前已知位置开始的当前障碍物进行比较。热启动用于加快计算速度，同时还有一个不断增长的窗口，该窗口从给定位置扩展到在邻里搜索大小相似的对象。如果发现一个候选跟踪障碍物与前一个障碍物的距离足够近，且尺寸相当，则会指定相同的障碍物ID。当对所有障碍物完成此过程时，将自动为来自尚未跟踪的新读数的所有元素设置不同ID。此外，为了考虑噪声测量或传感器误读，算法会跟踪5次迭代（即0.25秒）未满足匹配要求的旧障碍物。这样，算法可以将ID重新分配给未跟踪的障碍物。综上所述，雷达数据处理提供了一个跟踪障碍物列表，其特征是相对于自我车辆、大小和ID的相对位置。
具体的，障碍物状态估计与跟踪的计算步骤可以如下：
计算基于Euler积分，步长等于δs=0.5 m。一旦自我车辆定位在轨道上，路线图提供了接下来0.5 m的道路走向。给定N个所需步长，N=si，loc/δs，模型计算如公式5：
公式5
其中，点（xN，yN）约等于（xc，yc），θsk是每一步的道路前进角度。然后，使用障碍物从道路中心线ni，loc的横向位移来计算其在全局参考框架中的位置。
所提出的数学模型假设自我车辆位于道路中心线上。然而，估计的侧向位移通过以下公式6示出的估计方程计算：
公式6
根据离散时间的线性卡尔曼滤波，每个障碍物的状态预测协方差可以如公式7：
公式7
同时，使用sigma点获得每个障碍物的预测测量向量。
在高斯分布噪声的假设下，可以采用椭球选通电路（公式8）减少将预测测量值与从传感器融合模块yoik接收到的测量值进行比较所需的关联假设数量，从而确保跟踪对象与更新每个障碍物的状态预测和协方差所需的测量之间的最佳对应。
公式8
在一个优选的实施例中，所述方法还包括：
根据所述场景图像数据确定所述目标车辆所处路面的车道图像数据，所述车道图像数据包括所述目标车辆对所处的第一车道图像数据和至少一条第二车道图像数据；此时，所述根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径，还包括：
根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，结合所述车道图像数据，共同规划并更新所述目标车辆对应的驾驶路径。
需要说明的是，目标车辆所处路面可能存在诸如车道标识线、车道标志等用于指示车辆能否驶入或变道的交通标识，此时，在规划目标车辆的驾驶路径时，需要根据车道图像数据所指示的车道行驶准许信息，确定车辆能否继续在第一车道行驶，或能否向其他第二车道进行变道行驶。
在一个优选的实施例中，所述方法还包括：
将各个障碍物信息及对应驾驶路径数据确定为一组驾驶经验数据发送至云服务器，由所述云服务器存储；
在下一次车辆路径规划方法执行过程中，响应于辅助路径规划指令，从所述云服务器获取驾驶经验数据用以辅助驾驶路径的规划。
将一些常见的障碍物的特征量，类的信息，信息融合规则等驾驶经验数据内置于云数据库中，可将包含不同视频图像处理方案存储于数据库，用以在接收到目标车辆客户端发送的辅助路径规划指令后，将对应驾驶经验数据发送至目标车辆，实现图像采集技术来识别障碍物检测，驾驶过程中障碍物的精确检测，以优化驾驶路线。云服务器还可将目标车辆发送的各种图像问题分类为不同的典型处理方案，对其进行初步分析，并通过数据库和云服务器出优化的路线，可降低目标车辆客户端的配置需求，利用云服务器的高效数据处理和传输实现高效的路径规划。
进一步的，示出本发明提供的车辆路径规划方法的原理示意图如图3所示。
综上所述，本发明提供的一种车辆路径规划方法，通过将图像视觉技术与毫米波雷达技术融合共同确认目标车辆所对应路面信息和障碍物信息，可实现对目标车辆驾驶过程中障碍物的高效精确检测，可改善现有车辆路径规划方法在复杂路面场景下精度较低的问题，提升车辆路径规划方法在复杂路面场景下的检测精度和路径规划效率。
同时，本发明通过将各个障碍物信息及对应驾驶路径数据确定为一组驾驶经验数据发送至云服务器，由云服务器存储，并在下一次车辆路径规划方法执行过程中，响应于辅助路径规划指令，从云服务器获取驾驶经验数据用以辅助驾驶路径的规划，可进一步辅助提升车辆行驶过程中的路径规划效率。
虽然，前文已经用一般性说明、具体实施方式及试验，对本发明做了详尽的描述，但在本发明基础上，可以对之进行修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。
本领域技术人员在考虑说明书及实践这里的发明后，将容易想到本发明的其它实施方案。本发明旨在涵盖本发明的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。应当理解的是，本发明并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。
Claims (9)
1.一种车辆路径规划方法，其特征在于，所述方法包括：
响应于路径规划指令，实时获取目标车辆的运动数据，及当前路面的场景图像数据和毫米波雷达数据；
根据所述场景图像数据获取第一分类信息，根据所述毫米波雷达数据获取第二分类信息，对所述第一分类信息和所述第二分类信息进行聚类算法处理，确认得到当前路面的综合分类信息，所述第一分类信息包括第一地面信息和至少一个第一物体信息，所述第二分类信息包括第二地面信息和至少一个第二物体信息，所述综合分类信息包括第三地面信息和至少一个第三物体信息；
