CN111121777A - 无人驾驶设备轨迹规划方法、装置、电子设备和存储介质 - Google Patents

Abstract

本申请公开了无人驾驶设备轨迹规划方法、装置、电子设备和存储介质。所述方法包括：获取无人驾驶设备在第一时刻的第一状态；根据所述第一状态进行控制量采样，得到多组采样控制量；根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；所述预测模型基于模型预测控制算法实现；根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；根据所述第一状态和所述预测状态确定无人驾驶设备的规划轨迹。有益效果在于，创造性地将模型预测控制MPC加入到轨迹规划阶段，并且在采样上区别与现有的撒点采样，而是使用控制量采样，为轨迹可达性提供了保障。

Description

无人驾驶设备轨迹规划方法、装置、电子设备和存储介质

技术领域

本申请涉及无人驾驶领域，具体涉及无人驾驶设备轨迹规划方法、装置、电子设备和存储介质。

背景技术

无人驾驶已逐渐在物流、外卖配送等领域得到应用。无人驾驶的轨迹规划技术，主要依赖于无人驾驶设备自身设备对环境的感知，自行规划出一条安全、舒适的运行路线，是智能性的核心体现。目前应用最广泛的轨迹规划算法为EM(Expectation Maximization，最大期望)算法，但是该算法较为简单，仅对曲率约束做了一个恒定的上下限约束，没有考虑到无人驾驶设备的因素，因而在使用上存在弊端。

发明内容

鉴于上述问题，提出了本申请以便提供一种克服上述问题或者至少部分地解决上述问题的无人驾驶设备轨迹规划方法、装置、电子设备和存储介质。

依据本申请的第一方面，提供了一种无人驾驶设备轨迹规划方法，包括：

获取无人驾驶设备在第一时刻的第一状态；

根据所述第一状态进行控制量采样，得到多组采样控制量；

根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；所述预测模型基于模型预测控制算法实现；

根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；

根据所述第一状态和所述预测状态确定无人驾驶设备的规划轨迹。

可选地，所述根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合包括：

对每组采样控制量，基于所述轨迹参考线、所述第一状态和所述预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度；所述采样状态集合包括采样位置子集合和采样速度子集合；

所述根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态包括：

根据所述第一状态和预测位置子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测位置，以及根据所述第一状态和预测速度子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测速度；

将所述预测位置和预测速度合并得到无人驾驶设备在第二时刻的预测状态。

可选地，所述对每组采样控制量，基于所述轨迹参考线、所述第一状态和所述预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度包括：

基于所述轨迹参考线确定所述第一状态与所述轨迹参考线的第一误差；

对每组控制量，根据所述第一状态、所述第一误差和所述预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差，并根据所述轨迹参考线、所述采样位置误差和采样速度误差确定无人驾驶设备在第二时刻的采样位置和采样速度。

可选地，所述对每组控制量，根据所述第一状态、所述第一误差和所述预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差包括：

根据该组控制量和第一时刻的初始误差，分别预测第二时刻的初始采样位置误差和初始速度误差；

根据所述第一误差对所述第二时刻的初始采样位置误差和初始速度误差分别进行反馈校正，得到第二时刻的采样位置误差和第二时刻的采样速度误差；

其中，起始时刻的初始误差是根据所述无人驾驶设备确定的。

可选地，所述根据所述第一状态进行控制量采样包括：

根据所述第一状态进行非均匀采样。

可选地，所述方法还包括：对所述规划轨迹进行二次规划。

可选地，所述对规划轨迹进行二次规划包括：

根据所述无人驾驶设备的实时轨迹与所述轨迹参考线的误差，构造控制量约束条件；

根据所述控制量约束条件对所述规划轨迹进行二次规划。

依据本申请的第二方面，提供了一种无人驾驶设备轨迹规划装置，包括：

获取单元，用于获取无人驾驶设备在第一时刻的第一状态；

采样单元，用于根据所述第一状态进行控制量采样，得到多组采样控制量；

规划单元，用于根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；所述预测模型基于模型预测控制算法实现；根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；根据所述第一状态和所述预测状态确定无人驾驶设备的规划轨迹。

