CN117022262A - 无人车速度规划控制方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请提供一种无人车速度规划控制方法、装置、电子设备及存储介质。该方法应用于无人车、无人驾驶设备或自动驾驶设备，包括：根据无人车行驶过程中的行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；获取无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类；判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用第一速度规划方法对无人车进行速度规划控制；否则，利用第二速度规划方法对无人车进行速度规划控制。本申请提高了速度规划的成功率以及整车运行的平顺行与安全性。

Description

无人车速度规划控制方法、装置、电子设备及存储介质

技术领域

本申请涉及无人驾驶技术领域，尤其涉及一种无人车速度规划控制方法、装置、电子设备及存储介质。

背景技术

速度规划控制是在局部路径规划给定一条或多条路径曲线的基础上，添加速度相关信息，以满足反馈控制的操作限制并符合行为决策的输出结果。其主要考虑的是对动态障碍物的规避。现有的速度规划方法包括：通过指定线加速度来生成速度、样条插值、函数拟合、目标时刻点法、动态规划算法等，其中动态规划算法是最常用的。

动态规划算法的输入包括参考路径、障碍物等环境信息。其计算过程主要包括障碍物预测与处理、S-T图生成、S-T图采样与搜索、速度平滑等几个部分。但是，目前的速度规划控制方案仍存在一些问题。虽然动态规划算法能够成功地进行速度规划，在结构化道路上只有机动车的情况下，其效果很好。这是因为机动车之间的安全距离相对较大，且行驶行为较为规范。但是在机动车、自行车、行人等混合交通流场景下，障碍物类型多样，与自车的安全距离小，且存在近距离超车、跟车等不规范行为。这些复杂情况下，现有的障碍物预测处理方法很容易导致速度规划控制失败，进而可能导致急刹车、追尾、碰撞等一系列的舒适性与安全性问题。

发明内容

有鉴于此，本申请实施例提供了一种无人车速度规划控制方法、装置、电子设备及存储介质，以解决现有技术存在的在混合交通流场景下容易导致速度规划控制失败，进而引起一系列的舒适性与安全性的问题。

本申请实施例的第一方面，提供了一种无人车速度规划控制方法，该方法包括：对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定障碍物的类别；判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制；否则，利用预定的第二速度规划方法对无人车进行速度规划控制。

本申请实施例的第二方面，提供了一种无人车速度规划控制装置，包括：划分模块，被配置为对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；分类模块，被配置为根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定障碍物的类别；速度规划控制模块，被配置为判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制；否则，利用预定的第二速度规划方法对无人车进行速度规划控制。

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，处理器执行计算机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：

通过对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定障碍物的类别；判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制；否则，利用预定的第二速度规划方法对无人车进行速度规划控制。本申请提高了速度规划的成功率以及整车运行的平顺行与安全性。

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是现有技术中对障碍物预测与处理的示意图；

图2是现有技术场景中同向正常行驶机动车辆的S-T图；

图3是现有技术中对障碍物的预测处理结果的示意图；

图4是现有技术场景中障碍物距离无人车比较近时产生的S-T图；

图5是本申请实施例提供的无人车速度规划控制方法的流程示意图；

图6是本申请实施例在无人车周围划分出检测区域的示意图；

图7是障碍物与前方碰撞检测区域可能的位置关系示意图；

图8是障碍物与侧方碰撞检测区域可能的位置关系示意图；

图9是本申请实施例提供的无人车速度规划控制装置的结构示意图；

图10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。

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。在无人车驾驶中，速度规划控制的主要作用是确保车辆在满足行驶舒适性、安全性和效率性等约束条件下，根据当前的环境感知和车辆状态，生成适应当前行驶环境的车辆速度。

速度规划控制是当局部路径规划给定了一条或者若干条选出的路径曲线之后，需要在此局部路径的基础上加入与速度相关的信息，以满足反馈控制的操作限制并符合行为决策的输出结果。即主要考虑的是对动态障碍物的规避。现有的速度规划方法有：通过指定线加速度来生成速度、样条插值、函数拟合、目标时刻点法、动态规划算法等。其中较常用的方法为动态规划算法。

