CN117698769B - 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 - Google Patents
自动驾驶的轨迹规划方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117698769B CN117698769B CN202410165050.9A CN202410165050A CN117698769B CN 117698769 B CN117698769 B CN 117698769B CN 202410165050 A CN202410165050 A CN 202410165050A CN 117698769 B CN117698769 B CN 117698769B
- Authority
- CN
- China
- Prior art keywords
- information
- obstacle
- vehicle
- decision
- track
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 89
- 230000004888 barrier function Effects 0.000 claims abstract description 84
- 238000001914 filtration Methods 0.000 claims description 110
- 230000003993 interaction Effects 0.000 claims description 96
- 238000012216 screening Methods 0.000 claims description 82
- 230000006399 behavior Effects 0.000 claims description 79
- 230000008447 perception Effects 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 62
- 230000008859 change Effects 0.000 claims description 53
- 238000010586 diagram Methods 0.000 claims description 53
- 230000001133 acceleration Effects 0.000 claims description 48
- 230000002452 interceptive effect Effects 0.000 claims description 37
- 238000010276 construction Methods 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 22
- 230000007613 environmental effect Effects 0.000 claims description 20
- 238000001514 detection method Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 18
- 238000009499 grossing Methods 0.000 claims description 13
- 230000036461 convulsion Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012952 Resampling Methods 0.000 claims description 7
- 230000003238 somatosensory effect Effects 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 abstract description 21
- 238000005457 optimization Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 10
- 238000012937 correction Methods 0.000 description 10
- 238000011156 evaluation Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 238000006243 chemical reaction Methods 0.000 description 4
- 206010001488 Aggression Diseases 0.000 description 3
- 229920000832 Cutin Polymers 0.000 description 3
- 230000016571 aggressive behavior Effects 0.000 description 3
- 208000012761 aggressive behavior Diseases 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 230000036544 posture Effects 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 230000037431 insertion Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002787 reinforcement Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241001643392 Cyclea Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000003999 initiator Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W50/0098—Details of control systems ensuring comfort, safety or stability not otherwise provided for
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- 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)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种自动驾驶的轨迹规划方法、装置、电子设备及存储介质,所述方法包括:获取当前车辆自动驾驶的轨迹规划所需的信息;基于轨迹规划所需的信息,确定当前车辆的参考轨迹信息;基于参考轨迹信息,对各类目标障碍物做出行为决策,确定各类目标障碍物的边界信息;对参考轨迹信息,参考轨迹信息的起点信息及终点信息,以及各类目标障碍物的边界信息进行整合,得到控制当前车辆的规划轨迹信息。本发明基于当前车辆自动驾驶的轨迹规划所需的信息,对纵向部分进行设计,从而得到当前车辆的规划轨迹信息,解决了在算力平台较低,在噪声较大、环境复杂的场景中,为当前车辆生成一条舒适性高,安全性强的轨迹,提高了自动驾驶的舒适性和安全行。
Description
技术领域
本发明涉及自动驾驶技术领域,尤其涉及一种自动驾驶的轨迹规划方法、装置、电子设备及计算机可读存储介质。
背景技术
随着自动驾驶技术的不断发展及普及,用户对于自动驾驶技术的安全性及舒适性要求不断提升,自动驾驶技术需求方对于该技术的研发成本、算力成本、场景覆盖率、稳定性等性能指标要求也愈来愈高。对于自动驾驶技术中的规划模块,需要适配精度较低的传感器,而对于场景中的危险任务及时做出安全且舒适的行为。
相关规划技术架构都分为横向及纵向两个部分,横向部分会基于地图、定位、感知、导航等数据去生成安全且合理的路径信息,而纵向部分更重视感知、融合、预测、地图、用户行为等交互信息强的信息,在横向生成的路径上去计算舒适且安全的速度信息。而由于纵向部分的交互信息的实时和多变,具有强博弈性的,会存在较多噪声和误识别情况,这对于基于这些交互信息生成的路径去规划轨迹的连续性和稳定性,会产生严重的负面影响。
在纵向规划技术中,基于强化学***顺性良好的轨迹。该类方法赋予行为及动作明确的语义信息,并能够综合评估一段时间内的最优解,具有完善的博弈判断。但是,这类方法对于噪声较大的环境,或处理精度较低的感知信息时,容易过拟合至错误解,导致输出异常。同时,这类方法也需要大量的数据及标注平台的支持,难以符合目前算力较低平台的使用要求。
所以,基于现有算力平台较低,噪声较大、环境较为复杂的交互信息生成的路径,如何为自动驾驶生规划出一条舒适性高,安全性强的轨迹,是目前有待解决的技术问题。
发明内容
本发明提供一种自动驾驶的轨迹规划方法、装置、电子设备及计算机可读轨迹存储介质,以至少解决相关技术中由于现有算力平台较低,噪声大、环境复杂且实时多变的交互信息生成的路径去规划自动驾驶的速度轨迹,导致自动驾驶的舒适性低,安全行弱,可靠性低的技术问题。本发明的技术方案如下:
根据本发明实施例的第一方面,提供一种自动驾驶的轨迹规划方法,包括:
获取当前车辆自动驾驶的轨迹规划所需的信息;
基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;
基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息。
可选的,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、车辆运动状态信息和横向决策行为信息;
所述基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息,包括:
基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图;
对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果;
基于所述初步纵向决策结果确定所述当前车辆的参考轨迹信息。
可选的,所述基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图,包括:
对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行预处理;
基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点,并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图。
可选的,所述对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行预处理,包括:
对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行整合;
将整合后的信息按照场景划分为:弱势场景、多个方向障碍物的高风险场景和环境信息缺失的危险场景;
对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息;
融合所述每个场景中障碍物的有效信息,得到所述路径信息中的障碍物的有效信息。
可选的,所述对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息,包括:
对于所述弱势场景,将所述弱势场景中的障碍物信息与历史数据进行比对,过滤掉低可用性信息;以及对非弱势场景中的障碍物信息直接滤掉掉低可用性信息,得到所述弱势场景中障碍物的有效信息;