可选地，所述规划单元，用于对每组采样控制量，基于所述轨迹参考线、所述第一状态和所述预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度；所述采样状态集合包括采样位置子集合和采样速度子集合；根据所述第一状态和预测位置子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测位置，以及根据所述第一状态和预测速度子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测速度；将所述预测位置和预测速度合并得到无人驾驶设备在第二时刻的预测状态。

可选地，所述规划单元，用于基于所述轨迹参考线确定所述第一状态与所述轨迹参考线的第一误差；对每组控制量，根据所述第一状态、所述第一误差和所述预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差，并根据所述轨迹参考线、所述采样位置误差和采样速度误差确定无人驾驶设备在第二时刻的采样位置和采样速度。

可选地，所述规划单元，用于根据该组控制量和第一时刻的初始误差，分别预测第二时刻的初始采样位置误差和初始速度误差；根据所述第一误差对所述第二时刻的初始采样位置误差和初始速度误差分别进行反馈校正，得到第二时刻的采样位置误差和第二时刻的采样速度误差；其中，起始时刻的初始误差是根据所述无人驾驶设备确定的。

可选地，所述采样单元，用于根据所述第一状态进行非均匀采样。

可选地，所述规划单元，还用于对所述规划轨迹进行二次规划。

可选地，所述规划单元，用于根据所述无人驾驶设备的实时轨迹与所述轨迹参考线的误差，构造控制量约束条件；根据所述控制量约束条件对所述规划轨迹进行二次规划。

依据本申请的第三方面，提供了一种电子设备，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如上述任一所述的方法。

依据本申请的第四方面，提供了一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如上述任一所述的方法。

由上述可知，本申请的技术方案，能够根据无人驾驶设备在指定时刻的第一状态，通过控制量采样，预测与各采样控制量对应的、无人驾驶设备在接下来时刻的采样状态，通过动态规划确定无人驾驶设备在接下来时刻的预测状态，最终根据第一状态和预测状态确定无人驾驶设备的规划轨迹。该技术方案的有益效果在于，创造性地将模型预测控制MPC加入到轨迹规划阶段，使得规划出的轨迹能够被无人驾驶设备的控制模块更好地执行，即依据无人驾驶设备的运行特点实现了轨迹可达性，并且在采样上区别与现有的撒点采样，而是使用控制量采样，进一步为轨迹可达性提供了保障，能够为外卖、物流配送等场景提供更好的技术支撑。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1示出了根据本申请一个实施例的一种无人驾驶设备轨迹规划方法的流程示意图；

图2示出了根据本申请一个实施例的一种无人驾驶设备轨迹规划装置的结构示意图；

图3示出了根据本申请一个实施例的电子设备的结构示意图；

图4示出了根据本申请一个实施例的计算机可读存储介质的结构示意图；

图5示出了MPC原理示意图；

图6示出了基于轨迹参考线进行计算的原理示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

本申请的技术构思在于：将MPC(Model Predictive Control，模型预测控制)加入到轨迹规划的过程中，使规划出的轨迹更贴合无人驾驶设备的实际性能，具备更高的轨迹可达性。MPC是一种基于模型的最优化控制算法，具有预测性和显式处理约束能力，其原理可以参考图5。如图5所示，MPC主要包括预测模型、反馈校正、在线有限时域滚动优化几个部分。基于目标输入和被控对象输出的观测值，输出对被控对象的控制量。被控对象在本申请的实施例中可以是无人驾驶设备的可控组件，例如车辆的底盘。

其中，预测控制具有预测功能，即能够根据控制量和被控对象输出的观测值，预测被控对象的未来状态。对于预测模型不准确等因素导致预测值存在误差的情况，可以通过被控对象输出的观测值绝对预测值进行反馈校正。根据目标输入和反馈校正后的预测值，根据显式给定的约束和性能要求可以滚动求得最优控制的解。现有技术中，还没有将MPC应用到无人驾驶设备的轨迹规划过程中的案例。

