CN116069037A - 无人车编队轨迹规划控制方法、装置、设备及存储介质 - Google Patents

无人车编队轨迹规划控制方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN116069037A
CN116069037A CN202310118526.9A CN202310118526A CN116069037A CN 116069037 A CN116069037 A CN 116069037A CN 202310118526 A CN202310118526 A CN 202310118526A CN 116069037 A CN116069037 A CN 116069037A
Authority
CN
China
Prior art keywords
car
track
vehicle
head
head car
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
CN202310118526.9A
Other languages
English (en)
Inventor
吕强
苗乾坤
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.)
Neolix Technologies Co Ltd
Original Assignee
Neolix Technologies Co Ltd
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 Neolix Technologies Co Ltd filed Critical Neolix Technologies Co Ltd
Priority to CN202310118526.9A priority Critical patent/CN116069037A/zh
Publication of CN116069037A publication Critical patent/CN116069037A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
    • G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02—Control of position or course in two dimensions
    • G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control
    • G05D1/0295—Fleet control by at least one leading vehicle of the fleet
    • 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)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Optics & Photonics (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本申请提供一种无人车编队轨迹规划控制方法、装置、设备及存储介质。该方法应用于无人车、无人驾驶设备或自动驾驶设备，包括：获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。本申请提升无人车协同编队规划控制方法的鲁棒性，提高复杂场景下的轨迹规划控制效果。

Description

无人车编队轨迹规划控制方法、装置、设备及存储介质
技术领域
本申请涉及自动驾驶技术领域，尤其涉及一种无人车编队轨迹规划控制方法、装置、设备及存储介质。
背景技术
随着无人车自动驾驶***的不断发展，自动驾驶***协同编队规划控制研究的重要性在各个领域得到越来越多的重视。
目前，已知的无人车协同编队规划控制方法主要包括以下三种：领航跟随法，基于行为法和虚拟结构法；其中，领航跟随法虽然有较强的扩展性，简单易行，但是编队的鲁棒性十分依赖领航者的鲁棒性，很难达到预期效果；基于行为法虽然在复杂环境下也能快速得出控制结论，但是在融合各个行为时不确定是否存在不相融的情况，融合后的方法难以满足各个条件；虚拟结构法的优点是跟踪轨迹的精度高且易于观察，但是队形单一难以运用到更多场景。
因此，导致现有的无人车协同编队规划控制方法存在鲁棒性差，无法应用于硬连接的无人车编队轨迹规划控制中，复杂场景下的轨迹规划控制效果较差的问题。
发明内容
有鉴于此，本申请实施例提供了一种无人车编队轨迹规划控制方法、装置、设备及存储介质，以解决现有技术存在的无人车协同编队规划控制方法的鲁棒性差，无法应用于硬连接的无人车编队轨迹规划中，复杂场景下的轨迹规划控制效果较差的问题。
本申请实施例的第一方面，提供了一种无人车编队轨迹规划控制方法，无人车编队包括头车和跟随车，相邻车辆之间采用硬连接，该方法包括：获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。
本申请实施例的第二方面，提供了一种无人车编队轨迹规划控制装置，包括：获取模块，被配置为获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；第一构建模块，被配置为对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；第二构建模块，被配置为对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；规划控制模块，被配置为依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。