对于所述多个方向的高风险场景,根据所述高风险场景中当前车辆的运动需求及路权进行判断,过滤掉高路权道路巡航中所述当前车辆的左右车道的障碍物信息,以及前向感知范围外的障碍信息,后向安全距离外的障碍物信息;以及,所述当前车辆从低路权的道路向高路权的道路运动过程中,过滤掉所述当前车辆的反向车道内的障碍物信息,且保留目标车道及其相邻车道内的障碍物信息,得到所述高风险场景中障碍物的有效信息;
对于所述环境信息缺失的危险场景,基于地图外或感知域外的障碍物,在当前车辆与所述障碍物的相对位置及姿态存在交互风险时,除去存在交互风险的所述障碍物的信息,得到所述危险场景中障碍物的有效信息;以及基于感知盲区内的障碍物,通过所述感知盲区内的障碍物与当前车辆的相对位置、速度及姿态进行筛选,得到所述危险场景中障碍物的有效信息。
可选的,所述基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点,并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图,包括:
基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,通过最近邻查找算法kdtree判断所有目标障碍物在未来轨迹上的位置与所述当前车辆的路径点是否存在的交互点;
按照所述目标障碍物在未来轨迹上的交互点到路径点进行最近距离判断;
从距离判断结果中的最近点向前递推一个车长的位置开始核查check是否存在碰撞;
对存在碰撞的结果通过相邻点进行二次碰撞检测,得到预测轨迹点;
将所述预测轨迹点按照近密远疏的规则进行重采样,并按照路程与时间的坐标统一投影到统一坐标系中,完成目标障碍物的ST图。
可选的,所述对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果,包括:
通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;
按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;
基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;
对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
可选的,所述通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理,包括:
确定未来时间内所述ST图中的各类目标障碍物的目标筛选基准条件;
对通过所述未来时间内所述ST图中的各类目标障碍物按照所述目标筛选基准条件进行过滤筛选,得到对所述当前车辆行为没有影响的无效车辆;
将筛选后得到所述无效车辆按照纵向位置从近到远放入优先队列中;
对所述优先队列中的无效车辆执行前前车过滤,得到对所述当前车辆行为没有影响的无效车辆,其中,所述前前车过滤依次包括:交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选和数据可靠性筛选;
对所述无效车辆进行过滤处理。
可选的,所述基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息,包括:
基于所述参考轨迹信息,对各类目标障碍物中的动静态障碍物及虚拟障碍物做出行为决策,确定所述当前车辆的行驶情况;
基于所述当前车辆的行驶情况,对ST图进行细化处理,得到各类目标障碍物的边界信息。
可选的,在基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息之后,所述方法还包括:
对所述参考轨迹信息进行平滑处理,并评估当前场景的危险程度;
基于所述当前场景的危险程度,对平滑处理后的所述参考轨迹信息上的每个点的位置,速度,加速度和加加速度分别进行合理性及体感检测,如果所述参考轨迹信息不满足所述当前场景的危险程度的限制,则对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息。
可选的,所述对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息,包括:
确定所述参考轨迹信息中的障碍物信息并构建列表;
根据所述障碍物信息和所述构建列表确定加速度边界;
根据所述加速度边界,更新参考速度及速度边界,以及更新参考位置及位置边界,得到更新后的参考轨迹信息。
根据本发明实施例的第二方面,提供一种自动驾驶的轨迹规划装置,包括:
获取模块,用于获取当前车辆自动驾驶的轨迹规划所需的信息;
第一确定模块,用于基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;
第二确定模块,用于基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
轨迹规划处理模块,用于对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类所述目标障碍物的边界信息进行整合处理,得到控制所述当前车辆的规划轨迹信息。
可选的,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、车辆运动状态信息,横向决策行为信息;
所述第一确定模块包括:
构建模块,用于基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图;
纵向决策处理模块,用于对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果;
参考轨迹确定模块,用于基于所述初步纵向决策结果确定所述当前车辆的参考轨迹信息。
可选的,所述构建模块包括:
预处理模块,用于对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信进行预处理;
ST图构建模块,用于基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点,并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图。
可选的,所述预处理模块包括:
整合模块,用于对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信进行整合;
划分模块,用于将整合后的信息按照场景划分为:弱势场景、多个方向障碍物的高风险场景和环境信息缺失的危险场景;
过滤模块,用于对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息;
融合模块,用于融合所述每个场景中障碍物的有效信息,得到所述路径信息中的障碍物的有效信息。
可选的,所述过滤模块包括:
第一信息过滤模块,用于对于所述弱势场景,将所述弱势场景中的障碍物信息与历史数据进行比对,过滤掉低可用性信息;以及对非弱势场景中的障碍物信息直接滤掉掉低可用性信息,得到所述弱势场景中障碍物的有效信息;和/或
第二信息过滤模块,对于所述多个方向的高风险场景,根据所述高风险场景中当前车辆的运动需求及路权进行判断,过滤掉高路权道路巡航中所述当前车辆的左右车道的障碍物信息,以及前向感知范围外的障碍信息,后向安全距离外的障碍物信息;以及,所述当前车辆从低路权的道路向高路权的道路运动过程中,过滤掉所述当前车辆的反向车道内的障碍物信息,且保留目标车道及其相邻车道内的障碍物信息,得到所述高风险场景中障碍物的有效信息;和/或
第三信息过滤模块,用于对于所述环境信息缺失的危险场景,基于地图外或感知域外的障碍物,在当前车辆与所述障碍物的相对位置及姿态存在交互风险时,除去存在交互风险的所述障碍物的信息,得到所述危险场景中障碍物的有效信息;以及基于感知盲区内的障碍物,通过所述感知盲区内的障碍物与当前车辆的相对位置、速度及姿态进行筛选,得到所述危险场景中障碍物的有效信息。
可选的,所述ST图构建模块包括:
交互点确定模块,用于基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,通过最近邻查找算法kdtree判断所有目标障碍物在未来轨迹上的位置与所述当前车辆的路径点是否存在的交互点;
判断模块,用于按照所述目标障碍物在未来轨迹上的交互点到路径点进行最近距离判断;
碰撞核查模块,用于从所述判断模块判断的距离判断结果中的最近点向前递推一个车长的位置开始核查check是否存在碰撞;
轨迹点检测模块,用于对存在碰撞的结果通过相邻点进行二次碰撞检测,得到预测轨迹点;
障碍物ST图确定模块,用于将所述预测轨迹点按照近密远疏的规则进行重采样,并按照路程与时间的坐标统一投影到统一坐标系中,完成目标障碍物的ST图。
可选的,所述纵向决策处理模块包括:
无效车辆确定模块,用于通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;
综合判断模块,用于按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;
速度预决策模块,用于基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;
初步纵向决策处理模块,用于对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
可选的,所述无效车辆确定模块包括:
基准条件确定模块,用于确定未来时间内所述ST图中的各类目标障碍物的目标筛选基准条件;
筛选模块,用于对通过所述未来时间内所述ST图中的各类目标障碍物按照所述目标筛选基准条件进行过滤筛选,得到对所述当前车辆行为没有影响的无效车辆;
队列***模块,用于将筛选后得到所述无效车辆按照纵向位置从近到远放入优先队列中;
车辆过滤模块,用于对所述优先队列中的无效车辆执行前前车过滤,得到对所述当前车辆行为没有影响的无效车辆,其中,所述前前车过滤依次包括:交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选和数据可靠性筛选;
无效车辆过滤模块,用于对所述无效车辆进行过滤处理。
可选的,所述第二确定模块包括:
车辆行驶模块,用于基于所述参考轨迹信息,对各类目标障碍物中的动静态障碍物及虚拟障碍物做出行为决策,确定所述当前车辆的行驶情况;
细化处理模块,用于基于所述当前车辆的行驶情况,对所述ST图进行细化处理,得到各类目标障碍物的边界信息。
可选的,所述装置还包括:
平滑处理模块,用于在所述第二确定模块基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息之后,对所述参考轨迹信息进行平滑处理,并评估当前场景的危险程度;
检测模块,用于基于所述当前场景的危险程度,对平滑处理后的所述参考轨迹信息上的每个点的位置,速度,加速度,以及加加速度分别进行合理性及体感检测;
优化修正处理,用于在所述检测模块检测到所述参考轨迹信息不满足所述当前场景的危险程度的限制时,对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息。
可选的,所述优化修正处理包括:
障碍物确定模块,用于确定所述参考轨迹信息中的障碍物信息并构建列表;
加速度边界确定模块,用于根据所述障碍物信息和所述构建列表确定加速度边界;
更新模块,用于根据所述加速度边界,更新参考速度及速度边界,以及更新参考位置及位置边界,得到更新后的参考轨迹信息。
可选的,本发明实施例还提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上所述的自动驾驶的轨迹规划方法。