无人驾驶设备的轨迹规划还具有如下特点：轨迹规划输出的结果并不仅仅是一条包含位置信息的路径曲线，而一系列轨迹点连成的轨迹，并且每一个轨迹点包含位置、速度、加速度等信息。本申请规划轨迹中的轨迹点也可称为状态点，同样可以包含位置、速度、加速度等信息，但并不一定要求直接体现在状态点中，例如，可以通过对轨迹求一阶或二阶导数得到。

本申请的实施例可以应用于无人机、无人车等无人驾驶设备，更具体地，无人驾驶设备可以是物流、外卖配送中使用的自动送货设备，如送餐机器人，下面结合具体实施例进行说明。

图1示出了根据本申请一个实施例的一种无人驾驶设备轨迹规划方法的流程示意图。如图1所示，该方法包括：

步骤S110，获取无人驾驶设备在第一时刻的第一状态。

例如，可以根据无人驾驶设备的传感器输出的观测值，确定无人驾驶设备在当前时刻的观测状态，作为第一时刻的第一状态。此时可以根据后续步骤，预测无人驾驶设备在下一时刻的状态，其中时刻间隔可以是固定的预设值。而在连续规划多个轨迹点时，也可以将为指定时刻预测的状态作为第一时刻的第一状态，迭代预测接下来时刻的状态，直至满足计划的迭代次数。

步骤S120，根据第一状态进行控制量采样，得到多组采样控制量。

控制量通常包括加速度和转向角，这里的转向角是指通过无人驾驶设备中的控制组件实现的转向角，例如，方向盘的转向角。现有技术中的采样往往是采用固定的间隔进行撒点采样，这样与无人驾驶设备的实际性能和轨迹不够贴合，采用控制量采样克服了这一不足。另外，控制量采样还可以方便对规划问题进行解耦，例如将三维优化问题分离为路径优化和速度优化，下面会有实施例对这种情况进行详细介绍。

步骤S130，根据轨迹参考线、第一状态、多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；预测模型基于模型预测控制算法实现。

无人驾驶设备的轨迹规划所依赖的一个重要基础就是轨迹参考线，轨迹参考线有时也被称为道路中心线。它的作用是为轨迹规划提供参考，在没有障碍物等因素干扰的理想情况下可以认为是一条最优线路，无人驾驶的一个目标就是尽可能跟随轨迹参考线行进。在本步骤中，主要是利用基于模型预测控制算法实现的预测模型，根据轨迹参考线、第一状态、多组采样控制量进行状态预测。由于预测模型是与车体运动学相关，可以看出，得到的采样状态集合中的采样状态是无人驾驶设备根据自身性能所能够达到的，以此为基础进行轨迹规划，就能够满足轨迹可达性。

步骤S140，根据第一状态和采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态。

本步骤主要是根据各采样状态和第一状态确定最优解。例如可以将第一状态与各采样状态分别进行多项式连接(多项式可以为三次多项式或五次多项式等，本申请对此不做限制)，拟合得到相应的曲线，再对曲线考虑路径碰撞、轨迹平滑等因素，依据代价函数确定最小代价对应的曲线，从而确定相应的采样状态为预测状态。

步骤S150，根据第一状态和预测状态确定无人驾驶设备的规划轨迹。

在规划轨迹时，除了根据第一状态和预测状态外，也可以参考许多因素，如是障碍物信息、交通规则等，这些在现有技术的方案中也有涉及，在此就不详细介绍了。需要说明的是，只需重复上述步骤，即可迭代实现对多个状态的预测，从而使得规划轨迹由多段轨迹连接而成。

