CN116295497A - 路径生成方法、装置、机器人和存储介质 - Google Patents
路径生成方法、装置、机器人和存储介质 Download PDFInfo
- Publication number
- CN116295497A CN116295497A CN202310334301.7A CN202310334301A CN116295497A CN 116295497 A CN116295497 A CN 116295497A CN 202310334301 A CN202310334301 A CN 202310334301A CN 116295497 A CN116295497 A CN 116295497A
- Authority
- CN
- China
- Prior art keywords
- road
- path
- generation rule
- path generation
- driving
- 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
- G01C21/3407—Route searching; Route guidance specially adapted for specific applications
- G01C21/343—Calculating itineraries, i.e. routes leading from a starting point to a series of categorical destinations using a global route restraint, round trips, touristic trips
-
- 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
- G01C21/28—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network with correlation of data from several navigational instruments
- G01C21/30—Map- or contour-matching
-
- 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)
- 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
本申请属于机器人领域,涉及一种路径生成方法,该方法包括:获取环境信息,并构建场景地图,根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型,根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。在机器人工勘过程中,该方法实现了自动化生成路径,提高了工作效率和路径生成的准确性。
Description
【技术领域】
本申请涉及机器人技术领域,尤其涉及一种路径生成方法、装置、机器人和存储介质。
【背景技术】
在室外环境下,通过自移动机器人自动工勘道路信息已成为现代工程和交通规划的重要手段。自动工勘机器人的核心功能之一是路径生成。
目前,室外的工勘流程通常包括采图、设置边界、设置路径点、绘制车辆路径、设置车辆行驶方向和速度属性以及添加初始化点和目标点等步骤,并将其部署到机器人上进行调试。在绘制路径时,需要手动添加路径点,然后在相邻的两个点之间添加路径,最后选择相应的路线添加不同的速度等属性。由于需要手动设置大量的路径点和属性,这个过程通常需要耗费大量的时间,并且容易出现错误。此外,在手动添加属性的过程中,还可能会存在属性漏加或设置错误的情况,需要花费大量的时间去查询问题所在,造成工作效率低下。
【发明内容】
本申请实施例提供一种路径生成方法、装置、机器人和存储介质,该方法可以克服现有技术的不足,实现了自动化生成路径,提高了工作效率和路径生成的准确性。
为实现上述目的,第一方面,本申请实施例提供了一种路径生成方法,包括:获取环境信息,并构建场景地图;根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型;根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
在一些实施例中,所述道路特征包括道路的边界线、车道线、人行横道线、减速带中的一项或多项;
在一些实施例中,所述根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型的步骤,包括:
根据场景地图提取道路的边界线、车道线、人行横道线、减速带中的一项或多项,以确定行驶道路的范围;
根据行驶道路的范围,确定道路类型;
将行驶道路划分为一个或多个路段,根据所述一个或多个路段确定每一路段对应道路类型,其中,道路类型包括直道、弯道或交叉路口。
在一些实施例中,所述根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径的步骤包括根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规划,基于路径生成规则在行驶道路中生成所述目标路径。
在一些实施例中,所述根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规划,基于路径生成规则在行驶道路中生成所述目标路径的步骤,包括:
若行驶道路的形状为直线形,则确定行驶道路为直道;
若直道的长度大于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第一路径生成规则,基于第一路径生成规则在行驶道路中生成所述目标路径;
若直道的长度大于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第二路径生成规则,基于第二路径生成规则在行驶道路中生成所述目标路径;
若直道的长度小或等于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第三路径生成规则,基于第三路径生成规则在行驶道路中生成所述目标路径;
若直道的长度小于或等于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第四路径生成规则,基于第四路径生成规则在行驶道路中生成所述目标路径。
在一些实施例中,所述根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规划,基于路径生成规则在行驶道路中生成所述目标路径的步骤,包括:
若行驶道路的形状为弧线形,则确定行驶道路为弯道;
根据弯道的弯曲程度和弯道的宽度,确定路径生成规划,基于路径生成规则在行驶道路中生成所述目标路径。
在一些实施例中,所述在行驶道路中生成目标路径的步骤,包括在行驶道路中生成目标路径时,为所述目标路径设置行驶方向和行驶速度。
在一些实施例中,所述根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径的步骤之后,所述方法还包括:
对所述目标路径进行测试,以对所述目标路径的位置、行驶方向和行驶速度进行优化。
为实现上述目的,第二方面,本申请实施例还提供了一种路径生成装置,包括:
构建模块,用于获取环境信息,并构建场景地图;
确定模块,用于根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型;
生成模块,用于根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
为实现上述目的,第三方面,本申请实施例还提供了一种机器人,包括:处理器以及与所述处理器通信连接的存储器;所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器调用时,以使所述处理器执行如上述第一方面的任意一项所述的路径生成方法。
为实现上述目的,第四方面,本申请实施例还提供了一种存储介质,所述存储介质存储有计算机可执行指令,当所述计算机可执行指令被至少一个处理器执行时,使所述至少一个处理器执行如上述第一方面的任意一项所述的路径生成方法。
本发明实施例的有益效果:本申请实施例提供的路径生成方法,通过获取环境信息,并构建场景地图,根据场景地图提取道路特征,以此来确定行驶道路和相应的道路类型,根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径,从而实现自动化生成目标路径。相比于现有技术,自动化生成目标路径能够更加准确的对路径进行决策和规划,减少手动添加路径点和路径属性所耗费的时间和精力,提高工作效率。
【附图说明】
一个或多个实施例通过与之对应的附图中的图片进行示例性说明,这些示例性说明并不构成对实施例的限定,附图中具有相同参考数字标号的元件表示为类似的元件,除非有特别申明,附图中的图不构成比例限制。
图1为本申请实施例提供的一种机器人的结构示意图;
图2为本申请实施例提供的一种路径生成装置的结构示意图;
图3为本申请实施例提供的路径生成方法的流程示意图;
图4为图3所述方法中步骤S102的一子流程示意图;
图5为图3所述方法中步骤S103的一子流程示意图。
【具体实施方式】
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、详细的描述。显然,所描述的实施例是本申请一部分实施例,而不是全部的实施例。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
此外,下面所描述的本申请各个实施例中所涉及到的技术特征彼此之间未构成冲突可以相互组合。
另外,虽然在装置示意图中进行了功能模块划分,在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于装置中的模块划分,或流程图中的顺序执行可以不同于所示出或描述的步骤。此外,本文所采用的“第一”、“第二”、“第三”等字样并不对数据和执行次序进行限定,仅是对功能和作用基本相同的相同项或相似项进行区分。
除非另有定义,本文所使用的技术和科学术语与本领域技术人员通常理解的含义相同。说明书中所使用的术语只是为了描述具体的实施例不是旨在于限制本申请。应当理解,在本申请中,“至少一个(种)”是指一个或者多个,“多个”是指两个或两个以上。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在对本申请进行详细说明之前,对本申请实施例中涉及的名词和术语进行说明,本申请实施例中涉及的名词和术语适用于如下的解释:
(1)机器学习,机器学习是一种人工智能的分支,它通过让计算机***自动地从数据中学习和改进,从而实现任务的自动化。机器学习的目标是让计算机***可以根据历史数据或经验自动地提高性能,而不需要显式地进行编程。在机器学习中,***会从大量的数据中学习特征,并通过这些特征来预测未来的结果。这种学习过程通常是通过使用统计学和优化算法来实现的。机器学习被广泛应用于各种领域,包括自然语言处理、计算机视觉、数据挖掘、自动化控制、生物医学和金融等领域。可以将机器学习应用于本申请提出的路径生成方法中,以自动学习道路特征和路径生成规则。具体地,可以采用监督学习方法,通过对已知道路信息的训练数据进行学习,自动构建出道路特征提取模型和路径生成模型。其中,道路特征提取模型可以用于从环境信息中提取道路边界、范围和行驶方向等特征信息;而路径生成模型可以基于道路特征和路径生成规则,自动计算决策目标路径。在实际应用中,机器学习可以帮助操作员更加准确地识别道路特征和生成目标路径,从而提高工作效率。
(2)机器人工堪上线流程通常包括:采图、设置边界、设置路径点、绘制车辆路径、设置车辆行驶方向和速度属性以及添加初始化点和目标点等步骤,并将其部署到机器人上进行调试,最终,机器人在地图内提供各种机器人服务。
本申请实施例的路径生成方法可以应用于一种图1所示的机器人10,包括至少一个处理器11和至少一个存储器12,其中,处理器11与存储器12通过总线通信连接,处理器11可以包括中央处理单元(CPU)、数字信号处理器(DSP)、专用集成电路(ASI C)、现场可编程门阵列(FPGA)设备等。处理器11还可以被实现为计算设备的组合,例如,DSP与微处理器的组合、多个微处理器、结合DSP核心的一个或多个微处理器、或者任何其它此类配置;存储器12作为一种非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序指令,存储器12可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
本领域技术人员可以理解的,以上仅是对机器人10硬件结构的举例说明,在实际应用中,还可以根据实际功能需要,为机器人10设置更多部件,当然,也可以根据功能需要,省略其中一个或者多个部件。例如,机器人还可以包括传感器、摄像头、雷达等硬件设备,用于感知所处的环境并获取相关数据。
图2示例性示出了路径生成装置20的一种结构,包括构建模块21、确定模块22和生成模块23;其中:
构建模块21,用于获取环境信息,并构建场景地图;
确定模块22,用于根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型;
生成模块23,用于根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
道路特征包括道路的边界线、车道线、人行横道线、减速带中的一项或多项。
确定模块22,还用于根据场景地图提取道路的边界线、车道线、人行横道线、减速带中的一项或多项,以确定行驶道路的范围;根据行驶道路的范围,确定道路类型;将行驶道路划分为一个或多个路段,根据所述一个或多个路段确定每一路段对应道路类型,其中,道路类型包括直道、弯道或交叉路口。
生成模块23,还用于根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。
生成模块23,还用于若行驶道路的形状为直线形,则确定行驶道路为直道;若直道的长度大于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第一路径生成规则,基于第一路径生成规则在行驶道路中生成所述目标路径;若直道的长度大于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第二路径生成规则,基于第二路径生成规则在行驶道路中生成所述目标路径;若直道的长度小或等于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第三路径生成规则,基于第三路径生成规则在行驶道路中生成所述目标路径;若直道的长度小于或等于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第四路径生成规则,基于第四路径生成规则在行驶道路中生成所述目标路径。
生成模块23,还用于若行驶道路的形状为弧线形,则确定行驶道路为弯道;根据弯道的弯曲程度和弯道的宽度,确定路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。
生成模块23,还用于在行驶道路中生成目标路径时,为所述目标路径设置行驶方向和行驶速度。
生成模块23,还用于对所述目标路径进行测试,以对所述目标路径的位置、行驶方向和行驶速度进行优化。
在一些实施例中,本申请提供的机器人10可以包括本申请提供的路径生成装置20,机器人的处理器11和存储器12可以为路径生成装置20的执行提供算力支持和数据存储,具体的,处理器11用于控制机器人自动行驶并采集环境信息,执行基于场景地图和道路特征提取的机器学习算法,并根据提取的特征确定行驶道路和相对应的道路类型。然后,处理器根据与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。存储器12用于存储环境信息、场景地图、道路特征、道路类型、路径生成规则和目标路径等数据。
本申请实施例提供的路径生成方法可以由上述机器人10执行,图3所示,所述路径生成方法S100包括以下步骤S101-S103:
S101,获取环境信息,并构建场景地图。
在具体应用环境中,机器人10在工勘时,需要操作员手动划定机器人10的行驶区域,机器人10在限定的区域内自动行驶,或由操作员控制机器人行驶,通过信息采集装置获取机器人10周围的环境信息并构建场景地图。
在一些实施例中,机器人10可以使用多种传感器和技术来采集机器人周围的环境信息,例如机器人10配置有激光雷达、深度相机、摄像头、GPS、惯性测量单元等传感器。机器人基于SLAM(Simultaneous Localization and Mapping)算法,通过传感器可以收集到机器人周围的物体、障碍物、地形、道路等信息,然后将这些信息整合起来,构建出机器人周围的场景地图。这个过程可以使用多种算法来实现,如扫描匹配、滤波器等算法来提高地图的准确性和鲁棒性。构建好的场景地图可以为机器人进行机器学习并提取道路特征提供基础数据和信息。
S102,根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型。
在一些实施例中,机器人10可以采用机器学习算法对步骤S101获取的场景地图进行处理,对场景中的道路进行识别和提取。机器学习模型可以使用深度学习、卷积神经网络等技术,通过对步骤S101获取的场景数据进行反复训练,可以让机器学习模型能够准确地识别出道路的道路特征。
其中,道路特征可以包括道路的边界线、车道线、人行横道线、减速带中的一项或多项。机器人10在规定的运行范围内自动行驶工勘时,不断的提取得到道路特征,可以利用这些道路特征,通过机器学习算法建立道路模型,该模型可以根据机器人10所在的位置、方向和周围环境等信息,确定当前正在行驶的道路。并且,机器人10获取正在行驶的道路上的交通标志等信息,结合上述道路特征,通过机器学习算法根据道路特征自动判断当前行驶道路的类型,道路类型包括直道、弯道或交叉路口。
在一些实施例中,步骤S102所述的“根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型”,具体包括以下步骤S1021-S1023:
S1021,根据场景地图提取道路的边界线、车道线、人行横道线、减速带中的一项或多项,以确定行驶道路的范围。
其中,行驶道路的范围可以是道路的形状、长度和宽度等。
为了使机器人10能够准确确定道路类型,需要先从场景地图中提取道路特征,包括道路边界线、车道线、人行横道线、减速带等,然后基于这些特征确定行驶道路的范围。具体的,这些信息可以通过传感器等硬件设备采集到,并通过图像处理算法对这些信息进行处理和提取。在此基础上,利用机器学习算法对道路的边界线、车道线、人行横道线、减速带中的一项或多项进行分类和识别,可以确定行驶道路的范围。
S1022,根据行驶道路的范围,确定道路类型。
S1023,将行驶道路划分为一个或多个路段,根据所述一个或多个路段确定每一路段对应道路类型,其中,道路类型包括直道、弯道或交叉路口。
在一些实施例中,机器人10需要将行驶道路划分为一个或多个路段,以便对每一路段进行分析和规划。对于每一路段,机器人10需要根据上述步骤S1022所述的道路类型判断方法对其进行分类,以确定其对应的道路类型。在划分路段和确定道路类型后,机器人可以根据每个路段的类型和相应的路径生成规则计算决策目标路径。
S103,根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
步骤S103的方法包括根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。
具体的,机器人根据行驶道路的形状、长度和宽度确定道路类型,基于道路类型和预先设定的路径生成规则,在行驶的道路中生成目标路径。路径生成规则是根据道路类型来确定的,例如直道、弯道或交叉路口,需要使用不同的规则来生成路径,路径生成规则中包括路径点的间隔、距离道路右边界距离、行驶速度和行驶方向等。确定路径生成规则后,根据路径生成规则的路径点间距,计算路径点的位置,从而在行驶道路中生成路径点,并将相邻的两个路径点连接起来,形成一条路径,同时为该路径设置距离道路右边界距离、行驶速度和行驶方向,最终生成目标路径。
如下表1示例性示出了一种路径生成规则。
表1
在一些实施例中,可以采用如表1所示的路径生成规则,可以理解的是,表1只是一种示例性的路径生成规则,在具体实施中,可以根据环境情况按需调整表1中的类型或数值。上述根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径的步骤,包括以下步骤S1031-S1033:
S1031,若行驶道路的形状为直线形,则确定行驶道路为直道。
若行驶道路的形状为直线形,则确定行驶道路为直道,根据直道的长度和宽度,确定路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。具体的,
若直道的长度大于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第一路径生成规则,基于第一路径生成规则的路径点间隔,在行驶道路中以第一间距生成路径点,连接相邻两个路径点,生成目标路径;
若直道的长度大于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第二路径生成规则,基于第二路径生成规则的路径点间隔,在行驶道路中以第一间距生成路径点,连接相邻两个路径点,生成目标路径;
