[发明专利]一种无人车局部路径规划方法、装置、设备及存储介质

说明书

本发明公开一种无人车局部路径规划方法、装置、设备及存储介质，方法包括：根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。本发明解决了现有技术中局部路径规划时计算强度大、耗时长、安全性不够的技术问题。

技术领域

本发明涉及路径规划技术领域，具体涉及一种无人车局部路径规划方法、装置、设备及存储介质。

背景技术

自动驾驶汽车是促进智能交通系统发展的重要工具，能够有效减少因人为错误引发的交通事故，具有重要的理论意义和实用价值。轨迹规划作为自动驾驶汽车的核心组成部分，负责解决自动驾驶汽车如何具体行驶的问题，即实时规划出安全且舒适的局部轨迹，轨迹规划的结果直接影响到自动驾驶的安全性、智能性和舒适性。

围绕轨迹规划问题已经开展了许多研究，目前常用的方法有：基于图搜索的算法、基于曲线插值的算法、基于空间采样的算法、基于数值优化的算法、基于强化学习的算法。不同类型的路径规划方法各有优劣，基于图搜索的轨迹规划方法适用于在已知环境中找到最短路径,但输入维度和计算复杂度随着搜索范围和维度的增加而大幅增长，不适用于复杂动态环境。基于曲线插值的轨迹规划方法计算过程简单，但针对于复杂动态场景的插值曲线一般阶次较高，能够准确到达终端状态的高阶曲线的关键系数难以计算。基于采样的轨迹规划方法虽然可以解决高维空间规划的时间约束问题，但生成的轨迹规划结果可能具有次优性。基于数值优化的轨迹规划方法能够在规划周期内综合考虑多种约束条件，但计算复杂度较高，轨迹生成耗时，并且依赖于全局参考轨迹。基于强化学习的路径规划方法可以得到较优路径，但需要前期长时间、多场景的训练过程，且泛化能力差，尤其应对极端场景的能力难以考证。

因此，目前的局部路径规划方法，在复杂动态环境下的规划能力较差，而且计算强度大，耗时长。

发明内容

本发明的目的在于克服上述技术不足，提供一种无人车局部路径规划方法、设备及存储介质，解决现有技术中局部路径规划时计算强度大、耗时长、安全性不够的技术问题。

为达到上述技术目的，本发明采取了以下技术方案：

第一方面，本发明提供了一种无人车局部路径规划方法，包括如下步骤：

根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息；

采用人工势场法对所述无人车的行驶环境进行建模，在栅格图中建立概率地图；

基于所述环境车的未来轨迹预测信息和所述概率地图，采用改进RRT算法对所述无人车进行局部路径规划，以获取无人车的规划路径；

采用B样条曲线对所述无人车的规划路径进行拟合，以生成满足车辆运动约束的无人车的局部路径。

优选的，所述的无人车局部路径规划方法中，所述根据无人车周围环境车的历史轨迹信息以及道路环境上下文信息获取无人车周围环境车的未来轨迹预测信息具体包括：

获取不同场景下环境车的历史轨迹坐标以及对应的历史场景上下文信息，利用不同场景下交通车辆的历史轨迹坐标以及对应的历史场景上下文信息对长短期记忆网络进行训练；

采用奖励函数对所述长短期记忆网络进行正则化处理；

获取无人车周围环境车的实时场景上下文信息，将所述实时场景上下文信息输入所述正则化处理后的长短期记忆网络中，以得到环境车的未来轨迹预测信息。