可选的,本发明实施例还提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上所述的自动驾驶的轨迹规划方法。
可选的,本发明实施例还提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被电子设备的处理器执行时实现如上所述的自动驾驶的轨迹规划方法。
本发明的实施例提供的技术方案至少带来以下有益效果:
本发明实施例中,获取当前车辆自动驾驶的轨迹规划所需的信息;基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息。也就是说,本发明实施例中,基于当前车辆自动驾驶的轨迹规划所需的信息,对纵向部分进行设计,从而得到当前车辆的规划轨迹信息,解决了在算力较低的平台,在噪声较大、环境复杂的场景中,为当前车辆生成一条舒适性高,安全性强的轨迹,提高了自动驾驶的舒适性和安全行。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
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,并与说明书一起用于解释本发明的原理,并不构成对本发明的不当限定。为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图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他的附图。
图1是本发明实施例提供的一种自动驾驶的轨迹规划方法的流程图。
图2是本发明实施例提供的一种 ST Graph 过滤流程图。
图3A是本发明实施例提供的一种目标筛选条件的示意图。
图3B是本发明实施例提供的一种follow场景筛选示例图。
图4是本发明实施例提供的一种自动驾驶的轨迹规划装置的框图。
图5是本发明实施例提供的一种自动驾驶的轨迹规划架构示意图。
图6是本发明实施例提供的一种预处理模块的示意图。
图7是本发明实施例提供的一种预决策模块的框图。
图8是本发明实施例提供的一种决策结果评估及修正模块的框图。
图9是本发明实施例提供的一种电子设备的框图。
图10是本发明实施例提供的一种用于自动驾驶的轨迹规划装置的框图。
具体实施方式
为了使本领域普通人员更好地理解本发明的技术方案,下面将结合附图,对本发明实施例中的技术方案进行清楚、完整地描述。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例通过对纵向部分(纵向部分更重视感知、融合、预测、地图、用户行为等交互信息强的信息)进行设计,在算力较低的平台,在噪声较大、环境较为复杂的场景中,为当前车辆生成一条舒适性高,安全性强的轨迹。
图1是本发明实施例提供的一种自动驾驶的轨迹规划方法的流程图,如图1所示,该方法包括以下步骤:
步骤101:获取当前车辆自动驾驶的轨迹规划所需的信息;
步骤102:基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;
步骤103:基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
步骤104:对所述参考轨迹信息,所述参考信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息。
本发明实施例所述的自动驾驶的轨迹规划方法可以应用于车端、云端等,在此不作限制,其车端实施设备可以是车载终端,车控平台,工控机等电子设备,云端可以为独立的服务器,也可以是服务器集群,或者是提供云服务、云数据库、云计算、云函数,云存储,网络服务、云通信、中间服务,域名服务、安全服务、内容分发网络的服务器,或者是大数据和人工智能平台等,在此不作限制。
下面结合图1,对本发明实施例提供的一种自动驾驶的轨迹规划方法的具体实施步骤进行详细说明。
在步骤101中,获取当前车辆自动驾驶的轨迹规划所需的信息。
该步骤中的轨迹规划所需的信息可以包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、车辆运动状态信息(比如定位信息与车辆状态信息等),以及横向决策行为信息等,但在具体应用时,并不限于此。之后,并将所需的信息其转化成下游可以使用的语义及结构。
在步骤102中,基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息。
该步骤,预处理通常可以包括:语义转换,筛选及过滤等。即对获取的上游所有信息进行整合,该信息具体包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、定位信息与车辆状态信息,横向决策行为信息等。并将这些所需信息转化成下游可以使用的语义及结构。
该步骤中,还可以对转化后的一些无效、异常、交互性低的数据进行筛选及过滤,如置信度较低的障碍物,极远处的交通信息等,减小下游对该类信息的算法开销,提高***的运行效率及鲁棒性。
该步骤具体包括:1)基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图。
具体的,首先,对所述自动驾驶的轨迹规划所需的信息进行预处理。具体包括:对所述自动驾驶的轨迹规划所需的信息进行整合;将整合后的信息按照场景划分为:弱势场景、多个方向障碍物的高风险场景和环境信息缺失的危险场景;对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息;融合所述每个场景中障碍物的有效信息,得到所述路径信息中的障碍物的有效信息。
其中,所述对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息,包括:
对于所述弱势场景,将所述弱势场景中的障碍物信息与历史数据进行比对,过滤掉低可用性信息;以及对非弱势场景中的障碍物信息直接滤掉掉低可用性信息,得到所述弱势场景中障碍物的有效信息;
对于所述多个方向的高风险场景,根据所述高风险场景中当前车辆的运动需求及路权进行判断,过滤掉高路权道路巡航中所述当前车辆的左右车道的障碍物信息,以及前向感知范围外的障碍信息,后向安全距离外的障碍物信息;以及,所述当前车辆从低路权的道路向高路权的道路运动过程中,过滤掉所述当前车辆的反向车道内的障碍物信息,且保留目标车道及其相邻车道内的障碍物信息,得到所述高风险场景中障碍物的有效信息;
对于所述环境信息缺失的危险场景,基于地图外或感知域外的障碍物,在当前车辆与所述障碍物的相对位置及姿态存在交互风险时,除去存在交互风险的所述障碍物的信息,得到所述危险场景中障碍物的有效信息;以及基于感知盲区内的障碍物,通过所述感知盲区内的障碍物与当前车辆的相对位置、速度及姿态进行筛选,得到所述危险场景中障碍物的有效信息。
也就是说,该实施例中,对整合的信息去进行场景划分,场景特征主要分为三类:是否是感知弱势场景、是否是需要考虑多个方向障碍物的高风险场景、是否是环境信息缺失的危险场景。下面分别来说明:
在感知弱势的场景,如大曲率弯道、匝道分流/合流、坡度变化较大的地形处,由于会存在栏杆、植物、坡面等影响相机与雷达感知能力的遮挡物,规划容易获得误识别、噪音较大的障碍物信息。对于该类信息,如果直接应用于下游速度规划,将生成不一定合理的智能体行为。本实施例对其进行分类处理:
11)弱势场景
弱势场景中的障碍物将输入至历史信息***中做判断,定义进入该场景后第i个周期的障碍物队列中第n个障碍物为,障碍物相对于自车纵向位置为/>,横向位置为/>,障碍物横纵速度为/>、/>,障碍物置信度为/>,障碍物出现周期数/>,自车速度为/>,安全时距指标通过TTC和THW来表示,定义为/>、/>,则安全距离可以计算为:
定义置信度阈值为,跟踪周期阈值为/>,横纵向安全、告警、危险阈值分别为/>、/>、/>和/>、/>、/>、,则弱势场景障碍物有效条件可以表示为:
此外,该实施例中,传感器大体上分为视觉及雷达两大部分,可以根据单个目标在同一时刻被不同传感器感知的次数来间接表征目标的有效性,定义该感知次数为,对应阈值可以设置为/>,该值可以根据不同自动驾驶***的传感器方案来标定,因而弱势场景障碍物有效条件可以进一步优化为:
|/>
12)各向安全性
对于需要考虑多个方向的高风险场景而言,一般会根据产品需求及路权来进行判断。在正常巡航过程中,当前车辆在加减速合理的范围内,不需要考虑后向及侧后向的障碍物。而在一些地路权的场景中,比如变道、合入主路时,需要尽可能将风险区域内的障碍物涵括进来,保证智能体运动时的安全。本实施例目前定义的基准如下:
121)当前车辆在高路权道路中巡航,横向上可以忽略次相邻车道,如左左道路、右右道路,前向可以忽略路径长度外以及感知范围外的障碍,后向可以忽略安全时距外的障碍物。
122)当前车辆在从低路权的道路向高路权的道路运动过程中,可以忽略反向车道内的障碍物,但需要考虑目标车道及其相邻车道内的障碍物。
因而满足上述条件的障碍物有效性可以表示为。
123)环境有效性
无论是目前基于高精地图的方案,还是基于视觉的环境感知方案,接收到的环境信息一定是有限的,这也就意味着在一些复杂路段中,容易缺乏地图的上下文语义。比如在Y字型路段中,很难知道另一侧道路在合流点前的路况信息及障碍物信息,再比如在一些传感器使用较少的车型上,可能存在少许感知盲区,该位置的障碍物只能通过历史信息来推断,因而这类场景中一方面感知、后处理、融合、预测等模块容易出现误检测、信息不准确的情况;另一方面障碍物对于自车的威胁程度较高。对于这类出现在地图信息或者感知域外的障碍物信息,本实施例可以通过下述条件来进行处理:
31)对于地图外的障碍物,仅当自车与障碍物的相对位置及姿态存在交互风险的时候,需要去使用障碍物运动信息。定义自车横纵向速度、/>,告警相对速度阈值为,则该条件可以表示为:
32)对于感知盲区内的障碍物,也可以通过障碍物与自车的相对位置、速度及姿态来进行筛选。
因而环境有效性信息可以表示为
33)障碍物综合评估
通过上述几个方面的评估,对于第个周期中第/>个障碍物,可以被下游所考虑使用的条件/>可以表述为:
其次,基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点;并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图,具体包括:
该步骤中,基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,通过最近邻查找算法kdtree判断所有目标障碍物在未来轨迹上的位置与所述当前车辆的路径点是否存在的交互点;按照所述目标障碍物在未来轨迹上的交互点到路径点进行最近距离判断;从最近距离判断结果中的最近点向前递推一个车长的位置开始核查check是否存在碰撞;对存在碰撞的结果进行二次碰撞检测,得到预测轨迹点;其中,二次碰撞检测,可以通过aabox进行粗估计,以及通过相邻点进行二次碰撞检测,从而得到预测轨迹点;将所述预测轨迹点按照近密远疏的规则进行重采样,并按照路程与时间的坐标统一投影到统一坐标系中,完成目标障碍物的ST图。
该步骤中,一一对比障碍物在未来轨迹上的位置与当前车辆路径点是否存在交互,并将可能存在的交互点按照(s,t)的坐标投影到统一的ST图中,作为下游进行决策规划处理的约束条件。这种方法通过引入时间维度的信息,将所有障碍物的未来状态投影到统一的坐标系,能够有效地对未来每一个时刻的规划状态进行单独的逻辑处理,具有较好的解耦性及可解释性。其原理参照开源的apollo方法,实现如下:
[] STBounds
/* 遍历所有障碍物 */
for each obstacle in obstacle_list do
/* 遍历障碍物所有轨迹点 */
for each prediction_point in obstacle.prediction do
/* 构建障碍物的未来几何图形,遍历自车所有路径点 */