本申请实施例的第三方面，提供了一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述方法的步骤。
本申请实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
通过获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。本申请能够应用于硬连接的无人车编队轨迹规划控制中，提升无人车协同编队规划控制方法的鲁棒性，提高复杂场景下的轨迹规划控制效果。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本申请的一些实施例，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它的附图。
图1是本申请实施例提供的无人车编队轨迹规划控制方法的流程示意图；
图2是本申请实施例生成的可行驶通道的示意图；
图3是本申请实施例提供的自行车运动学模型的示意图；
图4是本申请实施例提供的无人车编队车辆的运动学约束关系示意图；
图5是本申请实施例提供的无人车编队轨迹规划控制装置的结构示意图；
图6是本申请实施例提供的电子设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
如背景技术所述，无人驾驶车辆，也称自动驾驶车辆、无人车或轮式移动机器人，是融合环境感知、路径规划、状态识别和车辆控制等多元一体的集成化、智能化的新时代技术产物。无人车自动驾驶***主要由传感器驱动，感知***，融合***，决策***，运动规划***，控制***等***组成。随着无人车自动驾驶***的不断发展，自动驾驶***协同编队规划控制研究的重要性在各个领域得到越来越多的重视。与单一无人车相比较，多无人车编队协同规划控制主要有以下几个方面的优越性：
(1)在空间和时间两个维度能够更好地利用资源；
(2)多个无人车共享感知信息，可以获得更多的信息以及更大的感知范围；
(3)功能较弱的无人车也能利用功能较强的无人车来提高自身的能力；
(4)通过编队中无人车之间的配合，编队***能够完成更高难度的任务。
由于多无人车编队协同规划控制存在以上优点，所以无人车编队***在多个领域都得到广泛应用，协同编队规划控制方法已经成为目前无人车研发领域的重点和热点。
无人车编队规划控制任务描述：编队问题是多无人车协同控制中的一个基本问题，在特定的应用场景中，如工厂安防巡检场景，需要多辆无人车以编队形式通过诸多障碍，在明确任务约束和编队约束情况下，则需要设计整个编队***运动规则及控制方式，使得无人车编队在规定的时间到达规定的地点。
现有的无人车编队规划控制方法主要包含以下三种：领航跟随法，基于行为法和虚拟结构法。下面对这三种无人车编队规划控制方法的优缺点进行详细说明，具体可以包括以下内容：
领航跟随法是指在多无人车编队中，设定一个或多个无人车作为编队的领航者，其他无人车作为跟随者。领航跟随法的主要优点是有较强的扩展性，节约成本，简单易行，但是领航跟随法也存在一些不足，主要体现在编队的鲁棒性十分依赖领航者的鲁棒性，很难达到预期效果。
基于行为法是基于多无人车***的底层运动控制，上层决策***对多无人车的行为进行设计，并通过这些基本行为进行组合来实现编队控制。其优点是不管环境多么复杂，都能够快速得出控制结论，该方法的另一个优点是可以实现分布式控制。其缺点是在多种行为中难以选择较为容易进行建模的行为，另外在融合各个行为时不确定是否存在不相融的情况，行为越多，环境越复杂，融合后的方法就越难满足各个条件。
虚拟结构法的基本思想是将无人车团体的队形看作是一个刚体的虚拟结构，每个无人车是虚拟结构上相对固定的一点，通过双向控制了解每一个无人车的位置，通过各个层面的轨迹再把其方向和位置进行细微的调整，之后跟每一个固定的点匹配，并循环得到结果。这类方法的优点是跟踪轨迹的精度高且易于观察，另外每一个功能之间的界限不明确，无需设计高难度的通信。其缺点是队形单一难以运用到更多的场景。
因此，现有的无人车协同编队规划控制方法存在鲁棒性差，无法应用于硬连接的无人车编队轨迹规划控制中，复杂场景下的轨迹规划控制效果较差的问题。
有鉴于此，本申请实施例提供一种无人车编队轨迹规划控制方法，本申请可直接应用于硬连接的无人车编队轨迹规划控制场景中，本申请通过推导出编队头车与跟随车的运动学约束关系，在对头车进行轨迹规划的时候，综合考虑头车和编队跟随车的运动状态和连接约束，结合环境信息(道路边界、动态和静态障碍物等)，基于横纵向驾驶通道的可行驶区域，来生成规划问题的硬约束和软约束；本申请基于最优化理论的横纵向规划器，求解出编队头车的行驶轨迹，头车按该轨迹行驶即可同时保证头车和编队中所有跟随车行驶的安全性，既保证在二维空间上不会与周围的静态障碍物发生碰撞，同时保证在三维时间、空间上不会与动态障碍物发生碰撞。本申请不仅提升无人车协同编队规划控制方法的鲁棒性，还提高了复杂场景下的轨迹规划控制效果。
首先对本申请的应用场景进行简单说明，本申请的无人车编队特指的是通过硬连接的方式连接在一起的多个无人车，所谓硬连接是指任意相邻的两个无人车之间采用铁杆等方式进行连接，相比采用链条、绳索等软连接方式，硬连接方式的无人车编队中头车与跟随车之间具有一定的运动学约束关系。需要说明的是，本申请的无人车编队可应用于安防巡检场景、快递送物场景等，以快递送物场景为例，此时无人车编队中的各个无人车将采用无人快递车来代替。
