[发明专利]路径跟随方法、系统、电子设备和存储介质

说明书

本发明提供一种路径跟随方法、系统、电子设备和存储介质，其中方法包括：根据栅格地图，获得起点栅格至终点栅格的规划路径和基于规划路径扩展得到的路径区域，获得路径区域内每个栅格规避障碍物的初始值；自起点栅格起遍历获得路径区域内每个栅格基于动作集合中每个动作a_i的代价值，包括循环获得每个当前栅格s_n基于每个动作a_i的代价值Q(s_n,a_i)。以及，于当前栅格s_n执行代价值Q(s_n,a_i)中最小代价值对应的动作。本发明通过在规划路径的允许误差范围内建立路径区域，并结合Q‑Learning算法对路径区域内每个栅格基于每个动作的代价值进行更新训练，从而能在训练完成后在每个栅格选择代价值最小的动作对规划路径进行跟随控制。

技术领域

本发明涉及无人驾驶技术领域，具体地说，涉及一种路径跟随方法、系统、电子设备和存储介质。

背景技术

在无人驾驶领域，例如无人车行驶的过程中，路径跟随的准确性决定了无人车能否安全准确地行驶。无论全局路径规划还是局部路径规划对路径的规划有多准确，如果无人车无法准确跟随所规划的路径，则无法做到对无人车的实时精确控制。

在传统的路径跟随方法中比较经典的是Pure Pursuit控制，该方法通过对车辆当前位置和朝向以及目标位置和朝向的分析，建立车辆进行路径跟随的数学模型，实现对车辆路径跟随的控制。

随着机器学习的发展，强化学习在路径跟随中的应用也逐渐广泛，现有的强化学习路径跟随方法是通过强化学习建立路径的平均曲率和车辆运动模式之间的映射关系，实现无人车的路径跟随功能。除了强化学习，深度学习通过对摄像头对当前车道线的识别，在一定程度上也实现了车道线的跟随功能。

然而，上述传统方式实现路径跟随主要是建立车辆的数学模型，通过建立数学模型对车辆进行路径跟随控制对相关参数的调整要求严格，参数的好坏对路径的跟随效果有直接的影响。同时，路径的变化对参数的影响也很大，在路径为直线和路径为弯道，或者为弯曲程度不同的路径时，都需要不同的参数才能保证对路径有很好的跟随效果。因此，传统控制方式过于依赖调参，导致适应性通用性较差。

而且，使用深度学习能够对车道线进行跟随，但对于没有车道线的路径跟随效果不理想，不能满足实际需求。而通过强化学习建立路径平均曲率和车辆动作模式之间关系的方式，在多数情况下能够满足需求，但无法适应平均曲率为零，实际为两个距离较近的弯道等情况，使车辆在上述情况下不能很好地进行路径跟随，甚至会出现较大的偏差，导致车辆发生碰撞。

需要说明的是，在上述背景技术部分公开的信息仅用于加强对本发明的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。

发明内容

鉴此，本发明提供一种路径跟随方法、系统、电子设备和存储介质，解决现有技术中路径跟随依赖人工经验调参，及复杂路径下无法准确跟随的问题。