[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN114115240A - 一种无人设备的控制方法及装置 - Google Patents

一种无人设备的控制方法及装置 Download PDF

Info

Publication number
CN114115240A
CN114115240A CN202111298671.7A CN202111298671A CN114115240A CN 114115240 A CN114115240 A CN 114115240A CN 202111298671 A CN202111298671 A CN 202111298671A CN 114115240 A CN114115240 A CN 114115240A
Authority
CN
China
Prior art keywords
area
boundary
obstacle
basic
occupied
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111298671.7A
Other languages
English (en)
Other versions
CN114115240B (zh
Inventor
邢学韬
任冬淳
赵博林
韩超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Sankuai Online Technology Co Ltd
Original Assignee
Beijing Sankuai Online Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Sankuai Online Technology Co Ltd filed Critical Beijing Sankuai Online Technology Co Ltd
Priority to CN202111298671.7A priority Critical patent/CN114115240B/zh
Publication of CN114115240A publication Critical patent/CN114115240A/zh
Application granted granted Critical
Publication of CN114115240B publication Critical patent/CN114115240B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0231Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0251Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting 3D information from a plurality of images taken from different locations, e.g. stereo vision
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0212Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0259Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means
    • G05D1/0263Control of position or course in two dimensions specially adapted to land vehicles using magnetic or electromagnetic means using magnetic strips
    • GPHYSICS
    • G05CONTROLLING; REGULATING
    • G05DSYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/02Control of position or course in two dimensions
    • G05D1/021Control of position or course in two dimensions specially adapted to land vehicles
    • G05D1/0276Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • Multimedia (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本说明书公开了一种无人设备的控制方法及装置,涉及无人驾驶领域,确定无人设备周围障碍物的基础占据区域,该基础占据区域包括观测出的障碍物在当前位置占据的区域以及障碍物的预测位置占据的区域中的至少一种,而后,针对每个基础边界,以基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界,并根据基础占据区域包含的每个基础边界对应的扩展边界,对基础占据区域进行调整,得到障碍物对应的调整后占据区域,从而通过确定出准确的调整后占据区域,并根据调整后占据区域,保证无人设备的行驶安全。