可见，图1所示的方法，能够根据无人驾驶设备在指定时刻的第一状态，通过控制量采样，预测与各采样控制量对应的、无人驾驶设备在接下来时刻的采样状态，通过动态规划确定无人驾驶设备在接下来时刻的预测状态，最终根据第一状态和预测状态确定无人驾驶设备的规划轨迹。该技术方案的有益效果在于，创造性地将模型预测控制MPC加入到轨迹规划阶段，使得规划出的轨迹能够被无人驾驶设备的控制模块更好地执行，即依据无人驾驶设备的运行特点实现了轨迹可达性，并且在采样上区别与现有的撒点采样，而是使用控制量采样，进一步为轨迹可达性提供了保障，能够为外卖、物流配送等场景提供更好的技术支撑。

在本申请的一个实施例中，上述方法中，根据轨迹参考线、第一状态、多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合包括：对每组采样控制量，基于轨迹参考线、第一状态和预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度；采样状态集合包括采样位置子集合和采样速度子集合；根据第一状态和采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态包括：根据第一状态和预测位置子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测位置，以及根据第一状态和预测速度子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测速度；将预测位置和预测速度合并得到无人驾驶设备在第二时刻的预测状态。

本实施例介绍了前述实施例所提及的将三维优化问题分离为路径优化和速度优化的具体实现。第一状态可以具体包含无人驾驶设备的当前朝向与轨迹参考线的夹角，也称为航向角，与转向角有所区别。例如一个实施例中，第一状态的数据格式为[x,y,t,v,heading]，其中x、y为无人驾驶设备在OXY 坐标系中的位置坐标，t为时间信息，v为速度，heading为航向角。

其中，路径优化只和第一状态以及转向角有关，那么路径优化的问题就是求解一个转向角序列，序列中的每个转向角对应一个轨迹点，将轨迹点依次连接起来得到的就是优化的路径。类似地，速度优化只和第一状态以及加速度有关，那么速度优化的问题就是求解一个加速度序列，序列中的每个加速度对应优化的路径中的轨迹点，依据第一状态可以进一步求解速度，则合并起来就确定了各轨迹点的位置、速度和加速度。

在本申请的一个实施例中，上述方法中，对每组采样控制量，基于轨迹参考线、第一状态和预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度包括：基于轨迹参考线确定第一状态与轨迹参考线的第一误差；对每组控制量，根据第一状态、第一误差和预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差，并根据轨迹参考线、采样位置误差和采样速度误差确定无人驾驶设备在第二时刻的采样位置和采样速度。

图6示出了基于轨迹参考线进行计算的原理示意图。如图6所示，上方的曲线S为期望轨迹(即轨迹参考线)。下方的曲线为根据实际运行轨迹得到的规划轨迹曲线。其中，(X,Y)为第一状态对应的轨迹点，图中以车辆当前轨迹点进行举例。可以看出，两条曲线之间是存在偏差的，这些偏差可能是由障碍物或无人驾驶设备性能、模型设计等多方面原因造成的。为了方便计算上的说明，统一称为误差的计算。

无人驾驶场景下，不仅利用图6所示的OXY坐标系，还有一种特殊的坐标系——Frenet坐标系——也得到了广泛应用，两种坐标系之间可以进行变换，最后得到的规划轨迹往往是基于Frenet坐标系的。Frenet坐标系的横坐标表示道路上的左右位置，也称为横向位移；纵坐标表示沿道路的距离，也称为纵向位移。可以看出，这种坐标系的优势在于依据道路建立坐标系，有效应对了实际场景下道路存在弯曲、往往并非笔直的特点。

介绍了上述背景后，结合图6的示例进行说明如何基于轨迹参考线确定第一状态与轨迹参考线的第一误差。

重要的一点在于确定第一曲线上与第一状态的轨迹点对应的点，在图6 中表现为(X_desY_des)，即目标轨迹点。具体地，是通过第一状态查找第一曲线上的垂足点(距离最近的点)确定的。

