CN111824131B - 一种自动泊车的方法和车辆 - Google Patents
一种自动泊车的方法和车辆 Download PDFInfo
- Publication number
- CN111824131B CN111824131B CN202010664638.0A CN202010664638A CN111824131B CN 111824131 B CN111824131 B CN 111824131B CN 202010664638 A CN202010664638 A CN 202010664638A CN 111824131 B CN111824131 B CN 111824131B
- Authority
- CN
- China
- Prior art keywords
- node
- path
- parking
- determining
- nodes
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000009826 distribution Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 21
- 238000005070 sampling Methods 0.000 claims description 42
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 18
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004898 kneading Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/06—Automatic manoeuvring for parking
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B62—LAND VEHICLES FOR TRAVELLING OTHERWISE THAN ON RAILS
- B62D—MOTOR VEHICLES; TRAILERS
- B62D15/00—Steering not otherwise provided for
- B62D15/02—Steering position indicators ; Steering position determination; Steering aids
- B62D15/027—Parking aids, e.g. instruction means
- B62D15/0285—Parking performed automatically
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags or using precalculated routes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
- G01C21/34—Route searching; Route guidance
- G01C21/36—Input/output arrangements for on-board computers
- G01C21/3679—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities
- G01C21/3685—Retrieval, searching and output of POI information, e.g. hotels, restaurants, shops, filling stations, parking facilities the POI's being parking facilities
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
本发明实施例提供了一种自动泊车的方法和车辆，所述方法包括：在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。通过本发明实施例，实现了对自动泊车路径的优化，能够适用于复杂的泊车场景，具有普适性。
Description
技术领域
本发明涉及泊车技术领域，特别是涉及一种自动泊车的方法和车辆。
背景技术
目前，多数的自动泊车采用基于几何的路径规划方法，该方法主要是根据经验进行设置规划。但是，当泊车场景中的障碍物较多时，基于几何规划方法所规划的路径由于无法绕开障碍物，容易导致规划失败。
为了避免规划失败，在采用基于几何的路径规划方法时，通常需要人工地设置泊车的换向点，而对于新手驾驶员，很难准确把控泊车的换向点。而且，基于几何的路径规划方法普适性差，只适用车位和过道都较宽的泊车场景，对于其他复杂场景不能实现高效规划路径。
发明内容
鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种自动泊车的方法和车辆，包括：
一种自动泊车的方法，所述方法包括：
在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；
根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。
可选地，所述按照所述目标近邻节点，进行自动泊车，包括：
采用所述目标近邻节点和所述中间节点，进行重新布线，得到泊车路径；其中，所述泊车路径包括所述目标近邻节点对应的目标路径；
按照所述泊车路径，进行自动泊车。
可选地，所述根据所述节点分布信息，确定中间节点，包括：
获取泊车特征信息；
采用所述泊车特征信息和所述节点分布信息，确定采样区域；
在所述采样区域中，确定中间节点。
可选地，所述基于所述中间节点进行近邻节点搜索，得到多个近邻节点，包括：
基于所述中间节点进行近邻节点搜索，得到多个候选节点；
从所述多个候选节点中，确定与所述中间节点之间不存在障碍物的节点为近邻节点。
可选地，所述分别确定所述多个近邻节点对应的候选路径的代价信息，包括：
针对每个近邻节点对应的候选路径，确定包括但不限于路径长度、障碍物距离、车辆换向次数的路径属性信息；
采用所述路径属性信息，确定代价信息。
可选地，还包括：
针对所述泊车路径中的任一两个节点，采用预置的连接函数进行连接；其中，所述连接函数对应有多种连接方式。
可选地，所述泊车特征信息包括以下任一项或多项：
车位类型、车位宽度、车辆起始位姿与车辆目标位姿的相对关系。
一种车辆，所述车辆包括：
节点分布确定模块，用于在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
中间节点确定模块，用于根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
代价信息确定模块，用于分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；