动态规划算法需要的输入有参考路径、障碍物等环境信息，动态规划算法的计算过程主要包括障碍物预测与处理、S-T图生成、S-T图采样与搜索、速度平滑几个部分。

其中，障碍物预测与处理是指当环境中出现移动障碍的时候，移动障碍会在未来某些时刻占据已经规划好的路径。如果目标汽车仍然以当前车速匀速行驶，有可能会在未来的某一时刻与移动障碍相碰撞。因此需要计算预测障碍物与无人车规划轨迹可能发生碰撞的t与s的范围信息。

S-T图生成是利用上述障碍物预测信息，在S-T图中标记障碍物在某段时刻Δt在路径S上占据的某一段路径ΔS。

S-T图采样与搜索是先对S-T图进行离散化，再针对每一个S-T候选目标点，在S-T搜索空间中搜索产生从起点到目标点的路径。

速度平滑是对上述S-T图采样与搜索中得到的曲折且离散路径的平滑，满足对动态障碍物的规避的同时也满足无人车平滑、舒适、操控等需求。

基于上述介绍可以发现，障碍物的预测与无人车规划轨迹是整个速度规划计算所需的数据基础；利用动态规划算法进行速度规划求解能否成功，很大程度上取决于障碍物的输入。在只有机动车的结构化道路上，障碍物就是其他机动车辆；由于机动车之间安全距离相对较大，且行驶行为较为规范，使用上述基于动态规划算法的速度规划方法，成功率较高；但是在机动车、自行车、行人等混合交通流场景下，障碍物类型较多，与无人车安全距离小，且障碍物存在近距离超车、跟车等不规范行为，此时使用上述障碍物预测的处理方法，极易导致速度规划失败，从而进一步导致出现急刹车、追尾、碰撞等一系列影响车辆舒适性与安全性的问题。

下面首先结合附图对现有技术中基于动态规划算法的速度规划方法的具体实现过程进行说明。如图1至图4所示，图1是现有技术中对障碍物预测与处理的示意图，图2是现有技术场景中同向正常行驶机动车辆的S-T图，图3是现有技术中对障碍物的预测处理结果的示意图，图4是现有技术场景中障碍物距离无人车比较近时产生的S-T图。

如图1所展示的，这是现有技术中处理障碍物预测的过程。它通过考虑障碍物obs的预测轨迹prediction以及无人车ego的规划路径path，计算出障碍物obs的时间-路径图(S-T图)。对于同向且行驶正常的机动车辆，它的S-T图如图2所示，现有技术可以通过常规的速度规划方法进行处理。然而，在实际的混合交通流情况下，特别是在辅道上行驶的场景中，同向的障碍物除了机动车之外，还可能是电动自行车等非机动车辆。在无人车行驶速度较慢的情况下，这些障碍物的预测处理结果如图3所示。此时，障碍物obs与无人车ego的距离相对较近，其产生的S-T图如图4所示。从图4中可以看到，速度规划的求解空间极小甚至不存在，若此时继续使用动态规划进行速度规划，则可能导致规划失败。

基于上述现有技术方案可以看出，在混合交通流场景下，单纯依赖动态规划进行速度规划并不能保证规划的成功率，反而可能引发急刹车、追尾、碰撞等一系列问题。因此，针对现有技术中存在的上述动态规划算法对于同向机动车辆速度规划成功率高，但是对于同向非机动车辆存在不规范行为时成功率较低，从而容易导致急刹车、追尾、碰撞等一系列舒适性与安全性的问题。本申请在障碍物预测与处理过程中，根据无人车行驶状态在车身周边划分一定范围的检测区域，并结合障碍物的类型和障碍物是否处在检测区域内这两个因素，对满足不同条件的障碍物选择不同的速度规划控制方法，从而保证速度规划的成功率，使得不同类型障碍物被稳定处理的同时，又有助于提升自车的舒适性与安全性。

下面将结合附图以及具体实施例对本申请实施例的一种无人车速度规划控制方法和装置进行详细说明。

图5是本申请实施例提供的无人车速度规划控制方法的流程示意图。图5的无人车速度规划控制方法可以由无人车车机***的控制单元执行。如图5所示，该无人车速度规划控制方法具体可以包括：

S501，对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；

S502，根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定障碍物的类别；

S503，判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制；否则，利用预定的第二速度规划方法对无人车进行速度规划控制。