若直道的长度小或等于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第三路径生成规则,基于第三路径生成规则的路径点间隔,在行驶道路中以第二间距生成路径点,连接相邻两个路径点,生成目标路径;
若直道的长度小于或等于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第四路径生成规则,基于第四路径生成规则的路径点间隔,在行驶道路中以第二间距生成路径点,连接相邻两个路径点,生成目标路径。
S1032,若行驶道路的形状为弧线形,则确定行驶道路为弯道。
若行驶道路的形状为弧线形,则确定行驶道路为弯道,根据弯道的弯曲程度和弯道的宽度,确定路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。弯道的弯曲程度可以用路段的最大曲率表征。
具体的,
若弯道的弯曲程度大于第一弯曲程度,且弯道的宽度大于或等于第一宽度阈值,则确定第五路径生成规则,基于第五路径生成规则的路径点间隔,在行驶道路中以第三间距生成路径点,连接相邻两个路径点,生成目标路径;
若弯道的弯曲程度大于第一弯曲程度,且弯道的宽度小于第一宽度阈值,则确定第六路径生成规则,基于第六路径生成规则的路径点间隔,在行驶道路中以第三间距生成路径点,连接相邻两个路径点,生成目标路径;
若弯道的弯曲程度小于第二弯曲程度,且弯道的宽度大于或等于第一宽度阈值,则确定第七路径生成规则,基于第七路径生成规则的路径点间隔,在行驶道路中以第四间距生成路径点,连接相邻两个路径点,生成目标路径;
若弯道的弯曲程度小于第二弯曲程度,且弯道的宽度小于第一宽度阈值,则确定第八路径生成规则,基于第八路径生成规则的路径点间隔,在行驶道路中以第四间距生成路径点,连接相邻两个路径点,生成目标路径。
上述第二弯曲程度大于第一弯曲程度,第一间距大于第二间距,第二间距大于第三间距,第三间距大于第四间距。
S1033,在行驶道路中生成目标路径时,为所述目标路径设置行驶方向和行驶速度。
在行驶道路中生成目标路径时,根据表1的路径生成规则为该目标路径设置行驶方向、行驶速度和距离道路右边界距离,其中,所述行驶方向是指机器人沿行驶道路行驶时,其方向与地面指示标志所指示的方向一致。地面指示标志是基于之前提取道路特征所得到的信息进行识别,例如在车道线或交通标志的位置上设置的箭头标志等。同时,根据道路类型和之前提取的道路特征,还可以设置在目标路径上的行驶速度和距离道路右边界距离,具体的,
若确定为第一路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第一速度,距离道路右边界距离为第一距离;
若确定为第二路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第二速度,距离道路右边界距离为第二距离;
若确定为第三路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第一速度,距离道路右边界距离为第二距离;
若确定为第四路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第二速度,距离道路右边界距离为第二距离;
若确定为第五路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第一速度,距离道路右边界距离为第三距离;
若确定为第六路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第二速度,距离道路右边界距离为第三距离;
若确定为第七路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第一速度,距离道路右边界距离为第四距离;
若确定为第八路径生成规则,则行驶方向为与地面指示标志所指示的方向一致,行驶速度为第一速度,距离道路右边界距离为第四距离。
在一些实施例中,道路类型还可能包括的交叉路口、减速带和人行横道,可以通过前述的机器学***稳性和安全性。这些特别设置的行驶速度可以在路径生成规则中进行定义,如表1所述,
若确定为第九路径生成规则,行驶速度为第四速度;
若确定为第十路径生成规则,行驶速度为第六速度;
若确定为第十一路径生成规则,行驶速度为第五速度。
上述第一边界距离大于第二边界距离。上述第一速度大于第二速度,第二速度大于的第三速度,第三速度大于第四速度,第四速度大于第五速度,第五速度大于第六速度。
在一些实施例中,在步骤S103根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径的步骤之后,还可以包括:
S104,对目标路径进行测试,以对目标路径的位置、行驶方向和行驶速度进行优化。
对生成的目标路径进行测试和优化可以帮助确定机器人行驶在生成的目标路径是否符合实际情况和安全要求。在测试过程中,可以从路径点中选择一个初始点和一个目标点,机器人自动生成从初始点到目标点的最优路径,该最优路径是从初始点到目标点最短路径距离的目标路径集合,可以使用一些模拟器仿真模拟,也可以在真实环境进行测试。测试中可以观察机器人行驶路径和行驶策略是否与预期一致,并根据测试结果对生成的目标路径进行修改和优化,以达到更好的行驶效果。