基于所述综合分类信息与所述目标车辆的运动数据，从所述至少一个第三物体信息中识别出所述目标车辆对应的障碍物，并计算各个障碍物与所述目标车辆的相对运动轨迹数据；
根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径。
2.根据权利要求1所述的车辆路径规划方法，其特征在于，在基于所述综合分类信息与所述目标车辆的运动数据，从所述至少一个第三物体信息中识别出所述目标车辆对应的障碍物之前，所述方法还包括：
根据所述场景图像数据建立路面三维场景模型并进行展示；
在所述路面三维场景模型中对所述第三地面信息和各个第三物体信息进行标识。
3.根据权利要求2所述的车辆路径规划方法，其特征在于，所述基于所述综合分类信息与所述目标车辆的运动数据，从所述第三物体信息中识别出所述目标车辆对应的障碍物，包括：
在所述路面三维场景模型中，以所述目标车辆左右边界为界限，确定所述第三地面信息中所述目标车辆所处的第一车道区域，以及允许所述目标车辆行驶的至少一个第二车道区域；
对于每个车道区域，计算所述车道区域所对应图像的图像熵，将图像熵高于预设熵值的车道区域确定为存在障碍物的待定车道区域，将图像熵不高于预设熵值的车道区域确定为不存在障碍物的可选车道区域；
对于每个待定车道区域，获取所述待定车道区域最新相邻单位时间的两个点云帧，根据所述两个点云帧确定所述待定车道区域的动态障碍物和静态障碍物。
4.根据权利要求2所述的车辆路径规划方法，其特征在于，所述第三物体信息包括物体定位数据、速度大小和速度方向；所述运动数据包括车辆定位数据、航向角、纵向速度和横向速度；此时，所述计算各个障碍物与所述目标车辆的相对运动轨迹数据，包括：
建立全局笛卡尔坐标系，并在全局笛卡尔坐标系中示出所述目标车辆的车辆定位和航向角；
在所述全局笛卡尔坐标系中，以所述目标车辆的车辆重心为中心建立移动参考***，并在所述移动参考***示出所述目标车辆的纵向速度和横向速度；
根据所述综合分类信息，在所述全局笛卡尔坐标系中确定当前路面对应的道路中心线位置，并根据所述全局笛卡尔坐标系中所述目标车辆与所述道路中心线的相对位置关系，将所述目标车辆在所述全局笛卡尔坐标系的运动数据，计算为所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据；
根据各个第三物体信息与所述目标车辆在所述路面三维场景模型中曲线坐标系对应的运动数据，计算得到各个障碍物与所述目标车辆的相对运动轨迹数据。
5.根据权利要求1所述的车辆路径规划方法，其特征在于，所述目标车辆的自身车况信息包括轮胎侧偏刚度信息、悬架几何结构信息、轮胎接触面摩擦饱和和载荷传递信息中的至少一种。
6.根据权利要求2所述的车辆路径规划方法，其特征在于，所述方法还包括：
根据所述场景图像数据确定所述目标车辆所处路面的车道图像数据，所述车道图像数据包括所述目标车辆对所处的第一车道图像数据和至少一条第二车道图像数据；此时，所述根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，实时规划并更新所述目标车辆对应的驾驶路径，还包括：
根据各个相对运动轨迹数据与所述目标车辆的自身车况信息，结合所述车道图像数据，共同规划并更新所述目标车辆对应的驾驶路径。
7.根据权利要求1所述的车辆路径规划方法，其特征在于，所述方法还包括：
将各个障碍物信息及对应驾驶路径数据确定为一组驾驶经验数据发送至云服务器，由所述云服务器存储；
在下一次车辆路径规划方法执行过程中，响应于辅助路径规划指令，从所述云服务器获取驾驶经验数据用以辅助驾驶路径的规划。
8.根据权利要求1所述的车辆路径规划方法，其特征在于，所述目标车辆的运动数据由GPS接收机、惯性单位和里程表测得。
9.根据权利要求1所述的车辆路径规划方法，其特征在于，所述当前路面的场景图像数据包括深度数据和图像数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211555282.2A CN115923839A (zh) | 2022-12-06 | 2022-12-06 | 一种车辆路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211555282.2A CN115923839A (zh) | 2022-12-06 | 2022-12-06 | 一种车辆路径规划方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115923839A true CN115923839A (zh) | 2023-04-07 |
Family
ID=86652165
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211555282.2A Withdrawn CN115923839A (zh) | 2022-12-06 | 2022-12-06 | 一种车辆路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115923839A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611603A (zh) * | 2023-07-20 | 2023-08-18 | 青岛迪迪车联信息技术有限公司 | 一种车辆路径调度方法、装置、计算机及存储介质 |