在一些实施例中，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域，包括：根据无人车的行驶状态信息以及道路环境信息，在无人车的前方和两侧分别划分出前方碰撞检测区域和侧方碰撞检测区域，将前方碰撞检测区域与侧方碰撞检测区域进行叠加，以形成完整的检测区域。

具体地，在无人车周围划分检测区域之前，首先利用安装在无人车上的各种传感器对无人车行驶过程中的行驶状态信息以及外界的道路环境信息进行实时采集，例如：在实际应用中，可以利用车速传感器和视觉传感器获取无人车的行驶状态信息，其中，行驶状态信息包括但不限于车速信息、车辆前方转弯信息等等；另外，可以利用多种传感器(比如激光雷达)返回的数据信息，获取实时的道路环境信息，其中，道路环境信息包括但不限于前方道路的宽度、道路是否弯曲、前方道路是直线还是弯道等等。

在实时获取无人车的行驶状态信息以及道路环境信息之后，根据无人车的行驶状态和周围环境的变化，在无人车周围动态划分出检测区域。下面结合附图对检测区域的划分过程及原理进行详细说明，图6是本申请实施例在无人车周围划分出检测区域的示意图，图7是障碍物与前方碰撞检测区域可能的位置关系示意图，图8是障碍物与侧方碰撞检测区域可能的位置关系示意图。如图6至图8所示，该检测区域的划分过程具体可以包括：

在本申请实施例中，可以根据无人驾驶车辆的行驶状态信息以及周围道路环境信息，在无人驾驶车辆的周围划分出一个检测区域。具体来说，可以根据这些信息在无人驾驶车辆的前方和两侧分别划分出前方碰撞检测区域和侧向碰撞检测区域，然后将这两个区域进行叠加，从而形成一个完整的检测区域。

在一个示例中，如图6所示，基于无人驾驶车辆的行驶状态信息，在其周围划分出一个特定范围的检测区域check_area(图6中具有灰度的显示区域)。该检测区域的尺寸参数与无人驾驶车辆的尺寸、行驶速度以及道路环境有关，该检测区域可以由前、左、右三个矩形区域叠加形成。虽然在本申请实施例中选用了矩形区域，但是在实际应用中该区域的形状并不受限于矩形。

以矩形区域为例，在无人驾驶车辆的前方划分出一个前方碰撞检测区域ch eck_area_front，在无人驾驶车辆的左右两侧划分出侧方碰撞检测区域check_ar ea_side。障碍物可能存在于检测区域check_area_front和check_area_side中的任何位置，例如，障碍物obs与检测区域之间可能的位置关系参考图7和图8所示。

在一些实施例中，该方法还包括：前方碰撞检测区域以及侧方碰撞检测区域的形状和大小，跟随无人车的行驶状态信息以及道路环境信息的变化而改变，其中，前方碰撞检测区域以及侧方碰撞检测区域的默认形状为矩形。

具体地，本申请实施例根据车辆的行驶状态信息和周围的道路环境信息，划分出车辆前方和车辆两侧的检测区域。这些检测区域的形状和大小可以跟随无人车的行驶状态(比如速度)和道路环境(比如前方道路是否有交叉口或曲线)而变化。例如，如果车辆速度较高，或者前方有交叉口，那么可能需要扩大前方的检测区域。反之，如果车辆在行驶在直道上，并且速度较慢，那么前方的检测区域可以相对较小。

本申请实施例的检测区域被划分为前方碰撞检测区域(check_area_front)和侧方碰撞检测区域(check_area_side)，最后通过将前方碰撞检测区域和侧方碰撞检测区域分别对应的矩形区域(如图6所示的三个灰色矩形区域)进行叠加来形成完整的检测区域。在实际应用中，这三个矩形区域的形状和大小可以根据无人车的尺寸、行驶速度以及道路环境进行动态调整。

在一些实施例中，根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，包括：获取无人车的感知模块对无人车周围的障碍物进行检测和识别得到的识别信息，其中，识别信息中包含障碍物类型以及障碍物的尺寸；根据障碍物类型以及障碍物的尺寸，对无人车周围的障碍物进行分类，其中，障碍物的类别包括无风险障碍物类别和有风险障碍物类别。

