一种无人车路径规划方法及装置

技术领域

本发明涉及无人车控制技术领域，尤其涉及一种无人车路径规划方法及装置。

背景技术

近几年来，无人车广泛应用于货物搬运、快递派送、餐饮配送等服务业领域。利用无人车在各种场景下进行探索、运输的任务一直是行业的热点。全自主无人车对无人车提出了更高的技术要求，其关键技术可以大致分为四大板块，即感知、规划、决策、控制；其中，路径规划板块起着承上启下的作用，其输入为外部感知信息，输出为适合于无人车运行的安全、可行的轨迹，轨迹的优略是影响无人车任务执行效果的重大因素。

为了生成无人车的安全行驶轨迹，当所有的障碍物为静态障碍物，我们可以通过基于图搜索的方法如：Dijkstra、A*、D*算法等初步获取初始轨迹，但这一类轨迹需要再次进行优化才可生成最终符合无人车运动学的轨迹。当安全航路点已知的情况下，可以通过基于曲线拟合的算法，直接用圆弧与多项式、多项式曲线、B样条曲线、贝塞尔曲线等生成光滑轨迹；也可以采用基于采样的方法生成初始轨迹后进行轨迹优化；人工势场法通过对已知障碍物构建势场函数直接生成光滑轨迹。当存在动态障碍物时，一般采用基于数值优化的算法，利用目标函数和约束对规划问题进行描述与求解。

现有的无人车路径规划方法中在动态场景下，大多采用基于人工智能的算法或采用基于数值优化的算法，对目标函数、约束问题建模并构建优化问题求解，但该过程需要巨大的训练集与巨大的算力，导致计算量十分庞大。

发明内容

本发明提供了一种无人车路径规划方法及装置，解决了现有的无人车路径规划方法需要巨大的训练集与巨大的算力，导致计算量十分庞大的技术问题。

本发明第一方面提供的一种无人车路径规划方法，包括：

响应规划请求，获取多个障碍物实时位置数据；

采用无人车的实时位置数据和各所述障碍物实时位置数据，构建总势力场函数；

采用所述无人车的当前状态、预置输入控制量集和所述总势力场函数，确定目标拓展状态；

当所述目标拓展状态不满足预置目标条件时，将所述目标拓展状态作为新的当前状态；

跳转执行所述采用所述无人车的当前状态、预置输入控制量集和所述总势力场函数，确定目标拓展状态的步骤，直至所述目标拓展状态满足所述预置目标条件；

采用全部所述目标拓展状态和所述无人车的当前状态，生成路径规划结果。

可选地，所述采用所述无人车的实时位置数据和各所述障碍物实时位置数据，构建总势力场函数的步骤，包括：

采用所述无人车的实时位置数据和预置无人车目标点，构建终点势力场函数；

采用所述无人车对应的全局坐标系数据和各所述障碍物实时位置数据，构建多个障碍物势力场函数；

根据所述终点势力场函数和各所述障碍物势力场函数，构建总势力场函数。

可选地，所述终点势力场函数，具体为：

其中，A(P

所述障碍物势力场函数，具体为：

其中，N

所述总势力场函数，具体为：

其中，F(P

可选地，所述预置输入控制量集包括多个无人车油门控制量和多个无人车转角控制量；所述采用所述无人车的当前状态、预置输入控制量集和所述总势力场函数，确定目标拓展状态的步骤，包括：

基于多个无人车油门控制量、多个无人车转角控制量和所述无人车的当前状态，确定所述无人车对应的多个中间拓展状态；

将各所述中间拓展状态中的中间拓展状态横坐标和中间拓展状态纵坐标分别代入所述总势力场函数，计算各所述中间拓展状态对应的拓展状态势场值；

将各所述中间拓展状态横坐标、各所述中间拓展状态纵坐标和所述无人车的当前状态分别代入预设动力学成本函数，计算各所述中间拓展状态对应的动力学成本；

采用各所述拓展状态势场值和各所述动力学成本，计算多个拓展状态代价值；

在全部所述拓展状态代价值中，选取最小的拓展状态代价值对应的中间拓展状态作为目标拓展状态。

可选地，所述预置目标条件，具体为：

其中，

本发明第二方面提供的一种无人车路径规划装置，包括：

响应模块，用于响应规划请求，获取多个障碍物实时位置数据；

采用模块，用于采用无人车的实时位置数据和各所述障碍物实时位置数据，构建总势力场函数；

确定模块，用于采用所述无人车的当前状态、预置输入控制量集和所述总势力场函数，确定目标拓展状态；

预置条件模块，用于当所述目标拓展状态不满足预置目标条件时，将所述目标拓展状态作为新的当前状态；

跳转模块，用于跳转执行所述采用所述无人车的当前状态、预置输入控制量集和所述总势力场函数，确定目标拓展状态的步骤，直至所述目标拓展状态满足所述预置目标条件；

生成模块，用于采用全部所述目标拓展状态和所述无人车的当前状态，生成路径规划结果。

可选地，所述采用模块，包括：

第一函数模块，用于采用所述无人车的实时位置数据和预置无人车目标点，构建终点势力场函数；

第二函数模块，用于采用所述无人车对应的全局坐标系数据和各所述障碍物实时位置数据，构建多个障碍物势力场函数；

第三函数模块，用于根据所述终点势力场函数和各所述障碍物势力场函数，构建总势力场函数。

可选地，所述终点势力场函数，具体为：

其中，A(P

所述障碍物势力场函数，具体为：

其中，N

所述总势力场函数，具体为：

其中，F(P

可选地，所述预置输入控制量集包括多个无人车油门控制量和多个无人车转角控制量；所述确定模块，包括：

第一子模块，用于基于多个无人车油门控制量、多个无人车转角控制量和所述无人车的当前状态，确定所述无人车对应的多个中间拓展状态；

第二子模块，用于将各所述中间拓展状态中的中间拓展状态横坐标和中间拓展状态纵坐标分别代入所述总势力场函数，计算各所述中间拓展状态对应的拓展状态势场值；

第三子模块，用于将各所述中间拓展状态横坐标、各所述中间拓展状态纵坐标和所述无人车的当前状态分别代入预设动力学成本函数，计算各所述中间拓展状态对应的动力学成本；

代价值计算子模块，用于采用各所述拓展状态势场值和各所述动力学成本，计算多个拓展状态代价值；

第四子模块，用于在全部所述拓展状态代价值中，选取最小的拓展状态代价值对应的中间拓展状态作为目标拓展状态。

可选地，所述预置目标条件，具体为：

其中，

从以上技术方案可以看出，本发明具有以下优点：

本发明的上述技术方案提供了一种无人车路径规划方法，首先获取多个障碍物实时位置数据；采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数；采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态；接着，当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态；跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件；最后，采用全部目标拓展状态和无人车的当前状态，生成路径规划结果；上述方案，通过采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数的过程，无需构建优化问题求解，大大减少了计算量，同时，采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的过程，无人车直接执行确定的目标拓展状态即可，无需进行优化，能够提高无人车路径规划的速度。

附图说明

为了更清楚地说明本发明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简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。

图1为本发明实施例提供的一种无人车路径规划方法的步骤流程图；

图2为本发明实施例提供的障碍物的安全椭圆空间的示意图；

图3为本发明实施例提供的第一控制因子函数的函数变化示意图；

图4为本发明实施例提供的第二控制因子函数的函数变化示意图；

图5为本发明实施例提供的障碍物的速度v

图6为本发明实施例提供的总势力场的示意图；

图7为本发明实施例提供的无人车离散动力学的示意图；

图8为本发明实施例提供的路径规划结果的示意图；

图9为本发明实施例提供的动态障碍物移动前后的势场示意图；

图10为本发明实施例提供的动态障碍物移动前后生成的路径规划结果的示意图；

图11为本发明实施例提供的另一种无人车路径规划方法的步骤流程图；

图12为本发明实施例提供的根据欧氏距离建立的终点势力场的示意图；

图13为本发明实施例提供的障碍物势力场的示意图；

图14为本发明实施例提供的无人车路径规划算法的流程示意图；

图15为本发明实施例提供的一种无人车路径规划装置的结构框图。

具体实施方式

本发明实施例提供了一种无人车路径规划方法及装置，用于解决现有的无人车路径规划方法需要巨大的训练集与巨大的算力，导致计算量十分庞大的技术问题。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