Description

一种无人设备的控制方法及装置
技术领域
本说明书涉及无人驾驶领域,尤其涉及一种无人设备的控制方法及装置。
背景技术
在无人驾驶技术中,无人设备需要观测周围障碍物的位置,以及预测周围障碍物在下一段时间内的位置,从而对障碍物进行避障。
在实际应用中,不管是无人设备对障碍物位置的观测结果,还是对周围障碍物位置的预测结果,均具有一定的不确定性,因此,在现有技术中,可以将障碍物位置的占据区域按照固定的裕度进行扩大,例如,若障碍物在地面平面上表现为一个矩形区域,则可以将矩形区域每个边均向外扩大固定宽度,使无人设备通过扩大后的障碍物的占据区域进行避障,从而尽量保证无人设备的安全。
但是,通过固定裕度的方式扩大障碍物的占据区域,这种裕度通常是按照经验人为设定出的,可能无法准确对无人设备的占据区域进行调整,扩大地过大或过小均会导致一定的问题,如,导致无人设备急刹。
所以,如何对障碍物的占据区域进行准确的调整,则是一个亟待解决的问题。
发明内容
本说明书提供一种无人设备的控制方法及装置,以部分的解决现有技术存在的上述问题。
本说明书采用下述技术方案:
本说明书提供了一种无人设备的控制方法,包括:
确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种;
针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线并穿过所述区域中心的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界;
根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域;
根据所述调整后占据区域,对所述无人设备进行控制。
可选地,所述约束条件用于表示随机坐标系下的任意安全位置位于障碍物的基础边界外的约束,所述扩展边界用于表示所述安全位置的边界,所述随机坐标系是将障碍物实际位置的中心作为原点的坐标系。
可选地,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边,具体包括:
以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于设定概率为约束条件,确定该基础边界对应的扩展边界。
可选地,所述约束条件中包含不确定性因子,所述不确定性因子用于将所述约束条件转换为确定性约束,以得到所述扩展边界,所述不确定性因子包括障碍物实际位置与所述区域中心之间的偏差以及基础占据区域对应的障碍物朝向与所述障碍物的实际朝向之间的差异,所述基础占据区域对应的障碍物朝向为观测或预测出的障碍物朝向。
可选地,所述不确定性因子对应有期望矩阵以及协方差矩阵,所述期望矩阵以及所述协方差矩阵用于将所述约束条件转换为确定性约束,以得到所述扩展边界。
可选地,根据所述调整后占据区域,对所述障碍物进行避障之前,所述方法还包括:
确定所述调整后占据区域的每个顶点;
针对每个顶点,确定从所述调整后占据区域的中心到该顶点之间的连线;
若该顶点对应的两个扩展边界与所述连线之间的夹角不超过设定角度,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边;
按照至少一个顶点的截取边,对所述调整后占据区域进行截取,得到包含有所述调整后占据区域中心的截取后占据区域;
根据所述调整后占据区域,对所述障碍物进行避障,具体包括:
根据所述截取后占据区域,对所述障碍物进行避障。
可选地,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边,具体包括:
在所述基础占据区域中确定出与该顶点相对应的顶点,作为目标顶点;
确定经过所述目标顶点,且与所述区域中心和所述目标顶点之间的连线相垂的垂线;
根据所述垂线,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边。
可选地,所述基础占据区域包括针对所述障碍物预测出的至少一个障碍物占据区域;
以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于设定概率为约束条件,确定该基础边界对应的扩展边界,具体包括:
确定针对所述障碍物预测出的各障碍物占据区域对应的确定性概率;
针对每个障碍物占据区域,根据所述各障碍物占据区域对应的确定性概率以及所述设定概率,确定该障碍物占据区域对应的分量概率;
基于该障碍物占据区域对应的分量概率,以该障碍物占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于该障碍物占据区域对应的分量概率为约束条件,确定该基础边界对应的扩展边界。
可选地,针对每个障碍物占据区域,根据所述各障碍物占据区域对应的确定性概率以及所述设定概率,确定该障碍物占据区域对应的分量概率,具体包括:
将该障碍物占据区域对应的确定性概率作为该障碍物占据区域对应的权重,对待求解的该障碍物占据区域对应的分量概率进行加权,得到该障碍物占据区域对应的加权后待求解分量概率;
以每个障碍物占据区域对应的加权后待求解分量概率的和值为所述设定概率为约束条件,求解每个障碍物占据区域对应的分量概率。
本说明书提供了一种无人设备的控制装置,包括:
区域确定模块,用于确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种;
边界确定模块,用于针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界;
调整模块,用于根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域;
控制模块,用于根据所述调整后占据区域,对所述无人设备进行控制。
本说明书提供了一种计算机可读存储介质,所述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上述无人设备的控制方法。
本说明书提供了一种无人设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现上述无人设备的控制方法。
本说明书采用的上述至少一个技术方案能够达到以下有益效果:
从上述方法中可以看出,可以确定无人设备周围障碍物的基础占据区域,该基础占据区域包括观测出的障碍物在当前位置占据的区域以及障碍物的预测位置占据的区域中的至少一种,而后,针对基础占据区域包含的每个基础边界,以基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界,并根据基础占据区域包含的每个基础边界对应的扩展边界,对基础占据区域进行调整,得到障碍物对应的调整后占据区域,进而根据调整后占据区域,对无人设备进行控制。
