CN108628324A - 基于矢量地图的无人车导航方法、装置、设备及存储介质 - Google Patents

Abstract

本发明适用汽车电子技术领域，提供了一种基于矢量地图的无人车导航方法、装置、设备及存储介质，该方法包括：当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶，从而提高了基于矢量地图的无人车导航的准确性和精确度，进而提高了无人车行驶的安全性。

Description

基于矢量地图的无人车导航方法、装置、设备及存储介质

技术领域

本发明属于汽车电子技术领域，尤其涉及一种基于矢量地图的无人车导航方法、装置、设备及存储介质。

背景技术

无人驾驶智能车导航技术是借助环境感知传感器、全球定位系统(GlobalPositioning System，GPS)以及组合惯导传感器所采集的数据，来分析判断此刻车辆与预设路径及车辆与障碍物之间的相互关系，以确定当前车辆所处位置，并根据采集的数据在当前环境中规划出一条从起始位置到目标位置的安全可靠、可行的无碰撞路径。路径规划可分为全局路径规划和局部路径规划两种，全局路径规划是无人驾驶智能车在存在有多种有效路径选择的条件下，根据相关算法解决在全局范围寻找最优的行驶路径的问题；局部路径规划主要用于解决无人驾驶智能车在正常行驶过程中的避障、换道等问题，是在全局路径规划生成的基础上对局部路径的控制策略。

目前，基于视觉道路标志线跟踪和基于惯性传感器的导航方法是应用较广泛的两种导航方法。基于视觉道路标志线跟踪的导航方法可以定义为采用摄像头拍摄路面图像，运用机器视觉等相关技术来识别路径，从而实现自动导航的新兴方法。无人驾驶智能车利用装配的摄像头拍摄道路周围环境的局部图像，再通过图像处理技术对局部图像进行特征识别、距离估计等，以对无人驾驶智能车进行定位及其下一步的动作进行规划，并利用傅里叶变换处理的全方位图像，将关键位置图像经过变换得到数据存储起来，将其作为下一步的参考点，将摄像头拍摄照片与之对照，从而得到车辆的当前位置，进一步可以实现对无人驾驶智能车的局部路径的规划。惯性导航系统(Inertial Navigation System，INS)也称作惯性参考系统，是一种不需要向外界辐射光波和无线电波、也不需要接受外界任何信号的自主式导航系统。惯性导航的基本工作原理是在牛顿力学基础上，通过测量载体在惯性参考系的加速度，将它对时间进行积分，并把它变换到导航坐标系中，从而得到在导航坐标系中的速度、偏航角和位置等信息。惯性导航系统属于推算导航方式，即从一已知点的位置根据连续测得的运动体航向角和速度推算出其下一点的位置，因而可连续测出运动体的当前位置。惯性导航系统中的陀螺仪用来形成一个导航坐标系，使加速度计的测量轴稳定在该坐标系中，并给出航向和姿态角，加速度计用来测量运动体的加速度，经过对时间的一次积分得到速度，速度再经过对时间的一次积分即可得到距离。

基于视觉道路标志线跟踪的视觉导航通过摄像头能够获取大量的环境信息，在新的环境中根据获取到的环境信息通过图像处理技术分析出新环境中的道路，不需要事先建立数据库以及铺设大量的辅助设施，然而，视觉导航在复杂的环境或者光线不够的情况下，其可靠性不足，不能准确识别车辆以及交通标志，且不能覆盖整个车体周边的整个导航区域，因此在使用场景上受到了较大的局限。惯性导航系统属于不向外部福射能量的自动定位导航，可全天候，全时间的工作于地球表面、空中、以及水下，并且能够提供位置、速度、航向、加速度、姿态角等信息，具有连续性好且干扰低、数据更新率高、短期精度高等优点，然而基于惯性传感器的导航方法作为相对定位方法其缺点是：由于数据积分会存在累积误差，导致定位误差随时间而增大，造成智能车超过一定使用时间定位精度变差的问题，同时使得智能车在使用之前的校准时间较长，设备成本较高，因此通常情况下惯性导航系统只能作为一种辅助导航使用。