下面结合附图以及具体实施例对本申请技术方案进行详细说明。
图1是本申请实施例提供的无人车编队轨迹规划控制方法的流程示意图。图1的无人车编队轨迹规划控制方法可以由自动驾驶***的电子设备或者服务器执行。如图1所示，该无人车编队轨迹规划控制方法具体可以包括：
S101，获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；
S102，对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；
S103，对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；
S104，依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。
具体地，在对编队头车的行驶轨迹进行规划之前，首先获取头车前方一定预设范围内的道路边界信息和障碍物信息，这里的道路边界信息主要包括路沿，障碍物信息包括动态障碍物(比如行驶的车辆)和静态障碍物(比如指示牌等)。在实际应用中，可以通过安装在头车上的激光雷达来扫描前方道路获取道路边界信息和障碍物信息，也可以通过地图直接获取道路边界信息和障碍物信息。
在一些实施例中，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界，包括：依据道路边界信息和障碍物信息，在障碍物地图的Frenet坐标系中标记道路边界、静态障碍物以及动态障碍物，计算Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔；基于Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔，在障碍物地图中选择可行驶通道，并将可行驶通道处理成平滑的可行驶通道；依据平滑的可行驶通道中道路边界、静态障碍物以及动态障碍物的位置，确定可行驶通道边界。
具体地，本申请根据道路边界信息和障碍物信息在障碍物地图中生成可行驶通道(也称路径通道)，并将可行驶通道处理成平滑的驾驶走廊。下面结合附图对可行驶通道的生成及处理过程进行详细说明，图2是本申请实施例生成的可行驶通道的示意图。如图2所示，该可行驶通道的生成及处理过程具体可以包括：
首先根据道路边界信息和障碍物信息，在Frenet坐标系中标记出道路边界以及动态障碍物和静态障碍物边界(如图2所示的点)，之后运用多层多通道的方法，在Frenet坐标系的障碍物地图中考虑所有车道内的所有障碍物，将所有障碍物之间的横纵向间隔都求出来，在Frenet坐标系中s表示沿着参考线上的移动距离，d表示与参考线的横向距离。
进一步地，以通道的宽度、横向机动幅度等作为指标，以人的评判标准从障碍物地图中并选择出一个最合适的通道(即可行驶通道)，并将曲折的通道处理成平滑的驾驶走廊，图2中位于道路边界以及障碍物之间的灰色区域即为处理后得到的平滑的可行驶通道。最后，根据平滑可行驶通道、路沿、动态障碍物和静态障碍物标记计算得到可行驶通道边界，图2中离灰色区域中心线横向距离最近的点所连成的线即为可行驶通道的左边界和右边界。
本申请通过运用多层多通道的方法，在sd图(在Frenete坐标系下的障碍物地图)中考虑所有车道内的所有障碍物，将所有障碍物之间的横纵向间隔都求出来，以人的评判标准选择出一个最合适的通道，并将曲折的通道处理成平滑的驾驶走廊，将最终生成的平滑的可行驶通道作为头车的路径通道。
根据本申请实施例提供的技术方案，当道路比较宽、障碍物较多且有多个途径可以穿过时，本申请上述实施例提供的可行驶通道生成方法可以解决这种复杂场景的路径选择问题；本申请将所有障碍物处理成一个统一的通道，即使是障碍物非常多的复杂场景，只在处理通道时耗时，而求解器不会因为障碍物变多而耗时增加，大大降低了求解耗时和障碍物的相关性；本申请采用更加拟人化的方式来选择可行驶通道，该算法模拟人的思路，后期迭代优化空间大，越来越拟人化。
在一些实施例中，对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建，包括：基于地图参考线将头车和各个跟随车的行驶轨迹对应的点集转换成Frenet坐标系下的点集；根据可行驶通道边界中左边界和右边界分别对应Frenet坐标系下的点集，建立头车和各个跟随车的行驶轨迹对应的点集与左边界和右边界对应的点集之间的第一约束关系。
具体地，在生成可行驶通道以及确定可行驶通道边界之后，本申请将构建头车和跟随车的行驶轨迹点与驾驶走廊(即可行驶通道)的约束关系，通过将头车和跟随车的行驶轨迹的点集转换成Frenet坐标系下的点集，并根据可行驶通道边界的左边界和右边界分别对应Frenet坐标系下的点集，建立行驶轨迹的点集与可行驶通道边界的点集之间的第一约束关系。
在一个具体实施例中，假设头车和跟随车的行驶轨迹为点集y＝F(x)，根据地图参考线将点集y＝F(x)转换成Frenet坐标系下的点集d＝F(s)，另外，假设可行驶通道的左边界和右边界在Frenet坐标系下的点集分别为d＝Left(s)和d＝Right(s)，那么头车和跟随车行驶轨迹点与驾驶走廊必须满足以下约束关系：对任意行驶轨迹点(s,d)，Left(s)≥F(s)≥Right(s)。
