[发明专利]网络下发带有道路属性的控制点的路径规划方法

说明书

本发明提出了一种网络下发带有道路属性的控制点的路径规划方法，根据高精度地图、端到端的方法利用卷积神经网络，学习道路属性并在道路上分布不同的控制点，利用深度学习得到驾驶轨迹集，并利用驾驶轨迹集对控制点赋予对应的属性，通过云端服务器将控制点下发给车辆，车辆自身根据控制点按照路径拟合函数以及代价值计算获得最优的规划路径，车辆按照最优的规划路径行驶，本发明相比常规的无人驾驶路径规划而言具有能够适应复杂道路结构和交通规则，且实时应变能力强的优点。

技术领域

本发明涉及路径规划方法，尤其涉及一种网络下发带有道路属性的控制点的路径规划方法。

背景技术

路径规划是环境感知和车辆控制的桥梁，规划算法的性能优劣直接影响汽车能否在复杂交通场景中的自主驾驶。目前的规划方法没有与地图深度结合，没法适应错综复杂的道路结构及交通规则、实时变化的交通状况以及大量频繁的路径规划。随着城市道路越来越复杂、道路上车辆越来越多，路径规划的问题越来越重要。

现有自动驾驶技术一般包括两大类，一张是采用环境与汽车自身控制系统相互映射的方法，该方法类似于仿真驾驶技术，利用传感设备获取外界信息并通过仿真模拟直接映射汽车的方向盘、油门和刹车等操作部件，进行实时的映射和反馈操作，但是该方法的数据处理量庞大，仿真困难，且对于复杂路况难以实现。另一种技术则是建立道路网格系统，利用网格系统生成相应的目标路径点，汽车根据路径点前进，该方法能够产生大量的候选路径，但是该方法也难以应用在复杂路况下。

发明内容

有鉴于此，本发明提出了一种能够适应不同道路状况、规划灵活且处理数据量小的网络下发带有道路属性的控制点的路径规划方法。

本发明的技术方案是这样实现的：本发明提供了一种网络下发带有道路属性的控制点的路径规划方法，包括如下步骤：

步骤一、云端服务器以高精度地图为基础，在道路不同位置布置控制点，通过端到端的方法利用卷积神经网络学习控制点的道路属性并建立驾驶轨迹集；

步骤二、在驾驶轨迹集的基础上，对道路的不同位置的控制点赋予对应的控制点属性；

步骤三、车辆将实时的车辆信息和道路信息传输给云端服务器，云端服务器根据驾驶轨迹集下发车辆附件的控制点；

步骤四、车辆的规划计算模块根据下发的控制点计算最优路径，并将最优路径传输给车辆控制模块。

步骤一中，无人汽车在道路行驶并根据车身的数据采集系统，例如行车记录仪、激光雷达以及车身的各种传感器收集数据信息，数据信息上传至云端处理器，云端服务器将数据信息与高精度地图相结合并通过端到端的方法以卷积神经网络进行学习，最终云端服务器建立驾驶轨迹集。

步骤二中，由于云端服务器对驾驶轨迹的不同位置均预设有控制点，控制点在高精度地图对应位置处会有多条轨迹经过，这多条轨迹所包含的数据集合构成了该处控制点的属性。

步骤三中，车辆在道路上行驶并产生对应的车辆信息，包括车辆位置、车辆速度、车辆目的地等，这些车辆信息传输给云端服务器，云端服务器根据车辆信息以及由步骤一的深度学习产生的驾驶轨迹集对车辆的下一步行驶路径分配对应的控制点，所有控制点都能产生多种行驶轨迹的可能。

步骤四中，车辆自身根据控制点的状态以及车辆当前的状态进行曲线生成计算，并将计算得出的路径进行代价值计算，代价值计算结果最小的则为最优的路径，汽车则按照该最优的路径进行行驶。

在以上技术方案的基础上，优选的，步骤一中还包括利用行车记录仪、激光雷达和车载传感器中的一种或几种对道路信息进行提取，提取的道路信息上传至云端服务器，云端服务器则将道路信息补充到高精度地图中。

由于正常的道路中会有车辆和其他障碍物，因此通过获取实时的道路信息对高精度地图进行补充，能够应对各种复杂路况，