在优化过程中,可以使用机器学习等技术,通过训练模型,使机器人能够更加智能地进行路径规划和行驶控制。例如,可以使用强化学习等技术,使机器人能够在实时环境中不断学习和优化行驶路径和行驶策略。还可以在仿真模拟中人为修改路径点位置、行驶方向和行驶速度等参数,从而更好地适应各种复杂的路况和环境。
通过实施上述实施例,通过获取环境信息,并构建场景地图,根据场景地图提取道路特征,以此来确定行驶道路和相应的道路类型,根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径,从而实现自动化生成目标路径。相比于现有技术,该方法采用基于场景地图和机器学习的技术,自动化生成目标路径,减少人为干预和操作,提高了路径规划的效率。
本申请实施例还提供了一种计算机可读存储介质,计算机可读存储介质存储有计算机可执行指令,该计算机可执行指令被一个或多个处理器执行,例图1中的一个处理器11,可使得上述一个或多个处理器可执行上述任意方法实施例中的路径生成方法,例如,执行以上描述的图3中的方法步骤S101至步骤S103。
上述产品具有各实施例所述方法的相应有益效果,未在产品实施例中详尽描述的技术细节和效果,可参见本申请实施例所提供的方法。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请的不同方面的许多其它变化,为了简明,它们没有在细节中提供;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范围。
Claims (10)
1.一种路径生成方法,其特征在于,包括:
获取环境信息,并构建场景地图;
根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型;
根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
2.根据权利要求1所述的方法,其特征在于,所述道路特征包括道路的边界线、车道线、人行横道线、减速带中的一项或多项;
根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型的步骤,包括:
根据场景地图提取道路的边界线、车道线、人行横道线、减速带中的一项或多项,以确定行驶道路的范围;
根据行驶道路的范围,确定道路类型;
将行驶道路划分为一个或多个路段,根据所述一个或多个路段确定每一路段对应道路类型,其中,道路类型包括直道、弯道或交叉路口。
3.根据权利要求1所述的方法,其特征在于,所述根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径的步骤包括:
根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。
4.根据权利要求3所述的方法,其特征在于,所述根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径的步骤,包括:
若行驶道路的形状为直线形,则确定行驶道路为直道;
若直道的长度大于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第一路径生成规则,基于第一路径生成规则在行驶道路中生成所述目标路径;
若直道的长度大于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第二路径生成规则,基于第二路径生成规则在行驶道路中生成所述目标路径;
若直道的长度小或等于第一长度阈值,且直道的宽度大于第一宽度阈值,则确定第三路径生成规则,基于第三路径生成规则在行驶道路中生成所述目标路径;
若直道的长度小于或等于第一长度阈值,且直道的宽度小于或等于第一宽度阈值,则确定第四路径生成规则,基于第四路径生成规则在行驶道路中生成所述目标路径。
5.根据权利要求3所述的方法,其特征在于,所述根据行驶道路的形状、长度和宽度,确定道路类型和路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径的步骤,包括:
若行驶道路的形状为弧线形,则确定行驶道路为弯道;
根据弯道的弯曲程度和弯道的宽度,确定路径生成规则,基于路径生成规则在行驶道路中生成所述目标路径。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述在行驶道路中生成目标路径的步骤,包括:
在行驶道路中生成目标路径时,为所述目标路径设置行驶方向和行驶速度。
7.根据权利要求1所述的方法,其特征在于,所述根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径的步骤之后,所述方法还包括:
对所述目标路径进行测试,以对所述目标路径的位置、行驶方向和行驶速度进行优化。
8.一种路径生成装置,其特征在于,包括:
构建模块,用于获取环境信息,并构建场景地图;
确定模块,用于根据场景地图提取道路特征,基于道路特征确定行驶道路以及与行驶道路相对应的道路类型;
生成模块,用于根据道路类型和与道路类型相对应的路径生成规则,在行驶道路中生成目标路径。
9.一种机器人,其特征在于,包括:
处理器以及与所述处理器通信连接的存储器;