从上述内容中可以看出,本方法可以根据基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离为约束条件,确定出满足该约束条件的扩展边界,从而在一定程度上确定出更为准确的扩展边界,进而确定出更加准确的调整后占据区域,以及根据该调整后占据区域进行无人设备控制能够在一定程度上保证无人设备的行驶安全。
附图说明
此处所说明的附图用来提供对本说明书的进一步理解,构成本说明书的一部分,本说明书的示意性实施例及其说明用于解释本说明书,并不构成对本说明书的不当限定。在附图中:
图1为本说明书中一种无人设备的控制方法的流程示意图;
图2为本说明书提供的一种针对某个基础边界的约束条件的示意图;
图3为本说明书中提供的一种扩展边界的示意图;
图4为本说明书中提供的一种调整后占据区域的示意图;
图5为本说明书提供的一种截取后占据区域的示意图;
图6为本说明书中提供的一种预测出的各障碍物占据区域对应的调整后占据区域的示意图;
图7为本说明书提供的一种无人设备的控制装置示意图;
图8为本说明书提供的对应于图1的无人设备示意图。
具体实施方式
为使本说明书的目的、技术方案和优点更加清楚,下面将结合本说明书具体实施例及相应的附图对本说明书技术方案进行清楚、完整地描述。显然,所描述的实施例仅是本说明书一部分实施例,而不是全部的实施例。基于本说明书中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本说明书保护的范围。
以下结合附图,详细说明本说明书各实施例提供的技术方案。
图1为本说明书中一种无人设备的控制方法的流程示意图,具体包括以下步骤:
S101:确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种。
在实际应用中,无人设备的行驶过程中往往需要对障碍物位置进行观测以及预测,不仅是观测该是预测出的障碍物位置,均可能与实际存在一定的偏差,即,不仅是观测还是预测出的障碍物位置,可能会存在一定的不确定性,本说明书中提供的无人设备的控制方法,即是为了消除这样的不确定性。
基于此,可以确定无人设备周围障碍物的基础占据区域,该基础占据区域包括观测出的障碍物在当前位置占据的区域以及障碍物的预测位置占据的区域中的至少一种。该基础占据区域可以是指无人设备初步确定出的存在一定的不确定性的障碍物的当前位置以及障碍物的预测位置的占据区域。相应的,障碍物的实际位置也对应有实际占据区域。
S102:针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线并穿过所述区域中心的法线上对应的投影点,与所述障碍物的当前位置之间的距离为约束条件,确定该基础边界对应的扩展边界。
确定出上述基础占据区域后,可以针对该基础占据区域包含的每个基础边界,以该基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与障碍物的当前位置之间的距离为约束条件,确定该基础边界对应的扩展边界。
上述提到的这一约束条件是为了确定出满足一定条件的该扩展边界,即,只要是该扩展边界外的区域均是安全的区域,上述约束条件可以理解为用于找出能够划分障碍物的实际占据区域以及位于障碍物的实际占据区域外的安全区域的边界的约束,其中,上述提到的约束条件可以通过公式表现出来:
Figure BDA0003337400660000071
其中,(x′,y′)为随机坐标系中的坐标,
Figure BDA0003337400660000072
为从基础占据区域的区域中心到该基础边界所在直线的距离,
Figure BDA0003337400660000073
为基础占据区域的区域中心与该基础边界所在直线的法线的夹角,随机坐标系是将障碍物的实际占据区域的中心作为原点的坐标系,随机坐标系可以理解为假设出的坐标系,上述约束条件可以表示为随机坐标系下的任意安全位置位于障碍物的基础边界外的约束,而扩展边界用于表示安全位置的边界,因此,通过引入随机坐标系可以将本说明书中的约束条件表示为上述公式,如图2所示。
图2为本说明书提供的一种针对某个基础边界的约束条件的示意图。
图2中的多边形为基础占据区域的一种示例,(x0,y0)为区域中心,
Figure BDA0003337400660000074
为该基础占据区域的一个基础边界,
Figure BDA0003337400660000075
为上述提到的从基础占据区域的区域中心到该基础边界所在直线的距离,
Figure BDA0003337400660000081
为上述提到的基础占据区域的区域中心与该基础边界所在直线的法线之间(从区域中心到该基础边界所在直线的法线)的夹角,(x′,y′)为随机坐标系中的一个坐标,通过上述公式意在找出能够满足位于
Figure BDA0003337400660000082
外的(x′,y′)的分布。
由于上述公式中的(x′,y′)是随机坐标系中的坐标,本身是不确定的,因此,可以构建出以(x0,y0),即区域中心为原点的坐标系,作为固定坐标系,该固定坐标系的x轴方向为基础占据区域对应的障碍物朝向,该障碍物朝向也可能具有一定的不确定,随机坐标系的x轴方向为障碍物的实际朝向,也就是说,随机坐标系是假设出的以障碍物实际的位姿为标准构建出的坐标系,可以确定出固定坐标系与随机坐标系之间的转换关系,最终求得的扩展边界需要通过固定坐标系来进行表示,即:
Figure BDA0003337400660000083
其中,ΔxΦ以及ΔyΦ为该基础占据区域的区域中心与障碍物实际的位置(即,障碍物的实际占据区域的区域中心)之间的偏差,ΔψΦ为基础占据区域对应的障碍物朝向与障碍物的实际朝向之间的偏差。可以看出,ΔxΦ、ΔxΦ以及ΔψΦ是不确定的,因此,本说明书中的确定性因子为ΔxΦ、ΔxΦ以及ΔψΦ,即,障碍物实际位置与当前位置之间的偏差以及该基础占据区域对应的障碍物朝向与该障碍物的实际朝向之间的偏差,其中,该基础占据区域对应的障碍物朝向为观测或预测出的朝向。
通过上述转换关系可以确定出通过固定坐标系中的坐标表示随机坐标系中坐标的式子,即:
Figure BDA0003337400660000084
将上述式子带入到约束条件对应的公式中,可得到:
Figure BDA0003337400660000085