发明内容

本发明的目的在于提供一种基于矢量地图的无人车导航方法、装置、设备及存储介质，旨在解决由于现有技术无法提供一种有效的无人车导航方法，

导致无人车导航不精确、无人车行驶不安全的问题。

一方面，本发明提供了一种基于矢量地图的无人车导航方法，所述方法包括下述步骤：

当接收到无人车导航请求时，通过GPS传感器获取所述无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

当检测到所述当前行驶车道前方有转向时，根据所述实时位置、预先录制的矢量地图以及所述最优全局路径，计算所述无人车行驶在所述当前行驶车道中的转弯路段时的航向角；

根据所述实时位置和所述航向角，调整所述无人车在所述当前行驶车道中的行驶轨迹，以使得所述无人车按照所述最优全局路径的轨迹进行行驶。

另一方面，本发明提供了一种基于矢量地图的无人车导航装置，所述装置包括：

实时位置获取单元，用于当接收到无人车导航请求时，通过GPS传感器获取所述无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

航向角计算单元，用于当检测到所述当前行驶车道前方有转向时，根据所述实时位置、预先录制的矢量地图以及所述最优全局路径，计算所述无人车行驶在所述当前行驶车道中的转弯路段时的航向角；以及

行驶轨迹调整单元，用于根据所述实时位置和所述航向角，调整所述无人车在所述当前行驶车道中的行驶轨迹，以使得所述无人车按照所述最优全局路径的轨迹进行行驶。

另一方面，本发明还提供了一种车载计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述基于矢量地图的无人车导航方法所述的步骤。

另一方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述基于矢量地图的无人车导航方法所述的步骤。

本发明当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶，从而提高了基于矢量地图的无人车导航的准确性和精确度，进而提高了无人车行驶的安全性。

附图说明

图1是本发明实施例一提供的基于矢量地图的无人车导航方法的实现流程图；

图2是本发明实施例一提供的基于矢量地图的无人车导航方法中无人车行驶位置和行驶路径的几何关系的示意图；

图3是本发明实施例二提供的基于矢量地图的无人车导航方法的实现流程图；

图4是本发明实施例二提供的基于矢量地图的无人车导航方法中无人车根据车道决策信息和车道投影点信息行驶的示意图；

图5是本发明实施例三提供的基于矢量地图的无人车导航装置的结构示意图；

图6是本发明实施例四提供的基于矢量地图的无人车导航装置的结构示意图；以及

图7是本发明实施例五提供的车载计算设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

以下结合具体实施例对本发明的具体实现进行详细描述：

实施例一：

图1示出了本发明实施例一提供的基于矢量地图的无人车导航方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤S101中，当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置。

本发明实施例适用于车载计算设备，例如，车载计算机。实现无人车导航的前提条件就是对车辆的定位，在本发明实施例中，当接收到无人车导航请求时，通过GPS传感器对该无人车进行定位，获取该无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置。

在步骤S102中，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角。

在本发明实施例中，在计算无人车行驶在当前行驶车道中的转弯路段时的航向角时，优选地，根据预设的航向角计算公式Headingangle＝coeff1*α‐coeff2*β计算无人车行驶在当前行驶车道中的转弯路段时的航向角，从而通过对横向位置误差β和角误差α的拟合，提高了计算出的航向角的准确性，其中，coeff1与coeff2为预设的权重系数，α为无人车动态行驶路径与最优全局路径的角误差，β为实时位置与实时位置在最优全局路径中对应的投影点位置的横向位置误差。