所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器调用时,以使所述处理器执行如权利要求1-7中的任意一项所述的路径生成方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机可执行指令,当所述计算机可执行指令被至少一个处理器执行时,使所述至少一个处理器执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334301.7A CN116295497A (zh) | 2023-03-24 | 2023-03-24 | 路径生成方法、装置、机器人和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310334301.7A CN116295497A (zh) | 2023-03-24 | 2023-03-24 | 路径生成方法、装置、机器人和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116295497A true CN116295497A (zh) | 2023-06-23 |
Family
ID=86835970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310334301.7A Pending CN116295497A (zh) | 2023-03-24 | 2023-03-24 | 路径生成方法、装置、机器人和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116295497A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841300A (zh) * | 2023-08-31 | 2023-10-03 | 未岚大陆(北京)科技有限公司 | 工作地图生成方法、作业方法、控制方法和相关装置 |
-
2023
- 2023-03-24 CN CN202310334301.7A patent/CN116295497A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116841300A (zh) * | 2023-08-31 | 2023-10-03 | 未岚大陆(北京)科技有限公司 | 工作地图生成方法、作业方法、控制方法和相关装置 |
CN116841300B (zh) * | 2023-08-31 | 2023-12-19 | 未岚大陆(北京)科技有限公司 | 工作地图生成方法、作业方法、控制方法和相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109213134B (zh) | 生成自动驾驶策略的方法和装置 | |
CN109521756B (zh) | 用于无人驾驶车辆的障碍物运动信息生成方法和装置 | |
CN109214248B (zh) | 用于识别无人驾驶车辆的激光点云数据的方法和装置 | |
CN109492656B (zh) | 用于输出信息的方法和装置 | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
JP6875365B2 (ja) | 電子地図における交差点を認識するための方法及び装置 | |
CN113753077A (zh) | 预测障碍物的运动轨迹的方法、装置及自动驾驶车辆 | |
CN112444263B (zh) | 全局路径规划方法及装置 | |
EP2591443A1 (en) | Assisting vehicle guidance over terrain | |
CN110705385B (zh) | 一种障碍物角度的检测方法、装置、设备及介质 | |
CN110986945B (zh) | 基于语义高度地图的局部导航方法和*** | |
JP7520444B2 (ja) | 乗り物に基づくデータ処理方法、データ処理装置、コンピュータ機器、及びコンピュータプログラム | |
US11543259B2 (en) | Determining landmark detectability | |
CN112327888B (zh) | 路径规划方法、装置、电子设备和存储介质 | |
WO2021134357A1 (zh) | 感知信息处理方法、装置、计算机设备和存储介质 | |
CN116295497A (zh) | 路径生成方法、装置、机器人和存储介质 | |
CN112394725A (zh) | 用于自动驾驶的基于预测和反应视场的计划 | |
US20210304602A1 (en) | Enhanced vehicle operation | |
CN114694123B (zh) | 交通信号灯感知方法、装置、设备及存储介质 | |
CN114906155B (zh) | 预期转弯速度确定方法、***、电子设备及可读存储介质 | |
CN113282088A (zh) | 工程车的无人驾驶方法、装置、设备、存储介质及工程车 | |
CN110377041B (zh) | 参考线生成方法、装置、终端设备及存储介质 | |
CN114488185A (zh) | 基于多线激光雷达的机器人导航***方法及*** | |
CN114386599A (zh) | 训练轨迹预测模型和轨迹规划的方法和装置 | |
CN113899380A (zh) | 路口转向提醒方法、装置、电子设备及存储介质 |
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 |