CN106114507A - 用于智能车辆的局部轨迹规划方法和装置 - Google Patents

Abstract

本发明提供了一种用于智能车辆的局部轨迹规划方法和装置，预先获取从起始地点到目的地点之间的路径规划信息；所述方法包括：确定目标车道；依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线；依据当前行驶环境，对采样的备选曲线进行速度规划；从进行速度规划后的备选曲线中选择一条作为目标轨迹。通过本发明实现了智能车辆的局部轨迹规划。

Description

用于智能车辆的局部轨迹规划方法和装置

【技术领域】

本发明涉及计算机应用技术领域，特别涉及一种用于智能车辆的局部轨迹规划方法和轨迹。

【背景技术】

智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，使车辆具备智能的环境感知能力，能够自动分析车辆行驶的安全及危险状态，并使车辆按照人的意愿到达目的地，最终实现替代人来操作的目的。近年来，智能车辆己经成为世界车辆工程领域研究的热点和汽车工业增长的新动力，很多发达国家都将其纳入到各自重点发展的智能交通系统当中。

智能车辆在行驶过程中会遇到各种道路结构和交通状况，因此如何实现行车的局部轨迹规划成为智能车辆设计中的一项关键技术。目前的技术仅限于一些依靠传感器获取周围交通状况后进行的避障、超车、换道等局部控制规划，尚没有很好的方式能够实现智能车辆的局部轨迹规划。

【发明内容】

有鉴于此，本发明提供了一种用于智能车辆的局部轨迹规划方法和装置。

具体技术方案如下：

本发明提供了一种用于智能车辆的局部轨迹规划方法，预先获取从起始地点到目的地点之间的路径规划信息；所述方法包括：

确定目标车道；

依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线；

依据当前行驶环境，对采样的备选曲线进行速度规划；

从进行速度规划后的备选曲线中选择一条作为目标轨迹。

根据本发明一优选实施方式，所述方法周期性执行或者由特定事件触发。

根据本发明一优选实施方式，所述确定目标车道包括：

从所述路径规划信息中获取目标车道的信息；或者，

依据当前行驶环境，进行行为决策，行为决策结果包含目标车道的信息。

根据本发明一优选实施方式，当所述智能车辆行驶至多车道路径上时，执行所述依据当前行驶环境，进行行为决策。

根据本发明一优选实施方式，所述当前行驶环境包括道路因素和周围交通因素；

所述道路因素包括以下因素中的一种或任意组合：智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息；

所述周围交通因素包括以下因素中的一种或任意组合：智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积。

根据本发明一优选实施方式，所述进行行为决策包括：

将所述当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果；或者，

将所述当前行驶环境输入决策模型，获取所述决策模型输出的决策结果，所述决策模型是预先采用机器学习的方式建立的。

根据本发明一优选实施方式，依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线包括：

从所述路径规划信息中获取所述目标车道的信息；

依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围；

在所述终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据备选曲线的起点和各备选曲线的终点进行采样，形成各备选曲线。

根据本发明一优选实施方式，在依据备选曲线的起点和终点进行采样时，依据欧拉螺旋线进行采样，形成备选曲线。

根据本发明一优选实施方式，在所述终点范围内采样备选曲线的终点包括：

在所述终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点，所述备选曲线的终点方向和曲率均与目标车道一致。