为期望车辆转角速度，由期望轨迹的参数获得：

其中，V_des为根据期望轨迹确定的期望车速，K_des为根据期望轨迹确定的期望道路曲率。根据几何分析，我们可以获得横向误差的计算公式为：

e_D为横向误差，

为横向误差率，e_ψ为航向误差，

为航向误差率；

为车辆转角速度，可由车身传感器测得。

纵向状态计算，根据几何分析，我们可以获得车辆当前纵向状态在投影点上的表示：纵向位置S_p和纵向速度V_p，即Frenet坐标系上的表示，计算公式为：

根据车辆当前时间T，查找期望轨迹上的当前时间T的轨迹点 (X_des,T Y_des,T)，则车辆的纵向误差状态为：

其中，e_S为纵向误差，

为纵向误差率。

总结地说：

dx和dy为当前坐标点与参考线上的坐标点之间的水平轴、垂直轴误差。 e₁为横向误差，

为横向误差率，e₂为航向误差，

为航向误差率；ψ和

为车辆当前转角以及角速度，可由车身传感器测得，V为当前线速度。S_p和V_p为参考线坐标系的纵向位置和纵向速度。S_des,T和V_des，T为T时刻的期望纵向位置和期望车速。

可见，误差可以包括横向误差及横向误差率、纵向误差及纵向误差率、航向误差和航向误差率。

而根据预测模型，还可以基于车辆运动学原理预测某一时刻的误差。再结合第一误差，即根据实际的观测值确定的观测误差，进行反馈校正可以进一步提高精度。

在本申请的一个实施例中，上述方法中，对每组控制量，根据第一状态、第一误差和预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差包括：根据该组控制量和第一时刻的初始误差，分别预测第二时刻的初始采样位置误差和初始速度误差；根据第一误差对第二时刻的初始采样位置误差和初始速度误差分别进行反馈校正，得到第二时刻的采样位置误差和第二时刻的采样速度误差；其中，起始时刻的初始误差是根据无人驾驶设备确定的。

其中，可以通过如下公式预测误差：

其中，A、B、C为MPC预测模型的预测矩阵，D＝diag(1 1 … 1)。u(k) 为控制量，x(k)为预测模型输出的预测误差。y_m(k)为实际观测到的误差，y(k+ 1为预测模型经过反馈校正的预测误差。

在本申请的一个实施例中，上述方法中，根据第一状态进行控制量采样包括：根据第一状态进行非均匀采样。

由于大部分情况下，无人驾驶设备的控制组件不会大幅度变化，例如方向盘不会大幅度摆动，加速度不会过大变化等，因此采样可以在距离第一状态较近的部分密集采样，较远的部分稀疏采样。一个具体示例如下：使用

θ_i＝heading±k*i²

(公式7)

这个二次函数去拟合这个效果，假设一共要采样2n+1个点，令i＝ [1,2,3,...,n]，根据公式7得到θ＝[θ₁,θ₂,θ₃,...]。θ为采样的转向角，heading为状态中的航向角，k为可调整系数。

同理，对于速度优化也可以按照上述采样优化的方式，只不过将转向角采样换成加速度采样即可。

在本申请的一个实施例中，上述方法还包括：对规划轨迹进行二次规划。

上述实施例得到的规划轨迹相对粗略，如果希望进一步优化，可以采用二次规划的方式来实现。例如在本申请的一个实施例中，上述方法中，对规划轨迹进行二次规划包括：根据无人驾驶设备的实时轨迹与轨迹参考线的误差，构造控制量约束条件；根据控制量约束条件对规划轨迹进行二次规划。

车辆连续时间模型如下式所示：

其中

表示车辆的实时误差；

为控制量输入，δ为转向角， a为加速度；A、B、C为预测矩阵。

用k次多项式来拟合控制量u随时间的变化：

确定了多项式的系数M＝[m₀,m₁,m₂,...,m_n]、N＝[n₀,n₁,n₂,...,n_n]，就确定了控制量的变化。将控制误差在时间[t1,t2]上积分：