其中，优选地，航向角计算公式中的α和β分别通过下述公式计算得到：

α＝(atan(AC_y/AC_x)‐atan(DE_y/DE_x))*180/pi，

β＝(atan(BC_y/BC_x)‐atan(BD_y/BD_x))*180/pi，从而提高航向角计算的准确性。其中，AC_x为点C(即无人车当前的实时位置)和点A(即预先获取的无人车前一定位点位置)对应的经度向量，AC_y为点C和点A对应的维度向量，BC_x为点C和点B(即根据矢量地图获取到的距离点A最近的点)对应的经度向量，BC_y为点C和点B对应的维度向量，BD_x为点D(即根据矢量地图获取到的距离点C最近的点，也即点C对应的车道投影点)和点B对应的经度向量，BD_y为点D和点B对应的维度向量，DE_x为点E(即根据矢量地图获取到的无人车下一行驶点位置)和点D对应的经度向量，DE_y为点E和点D对应的维度向量。

作为示例地，图2示出了无人车行驶位置和行驶路径的几何关系，点C是无人车当前的实时位置，点A是无人车前一定位点位置，点B为根据矢量地图获取到的距离点A最近的点，点D为根据矢量地图获取到的距离点C最近的点(即点C对应的车道投影点)，向量BC和向量BD的夹角为β，其正负和大小可以用来判断无人车位置的横向误差，α为向量CE和向量DE的夹角，为无人车动态行驶路径与参考路径的角误差，通过不断修正使α与β减小直到趋于0，使无人车完全贴合规划路径行驶。

在步骤S103中，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶。

在本发明实施例中，采用通用串行总线(Universal Serial Bus，USB)‐控制器局域网络(Controller Area Network，CAN)分析仪搭建一信息交互平台，将计算得到的航向角通过分析仪发送到无人车底层控制器，从而控制无人车的转向，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶。

在本发明实施例中，当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶，从而提高了基于矢量地图的无人车导航的准确性和精确度，进而提高了无人车行驶的安全性。

实施例二：

图3示出了本发明实施例二提供的基于矢量地图的无人车导航方法的实现流程，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：

在步骤S301中，通过高精度GPS录制预设行驶区域的矢量地图。

在本发明实施例中，利用基于高精度GPS的地图录制系统或设备获取预设行驶区域的经度、纬度等信息，并对获取到的信息进行无用数据过滤，再根据过滤后的信息，录制并行车道、双向车道、十字路口、人行道等预设行驶区域的高精度矢量地图，其中，矢量地图采用二维矢量数据，其数据结构紧凑，冗余度低，在保证了高精度的同时大大降低了数据量，从而提高了定位速度。

在录制预设行驶区域的矢量地图之后，优选地，对录制的矢量地图进行滤波分类处理，从而提高矢量地图的数据准确度。

在步骤S302中，根据矢量地图，确定行驶车道与决策行为对应的车道决策信息，以及无人车在行驶车道中行驶时行驶位置对应的车道投影点信息。

在本发明实施例中，根据录制得到的矢量地图，确定行驶车道与决策行为对应的车道决策信息，以及无人车在行驶车道中行驶时行驶位置对应的车道投影点信息，其中，车道决策信息通过车道决策二维数组表示，每个行驶车道对应的决策行为包括该行驶车道路口的直行、左拐、右拐、左变道、右变道和掉头决策，车道投影点信息通过车道投影点二维数组表示，车道投影点信息包括行驶车道的经纬度、红绿灯、人行横道和限速标志等信息。

在确定无人车在行驶车道中行驶时行驶位置对应的车道投影点信息时，优选地，当存在多条并行车道时，分别确定并行车道的车道投影点信息，通过车道投影点二维数组的不同行(或列)表示并行车道的车道投影点信息，从而在切换车道或避障时，提高切换航向角的计算速度，进而提高车道切换效率和避障的实时性。

在确定无人车在行驶车道中行驶时行驶位置对应的车道投影点信息时，进一步优选地，设置该车道投影点信息对应行驶车道的车道优先级，从而在避障时，可根据车道优先级进行车道切换，提高了车道切换效率。