在一些实施例中，对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建，包括：构建头车的运动学模型，运动学模型用于根据头车在行进方向上的线速度以及前轮转角的角速度，确定头车在全局坐标系下的位置和朝向；在头车的行驶轨迹规划过程中，基于运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，并建立跟随车的规划轨迹点之间的位置和朝向的第二推导关系；将第一推导关系和第二推导关系共同作为第二约束关系。
具体地，本申请还进一步构建出头车和跟随车的规划轨迹中任意连续点的运动学约束关系(即第二约束关系)，编队车辆的主要决策主要涉及到车辆是否编入/编出编队、车辆跟随行驶、车辆避障停车、车辆是否进行绕障、车辆循迹行驶等。控制主要涉及基于跟车距离的反馈控制。当编队车辆大于等于1辆时，头车在进行决策和运动规划(包括轨迹规划和速度规划)时也需要考虑编队车辆的行驶轨迹。由于编队车辆与头车是连接在一起的，所以头车对于编队车辆的行驶轨迹是可以通过头车本身的行驶轨迹推测出来，即只要头车的行驶轨迹确定了，后面跟随车辆的行驶轨迹都可以推导出来，因此，本申请基于最优化理论的横纵向规划来求解头车的行驶轨迹。
进一步地，在求解头车的行驶轨迹之前，首先建立头车的运动学模型，本申请的头车运动学模型可以采用自行车运动学模型，下面结合附图对头车运动学模型的构建过程进行详细说明，图3是本申请实施例提供的自行车运动学模型的示意图。如图3所示，本申请基于自行车运动学模型理论构建头车运动学模型的过程具体可以包括：
假设(x,y)是后轮中心在全局坐标系(即世界坐标系)下的坐标，(xf,yf)是前轮中心在全局坐标系下的坐标，θ是车辆在全局坐标系中的朝向，δ是车身坐标系中的前轮转向角。车辆运动学模型在全局坐标系下的表示为：
Figure BDA0004079387610000091
其中，v表示头车纵向速度(即头车在行进方向上的线性速度)，
Figure BDA0004079387610000092
表示头车前轮转角的角速度(一般也记为ω，即头车转向的角速度)，
Figure BDA0004079387610000093
表示头车在x方向上的速度，
Figure BDA0004079387610000094
表示头车朝向的变化速度。利用上述车辆运动学模型可以将车辆的线性速度v和角速度
Figure BDA0004079387610000095
转换为x和y方向上的速度。由于车辆的线性速度v和前轮转角的角速度
Figure BDA0004079387610000096
是可以通过车辆传感器直接测量得到的，因此无需推测，只需要根据测量得到的车辆线性速度v和前轮转角的角速度
Figure BDA0004079387610000097
就能计算出头车在全局坐标系下的位置和朝向，也就是说，根据上述车辆运动学模型可以实时计算头车在每一时刻对应全局坐标系下的位置和朝向。
在一些实施例中，基于运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，包括：根据头车在行进方向上的线速度以及前轮转角的角速度，利用运动学模型计算头车在全局坐标系中的位置和朝向；基于头车在全局坐标系中的位置、朝向、头车在单位时间内前进的距离以及头车的后轴中心到相邻后车的后轴中心的距离，建立第一推导关系；其中，第一推导关系用于表征头车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
具体地，在构建头车的运动学模型之后，根据头车运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，在头车行进过程中利用车辆传感器测量头车在行进方向上的线性速度v以及前轮转角的角速度
Figure BDA0004079387610000101
将头车的v和
Figure BDA0004079387610000102
代入到上述头车运动学模型中，即可得到头车的在全局坐标系中的位置(即x、y坐标)和朝向
Figure BDA0004079387610000103
下面结合附图对第一推导关系的建立过程进行详细说明，图4是本申请实施例提供的无人车编队车辆的运动学约束关系示意图。如图4所示，编队车辆的运动学约束关系具体可以包括：
图4中(x0,y0,θ0,v0,ω0)是头车在全局坐标系中的位置、朝向、速度和角速度，(x1,y1,θ1,v1,ω1)是编队后车在全局坐标系中的位置、朝向、速度和角速度。假设单位时间内头车前进的距离为步长D，头车后轴中心到编队后车后轴中心距离为d，则可以建议如下位置和朝向的推导关系(即第一推导关系)：
D＝v0*Δt
x0,t+1＝x0,t+D*cos(θ0,t)
y0,t+1＝y0,t+D*sin(θ0,t)
Figure BDA0004079387610000104
Figure BDA0004079387610000105
Figure BDA0004079387610000106
利用上述第一推导关系可以根据车辆在当前时刻的位置、朝向、速度和角速度推导出车辆在下一时刻头车的位置和朝向，需要说明的是，由于车辆在下一时刻的速度和角速度是可以通过车辆传感器测量出来的，因此不需要利用第一推导关系进行推导。在头车的行驶轨迹规划过程中，速度和角速度是需要求解的对象，因此这个推导关系也可以理解成规划的轨迹点序列需要满足的运动学约束。