由于通常障碍物朝向的不确定性较小,因此ΔψΦ在绝大多数情况下较小,故可对左边做一阶泰勒近似,得到:
Figure BDA0003337400660000091
上式中依然包含有ΔxΦ、ΔxΦ以及ΔψΦ这三个不确定性因子,因此上式依然为机会约束,需要将该机会约束转换为确定性约束。这就需要将不确定性因子提取出,进而得到最终表示上述约束条件的式1:
Figure BDA0003337400660000092
可以看出,不确定性因子均包含在上式左侧第一项的三维向量d中,因此,可以确定出该三维向量d的期望矩阵以及协方差矩阵,从而通过期望矩阵以及协方差矩阵将机会约束转换为确定性约束,假设ΔxΦ、ΔyΦ以及ΔψΦ均满足正态分布,d的期望矩阵以及协方差矩阵如下:
Figure BDA0003337400660000093
Figure BDA0003337400660000094
其中,E(d)为期望矩阵,var(d)为协方差矩阵,协方差矩阵中的
Figure BDA0003337400660000095
以及
Figure BDA0003337400660000096
分别为障碍物在位置以及朝向上对应的标准差,该标准差可以通过无人设备的预测模块或观测模块给出的误差系数确定,这里提到的误差系数用于表示预测模块或观测模块进行位置预测或位置观测的平均误差。
将式(1)转换为确定性约束,还可以引入一个条件,即,可以将上述约束条件改变为:以基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离的概率不小于设定概率。这里引入了设定概率,该设定概率可以是指被预先设定出的置信度,将该设定概率表示为1-ε,ε可以称之为容忍度,该容忍度可以为设置出的一个较小的概率,例如,ε为5%,那么设定概率为95%。
通过引入设定概率,上述协方差矩阵以及期望矩阵,可以将上述式1转换为下面的式2:
Figure BDA0003337400660000101
其中,F-1为标准正态分布中的,将上述式2进行整理,可得到式3:
Figure BDA0003337400660000102
可以看出,式(3)中不包含有上述ΔxΦ、ΔyΦ以及ΔψΦ这三个不确定性因子(包含的是ΔxΦ、ΔyΦ以及ΔψΦ分别对应的标准差
Figure BDA0003337400660000103
以及
Figure BDA0003337400660000104
为确定的统计参数),因此,式3为确定性约束,可以理解为,该式3满足位于基础边界外的条件,该式3表现为如图3所示的双曲线右支(一个双曲线的右侧部分),如图3所示。
图3为本说明书中提供的一种扩展边界的示意图。
该双曲线虚轴所在直线为基础边界
Figure BDA0003337400660000105
实轴所在直线为从(x0,y0)到
Figure BDA0003337400660000106
的垂线,半实轴长为
Figure BDA0003337400660000107
渐近线与虚轴的夹角为
Figure BDA0003337400660000108
通过上述推论还能够得到如下的结论:
一、当
Figure BDA0003337400660000109
减小时,a逐渐变小,
Figure BDA00033374006600001010
(扩展边界)会逐渐贴近渐近线;当
Figure BDA00033374006600001011
减至0时,a降至0,
Figure BDA00033374006600001012
(扩展边界)退化为一条折点在
Figure BDA00033374006600001013
上的折线。
二、当
Figure BDA0003337400660000111
减小时,β逐渐变小,双曲线边会逐渐变得平直;直到
Figure BDA0003337400660000112
减至0时,β降至0,
Figure BDA0003337400660000113
退化为平行于
Figure BDA0003337400660000114
的直线。
三、当ε增大时,a、β都逐渐变小,双曲线逐渐贴近
Figure BDA0003337400660000115
直到ε增至0.5时,a、β都降至0,
Figure BDA0003337400660000116
退化为
Figure BDA0003337400660000117
若ε继续增大至0.5以上,a、β都会变负,
Figure BDA0003337400660000118
会进入障碍物内部、成为
Figure BDA0003337400660000119
内侧的双曲线一支。
S203:根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域。
S204:根据所述调整后占据区域,对所述无人设备进行控制。
根据上述约束条件确定出该基础占据区域包含的每个基础边界对应的扩展边界后,可以对该基础占据区域进行调整,从而得到障碍物对应的调整后占据区域,如图4所示,可以根据该调整后占据区域,对无人设备进行控制。
图4为本说明书中提供的一种调整后占据区域的示意图,
从图4中可以看出,调整后占据区域可以由各扩展边界相交得到,可以将该调整后占据区域以外的区域看作为安全区域,即,无人设备可以到达的区域。
其中,
Figure BDA00033374006600001110
并且,
Figure BDA00033374006600001111
因此,
Figure BDA00033374006600001112
上面一系列式子中,Pr()为概率,p为安全位置,
Figure BDA00033374006600001113
为确定出的第i个基础边界对应的扩展边界外侧的半空间(即,如图3中画出的双曲线右支的扩展边界右侧的空间均可以视为该半空间)。
因为式4,可以将式5推导到式6,式5是比式6更保守的安全约束,因此,可以通过式5的安全约束来代替式6的安全约束,其中,式5表示每个扩展边界外侧的半空间为安全区域的概率不小于1-ε的安全约束,而式4表示调整后占据区域外的区域为安全区域的概率不小于,一个扩展边界外侧的半空间为安全区域的概率,因此可以推出式6:每个扩展边界相交得到的调整后占据区域外的区域为安全区域的概率不小于1-ε,从而,可以将每个扩展边界相交得到的调整后占据区域视为障碍物的实际占据区域,以使无人设备按照该调整后占据区域进行避障。
需要说明的是,通过上述式4~式6的推导可以看出,调整后占据区域外的安全区域的概率相较1-ε(预设出的设定概率)可能会大的较多,因此,该调整后占据区域也可能具有通过某些扩展边界将原有的基础占据区域扩展较多的问题,例如,图3中A点、B点的位置均相较基础占据区域向外突出较多,因此,这样的位置可能是扩展较多的位置,可以将调整后占据区域进行进一步调整。
