自动驾驶纵向规划方法、装置、电子设备和存储介质
文献发布时间:2024-04-18 20:01:55
技术领域
本公开涉及自动驾驶技术领域,尤其涉及一种自动驾驶纵向规划方法、装置、电子设备和存储介质。
背景技术
在自动驾驶中,如果纵向规划的结果(包括纵向速度、纵向加速度、与障碍物之间的纵向距离等)不合理易导致自动驾驶车辆急刹从而影响驾驶平顺性。
常用的纵向规划算法有很多种,但不管哪种规划算法在纵向规划中都需要考虑跟车距离,若跟车距离太近则存在安全性风险,若跟车距离太远则影响通行效率。因此,如何保证自动驾驶车辆的驾驶平顺性、安全性以及通行效率是本领域技术人员的关注热点。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开实施例提供了一种自动驾驶纵向规划方法、装置、电子设备和存储介质,提高了纵向规划结果的合理性,有利于保证自动驾驶车辆的驾驶平顺性、安全性以及通行效率。
第一方面,本公开实施例提供了一种自动驾驶纵向规划方法,该方法包括:
在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度;
根据所述纵向规划算法的规划原理确定匹配的优化方式;
根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果。
第二方面,本公开实施例还提供了一种自动驾驶纵向规划装置,该装置包括:
第一确定模块,用于在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度;
第二确定模块,用于根据所述纵向规划算法的规划原理确定匹配的优化方式;
处理模块,用于根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果。
第三方面,本公开实施例还提供了一种电子设备,所述电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的自动驾驶纵向规划方法。
第四方面,本公开实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上所述的自动驾驶纵向规划方法。
本公开实施例提供的一种自动驾驶纵向规划方法,在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度,以及根据所述纵向规划算法的规划原理确定匹配的优化方式,根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果,提高了纵向规划结果的合理性,有利于保证自动驾驶车辆的驾驶平顺性、安全性以及通行效率。
附图说明
结合附图并参考以下具体实施方式,本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中,相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的,原件和元素不一定按照比例绘制。
图1为本公开实施例中的一种自动驾驶纵向规划方法的流程图;
图2为本公开实施例中的一种结合ST图通过greedy搜索算法进行纵向规划的过程示意图;
图3为本公开实施例中的一种有障碍物时初始规划结果与目标规划结果的对比示意图;
图4为本公开实施例中的一种没有障碍物时初始规划结果与目标规划结果的对比示意图;
图5为本公开实施例中的一种自动驾驶纵向规划装置的结构示意图;
图6为本公开实施例中的一种电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例,然而应当理解的是,本公开可以通过各种形式来实现,而且不应该被解释为限于这里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是,本公开的附图及实施例仅用于示例性作用,并非用于限制本公开的保护范围。
需要注意,本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分,并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的,而并不是用于对这些消息或信息的范围进行限制。