obstacle_future_box<- obstacle.GetBoundingBox(prediction_point)
for each adc_path_point in adc_path do
/* 构建自车几何图形,与障碍物进行碰撞检测 */
adc_future_box<- adc.GetBoundingBox(adc_path_point)
if (CheckOverlap(obstacle_future_box, adc_future_box)) then
STBound<- GetSTbound(adc_path_point, adc_params)
STBounds.add(STBound)
end if
end for
end for
end for
由上述可知,随着障碍物数量的增加,整个构建方法的耗时将成指数倍增加。同时,由于每存在一个预测点,都需要遍历一遍路径点,并对每一组点进行凸多边形的碰撞检测,整体方法在复杂的道路环境中将会难以满足耗时要求。所以,本实施例中,将对上述方案进行重构优化,具体优化点如下:
首先,尽可能降低需要构建ST图障碍物的数量,该部分优化具体详见上述,在此不在赘述。
其次,对于碰撞点的搜索方法,本实施例可以通过kdtree的树搜索方法进行优化,在搜索过程中按照点到路径点所在box的方法来进行最近距离判断,而不采用预测点box与路径点box是否重合来判断。
其中,kd-tree是最近邻查找算法,简称k维树,是一种空间划分的数据结构。常被用于高维空间中的搜索,比如范围搜索和最近邻搜索。kd-tree是二进制空间划分树的一种特殊情况,kd-tree的构建就是按照某种顺序将无序化的点云进行有序化排列,方便进行快捷高效的检索。
再次,Kdtree直接搜索出来的最近点不能直接决定需要投影的ST边界,比如path的采样间隔为1.0m,但障碍物长度为5m,此时path与障碍物的交互点将在更前端,因而,需要判断从kdtree搜索到的最近点向前递推一个车长的位置开始check是否存在碰撞,采样长度为半车长,最多检查三次即可完成。
然后,对于碰撞检测方法,本实施例可以通过aabox来进行粗估计,并通过相邻点进行二次碰撞检测来保证精度。
最后,对于预测轨迹点,本实施例按照近密远疏的规则进行重采样,进行进一步搜索空间的压缩。
因而,ST图构建的核心逻辑可以通过下述程序段来表示,具体为:
[] STBounds
/* 障碍物过滤 */
valid_obstacle_list<- ObstacleFilter(obstacle_list)
/* 构建kdtree */
aaboxkdtree<- InitKdtree(adc_path, adc_param)
/* 遍历所有有效障碍物 */
for each obstacle in valid_obstacle_list do
/* 有效障碍物预测轨迹重采样 */
obstacle_trajectory<- Resample(obstacle.prediction)
for each prediction_point in obstacle_trajectory do
/* 构建障碍物未来时刻aabox */
obstacle_future_aabox<- obstacle.GetBoundingBox(prediction_point)
/* kdtree搜索最近路径点集 */
nearest_path_point_s = aaboxkdtree.SearchNearestPoint(obstacle_future_aabox)
/* 遍历最近点前一个车长到最近点范围内可能交互的点 */
for INT adc_path_s<- nearest_path_point_s - vehicle.length to
nearest_path_point_s by 0.5 * vehicle.length do
/* 构建自车aabox */
adc_future_aabox<- adc.GetBoundingBox(adc_path_s)
if (CheckOverlap(obstacle_future_aabox, adc_future_aabox)) then
STBound<- GetSTbound(adc_path_point, adc_params)
STBounds.add(STBound)
end if
end for
end for
end for
所以,从上述优化很容易看出,对于m个轨迹长度为n的障碍物,如果当前车辆路径有k个点,原有方法的复杂度为O(mnk),而优化后方法复杂度为O(mn),且在障碍物过滤和轨迹长度重采样后,整个ST图的构建开销将更小。
2)对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果。
该步骤具体包括:首先,通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;其次,按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;再次,基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;最后,对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
其中,所述通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理,包括:
确定未来时间内所述ST图中的各类目标障碍物的目标筛选基准条件;对通过未来时间内所述ST图中的各类目标障碍物按照所述目标筛选基准条件进行过滤筛选,得到对所述当前车辆行为没有影响的无效车辆;即对所有纵向位置远于基准位置的障碍物进行过滤;
将筛选后得到所述无效车辆按照纵向位置从近到远放入优先队列中;对所述优先队列中的无效车辆执行前前车过滤,其中,所述前前车过滤依次包括:交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选和数据可靠性筛选,得到对所述当前车辆行为没有影响的无效车辆;对所述无效车辆进行过滤处理。
该实施例中,需要处理两类任务:对于威胁程度低的障碍物进行二次过滤及筛选处理、对于用户的交互行为及横向的决策行为进行信息整合及仲裁处理。
由于在ST图之后,可以通过对未来时间内各类障碍物与自车的交互信息来决定对于自车行为没有影响的无效车辆,比如比前车更高速的前前车辆。对于这类障碍物进行过滤能够对后续求纵向速度曲线的启发式节点搜索有较大的开销优化。
其中,ST Graph 过滤的过程包括四个步骤:过滤基准建立,障碍物初筛,优先队列构建和前前车过滤,最后完成过滤。其具体的实现流程图如图2所示,图2为本发明实施例提供的一种以ST Graph 过滤器进行过滤的流程图。
如图2所示,前前车过滤的过程具体包括:进入过滤器,之后,判断队列中是否有未考虑障碍物。如果没有未考虑障碍物,则退出过滤器;如果有未考虑障碍物,则提取对比组,计算交互信息;基于交互信息进行前前车交互性判断,即判断前前车与障碍物是否具有交互性,如果没有交互性,则保留该障碍物,如果有交互性,对前前车进行安全性判断,如果安全,则忽略障碍物并过滤优先队列中的后续障碍物,如果不安全,则继续进行前前车有效性判断,如果没有效,则忽略障碍物,如果有效,则进行前前车碰撞风险性判断,如果有碰撞风险,则忽略障碍物并过滤优先队列中的后续障碍物,如果没有风险,则继续进行前前车数据可靠性判断,如果可靠,则保留障碍物,如果不可靠,忽略障碍物并过滤优先队列中的后续障碍物,之后,退出过滤器。
其中,前前车过滤的策略可以分为三类,前车长时间存在的场合、前车切入的场景、前车切出的场景。对于前车长时间存在的场合,定义任一id为i的障碍物ST图左上、左下、右下、右上四个角点为(本实施例是以四边型进行说米,其他多边形原理与类似),每个角点为/>,设定follow初始时刻start_t,终止时刻end_t,及follow最远距离end_s。一般情况下,end_t略小于规划最终输出轨迹时长,end_s与路径长度基本一致。目标筛选基准为:
21)统计所有长时间存在的跟车目标,作为候选基准。筛选条件为: 对于id为的障碍id为的障碍物Obs i,角点B i的时间B i t小于start_t,同时角点C i需要满足C i t大于end_t,或者C i s大于end_s。
22)对于所有候选障碍,取最小的障碍物作为最终的筛选基准。
设定follow初始时刻start_t不为0的原因在于,对于即将进入本车道的cutin障碍物,也认为是纵向规划的目标,是需要去进行跟随的对象,因而上述这类过滤基准也可以认为是follow和cutin场景的统一筛选基准模型。
对于障碍物初筛的过程,当前时刻下,所有纵向位置远于基准位置的障碍物进行过滤。具体原理为对ST图中所有障碍物的边进行拓展,并计算延长线与S坐标轴的交点,如图3A和图3B所示,图3A是本发明实施例提供的一种目标筛选条件的示意图,图3B是本发明实施例提供的一种follow场景筛选示例图。如图所示,为筛选基准,/>与s轴交点为,/>同理构建,可以发现,/>小于/>,即在当前t=0的时刻,/>虽然不在自车正前方,但其纵向距离离自车更近,在一段时间后才会出现在/>的障碍物后方,所以对于进行保留,/>进行过滤。这类障碍物保留的原因在于,st图是基于当前障碍物的运动状态进行未来时刻的估计,但障碍物本身可能存在一些其他意图或者噪声,可能下一时刻就执行cut in 或其他运动行为,如果对这类障碍物进行直接过滤,则意味着,纵向规划对这类障碍物不做任何反应,可能导致未来自车有出现危险驾驶的可能。
优先队列构建中,将初筛后的障碍物按照纵向位置从近到远放入优先队列结构中。
开始执行前前车过滤,该前前车过滤器分为五个筛选部分,交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选、数据可靠性筛选。通过遍历将优先队列中第一个元素和第i个元素/>(i>1)作为对比组,执行如下步骤:
交互性判断:如果前前车进入正前方的时间A i t大于前车离开的时间C f t(比如前前车将要cutin,同时前车将要cutout的场景),此时对比组两个车辆不存在强交互性,自车需要同时考虑该类障碍物。这类case在拥挤场景中较为常见,交互性判断能够增加自动驾驶***的安全性。
安全性判断:如果前前车的速度高于前车,或者前前车与前车速度较小,不会进入安全距离S i safe,此时可以认为前前车的运动状态对自车没有影响,可以直接过滤前前车,及优先队列中所有后续障碍。
有效性判断:在感知视野存在部分遮挡,或者环境复杂时,容易出现感知位置不准确的情况,尤其是在大型卡车存在时,不同角度的传感器融合一类障碍物容易出现误识别问题,此时obs f和obs i可能出现几何图形重叠的情况,此时,可以认为是感知弱势场景,对于前前车进行过滤,但不能确定其他障碍物是否受到影响,因而需要继续遍历优先队列进行判断。
碰撞风险判断:感知被遮挡情况下,前前的速度往往通过历史信息进行推导,可能存在测速不准的情况。如果前车在前方将会行驶一段时间,但前前车速度异常低,与前车不满足极限的安全距离,可以认为前前车测速异常,可以认为该车辆及其后方车辆可能都因为遮挡原因感知不准确,过滤前前车,及优先队列中所有后续障碍。其判断条件为,定义两车相对位置△s,相对速度△v,安全TTC为safe_ttc,前车最小存在时间t min,异常速度阈值v threshold。因而,可以表示为
数据可靠性判断:对于高程存在变化的道路,视觉识别的远距离障碍物可能会存在异常。此时对于位置相对安全,速度可能不准确的障碍物可以进行过滤,定义安全距离比例系数k(k>1),自车纵向位置sadc,则可以表示为:
该实施例中,期望速度主要来源于环境告警信息、交互信息、智能变道等上游信息。环境信息主要包括环境遮挡较多、感知置信度较低等情况,planning在面对这类case可以进行保持车速、降速保护等行为。另外,交互信息指的是用户调整巡航速度、不同路段的道路限速产生的默认巡航速度问题。此外,本实施例在执行一些较为激进的动作,如加减速变道、插空行为时,需要计算一个最优期望速度。
在期望速度来源较多时,需要进行仲裁,得到最优的巡航速度。在该实施例中,采用两类仲裁标准:一种,在执行激进行为时,不考虑用户设定的速度,同时根据产品及***需求,对速度边界进行拓展(比如允许超过道路限速10%等),对其他需要的期望速度取极小值,作为最终结果。另一种,在非激进行为的情况下,对所有输入的期望速度取最小,作为输出结果即可。
在速度平滑过程中,如果仲裁结果远大于或远小于当前自车速度时,可能会产生较大的加速度值,影响体感。此时,本实施例可以认为仲裁结果在短时间内是无法达到的,可以以当前规划拼接点的速度加上一个偏移值(其偏移值的正负与仲裁结果趋势一致),作为期望速度输出给下游。
在期望时距的计算方法中,原理与期望速度的处理方法一致,在此不进行赘述。
3)基于所述初步纵向决策结果确定参考轨迹信息。
该步骤中,基于所述初步纵向决策结果,对所述ST图中的每一个点设计代价函数,并通过搜索的方法确定最优点序列,并将该最优点序列作为参考轨迹信息输出给下游。
在步骤103中,基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息。
该步骤中,首先,基于所述参考轨迹信息,对目标障碍物中的动静态障碍物及虚拟障碍物做出行为决策,确定所述当前车辆的行驶情况;其中,当前车辆的行驶情况,比如跟车,超车,停车等等。其次,基于所述当前车辆的行驶情况,对所述ST图进行细化处理,得到各类目标障碍物的边界信息。即为后续求精确的速度信息进行准备。
在步骤104中,对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类所述目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息。
该步骤中,对接收到上游节点发送的参考轨迹信息、该参考轨迹信息的起始点及终点信息、各类边界信息进行整合,并通过迭代优化的方式计算出可以进行实车控制的规划轨迹信息。之后,对规划轨迹信息进行最后一轮的检查及仲裁,并将诊断信息保存,供规划分析。
本发明实施例中,获取当前车辆自动驾驶的轨迹规划所需的信息;基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息。也就是说,本发明实施例中,基于当前车辆自动驾驶的轨迹规划所需的信息,对纵向部分进行设计,确定所述当前车辆的参考轨迹信息,以及各类目标障碍物的边界信息,并对该信息进行整合,得到当前车辆的规划轨迹信息,解决了在算力较低的平台,在噪声较大、环境复杂的场景中,为当前车辆生成一条舒适性高,安全性强的轨迹,提高了自动驾驶的舒适性和安全行。
可选的,在另一实施例中,该实施例在上述实施例的基础上,在基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息之后,所述方法还可以包括:对所述参考轨迹信息进行平滑处理,并评估当前场景的危险程度;基于所述当前场景的危险程度,对平滑处理后的所述参考轨迹信息上的每个点的位置,速度,加速度,加加速度分别进行合理性及体感检测,如果所述参考轨迹信息不满足所述当前场景的危险程度的限制,则对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息。
该步骤中,对于参考轨迹进行平滑,并对当前场景的危险程度进行判定,同时对参考轨迹上每一个点的位置、速度、加速度、加加速度进行合理性及体感检查,如果参考轨迹信息本身并不满足所在场景中的一些限制,则会对参考轨迹信息进行二次优化及修正。
其中,所述对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息,包括:确定所述参考轨迹信息中的障碍物信息并构建列表;根据所述障碍物信息和所述构建列表确定加速度边界;根据所述加速度边界,更新参考速度及速度边界,以及更新参考位置及位置边界,得到更新后的参考轨迹信息。
也就是说,该实施例中,还需要对纵向结果进行评估及修正,即对参考轨迹进行平滑,并对当前场景的危险程度进行判定,同时对参考轨迹上的每一个点的位置、速度、加速度、加加速度进行合理性及体感检查,如果参考轨迹本身并不满足所在场景中的一些限制,则会对参考轨迹进行二次优化及修正。
其过程大体上能够分为:信息构建(即计算障碍物信息及构建列表)、加速度边界构建、速度边界及参考值构建、位置边界及参考值构建,及其更新等。其中,所有构建信息构建的凸空间,能够直接写为二次规划问题,给下游规划器直接使用。其
上述公式为二次型问题的一般表达式,s.t.里A,b,C,d分别表示不等式约束和等式约束,其中,G表示一个对称正半定矩阵,q表示一个向量,A也表示一个矩阵,b表示一个向量,C表示一个矩阵,d表示一个向量。
在本发明实施例中,等式约束指每个轨迹点之间的连续性约束,不等式约束具体指每个轨迹点的位置,速度,加速度,加加速度边界. 而二次成型问题本身的构建,即G q,与所设定的目标函数有关,一般与期望速度,期望位置,期望加速度,期望加加速度等参数有关。具体的对于本领域技术人员来说,已是熟知技术,在此不在赘述。
1)计算障碍物信息,并基于障碍物信息构建列表
该步骤中,障碍物信息计算中,通常利用到TTC和THW两个指标,代表着当前车辆与障碍物的安全情况,其计算公式如下:
其中,THW,表示两车车距/本车的车速;
TTC应用于(FCW),表示两车车距/两车的相对车速。
之后,基于障碍物信息构建列表,其过程对于本领域技术来说,已是熟知技术,在此不在赘述。
2)计算加速度边界
在加速度边界评估阶段,根据每个障碍物的TTC和THW查表,获得当前自车的加速度范围,该表是根据经验值构建的,需要满足两个基本条件:一个是:TTC/THW越小,允许的减速度边界值越小;另一个是:查表得到的加减速度边界值不能超过当前车速下允许的最大范围。遍历所有障碍物,将减速度和加速度最小的值作为基于安全指标的上下边界。其计算公式为:
对于远距离的障碍物,当前车辆需要尽可能地降速到前车的安全距离外,不进入危险距离,因而可以定义安全时距为kt,最小安全距离为,减速度比例系数kr(kr>=1),其中,kr通过扩大边界,使减速行为更容易得到。则基于安全距离的边界计算为:
在当前车辆与前车较近时,需要扩大减速边界,使得自车能够尽可能刹在目标车辆前方,同时,减速度也需要考虑体感,不能直接用极小值,因而,可以同上构建方法,基于紧急刹车的边界计算表示为:
/>
对于需要执行加减速激进行为的场景,可以从决策发起方,获得期望的加减速度范围,/>。同时,加速度允许范围也需要考虑自车的运动状态,比如当前时刻自车加速度为负值,而期望的加速度下边界为正值,那么对于规划器而言,也会出现无解的情况,因而,需要将自车当前的加速度范围/>,/>考虑在内。综上所述,计算加速度范围的通过下述公式来计算,具体为:
3)更新速度边界及参考速度
在之前的纵向决策中,已经获得了路径上每一个点的限速值,同时也计算得到了仲裁和平滑后的期望速度值,在这里只需要进行一类case的处理,如果当期望速度超过了速度边界值时,需要将期望速度更新为速度边界,同时原有的速度边界扩大buffer,一般该buffer小于5kph。这种做法的原因是,如果期望速度远大于边界时,纵向轨迹会快速逼近期望速度所在的曲线,当前车辆可能会出现提速/降速过快的情况,引起乘坐者体感不适,而边界的扩大,能够放宽硬约束,允许在提速过程中出现小幅超调现象,增大求解空间的同时,不影响乘坐着体感,从而提高了舒适度。也就是说,在交互性强的环境下,如超车、加减速变道时,输出高可行性的轨迹。
4)更新位置边界及参考位置
在上述已经计算得到加速度及速度边界后,能够简单推理得到允许的位置空间范围。同时,由于所有障碍物的决策(比如跟车、超车、忽略等)已经完成,纵向认为的安全位置空间也已经获得,因而,可以得到最终的位置范围。
而在参考位置的生成中,容易出现一些奇异解问题,如果纵向前置参考线生成模块中计算得到的轨迹粗解不在该空间范围内,可以认为是环境噪声较大,引起粗解计算结果不合理,此时,本实施例中,可以将求得的位置边界曲线作为参考位置曲线,这种做法的优势在于,通过保证参考曲线落在凸空间内,使得二次规划问题能够快速且准确迭代出最终结果。
本发明实施例中,进一步对参考轨迹进行优化,解决了在算力较低的平台为当前车辆生成一条更加舒适性,安全性强的参考轨迹。
需要说明的是,对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本实施公开并不受所描述的动作顺序的限制,因为依据本发明,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明所必须的。
还请参阅图4,是本发明实施例提供的一种自动驾驶的轨迹规划装置框图。所述装置包括:获取模块401,第一确定模块402,第二确定模块403和轨迹规划处理模块404,其中,
获取模块401,用于获取当前车辆自动驾驶的轨迹规划所需的信息;
第一确定模块402,用于基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息;
第二确定模块403,用于基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
轨迹规划处理模块404,用于对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合处理,得到控制所述当前车辆的规划轨迹信息。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、车辆运动状态信息和横向决策行为信息;
所述第一确定模块包括:
构建模块,用于基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图;
纵向决策处理模块,用于对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果;
参考轨迹确定模块,用于基于所述初步纵向决策结果确定所述当前车辆的参考轨迹信息。
可选的,所述构建模块包括:
预处理模块,用于对所述自动驾驶的轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行预处理;
ST图构建模块,用于基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点;并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述预处理模块包括:
整合模块,用于对所述自动驾驶的轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行整合;
划分模块,用于将整合后的信息按照场景划分为:弱势场景、多个方向障碍物的高风险场景和环境信息缺失的危险场景;
过滤模块,用于对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息;
融合模块,用于融合所述每个场景中障碍物的有效信息,得到所述路径信息中的障碍物的有效信息。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述过滤模块包括:
第一信息过滤模块,用于对于所述弱势场景,将所述弱势场景中的障碍物信息与历史数据进行比对,过滤掉低可用性信息;以及对非弱势场景中的障碍物信息直接滤掉掉低可用性信息,得到所述弱势场景中障碍物的有效信息;和/或