作为示例地，图4示出了无人车根据车道决策信息和车道投影点信息行驶的情况，当无人车从3号车道左转行驶到11号车道，该11号车道对应的车道投影点信息如图4所示，车道投影点信息包含该车道的经纬度、红绿灯、人行横道和限速标志等，1表示该位置有以上标志，相反‐1表示没有，无人车可根据以上信息确定参考车速或停车等待，保证车辆行驶符合道路交通法规。

在步骤S303中，根据车道决策信息、车道投影点信息以及矢量地图，规划无人车从预设的起点到预设的终点的最优全局路径。

在本发明实施例中，根据车道决策信息、车道投影点信息以及矢量地图，规划无人车从预设的起点到预设的终点的最优全局路径，最优全局路径的规划准是无人车的起点与终点之间具有最小行车代价，其中最小行车代价可以是最短行车时间、最短行车距离、最少行车费用等因素。

在步骤S304中，当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置。

在步骤S305中，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角。

在步骤S306中，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶。

步骤S304至步骤S306的具体实施过程参考具体实施例一中的步骤S101至步骤S103，在此不再赘述。

在步骤S307中，当检测到当前行驶车道存在障碍物时，根据车道决策信息、车道投影点信息以及矢量地图，获取实时位置在与当前行驶车道并行的并行车道中对应的并行车道投影点信息。

在本发明实施例中，在获取实时位置在与当前行驶车道并行的并行车道中对应的并行车道投影点信息之前，优选地，通过激光雷达检测当前行驶车道中是否存在障碍物，从而提高障碍物检测的准确度。

在获取实时位置在与当前行驶车道并行的并行车道中对应的并行车道投影点信息之前，进一步优选地，通过基于视觉的双目相机障碍物检测方法检测当前行驶车道中是否存在障碍物，从而进一步提高障碍物检测的准确度。

在步骤S308中，根据实时位置和并行车道投影点信息，计算无人车从当前行驶车道切换到并行车道时的切换航向角。

在本发明实施例中，根据实时位置和并行车道投影点信息，通过具体实施例一的步骤S102中的航向角计算公式计算无人车从当前行驶车道切换到并行车道时的切换航向角。

在步骤S309中，根据计算得到的切换航向角，对无人车的当前行驶车道进行切换，以避开障碍物。

在本发明实施例中，根据计算得到的切换航向角，将无人车从当前行驶车道切换到对应的并行车道，以避开障碍物。

在对无人车的当前行驶车道进行切换之后，优选地，在切换后的新车道检测到障碍物时，则停止行驶，以等待障碍物清空后继续行驶，从而提高无人车行驶的安全性。

在本发明实施例中，通过高精度GPS录制预设行驶区域的矢量地图，根据矢量地图和起点终点信息，规划无人车行驶的最优全局路径，根据规划出的最优全局路径进行路径跟踪，当前方遇到障碍物后对路径做动态调整，形成局部路径避开障碍物，从而通过控制无人车按规划路径行驶，提高了无人车行驶的安全性。

实施例三：

图5示出了本发明实施例三提供的基于矢量地图的无人车导航装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

实时位置获取单元51，用于当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

航向角计算单元52，用于当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角；以及

行驶轨迹调整单元53，用于根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶。

其中，优选地，航向角计算单元52包括：

航向角计算子单元，用于根据预设的航向角计算公式Headingangle＝coeff1*α‐coeff2*β计算无人车行驶在当前行驶车道中的转弯路段时的航向角，其中，coeff1与coeff2为预设的权重系数，α为无人车动态行驶路径与最优全局路径的角误差，β为实时位置与实时位置在最优全局路径中对应的投影点位置的横向位置误差。

在本发明实施例中，基于矢量地图的无人车导航装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。具体地，各单元的实施方式可参考前述实施例一的描述，在此不再赘述。

实施例四：

图6示出了本发明实施例四提供的基于矢量地图的无人车导航装置的结构，为了便于说明，仅示出了与本发明实施例相关的部分，其中包括：

矢量地图录制单元61，用于录制预设行驶区域的矢量地图；

车道信息确定单元62，用于根据矢量地图，确定行驶车道与决策行为对应的车道决策信息，以及无人车在行驶车道中行驶时行驶位置对应的车道投影点信息；

全局路径规划单元63，用于根据车道决策信息、车道投影点信息以及矢量地图，规划无人车从预设的起点到预设的终点的最优全局路径；

实时位置获取单元64，用于当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

航向角计算单元65，用于当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角；

行驶轨迹调整单元66，用于根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶；

信息获取单元67，用于当检测到当前行驶车道存在障碍物时，根据车道决策信息、车道投影点信息以及矢量地图，获取实时位置在与当前行驶车道并行的并行车道中对应的并行车道投影点信息；

切换转角计算单元68，用于根据实时位置和并行车道投影点信息，计算无人车从当前行驶车道切换到并行车道时的切换航向角；以及

车道切换单元69，用于根据计算得到的切换航向角，对无人车的当前行驶车道进行切换，以避开障碍物。

在本发明实施例中，基于矢量地图的无人车导航装置的各单元可由相应的硬件或软件单元实现，各单元可以为独立的软、硬件单元，也可以集成为一个软、硬件单元，在此不用以限制本发明。具体地，各单元的实施方式可参考前述实施例二的描述，在此不再赘述。

实施例五：

图7示出了本发明实施例五提供的车载计算设备的结构，为了便于说明，仅示出了与本发明实施例相关的部分。

本发明实施例的车载计算设备7包括处理器70、存储器71以及存储在存储器71中并可在处理器70上运行的计算机程序72。该处理器70执行计算机程序72时实现上述基于矢量地图的无人车导航方法实施例中的步骤，例如图1所示的步骤S101至S103。或者，处理器70执行计算机程序72时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能。

在本发明实施例中，当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶，从而提高了基于矢量地图的无人车导航的准确性和精确度，进而提高了无人车行驶的安全性。

本发明实施例的车载计算设备可以为车载计算机。该车载计算设备7中处理器70执行计算机程序72时实现基于矢量地图的无人车导航方法时实现的步骤可参考前述方法实施例的描述，在此不再赘述。

实施例六：

在本发明实施例中，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述基于矢量地图的无人车导航方法实施例中的步骤，例如，图1所示的步骤S101至S103。或者，该计算机程序被处理器执行时实现上述各装置实施例中各单元的功能，例如图5所示单元51至53的功能。

在本发明实施例中，当接收到无人车导航请求时，通过GPS传感器获取无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置，当检测到当前行驶车道前方有转向时，根据实时位置、预先录制的矢量地图以及最优全局路径，计算无人车行驶在当前行驶车道中的转弯路段时的航向角，根据实时位置和航向角，调整无人车在当前行驶车道中的行驶轨迹，以使得无人车按照最优全局路径的轨迹进行行驶，从而提高了基于矢量地图的无人车导航的准确性和精确度，进而提高了无人车行驶的安全性。

本发明实施例的计算机可读存储介质可以包括能够携带计算机程序代码的任何实体或装置、记录介质，例如，ROM/RAM、磁盘、光盘、闪存等存储器。

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作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于矢量地图的无人车导航方法，其特征在于，所述方法包括下述步骤：

当接收到无人车导航请求时，通过GPS传感器获取所述无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

当检测到所述当前行驶车道前方有转向时，根据所述实时位置、预先录制的矢量地图以及所述最优全局路径，计算所述无人车行驶在所述当前行驶车道中的转弯路段时的航向角；

根据所述实时位置和所述航向角，调整所述无人车在所述当前行驶车道中的行驶轨迹，以使得所述无人车按照所述最优全局路径的轨迹进行行驶。

2.如权利要求1所述的方法，其特征在于，通过GPS传感器获取所述无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置的步骤之前，所述方法还包括：