具体的,可以确定该调整后占据区域的每个顶点,并针对每个顶点,确定从调整后占据区域的区域中心到该顶点之间的连线,若该顶点对应的两个扩展边界与该连线之间的夹角不超过设定角度,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边,并按照至少一个顶点的截取边,对调整后占据区域进行截取,得到包含有调整后占据区域中心的截取后占据区域,进而通过该截取后占据区域,对无人驾驶设备进行控制。
其中,截取后占据区域可以如图4所示。
图5为本说明书提供的一种截取后占据区域的示意图。
从图5中可以看出,截取后占据区域相比于调整后占据区域多了一些较短的边,这些边可以是指上述提到的截取边,通过截取边减少了调整后占据区域所扩展出的面积,因此,截取边用于减少该补偿边所对应的顶点在调整后占据区域相比于基础占据区域的扩展区域。当调整后占据区域中一个顶点对应的扩展出的区域较为突出,则可以构建截取边,来对该顶点处较为突出的区域进行截取,具体确定应在哪些顶点处构建截取边,可以通过上述提到的,确定一个顶点与调整后占据区域的区域中心的连线,再确定出该连线与该顶点对应的两个扩展边界之间的夹角,若夹角均为锐角,则说明该顶点对应的扩展出的区域较为突出,可以在该顶点处构建截取边。
构建截取边的方式可以存在多种,例如,可以在基础占据区域中确定出与该顶点相对应的顶点,作为目标顶点,并确定经过该目标顶点,且与区域中心和目标顶点之间的连线相垂的垂线,进而根据该垂线,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边,也就是说,可以依然通过上述约束条件,确定出实轴位于该目标顶点与区域中心的连线上、虚轴位于穿过该目标顶点的该连线垂线上的双曲线,作为截取边(即,可以将该目标顶点设为基础边界,确定出相对于该目标顶点的扩展边界,作为截取边)。再例如,也可以预先设定补偿程度,再根据该补偿程度构建截取边,例如,可以在。
还需说明的是,在预测障碍物位置的场景中,预测模型可能会针对该障碍物给出多个不同权重的预测结果,每个预测结果为预测出的一种针对该障碍物的障碍物占据区域,这里提到的每个预测结果对应的权重为预测模型针对该预测结果输出的确定性概率,在这种场景中,可以进一步地针对每个预测结果,确定该预测结果对应的调整后占据区域,并在无人驾驶设备进行避障时,通过各预测结果对应的调整后占据区域进行避障。
具体的,可以确定至少一个障碍物占据区域中每个障碍物占据区域对应的确定性概率,并针对每个障碍物占据区域,根据各障碍物占据区域对应的确定性概率以及上述设定概率,确定该障碍物占据区域对应的分量概率。
而后,基于该障碍物占据区域对应的分量概率,以该障碍物占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离的概率不小于该障碍物占据区域对应的分量概率为约束条件,确定该基础边界对应的扩展边界。
其中,每个障碍物占据区域对应的分量概率需要通过预设条件来进行确定,该预设条件为针对每个障碍物占据区域,将该障碍物占据区域对应的确定性概率作为该障碍物占据区域对应的分量概率的权重,将各障碍物占据区域对应的分量概率进行加权求和,能够得到上述设定概率。
也就是说,对于一个障碍物占据区域来说,可以将该障碍物占据区域对应的确定性概率作为该障碍物占据区域对应的权重,对待求解的该障碍物占据区域对应的分量概率进行加权,得到该障碍物占据区域对应的加权后待求解分量概率,并以每个障碍物占据区域对应的加权后待求解分量概率的和值为设定概率为约束条件,求解每个障碍物占据区域对应的分量概率。
这样一来,在确定一个障碍物占据区域对应调整后占据区域时,可以针对该障碍物占据区域对应的每个基础边界,以区域中心到该基础边界所在直线的距离,小于该基础边界对应的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离的概率不小于该障碍物占据区域对应的分量概率为约束条件,确定该基础边界对应的扩展边界。
下面以一个例子的形式来对上述各障碍物占据区域以及每个障碍物占据区域对应的分量概率进行解释,如图6所示。
图6为本说明书中提供的一种预测出的各障碍物占据区域对应的调整后占据区域的示意图。
图6展示出的是基础占据区域中包括预测出的针对同一个障碍物的两个障碍物占据区域的情况,这两个障碍物占据区域一种为预测出障碍物直行的障碍物占据区域(称之为z1),另一种为预测出障碍物右转的障碍物占据区域(称之为z2)),两个障碍物占据区域对应的预测概率分别为0.92以及0.08,在图5中示出的情况为确定出三种不同的各障碍物占据区域的分量概率,并综合通过这三种各障碍物占据区域的分量概率,确定最终的需要进行避障的区域(因此,在确定各障碍物占据区域的分量概率时,可以确定出至少一种各障碍物占据区域的分量概率,并综合通过每一种各障碍物占据区域的分量概率,确定多种各障碍物占据区域对应的调整后占据区域,从而进行避障)。
从图中可以看出,设定概率为1-ε(95%),ε为5%,通过设定概率确定出的各障碍物占据区域的分量概率可以有三种:
0.92×1%+0.08×51%=5%
这种为z1的分量概率是1-1%(即,99%),z2的分量概率为1-51%(即,49%),计算方式即是上式中的确定出两个障碍物占据区域对应的目标概率(即上式中的1%以及51%)分别与相应的确定性概率相乘并求和,最终能够得到ε,通过每个障碍物占据区域的目标概率,能够确定出障碍物占据区域对应的分量概率。
0.92×5%+0.08×5%=5%
0.92×5.35%+0.08×1%=5%
以此类推,上述两式分别是:z1的分量概率是1-5%(即,95%),z2的分量概率为1-5%(即,95%),z1的分量概率是1-5.35%(即,94.65%),z2的分解概率为1-1%(即,99%)。
上述例子中分别确定出多种分量概率,并通过每种分量概率进行调整后区域的确定的理论支撑为:以下式7和式8相互等价。
Figure BDA0003337400660000151
Figure BDA0003337400660000152
其中,式7的充要条件为式8,zj为第j种预测出的障碍物占据区域,一共有m种障碍物占据区域,每种障碍物占据区域可以视为一种正态分布,因此,预测出的多种障碍物占据区域则为混合正态分布。
具体对式7的充要条件为式8的证明如下:
充分性证明:
将式8带到式7中,可得:
Figure BDA0003337400660000153
必要性证明:不妨取