在自动驾驶中,常用到的纵向规划手段包括填充有预测轨迹的ST图,ST图是以时间为横轴,规划路径的距离为纵轴的坐标图。在自动驾驶横纵向解耦的规划系统中,障碍物的预测轨迹也可以通过ST图来考虑,考虑到感知系统的波动,以及障碍物预测轨迹的抖动,ST图中障碍物预测轨迹的填充需要考虑多种情况,例如已经存在ST图填充的障碍物突然急刹,或者障碍物的预测轨迹突然填充到ST图中迫使自车的规划结果急刹等。换言之,障碍物预测轨迹的结果直接影响自车的纵向规划结果,处理不好易导致自车出现急刹,进而影响自车的驾驶平顺性。且不管哪种规划算法在纵向规划中都需要考虑障碍物的跟车距离,跟车距离太近则存在安全性风险,跟车距离太远则影响通行效率。因此,如何保证车辆的驾驶平顺性、安全性以及通行效率非常重要,尤其是感知到障碍物突然出现,或者障碍物的预测轨迹突然出现在ST图上时,如何制定合理的cost函数或者规则对平顺性的影响十分重要。通常来说与障碍物相关的cost函数或者规则主要由人为主观地去设计,缺少足够的实验来证明其合理性。因此,提出本申请的技术方案,以有效避免cost函数或者规则设计的主观性,使车辆在遇到突变障碍物或者突变预测轨迹时的规划结果更加合理。
图1为本公开实施例中的一种自动驾驶纵向规划方法的流程图。该方法可以由自动驾驶纵向规划装置执行,该装置可以采用软件和/或硬件的方式实现,该装置可配置于电子设备中。如图1所示,该方法具体可以包括如下步骤:
S110、在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度。
其中,智能驾驶员模型也称为IDM模型,IDM模型通过标准公式可以较为全面地考虑自车最大加速度、期望速度、前车速度(即障碍物速度)、跟车距离、自车速度的关系,故而被广泛使用在自动驾驶决策过程以及仿真系统中,属于是跟车模型的一种。其优点是模型的参数数量少、意义明确且与经验结果匹配度较好,并且能用统一的模型描述自车从自由流到完全拥堵流的不同状态。因此,在本申请的技术方案中,对于基于ST图的纵向规划而言,在ST图中每个时刻t的规划过程都看做一个跟车模型,因为不管是基于哪种规划算法进行规划,其目标都是求得在某一规划时刻的加速度和速度,联合障碍物的速度、距离信息,在此规划时刻利用IDM模型计算出参考加速度,以该参考加速度为评判标准确定规划结果是否合理,进而实现对规划结果的优化处理。通过利用IDM模型计算的参考加速度作为评判标准,避免了基于人为设计的规则进行评判所带来的主观性,以及减少了各种规则设计带来的复杂性。
其中,常规的IDM模型为:
其中,a
其中,所述前车对于自车来说,属于障碍物的范畴,因此所述前车即为障碍物。加速度方程主要包括两部分,
但是,常规的IDM模型没有考虑障碍物的加速度情况,当障碍物为逆向障碍物,或者是急减速的障碍物时,若车辆与障碍物之间的距离s比较大,则IDM模型经过计算所得的参考加速度a
具体的,改进的智能驾驶员模型为:
其中,a
其中,当障碍物减速没有自车减速快,也就是障碍物的减速度小于自车的减速度,换言之,障碍物的加速度a
示例性的,所述在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度,包括:
在每个规划时刻根据纵向规划算法输出的初始规划结果通过常规的智能驾驶员模型确定参考加速度;或者,在每个规划时刻根据纵向规划算法输出的初始规划结果通过改进的智能驾驶员模型确定参考加速度。
S120、根据所述纵向规划算法的规划原理确定匹配的优化方式。
示例性的,根据所述纵向规划算法的标识,从预设对应关系中确定所述匹配的优化方式;
其中,所述预设对应关系是基于各纵向规划算法的规划原理预先确定的。
以纵向规划算法是贪心搜索算法(即greedy搜索算法)为例,greedy搜索算法的实质是二叉树搜索,每次的搜索结果(即每个规划时刻的初始规划结果)包括自车的规划速度和规划加速度,在每次获得搜索结果后需要对搜索结果的合理性进行判定,当判定当前规划时刻的搜索结果合理时,才对下一个规划时间继续进行搜索,否则退回至上一规划时刻重新进行搜索。传统判定方式是人为设定判定规则,基于greedy搜索算法的上述工作原理以及所述传统判定方式存在的主观性较强的问题,在本申请的实施例中,通过IDM模型或者改进的IDM模型确定判定标准,进而对当前规划时刻的搜索结果的合理性进行判定。
以纵向规划算法是二次规划算法(即QP算法)为例,QP算法是在初始规划结果(包括自车的规划速度和规划加速度)的基础上进一步对初始规划结果进行平滑处理以获得目标规划结果的算法,具体是基于初始规划结果构建损失函数,然后通过求解器对损失函数进行求解,进而获得目标规划结果。基于QP算法的规划原理,在本申请的实施例中,结合IDM模型或者改进的IDM模型对所述损失函数进行改进,以使最终的规划结果更加合理。
以纵向规划算法是动态规划算法(即DP算法)为例,DP算法的核心是构建状态转移方程,然后设定边界条件,根据设定的边界条件对状态转移方程进行求解,基于该原理,在本申请的实施例中,结合IDM模型或者改进的IDM模型构建状态转移方程,以使最终的规划结果更加合理。
S130、根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果。
在一个具体实施方式中,当所述纵向规划算法包括贪心搜索算法(即greedy搜索算法)时,任一规划时刻的初始规划结果包括规划加速度和规划速度,首先通过上述改进的IDM模型计算出对应规划时刻的参考加速度,然后将该参考加速度与所述规划加速度进行比较,如果所述规划加速度大于所述参考加速度,则确定当前规划时刻搜索失败,退回至上一规划时刻重新进行搜索;如果所述规划加速度小于所述参考加速度,则确定当前规划时刻搜索成功,继续对下一规划时刻进行搜索。通过结合参考加速度对规划加速度的合理性进行检验,且参考加速度是通过改进的IDM模型计算得到的,改进的IDM模型通过一个精简的公式,表示自车与障碍物的关系,在很大程度上提升了规划结果的可靠性以及可调整性,最终提高规划结果的合理性,保证车辆的驾驶平顺性、安全性以及通行效率,且在遇到突变障碍物或者突变预测轨迹时仍能保证规划结果的合理性。
具体的,当所述纵向规划算法包括贪心搜索算法时,对应的初始规划结果包括规划加速度,所述根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果,包括:
将当前规划时刻的所述参考加速度与所述贪心搜索算法输出的规划加速度进行比较,如果所述规划加速度大于所述参考加速度,则确定当前规划时刻搜索失败,退回至上一规划时刻重新进行搜索;如果所述规划加速度小于所述参考加速度,则确定当前规划时刻搜索成功,继续对下一规划时刻进行搜索;当搜索完成时,搜索成功的各规划时刻所述贪心搜索算法输出的规划结果组成所述目标规划结果。
示例性的,参考图2所示的一种结合ST图通过greedy搜索算法进行纵向规划的过程示意图,填充区域210为障碍物的预测轨迹与自车轨迹的碰撞实体填充,为规划结果不可进入的区域,填充区域220为该障碍物的跟车距离填充,由相对车速来决定,可以适当进入,曲线230表示greedy搜索结果,v
在之前的搜索成功与否的判断中可能需要设计很多搜索失败的条件,这种处理方式不能有效的考虑所有的场景,且随着测试的增加,判断条件会逐渐增多,不利于代码维护。而本申请的方案中使用改进的IDM模型,通过使用一个精简的公式,表示自车与障碍物的关系,在很大程度上提升了搜索结果的可靠性以及可调整性。
在另一个具体实施方式中,当所述纵向规划算法包括二次规划算法(即QP算法)时,QP算法是在初始规划结果的基础上进一步对初始规划结果进行平滑处理以获得目标规划结果的算法,具体是基于初始规划结果构建损失函数,然后通过求解器对损失函数进行求解,进而获得目标规划结果。具体的,初始规划结果包括自车的初始规划速度和初始规划加速度,初始规划结果可以是通过任意能够输出初始规划速度和初始规划加速度的纵向规划算法(例如greedy搜索算法)获得的。进一步的,通过对初始规划速度进行积分运算获得初始规划行驶距离,通过对初始规划加速度进行微分运算获得初始规划加加速度,进而基于初始规划速度、初始规划加速度、初始规划行驶距离以及初始规划加加速度构建损失函数。
对应的,所述根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果,包括:
对所述二次规划算法的原始损失函数进行改进,以在所述原始损失函数中增加基于所述参考加速度确定的障碍物信息项,获得改进后的损失函数,其中,所述原始损失函数基于所述初始规划结果生成;在预设约束条件下利用求解器对所述改进后的损失函数进行求解,获得目标规划结果。
其中,所述改进后的损失函数为:
其中,C
所述原始损失函数为:
其中,C
如上改进后的损失函数所示,通过改进的IDM模型可以使离障碍物的距离代价变成对加速度的期望,即如果离障碍物太近或者太远,则通过改进的IDM模型计算出来的参考加速度会和初始规划结果中自车的初始规划加速度有较大的区别,通过添加代价项
示例性的,如图3所示的一种有障碍物时初始规划结果与目标规划结果的对比示意图,其中,v_ref,a_ref分别表示初始规划结果中的规划速度和规划加速度,s表示自车与前车(即障碍物)之间的距离,v
可选的,参考如图4所示的一种没有障碍物时初始规划结果与目标规划结果的对比示意图,初始规划结果为线条410所示,因为没有障碍物,通过改进的IDM模型计算的参考加速度可以用来促进车辆加速,故QP的最终规划结果420会比初始规划结果410更快地加速到期望车速v
本公开实施例提供的一种自动驾驶纵向规划方法,在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度,以及根据所述纵向规划算法的规划原理确定匹配的优化方式,根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果,提高了纵向规划结果的合理性,有利于保证自动驾驶车辆的驾驶平顺性、安全性以及通行效率。
图5为本公开实施例中的一种自动驾驶纵向规划装置的结构示意图。如图5所示:该装置包括:第一确定模块510、第二确定模块520和处理模块530。
其中,第一确定模块510,用于在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度;第二确定模块520,用于根据所述纵向规划算法的规划原理确定匹配的优化方式;处理模块530,用于根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果。
进一步的,第一确定模块510具体用于在每个规划时刻根据纵向规划算法输出的初始规划结果通过改进的智能驾驶员模型确定参考加速度。
进一步的,所述改进的智能驾驶员模型为:
其中,a
进一步的,第二确定模块520具体用于根据所述纵向规划算法的标识,从预设对应关系中确定所述匹配的优化方式;
其中,所述预设对应关系是基于各纵向规划算法的规划原理预先确定的。
进一步的,当所述纵向规划算法包括贪心搜索算法时,对应的初始规划结果包括规划加速度,处理模块530具体用于:将当前规划时刻的所述参考加速度与所述贪心搜索算法输出的规划加速度进行比较,如果所述规划加速度大于所述参考加速度,则确定当前规划时刻搜索失败,退回至上一规划时刻重新进行搜索;如果所述规划加速度小于所述参考加速度,则确定当前规划时刻搜索成功,继续对下一规划时刻进行搜索;当搜索完成时,搜索成功的各规划时刻所述贪心搜索算法输出的规划结果组成所述目标规划结果。
进一步的,当所述纵向规划算法包括二次规划算法时,处理模块530具体用于:对所述二次规划算法的原始损失函数进行改进,以在所述原始损失函数中增加基于所述参考加速度确定的障碍物信息项,获得改进后的损失函数,其中,所述原始损失函数基于所述初始规划结果生成;在预设约束条件下利用求解器对所述改进后的损失函数进行求解,获得目标规划结果。
所述改进后的损失函数为:
其中,C
所述原始损失函数为:
其中,C
本公开实施例提供的自动驾驶纵向规划装置,可执行本公开方法实施例所提供的自动驾驶纵向规划方法中的步骤,可获得相同的有益效果,此处不再赘述。
图6为本公开实施例中的一种电子设备的结构示意图。下面具体参考图6,其示出了适于用来实现本公开实施例中的电子设备500的结构示意图。图6示出的电子设备仅仅是一个示例,不应对本公开实施例的功能和使用范围带来任何限制。
如图6所示,电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理以实现如本公开所述的实施例的方法。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在非暂态计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码,从而实现如上所述的自动驾驶纵向规划方法。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开实施例的方法中限定的上述功能。
需要说明的是,本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:在基于纵向规划算法对自车进行纵向规划时,在每个规划时刻根据纵向规划算法输出的初始规划结果通过智能驾驶员模型确定参考加速度;根据所述纵向规划算法的规划原理确定匹配的优化方式;根据所述匹配的优化方式结合所述参考加速度对所述纵向规划算法输出的初始规划结果进行优化处理,获得目标规划结果。
可选的,当上述一个或者多个程序被该电子设备执行时,该电子设备还可以执行上述实施例所述的其他步骤。
在本公开的上下文中,机器可读介质可以是有形的介质,其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备,或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
以上描述仅为本公开的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本公开中所涉及的公开范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述公开构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。
- 一种适用于可见光/红外相机标定的高精度、低成本标定板及标定方法
- 一种基于双目标定的红外与可见光图像配准方法
- 一种基于多级特征匹配的红外和可见光图像配准方法