录制预设行驶区域的矢量地图；

根据所述矢量地图，确定行驶车道与决策行为对应的车道决策信息，以及所述无人车在所述行驶车道中行驶时行驶位置对应的车道投影点信息；

根据所述车道决策信息、所述车道投影点信息以及所述矢量地图，规划所述无人车从预设的起点到预设的终点的最优全局路径。

3.如权利要求1所述的方法，其特征在于，计算所述无人车行驶在所述当前行驶车道中的转弯路段时的航向角的步骤，包括：

根据预设的航向角计算公式Headingangle＝coeff1*α‐coeff2*β计算所述无人车行驶在当前行驶车道中的转弯路段时的航向角，其中，coeff1与coeff2为预设的权重系数，α为所述无人车动态行驶路径与所述最优全局路径的角误差，β为所述实时位置与所述实时位置在所述最优全局路径中对应的投影点位置的横向位置误差。

4.如权利要求1所述的方法，其特征在于，调整所述无人车在所述当前行驶车道中的行驶轨迹的步骤之后，所述方法还包括：

当检测到所述当前行驶车道存在障碍物时，根据所述车道决策信息、所述车道投影点信息以及所述矢量地图，获取所述实时位置在与所述当前行驶车道并行的并行车道中对应的并行车道投影点信息；

根据所述实时位置和所述并行车道投影点信息，计算所述无人车从所述当前行驶车道切换到所述并行车道时的切换航向角；

根据所述计算得到的切换航向角，对所述无人车的所述当前行驶车道进行切换，以避开所述障碍物。

5.一种基于矢量地图的无人车导航装置，其特征在于，所述装置包括：

实时位置获取单元，用于当接收到无人车导航请求时，通过GPS传感器获取所述无人车在预先规划的最优全局路径的当前行驶车道中行驶的实时位置；

航向角计算单元，用于当检测到所述当前行驶车道前方有转向时，根据所述实时位置、预先录制的矢量地图以及所述最优全局路径，计算所述无人车行驶在所述当前行驶车道中的转弯路段时的航向角；以及

行驶轨迹调整单元，用于根据所述实时位置和所述航向角，调整所述无人车在所述当前行驶车道中的行驶轨迹，以使得所述无人车按照所述最优全局路径的轨迹进行行驶。

6.如权利要求5所述的装置，其特征在于，所述装置还包括：

矢量地图录制单元，用于录制预设行驶区域的矢量地图；

车道信息确定单元，用于根据所述矢量地图，确定行驶车道与决策行为对应的车道决策信息，以及所述无人车在所述行驶车道中行驶时行驶位置对应的车道投影点信息；以及

全局路径规划单元，用于根据所述车道决策信息、所述车道投影点信息以及所述矢量地图，规划所述无人车从预设的起点到预设的终点的最优全局路径。

7.如权利要求5所述的装置，其特征在于，所述航向角计算单元包括：

航向角计算子单元，用于根据预设的航向角计算公式Headingangle＝coeff1*α‐coeff2*β计算所述无人车行驶在当前行驶车道中的转弯路段时的航向角，其中，coeff1与coeff2为预设的权重系数，α为所述无人车动态行驶路径与所述最优全局路径的角误差，β为所述实时位置与所述实时位置在所述最优全局路径中对应的投影点位置的横向位置误差。

8.如权利要求5所述的装置，其特征在于，所述装置还包括：

信息获取单元，用于当检测到所述当前行驶车道存在障碍物时，根据所述车道决策信息、所述车道投影点信息以及所述矢量地图，获取所述实时位置在与所述当前行驶车道并行的并行车道中对应的并行车道投影点信息；

切换转角计算单元，用于根据所述实时位置和所述并行车道投影点信息，计算所述无人车从所述当前行驶车道切换到所述并行车道时的切换航向角；以及

车道切换单元，用于根据所述计算得到的切换航向角，对所述无人车的所述当前行驶车道进行切换，以避开所述障碍物。

9.一种车载计算设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至4任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至4任一项所述方法的步骤。