CN120084352A 一种基于新能源汽车无人驾驶的路径规划系统 （合肥创智汽车技术开发有限公司）

(72)发明人杭成王涛廖基建所(普通合伙)34242GO1C21/34(2006一种基于新能源汽车无人驾驶的路径规划系统本发明公开了一种基于新能源汽车无人驾线环境的实时感知数据，构建动态三维路况模路况复杂程度来调整数据采集方式局部路径生环境构建单元中转站中转站叶叶21.一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，包括：环境构建单元，整合传感器模块对于车辆轴线环境的实时感知数据，构建动态三维路况模型；障碍物检测模块，实时检测出行人、车辆以及道路障碍物，并对位置、速度信息进行持续更新；自适应数据采集模型，基于动态三维路况模型中路况复杂程度来调整数据采集方式：多源传感器采集，在车流量低时，依靠传感器模块对周围环境进行感知，构建局部地中转站数据采集，在车辆高密度场景下，基于信息终端建立数据中转站，通过信息终端实现路况数据共享，采集路况共享数据并通过实时感知数据对路况共享数据进行验证融合构建局部地图；局部路径生成单元，根据当前局部地图生成多个符合车辆运动限制时的候选轨迹，评估最佳路径。2.根据权利要求1所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，车辆与中转站之间通过低延迟通信协议实现，使用短距离通信协议在车辆与数据中转站之间在短时间内传递，并基于车辆建立位置坐标，数据中转站坐标映射在坐标内，识别车辆位置，基于车辆当前位置以及数据中转站位置对路况共享数据进行拆分，剔除基于车辆与中转站坐标位置关系上的无用数据。3.根据权利要求2所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，建立位置坐标并根据位置坐标来剔除基于车辆和中转站坐标关系上的无用数据：基于当前车辆建立位置坐标，通过GPS获取当前车辆以及中转站实时位置，以当前车辆坐标为坐标原点，将中转站坐标映射在位置坐标内；中转站对路况共享数据附加采集位置数据，当前车辆接收中转站的路况共享数据时，对路况共享数据进行拆分；利用车辆当前位置与中转站坐标之间的位置关系，设置距离和区域阈值，保留与当前车流量行驶路线和行驶区域相关的路况共享数据，过滤基于位置关系上的噪声数据，降低传输负载和计算复杂度。4.根据权利要求3所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，构建动态三维路况模型步骤如下：利用激光雷达获取连续点云，经过滤波、分割和配准，实时生成车辆周边三维路况模结合车辆运动信息，利用同时定位与地图构建更新三维路况模型；对于不随时间变化的目标，通过点云分割和聚类算法加以标注并识别；对于车辆、行人和临时障碍物，通过目标检测与跟踪技术判断运动状态，并实时更新位置和速度信息；利用摄像头图像基于深度学习的图像分割技术检测车道线，结合点云数据对车道边界进行三维补全和纠正。5.根据权利要求4所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，基于中转站的路况共享数据来确定车道线位置，实现车道位置的动态判断和校正：3当前车辆依靠自身传感器模块检测与道路边界或护栏之间的距离作为初始参考信息，确定车辆与周边固定障碍物的相对位置；获取附近中转站的位置坐标，当前车辆运动至中转站区域时，触发一次新的轮询，记录此时当前车辆与道路边界或护栏之间的距离关系；当前车辆在中转站位置时的检测数据与初始感知数据进行对比；结合两次测量以及中转站共享的信息，在坐标中确定当前车辆与规划车道的相对位置，通过对比实际车辆与道路边界的间距与预设的车道宽度模型，确定车辆所处车道。6.根据权利要求5所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，基于实时感知数据进行路况共享数据验证步骤如下：将路况共享数据和实时感知数据同步到同一时间窗口，保证数据来源时效一致，将时间同步的路况共享数据和实时感知数据映射在基于当前车辆的位置坐标内；提取路况共享数据中的关键几何特征，基于几何特征确定实时感知数据中对应特征，通过匹配检测几何特征和对应特征的一致性；设置特征误差阈值，几何特征和对应特征在误差允许范围内，则认为路况共享数据有效，若超出阈值，则基于实时感知数据对路况共享数据进行修正。7.根据权利要求6所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，基于实际感知数据利用粒子滤波对路况共享数据进行加权校正，计算出同一几何特征的特征变量，通过计算得到的特征变量，评估路况共享数据与实时感知数据之间的差异。8.根据权利要求7所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，将修正后的路况共享数据与实时感知数据通过数据融合算法进行整合：利用各自的置信度在融合过程中进行动态加权，调整融合比例，若误差超出容差范围，则对路况共享数据进行校正。9.根据权利要求8所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，中转站获取控制系统对于车辆的控制数据，当前车辆获取中转站车辆控制数据，确定时间窗口内中转站的运动状态：设定一个固定的时间窗口，当前车辆对所有接收到的中转站控制数据进行统计与分对于连续时刻t1,t2,t3,......,tn,计算中转站的位置变化；根据整个时间窗口内的估算结果，确定中转站时间窗口内的速度和方向，得出障碍路10.根据权利要求9所述的一种基于新能源汽车无人驾驶的路径规划系统，其特征在于，将障碍路径与局部路径规划结合，生成多个符合车辆运动限制时的候选轨迹，建立短时预测模型，将障碍路径、障碍物未来路径作为约束条件，通过在线优化生成最优控制轨迹。4一种基于新能源汽车无人驾驶的路径规划系统技术领域[0001]本发明涉及无人驾驶技术领域，具体为一种基于新能源汽车无人驾驶的路径规划背景技术[0002]无人驾驶车辆的路径规划技术通常采用分层架构，将整个行驶过程拆分成多个阶段，每个阶段都有专门的算法和处理模块。这种设计既保证了全局目标的优化，又兼顾了实时动态调控的需求。无人驾驶车辆大多采用分层系统架构，这不仅包括路径规划，还涵盖了[0003]公告号CN112068548B公开了一种5G环境下面向特殊场景的无人驾驶车辆路径规划方法，依赖于基于5G通信的无人驾驶车辆路径规划系统，路径规划系统包括无人驾驶车通过历史信息和实时感知的有机结合，有效减少云平台在常规运行中占用的计算资源，保精度的协同感知，共同完成路径规划和调整的决策，从而提高车辆运行效率。[0004]驾驶路径的规划包括全局路径规划和局部路径规划，全局路径从起点到终点生成一个整体最优或近似最优的路线。全局规划依赖于事先构建的高精度数字地图、路网模型以及历史交通数据；而局部路径规划则在全局规划的基础上，根据实时传感器数据(如激光雷达、摄像头、毫米波雷达等)生成覆盖短时段内的具体轨迹。局部规划需要快速响应路况的变化，确保安全避障和行驶平滑。复杂路况往往伴随着大量动态障碍物，例如行人、非机动车、以及密集行驶的其他车辆。局部路径规划需要在极短时间内从传感器实时采集数据，并对这些动态目标做出快速判断和响应，在多车、多行人共同参与的交通环境中，每个交通参与者的行为都带有较大不确定性。局部规划不仅要考虑当前的环境状态，还要对未来几秒钟内可能发生的交互进行预测。发明内容[0005]本发明的目的之一在于提供一种基于新能源汽车无人驾驶的路径规划系统，利用多个中转站数据与实时感知数据进行融合，降低数据处理量。[0006]为实现以上目的，本发明通过以下技术方案予以实现：一种基于新能源汽车无人环境构建单元，整合传感器模块对于车辆轴线环境的实时感知数据，构建动态三障碍物检测模块，实时检测出行人、车辆以及道路障碍物，并对位置、速度信息进行持续更新；5自适应数据采集模型，基于动态三维路况模型中路况复杂程度来调整数据采集方多源传感器采集，在车流量低时，依靠传感器模块对周围环境进行感知，构建局部中转站数据采集，在车辆高密度场景下，基于信息终端建立数据中转站，通过信息终端实现路况数据共享，采集路况共享数据并通过实时感知数据对路况共享数据进行验证，之后进行数据融合生成路况融合数据，基于路况融合数据构建局部地图；局部路径生成单元，根据当前局部地图生成多个符合车辆运动限制时的候选轨[0007]在本发明一或多个实施方式中，车辆与中转站之间通过低延迟通信协议实现，使用短距离通信协议在车辆与数据中转站之间在短时间内传递，并基于车辆建立位置坐标，数据中转站坐标映射在坐标内，识别车辆位置，基于车辆当前位置以及数据中转站位置对路况共享数据进行拆分，剔除基于车辆与中转站坐标位置关系上的无用数据。[0008]在本发明一或多个实施方式中，建立位置坐标并根据位置坐标来剔除基于车辆和中转站坐标关系上的无用数据：基于当前车辆建立位置坐标，通过GPS获取当前车辆以及中转站实时位置，以当前车辆坐标为坐标原点，将中转站坐标映射在位置坐标内；中转站对路况共享数据附加采集位置数据，当前车辆接收中转站的路况共享数据利用车辆当前位置与中转站坐标之间的位置关系，设置距离和区域阈值，保留与当前车流量行驶路线和行驶区域相关的路况共享数据，过滤基于位置关系上的噪声数据，降低传输负载和计算复杂度。[0009]在本发明一或多个实施方式中，构建动态三维路况模型步骤如下：利用激光雷达获取连续点云，经过滤波、分割和配准，实时生成车辆周边三维路况结合车辆运动信息，利用同时定位与地图构建更新三维路况模型；对于不随时间变化的目标，通过点云分割和聚类算法加以标注并识别；对于车辆、行人和临时障碍物，通过目标检测与跟踪技术判断运动状态，并实时更新位置和速度信息；利用摄像头图像基于深度学习的图像分割技术检测车道线，结合点云数据对车道边界进行三维补全和纠正。[0010]在本发明一或多个实施方式中，基于中转站的路况共享数据来确定车道线位置，实现车道位置的动态判断和校正：当前车辆依靠自身传感器模块检测与道路边界或护栏之间的距离作为初始参考信息，确定车辆与周边固定障碍物的相对位置；获取附近中转站的位置坐标，当前车辆运动至中转站区域时，触发一次新的轮询，记录此时当前车辆与道路边界或护栏之间的距离关系；当前车辆在中转站位置时的检测数据与初始感知数据进行对比；结合两次测量以及中转站共享的信息，在坐标中确定当前车辆与规划车道的相对3/8页3/8页6位置，通过对比实际车辆与道路边界的间距与预设的车道宽度模型，确定车辆所处车道。[0011]在本发明一或多个实施方式中，基于实时感知数据进行路况共享数据验证步骤如将路况共享数据和实时感知数据同步到同一时间窗口，保证数据来源时效一致，将时间同步的路况共享数据和实时感知数据映射在基于当前车辆的位置坐标内；提取路况共享数据中的关键几何特征，基于几何特征确定实时感知数据中对应特征，通过匹配检测几何特征和对应特征的一致性；设置特征误差阈值，几何特征和对应特征在误差允许范围内，则认为路况共享数据有效，若超出阈值，则基于实时感知数据对路况共享数据进行修正。[0012]在本发明一或多个实施方式中，基于实际感知数据利用粒子滤波对路况共享数据进行加权校正，计算出同一几何特征的特征变量，通过计算得到的特征变量，评估路况共享数据与实时感知数据之间的差异。[0013]在本发明一或多个实施方式中，将修正后的路况共享数据与实时感知数据通过数据融合算法进行整合：利用各自的置信度在融合过程中进行动态加权，调整融合比例，若误差超出容差[0014]在本发明一或多个实施方式中，中转站获取控制系统对于车辆的控制数据，当前车辆获取中转站车辆控制数据，确定时间窗口内中转站的运动状态：设定一个固定的时间窗口，当前车辆对所有接收到的中转站控制数据进行统计与对于连续时刻t1,t2,t3,......,tn,计算中转站的位置变化；根据整个时间窗口内的估算结果，确定中转站时间窗口内的速度和方向，得出障碍路径。[0015]在本发明一或多个实施方式中，将障碍路径与局部路径规划结合，生成多个符合车辆运动限制时的候选轨迹，建立短时预测模型，将障碍路径、障碍物未来路径作为约束条件，通过在线优化生成最优控制轨迹。1、基于车联网通信与多传感器数据融合的协同感知策略，提高在高车流量且路况复杂时车辆对周边环境的认知和决策能力，从多个角度补全环境认知的不足，同时，将制动系统与路径规划系统紧密耦合，通过实时传输制动操作状态，提高了车辆问题处理的即时响应与准确预测。强了环境感知的完整性与精度。[0018]3、利用了车联网中低延迟、短距离通信协议的优势，确保车辆与数据中转站之间能够在极短时间内完成数据传递，然后借助统一坐标系统对车辆与中转站的地理位置进行精确匹配，从而有效甄别和过滤无关数据，在车流量高、路况复杂时显得尤为有效，既能扩大单车的感知边界，又能在保证数据即时性的基础上降低冗余信息的干扰。[0019]4、整合多种传感器模块，利用实时数据采集，构建涵盖全方位信息的动态三维路况模型，该模型不仅标注了道路中的静态障碍物、车道线和交通标识，还能追踪动态目标，7为车辆提供了精准、实时的环境认知。[0020]本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书以及附图中所特别指出的结构来实现和获得。附图说明[0021]图1为本发明的路径规划系统示意图。具体实施方式[0022]以下将以附图揭露本发明的多个实施方式，为明确说明起见，许多实务上的细节将在以下叙述中一并说明。然而，应了解到，这些实务上的细节不应用以限制本发明。也就是说，在本发明部分实施方式中，这些实务上的细节是非必要的。且若实施上为可能，不同实施例的特征是可以交互应用。[0023]除非另有定义，本文所使用的所有词汇(包括技术和科学术语)具有其通常的意涵，其意涵能够被熟悉此领域者所理解。更进一步的说，上述的词汇在普遍常用的字典中的定义，在本说明书的内容中应被解读为与本发明相关领域一致的意涵。除非有特别明确定义，这些词汇将不被解释为理想化的或过于正式的意涵。[0024]参阅图1所示，本发明提供一种基于新能源汽车无人驾驶的路径规划系统，能够根据路况的不同来调整对于路径规划数据的采集方式，在降低算法响应频率的同时不降低对于路径规划的响应精度，尤其适用于车流量较大，且车辆变化复杂的路况。环境构建单元，整合传感器模块对于车辆轴线环境的实时感知数据，构建动态三障碍物检测模块，实时检测出行人、车辆以及道路障碍物，并对位置、速度信息进行持续更新；自适应数据采集模型，基于动态三维路况模型中路况复杂程度来调整数据采集方多源传感器采集，在车流量低时，依靠传感器模块对周围环境进行感知，构建局部中转站数据采集，在车辆高密度场景下，基于信息终端建立数据中转站，通过信息终端实现路况数据共享，采集路况共享数据并通过实时感知数据对路况共享数据进行验证，之后进行数据融合生成路况融合数据，基于路况融合数据构建局部地图；局部路径生成单元，根据当前局部地图生成多个符合车辆运动限制时的候选轨[0026]一种可实施的方式中，通过多个数据采集方式，能够在不同的环境中采用不同的数据采集方式，来适应复杂多变的路况。在普通或车流量较低的情况下，车辆主要依靠自身传感器进行数据采集，而在车流量增大、路况复杂时，车辆传感器受到视野遮挡、环境干扰[0027]其中，数据中转站的建立，能够有效弥补单车感知盲区，通过多个信息终端的数据8共享与融合，形成更全面的路况信息，相较于单车进行实时感知数据而言，数据中转站能显著提升数据覆盖范围和准确性，需要通过实时感知数据来验证路况共享数据的真实性和时效性，确保路径规划的可靠性和安全性。[0028]在本申请中，每个车辆视为一个中转站，通过车辆间的信息交互，构建动态数据网络，实现多车协同感知，进一步提升路况数据的全面性与实时性，确保在复杂环境中路径规划的精准与高效。[0029]在另外的实施方式中，中转站还可以设置为手机终端设备，该场景适用于行人密集的城区，手机终端作为移动中转站，用于确定行人的运动状态以及位置，并通过无线网络实时传输至车辆系统，辅助车辆精准识别行人动态，优化避障策略，提升行驶安全性与通行[0030]在一种实施例中，车辆与中转站之间通过低延迟通信协议实现，使用短距离通信协议在车辆与数据中转站之间在短时间内传递，并基于车辆建立位置坐标，数据中转站坐标映射在坐标内，识别车辆位置，基于车辆当前位置以及数据中转站位置对路况共享数据进行拆分，剔除基于车辆与中转站坐标位置关系上的无用数据。[0031]一种可实施的方式中，在当前车辆位置建立位置坐标，在车道的不同位置形式时，所受到不同方向车辆的影响不同，因此，将数据中转站的数据进行拆分，确定当前车辆位置与不同数据关联性的大小，剔除无用数据，减少对于数据处理的体量，从而提高数据处理效率，确保路径规划的实时性和准确性。[0032]而车辆在不同车道行驶时，运动至不同的方向，受到的影响也不同，示例性的，车辆在道路中部行驶时，对于数据中转站则剔除路边中转站所共享的行人数据，在数据体量上能够大大减少处理负担，提高响应速度。[0033]在一种实施例中，建立位置坐标并根据位置坐标来剔除基于车辆和中转站坐标关系上的无用数据：基于当前车辆建立位置坐标，通过GPS获取当前车辆以及中转站实时位置，以当前车辆坐标为坐标原点，将中转站坐标映射在位置坐标内；中转站对路况共享数据附加采集位置数据，当前车辆接收中转站的路况共享数据利用车辆当前位置与中转站坐标之间的位置关系，设置距离和区域阈值，保留与当前车流量行驶路线和行驶区域相关的路况共享数据，过滤基于位置关系上的噪声数据，降低传输负载和计算复杂度。[0034]一种可实施的方式中，中转站自身在采集路况数据或接收数据时，根据中转站位置来将路况数据进行拆分，并对路况数据进行方向标记，并进行区域划分。示例性的，中转站以自身为中心，半径百米区域内的数据为当前区域信息，超出这一范围的数据则认为与当前车辆行驶状态关联性较低。[0035]在另外的实施例中，以中转站自身的前后左右方位上的数据来确定与车辆之间的关联性。[0036]当车辆A(当前车辆)收到来自中转站的数据时，对比自身位置与中转站B的位置关其采集位置偏离车辆A前方行驶走廊超过30米，且位于左转车道，而车辆A为右转车道，视为9无关信息而被剔除，最终进行数据融合时，只使用最相关、最有价值的信息来更新环境模利用激光雷达获取连续点云，经过滤波、分割和配准，实时生成车辆周边三维路况结合车辆运动信息，利用同时定位与地图构建更新三维路况模型；对于不随时间变化的目标，通过点云分割和聚类算法加以标注并识别；对于车辆、行人和临时障碍物，通过目标检测与跟踪技术判断运动状态，并实时更新位置和速度信息；利用摄像头图像基于深度学习的图像分割技术检测车道线，结合点云数据对车道边界进行三维补全和纠正。[0038]一种可实施的方式中，车辆线和交通标识的还能够采用目标检测算法，识别交通标识和交通等，通过几何位置映射，标注在三维路况模型中的准确位置。[0039]构建好的三维路况模型为局部路径规划提供精细的环境输入，帮助车辆更准确预测前方路况并制定行驶策略，数据融合后的环境模型不仅有助于标定当前的路况，还为紧急情况下决策(如避障、制动)提供实时参考。[0040]在一种实施例中，基于中转站的路况共享数据来确定车道线位置，实现车道位置的动态判断和校正：当前车辆依靠自身传感器模块检测与道路边界或护栏之间的距离作为初始参考信息，确定车辆与周边固定障碍物的相对位置；获取附近中转站的位置坐标，当前车辆运动至中转站区域时，触发一次新的轮询，记录此时当前车辆与道路边界或护栏之间的距离关系；当前车辆在中转站位置时的检测数据与初始感知数据进行对比；结合两次测量以及中转站共享的信息，在坐标中确定当前车辆与规划车道的相对位置，通过对比实际车辆与道路边界的间距与预设的车道宽度模型，确定车辆所处车道。[0041]一种可实施的方式中，充分利用中转站共享的高精度环境数据来补充车辆自感知不足的情况：车辆A通过自身传感器获取与道路边界或护栏的距离关系，为模糊车道线提供初步参考；利用低延迟通信获取中转站准确的道路和车道信息，将传感数据映射到统一坐标系；在驶近中转站区域时，再次测量并与中转站数据比对，剔除噪声，从而准确判定车辆位置；最终确定车辆所在车道，为后续路径规划和车辆控制提供精确信息。[0042]通过中转站补全车道线数据的方法不仅增强了在车道线模糊条件下的环境感知，还通过比对校正机制提升了行车决策的准确性和安全性。在另外的实施例中，结合卡尔曼滤波数据融合算法进一步提高数据校正效果，从而实现更精准的自动驾驶路径规划。[0043]在一种实施例中，基于实时感知数据进行路况共享数据验证步骤如下：将路况共享数据和实时感知数据同步到同一时间窗口，保证数据来源时效一致，将时间同步的路况共享数据和实时感知数据映射在基于当前车辆的位置坐标内；提取路况共享数据中的关键几何特征，基于几何特征确定实时感知数据中对应特征，通过匹配检测几何特征和对应特征的一致性；设置特征误差阈值，几何特征和对应特征在误差允许范围内，则认为路况共享数[0046]在一种实施例中，基于实际感知数据利用粒子滤波对路况共享数据进行加权校即共享数据中通过预处理得到的特征为x,实时感知数据中提取的特征为z(通常定义状态向量x表示待校正的几何特征(x=[a,b,c]),变量描述该几何特征在空间视目标为静态或具有较低动态性时，