构造评价函数：

z＝min E^TQE

其中Q是系数矩阵，令x＝[M N]^T，E^TQE可进一步化为下列形式：

E^TQE＝x^THx+x^Tg+C

去掉常数项C，最终优化的目标函数为：

z＝min x^THx+x^Tg

同理，可以使用上述方式构造约束，最后将规划问题转化到连续空间的二次规划问题，使用有效集等求解方式即可得到连续时间的控制量与最优轨迹。

图2示出了根据本申请一个实施例的一种无人驾驶设备轨迹规划装置的结构示意图。如图2所示，无人驾驶设备轨迹规划装置200包括：

获取单元210，用于获取无人驾驶设备在第一时刻的第一状态。

例如，可以根据无人驾驶设备的传感器输出的观测值，确定无人驾驶设备在当前时刻的观测状态，作为第一时刻的第一状态。此时可以根据后续步骤，预测无人驾驶设备在下一时刻的状态，其中时刻间隔可以是固定的预设值。而在连续规划多个轨迹点时，也可以将为指定时刻预测的状态作为第一时刻的第一状态，迭代预测接下来时刻的状态，直至满足计划的迭代次数。

采样单元220，用于根据第一状态进行控制量采样，得到多组采样控制量。

控制量通常包括加速度和转向角，这里的转向角是指通过无人驾驶设备中的控制组件实现的转向角，例如，方向盘的转向角。现有技术中的采样往往是采用固定的间隔进行撒点采样，这样与无人驾驶设备的实际性能和轨迹不够贴合，采用控制量采样克服了这一不足。另外，控制量采样还可以方便对规划问题进行解耦，例如将三维优化问题分离为路径优化和速度优化，下面会有实施例对这种情况进行详细介绍。

规划单元230，用于根据轨迹参考线、第一状态、多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；预测模型基于模型预测控制算法实现；根据第一状态和采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；根据第一状态和预测状态确定无人驾驶设备的规划轨迹。

无人驾驶设备的轨迹规划所依赖的一个重要基础就是轨迹参考线，轨迹参考线有时也被称为道路中心线。它的作用是为轨迹规划提供参考，在没有障碍物等因素干扰的理想情况下可以认为是一条最优线路，无人驾驶的一个目标就是尽可能跟随轨迹参考线行进。在本步骤中，主要是利用基于模型预测控制算法实现的预测模型，根据轨迹参考线、第一状态、多组采样控制量进行状态预测。由于预测模型是与车体运动学相关，可以看出，得到的采样状态集合中的采样状态是无人驾驶设备根据自身性能所能够达到的，以此为基础进行轨迹规划，就能够满足轨迹可达性。

根据各采样状态和第一状态确定最优解，例如可以将第一状态与各采样状态分别进行多项式连接(多项式可以为三次多项式或五次多项式等，本申请对此不做限制)，拟合得到相应的曲线，再对曲线考虑路径碰撞、轨迹平滑等因素，依据代价函数确定最小代价对应的曲线，从而确定相应的采样状态为预测状态。

在规划轨迹时，除了根据第一状态和预测状态外，也可以参考许多因素，如是障碍物信息、交通规则等，这些在现有技术的方案中也有涉及，在此就不详细介绍了。需要说明的是，只需重复上述步骤，即可迭代实现对多个状态的预测，从而使得规划轨迹由多段轨迹连接而成。

可见，图2所示的装置，能够根据无人驾驶设备在指定时刻的第一状态，通过控制量采样，预测与各采样控制量对应的、无人驾驶设备在接下来时刻的采样状态，通过动态规划确定无人驾驶设备在接下来时刻的预测状态，最终根据第一状态和预测状态确定无人驾驶设备的规划轨迹。该技术方案的有益效果在于，创造性地将模型预测控制MPC加入到轨迹规划阶段，使得规划出的轨迹能够被无人驾驶设备的控制模块更好地执行，即依据无人驾驶设备的运行特点实现了轨迹可达性，并且在采样上区别与现有的撒点采样，而是使用控制量采样，进一步为轨迹可达性提供了保障，能够为外卖、物流配送等场景提供更好的技术支撑。