Figure BDA0003337400660000154
显然:
Figure BDA0003337400660000161
此外,
Figure BDA0003337400660000162
上述提到的无人驾驶设备可以是指无人车、无人机、自动配送设备等能够实现自动驾驶的设备。基于此,采用本说明书提供的无人设备的控制方法可以对存在不确定性的障碍物的基础占据区域进行调整,从而得到更准确地占据区域,该无人设备具体可应用于通过无人设备进行配送的领域,如,使用无人设备进行快递、物流、外卖等配送的业务场景。
从上述方法中可以看出,无人设备可以根据基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与区域中心之间的距离为约束条件,确定出满足该约束条件的扩展边界,从而在一定程度上确定出更为准确的扩展边界,进而确定出更加准确的调整后占据区域,以及根据该调整后占据区域进行无人设备控制能够在一定程度上保证无人设备的行驶安全。
以上为本说明书的一个或多个实施例提供的无人设备的控制方法,基于同样的思路,本说明书还提供了相应的无人设备的控制装置,如图7所示。
图7为本说明书提供的一种无人设备的控制装置示意图,具体包括:
区域确定模块701,用于确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种;
边界确定模块702,用于针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线并穿过所述区域中心的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界;
调整模块703,用于根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域;
控制模块704,用于根据所述调整后占据区域,对所述无人设备进行控制。
可选地,所述约束条件用于表示随机坐标系下的任意安全位置位于障碍物的基础边界外的约束,所述扩展边界用于表示所述安全位置的边界,所述随机坐标系是将障碍物实际位置的中心作为原点的坐标系。
可选地,所述边界确定模块702具体用于,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于设定概率为约束条件,确定该基础边界对应的扩展边界。
可选地,所述约束条件中包含不确定性因子,所述不确定性因子用于将所述约束条件转换为确定性约束,以得到所述扩展边界,所述不确定性因子包括障碍物实际位置与所述区域中心之间的偏差以及基础占据区域对应的障碍物朝向与所述障碍物的实际朝向之间的差异,所述基础占据区域对应的障碍物朝向为观测或预测出的障碍物朝向。
可选地,所述不确定性因子对应有期望矩阵以及协方差矩阵,所述期望矩阵以及所述协方差矩阵用于将所述约束条件转换为确定性约束,以得到所述扩展边界。
可选地,根据所述调整后占据区域,对所述障碍物进行避障之前,所述控制模块704还用于,确定所述调整后占据区域的每个顶点;针对每个顶点,确定从所述调整后占据区域的中心到该顶点之间的连线;若该顶点对应的两个扩展边界与所述连线之间的夹角不超过设定角度,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边;按照至少一个顶点的截取边,对所述调整后占据区域进行截取,得到包含有所述调整后占据区域中心的截取后占据区域;
所述控制模块704具体用于,根据所述截取后占据区域,对所述障碍物进行避障。
可选地,所述控制模块704具体用于,在所述基础占据区域中确定出与该顶点相对应的顶点,作为目标顶点;确定经过所述目标顶点,且与所述区域中心和所述目标顶点之间的连线相垂的垂线;根据所述垂线,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边。
可选地,所述基础占据区域包括针对所述障碍物预测出的至少一个障碍物占据区域;
所述边界确定模块702具体用于,确定针对所述障碍物预测出的各障碍物占据区域对应的确定性概率;针对每个障碍物占据区域,根据所述各障碍物占据区域对应的确定性概率以及所述设定概率,确定该障碍物占据区域对应的分量概率;基于该障碍物占据区域对应的分量概率,以该障碍物占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于该障碍物占据区域对应的分量概率为约束条件,确定该基础边界对应的扩展边界。
可选地,所述边界确定模块702具体用于,将该障碍物占据区域对应的确定性概率作为该障碍物占据区域对应的权重,对待求解的该障碍物占据区域对应的分量概率进行加权,得到该障碍物占据区域对应的加权后待求解分量概率;以每个障碍物占据区域对应的加权后待求解分量概率的和值为所述设定概率为约束条件,求解每个障碍物占据区域对应的分量概率。
本说明书还提供了一种计算机可读存储介质,该存储介质存储有计算机程序,计算机程序可用于执行上述图1提供的无人设备的控制方法。
本说明书还提供了图8所示的无人设备的示意结构图。如图8所述,在硬件层面,该无人设备包括处理器、内部总线、网络接口、内存以及非易失性存储器,当然还可能包括其他业务所需要的硬件。处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,以实现上述图1所述的无人设备的控制方法。当然,除了软件实现方式之外,本说明书并不排除其他实现方式,比如逻辑器件抑或软硬件结合的方式等等,也就是说以下处理流程的执行主体并不限定于各个逻辑单元,也可以是硬件或逻辑器件。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本说明书时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本说明书的实施例可提供为方法、系统或计算机程序产品。因此,本说明书可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本说明书可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本说明书,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书的实施例而已,并不用于限制本说明书。对于本领域技术人员来说,本说明书可以有各种更改和变化。凡在本说明书的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本说明书的权利要求范围之内。