请参阅图1，图1为本发明实施例提供的一种无人车路径规划方法的步骤流程图。

本发明提供的一种无人车路径规划方法，包括：

步骤101、响应规划请求，获取多个障碍物实时位置数据。

障碍物实时位置数据包括障碍物横坐标和障碍物纵坐标。

需要说明的是，在通过无人车的实时位置数据和和获取的多个障碍物实时位置数据，建立势力场函数之前，本申请首先基于障碍物的v

其中，v

进一步地，基于上述计算得到障碍物的速度vk(t)、加速度a

其中，v

请参阅图2，通过建立二维平面坐标系，将上述确定的障碍物的安全椭圆空间的图像绘制出来可以得到以(p

其中，T

进一步地，请参阅图3-图4，当k

进一步地，当障碍物为静止时，即v(t)、a

其中，(x,y)为在全局坐标系下的无人车坐标，调整因子α满足k

示例性地，请参阅图5，针对不同类型的障碍物调整可以建立相应的障碍物的安全椭圆空间，v

基于上述基础，根据椭圆的定义可知，椭圆的长轴与短轴影响了椭圆形状，而障碍物的安全椭圆空间的长轴a

在本实施例中，响应规划请求，获取多个障碍物实时位置数据。

步骤102、采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数。

无人车的实时位置数据包括无人车横坐标和无人车纵坐标。

障碍物实时位置数据包括障碍物横坐标和障碍物纵坐标。

需要说明的是，为了引导无人车能够更快的到达目标点，建立以目标点为中心，采用欧式距离建立距离场，势力场的值越小时即越靠近终点，将无人车的实时位置数据设定为在t实时时刻的位置P

进一步地，请参阅图6，无人车的实时位置数据和各障碍物实时位置数据，构建的总势力场函数对应的总势力场如图6所示，其中，x,y轴的值代表了在全局坐标系下的坐标值，势力场大地方为白色，小的地方为黑色，无人车将绕过黑色区域往白色区域靠拢，即避开障碍物从而到达目标位置。

在本实施例中，采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数。

步骤103、采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态。

预置输入控制量集包括多个无人车油门控制量和多个无人车转角控制量。

目标拓展状态为无人车在下一时刻执行的当前状态，由无人车油门控制量和无人车转角控制量进行确定。

需要说明的是，请参阅图7，为了得到符合无人车运动学的轨迹，采用混合A*算法的思想，假设S

在本实施例中，采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态。

步骤104、当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态。

目标拓展状态包括目标拓展状态横坐标和目标拓展状态纵坐标。

需要说明的是，若目标拓展状态横坐标和目标拓展状态纵坐标不满足预置目标条件，则将目标拓展状态作为新的当前状态，并保留该目标拓展状态，继续迭代，其中，预置目标条件，具体为：

其中，

在本实施例中，当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态。

步骤105、跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件。

需要说明的是，若目标拓展状态不满足预置目标条件，则将目标拓展状态作为新的当前状态后，跳转执行步骤103，直至目标拓展状态横坐标和目标拓展状态纵坐标满足预置目标条件。

在本实施例中，跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件。

步骤106、采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。

需要说明的是，请参阅图8，图8中右上角落实心“*”点为轨迹起点，左下角为实心圆点轨迹终点，通过上述的迭代步骤，确定了多个目标拓展状态，采用保留下的全部目标拓展状态和无人车的当前状态(最开始的当前状态)，生成无人车的路径规划结果；例如，假设初始与最终状态分别为S

{S

其中，S

在本实施例中，采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。

进一步地，请参阅图9-图10，8个障碍物的位置如图9所示，每一个图是对于同一时刻障碍物处于不同状态下，基于其速度、加速度、角速度、角加速度的值建立起来的六个不同的势力场模型。黑色区域代表代价最高，白色区域代表着代价时最低的，最小化代价函数意味着轨迹将趋向于白色区域运动，以达到总代价最小的效果；然后基于六个不同的势力场，相应生成的最终轨迹如图10所示，当障碍物状态不一样时，基于建立的势场不同，生成的路径差别较大。生成的轨迹符合无人车动力学，是可以由无人车直接执行的光滑轨迹。其中，x、y表示全局坐标系下的位置坐标；其中，右上角落实心“*”点为轨迹起点，左下角为实心圆点轨迹终点。

在本发明实施例中，本申请提供了一种无人车路径规划方法，首先获取多个障碍物实时位置数据；采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数；采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态；接着，当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态；跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件；最后，采用全部目标拓展状态和无人车的当前状态，生成路径规划结果；上述方案，通过采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数的过程，无需构建优化问题求解，大大减少了计算量，同时，采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的过程，无人车直接执行确定的目标拓展状态即可，无需进行优化，能够提高无人车路径规划的速度。

请参阅图11，图11为本发明实施例提供的另一种无人车路径规划方法的步骤流程图。

本发明提供的一种无人车路径规划方法，包括：

步骤1101、响应规划请求，获取多个障碍物实时位置数据。

需要说明的是，当无人车需要进行路径规划时，获取多个障碍物的实时位置数据。

在本实施例中，响应规划请求，获取多个障碍物实时位置数据。

步骤1102、采用无人车的实时位置数据和预置无人车目标点，构建终点势力场函数。

需要说明的是，请参阅图12，采用无人车的实时位置数据和预置无人车目标点，构建终点势力场函数，其中，图12中的x,y轴的值代表了在全局坐标系下的坐标值，黑色到白色的过渡代表着引力场从小到大的变化，通过此引力场可以引导无人车往引力值大的方向探索，以实现终点对无人车的启发功能；终点势力场函数，具体为：

其中，A(P

在本实施例中，采用无人车的实时位置数据和预置无人车目标点，构建终点势力场函数。

步骤1103、采用无人车对应的全局坐标系数据和各障碍物实时位置数据，构建多个障碍物势力场函数。

需要说明的是，请参阅图13，图13中的x,y表示在全局坐标系下的坐标，(p

进一步地，通过高斯函数得到由障碍物椭圆障碍物k在点P

其中，N

在本实施例中，采用无人车对应的全局坐标系数据和各障碍物实时位置数据，构建多个障碍物势力场函数。

步骤1104、根据终点势力场函数和各障碍物势力场函数，构建总势力场函数。

需要说明的是，根据终点势力场函数和各障碍物势力场函数，构建总势力场函数，例如，假设共有n个障碍物，无人车在此环境中运行轨迹应考虑到所有障碍物所产生的势场，此时在点P

其中，F(P

在本实施例中，根据终点势力场函数和各障碍物势力场函数，构建总势力场函数。

步骤1105、采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态。

预置输入控制量集包括多个无人车油门控制量和多个无人车转角控制量。

进一步地，步骤1105可以包括以下子步骤：

S51、基于多个无人车油门控制量、多个无人车转角控制量和无人车的当前状态，确定无人车对应的多个中间拓展状态；

S52、将各中间拓展状态中的中间拓展状态横坐标和中间拓展状态纵坐标分别代入总势力场函数，计算各中间拓展状态对应的拓展状态势场值；

中间拓展状态包括中间拓展状态横坐标和中间拓展状态纵坐标。

S53、将各中间拓展状态横坐标、各中间拓展状态纵坐标和无人车的当前状态分别代入预设动力学成本函数，计算各中间拓展状态对应的动力学成本；

无人车的当前状态包括当前状态横坐标和当前状态纵坐标。

S54、采用各拓展状态势场值和各动力学成本，计算多个拓展状态代价值；

S55、在全部拓展状态代价值中，选取最小的拓展状态代价值对应的中间拓展状态作为目标拓展状态。

需要说明的是，假设共有m组不同的输入(多个无人车油门控制量、多个无人车转角控制量之间的组合)，即u

S

其中，S

进一步地，通过势力场函数值选择最优的中间拓展状态S

其中，F(S

进一步地，采用哈曼卡顿距离构建动力学成本函数(预设动力学成本函数)M(S

其中，M(S

进一步地，采用各拓展状态势场值和各动力学成本，计算多个拓展状态代价值，并在全部拓展状态代价值中，选取最小的拓展状态代价值对应的中间拓展状态作为目标拓展状态，具体为：

其中，D(S

在本实施例中，采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态。

步骤1106、当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态。

在本实施例中，当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态。

步骤1107、跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件。

在本实施例中，跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件。

步骤1108、采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。

在本实施例中，采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。

示例性地，请参阅图14，本申请的流程图如图14所示，主要分为三大模块即感知层、建图层、规划层，感知层通过动捕系统预测障碍物的运动轨迹，激光雷达与RGBD摄像头可以提供点云信息与深度信息；建图层完成增量式建图并估计无人车当前的状态，通过预测的轨迹采用本文中的方法建立障碍物安全椭圆空间；规划层将利用无人车离散运动学信息与椭圆安全空间信息建立全局势场，最终得到符合无人车运动学的安全路径。

作为技术效果的对比，可以结合现有技术进行参考，现有技术中其一是通过基于图搜索或基于采样的方法求得初始轨迹，后通过多项式、贝塞尔曲线等曲线进行优化，生成光滑可执行的轨迹；其二是采用Hybrid-A*算法，直接生成符合无人车动力学的轨迹；其三是采用人工势场法，构建全局势场通过势场变化生成光滑轨迹；其四是采用基于人工智能的算法如模糊逻辑算法、神经网络算法、遗传算法等；其五是采用基于数值优化的算法，对目标函数、约束问题建模并构建优化问题求解；上述方案中，前三个方案在静态环境下可以获得比较好的效果，但是不适用于含有动态障碍物的动态场景，方案4适用于动态场景，但其需要大量的训练数据集并需要花费大量的训练时间以达到较好的效果。方案5中，基于优化的方法通常需要构建优化问题，求解优化问题会花费较大的计算代价同时也伴有优化失败的风险。

基于上述基础，针对现有技术，无人车在含有动态障碍物环境下生成安全可行且符合无人车运动学的轨迹需要消耗较大算力的技术难题，本申请提出一种无人车路径规划方法，适用于在含有动态障碍物环境中生成轨迹的改进的人工势场法，当无人车的姿态可预测时，考虑动态障碍物的状态量(速度、加速度、角度、角加速度)、无人车的运动学等信息，生成安全、光滑、符合无人车运动学的轨迹，同时，通过充分利用动态障碍物的信息，借助动态障碍物的位置、速度、角度、加速度、角加速的等信息融入到势力场函数中，直接生成与障碍物运动学相符合的势力场，将人工势场法的应用场景拓展到含有动态障碍物的动态环境中。此外还考虑无人车运动学，生成光滑且符合无人车运动学的轨迹。

在本发明实施例中，本申请提供了一种无人车路径规划方法，首先获取多个障碍物实时位置数据；采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数；采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态；接着，当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态；跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件；最后，采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。现有技术中应用于无人车传统的路径规划算法如A*、人工势场算法等一般只适用于只含有静态障碍物的环境，而人工智能算法需要巨大的训练集与耗费巨大的算力，本申请通过高斯函数对安全椭圆空间建立移动障碍物的势场，相比于同样适用于动态环境下的基于数值优化的方法计算量更小，无需构建优化问题求解，同时，基于数值优化的方法一般需要生成初始轨迹，需要后端轨迹优化，而本发明通过离散无人车运动学，拓展符合无人车的未来状态，生成的轨迹无需进行优化便可直接执行，提高了路径规划的速度。

请参阅图15，图15为本发明实施例提供的一种无人车路径规划装置的结构框图。

本发明提供的一种无人车路径规划装置，包括：

响应模块1501，用于响应规划请求，获取多个障碍物实时位置数据；

采用模块1502，用于采用无人车的实时位置数据和各障碍物实时位置数据，构建总势力场函数；

确定模块1503，用于采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态；

预置条件模块1504，用于当目标拓展状态不满足预置目标条件时，将目标拓展状态作为新的当前状态；

跳转模块1505，用于跳转执行采用无人车的当前状态、预置输入控制量集和总势力场函数，确定目标拓展状态的步骤，直至目标拓展状态满足预置目标条件；

生成模块1506，用于采用全部目标拓展状态和无人车的当前状态，生成路径规划结果。

进一步地，采用模块，包括：

第一函数模块，用于采用无人车的实时位置数据和预置无人车目标点，构建终点势力场函数；

第二函数模块，用于采用无人车对应的全局坐标系数据和各障碍物实时位置数据，构建多个障碍物势力场函数；

第三函数模块，用于根据终点势力场函数和各障碍物势力场函数，构建总势力场函数。

进一步地，终点势力场函数，具体为：

其中，A(P

障碍物势力场函数，具体为：

其中，N

总势力场函数，具体为：

其中，F(P

进一步地，预置输入控制量集包括多个无人车油门控制量和多个无人车转角控制量；确定模块，包括：

第一子模块，用于基于多个无人车油门控制量、多个无人车转角控制量和无人车的当前状态，确定无人车对应的多个中间拓展状态；

第二子模块，用于将各中间拓展状态中的中间拓展状态横坐标和中间拓展状态纵坐标分别代入总势力场函数，计算各中间拓展状态对应的拓展状态势场值；

第三子模块，用于将各中间拓展状态横坐标、各中间拓展状态纵坐标和无人车的当前状态分别代入预设动力学成本函数，计算各中间拓展状态对应的动力学成本；

代价值计算子模块，用于采用各拓展状态势场值和各动力学成本，计算多个拓展状态代价值；

第四子模块，用于在全部拓展状态代价值中，选取最小的拓展状态代价值对应的中间拓展状态作为目标拓展状态。

进一步地，预置目标条件，具体为：

其中，

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置、模块和子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。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，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，例如多个单元或组件可以结合或者可以集成到另一个系统，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。