在本申请的一个实施例中，上述装置中，规划单元230，用于对每组采样控制量，基于轨迹参考线、第一状态和预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度；采样状态集合包括采样位置子集合和采样速度子集合；根据第一状态和预测位置子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测位置，以及根据第一状态和预测速度子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测速度；将预测位置和预测速度合并得到无人驾驶设备在第二时刻的预测状态。

在本申请的一个实施例中，上述装置中，规划单元230，用于基于轨迹参考线确定第一状态与轨迹参考线的第一误差；对每组控制量，根据第一状态、第一误差和预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差，并根据轨迹参考线、采样位置误差和采样速度误差确定无人驾驶设备在第二时刻的采样位置和采样速度。

在本申请的一个实施例中，上述装置中，规划单元230，用于根据该组控制量和第一时刻的初始误差，分别预测第二时刻的初始采样位置误差和初始速度误差；根据第一误差对第二时刻的初始采样位置误差和初始速度误差分别进行反馈校正，得到第二时刻的采样位置误差和第二时刻的采样速度误差；其中，起始时刻的初始误差是根据无人驾驶设备确定的。

在本申请的一个实施例中，上述装置中，采样单元220，用于根据第一状态进行非均匀采样。

在本申请的一个实施例中，上述装置中，规划单元230，还用于对规划轨迹进行二次规划。

在本申请的一个实施例中，上述装置中，规划单元230，用于根据无人驾驶设备的实时轨迹与轨迹参考线的误差，构造控制量约束条件；根据控制量约束条件对规划轨迹进行二次规划。

需要说明的是，上述各装置实施例的具体实施方式可以参照前述对应方法实施例的具体实施方式进行，在此不再赘述。

综上所述，本申请的技术方案，能够根据无人驾驶设备在指定时刻的第一状态，通过控制量采样，预测与各采样控制量对应的、无人驾驶设备在接下来时刻的采样状态，通过动态规划确定无人驾驶设备在接下来时刻的预测状态，最终根据第一状态和预测状态确定无人驾驶设备的规划轨迹。该技术方案的有益效果在于，创造性地将模型预测控制MPC加入到轨迹规划阶段，使得规划出的轨迹能够被无人驾驶设备的控制模块更好地执行，即依据无人驾驶设备的运行特点实现了轨迹可达性，并且在采样上区别与现有的撒点采样，而是使用控制量采样，进一步为轨迹可达性提供了保障。

需要说明的是：

在此提供的算法和显示不与任何特定计算机、虚拟装置或者其它设备固有相关。各种通用装置也可以与基于在此的示教一起使用。根据上面的描述，构造这类装置所要求的结构是显而易见的。此外，本申请也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本申请的内容，并且上面对特定语言所做的描述是为了披露本申请的最佳实施方式。

在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本申请的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。

类似地，应当理解，为了精简本申请并帮助理解各个发明方面中的一个或多个，在上面对本申请的示例性实施例的描述中，本申请的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本申请要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本申请的单独实施例。

本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。

此外，本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本申请的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。

本申请的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本申请实施例的无人设备的轨迹规划装置中的一些或者全部部件的一些或者全部功能。本申请还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本申请的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

例如，图3示出了根据本申请一个实施例的电子设备的结构示意图。该电子设备300包括处理器310和被安排成存储计算机可执行指令(计算机可读程序代码)的存储器320。存储器320可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。存储器320具有存储用于执行上述方法中的任何方法步骤的计算机可读程序代码331的存储空间330。例如，用于存储计算机可读程序代码的存储空间330 可以包括分别用于实现上面的方法中的各种步骤的各个计算机可读程序代码331。计算机可读程序代码331可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(CD)、存储卡或者软盘之类的程序代码载体。这样的计算机程序产品通常为例如图4所述的计算机可读存储介质。图4示出了根据本申请一个实施例的一种计算机可读存储介质的结构示意图。该计算机可读存储介质400存储有用于执行根据本申请的方法步骤的计算机可读程序代码 331，可以被电子设备300的处理器310读取，当计算机可读程序代码331由电子设备300运行时，导致该电子设备300执行上面所描述的方法中的各个步骤，具体来说，该计算机可读存储介质存储的计算机可读程序代码331可以执行上述任一实施例中示出的方法。计算机可读程序代码331可以以适当形式进行压缩。