根据本发明一优选实施方式，所述备选曲线的起点方向与智能车辆当前行驶方向一致，所述备选曲线的起点曲率由智能车辆当前方向盘转角和轴距确定。

根据本发明一优选实施方式，所述依据当前行驶环境，对采样的备选曲线进行速度规划包括：

若智能车辆与前方车辆的距离小于目标跟车距离，则在所述备选曲线上以预设的第一加速度进行匀减速；

若智能车辆与前方车辆的距离大于目标跟车距离，则在所述备选曲线上以预设的第二加速度进行均加速；

若智能车辆当前速度大于车道限速，则在所述备选曲线上以预设的第三加速度进行匀减速；

若智能车辆当前速度大于弯道安全速度，则在所述备选曲线上以预设的第四加速度进行匀减速。

根据本发明一优选实施方式，所述从进行速度规划后的备选曲线中选择一条作为目标轨迹包括：

依据以下因素中的一个或任意组合对各进行速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹：

所述备选曲线距离障碍物的距离、所述备选曲线的曲率、所述备选曲线的加速度以及完成所述备选曲线的耗时。

根据本发明一优选实施方式，若智能车辆驶出规划的路径，则触发重新进行路径规划并获取新的路径规划信息，并基于新的路径规划信息进行后续局部轨迹规划。

根据本发明一优选实施方式，该方法还包括：

将目标轨迹信息发送给所述智能车辆的控制系统，以便所述控制系统控制所述智能车辆沿所述目标轨迹行驶。

本发明还提供了一种用于智能车辆的局部轨迹规划装置，该装置包括：

接口模块，用于获取从起始地点到目的地点之间的路径规划信息；

车道确定模块，用于确定目标车道；

曲线采样模块，用于依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线；

速度规划模块，用于依据当前行驶环境，对采样的备选曲线进行速度规划；

轨迹选择模块，用于从进行速度规划后的备选曲线中选择一条作为目标轨迹。

根据本发明一优选实施方式，所述装置周期性执行处理或者由特定事件触发执行处理。

根据本发明一优选实施方式，所述车道确定模块，具体用于从所述路径规划信息中获取目标车道的信息；或者，从行为决策模块的行为决策结果中获取目标车道的信息；

所述行为决策模块，用于依据当前行驶环境，进行行为决策。

根据本发明一优选实施方式，当所述智能车辆行驶至多车道路径上时，所述行为决策模块进行行为决策。

根据本发明一优选实施方式，所述当前行驶环境包括道路因素和周围交通因素；

所述道路因素包括以下因素中的一种或任意组合：智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息；

所述周围交通因素包括以下因素中的一种或任意组合：智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积。

根据本发明一优选实施方式，所述行为决策模块在进行行为决策时，具体执行：

将所述当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果；或者，

将所述当前行驶环境输入决策模型，获取所述决策模型输出的决策结果，所述决策模型是预先采用机器学习的方式建立的。

根据本发明一优选实施方式，所述曲线采样模块，具体用于：

从所述路径规划信息中获取所述目标车道的信息；

依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围；

在所述终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据备选曲线的起点和各备选曲线的终点进行采样，形成各备选曲线。

根据本发明一优选实施方式，所述曲线采样模块在依据备选曲线的起点和终点进行采样时，依据欧拉螺旋线进行采样，形成备选曲线。

根据本发明一优选实施方式，所述曲线采样模块在所述终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点，所述备选曲线的终点方向和曲率均与目标车道一致。

根据本发明一优选实施方式，所述备选曲线的起点方向与智能车辆当前行驶方向一致，所述备选曲线的起点曲率由智能车辆当前方向盘转角和轴距确定。

根据本发明一优选实施方式，所述速度规划模块进行的速度规划包括：

若智能车辆与前方车辆的距离小于目标跟车距离，则在所述备选曲线上以预设的第一加速度进行匀减速；

若智能车辆与前方车辆的距离大于目标跟车距离，则在所述备选曲线上以预设的第二加速度进行均加速；

若智能车辆当前速度大于车道限速，则在所述备选曲线上以预设的第三加速度进行匀减速；

若智能车辆当前速度大于弯道安全速度，则在所述备选曲线上以预设的第四加速度进行匀减速。

根据本发明一优选实施方式，所述速度规划模块，具体用于依据以下因素中的一个或任意组合对各进行速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹：

所述备选曲线距离障碍物的距离、所述备选曲线的曲率、所述备选曲线的加速度以及完成所述备选曲线的耗时。

根据本发明一优选实施方式，该装置还包括：

行驶轨迹监测模块，用于监测智能汽车的行驶轨迹，若智能车辆驶出规划的路径，则触发地图类服务重新进行路径规划并触发所述接口模块获取新的路径规划信息。

根据本发明一优选实施方式，所述轨迹选择模块，还用于将目标轨迹信息发送给所述智能车辆的控制系统，以便所述控制系统控制所述智能车辆沿所述目标轨迹行驶。

由以上技术方案可以看出，本发明在确定目标车道后，依据路径规划信息采样从智能车辆当前所在位置至目标车道的备选曲线，并依据当前行驶环境，对采样的备选曲线进行路径规划，再从速度规划后的备选曲线中选择一条作为目标轨迹。从而实现了智能车辆的局部轨迹规划。