Claims (12)

1.一种无人设备的控制方法,其特征在于,包括:
确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种;
针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线并穿过所述区域中心的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界;
根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域;
根据所述调整后占据区域,对所述无人设备进行控制。
2.如权利要求1所述的方法,其特征在于,所述约束条件用于表示针对随机坐标系下的任意安全位置位于障碍物的基础边界外的约束,所述扩展边界用于表示所述安全位置的边界,所述随机坐标系是将障碍物实际位置的中心作为原点的坐标系。
3.如权利要求1所述的方法,其特征在于,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界,具体包括:
以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于设定概率为约束条件,确定该基础边界对应的扩展边界。
4.如权利要求1所述的方法,其特征在于,所述约束条件中包含不确定性因子,所述不确定性因子用于将所述约束条件转换为确定性约束,以得到所述扩展边界,所述不确定性因子包括障碍物实际位置与所述区域中心之间的偏差以及基础占据区域对应的障碍物朝向与所述障碍物的实际朝向之间的差异,所述基础占据区域对应的障碍物朝向为观测或预测出的障碍物朝向。
5.如权利要求4所述的方法,其特征在于,所述不确定性因子对应有期望矩阵以及协方差矩阵,所述期望矩阵以及所述协方差矩阵用于将所述约束条件转换为确定性约束,以得到所述扩展边界。
6.如权利要求1所述的方法,其特征在于,根据所述调整后占据区域,对所述障碍物进行避障之前,所述方法还包括:
确定所述调整后占据区域的每个顶点;
针对每个顶点,确定从所述调整后占据区域的中心到该顶点之间的连线;
若该顶点对应的两个扩展边界与所述连线之间的夹角不超过设定角度,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边;
按照至少一个顶点的截取边,对所述调整后占据区域进行截取,得到包含有所述调整后占据区域中心的截取后占据区域;
根据所述调整后占据区域,对所述障碍物进行避障,具体包括:
根据所述截取后占据区域,对所述障碍物进行避障。
7.如权利要求6所述的方法,其特征在于,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边,具体包括:
在所述基础占据区域中确定出与该顶点相对应的顶点,作为目标顶点;
确定经过所述目标顶点,且与所述区域中心和所述目标顶点之间的连线相垂的垂线;
根据所述垂线,在该顶点对应的两个扩展边界之间确定针对该顶点的截取边。
8.如权利要求3所述的方法,其特征在于,所述基础占据区域包括针对所述障碍物预测出的至少一个障碍物占据区域;
以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于设定概率为约束条件,确定该基础边界对应的扩展边界,具体包括:
确定针对所述障碍物预测出的各障碍物占据区域对应的确定性概率;
针对每个障碍物占据区域,根据所述各障碍物占据区域对应的确定性概率以及所述设定概率,确定该障碍物占据区域对应的分量概率;
基于该障碍物占据区域对应的分量概率,以该障碍物占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离的概率不小于该障碍物占据区域对应的分量概率为约束条件,确定该基础边界对应的扩展边界。
9.如权利要求8所述的方法,其特征在于,针对每个障碍物占据区域,根据所述各障碍物占据区域对应的确定性概率以及所述设定概率,确定该障碍物占据区域对应的分量概率,具体包括:
将该障碍物占据区域对应的确定性概率作为该障碍物占据区域对应的权重,对待求解的该障碍物占据区域对应的分量概率进行加权,得到该障碍物占据区域对应的加权后待求解分量概率;
以每个障碍物占据区域对应的加权后待求解分量概率的和值为所述设定概率为约束条件,求解每个障碍物占据区域对应的分量概率。
10.一种无人设备的控制装置,其特征在于,包括:
区域确定模块,用于确定无人设备周围障碍物的基础占据区域,所述基础占据区域包括观测出的所述障碍物在当前位置占据的区域以及所述障碍物的预测位置占据的区域中的至少一种;
边界确定模块,用于针对所述基础占据区域包含的每个基础边界,以所述基础占据区域的区域中心到该基础边界所在直线的距离,小于该基础边界的扩展边界在该基础边界所在直线的法线上对应的投影点,与所述区域中心之间的距离为约束条件,确定该基础边界对应的扩展边界;
调整模块,用于根据所述基础占据区域包含的每个基础边界对应的扩展边界,对所述基础占据区域进行调整,得到所述障碍物对应的调整后占据区域;
控制模块,用于根据所述调整后占据区域,对所述无人设备进行控制。
11.一种计算机可读存储介质,其特征在于,所述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上述权利要求1~9任一项所述的方法。
12.一种无人设备,包括存储器、处理器及存储在存储器上并可在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程序时实现上述权利要求1~9任一项所述的方法。
CN202111298671.7A 2021-11-04 2021-11-04 一种无人设备的控制方法及装置 Active CN114115240B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111298671.7A CN114115240B (zh) 2021-11-04 2021-11-04 一种无人设备的控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111298671.7A CN114115240B (zh) 2021-11-04 2021-11-04 一种无人设备的控制方法及装置