应该注意的是上述实施例对本申请进行说明而不是对本申请进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本申请可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。

Claims (10)

1.一种无人驾驶设备轨迹规划方法，包括：

获取无人驾驶设备在第一时刻的第一状态；

根据所述第一状态进行控制量采样，得到多组采样控制量；

根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；所述预测模型基于模型预测控制算法实现；

根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；

根据所述第一状态和所述预测状态确定无人驾驶设备的规划轨迹。

2.如权利要求1所述的方法，其特征在于，所述根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合包括：

对每组采样控制量，基于所述轨迹参考线、所述第一状态和所述预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度；所述采样状态集合包括采样位置子集合和采样速度子集合；

所述根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态包括：

根据所述第一状态和预测位置子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测位置，以及根据所述第一状态和预测速度子集合的动态规划最优解确定无人驾驶设备在第二时刻的预测速度；

将所述预测位置和预测速度合并得到无人驾驶设备在第二时刻的预测状态。

3.如权利要求2所述的方法，其特征在于，所述对每组采样控制量，基于所述轨迹参考线、所述第一状态和所述预测模型分别确定无人驾驶设备在第二时刻的采样位置和采样速度包括：

基于所述轨迹参考线确定所述第一状态与所述轨迹参考线的第一误差；

对每组控制量，根据所述第一状态、所述第一误差和所述预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差，并根据所述轨迹参考线、所述采样位置误差和采样速度误差确定无人驾驶设备在第二时刻的采样位置和采样速度。

4.如权利要求3所述的方法，其特征在于，所述对每组控制量，根据所述第一状态、所述第一误差和所述预测模型分别预测根据该组控制量得到的第二时刻的采样位置误差和第二时刻的采样速度误差包括：

根据该组控制量和第一时刻的初始误差，分别预测第二时刻的初始采样位置误差和初始速度误差；

根据所述第一误差对所述第二时刻的初始采样位置误差和初始速度误差分别进行反馈校正，得到第二时刻的采样位置误差和第二时刻的采样速度误差；

其中，起始时刻的初始误差是根据所述无人驾驶设备确定的。

5.如权利要求1所述的方法，其特征在于，所述根据所述第一状态进行控制量采样包括：

根据所述第一状态进行非均匀采样。

6.如权利要求1-5中任一项所述的方法，其特征在于，所述方法还包括：对所述规划轨迹进行二次规划。

7.如权利要求6所述的方法，其特征在于，所述对规划轨迹进行二次规划包括：

根据所述无人驾驶设备的实时轨迹与所述轨迹参考线的误差，构造控制量约束条件；

根据所述控制量约束条件对所述规划轨迹进行二次规划。

8.一种无人驾驶设备轨迹规划装置，包括：

获取单元，用于获取无人驾驶设备在第一时刻的第一状态；

采样单元，用于根据所述第一状态进行控制量采样，得到多组采样控制量；

规划单元，用于根据轨迹参考线、所述第一状态、所述多组采样控制量和预测模型得到无人驾驶设备在第二时刻的采样状态集合；所述预测模型基于模型预测控制算法实现；根据所述第一状态和所述采样状态集合进行动态规划，确定无人驾驶设备在第二时刻的预测状态；根据所述第一状态和所述预测状态确定无人驾驶设备的规划轨迹。

9.一种无人驾驶设备，其特征在于，该无人驾驶设备包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行如权利要求1-7中任一项所述的方法。

10.一种计算机可读存储介质，其中，所述计算机可读存储介质存储一个或多个程序，所述一个或多个程序当被处理器执行时，实现如权利要求1-7中任一项所述的方法。

Images