在一些实施例中，建立跟随车的规划轨迹点之间的位置和朝向的第二推导关系，包括：根据跟随车在行进方向上的线速度以及前轮转角的角速度，利用运动学模型计算跟随车在全局坐标系中的位置和朝向；基于跟随车在全局坐标系中的位置、朝向、跟随车在单位时间内前进的距离以及头车在全局坐标系中的朝向，建立第二推导关系；其中，第二推导关系用于表征跟随车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
具体地，同理，根据跟随车在行进方向上的线速度以及前轮转角的角速度，利用运动学模型计算跟随车在全局坐标系中的位置和朝向；通过建立第二推导关系，根据跟随车在前一时刻t对应全局坐标系中的位置(x1,y1)、朝向θ1、跟随车在单位时间内前进的距离D(由于跟随车与头车采用硬连接，因此头车的前进距离与跟随车的前进距离相同)以及头车在全局坐标系中的朝向θ0，即可推导出跟随车在下一时刻t+1对应全局坐标系中的位置和朝向。将第二推导关系表示为：
x1,+1＝1,+*os(θ1,)
y1,+1＝1,+*in(θ1,)
Figure BDA0004079387610000111
Figure BDA0004079387610000112
Figure BDA0004079387610000113
第二推导关系既表达了跟随车辆的规划轨迹点序列需要满足的运动学约束关系，同时也表达了头车和跟随车辆的运动学约束关系。由于编队车辆是硬连接，所以编队后车的线速度等于头车的线速度，编队后车的角速度不等于头车的角速度，编队后车的角速度也是通过车辆传感器测量出来的。
需要说明的是，由于无人车编队中后一车辆与前一车辆之间采用硬连接方式，因此后车的运动学模型与前车满足一定的约束条件，例如与头车相邻的后一辆跟随车辆与头车之间满足一定的约束条件。
在一些实施例中，依据第一约束关系和第二约束关系构建二次规划问题函数，包括：将第一约束关系和第二约束关系作为二次规划问题的约束函数，将二次规划问题的目标函数设置为最小化轨迹点曲率变化率的总和，根据约束函数和目标函数构建二次规划问题函数。
具体地，在构造第一约束关系和第二约束关系之后，根据第一约束关系和第二约束关系构造二次优化问题，在实际应用中，假设头车任意可能的行驶轨迹的点集为F_head(x,y)，根据第二推导关系可以计算出跟随车的行驶轨迹的点集为F_follow(x,y)，根据地图参考线，可以将头车行驶轨迹的点集和跟随车行驶轨迹的点集分别转换成Frenet坐标系下的点集F_head(s,d)和F_follow(s,d)。
进一步地，根据头车和跟随车行驶轨迹点与驾驶走廊的约束关系(即第一约束关系)以及头车和跟随车的规划轨迹中任意连续点的运动学约束关系(即第二约束关系)构建二次规划问题，并使用多个圆对车辆的矩形框进行了包络。之后使用求解器对该二次规划问题求解，求解结果就是sd点集，即头车对应的轨迹规划结果，也就是头车的规划轨迹，根据头车的规划轨迹控制头车沿规划轨迹行驶。
需要说明的是，本申请除了构建车辆的运动学模型和车辆编队的动力学模型，还对车辆的矩形尺寸进行了几何建模，保证了车辆在通道内的完全安全；本申请直接使用二次规划求解器来求解二次规划问题函数，算力要求极低，每帧求解耗时可以降低到5ms以下；二次规划问题函数的求解结果sd点集就是规划的最终结果，输出无需再进行换算，轨迹规划结果直观有效。
根据本申请实施例提供的技术方案，本申请的无人车编队轨迹规划控制方法具有以下优点：
1、在对整个编队所有车辆进行轨迹规划时，采样编队附近的动态和静态障碍信息，建立头车和所有编队跟随车辆与这些障碍物的约束关系，为编队所有车辆的轨迹规划构建二次优化问题提供了数学约束基础。
2、为了解决无人快递车拖挂编队轨迹规划问题，本发明在无人车编队采用硬连接的约束条件下，从理论上推导出了头车与跟随车辆的运动学关系，为头车进行轨迹规划时提供了数学依据。
3、在求解编队车辆轨迹规划问题时，采用基于横纵向驾驶通道的可行驶区域，运用多层多通道的方法。根据车辆的运动学约束和动力学约束等约束，构造二次规划问题，并使用多个圆对车辆的矩形框进行了包络，使用求解器直接对该二次规划问题进行求解，在较短时间能直接获取求解结果，即为规划的轨迹。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
图5是本申请实施例提供的无人车编队轨迹规划控制装置的结构示意图。
如图5所示，该无人车编队轨迹规划控制装置包括：
获取模块501，被配置为获取头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；
第一构建模块502，被配置为对头车和各个跟随车的行驶轨迹点与可行驶通道边界之间的第一约束关系进行构建；
第二构建模块503，被配置为对头车与各个跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；
规划控制模块504，被配置为依据第一约束关系和第二约束关系构建二次规划问题函数，并对二次规划问题函数进行求解，得到头车的规划轨迹，以控制头车沿规划轨迹行驶。
在一些实施例中，图5的获取模块501依据道路边界信息和障碍物信息，在障碍物地图的Frenet坐标系中标记道路边界、静态障碍物以及动态障碍物，计算Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔；基于Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔，在障碍物地图中选择可行驶通道，并将可行驶通道处理成平滑的可行驶通道；依据平滑的可行驶通道中道路边界、静态障碍物以及动态障碍物的位置，确定可行驶通道边界。