【附图说明】

图1为本发明实施例提供的主要方法流程图；

图2为本发明实施例所提供方法的详细实现流程；

图3为本发明实施例提供的一个备选曲线的采样示意图；

图4为本发明实施例提供的装置结构图。

【具体实施方式】

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明进行详细描述。

在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。

应当理解，本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。

取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。

本发明用于智能车辆的局部轨迹规划，首先对“路径”和“轨迹”进行区分。路径指的是从起始地点到目的地点的一条导航路线，只包含道路信息，不包含精确位置(例如坐标)、速度、时间等特征。而轨迹指的是在路面上的一系列精确位置点，并带有速度、时间等特征。路径规划通过地图类服务已经能够实现，路径规划通常是整体规划，本发明实现的是局部的轨迹规划。

图1为本发明实施例提供的主要方法流程图，如图1所示，该方法主要包括以下步骤：

在101中，预先获取从起始地点到目的地点之间的路径规划信息。

路径规划可以采用已有技术实现，本发明对路径规划的方式并不加以限制，现有大部分地图类服务(包括导航类服务)都能够实现从起始地点到目的地点的路径规划。路径规划信息包含从起始地点到目的地点的导航路径，该路径是一条首尾相连的通路，但若一条道路存在多个车道的情况，路径规划信息并不会从中进行选择，只会包含道路信息。另外，基于地图类服务，特别是高精地图类服务具有高精度的道路信息，因此路径规划信息中可以包含道路所包含的车道信息，例如车道线的位置、车道的曲率、车道的限速、车道的连接属性等等。

举一个例子，假设起始地点为后杨村路，目的地点为奥林西路，那么路径规划信息可以为：后杨村路，有3车道，右转上匝道，限速40。200米向左汇入G7主路，G7主路有4车道，限速80。5公里后向右驶入匝道，限速50。200米后匝道分叉处走左侧匝道。500米后向左侧汇入五环主路，4条车道，限速100。

下面各步骤是局部轨迹规划的实现步骤，局部轨迹规划可以是在智能车辆形式过程中周期性执行的，例如每隔100毫秒执行一次。也可以是由特定事件触发的，例如当需要进行车道选择时，或者当行为决策后需要变更智能车辆的驾驶行为时(例如需要超车、变道)，等等。

在102中，确定目标车道。

本步骤主要包括但不限于以下两种方式：

第一种方式：从路径规划信息中获取目标车道的信息。上面已经提到过，在路径规划信息中仅会存在道路信息，例如包含几条车道，但不会进行车道选择。但有些道路在智能车辆的行驶方向上仅包含一条车道，那么这种情况下，就可以直接将该车道作为目标车道。

第二种方式：对于存在多个车道需要选择时，或者需要进行变道处理时，那么就需要依据当前行驶环境进行行为决策，行为决策结果中包含目标车道的信息。例如行为决策结果为向左变道，那么目标车道就是智能车辆当前所在车道左侧相邻车道。这种方式将在后续实施例中详述。

在103中，依据路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线。

确定出目标车道后，从智能车辆当前所在位置行驶至目标车道可能存在非常多种轨迹，那么就需要从中决策出一种。本步骤是以采样的方式，采样出多条备选曲线，每一条备选曲线上都有很多点构成。备选曲线代表了智能车辆可以沿着备选曲线行驶至目标车道。备选曲线的采样方式将在后续实施例中详述。

在104中，依据当前行驶环境，对采样的备选曲线进行速度规划。

由于备选曲线仅仅是位置信息，这是不够的，智能车辆沿着备选曲线行驶时，还需要考虑速度。即以一个怎样的速度在备选曲线上行驶，因此，就需要对采样的备选曲线进行速度规划。速度规划时主要考虑的是当前行驶环境，例如前方车辆的状况、道路限速状况等。速度规划的具体方式将在后续实施例中详述。

在105中，从进行速度规划后的备选曲线中选择一条作为目标轨迹。

本步骤在从多条备选曲线中选择一条作为目标轨迹时，可以对进行速度规划后的各备选曲线进行评估，依据评估结果选择最优的一条。所谓评估实际上就是对备选曲线的优劣做比较和判断，具体评估方式将在后续实施例中详述。

以上是本发明的主要实现，下面结合一个具体实施例对上述方法的具体实现进行详述。图2为本发明实施例所提供方法的详细实现流程，如图2所示，从高精地图服务获取从起始地点到目标地点之间的路径规划信息之后，周期性地或者由特定事件触发地执行以下步骤：

在201中，依据当前行驶环境，进行行为决策，确定目标车道。

当前行驶环境主要包括两个因素：道路因素和周围交通因素。其中，道路因素可以包括诸如智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息等因素中的一种或任意组合。周围交通因素可以包括诸如智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积等中的一种或任意组合。

在进行行为决策时，决策出的结果主要是诸如跟车、换道、转弯、上下匝道等驾驶行为。具体的行为决策可以采用但不限于以下两种方式：

第一种方式：将当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果。即预先将上述各种因素的组合与各决策结果进行对应，这种对应就是决策规则，当需要进行行为决策时，将智能车辆当前行驶环境与决策规则匹配，匹配得到的就是行为决策结果。

第二种方式：将当前行驶环境输入决策模型，获取决策模型输出的决策结果。即预先采集一些样本数据，提取上述当前行驶环境的各因素作为特征，采用机器学习的方式训练决策模型。当需要对智能车辆进行实时的行为决策时，提取智能车辆的当前行驶环境，将当前行驶环境的各因素作为特征输入决策模型，就能够得到决策模型输出的决策结果。

通过行为决策，就能够确定出目标车道的信息。例如若行为决策结果为向左换道，那么目标车道就是智能车辆当前所在车道的左侧相邻车道。若行为决策结果为向右换道，那么目标车道就是智能车辆当前所在车道的右侧相邻车道。若行为决策结果是限速、转弯等，则目标车道仍是当前所在车道。

在202中，从路径规划信息中获取目标车道信息，依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围，在终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据曲线的起点和各备选曲线的重点进行采样，形成各备选曲线。

备选曲线的形式可以采用欧拉螺旋线、贝塞尔曲线、样条曲线等。以欧拉螺旋线为例，一旦备选曲线类型确定了，确定出备选曲线起点和备选曲线终点，就能够确定出该备选曲线。

备选曲线的起点即为智能车辆当前所在位置，起点方向与智能车辆当前行驶方向一致，起点曲率由智能车辆当前方向盘转角和轴距确定。例如，起点曲率K可以采用如下公式：

$K=\frac{tan\left(\mathrm{\α}\right)}{L}$

其中，α为前轮转角，其与方向盘转角成一定比例关系，这个关系由智能车辆本身的设计决定。L为智能车辆的前后轴距确定。

重点是备选曲线终点的采样。首先可以从路径规划信息中获取目标车道的信息，也就是目标车道的位置信息。由于备选曲线的目的是让智能车辆能够平稳地行驶到目标车道上，因此需要确定出一个合适的范围，备选曲线的终点需要落在该范围内。该范围由智能车辆的当前速度决定，当智能车辆的当前速度大时，该范围距离智能车辆当前位置就远一些，反之就近一些。范围的确定可以依据经验规则。终点范围确定后，可以在该终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点。有几个终点就有几条备选曲线，备选曲线的终点方向和曲率方向均与目标车道一致。

如图3中所示，假设智能车辆当前在1车道上，目标车道为2车道。当前车辆所在位置A为曲线起点。依据智能车辆的当前车速确定出备选曲线的终点范围为x1～x2范围内。在该范围内沿着车道中心线进行等间距采样，采样5个点B1、B2、B3、B4和B5分别作为备选曲线终点，依据欧拉螺旋线进行备选曲线上其他点的采样，就形成5条备选曲线。

在203中，依据当前行驶环境，对采样的备选曲线进行速度规划。

本步骤主要考虑智能车辆与前方车辆的距离、安全限速等因素，主要包括但不限于以下处理：

若智能车辆与前方车辆的距离小于目标跟车距离，则在备选曲线上以预设的第一加速度进行匀减速。

其中目标跟车距离可以由前方车辆的速度与安全时间间距来确定，例如前方车辆的车速与安全时间间距的乘积。安全时间间距通常采用3秒。

若智能车辆与前方车辆的距离大于目标跟车距离，则在备选曲线上以预设的第二加速度进行均加速。

上述两种速度规划方式是为了防止在智能车辆行驶过程中与前方车辆发生碰撞的考虑。

若智能车辆当前速度大于车道限速，则在备选曲线上以预设的第三加速度进行均减速。

若智能车辆当前速度大于弯道安全速度，则在备选曲线上以预设的第四加速度进行匀减速。其中弯道安全速度可以由车道限速和车道曲率确定。

上述第一加速度、第二加速度、第三加速度和第四加速度可以取经验值。对备选曲线的速度规划主要是基于安全性、平稳性和舒适性的考虑。

在204中，依据备选曲线距离障碍物的距离、备选曲线的曲率、备选曲线的加速度以及完成备选曲线的耗时中的一个或任意组合，对速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹。

在对各备选曲线进行评估时，参考了一些指标，下面对这些指标逐一说明：

1)备选曲线距离障碍物的距离。当然，距离障碍物越远，备选曲线越优。障碍物可以是车辆、行人、交通路障、建筑物等等。

2)备选曲线的曲率。备选曲线的曲率越小，备选曲线越优，按照这种曲线行驶平稳性越好。另外，由于智能车辆存在最小转向半径的限制，因此当备选曲线的曲率大于一定值时，智能车辆则无法执行，因此可以将曲率大于预设阈值的备选曲线删除，不再参与目标轨迹的选取。

3)备选曲线的加速度。由于加速度越小，司机和乘客的舒适性越高，因此备选曲线越优。

4)完成备选曲线的耗时。比较容易理解，完成备选曲线的耗时越短，备选曲线越优。

可以综合考虑上述指标中的多种，依据上述指标分别对备选曲线进行打分，再将各指标的分值进行加权处理，得到各备选曲线的分值，然后从中选择分值最优的一条备选曲线作为目标轨迹。

在205中，将目标轨迹的信息发送给智能车辆的控制系统，以便控制系统控制智能车辆沿目标轨迹行驶。

控制系统接收到目标轨迹的信息后，依据目标轨迹的信息确定对智能车辆的方向盘转角、刹车、油门等的控制参数，然后依据这些控制参数对方向盘、刹车、油门等进行控制，从而使智能车辆最终沿着目标轨迹形式。控制系统具体如何依据目标轨迹的信息确定控制参数，不是本发明限制的内容。

另外，在本发明实施例中，还可以实时对智能车辆的行驶状态进行监控，若智能车辆驶出规划的路径，则可以触发地图类服务重新针对该智能车辆进行路径规划，此时规划的路径起始地点为智能车辆当前所在位置。并且基于新的路径规划信息进行后续局部轨迹规划。

以上是对本发明所提供的方法进行的详细描述，下面结合实施例对本发明所提供的装置进行详述。

图4为本发明实施例提供的装置结构图，装置可以周期性执行处理或者由特定事件触发执行处理。如图4所示，该装置可以包括：接口模块01、车道确定模块02、曲线采样模块03、速度规划模块04和轨迹选择模块05，还可以进一步包括行为决策模块06和行驶轨迹监测模块07。各组成单元的主要功能如下：

接口模块01负责获取从起始地点到目的地点之间的路径规划信息，该路径规划信息可以从地图类服务获取，例如从智能车辆中的高精地图模块获取。

车道确定模块02负责确定目标车道。车道确定模块02可以采用但不限于以下两种方式：

第一种方式：从路径规划信息中获取目标车道的信息。在路径规划信息中会存在道路信息，例如包含几条车道，但不会进行车道选择。但有些道路在智能车辆的行驶方向上仅包含一条车道，那么这种情况下，就可以直接将该车道作为目标车道。

第二种方式：从行为决策模块的行为决策结果中获取目标车道的信息。行为决策模块06负责依据当前行驶环境，进行行为决策。当智能车辆行驶至多车道路径上时，行为决策模块06可以开始行为决策。

其中，当前行驶环境可以包括道路因素和周围交通因素。道路因素包括以下因素中的一种或任意组合：智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息。周围交通因素包括以下因素中的一种或任意组合：智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积。

行为决策模块06在进行行为决策时，决策出的结果主要是诸如跟车、换道、转弯、上下匝道等驾驶行为。具体的行为决策可以采用但不限于以下两种方式：

第一种方式：将当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果。

第二种方式：将当前行驶环境输入决策模型，获取决策模型输出的决策结果，决策模型是预先采用机器学习的方式建立的。

曲线采样模块03负责依据路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线。

具体地，曲线采样模块03可以首先从路径规划信息中获取目标车道的信息；然后依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围；在终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据备选曲线的起点和各备选曲线的终点进行采样，形成各备选曲线。

其中曲线采样模块03在依据备选曲线的起点和终点进行采样时，可以依据欧拉螺旋线进行采样，形成备选曲线。除了欧拉螺旋线之外，还可以采用贝塞尔曲线、样条曲线等。

在进行备选曲线终点的采样时，曲线采样模块03在终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点，备选曲线的终点方向和曲率均与目标车道一致。

备选曲线的起点方向与智能车辆当前行驶方向一致，备选曲线的起点曲率由智能车辆当前方向盘转角和轴距确定。

速度规划模块04负责依据当前行驶环境，对采样的备选曲线进行速度规划。

速度规划模块04主要考虑智能车辆与前方车辆的距离、安全限速等因素，主要包括但不限于以下处理：

若智能车辆与前方车辆的距离小于目标跟车距离，则在备选曲线上以预设的第一加速度进行匀减速。

其中目标跟车距离可以由前方车辆的速度与安全时间间距来确定，例如前方车辆的车速与安全时间间距的乘积。安全时间间距通常采用3秒。

若智能车辆与前方车辆的距离大于目标跟车距离，则在备选曲线上以预设的第二加速度进行均加速。

上述两种速度规划方式是为了防止在智能车辆行驶过程中与前方车辆发生碰撞的考虑。

若智能车辆当前速度大于车道限速，则在备选曲线上以预设的第三加速度进行均减速。

若智能车辆当前速度大于弯道安全速度，则在备选曲线上以预设的第四加速度进行匀减速。其中弯道安全速度可以由车道限速和车道曲率确定。

上述第一加速度、第二加速度、第三加速度和第四加速度可以取经验值。

轨迹选择模块05负责从进行速度规划后的备选曲线中选择一条作为目标轨迹。具体地，可以依据备选曲线距离障碍物的距离、备选曲线的曲率、备选曲线的加速度以及完成备选曲线的耗时中的一个或任意组合，对速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹。评估时参考的各指标详见方法实施例中的描述，在此不再赘述。

轨迹选择模块05可以将目标轨迹信息发送给智能车辆的控制系统，以便控制系统控制智能车辆沿目标轨迹行驶。控制系统接收到目标轨迹的信息后，依据目标轨迹的信息确定对智能车辆的方向盘转角、刹车、油门等的控制参数，然后依据这些控制参数对方向盘、刹车、油门等进行控制，从而使智能车辆最终沿着目标轨迹形式。控制系统具体如何依据目标轨迹的信息确定控制参数，不是本发明限制的内容。

行驶轨迹监测模块07负责监测智能汽车的行驶轨迹，若智能车辆驶出规划的路径，则通过触发地图类服务重新进行路径规划并触发接口模块获取新的路径规划信息。车道确定模块02、曲线采样模块03、速度规划模块04和轨迹选择模块05基于新的路径规划信息进行处理，从而进行局部轨迹规划。

本发明实施例提供的上述装置可以是位于智能车辆的应用，或者还可以为位于智能车辆的应用中的插件或软件开发工具包(Software Development Kit，SDK)等功能单元，或者，还可以位于服务器端，本发明实施例对此不进行特别限定。

由以上描述可以看出，本发明提供的上述方法和装置可以具备以下优点：

1)可以自动实现智能车辆的局部轨迹规划。

2)广泛使用了路径规划信息，即使用了高精地图类服务的数据，使得在进行局部轨迹规划的过程中，无需实时检测车道的位置、限速、曲率等车道信息，也不需要实时搜索如何到达目的地点，从而降低了局部轨迹规划的计算量，同时提高了局部轨迹规划的可靠性。

3)局部轨迹规划过程中考虑了道路结构、当前行驶环境、车辆自身的动力学约束等多种因素，使得轨迹规划更加精确和可靠，进而实现全程自动驾驶。该技术为智能车辆在没有任何人工干预的情况下，完成各种道路结构上的驾驶动作提供技术基础，保证局部轨迹规划的实时性、安全性、舒适性和可达性。