Publications (2)

Publication Number Publication Date
CN114115240A true CN114115240A (zh) 2022-03-01
CN114115240B CN114115240B (zh) 2024-02-27

Family

ID=80381253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111298671.7A Active CN114115240B (zh) 2021-11-04 2021-11-04 一种无人设备的控制方法及装置

Country Status (1)

Country Link
CN (1) CN114115240B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102160006A (zh) * 2008-07-15 2011-08-17 空中侦察辨识和避免技术有限责任公司 用于避免碰撞的系统和方法
CN106774329A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种基于椭圆切线构造的机器人路径规划方法
CN109270933A (zh) * 2018-10-11 2019-01-25 中国科学院深圳先进技术研究院 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质
CN110032177A (zh) * 2018-01-12 2019-07-19 北京京东尚科信息技术有限公司 一种无人设备避障的方法和系统
CN110887484A (zh) * 2019-10-14 2020-03-17 重庆邮电大学 基于改进遗传算法的移动机器人路径规划方法及存储介质
KR102099699B1 (ko) * 2018-10-22 2020-04-13 한국해양과학기술원 무인수상선의 충돌 회피 장치 및 방법
CN111026131A (zh) * 2019-12-30 2020-04-17 深圳前海达闼云端智能科技有限公司 一种膨胀区域的确定方法、确定装置、机器人和存储介质
CN111427369A (zh) * 2020-06-08 2020-07-17 北京三快在线科技有限公司 一种无人车控制方法及装置
CN112230634A (zh) * 2019-06-26 2021-01-15 北京海益同展信息科技有限公司 一种机器人避障方法和装置
CN112950707A (zh) * 2020-12-29 2021-06-11 广州极飞科技股份有限公司 障碍物区域的确定方法
CN112987760A (zh) * 2021-05-10 2021-06-18 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN112987762A (zh) * 2021-05-10 2021-06-18 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
US20210262808A1 (en) * 2019-08-12 2021-08-26 Huawei Technologies Co., Ltd. Obstacle avoidance method and apparatus

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102160006A (zh) * 2008-07-15 2011-08-17 空中侦察辨识和避免技术有限责任公司 用于避免碰撞的系统和方法
CN106774329A (zh) * 2016-12-29 2017-05-31 大连理工大学 一种基于椭圆切线构造的机器人路径规划方法
CN110032177A (zh) * 2018-01-12 2019-07-19 北京京东尚科信息技术有限公司 一种无人设备避障的方法和系统
CN109270933A (zh) * 2018-10-11 2019-01-25 中国科学院深圳先进技术研究院 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质
KR102099699B1 (ko) * 2018-10-22 2020-04-13 한국해양과학기술원 무인수상선의 충돌 회피 장치 및 방법
CN112230634A (zh) * 2019-06-26 2021-01-15 北京海益同展信息科技有限公司 一种机器人避障方法和装置
US20210262808A1 (en) * 2019-08-12 2021-08-26 Huawei Technologies Co., Ltd. Obstacle avoidance method and apparatus
CN110887484A (zh) * 2019-10-14 2020-03-17 重庆邮电大学 基于改进遗传算法的移动机器人路径规划方法及存储介质
CN111026131A (zh) * 2019-12-30 2020-04-17 深圳前海达闼云端智能科技有限公司 一种膨胀区域的确定方法、确定装置、机器人和存储介质
CN111427369A (zh) * 2020-06-08 2020-07-17 北京三快在线科技有限公司 一种无人车控制方法及装置
CN112950707A (zh) * 2020-12-29 2021-06-11 广州极飞科技股份有限公司 障碍物区域的确定方法
CN112987760A (zh) * 2021-05-10 2021-06-18 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备
CN112987762A (zh) * 2021-05-10 2021-06-18 北京三快在线科技有限公司 一种轨迹规划方法、装置、存储介质及电子设备

Also Published As

Publication number Publication date
CN114115240B (zh) 2024-02-27

Similar Documents

Publication Publication Date Title
CN112987760B (zh) 一种轨迹规划方法、装置、存储介质及电子设备
CN112766468B (zh) 一种轨迹预测方法、装置、存储介质及电子设备
CN111665844B (zh) 一种路径规划方法及装置
CN112200132B (zh) 一种基于隐私保护的数据处理方法、装置及设备
CN111062372B (zh) 一种预测障碍物轨迹的方法及装置
CN112013853B (zh) 一种对无人驾驶设备的轨迹点验证的方法及装置
CN111797906B (zh) 基于视觉和惯性里程定位的方法及装置
CN113011483A (zh) 一种模型训练和业务处理的方法及装置
CN113325855B (zh) 基于迁移场景用于预测障碍物轨迹的模型训练方法
CN116740361A (zh) 一种点云分割方法、装置、存储介质及电子设备
CN115880685B (zh) 一种基于votenet模型的三维目标检测方法和系统
CN111532285B (zh) 一种车辆控制方法及装置
CN112883136A (zh) 一种用于制作高精地图的任务生成的方法
CN112987762B (zh) 一种轨迹规划方法、装置、存储介质及电子设备
CN112731957B (zh) 无人机的控制方法、装置、计算机可读存储介质及无人机
CN116309823A (zh) 一种位姿的确定方法、装置、设备及存储介质
CN116402108A (zh) 一种模型训练及图数据的处理方法、装置、介质及设备
CN114115240A (zh) 一种无人设备的控制方法及装置
CN112987796B (zh) 无人机的控制方法、装置、计算机可读存储介质及无人机
CN112462403A (zh) 一种定位方法、装置、存储介质及电子设备
CN113887351A (zh) 一种用于无人驾驶的障碍物检测方法及障碍物检测装置
CN109614609B (zh) 模型建立方法及装置
CN113589707A (zh) 一种增强现实的自动驾驶系统测试方法及装置
CN115984154A (zh) 一种图像融合的方法、装置、存储介质及电子设备
CN116308738A (zh) 一种模型训练的方法、业务风控的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant