一种策略切换的无人车轨迹规划方法和系统与流程

本发明涉及一种无人车轨迹规划方法和系统，属于智能驾驶领域。

背景技术：

1、在轨迹规划中，当前算法非常依赖于场景(odd)的设计，从而限定其使用范围。

2、例如城区场景，限定为结构化道路，则主要依赖于基于高精地图或是车道线生成参考线的轨迹规划方法，而一旦道路施工，结构化的特征消失，则该方法将完全失效。又例如封闭园区的场景，通常在地图中划分为结构化道路区域以及泊车空旷区域，在不同区域中对应不同场景，从而调用不同的轨迹规划方法。然而多数情况为封闭园区内的道路较难通过结构化的道路表示，强行归纳出虚拟车道线则会损失较多的可通行区域，从而造成部分场景下虽然实际有空间可通行，但虚拟道路上已完全阻塞，造成无人车无法脱困。

技术实现思路

1、本发明要克服现有技术的上述缺点，提出一种基于策略切换的无人车轨迹规划方法和系统。

2、本发明同时囊括了结构化道路下与openspace场景下轨迹规划算法的优点，通过场景的识别及分类实时切换策略，保障无人车可以应对更多复杂异常场景。

3、本发明的一种基于策略切换的无人车轨迹规划方法，具体步骤包括：

4、步骤一，通过感知结果、当前帧规划结果判断当前场景为结构化道路场景，还是非结构化道路场景；若无人车已连续多帧未能正常形成有效的规划轨迹，则定义当前场景为脱困场景；

5、步骤二，若当前场景识别为结构化道路场景，则使用离线生成的高精地图或根据车道线识别实时生成的地图来构建决策规划所需要的局部路线地图；若当前场景为非结构化道路场景或脱困场景，则实时生成自车周围的栅格地图，并将感知障碍物信息投影至栅格上，构建局部栅格地图；

6、步骤三，根据上一步骤识别出的场景，决策出当前场景下的车辆行为以及状态。若为结构化道路场景，则通过决策算法计算出当前车辆需执行的动作，该结果可为具体的目标点信息，也可为语义级别的信息；若为非结构化道路场景或脱困场景，则可通过决策算法来给出具体的目标点信息，或通过云端、路端或远程驾驶员给出具体的目标点信息；

7、步骤四，根据地图信息以及决策目标点信息，调用相应的轨迹规划方法，若为结构化道路场景则调用基于道路参考线的轨迹优化算法；若为非结构化道路场景则使用基于栅格地图的a*轨迹规划算法；若为脱困场景则使用基于栅格地图的hybrid a*算法，最终输出一条安全舒适的轨迹。

8、进一步，步骤一，根据高精地图信息、感知信息来决定当前车辆所在场景，具体包含以下子步骤：

9、步骤1.1：根据车辆的当前位置查询是否存在该路段的高精地图，若存在则根据感知结果判断当前道路与高精地图的原始信息的差异情况，若差异不大则表示离线高精地图的参考价值较大，可按照特定车道行驶，将当前场景定义为结构化道路场景，若差异较大则表示当前场景已发生较大变化，无法按照高精地图信息来行驶，将当前场景定义为非结构化道路场景；

10、步骤1.2：若当前场景不存在高精地图，则通过感知车道线来实时生成车道级别地图，若生成成功则定义当前场景为结构化道路场景，若失败则定义为非结构化道路场景。

11、步骤1.3：若无人车已连续多帧未能正常形成有效的规划轨迹，则定义当前场景为脱困场景。

12、进一步，步骤一所述的感知结果包括车道线、freespace检测障碍物、障碍物语义信息。

13、进一步，步骤二包括：根据步骤一所决定的场景，构建规划模块所需要的局部规划地图，具体包含以下步骤：

14、步骤2.1：若步骤一中判定当前场景为结构化道路场景，则表示当前为车道信息较明显的结构化地图区域。获取该结构化地图区域中的边界信息以及道路中心线信息；

15、步骤2.2：对上一步骤生成的地图边界信息以及中心线信息进行采样，得到离散上下界集合以及离散的中心线集合，由此组成结构化道路场景的局部规划地图；

16、步骤2.3：若步骤一中判定的场景为非结构化道路场景或脱困场景，则表示当前为道路特征不明显的非结构化地图，或者当前状态下车辆使用结构化道路场景或二下的规划方法已经失效，需要脱困。针对非结构化道路场景和脱困场景，实时生成以自车当前位置为中心，前后左右各一定距离的框型栅格地图，该栅格地图以一定分辨率分割成一系列方块；

17、步骤2.4：将感知障碍物信息投影至栅格上，具体做法为若该多边形的边界或内部区域占据了栅格地图中的某个方块，则将该方块区域表示为1，否则便表示为0；经过该操作后得到非结构化道路场景和脱困场景下的局部栅格地图，为由0，1组成的二维数组。