第二信息过滤模块,对于所述多个方向的高风险场景,根据所述高风险场景中当前车辆的运动需求及路权进行判断,过滤掉高路权道路巡航中所述当前车辆的左右车道的障碍物信息,以及前向感知范围外的障碍信息,后向安全距离外的障碍物信息;以及,所述当前车辆从低路权的道路向高路权的道路运动过程中,过滤掉所述当前车辆的反向车道内的障碍物信息,且保留目标车道及其相邻车道内的障碍物信息,得到所述高风险场景中障碍物的有效信息;和/或
第三信息过滤模块,用于对于所述环境信息缺失的危险场景,基于地图外或感知域外的障碍物,在当前车辆与所述障碍物的相对位置及姿态存在交互风险时,除去存在交互风险的所述障碍物的信息,得到所述危险场景中障碍物的有效信息;以及基于感知盲区内的障碍物,通过所述感知盲区内的障碍物与当前车辆的相对位置、速度及姿态进行筛选,得到所述危险场景中障碍物的有效信息。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述ST图构建模块包括:
交互点确定模块,用于基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,通过最近邻查找算法kdtree判断所有目标障碍物在未来轨迹上的位置与所述当前车辆的路径点是否存在的交互点;
判断模块,用于按照所述目标障碍物在未来轨迹上的交互点到路径点进行最近距离判断;
碰撞核查模块,用于从所述判断模块判断的距离判断结果中的最近点向前递推一个车长的位置开始核查check是否存在碰撞;
轨迹点检测模块,用于对存在碰撞的结果通过相邻点进行二次碰撞检测,得到预测轨迹点;
障碍物ST图确定模块,用于将所述预测轨迹点按照近密远疏的规则进行重采样,并按照路程与时间的坐标统一投影到统一坐标系中,完成目标障碍物的ST图。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述纵向决策处理模块包括:
无效车辆确定模块,用于通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;
综合判断模块,用于按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;
速度预决策模块,用于基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;
初步纵向决策处理模块,用于对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述无效车辆确定模块包括:
基准条件确定模块,用于确定未来时间内所述ST图中的各类目标障碍物的目标筛选基准条件;
筛选模块,用于对通过所述未来时间内所述ST图中的各类目标障碍物按照所述目标筛选基准条件进行过滤筛选,得到对所述当前车辆行为没有影响的无效车辆;
队列***模块,用于将筛选后得到所述无效车辆按照纵向位置从近到远放入优先队列中;
车辆过滤模块,用于对所述优先队列中的无效车辆执行前前车过滤,得到对所述当前车辆行为没有影响的无效车辆,其中,所述前前车过滤依次包括:交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选和数据可靠性筛选;
无效车辆过滤模块,用于对所述无效车辆进行过滤处理。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述第二确定模块包括:
车辆行驶模块,用于基于所述参考轨迹信息,对各类目标障碍物中的动静态障碍物及虚拟障碍物做出行为决策,确定所述当前车辆的行驶情况;
细化处理模块,用于基于所述当前车辆的行驶情况,对所述ST图进行细化处理,得到各类目标障碍物的边界信息。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述装置还包括:
平滑处理模块,用于在所述第二确定模块基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息之后,对所述参考轨迹信息进行平滑处理,并评估当前场景的危险程度;
检测模块,用于基于所述当前场景的危险程度,对平滑处理后的所述参考轨迹信息上的每个点的位置,速度,加速度,以及加加速度分别进行合理性及体感检测;
优化修正处理,用于在所述检测模块检测到所述参考轨迹信息不满足所述当前场景的危险程度的限制时,对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息。
可选的,在另一实施例中,该实施例在上述实施例的基础上,所述优化修正处理包括:
障碍物确定模块,用于确定所述参考轨迹信息中的障碍物信息并构建列表;
加速度边界确定模块,用于根据所述障碍物信息和所述构建列表确定加速度边界;
更新模块,用于根据所述加速度边界,更新参考速度及速度边界,以及更新参考位置及位置边界,得到更新后的参考轨迹信息。
可选的,本发明实施例还提供一种电子设备,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如上所述的自动驾驶的轨迹规划方法。
可选的,本发明实施例还提供一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如上所述的自动驾驶的轨迹规划方法。
可选的,本发明实施例还提供一种计算机程序产品,包括计算机程序或指令,所述计算机程序或指令被电子设备的处理器执行时实现如上所述的自动驾驶的轨迹规划方法。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
为了便于理解本发明,还请参阅下述应用实例。
还请参阅图5,为本发明实施例提供的一种自动驾驶的轨迹规划架构示意图。如图5所示,包括:预处理模块,ST图构建模块,纵向预决策模块,参考轨迹生成模块,速度决策模块,边界决策模块,决策结果评估及修改模块,纵向规划模块和安全检测模块,其中,
预处理模块,用于获取当前车辆自动驾驶轨迹规划所需的信息,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、所述感知信息、用户交互信息、车辆运动状态信息(包括运动状态及路径等),横向决策行为信息;之后,对于获取的所有信息进行整合,并将其转化成下游可以使用的语义及结构。同时,该预处理模块也会对一些无效、异常、交互性低的数据进行筛选及过滤,如置信度较低的障碍物、极远处的交通信息等,减小下游对于该类信息的算法开销,提高***的运行效率及鲁棒性。
ST图构建模块,用于基于当前测量的运动状态及路径,结合预测信息,将当前车辆与所有目标障碍物的交互信息通过(s,t)点集的方式表征出来,每一个点代表着当前车辆(即自车)在未来某一时刻t,统一映射到自车在frenet坐标系下的路径上,构成ST图。该ST图的构建能够高效地将智能体与多目标的关系通过量化的方式表示出来,以便于后续算法逻辑的处理。同时,该ST图构建模块还需要对各类限速信息进行整合及输出。
纵向预决策模块,需要处理两类任务,一类是,对于威胁程度低的障碍物进行二次过滤及筛选处理,另一类是,对于用户的交互行为及横向的决策行为进行信息整合及仲裁处理,得到初步纵向决策结果。
参考轨迹生成模块,用于在已有的ST图及初步纵向决策结果中,对于ST图中的每一个点设计代价函数,通过搜索的方法去得到最优点序列,并将其作为参考轨迹输出给下游。
速度决策模块,用于在已有参考轨迹的基础上,对动静态障碍物及虚拟障碍物做出行为决策,并判断是否需要进行跟车、超车、停车、忽略等。
边界决策模块,用于对已有的ST图进行细化,得到边界信息,该步骤是为了后续求精确的速度信息进行准备。
纵向结果评估及修正模块,用于对于参考轨迹进行平滑,并对当前场景的危险程度进行判定,同时对轨迹上每一个点的位置、速度、加速度、加加速度进行合理性及体感检查,并在轨迹本身并不满足所在场景中的一些限制时,对参考轨迹进行二次优化及修正。
纵向规划模块,用对上游计算得到的参考轨迹信息、起始点及终点信息、各类边界信息进行整合,通过迭代优化的方式计算出可以进行实车控制的轨迹参考信息。
安全检查模块,用于对最终输出结果(即轨迹参考信息)进行最后一轮检查及仲裁,并将诊断信息保存,供规划分析。
本发明实施例为了能够实现高鲁棒性、高效率、高可靠性的纵向轨迹生成方案,下面将对其中的个别重要模块进行详细的描述。
可选的,所述预处理模块,用于负责信息整合、低可用性信息过滤两个部分。作为纵向规划器开始的模块,过滤功能做的越精准及确定,下游算法需要处理的对象及规则越少,尤其在噪音较大的复杂环境中,该预处理模块的性能直接影响着算法的效率及鲁棒性。
其中,所述预处理模块包括:信息整合模块,场景分类器,场景判断模块,障碍物过滤模块,障碍物坐标转换模块和历史信息***,具体如图6所示,图6为本发明实施例提供的一种预处理模块的示意图,其中,
其中,该信息整合模块,用于对所有信息进行整合;
场景分类器,用于将整合后的信息按照场景特征进行划分,并利用场景判断模块对划分后的场景进行判断,即判断是否是感知弱势场景、是否是需要考虑多个方向障碍物的高风险场景、是否是环境信息缺失的危险场景等,本实施例以是否感知弱势场景为例。障碍物坐标转换模块,用于对信息整合模块整合后的信息进行障碍物坐标转换,并将转换结果输入障碍物过滤器进行过滤。
在感知弱势的场景,如大曲率弯道、匝道分流/合流、坡度变化较大的地形处,由于会存在栏杆、植物、坡面等影响相机与雷达感知能力的遮挡物,规划容易获得误识别、噪音较大的障碍物信息。对于该类信息,如果直接应用于下游速度规划,将生成不一定合理的智能体行为。
对于弱势场景中的障碍物,将输入至历史信息***中做判断,定义进入该场景后第个周期的障碍物队列中第/>个障碍物为/>,具体的实现过程详见上述,在此不在赘述。
最后,对每种场景中的判断结果输入对场景的过滤器进行障碍物过滤处理,其中,对于场景的过滤器可以包括:后续障碍过滤器,侧向障碍过滤器,逆向障碍过滤器,低置信度障碍过滤器,弱势场景过滤器,异常数据过滤器等:当然,在实际应用中,并不限于此。
其中,ST图构建模块的作用是一一对比障碍物在未来轨迹上的位置与当前自车路径点是否存在交互,并将可能存在的交互点按照(s,t)的坐标投影到统一的ST图中,作为下游进行决策规划处理的约束条件。这种方法通过引入时间维度的信息,将所有障碍物的未来状态投影到统一的坐标系,能够有效地对未来每一个时刻的规划状态进行单独的逻辑处理,具有较好的解耦性及可解释性。
其中,纵向预决策模块包括:ST Graph过滤模块,期望时距预决策模块,期望速度预决策模块,数据仲裁器和数据平滑器,其结构示意图如图7所示,图7为本发明实施例提供的一种预决策模块的框图,其中,
纵向预决策模块需要处理两类任务:对于威胁程度低的障碍物进行二次过滤及筛选处理、对于用户的交互行为及横向的决策行为进行信息整合及仲裁处理。
其中,所述ST Graph过滤模块,用于对获取到的ST Graph信息进行处理,包括:过滤基准建立模块,障碍物初筛模块,优先队列构建模块和前前车过滤模块,图中未示。其中,各个模块的具体实现过程详见上述,在此不在赘述。
其中,期望时距预决策模块可以包括:第一障碍物决策判断模块,第一智能变道判断模块和第一交互信息判断模块等。第一障碍物决策判断模块用于接收到的ST Graph 过滤模块输入的障碍物进行决策判断,并将判断结果输入到第一智能变道判断模块,该第一智能变道判断模块基于接收的第一障碍物决策判断结果和横向决策信息进行变道判断,并将变道判断结果输入到第一交互信息判断模块,第一交互信息判断模块根据接收到的变道判断结果金和交互信息进行交互信息判断,并将交互信息判断结果一方面发送给数据仲裁器进行处理,数据仲裁器并将仲裁处理后的信息发送给数据平滑器进行平滑处理;另一面,将该交互信息判断结果发送给期望速度预决策模块进行处理。