在本发明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。

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。

另外，在本发明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，也可以采用硬件加软件功能单元的形式实现。

上述以软件功能单元的形式实现的集成的单元，可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。

Claims (28)

1.一种用于智能车辆的局部轨迹规划方法，其特征在于，预先获取从起始地点到目的地点之间的路径规划信息；所述方法包括：

确定目标车道；

依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线；

依据当前行驶环境，对采样的备选曲线进行速度规划；

从进行速度规划后的备选曲线中选择一条作为目标轨迹。

2.根据权利要求1所述的方法，其特征在于，所述方法周期性执行或者由特定事件触发。

3.根据权利要求1所述的方法，其特征在于，所述确定目标车道包括：

从所述路径规划信息中获取目标车道的信息；或者，

依据当前行驶环境，进行行为决策，行为决策结果包含目标车道的信息。

4.根据权利要求3所述的方法，其特征在于，当所述智能车辆行驶至多车道路径上时，执行所述依据当前行驶环境，进行行为决策。

5.根据权利要求3所述的方法，其特征在于，所述当前行驶环境包括道路因素和周围交通因素；

所述道路因素包括以下因素中的一种或任意组合：智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息；

所述周围交通因素包括以下因素中的一种或任意组合：智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积。

6.根据权利要求3或5所述的方法，其特征在于，所述进行行为决策包括：

将所述当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果；或者，

将所述当前行驶环境输入决策模型，获取所述决策模型输出的决策结果，所述决策模型是预先采用机器学习的方式建立的。

7.根据权利要求1所述的方法，其特征在于，依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线包括：

从所述路径规划信息中获取所述目标车道的信息；

依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围；

在所述终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据备选曲线的起点和各备选曲线的终点进行采样，形成各备选曲线。

8.根据权利要求7所述的方法，其特征在于，在依据备选曲线的起点和终点进行采样时，依据欧拉螺旋线进行采样，形成备选曲线。

9.根据权利要求7所述的方法，其特征在于，在所述终点范围内采样备选曲线的终点包括：

在所述终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点，所述备选曲线的终点方向和曲率均与目标车道一致。

10.根据权利要求7所述的方法，其特征在于，所述备选曲线的起点方向与智能车辆当前行驶方向一致，所述备选曲线的起点曲率由智能车辆当前方向盘转角和轴距确定。

11.根据权利要求1所述的方法，其特征在于，所述依据当前行驶环境，对采样的备选曲线进行速度规划包括：

若智能车辆与前方车辆的距离小于目标跟车距离，则在所述备选曲线上以预设的第一加速度进行匀减速；

若智能车辆与前方车辆的距离大于目标跟车距离，则在所述备选曲线上以预设的第二加速度进行均加速；

若智能车辆当前速度大于车道限速，则在所述备选曲线上以预设的第三加速度进行匀减速；

若智能车辆当前速度大于弯道安全速度，则在所述备选曲线上以预设的第四加速度进行匀减速。

12.根据权利要求1所述的方法，其特征在于，所述从进行速度规划后的备选曲线中选择一条作为目标轨迹包括：

依据以下因素中的一个或任意组合对各进行速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹：

所述备选曲线距离障碍物的距离、所述备选曲线的曲率、所述备选曲线的加速度以及完成所述备选曲线的耗时。

13.根据权利要求1所述的方法，其特征在于，若智能车辆驶出规划的路径，则触发重新进行路径规划并获取新的路径规划信息，并基于新的路径规划信息进行后续局部轨迹规划。

14.根据权利要求1所述的方法，其特征在于，该方法还包括：

将目标轨迹信息发送给所述智能车辆的控制系统，以便所述控制系统控制所述智能车辆沿所述目标轨迹行驶。

15.一种用于智能车辆的局部轨迹规划装置，其特征在于，该装置包括：

接口模块，用于获取从起始地点到目的地点之间的路径规划信息；

车道确定模块，用于确定目标车道；

曲线采样模块，用于依据所述路径规划信息，采样从智能车辆当前所在位置至目标车道的备选曲线；

速度规划模块，用于依据当前行驶环境，对采样的备选曲线进行速度规划；

轨迹选择模块，用于从进行速度规划后的备选曲线中选择一条作为目标轨迹。

16.根据权利要求15所述的装置，其特征在于，所述装置周期性执行处理或者由特定事件触发执行处理。

17.根据权利要求15所述的装置，其特征在于，所述车道确定模块，具体用于从所述路径规划信息中获取目标车道的信息；或者，从行为决策模块的行为决策结果中获取目标车道的信息；