具体地，本申请实施例会根据无人车的感知模块对周围障碍物的识别信息，利用预设的分类方法对这些障碍物进行分类。首先，获取由感知模块对无人车周围的障碍物进行检测和识别所得到的识别信息，识别信息中至少包含障碍物的类型信息及其尺寸(比如横截面积)；然后，根据障碍物的类型和尺寸对无人车周围的障碍物进行分类。在这个过程中，主要将障碍物分为两大类，即无风险障碍物类别和有风险障碍物类别。

在一个示例中，在具体的分类过程中，由于混合交通流中的参与对象非常复杂，例如包括货车、公交车、乘用车、三轮车、摩托车、电动车、行人以及平衡车等等，当无人车的行驶速度在20km/h左右时，这些类型的障碍物都有可能对无人车进行超车，从而对其速度规划产生影响。因此，在进行速度规划时，结合感知模块的结果对障碍物的合理分类显得尤为重要。

在本申请的实施例中，根据障碍物是否可能产生不规范的交通行为，将障碍物类型分为以下两类：无潜在风险的障碍物obs_safe(即无风险障碍物类别)和有潜在风险的障碍物obs_potential_risk(即有风险障碍物类别)。这种分类方法可以更精确地评估障碍物对无人车速度规划的影响，从而提高无人车在混合交通流中的行驶安全性和效率。

在一些实施例中，根据障碍物类型以及障碍物的尺寸，对无人车周围的障碍物进行分类，包括：根据障碍物类型判断障碍物属于机动车辆还是非机动车辆，当判断障碍物属于非机动车辆，或者障碍物的尺寸小于预设条件时，将障碍物划分为有风险障碍物类别；否则，将障碍物划分为无风险障碍物类别。

具体地，本申请实施例会根据障碍物的类型以及尺寸(比如横截面积)对无人车周围的障碍物进行分类。在障碍物类型的分类过程中，首先根据障碍物类型判断该障碍物是属于机动车辆还是非机动车辆；然后，当判断障碍物属于非机动车辆，或者障碍物的横截面积小于预设条件(比如预设的横截面积阈值)时，会将这个障碍物划分为有风险障碍物类别，即obs_potential_risk；否则，会将这个障碍物划分为无风险障碍物类别，即obs_safe。

进一步地，在具体的判断过程中，obs_potential_risk的判断标准是基于障碍物的类型和横截面积的大小，但是，本申请实施例对障碍物类型的划分标准不限于障碍物类型和横截面积，任何能够实现区分障碍物类型的方式均适用于本申请技术方案，本申请对此不作限定。

在一个示例中，例如：可以将障碍物类型属于非机动车辆的障碍物，或者横截面大小(即横截面积)小于4平方米的障碍物划分为obs_potential_risk(即有风险障碍物类别)。相对应地，可以将障碍物类型属于机动车辆的障碍物，或者横截面大小(即横截面积)大于4平方米的障碍物划分为obs_safe(即无风险障碍物类别)。

本申请实施例将进一步根据检测区域中是否存在障碍物以及障碍物类型，对满足不同预设条件的障碍物选择合适的速度规划方法，实现针对检测区域内的不同障碍物类型的速度规划控制。本申请实施例的障碍物分类方法可以更准确地对混合交通流中的障碍物进行评估，从而有助于更准确地进行速度规划，提高无人车在复杂交通环境中的行驶安全性和效率。

在一些实施例中，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制，包括：

根据相对速度与预设的安全速度阈值之间的关系，以及相对距离与预设的安全距离阈值之间的关系，确定无人车的限速值；

利用限速值、时间域以及距离域生成第一S-T图，在第一S-T图中标记第一禁止区域；

对第一S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，从起点到目标点的路径绕过第一禁止区域；

将从起点到目标点的路径进行速度平滑处理，得到速度平滑处理后的速度规划路径。

具体地，首先确定无人车的限速值，之后将限速值作为第一S-T图中直线的斜率，利用限速值、时间域以及距离域来生成第一S-T图，其中S代表距离，T代表时间。在生成第一S-T图时，将障碍物预测阶段获取的信息转换为图形表示。在某个特定的时间段Δt内，如果预测的移动障碍物可能占据某一段距离ΔS，那么在第一S-T图中，这部分就会被标记出来，表示为一个禁止区域。