其中,期望速度预决策模块包括:预测信息告警判断模块,第二障碍物决策判断模块,第二智能变道判断模块和第二交互信息判断模块,该预测信息告警判断模块基于接收到的预测信息和期望时距预决策模块输出的交互信息判断结果进行预测告警判断,并将告警判断信息发送给第二障碍物决策判断模块,第二障碍物决策判断模块基于接收到的信息进行智能变道判断,并将判断结果发送给第二交互信息判断模块,第二交互信息判断模块基于接收到的信息进行交互信息判断,并将判断结果发送给数据仲裁器进行仲裁,并将仲裁结果也输入到数据平滑器中,数据仲裁器并将仲裁处理结果发送给数据平滑器进行平滑处理;而数据平滑器对接收到的第一交互信息判断模块和第二交互信息判断模块输入的交互信息判断结果进行平滑处理。
其中,期望速度主要来源于环境告警信息、交互信息、智能变道等上游信息。环境信息主要包括环境遮挡较多、感知置信度较低等情况,planning在面对这类case可以进行保持车速、降速保护等行为。另一方面,交互信息指的是用户调整巡航速度、不同路段的道路限速产生的默认巡航速度问题。此外,在执行一些较为激进的动作,如加减速变道、插空行为时,需要计算一个最优期望速度。
其中,决策结果评估及修正模块,包括:障碍物确定模块,加速度边界确定模块,第一更新模块和第二更新模块,其结构示意图如图8所示,图8为本发明实施例提供的一种决策结果评估及修正模块的框图,其中,
障碍物确定模块,用于计算障碍物信息及构建列表;
加速度边界确定模块,用于计算加速度边界,具体包括:基于安全指标的边界计算,基于安全距离的边界计算,基于紧急刹车的边界结算,基于自车状态的边界计算,基于激进场景的边界计算等;
第一位置更新模块,用于更新参开位置和位置边界;具体包括:基于加速度的位置边界估计,基于障碍物决策的位置边界计算,期望位置修正;
第二位置更新模块,用于跟新参考速度和速度边界,具体包括:基于限速决策的速度边界计算,允许超速情况下的速度边界计算,期望速度更新等。
也就是说,纵向结果评估及修正模块,对于参考轨迹进行平滑,并对当前场景的危险程度进行判定,同时对轨迹上每一个点的位置、速度、加速度、加加速度进行合理性及体感检查,如果轨迹本身并不满足所在场景中的一些限制,则会对参考轨迹进行二次优化及修正。
以上所描述的装置实施例仅仅是示意性的,其中所述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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
图9是本发明实施例提供的一种电子设备900的框图9。如图所示,包括处理器901、通信接口902、存储器903和通信总线904,其中,处理器901,通信接口902,存储器903通过通信总线904完成相互间的通信;
存储器903,用于存储所述处理器可执行指令;
处理器901,用于执行存储器903上可执行指令时,实现如上所述的自动变道控制方法。
其中,该实施例中的通信总线可以是外设部件互连标准(PCI,PeripheralComponent Interconnect)总线或扩展工业标准结构(EISA,Extended Industry StandardArchitecture)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
通信接口用于上述电子设备与其他设备之间的通信。
存储器可以包括随机存取存储器(Random Access Memory,简称RAM),也可以包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。可选的,存储器还可以是至少一个位于远离前述处理器的存储装置。
上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processing,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本发明提供的又一实施例中,还提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备900的处理器执行时,使得电子设备900能够执行如上所述方法。
在本发明提供的又一实施例中,还提供了一种计算机程序产品,包括计算机程序或指令的,所述计算机程序或指令被电子设备900的处理器执行时实现如上所述方法。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘Solid State Disk (SSD))等。
在实施例中,还提供了一种计算机可读存储介质,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备900能够执行上述所示的车端与云端服务的建立方法或管理方法。例如,所述计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
图10是本发明实施例提供的一种用于自动驾驶的轨迹规划的装置1000的框图。例如,装置1000可以被提供为一服务器。参照图10,装置1000包括处理组件1022,其进一步包括一个或多个处理器,以及由存储器1032所代表的存储器资源,用于存储可由处理组件1022的执行的指令,例如应用程序。存储器1032中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外,处理组件1022被配置为执行指令,以执行上述方法。
装置1000还可以包括一个电源组件1026被配置为执行装置1000的电源管理,一个有线或无线网络接口1050被配置为将装置1000连接到网络,和一个输入输出(I/O)接口1058。装置1000可以操作基于存储在存储器1032的操作***,例如Windows ServerTM,MacOS XTM,UnixTM, LinuxTM,FreeBSDTM或类似。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本发明的其它实施方案。本申请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。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
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。本发明的范围仅由所附的权利要求来限制。
Claims (12)
1.一种自动驾驶的轨迹规划方法,其特征在于,包括:
获取当前车辆自动驾驶的轨迹规划所需的信息,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、感知信息、用户交互信息、车辆运动状态信息和横向决策行为信息;
基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息,具体包括:基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图;对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果;基于所述初步纵向决策结果确定所述当前车辆的参考轨迹信息;
基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合,得到控制所述当前车辆的规划轨迹信息;
其中,所述对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果,包括:
通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
2.根据权利要求1所述的自动驾驶的轨迹规划方法,其特征在于,所述基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图,包括:
对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行预处理;
基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点,并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图。
3.根据权利要求2所述的自动驾驶的轨迹规划方法,其特征在于,所述对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行预处理,包括:
对所述轨迹规划所需的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息进行整合;
将整合后的信息按照场景划分为:弱势场景、多个方向障碍物的高风险场景和环境信息缺失的危险场景;
对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息;
融合所述每个场景中障碍物的有效信息,得到所述路径信息中的障碍物的有效信息。
4.根据权利要求3所述的自动驾驶的轨迹规划方法,其特征在于,所述对所述弱势场景、所述多个方向障碍物的高风险场景和所述环境信息缺失的危险场景中的低可用性信息分别进行过滤,得到对应的每个场景中障碍物的有效信息,包括:
对于所述弱势场景,将所述弱势场景中的障碍物信息与历史数据进行比对,过滤掉低可用性信息;以及对非弱势场景中的障碍物信息直接滤掉掉低可用性信息,得到所述弱势场景中障碍物的有效信息;
对于所述多个方向的高风险场景,根据所述高风险场景中当前车辆的运动需求及路权进行判断,过滤掉高路权道路巡航中所述当前车辆的左右车道的障碍物信息,以及前向感知范围外的障碍信息,后向安全距离外的障碍物信息;以及,所述当前车辆从低路权的道路向高路权的道路运动过程中,过滤掉所述当前车辆的反向车道内的障碍物信息,且保留目标车道及其相邻车道内的障碍物信息,得到所述高风险场景中障碍物的有效信息;
对于所述环境信息缺失的危险场景,基于地图外或感知域外的障碍物,在当前车辆与所述障碍物的相对位置及姿态存在交互风险时,除去存在交互风险的所述障碍物的信息,得到所述危险场景中障碍物的有效信息;以及基于感知盲区内的障碍物,通过所述感知盲区内的障碍物与当前车辆的相对位置、速度及姿态进行筛选,得到所述危险场景中障碍物的有效信息。
5.根据权利要求2所述的自动驾驶的轨迹规划方法,其特征在于,所述基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,确定所述当前车辆与所有目标障碍物的在未来轨迹上的交互点,并将所述交互点按照路程与时间的坐标投影到统一坐标系中,构建目标障碍物的ST图,包括:
基于预处理后的所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,通过最近邻查找算法kdtree判断所有目标障碍物在未来轨迹上的位置与所述当前车辆的路径点是否存在的交互点;
按照所述目标障碍物在未来轨迹上的交互点到路径点进行最近距离判断;
从最近距离判断结果中的最近点向前递推一个车长的位置开始核查是否存在碰撞;
对存在碰撞的结果通过相邻点进行二次碰撞检测,得到预测轨迹点;
将所述预测轨迹点按照近密远疏的规则进行重采样,并按照路程与时间的坐标统一投影到统一坐标系中,完成目标障碍物的ST图。
6.根据权利要求1所述的自动驾驶的轨迹规划方法,其特征在于,所述通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理,包括:
确定未来时间内所述ST图中的各类目标障碍物的目标筛选基准条件;
对通过所述未来时间内所述ST图中的各类目标障碍物按照所述目标筛选基准条件进行过滤筛选,得到对所述当前车辆行为没有影响的无效车辆;
将筛选后得到所述无效车辆按照纵向位置从近到远放入优先队列中;
对所述优先队列中的无效车辆执行前前车过滤,得到对所述当前车辆行为没有影响的无效车辆,其中,所述前前车过滤依次包括:交互性筛选、安全性筛选、有效性筛选、碰撞风险筛选和数据可靠性筛选;
对所述无效车辆进行过滤处理。
7.根据权利要求1所述的自动驾驶的轨迹规划方法,其特征在于,所述基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息,包括:
基于所述参考轨迹信息,对各类目标障碍物中的动静态障碍物及虚拟障碍物做出行为决策,确定所述当前车辆的行驶情况;
基于所述当前车辆的行驶情况,对ST图进行细化处理,得到各类目标障碍物的边界信息。
8.根据权利要求1至5任一项所述的自动驾驶的轨迹规划方法,其特征在于,在基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息之后,所述方法还包括:
对所述参考轨迹信息进行平滑处理,并评估当前场景的危险程度;
基于所述当前场景的危险程度,对平滑处理后的参考轨迹信息上的每个点的位置,速度,加速度,以及加加速度分别进行合理性及体感检测,如果所述参考轨迹信息不满足所述当前场景的危险程度的限制,则对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息。
9.根据权利要求8所述的自动驾驶的轨迹规划方法,其特征在于,所述对所述参考轨迹信息进行优化及修正处理,得到处理后的参考轨迹信息,包括:
确定所述参考轨迹信息中的障碍物信息并构建列表;
根据所述障碍物信息和所述构建列表确定加速度边界;
根据所述加速度边界,更新参考速度及速度边界,以及更新参考位置及位置边界,得到更新后的参考轨迹信息。
10.一种自动驾驶的轨迹规划装置,其特征在于,包括:
获取模块,用于获取当前车辆自动驾驶的轨迹规划所需的信息,所述轨迹规划所需的信息包括:地图信息、参考线信息、路径信息、变道信息、预测信息、感知信息、用户交互信息、车辆运动状态信息和横向决策行为信息;
第一确定模块,用于基于所述轨迹规划所需的信息构建目标障碍物的ST图,并基于构建的所述ST图确定所述当前车辆的参考轨迹信息,具体包括:构建模块,用于基于所述车辆运动状态信息、所述变道信息、所述路径信息、所述地图信息、所述参考线信息、所述感知信息和所述预测信息,将所述当前车辆与所有目标障碍物的交互点的坐标投影到统一坐标系中,构建目标障碍物的ST图;纵向决策处理模块,用于对所述ST图中的目标障碍物进行筛选处理,以及对所述用户交互信息及所述横向决策行为信息进行信息整合及仲裁处理,得到初步纵向决策结果;参考轨迹确定模块,用于基于所述初步纵向决策结果确定所述当前车辆的参考轨迹信息;
第二确定模块,用于基于所述参考轨迹信息,对各类目标障碍物做出行为决策,确定所述各类目标障碍物的边界信息;
轨迹规划处理模块,用于对所述参考轨迹信息,所述参考轨迹信息的起点信息及终点信息,以及所述各类目标障碍物的边界信息进行整合处理,得到控制所述当前车辆的规划轨迹信息;
其中,所述纵向决策处理模块包括:
无效车辆确定模块,用于通过对未来时间内所述ST图中的各类目标障碍物与所述当前车辆的用户交互信息,确定对于所述当前车辆行为没有影响的无效车辆,并对所述无效车辆进行过滤处理;
综合判断模块,用于按照障碍物决策对过滤处理后的各类目标障碍物进行障碍物决策判断;以及基于所述用户交互信息进行交互信息判断,以及基于所述横向决策行为信息进行智能变道判断,基于对障碍物决策判断结果,交互信息判断结果和智能变道判断结果进行处理,得到期望时距预决策结果;
速度预决策模块,用于基于对所述预测信息的告警判断结果,所述障碍物决策判断结果,所述交互信息判断结果,以及所述智能变道判断结果进行处理,得到期望速度预决策结果;
初步纵向决策处理模块,用于对所述期望时距预决策结果和所述期望速度预决策结果进行信息整合及仲裁处理,得到初步纵向决策结果。
11.一种电子设备,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
其中,所述处理器被配置为执行所述指令,以实现如权利要求1至9中任一项所述的自动驾驶的轨迹规划方法。
12.一种计算机可读存储介质,其特征在于,当所述计算机可读存储介质中的指令由电子设备的处理器执行时,使得电子设备能够执行如权利要求1至9中任一项所述的自动驾驶的轨迹规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165050.9A CN117698769B (zh) | 2024-02-05 | 2024-02-05 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410165050.9A CN117698769B (zh) | 2024-02-05 | 2024-02-05 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117698769A CN117698769A (zh) | 2024-03-15 |
CN117698769B true CN117698769B (zh) | 2024-04-26 |
Family
ID=90146584
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410165050.9A Active CN117698769B (zh) | 2024-02-05 | 2024-02-05 | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117698769B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557912A (zh) * | 2018-10-11 | 2019-04-02 | 同济大学 | 一种自动驾驶特种作业车辆的决策规划方法 |
WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及*** |
CN116001805A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 |
CN117104272A (zh) * | 2023-09-20 | 2023-11-24 | 重庆长安汽车股份有限公司 | 一种智能驾驶方法、***、交通工具及存储介质 |
CN117109620A (zh) * | 2023-08-30 | 2023-11-24 | 无锡物联网创新中心有限公司 | 基于采样的车辆行为与环境交互的自动驾驶路径规划方法 |
CN117302224A (zh) * | 2023-11-30 | 2023-12-29 | 上海鉴智其迹科技有限公司 | 一种变道方法、自动驾驶方法、装置及车辆 |
-
2024
- 2024-02-05 CN CN202410165050.9A patent/CN117698769B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109557912A (zh) * | 2018-10-11 | 2019-04-02 | 同济大学 | 一种自动驾驶特种作业车辆的决策规划方法 |
WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及*** |
CN116001805A (zh) * | 2023-01-03 | 2023-04-25 | 重庆长安汽车股份有限公司 | 自动驾驶车辆的软件架构平台、控制方法、车辆及介质 |
CN117109620A (zh) * | 2023-08-30 | 2023-11-24 | 无锡物联网创新中心有限公司 | 基于采样的车辆行为与环境交互的自动驾驶路径规划方法 |
CN117104272A (zh) * | 2023-09-20 | 2023-11-24 | 重庆长安汽车股份有限公司 | 一种智能驾驶方法、***、交通工具及存储介质 |
CN117302224A (zh) * | 2023-11-30 | 2023-12-29 | 上海鉴智其迹科技有限公司 | 一种变道方法、自动驾驶方法、装置及车辆 |
Also Published As
Publication number | Publication date |
---|---|
CN117698769A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11727497B2 (en) | Safe state to safe state navigation | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
US11815904B2 (en) | Trajectory selection for an autonomous vehicle | |
US20200223451A1 (en) | Navigation based on sensed looking direction of a pedestrian | |
US10627830B2 (en) | Suboptimal immediate navigational response based on long term planning | |
US20220269277A1 (en) | Systems and methods for navigating with sensing uncertainty | |
Shalev-Shwartz et al. | On a formal model of safe and scalable self-driving cars | |
US20190329768A1 (en) | Navigation Based on Detected Size of Occlusion Zones | |
WO2020245654A1 (en) | Systems and methods for vehicle navigation | |
CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
US20230286536A1 (en) | Systems and methods for evaluating domain-specific navigation system capabilities | |
JP2015081083A (ja) | 予測的運転者支援システムのための、妥当性規則に基づく信頼度推定 | |
CN117302224A (zh) | 一种变道方法、自动驾驶方法、装置及车辆 | |
US20240092385A1 (en) | Driving Policy Determining Method and Apparatus, Device, and Vehicle | |
CN117698769B (zh) | 自动驾驶的轨迹规划方法、装置、电子设备及存储介质 | |
CN113424022B (zh) | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 | |
Ward et al. | Towards risk minimizing trajectory planning in on-road scenarios | |
Yoon et al. | High-definition map based motion planning, and control for urban autonomous driving | |
CN117541043A (zh) | 一种轨迹风险评估方法及装置、相关产品 | |
CN118012047A (zh) | 轨迹规划方法、装置、电子设备和计算机可读介质 | |
CN118015586A (zh) | 控制策略确定方法、装置、计算机设备、存储介质及产品 | |
CN114954533A (zh) | 一种基于轨迹重预测的自动驾驶车辆运动规划方法、装置及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |