一种车辆路径规划方法、系统、电子设备及存储介质技术方案

本发明专利技术提供一种车辆路径规划方法、系统、电子设备及存储介质，首先根据无人驾驶车辆和周围车辆的状态信息、交通环境数据，预测周围车辆的所有可能行驶轨迹；再根据无人驾驶车辆在当前时刻前的路径规划，对周围车辆进行路径规划，生成周围车辆的假定规划轨迹；对假定规划轨迹进行修正，并将修正后的假定规划轨迹与预测轨迹进行合并，根据轨迹合并结果对无人驾驶车辆进行路径规划，以生成让无人驾驶车辆与周围车辆不会出现冲突或碰撞的行驶路径。本发明专利技术不仅考虑了无人驾驶车辆与周围车辆的交互影响，而且还能够提高周围车辆轨迹预测结果的合理性和准确性，以及提高无人驾驶车辆路径规划的主动性和拟人化程度。划的主动性和拟人化程度。划的主动性和拟人化程度。

【技术实现步骤摘要】
一种车辆路径规划方法、系统、电子设备及存储介质


[0001]本申请涉及自动驾驶
，具体涉及一种车辆路径规划方法、系统、电子设备及存储介质。

技术介绍

[0002]无人驾驶车辆(或无人车辆)在机动车道行驶的过程中，需要在实时检测其周围其它车辆(简称周围车辆)的基础上，预测周围车辆在未来一段时间内有可能的多条行驶轨迹，并基于周围车辆的轨迹预测结果，规划出至少一条不会与周围车辆出现冲突或碰撞的安全路径，然后将规划出的安全路径作为无人驾驶车辆运动的依据。所以，无人驾驶车辆的路径规划与周围车辆的轨迹预测之间存在交互耦合，互相影响。
[0003]而在当前对周围车辆进行轨迹预测的方法中，并未考虑无人驾驶车辆的路径规划属于已知条件这一特点，不能体现无人驾驶车辆的独特性；导致这些方法一方面会影响周围车辆的轨迹预测精度，尤其是在无人驾驶车辆运动影响下的轨迹预测精度；另一方面，在以该轨迹预测作为无人驾驶车辆路径规划的输入时，容易导致无人驾驶车辆的路径规划偏于被动和保守，不能体现轨迹预测和路径规划的交互耦合。此外，虽然目前有部分文献考虑了无人驾驶车辆与周围车辆之间的双向影响，但是这部分文献不易追溯因果关系和添加约束条件来对轨迹预测进行修正优化。

技术实现思路

[0004]鉴于以上所述现有技术的缺点，本专利技术提供一种车辆路径规划方法、系统、电子设备及存储介质，以解决上述技术问题。
[0005]本专利技术提供一种车辆路径规划方法，所述方法包括以下步骤：
[0006]根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；
[0007]根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；
[0008]对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；
[0009]其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。
[0010]于本专利技术的一实施例中，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程包括：
[0011]将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染
至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到；
[0012]在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；
[0013]利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；
[0014]利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；
[0015]对所述空间特征和所述时间特征进行融合，得到时空融合特征；
[0016]将所述时空融合特征输入多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹。
[0017]于本专利技术的一实施例中，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：
[0018]根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；
[0019]利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。
[0020]于本专利技术的一实施例中，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程包括：
[0021]以所述周围车辆的角度建立部分可观测马尔科夫决策模型；
[0022]利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。
[0023]于本专利技术的一实施例中，对所述假定规划轨迹进行修正的过程包括：
[0024]根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；
[0025]基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正；
[0026]其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。
[0027]于本专利技术的一实施例中，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程包括：
[0028]当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正；
[0029]当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正；
[0030]当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。
[0031]于本专利技术的一实施例中，对所述假定规划轨迹进行修正时，所述方法还包括：
[0032]根据预设交通先验知识、所述目标无人驾驶车辆的位置信息以及所述周围车辆的位置信息，确定所述目标无人驾驶车辆与所述周围车辆之间的路权优先级；
[0033]获取路权优先级低于所述目标无人驾驶车辆的周围车辆，记为待修正周围车辆；
[0034]对所述待修正周围车辆的假定规划轨迹进行缩短修正；
[0035]其中，所述预设交通先验知识包括交通规则、交通场景和地图。
[0036]于本专利技术的一实施例中，将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划的过程包括：
[0037]将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹；
[0038]将新的预测轨迹作为所述目标无人驾驶车辆在当前周期的路径规划条件，并利用所述部分可观测马尔科夫决策模型从所述新的预测轨迹、所述目标无人驾驶车辆的当前状态信息、以及所述交通环境数据中，获取所述目标无人驾驶车辆的路径初始状态序列；
[0039]利用所述快速搜索随机树模型对所述目标无人驾驶车辆的路径初始状态序列进行处理，对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径。
[0040]于本专利技术的一实施例中，将修正后的假定规划轨迹添加至所述预测轨迹中进行合并，得到新的预测轨迹后，所述方法还包括：
[0041]获取在预测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车辆路径规划方法，其特征在于，所述方法包括以下步骤：根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹，并记为所述周围车辆的预测轨迹；根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹；对所述假定规划轨迹进行修正，并将修正后的假定规划轨迹与所述预测轨迹进行合并，根据轨迹合并结果对所述目标无人驾驶车辆进行路径规划，以生成至少一条让所述目标无人驾驶车辆与所述周围车辆不会出现冲突或碰撞的行驶路径；其中，所述目标无人驾驶车辆包括预先确定或实时确定的无人驾驶车辆，所述周围车辆包括与所述目标无人驾驶车辆处于预设区域内的车辆。2.根据权利要求1所述的车辆路径规划方法，其特征在于，根据目标无人驾驶车辆的状态信息、周围车辆的状态信息，以及所述目标无人驾驶车辆与所述周围车辆的交通环境数据，预测所述周围车辆的所有可能行驶轨迹的过程包括：将所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息渲染至满足预设精度的栅格地图中；其中，满足预设精度的栅格地图根据所述交通环境数据得到；在满足预设精度的栅格地图中使用不同颜色值表示不同的语义信息，以及使用相同颜色的渐变色表示不同历史时间步的信息，得到含有动态信息的栅格地图；利用卷积神经网络编码含有动态信息的栅格地图，获取包含车辆交互信息和环境数据的空间特征；利用门控循环单元编码交通规则、所述目标无人驾驶车辆的历史状态信息和所述周围车辆的历史状态信息，获取时间特征；对所述空间特征和所述时间特征进行融合，得到时空融合特征；将所述时空融合特征输入多层感知器中进行解码，预测所述周围车辆在未来多个时间步的所有可能行驶轨迹。3.根据权利要求1所述的车辆路径规划方法，其特征在于，根据所述目标无人驾驶车辆在当前时刻前的路径规划，对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹的过程包括：根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列；利用快速搜索随机树模型对所述周围车辆的路径初始状态序列进行处理，从所述周围车辆的角度对所述周围车辆进行路径规划，生成所述周围车辆的假定规划轨迹。4.根据权利要求3所述的车辆路径规划方法，其特征在于，根据所述目标无人驾驶车辆在当前时刻前的路径规划，预测所述周围车辆的路径初始状态序列的过程包括：以所述周围车辆的角度建立部分可观测马尔科夫决策模型；利用所述部分可观测马尔科夫决策模型从所述目标无人驾驶车辆在当前时刻前的路径规划、所述交通环境数据以及所述周围车辆的当前状态信息中，预测出所述周围车辆的路径初始状态序列。5.根据权利要求1、3或4所述的车辆路径规划方法，其特征在于，对所述假定规划轨迹
进行修正的过程包括：根据所述目标无人驾驶车辆的状态信息和所述周围车辆的状态信息，确定所述目标无人驾驶车辆与所述周围车辆的交互行为；基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正；其中，所述交互行为包括以下之一：超车行为、跟车行为、避让行为、会车行为。6.根据权利要求5所述的车辆路径规划方法，其特征在于，基于所述目标无人驾驶车辆与所述周围车辆的交互行为对所述假定规划轨迹进行修正的过程包括：当所述目标无人驾驶车辆处于超车行为时，对所述假定规划路径进行缩短修正；当所述目标无人驾驶车辆处于跟车行为或避让行为时，对所述假定规划轨迹进行增长修正；当所述目标无人驾驶车辆处于会车行为时，不对所述假定规划轨迹进行修正。7.根据权利要求5所述的车辆路径规划方法，其特征在于，对所述假定规划轨迹进行修正时，所述方法还包括：根据预设交通先验知识、所述目标...

【专利技术属性】
技术研发人员：杨东方，王雪成，邱利宏，李琳辉，孔周维，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：