| CN116968758A (zh) * | 2023-09-19 | 2023-10-31 | 江西五十铃汽车有限公司 | 一种基于三维场景表示的车辆控制方法及装置 |
-
2022
- 2022-12-06 CN CN202211555282.2A patent/CN115923839A/zh not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116611603A (zh) * | 2023-07-20 | 2023-08-18 | 青岛迪迪车联信息技术有限公司 | 一种车辆路径调度方法、装置、计算机及存储介质 |
| CN116611603B (zh) * | 2023-07-20 | 2023-11-28 | 青岛迪迪车联信息技术有限公司 | 一种车辆路径调度方法、装置、计算机及存储介质 |
| CN116968758A (zh) * | 2023-09-19 | 2023-10-31 | 江西五十铃汽车有限公司 | 一种基于三维场景表示的车辆控制方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107646114B (zh) | 用于估计车道的方法 | |
| CN102398598B (zh) | 使用前视和后视摄像机的车道融合*** | |
| US8699754B2 (en) | Clear path detection through road modeling | |
| CN111551957B (zh) | 基于激光雷达感知的园区低速自动巡航及紧急制动*** | |
| CN112101128B (zh) | 一种基于多传感器信息融合的无人方程式赛车感知规划方法 | |
| CN115923839A (zh) | 一种车辆路径规划方法 | |
| JP6492469B2 (ja) | 自車走行レーン推定装置及びプログラム | |
| CN102700548A (zh) | 具有前摄像机和后摄像机的稳健的车辆侧向控制 | |
| CN116710976A (zh) | 用于对用于训练远程机器学习模型的数据进行智能机载选择的自主交通工具*** | |
| CN110969055A (zh) | 用于车辆定位的方法、装置、设备和计算机可读存储介质 | |
| JP7067574B2 (ja) | 距離推定装置及び距離推定用コンピュータプログラム | |
| Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
| Valldorf et al. | Advanced Microsystems for Automotive Applications 2007 | |
| CN114694111A (zh) | 车辆定位 | |
| Lin et al. | System integration of sensor-fusion localization tasks using vision-based driving lane detection and road-marker recognition | |
| Bersani et al. | Robust vehicle pose estimation from vision and INS fusion | |
| CN113029185A (zh) | 众包式高精度地图更新中道路标线变化检测方法及*** | |
| EP4141482A1 (en) | Systems and methods for validating camera calibration in real-time | |
| Brown et al. | Lateral vehicle state and environment estimation using temporally previewed mapped lane features | |
| US20220155455A1 (en) | Method and system for ground surface projection for autonomous driving | |
| CN114049542A (zh) | 一种动态场景下基于多传感器的融合定位方法 | |
| JP2022552938A (ja) | 車載クラスタ追跡システム | |
| JP2021114059A (ja) | リスク判定システム、リスク判定プログラム | |
| Aufrère et al. | Road detection and vehicle tracking by vision for adaptive cruise control | |
| US11651583B2 (en) | Multi-channel object matching |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230407 |