18、更进一步，步骤2.4所述的感知障碍物信息是多边形形式。

19、进一步，步骤三包括：根据步骤二中所生成的对应场景下的规划地图，以及当前场景下的障碍物信息，来决策出当前场景下的车辆期望动作或状态，具体包含以下步骤：

20、步骤3.1：若当前场景为结构化道路场景，则根据现有技术中的决策算法，来决策出当前状态下的期望目标点或期望动作；该结果可为具体的目标点信息，也可为语义级别的信息；

21、步骤3.2：若当前场景为非结构化道路场景或脱困场景，则可优先通过云端或路端信息来给出相应的最优目标点；

22、步骤3.3：若步骤3.2中无法通过路云来获取目标点，则将全局导航路径投影至局部栅格地图上，具体投影方式为将全局导航路径坐标转换至局部栅格地图坐标；

23、步骤3.4：计算栅格地图中每一格的cost值，该cost值由与障碍物占据栅格(地图二维数组中为1)的距离cost及与导航栅格(二维数组中为2)的距离cost构成。

24、更进一步，步骤3.1所述的目标点信息包含位置、朝向、速度、加速度等，所述的语义级别的信息包括本车道行驶、变道、停车。

25、进一步，步骤四包括：根据上述步骤中生成的局部规划地图信息，来调用对应场景下的轨迹规划方法，最终输出一系列的离散轨迹点，具体包含以下步骤：

26、步骤4.1：若当前场景为结构化道路场景，则以道路参考线为基准，利用采样法或优化方法生成一条在可行驶区域内的轨迹：

27、步骤4.2：若当前场景为非结构化道路场景，则针对生成的栅格代价地图采用a*算法，搜索出一条代价最小的路径，并分配合适的速度，最终输出为当前帧轨迹；

28、步骤4.3：若当前场景为脱困场景，则针对生成的栅格代价地图采用hybrid a*算法，搜索出一条符合车辆动力学并可能包含倒车操作的路径，并分配合适的速度，最终输出一条脱困的轨迹。

29、本发明的第二个方面涉及一种基于策略切换的无人车轨迹规划系统，包括：

30、当前场景识别模块，用于通过感知结果(包括车道线、freespace检测障碍物、障碍物语义信息等)、当前帧规划结果判断当前场景为结构化道路场景，还是非结构化道路场景；若无人车已连续多帧未能正常形成有效的规划轨迹，则定义当前场景为脱困场景；

31、决策规划所需地图生产模块，若当前场景识别为结构化道路场景，则使用离线生成的高精地图或根据车道线识别实时生成的地图来构建决策规划所需要的局部路线地图；若当前场景为非结构化道路场景或脱困场景，则实时生成自车周围的栅格地图，并将感知障碍物信息投影至栅格上，构建局部栅格地图；

32、当前场景下的车辆行为以及状态决策模块，根据别出的场景，决策出当前场景下的车辆行为以及状态；若为结构化道路场景，则通过决策算法计算出当前车辆需执行的动作，该结果可为具体的目标点信息(包含位置、朝向、速度、加速度等)，也可为语义级别的信息(包括本车道行驶、变道、停车等)；若为非结构化道路场景或脱困场景，则可通过决策算法来给出具体的目标点信息，或通过云端、路端或远程驾驶员给出具体的目标点信息；

33、轨迹规划方法调用模块，根据地图信息以及决策目标点信息，调用相应的轨迹规划方法，若为结构化道路场景则调用基于道路参考线的轨迹优化算法；若为非结构化道路场景则使用基于栅格地图的a*轨迹规划算法；若为脱困场景则使用基于栅格地图的hybrida*算法，最终输出一条安全舒适的轨迹。

34、本发明的第三个方面涉及一种基于策略切换的无人车轨迹规划装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现本发明所述的一种基于策略切换的无人车轨迹规划方法

35、本发明的第四个方面涉及一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现本发明的一种基于策略切换的无人车轨迹规划方法。

36、本发明的工作原理是：

37、首先通过场景识别模块及车辆当前规划状态对当前场景进行分类；接着根据具体分类场景构建当前场景下的局部规划地图，并调用不同的决策策略，从而形成车辆需执行的动作序列；最终由对应场景及动作序列来调用相应的轨迹规划方法，输出一条车辆可执行的具体轨迹。通过对于场景的分类并调用不同的决策策略，使得该算法能够很好解决离线高精地图与实时环境变化较大的问题，同时利用策略切换的方式，保障无人车即便处于困境之中，依然能够实现自主脱困，从而极大提升了算法的鲁棒性。

38、本发明的创新点是：

39、首先，提出了一种根据实时场景进行轨迹规划策略切换的模式，能够适应由于道路施工等原因导致离线地图不可用的场景；其次，在该框架下，可同时实现自动驾驶车辆的轨迹脱困策略，保障算法鲁棒性；最后，通过导航路径投影至局部栅格地图的方式，提升了搜索算法的效率与寻路质量。

40、本发明的优点是：

41、使当前的自动驾驶功能不再强依赖于高精地图，在离线地图不可用或与实际场景差异较大的情况下，依然能够实时构建新的局部地图并完成轨迹规划，极大提升了算法的适用场景及能力；提升了在无高精地图下的轨迹规划算法的计算效率与求解质量。