在一些实施例中，图5的第一构建模块502基于地图参考线将头车和各个跟随车的行驶轨迹对应的点集转换成Frenet坐标系下的点集；根据可行驶通道边界中左边界和右边界分别对应Frenet坐标系下的点集，建立头车和各个跟随车的行驶轨迹对应的点集与左边界和右边界对应的点集之间的第一约束关系。
在一些实施例中，图5的第二构建模块503构建头车的运动学模型，运动学模型用于根据头车在行进方向上的线速度以及前轮转角的角速度，确定头车在全局坐标系下的位置和朝向；在头车的行驶轨迹规划过程中，基于运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，并建立跟随车的规划轨迹点之间的位置和朝向的第二推导关系；将第一推导关系和第二推导关系共同作为第二约束关系。
在一些实施例中，图5的第二构建模块503根据头车在行进方向上的线速度以及前轮转角的角速度，利用运动学模型计算头车在全局坐标系中的位置和朝向；基于头车在全局坐标系中的位置、朝向、头车在单位时间内前进的距离以及头车的后轴中心到相邻后车的后轴中心的距离，建立第一推导关系；其中，第一推导关系用于表征头车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
在一些实施例中，图5的第二构建模块503根据跟随车在行进方向上的线速度以及前轮转角的角速度，利用运动学模型计算跟随车在全局坐标系中的位置和朝向；基于跟随车在全局坐标系中的位置、朝向、跟随车在单位时间内前进的距离以及头车在全局坐标系中的朝向，建立第二推导关系；其中，第二推导关系用于表征跟随车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
在一些实施例中，图5的规划控制模块504将第一约束关系和第二约束关系作为二次规划问题的约束函数，将二次规划问题的目标函数设置为最小化轨迹点曲率变化率的总和，根据约束函数和目标函数构建二次规划问题函数。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
图6是本申请实施例提供的电子设备6的结构示意图。如图6所示，该实施例的电子设备6包括：处理器601、存储器602以及存储在该存储器602中并且可以在处理器601上运行的计算机程序603。处理器601执行计算机程序603时实现上述各个方法实施例中的步骤。或者，处理器601执行计算机程序603时实现上述各装置实施例中各模块/单元的功能。
示例性地，计算机程序603可以被分割成一个或多个模块/单元，一个或多个模块/单元被存储在存储器602中，并由处理器601执行，以完成本申请。一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述计算机程序603在电子设备6中的执行过程。
电子设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等电子设备。电子设备6可以包括但不仅限于处理器601和存储器602。本领域技术人员可以理解，图6仅仅是电子设备6的示例，并不构成对电子设备6的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如，电子设备还可以包括输入输出设备、网络接入设备、总线等。
处理器601可以是中央处理单元(Central Processing Unit，CPU)，也可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(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。
存储器602可以是电子设备6的内部存储单元，例如，电子设备6的硬盘或内存。存储器602也可以是电子设备6的外部存储设备，例如，电子设备6上配备的插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)等。进一步地，存储器602还可以既包括电子设备6的内部存储单元也包括外部存储设备。存储器602用于存储计算机程序以及电子设备所需的其它程序和数据。存储器602还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述***中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所申请的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/计算机设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/计算机设备实施例仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可以存储在计算机可读存储介质中，该计算机程序在被处理器执行时，可以实现上述各个方法实施例的步骤。计算机程序可以包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如，在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种无人车编队轨迹规划控制方法，无人车编队包括头车和跟随车，相邻车辆之间采用硬连接，其特征在于，包括：
获取所述头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；
对所述头车和各个所述跟随车的行驶轨迹点与所述可行驶通道边界之间的第一约束关系进行构建；
