无人配送车在非结构化场景中的泊车路径规划方法及装置

技术领域

本公开涉及无人配送技术领域，特别涉及一种无人配送车在非结构化场景中的泊车路径规划方法、无人配送车在非结构化场景中的泊车路径规划装置、计算机存储介质及电子设备。

背景技术

近年来，随着各类新科技不断发展迭代，“互联网+”与物流行业的深度融合，以及新商业模式的需求与刺激，物流行业已经从劳动密集型向数字智能化转变。基于技术升级的新零售物流体系，智能化技术的发展应用由整体规模化向具体场景的结合越发显著，仓储、运输、配送等众多环节的智能化、数字化升级正成为各家物流企业的重点发展战略，无人技术更是其中重要的一环。相关无人机、无人重卡、无人配送车纷纷进入大众视野，而相较于无人机在城市空间因为安全性受到的政策限制，无人配送车的应用空间则有更加广阔的选择，不仅适合开放密集的楼宇、城市CBD(Central Business District，中央商务区，简称：CBD)，也可以在居民社区、校园、工业仓库等非道路的复杂场景中运行。因而，如何在非道路的复杂场景中规划合适的泊车路径成为相关运营商关注的焦点问题。

目前，相关技术中的规划路径一般是由采样搜索方式得到的增量式拼接路径。因而，路径的连续性较差，且无法保证规划路径在非结构化场景中的可实施性，不能满足相关泊车路径要求。

鉴于此，本领域亟需开发一种新的无人配送车在非结构化场景中的泊车路径规划方法及装置。

需要说明的是，上述背景技术部分公开的信息仅用于加强对本公开的背景的理解。

发明内容

本公开的目的在于提供一种无人配送车在非结构化场景中的泊车路径规划方法、无人配送车在非结构化场景中的泊车路径规划装置、计算机存储介质及电子设备，进而至少在一定程度上避免了现有技术中的方法无法保证规划路径平滑可行的缺陷。

本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。

根据本公开的第一方面，提供一种无人配送车在非结构化场景中的泊车路径规划方法，包括：获取泊车路径规划模型输出的所述无人配送车的初步泊车路径；针对所述初步泊车路径的优化问题，建立最优控制问题模型；将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径；其中，所述泊车路径规划模型为对所述无人配送车的泊车路径进行规划处理的机器学习模型。

在本公开的示例性实施例中，所述针对所述初步泊车路径的优化问题，建立最优控制问题模型，包括：针对所述初步泊车路径的动力学优化问题，建立动态约束条件；针对所述初步泊车路径的速度优化问题，建立边界速度约束条件；针对所述初步泊车路径的路径优化问题，建立路径约束条件；获取用于筛选所述最终泊车路径的代价函数；将所述动态约束条件、所述边界速度约束条件、所述路径约束条件与所述代价函数作为所述最优控制问题模型。

在本公开的示例性实施例中，所述获取用于筛选所述最终泊车路径的代价函数，包括：构建第一指标函数、第二指标函数以及第三指标函数；获取所述第一指标函数与第一权重的第一乘积；获取所述第二指标函数与第二权重的第二乘积；获取所述第三指标函数与第三权重的第三乘积；根据所述第一乘积、所述第二乘积与所述第三乘积的加和值，确定所述用于筛选所述最终泊车路径的代价函数。

在本公开的示例性实施例中，所述方法还包括：所述第一权重映射所述第一指标函数对应的第一用户偏好；所述第二权重映射所述第二指标函数对应的第二用户偏好；所述第三权重映射所述第三指标函数对应的第三用户偏好。

在本公开的示例性实施例中，所述求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径，包括：基于序贯二次规划算法求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径。

在本公开的示例性实施例中，所述方法还包括：根据路径起点信息与路径终点信息随机生成所述非结构化场景对应的多条泊车路径；根据预设评估指标对所述多条泊车路径进行评估；根据评估结果确定所述多条泊车路径中的优化路径。

在本公开的示例性实施例中，所述方法还包括：获取海量路径样本数据，所述海量路径样本数据包括非结构化场景以及所述非结构化场景对应的所述优化路径；根据所述海量路径样本数据训练所述机器学习模型，以得到所述泊车路径规划模型。

根据本公开的第二方面，提供一种无人配送车在非结构化场景中的泊车路径规划装置，包括：获取模块，用于获取泊车路径规划模型输出的所述无人配送车的初步泊车路径；模型建立模块，用于针对所述初步泊车路径的优化问题，建立最优控制问题模型；离散处理模块，用于将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；求解模块，用于求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径；其中，所述泊车路径规划模型为对所述无人配送车的泊车路径进行规划处理的机器学习模型。

根据本公开的第三方面，提供一种计算机存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的无人配送车在非结构化场景中的泊车路径规划方法。

根据本公开的第四方面，提供一种电子设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器配置为经由执行所述可执行指令来执行上述第一方面所述的无人配送车在非结构化场景中的泊车路径规划方法。

由上述技术方案可知，本公开示例性实施例中的无人配送车在非结构化场景中的泊车路径规划方法、无人配送车在非结构化场景中的泊车路径规划装置、计算机存储介质及电子设备至少具备以下优点和积极效果：

在本公开的一些实施例所提供的技术方案中，一方面，获取泊车路径规划模型输出的无人配送车的初步泊车路径。进一步的，针对上述初步泊车路径的优化问题，建立最优控制问题模型，能够将影响上述初步泊车路径的待优化因素集中在一起，保证后续优化处理的全面性。另一方面，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题，求解上述非线性规划问题，以确定无人配送车的最终泊车路径。从而，能够对影响上述初步泊车路径的待优化因素进行优化处理，解决现有技术中的方法无法保证泊车路径平滑可行、路径连续性较差的技术问题，提高泊车路径的可行性以及连续性。

本公开应当理解的是，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，并不能限制本公开。

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，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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示出本公开一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图；

图2示出本公开另一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图；

图3示出本公开一示例性实施例中无人配送车对应的二自由度模型的示意图；

图4示出本公开一示例性实施例中无人配送车与指定停泊区域的示意图；

图5示出本公开又一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图；

图6示出本公开示例性实施例中无人配送车在非结构化场景中的泊车路径规划装置的结构示意图；

图7示出本公开示例性实施例中计算机存储介质的结构示意图；

图8示出本公开示例性实施例中电子设备的结构示意图。

具体实施方式

现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施方式中。在下面的描述中，提供许多具体细节从而给出对本公开的实施方式的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而省略所述特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、步骤等。在其它情况下，不详细示出或描述公知技术方案以避免喧宾夺主而使得本公开的各方面变得模糊。

本说明书中使用用语“一个”、“一”、“该”和“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等；用语“第一”和“第二”等仅作为标记使用，不是对其对象的数量限制。

此外，附图仅为本公开的示意性图解，并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分，因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体，不一定必须与物理或逻辑上独立的实体相对应。

目前，相关技术中的规划路径一般是由采样搜索方式得到的增量式拼接路径。因而，无法保证路径平滑可行，且规划路径的连续性较差，无法保证用户对泊车时的差异化偏好要求(例如：泊车速度快慢、用户舒适感的要求等)。

在本公开的实施例中，首先提供了一种无人配送车在非结构化场景中的泊车路径规划方法，至少在一定程度上克服现有技术中的方法无法保证规划路径平滑可行的缺陷。

图1示出本公开一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图，该无人配送车在非结构化场景中的泊车路径规划方法的执行主体可以是对无人配送车的泊车路径进行规划的服务器。

参考图1，根据本公开的一个实施例的无人配送车在非结构化场景中的泊车路径规划方法包括以下步骤：

步骤S110，获取泊车路径规划模型输出的所述无人配送车的初步泊车路径；

步骤S120，针对所述初步泊车路径的优化问题，建立最优控制问题模型；

步骤S130，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；

步骤S140，求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径；

其中，所述泊车路径规划模型为对所述无人配送车的泊车路径进行规划处理的机器学习模型。

在图1所示实施例所提供的技术方案中，一方面，获取泊车路径规划模型输出的无人配送车的初步泊车路径。进一步的，针对上述初步泊车路径的优化问题，建立最优控制问题模型，能够将影响上述初步泊车路径的待优化因素集中在一起，保证后续优化处理的全面性。另一方面，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题，求解上述非线性规划问题，以确定无人配送车的最终泊车路径。从而，能够对影响上述初步泊车路径的待优化因素进行优化处理，解决现有技术中的方法无法保证泊车路径平滑可行、路径连续性较差的技术问题，提高泊车路径的可行性以及连续性。

以下对图1中的各个步骤的具体实现过程进行详细阐述：

在本公开的示例性实施例中，无人配送车即无需人工驾驶，能够智能化完成物流配送、外卖配送等任务的自动化运输车辆。

在本公开的示例性实施例中，非结构化场景即上述无人配送车所处的非道路场景，例如：居民小区、仓库以及充电站等环境较为复杂的运输场景。

在本公开的示例性实施例中，泊车路径即上述无人配送车的停车路线。

在本公开的示例性实施例中，示例性的，可以先设定多个非结构化场景对应的路径起点信息以及路径终点信息，进而，根据上述路径起点信息与路径终点信息随机生成上述非结构化场景对应的多条泊车路径。示例性的，可以设定非结构化场景A对应的路径起点信息A以及路径终点信息A；设定非结构化场景B对应的路径起点信息B以及路径终点信息B；设定非结构化场景C对应的路径起点信息C以及路径终点信息C。进而，可以随机生成上述非结构化场景A对应的多条泊车路径(例如：泊车路径a、泊车路径b、泊车路径c)。随机生成上述非结构化场景B对应的多条泊车路径(例如：泊车路径d、泊车路径e、泊车路径f)。随机生成上述非结构化场景C对应的多条泊车路径(例如：泊车路径g、泊车路径h)。

在本公开的示例性实施例中，在生成上述各个非结构化场景对应的多条泊车路径之后，可以根据预设评估指标(例如：路径安全指标、路径平滑指标或路径安全平滑指标)对上述多条泊车路径进行评估，示例性的，以预估评价指标为路径安全指标为例进行说明，则可以对上述非结构化场景A对应的多条泊车路径(a、b、c)进行安全指标评估，进而，若评估结果为泊车路径a对应的路径安全指标对应的数值最大，则可以将路径a确定为非结构化场景A的优化路径。示例性的，还可以对上述非结构化场景B对应的多条泊车路径(d、e、f)进行安全指标评估，进而，若评估结果为泊车路径d对应的路径安全指标对应的数值最大，则可以将路径d确定为非结构化场景B的优化路径。示例性的，还可以对上述非结构化场景C对应的多条泊车路径(g、h)进行安全指标评估，进而，若评估结果为泊车路径g对应的路径安全指标对应的数值最大，则可以将路径g确定为非结构化场景B的优化路径。

在本公开的示例性实施例中，在确定出各个非结构化场景对应的优化路径之后，可以将上述非结构化场景以及上述非结构化场景对应的优化路径作为海量路径样本数据，进而，根据上述海量路径样本数据训练机器学习模型(Kohonen神经网络)，示例性的，可以将上述海量路径样本数据输入上述机器学习模型中，多次调整参数以训练上述机器学习模型，使上述机器学习模型的损失函数趋于收敛，以得到一泊车路径规划模型。

在本公开的示例性实施例中，上述Kohonen神经网络，是一种自组织特征映射算法，该网络通过自组织特征映射调整网络权值，使神经网络收敛于一种表示形态，在这一形态中一个神经元只对某种输入模式特别匹配或特别敏感，从而，能够自动找出输入数据之间的类似度，将相似的输入在网络上就近配置，使得最后网络的输出能够反映样本数据的分布情况。

在步骤S110中，获取泊车路径规划模型输出的所述无人配送车的初步泊车路径。

在本公开的示例性实施例中，在训练得到上述泊车路径规划模型之后，可以将非结构化场景输入上述泊车路径规划模型中，根据上述泊车路径规划模型的输出，确定上述无人配送车的初步泊车路径。

在本公开的示例性实施例中，初步泊车路径即理论上能够连接上述路径起点与路径终点的泊车路径，但是在现实场景中未必可实施的粗略路径。

在步骤S120中，针对所述初步泊车路径的优化问题，建立最优控制问题模型。

在本公开的示例性实施例中，在获取到上述初步泊车路径之后，可以针对上述初步泊车路径的优化问题，建立最优控制问题模型。

在本公开的示例性实施例中，最优控制问题模型即针对上述初步泊车路径的待优化因素(例如：车辆运动能力、碰撞躲避能力等)而建立的问题模型。

在本公开的示例性实施例中，示例性的，可以参考图2，图2示意性示出本公开一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图，具体示出针对上述初步泊车路径的优化问题，建立最优控制问题模型的流程示意图，以下结合图2对步骤S120进行解释。

在步骤S201中，针对所述初步泊车路径的动力学优化问题，建立动态约束条件。

在本公开的示例性实施例中，动力学优化问题即对上述无人配送车在行驶过程中的运动学性质进行优化的相关问题，可以用动态约束条件来表示，示例性的，动态约束条件可以表示为动态约束方程1：

在本公开的示例性实施例中，示例性的，可以将无人配送车(以下实施例中称为车辆i)等效为二自由度模型。具体的，可以参考图3，图3示意性示出本公开一示例性实施例中无人配送车对应的二自由度模型的示意图。参考图3，301所示为上述车辆i对应的二自由度模型，302所示为上述车辆i的前轮，303所示为上述车辆i的后轮。虚线304所示为车体纵轴方向。可以将两只前轮302与车体的纵轴方向合并为虚拟前轮305，将两只后轮与车体纵轴方向合并为虚拟后轮306。进而，通过确定虚拟前轮的转动角速度以及虚拟后轮的线加速度变量，可以间接确定车辆i的前轮转角、行驶速度等。XOY所示为坐标系，点(x

在本公开的示例性实施例中，x

在步骤S202中，针对所述初步泊车路径的速度优化问题，建立边界速度约束条件。

在本公开的示例性实施例中，速度优化问题即对上述车辆i在起始时刻t＝0以及终止时刻t

在本公开的示例性实施例中，车辆i在上述初始速度(t＝0时刻的速度)约束条件可以表示为：

在本公开的示例性实施例中，车辆i在上述终止速度(t＝t

在本公开的示例性实施例中，为确保将上述车辆i准确停放至对应的指定泊车区域，还可以结合具体的泊车区域参数设置指定泊车区域约束条件。具体的，可以参考图4，图4示意性示出本公开一示例性实施例中车辆i与指定停泊区域的示意图，以下结合图4对具体的实施方式进行解释。参考图4，车辆i(301)的四个顶点可以表示为A

在本公开的示例性实施例中，确保整个车体处于指定泊车区域中，等价于车辆i的四个顶点(A

A

B

C

D

在本公开的示例性实施例中，将等号改为不等号即代表某点(x,y)在直线一侧，不等式选取正号或负号代表着点(x,y)处于直线的哪一侧。确定不等式正负号的一种简便的方法是选取某一必定处于指定泊车区域内的先验点G＝(x

在本公开的示例实施例中，可以将指定泊车区域约束条件1简化表示为下述指定泊车区域约束条件2：PointInRect(x,P

在步骤S203中，针对所述初步泊车路径的路径优化问题，建立路径约束条件。

在本公开的示例性实施例中，路径优化问题是指作用于无人配送车运动过程中(除动态约束条件之外)的约束条件，它们能够将状态/控制变量限制在解空间的某一流形上。主要包括车辆在行驶过程中的机械特性约束以及外部环境约束。

在本公开的示例性实施例中，车辆内在的机械特性对应着状态/控制变量的容许作用区间，示例性的，机械特性约束可以表示为：

|φ

|a

|v

|ω

其中，Φ

在本公开的示例性实施例中，外部环境约束主要体现为车辆在整个运动时域[0,t

在本公开的示例性实施例中，在建立碰撞躲避约束时，首先应确定障碍物的表达形式。常见的平面障碍物描述方式包括散点集、网格图以及多边形，采用多边形描述障碍物有利于构建解析形式的碰撞躲避约束条件，并且最大程度兼容后继章节中的多车协同命题，因此，散点集、网格图等其他格式的障碍物信息可经聚类、最小凸包生成等成熟算法转化为多边形障碍物。需要说明的是，多边形分为凸多边形与凹多边形，其中凹多边形可进一步分解为若干凸多边形。

在本公开的示例性实施例中，假设XOY坐标系中存在N

综上，车辆i与所有障碍物之间的碰撞躲避约束条件可以表示为：

在步骤S204中，获取用于筛选所述最终泊车路径的代价函数。

在本公开的示例性实施例中，代价函数即用于筛选上述最终泊车路径对应的路径优劣的指标式。示例性的，可以代价函数可以包括第一指标函数(末值型性能指标)、第二指标函数(积分型性能指标)以及第三指标函数(性能代价多项式指标)。

在本公开的示例性实施例中，第一指标函数J

在本公开的示例性实施例中，第二指标函数J

在本公开的示例性实施例中，第三指标函数J

在本公开的示例性实施例中，在确定上述第一指标函数、第一权重，第二指标函数、第二权重，第三指标函数、第三权重之后，可以获取上述第一指标函数与第一权重的第一乘积；获取上述第二指标函数与第二权重的第二乘积；获取上述第三指标函数与第三权重的第三乘积，进而，根据上述第一乘积、第二乘积与第三乘积的加和值，确定上述用于筛选最终泊车路径的代价函数，即上述代价函数J可以表示为J＝w

在本公开的示例性实施例中，需要说明的是，上述代价函数J可以仅由J

在步骤S205中，将所述动态约束条件、所述速度约束条件、所述路径约束条件与所述代价函数作为所述最优控制问题模型。

在本公开的示例性实施例中，在确定出上述动态约束条件、速度约束条件、路径约束条件与上述代价函数之后，可以将上述动态约束条件、速度约束条件、路径约束条件与代价函数作为上述最优控制问题模型。参照上述步骤的相关解释，示例性的，形成的最优控制模型可以表示为：

其中，上述动态约束条件可以具体表示为上述动态约束方程2。上述边界速度约束条件可以具体表示为上述初始速度约束条件、终止速度约束条件以及上述指定泊车区域约束条件2。上述路径约束条件可以具体表示为上述机械特性约束、车辆i与所有障碍物之间的碰撞躲避约束条件。

继续参考图1，在步骤S130中，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题。

在本公开的示例性实施例中，在确定出上述最优控制问题模型之后，可以对上述最优控制问题中的变量进行离散化处理以得到非线性规划问题。离散化是在不改变数据相对大小的条件下，对数据进行相应的缩小，它可以有效的降低时间复杂度，在众多可能的情况中，只考虑需要用的值，提高数据处理效率。

在本公开的示例性实施例中，非线性规划(NonLinear Programming，简称：NLP))是具有非线性约束或目标的数学规划，是一种求解目标函数或约束条件中有一个或几个非线性函数的最优化问题的方法。

在本公开的示例性实施例中，示例性的，可以采用Orthogonal CollocationDirect Transcription(OCDT)对上述最优控制问题模型中涉及的变量进行离散化处理，以得到上述最优控制模型对应的非线性规划问题。

在步骤S140中，求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径。

在本公开的示例性实施例中，在得到上述非线性规划问题之后，可以将上述初步泊车路径作为初始解，基于序贯二次规划算法(Sequential Quadratic Programming，简称：SQP算法)求解上述非线性规划问题，以使上述代价函数J的值最小化，从而，根据上述非线性规划问题的解，可以确定出上述无人配送车对应的最终泊车路径。SQP算法对于初始解更加友好，且占据内存较小，且不受到问题规模大小的限制，因此基于SQP算法求解上述初步泊车路径对应的精细化的最终泊车路径。

在本公开的示例性实施例中，通过对Kohonen神经网络模型输出的初步泊车路径进行优化处理，能够对影响上述初步泊车路径的待优化因素进行优化处理，解决现有技术中的方法无法保证泊车路径平滑可行、路径连续性较差的技术问题，提高泊车路径的可行性以及连续性，以及提高泊车路径的确定效率。

在本公开的示例性实施例中，示例性的，可以参考图5，图5示意性示出本公开一示例性实施例中无人配送车在非结构化场景中的泊车路径规划方法的流程示意图，具体示出上述方法的整体流程图，以下结合图5对具体的实施方式进行解释。

在步骤S501中，开始；

在步骤S502中，随机生成非结构化场景对应的多条泊车路径，根据预设评估指标对多条泊车路径进行评估；根据评估结果确定多条泊车路径中的优化路径。

在步骤S503中，基于上述非结构化场景以及非结构化场景对应的优化路径训练Kohonen神经网络模型，以得到路径规划模型；

在步骤S504中，给定非结构化场景，获取基于上述泊车路径规划模型输出的初步泊车路径；

在步骤S505中，针对上述初步泊车路径的优化问题，建立最优控制模型，将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；

在步骤S506中，以上述初步泊车路径作为初始解，基于序贯二次规划算法求解上述非线性规划问题；

在步骤S507中，将上述非线性规划问题的解作为最终泊车路径；

在步骤S508中，结束。

本公开还提供了一种无人配送车在非结构化场景中的泊车路径规划装置，图6示出本公开示例性实施例中无人配送车在非结构化场景中的泊车路径规划装置的结构示意图；如图6所示，无人配送车在非结构化场景中的泊车路径规划装置600可以包括获取模块601、模型建立模块602、离散处理模块603和求解模块604。其中：

获取模块601，用于获取泊车路径规划模型输出的所述无人配送车的初步泊车路径。

在本公开的示例性实施例中，获取模块用于根据路径起点信息与路径终点信息随机生成非结构化场景对应的多条泊车路径；根据预设评估指标对多条泊车路径进行评估；根据评估结果确定多条泊车路径中的优化路径。

在本公开的示例性实施例中，获取模块用于获取海量路径样本数据，海量路径样本数据包括非结构化场景以及非结构化场景对应的优化路径；根据海量路径样本数据训练机器学习模型，以得到泊车路径规划模型。其中，泊车路径规划模型为对无人配送车的泊车路径进行规划处理的机器学习模型。

在本公开的示例性实施例中，获取模块用于获取泊车路径规划模型输出的无人配送车的初步泊车路径。

模型建立模块602，用于针对所述初步泊车路径的优化问题，建立最优控制问题模型。

在本公开的示例性实施例中，模型建立模块用于针对初步泊车路径的动力学优化问题，建立动态约束条件；针对初步泊车路径的速度优化问题，建立边界速度约束条件；针对初步泊车路径的路径优化问题，建立路径约束条件；获取用于筛选最终泊车路径的代价函数；将动态约束条件、边界速度约束条件、路径约束条件与代价函数作为上述最优控制问题模型。

在本公开的示例性实施例中，模型建立模块用于构建第一指标函数、第二指标函数以及第三指标函数；获取第一指标函数与第一权重的第一乘积；获取第二指标函数与第二权重的第二乘积；获取第三指标函数与第三权重的第三乘积；根据第一乘积、第二乘积与第三乘积的加和值，确定用于筛选最终泊车路径的代价函数。

在本公开的示例性实施例中，上述第一权重映射第一指标函数对应的第一用户偏好；第二权重映射第二指标函数对应的第二用户偏好；第三权重映射第三指标函数对应的第三用户偏好。

离散处理模块603，用于将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题。

在本公开的示例性实施例中，离散处理模块用于将最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题。

求解模块604，用于求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径。

在本公开的示例性实施例中，处理模块用于基于序贯二次规划算法求解上述非线性规划问题，以确定无人配送车的最终泊车路径。

上述无人配送车在非结构化场景中的泊车路径规划装置中各模块的具体细节已经在对应的无人配送车在非结构化场景中的泊车路径规划方法中进行了详细的描述，因此此处不再赘述。

应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。

此外，尽管在附图中以特定顺序描述了本公开中方法的各个步骤，但是，这并非要求或者暗示必须按照该特定顺序来执行这些步骤，或是必须执行全部所示的步骤才能实现期望的结果。附加的或备选的，可以省略某些步骤，将多个步骤合并为一个步骤执行，以及/或者将一个步骤分解为多个步骤执行等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本公开实施方式的方法。

在本公开示例性实施方式中，还提供了一种能够实现上述方法的计算机存储介质。其上存储有能够实现本说明书上述方法的程序产品。在一些可能的实施例中，本公开的各个方面还可以实现为一种程序产品的形式，其包括程序代码，当所述程序产品在终端设备上运行时，所述程序代码用于使所述终端设备执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。

参考图7所示，描述了根据本公开的实施方式的用于实现上述方法的程序产品700，其可以采用便携式紧凑盘只读存储器(CD-ROM)并包括程序代码，并可以在终端设备，例如个人电脑上运行。然而，本公开的程序产品不限于此，在本文件中，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。

所述程序产品可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以为但不限于电、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。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(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。

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，其中承载了可读程序代码。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。可读信号介质还可以是可读存储介质以外的任何可读介质，该可读介质可以发送、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。

可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、有线、光缆、RF等等，或者上述的任意合适的组合。

可以以一种或多种程序设计语言的任意组合来编写用于执行本公开操作的程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、C++等，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。

此外，在本公开的示例性实施例中，还提供了一种能够实现上述方法的电子设备。

所属技术领域的技术人员能够理解，本公开的各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。

下面参照图8来描述根据本公开的这种实施方式的电子设备800。图8显示的电子设备800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8所示，电子设备800以通用计算设备的形式表现。电子设备800的组件可以包括但不限于：上述至少一个处理单元810、上述至少一个存储单元820、连接不同系统组件(包括存储单元820和处理单元810)的总线830。

其中，所述存储单元存储有程序代码，所述程序代码可以被所述处理单元810执行，使得所述处理单元810执行本说明书上述“示例性方法”部分中描述的根据本公开各种示例性实施方式的步骤。例如，所述处理单元810可以执行如图1中所示的：步骤S110，获取泊车路径规划模型输出的所述无人配送车的初步泊车路径，其中，所述泊车路径规划模型为对所述无人配送车的泊车路径进行规划处理的机器学习模型；步骤S120，针对所述初步泊车路径的优化问题，建立最优控制问题模型；步骤S130，将所述最优控制问题模型中的变量进行离散化处理，以得到非线性规划问题；步骤S140，求解所述非线性规划问题，以确定所述无人配送车的最终泊车路径。

存储单元820可以包括易失性存储单元形式的可读介质，例如随机存取存储单元(RAM)8201和/或高速缓存存储单元8202，还可以进一步包括只读存储单元(ROM)8203。

存储单元820还可以包括具有一组(至少一个)程序模块8205的程序/实用工具8204，这样的程序模块8205包括但不限于：操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。

总线830可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。

电子设备800也可以与一个或多个外部设备1100(例如键盘、指向设备、蓝牙设备等)通信，还可与一个或者多个使得用户能与该电子设备800交互的设备通信，和/或与使得该电子设备800能与一个或多个其它计算设备进行通信的任何设备(例如路由器、调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口850进行。并且，电子设备800还可以通过网络适配器860与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器860通过总线830与电子设备800的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备800使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、终端装置、或者网络设备等)执行根据本公开实施方式的方法。

此外，上述附图仅是根据本公开示例性实施例的方法所包括的处理的示意性说明，而不是限制目的。易于理解，上述附图所示的处理并不表明或限制这些处理的时间顺序。另外，也易于理解，这些处理可以是例如在多个模块中同步或异步执行的。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其他实施例。本申请旨在涵盖本公开的任何变型、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公开的一般性原理并包括本公开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，本公开的真正范围和精神由权利要求指出。