进一步地，对第一S-T图进行离散化处理，得到一个网格图。然后，使用一种搜索算法(比如A*算法或Dijkstra算法)寻找一条从起点到目标点的路径。使这条路径避开S-T图中的第一禁止区域，以防止与预测的障碍物碰撞。

进一步地，经过S-T图采样与搜索步骤处理后，得到的路径可能是曲折且离散的，不符合实际驾驶的需要。因此，需要进行速度平滑处理，例如使用样条插值等方法，使得生成的速度计划更符合无人车平滑、舒适和操控的需求，得到最终的速度规划路径。

在一些实施例中，根据相对速度与预设的安全速度阈值之间的关系，以及相对距离与预设的安全距离阈值之间的关系，确定无人车的限速值，包括：

将检测区域内的障碍物的速度与无人车的速度相减，得到相对速度，将相对速度与预设的安全速度阈值进行比较；

当相对速度大于安全速度阈值时，执行下一循环周期的无人车速度规划控制；

否则，将检测区域内的障碍物的位置与无人车的位置相减，得到相对距离，将相对距离与预设的安全距离阈值进行比较；

当相对距离大于安全距离阈值时，执行下一循环周期的无人车速度规划控制；否则，确定无人车的限速值。

具体地，本申请采用了多种方法来实现速度规划控制。例如，采用基于时间间隔或安全距离的速度规划方法(即第一速度规划方法)。这种速度规划方法可以用于在无人车与障碍物之间的距离较近的情况下，通过缓刹或限速来保持安全距离或安全的碰撞时间。这种方法的实施例包括前向和侧向的碰撞时间和安全距离的计算，常用的计算参数包括碰撞时间(TTC)和跟车距离(THW)。在实际应用中，除了通过计算相对速度与相对距离的方式，来控制无人车进行缓刹限速之外，还可以通过计算障碍物与无人车之间的行驶方向的相对夹角(即速度方向的夹角)，来控制无人车进行缓刹限速，以保持无人车与障碍物之间的安全距离或安全碰撞时间，从而实现更精确的速度规划控制。

在一个示例中，例如：在图7所示的前方碰撞检测区域(check_area_front)中，假设obs1，obs2，obs3，obs4都是有潜在风险的障碍物(obs_potential_ris k)，那么判断对obs1，obs2采用第二种速度规划方法(即基于动态规划算法的速度规划方法)进行处理；而对obs3，obs4则采用第一种速度规划方法(即基于时间间隔或安全距离的速度规划方法)进行处理。同样地，在图8所示的侧方碰撞检测区域(check_area_side)中，假设obs1，obs2，obs3，obs4同样都是有潜在风险的障碍物(obs_potential_risk)，那么判断对obs4采用第二种速度规划方法进行处理；而对obs1，obs2，obs3则采用第一种速度规划方法进行处理。因此，本申请实施例根据检测区域中是否存在障碍物以及障碍物类型实现速度规划方法的选择切换逻辑。

在应对有潜在风险障碍物的情况下，选择不同的速度规划方法主要取决于无人车与障碍物之间的相对速度和相对距离。当相对速度超过预设的安全速度阈值，或者相对距离超过预设的安全距离阈值时，都将选择继续执行下一个循环周期的无人车速度规划控制。相反，如果这两个条件均未达到，本申请实施例则会选择对无人车进行缓刹限速控制，以保持无人车与检测区域内的障碍物之间的安全距离或安全碰撞时间，即采用上述第一种速度规划方法(基于时间间隔或安全距离的速度规划方法)对无人车进行速度规划控制。

在一些实施例中，利用预定的第二速度规划方法对无人车进行速度规划控制，包括：

利用检测区域内的障碍物的当前状态和预测模型，对检测区域内的障碍物的未来状态进行预测，基于未来状态计算障碍物与无人车的预期路径发生碰撞的时间与距离的范围信息；

根据时间与距离的范围信息生成第二S-T图，并在第二S-T图中标记第二禁止区域，其中，第二禁止区域用于表征障碍物在特定时间段内在无人车的预期路径上所占据的路径距离；

对第二S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，从起点到目标点的路径绕过第二禁止区域；

将从起点到目标点的路径进行速度平滑处理，得到速度平滑处理后的速度规划路径。

具体地，动态规划(Dynamic Programming，DP)是一种优化算法，用于解决具有特定结构的优化问题，通常涉及到对问题的分解和子问题的递归求解。它适用于许多不同的问题，包括自动驾驶车辆的速度规划问题。在基于动态规划算法对无人车进行速度规划控制时，该动态规划算法可以包括以下步骤：