所述行为决策模块，用于依据当前行驶环境，进行行为决策。

18.根据权利要求17所述的装置，其特征在于，当所述智能车辆行驶至多车道路径上时，所述行为决策模块进行行为决策。

19.根据权利要求17所述的装置，其特征在于，所述当前行驶环境包括道路因素和周围交通因素；

所述道路因素包括以下因素中的一种或任意组合：智能车辆当前所在车道是否可达目的地点、智能车辆当前所在车道的剩余行驶距离、智能车辆当前所在车道左侧是否有可行驶车道、当前车道右侧是否有可行驶车道、智能车辆当前所在路段上可达目的地点的车道信息以及智能车辆当前所在路段上剩余行驶距离最长的车道信息；

所述周围交通因素包括以下因素中的一种或任意组合：智能车辆当前所在位置周围预设范围内的障碍物位置、速度、类别和体积。

20.根据权利要求17或19所述的装置，其特征在于，所述行为决策模块在进行行为决策时，具体执行：

将所述当前行驶环境与预设的决策规则进行匹配，确定匹配的行为决策结果；或者，

将所述当前行驶环境输入决策模型，获取所述决策模型输出的决策结果，所述决策模型是预先采用机器学习的方式建立的。

21.根据权利要求15所述的装置，其特征在于，所述曲线采样模块，具体用于：

从所述路径规划信息中获取所述目标车道的信息；

依据智能车辆的当前速度，在目标车道中确定备选曲线的终点范围；

在所述终点范围内采样备选曲线的终点，将智能车辆当前所在位置作为备选曲线的起点，分别依据备选曲线的起点和各备选曲线的终点进行采样，形成各备选曲线。

22.根据权利要求21所述的装置，其特征在于，所述曲线采样模块在依据备选曲线的起点和终点进行采样时，依据欧拉螺旋线进行采样，形成备选曲线。

23.根据权利要求21所述的装置，其特征在于，所述曲线采样模块在所述终点范围内的车道中心线上进行等间距采样，得到各备选曲线的终点，所述备选曲线的终点方向和曲率均与目标车道一致。

24.根据权利要求21所述的装置，其特征在于，所述备选曲线的起点方向与智能车辆当前行驶方向一致，所述备选曲线的起点曲率由智能车辆当前方向盘转角和轴距确定。

25.根据权利要求15所述的装置，其特征在于，所述速度规划模块进行的速度规划包括：

若智能车辆与前方车辆的距离小于目标跟车距离，则在所述备选曲线上以预设的第一加速度进行匀减速；

若智能车辆与前方车辆的距离大于目标跟车距离，则在所述备选曲线上以预设的第二加速度进行均加速；

若智能车辆当前速度大于车道限速，则在所述备选曲线上以预设的第三加速度进行匀减速；

若智能车辆当前速度大于弯道安全速度，则在所述备选曲线上以预设的第四加速度进行匀减速。

26.根据权利要求15所述的装置，其特征在于，所述速度规划模块，具体用于依据以下因素中的一个或任意组合对各进行速度规划后的各备选曲线进行评估，选择最优的一条作为目标轨迹：

所述备选曲线距离障碍物的距离、所述备选曲线的曲率、所述备选曲线的加速度以及完成所述备选曲线的耗时。

27.根据权利要求15所述的装置，其特征在于，该装置还包括：

行驶轨迹监测模块，用于监测智能汽车的行驶轨迹，若智能车辆驶出规划的路径，则触发地图类服务重新进行路径规划并触发所述接口模块获取新的路径规划信息。

28.根据权利要求15所述的装置，其特征在于，所述轨迹选择模块，还用于将目标轨迹信息发送给所述智能车辆的控制系统，以便所述控制系统控制所述智能车辆沿所述目标轨迹行驶。