对所述头车与各个所述跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；
依据所述第一约束关系和所述第二约束关系构建二次规划问题函数，并对所述二次规划问题函数进行求解，得到所述头车的规划轨迹，以控制所述头车沿规划轨迹行驶。
2.根据权利要求1所述的方法，其特征在于，所述利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界，包括：
依据所述道路边界信息和障碍物信息，在障碍物地图中生成Frenet坐标系，并在所述Frenet坐标系中标记道路边界、静态障碍物以及动态障碍物，计算所述Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔；
基于所述Frenet坐标系中所有障碍物之间的横向间隔和纵向间隔，在所述障碍物地图中选择所述可行驶通道，并将所述可行驶通道处理成平滑的可行驶通道；
依据所述平滑的可行驶通道中道路边界、静态障碍物以及动态障碍物的位置，确定所述可行驶通道边界。
3.根据权利要求1所述的方法，其特征在于，所述对所述头车和各个所述跟随车的行驶轨迹点与所述可行驶通道边界之间的第一约束关系进行构建，包括：
基于地图参考线将所述头车和各个所述跟随车的行驶轨迹对应的点集转换成Frenet坐标系下的点集；
根据所述可行驶通道边界中左边界和右边界分别对应Frenet坐标系下的点集，建立所述头车和各个所述跟随车的行驶轨迹对应的点集与所述左边界和右边界对应的点集之间的第一约束关系。
4.根据权利要求1所述的方法，其特征在于，所述对所述头车与各个所述跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建，包括：
构建所述头车的运动学模型，所述运动学模型用于根据头车在行进方向上的线速度以及前轮转角的角速度，确定头车在全局坐标系下的位置和朝向；
在所述头车的行驶轨迹规划过程中，基于所述运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，并建立跟随车的规划轨迹点之间的位置和朝向的第二推导关系；
将所述第一推导关系和所述第二推导关系共同作为所述第二约束关系。
5.根据权利要求4所述的方法，其特征在于，所述基于所述运动学模型建立头车的规划轨迹点之间的位置和朝向的第一推导关系，包括：
根据所述头车在行进方向上的线速度以及前轮转角的角速度，利用所述运动学模型计算所述头车在全局坐标系中的位置和朝向；
基于所述头车在全局坐标系中的位置、朝向、所述头车在单位时间内前进的距离以及所述头车的后轴中心到相邻后车的后轴中心的距离，建立所述第一推导关系；
其中，所述第一推导关系用于表征所述头车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
6.根据权利要求4所述的方法，其特征在于，所述建立跟随车的规划轨迹点之间的位置和朝向的第二推导关系，包括：
根据所述跟随车在行进方向上的线速度以及前轮转角的角速度，利用所述运动学模型计算所述跟随车在全局坐标系中的位置和朝向；
基于所述跟随车在全局坐标系中的位置、朝向、所述跟随车在单位时间内前进的距离以及所述头车在全局坐标系中的朝向，建立所述第二推导关系；
其中，所述第二推导关系用于表征所述跟随车在任意相邻时刻的规划轨迹点之间的位置和朝向的变化。
7.根据权利要求1所述的方法，其特征在于，所述依据所述第一约束关系和所述第二约束关系构建二次规划问题函数，包括：
将所述第一约束关系和所述第二约束关系作为二次规划问题的约束函数，将二次规划问题的目标函数设置为最小化轨迹点曲率变化率的总和，根据所述约束函数和所述目标函数构建所述二次规划问题函数。
8.一种无人车编队轨迹规划控制装置，其特征在于，包括：
获取模块，被配置为获取所述头车前方预设范围内的道路边界信息和障碍物信息，利用障碍物之间的横向间隔和纵向间隔构造可行驶通道，并确定可行驶通道边界；
第一构建模块，被配置为对所述头车和各个所述跟随车的行驶轨迹点与所述可行驶通道边界之间的第一约束关系进行构建；
第二构建模块，被配置为对所述头车与各个所述跟随车的规划轨迹中任意连续点之间的第二约束关系进行构建；
规划控制模块，被配置为依据所述第一约束关系和所述第二约束关系构建二次规划问题函数，并对所述二次规划问题函数进行求解，得到所述头车的规划轨迹，以控制所述头车沿规划轨迹行驶。
9.一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现权利要求1至7中任一项所述的方法。
10.一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程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的方法。
CN202310118526.9A 2023-01-31 2023-01-31 无人车编队轨迹规划控制方法、装置、设备及存储介质 Pending CN116069037A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310118526.9A CN116069037A (zh) 2023-01-31 2023-01-31 无人车编队轨迹规划控制方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310118526.9A CN116069037A (zh) 2023-01-31 2023-01-31 无人车编队轨迹规划控制方法、装置、设备及存储介质