1)障碍物预测与处理：这一步涉及到对环境的感知和理解。基于各种传感器(如雷达、激光雷达、摄像头等)收集到的数据，可以预测移动障碍物的未来状态。这是基于障碍物的当前状态(如位置、速度、方向等)和某种预测模型(如常量速度模型，常量加速度模型等)。一旦预测到了障碍物的未来状态，就可以计算出障碍物与无人车的预期路径可能发生碰撞的时间和距离范围。

2)S-T图生成：S-T图是一种时间-距离图，其中S代表距离，T代表时间。在生成第二S-T图时，将障碍物预测阶段获取的信息转换为图形表示。在某个特定的时间段Δt内，如果预测的移动障碍物可能占据某一段距离ΔS，那么在第二S-T图中，这部分就会被标记出来，表示为一个禁止区域。

3)S-T图采样与搜索：在这个步骤中，首先对第二S-T图进行离散化处理，得到一个网格图。然后，使用一种搜索算法(比如A*算法或Dijkstra算法)寻找一条从起点到目标点的路径。使这条路径避开第二S-T图中的第二禁止区域，以防止与预测的障碍物碰撞。

4)速度平滑：S-T图采样与搜索步骤得到的路径可能是曲折且离散的，不符合实际驾驶的需要。因此，需要进行速度平滑处理，例如使用样条插值等方法，使得生成的速度计划更符合无人车平滑、舒适和操控的需求。

以上就是本申请实施例基于动态规划算法的无人车速度规划控制的基本过程。动态规划算法的关键在于有效地搜索和选择子问题的解决方案，从而得到全局最优解。

根据本申请实施例提供的技术方案，本申请通过综合考虑无人车的行驶状态、道路环境信息，将无人车周边区域划分成前方碰撞检测区域和侧方碰撞检测区域，形成完整的检测区域。同时，根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，包括无风险障碍物类别和有风险障碍物类别。这种分类不仅考虑了障碍物的类型，还考虑了障碍物的横截面积。

此外，本申请还根据无人车与检测区域内的障碍物之间的相对速度和相对距离，对无人车进行速度规划控制。当相对速度或相对距离超过预设的安全阈值时，无人车将按照原计划执行下一循环周期的速度规划控制。当这两个条件均未达到，无人车将进行缓刹限速控制，以保持无人车与检测区域内的障碍物之间的安全距离或安全碰撞时间。

因此，本申请能够有效地应对混合交通流的场景，尤其是处理近距离的电动车等障碍物的超车场景，提高了速度规划的成功率，避免了传统S-T图加动态规划的方法可能导致的急刹车、追尾等问题，从而提高了整车运行的平顺性和安全性。总的来说，本申请通过动态地划分检测区域，及时调整障碍物类型，并根据检测区域内的障碍物类型选择合适的速度规划方法，实现了无人车在复杂混合交通环境中进行安全、有效地速度规划控制。

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9是本申请实施例提供的无人车速度规划控制装置的结构示意图。如图9所示，该无人车速度规划控制装置包括：

划分模块901，被配置为对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；

分类模块902，被配置为根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定障碍物的类别；

速度规划控制模块903，被配置为判断检测区域内是否存在障碍物，当检测区域内存在障碍物，且检测区域内的障碍物的类别为有风险障碍物类别时，根据无人车与检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对无人车进行速度规划控制；否则，利用预定的第二速度规划方法对无人车进行速度规划控制。

在一些实施例中，图9的划分模块901根据无人车的行驶状态信息以及道路环境信息，在无人车的前方和两侧分别划分出前方碰撞检测区域和侧方碰撞检测区域，将前方碰撞检测区域与侧方碰撞检测区域进行叠加，以形成完整的检测区域。

在一些实施例中，图9的划分模块901中的前方碰撞检测区域以及侧方碰撞检测区域的形状和大小，跟随无人车的行驶状态信息以及道路环境信息的变化而改变，其中，前方碰撞检测区域以及侧方碰撞检测区域的默认形状为矩形。