Publications (1)

Publication Number Publication Date
CN116069037A true CN116069037A (zh) 2023-05-05

Family

ID=86183528

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310118526.9A Pending CN116069037A (zh) 2023-01-31 2023-01-31 无人车编队轨迹规划控制方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN116069037A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257069A (zh) * 2023-05-16 2023-06-13 睿羿科技(长沙)有限公司 一种无人车辆编队决策与速度规划的方法
CN116540745A (zh) * 2023-07-05 2023-08-04 新石器慧通（北京）科技有限公司 轨迹规划方法和装置、无人车和存储介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116257069A (zh) * 2023-05-16 2023-06-13 睿羿科技(长沙)有限公司 一种无人车辆编队决策与速度规划的方法
CN116257069B (zh) * 2023-05-16 2023-08-08 睿羿科技(长沙)有限公司 一种无人车辆编队决策与速度规划的方法
CN116540745A (zh) * 2023-07-05 2023-08-04 新石器慧通（北京）科技有限公司 轨迹规划方法和装置、无人车和存储介质
CN116540745B (zh) * 2023-07-05 2023-09-12 新石器慧通（北京）科技有限公司 轨迹规划方法和装置、无人车和存储介质

Similar Documents

Publication Publication Date Title
CN112068545B (zh) 一种无人驾驶车辆在十字路口的行驶轨迹规划方法、***及存储介质
CN111123952B (zh) 一种轨迹规划方法及装置
CN111750886B (zh) 局部路径规划方法及装置
CN110262508B (zh) 应用于封闭场地无人驾驶货运车辆上的自动引导***及方法
CN113168708B (zh) 车道线跟踪方法和装置
Li et al. Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications
CN112193244B (zh) 基于线性约束的自动驾驶车辆运动规划方法
Zhao et al. Dynamic motion planning for autonomous vehicle in unknown environments
CN116069037A (zh) 无人车编队轨迹规划控制方法、装置、设备及存储介质
CN109084798B (zh) 网络下发带有道路属性的控制点的路径规划方法
CN107664993A (zh) 一种路径规划方法
CN111696339B (zh) 一种自动驾驶车队的跟车控制方法、***及车辆
CN111137298B (zh) 一种车辆自动驾驶方法、装置、***和存储介质
CN112577506B (zh) 一种自动驾驶局部路径规划方法和***
CN112327830B (zh) 车辆自动驾驶变道轨迹的规划方法及电子设备
CN107664504A (zh) 一种路径规划装置
US11189049B1 (en) Vehicle neural network perception and localization
CN115993825A (zh) 一种基于空地协同的无人车集群控制***
Gao et al. Autonomous driving of vehicles based on artificial intelligence
CN117885764A (zh) 车辆的轨迹规划方法、装置、车辆及存储介质
CN111708010A (zh) 一种可移动设备的定位方法、装置、***及可移动设备
Rosero et al. A software architecture for autonomous vehicles: Team lrm-b entry in the first carla autonomous driving challenge
Chen et al. From perception to control: an autonomous driving system for a formula student driverless car
Du et al. A Dynamic collaborative planning method for multi-vehicles in the autonomous driving platform of the DeepRacer
Tian et al. Autonomous formula racecar: Overall system design and experimental validation

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