在一些实施例中，图9的分类模块902获取无人车的感知模块对无人车周围的障碍物进行检测和识别得到的识别信息，其中，识别信息中包含障碍物类型以及障碍物的尺寸；根据障碍物类型以及障碍物的尺寸，对无人车周围的障碍物进行分类，其中，障碍物的类别包括无风险障碍物类别和有风险障碍物类别。

在一些实施例中，图9的分类模块902根据障碍物类型判断障碍物属于机动车辆还是非机动车辆，当判断障碍物属于非机动车辆，或者障碍物的尺寸小于预设条件时，将障碍物划分为有风险障碍物类别；否则，将障碍物划分为无风险障碍物类别。

在一些实施例中，图9的速度规划控制模块903根据相对速度与预设的安全速度阈值之间的关系，以及相对距离与预设的安全距离阈值之间的关系，确定无人车的限速值；利用限速值、时间域以及距离域生成第一S-T图，在第一S-T图中标记第一禁止区域；对第一S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，从起点到目标点的路径绕过第一禁止区域；将从起点到目标点的路径进行速度平滑处理，得到速度平滑处理后的速度规划路径。

在一些实施例中，图9的速度规划控制模块903将检测区域内的障碍物的速度与无人车的速度相减，得到相对速度，将相对速度与预设的安全速度阈值进行比较；当相对速度大于安全速度阈值时，执行下一循环周期的无人车速度规划控制；否则，将检测区域内的障碍物的位置与无人车的位置相减，得到相对距离，将相对距离与预设的安全距离阈值进行比较；当相对距离大于安全距离阈值时，执行下一循环周期的无人车速度规划控制；否则，确定无人车的限速值。

在一些实施例中，图9的速度规划控制模块903利用检测区域内的障碍物的当前状态和预测模型，对检测区域内的障碍物的未来状态进行预测，基于未来状态计算障碍物与无人车的预期路径发生碰撞的时间与距离的范围信息；根据时间与距离的范围信息生成第二S-T图，并在第二S-T图中标记第二禁止区域，其中，第二禁止区域用于表征障碍物在特定时间段内在无人车的预期路径上所占据的路径距离；对第二S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，从起点到目标点的路径绕过第二禁止区域；将从起点到目标点的路径进行速度平滑处理，得到速度平滑处理后的速度规划路径。

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10是本申请实施例提供的电子设备10的结构示意图。如图10所示，该实施例的电子设备10包括：处理器1001、存储器1002以及存储在该存储器1002中并且可以在处理器1001上运行的计算机程序1003。处理器1001执行计算机程序1003时实现上述各个方法实施例中的步骤。或者，处理器1001执行计算机程序1003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1003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1002中，并由处理器1001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1003在电子设备10中的执行过程。

电子设备10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10可以包括但不仅限于处理器1001和存储器1002。本领域技术人员可以理解，图10仅仅是电子设备10的示例，并不构成对电子设备10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1001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1002可以是电子设备10的内部存储单元，例如，电子设备10的硬盘或内存。存储器1002也可以是电子设备10的外部存储设备，例如，电子设备10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(FlashCard)等。进一步地，存储器1002还可以既包括电子设备10的内部存储单元也包括外部存储设备。存储器1002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1002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 (11)

1.一种无人车速度规划控制方法，其特征在于，包括：

对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据所述行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；

根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定所述障碍物的类别；

判断所述检测区域内是否存在障碍物，当所述检测区域内存在障碍物，且所述检测区域内的障碍物的类别为有风险障碍物类别时，根据所述无人车与所述检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对所述无人车进行速度规划控制；否则，利用预定的第二速度规划方法对所述无人车进行速度规划控制。

2.根据权利要求1所述的方法，其特征在于，所述根据所述行驶状态信息以及道路环境信息，在无人车周围划分出检测区域，包括：

根据所述无人车的所述行驶状态信息以及所述道路环境信息，在所述无人车的前方和两侧分别划分出前方碰撞检测区域和侧方碰撞检测区域，将所述前方碰撞检测区域与所述侧方碰撞检测区域进行叠加，以形成完整的检测区域。

3.根据权利要求2所述的方法，其特征在于，所述方法还包括：

所述前方碰撞检测区域以及所述侧方碰撞检测区域的形状和大小，跟随所述无人车的所述行驶状态信息以及所述道路环境信息的变化而改变，其中，所述前方碰撞检测区域以及所述侧方碰撞检测区域的默认形状为矩形。

4.根据权利要求1所述的方法，其特征在于，所述根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，包括：

获取所述无人车的感知模块对无人车周围的障碍物进行检测和识别得到的识别信息，其中，所述识别信息中包含障碍物类型以及障碍物的尺寸；

根据所述障碍物类型以及所述障碍物的尺寸，对所述无人车周围的障碍物进行分类，其中，所述障碍物的类别包括无风险障碍物类别和有风险障碍物类别。

5.根据权利要求4所述的方法，其特征在于，所述根据所述障碍物类型以及所述障碍物的尺寸，对所述无人车周围的障碍物进行分类，包括：

根据所述障碍物类型判断所述障碍物属于机动车辆还是非机动车辆，当判断所述障碍物属于非机动车辆，或者所述障碍物的尺寸小于预设条件时，将所述障碍物划分为有风险障碍物类别；否则，将所述障碍物划分为无风险障碍物类别。

6.根据权利要求1所述的方法，其特征在于，所述根据所述无人车与所述检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对所述无人车进行速度规划控制，包括：

根据所述相对速度与预设的安全速度阈值之间的关系，以及所述相对距离与预设的安全距离阈值之间的关系，确定所述无人车的限速值；

利用所述限速值、时间域以及距离域生成第一S-T图，在所述第一S-T图中标记第一禁止区域；

对所述第一S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，所述从起点到目标点的路径绕过所述第一禁止区域；

将所述从起点到目标点的路径进行速度平滑处理，得到所述速度平滑处理后的速度规划路径。

7.根据权利要求6所述的方法，其特征在于，所述根据所述相对速度与预设的安全速度阈值之间的关系，以及所述相对距离与预设的安全距离阈值之间的关系，确定所述无人车的限速值，包括：

将所述检测区域内的障碍物的速度与所述无人车的速度相减，得到相对速度，将所述相对速度与预设的安全速度阈值进行比较；

当所述相对速度大于所述安全速度阈值时，执行下一循环周期的无人车速度规划控制；

否则，将所述检测区域内的障碍物的位置与所述无人车的位置相减，得到相对距离，将所述相对距离与预设的安全距离阈值进行比较；

当所述相对距离大于所述安全距离阈值时，执行下一循环周期的无人车速度规划控制；否则，确定所述无人车的限速值。

8.根据权利要求1所述的方法，其特征在于，所述利用预定的第二速度规划方法对所述无人车进行速度规划控制，包括：

利用所述检测区域内的障碍物的当前状态和预测模型，对所述检测区域内的障碍物的未来状态进行预测，基于所述未来状态计算障碍物与无人车的预期路径发生碰撞的时间与距离的范围信息；

根据所述时间与距离的范围信息生成第二S-T图，并在所述第二S-T图中标记第二禁止区域，其中，所述第二禁止区域用于表征障碍物在特定时间段内在所述无人车的预期路径上所占据的路径距离；

对所述第二S-T图进行离散化处理，并针对每一个目标点，利用搜索算法在S-T搜索空间中搜索从起点到目标点的路径，所述从起点到目标点的路径绕过所述第二禁止区域；

将所述从起点到目标点的路径进行速度平滑处理，得到所述速度平滑处理后的速度规划路径。

9.一种无人车速度规划控制装置，其特征在于，包括：

划分模块，被配置为对无人车行驶过程中的行驶状态信息以及道路环境信息进行采集，根据所述行驶状态信息以及道路环境信息，在无人车周围划分出检测区域；

分类模块，被配置为根据感知模块对无人车周围障碍物的识别信息，利用预定的分类方法对无人车周围的障碍物进行分类，以确定所述障碍物的类别；

速度规划控制模块，被配置为判断所述检测区域内是否存在障碍物，当所述检测区域内存在障碍物，且所述检测区域内的障碍物的类别为有风险障碍物类别时，根据所述无人车与所述检测区域内的障碍物之间的相对速度和相对距离，利用预定的第一速度规划方法对所述无人车进行速度规划控制；否则，利用预定的第二速度规划方法对所述无人车进行速度规划控制。

10.一种电子设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法。

11.一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。