目标近邻节点确定模块，用于根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。
一种车辆，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如上所述的自动泊车的方法。
一种计算机可读存储介质，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如上所述的自动泊车的方法。
本发明实施例具有以下优点：
在本发明实施例中，通过在自动泊车的过程中，确定针对待泊车区域的节点分布信息，根据节点分布信息，确定中间节点，并基于中间节点进行近邻节点搜索，得到多个近邻节点，分别确定多个近邻节点对应的候选路径的代价信息，根据代价信息，确定目标近邻节点，并按照目标近邻节点，进行自动泊车，实现了对自动泊车路径的优化，能够适用于复杂的泊车场景，且具有普适性，即通过近邻节点搜索，可以提高搜索效率，又采用了从起始节点经近邻节点至中间节点的路径的代价信息来选择目标近邻节点的方式，与直接将与中间节点最近的邻节点作为中间节点的父节点的方式相比，充分考虑的整体路径的代价，进而可以选择代价最小的泊车路径进行泊车。
附图说明
为了更清楚地说明本发明的技术方案，下面将对本发明的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1a是本发明一实施例提供的一种垂直车位采样区域的示意图；
图1b是本发明一实施例提供的一种平行车位采样区域的示意图；
图2是本发明一实施例提供的一种自动泊车的方法的步骤流程图；
图3a是本发明一实施例提供的一种确定目标近邻节点的示意图；
图3b是本发明一实施例提供的一种确定目标近邻节点后的示意图；
图3c是本发明一实施例提供的一种近邻节点重新布线的示意图；
图3d是本发明一实施例提供的一种近邻节点重新布线后的示意图；
图4是本发明一实施例提供的另一种自动泊车的方法的步骤流程图；
图5是本发明一实施例提供的一种规划最小代价路径的流程示意图；
图6是本发明一实施例提供的一种车辆的结构示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
快速探索随机树(Rapidly Exploring Random Tree，RRT)算法是一种递增采样搜索算法，其优势在于通过在位形空间中连接离散的节点来产生最终的线路。RRT算法倾向于拓展到开放的未探索区域，当时间足够长，迭代次数足够多，没有不会被探索到的区域。
作为RRT算法的改进算法，RRTstar算法采用迭代深化思想对RRT算法得到的规划结果进行优化，其重要的思想在于近邻节点搜索以及重新布线。
在本发明实施例中，根据泊车场景对RRTstar算法做出以下的改进：
1)采样区域的选择：根据车位的大小，车位的类型(可以包括垂直车位，平行车位，斜列车位)，障碍物的位置选择RRT的采样区域。例如，如图1a中的阴影部分表示垂直车位的采样区域；如图1b中的阴影部分为平行车位的采样区域。
2)基础连接方式：对于采样区域中的任一点(即中间节点)，从车辆起始位置经由中间节点至目的位置，可以构建很多种路径。通过使用ReedsSheep曲线，Dubins曲线，直线-圆弧，圆弧-圆弧进行连接，可以保证最终成功规划的路径的多样性。
3)布线时路径代价计算：在实际应用中，可以将两节点之间的直线距离(欧式距离)作为两节点之间的路径代价，而在本发明一实施例中，可以综合考虑路径与障碍物的距离、路径的数量、路径的方向、路径的曲率计算路径代价，从而保证规划的路径安全，揉库次数少。例如，两个节点间的路径代价可以通过下式进行计算：
路径代价＝a*路径长度-b*障碍物距离系数+c*换向次数
(Cost＝a*Path_Length-b*Distan_Obs+c*Turns_Num)
其中，a、b、c为大于0的常数。
作为一种示例，采用的规划算法的流程如下：
当输入车辆的起始位姿、目标位姿、和多个障碍物与车位框线段的横坐标(x)、纵坐标(y)、转向角参数(θ)时，例如，起始位姿可以用startpos(xs,ys,θs)表示，目标位姿可以用tarpos(xg,yg,θg)表示，多个障碍物与车位框线段可以分别通过(x11,y11,x12,y12),(x21,y21,x22,y22),......(xn1,yn1,xn2,yn2)来表示，在对输入的所有参数进行计算后，得到的输出结果为从起始位姿到目标位姿的无碰撞路径，得到无碰撞路径可以是直线，圆弧的组合。
以下对本发明实施例进行详细说明：
参照图2，示出了本发明一实施例提供的一种自动泊车的方法的步骤流程图，具体可以包括如下步骤：
步骤201，在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
在实际应用中，由于在泊车场景中通过RRT运算进行训练时，可以记录每一次运算得到的有效的节点，这些有效节点为车辆在泊车过程中可以途径的节点，所有有效节点可以构成节点分布信息，因而，在自动泊车的过程中，可以确定待泊车区域内的节点分布信息。
其中，每个节点都包含了节点对应的位姿(x,y,θ)，节点的代价，节点的索引，节点父节点的索引，节点父节点到本节点的路径信息，节点父节点为从起点到节点的路径中，该节点的上一节点。
通过获取节点分布信息，对有效节点进行处理，无需筛选无效节点，进而可以减少规划时间，提高搜索效率。
步骤202，根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
在确定节点分布信息后，可以根据节点分布信息来确定中间节点，中间节点为车辆从起始位置移动到目标位置过程中所经过的一个节点。通过获取的节点分布信息确定中间节点，可以避免人工设置转向点造成的转向点判断不准确的问题。
在一示例中，可以一次确定多个中间节点，然后针对确定的每个中间节点分别进行路径规划，得到一个或多个规划结果；也可以一次确定一个中间节点，通过设置迭代循环，在预设迭代次数内，在每个循环内确定中间节点，并针对每次确定的中间节点进行规划，得到一个或多个规划结果。
在选取中间节点之后，基于中间节点可以通过确定预设搜索范围，并在预设范围内进行近邻节点搜索，得到多个近邻节点。采用邻近节点在预设范围内进行搜索，避免盲目搜索，有利于提高搜索效率。
例如，可以设置预设范围为R为半径的圆，其中R可以如下公式计算得到：
R表示以中间节点为圆心进行近邻搜索时的预设搜索范围的圆的半径；
nnode为已有的节点数目。
例如，如图3a，A至K为分布在待泊车区域内的有效节点，节点与节点之间连线上的数字为两节点之间的路径代价信息，将K节点确定的中间节点，Xnew表示K节点为一个新节点，在以R为半径的圆中，随K节进行近邻节点搜索，确定近邻节点为F、G。
步骤203，分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；
在确定中间节点的多个近邻节点后，可以针对每个近邻节点，根据从起点经由该近邻节点到中间节点确定其对应的候选路径，进而可以计算每条候选路径的代价信息。
例如，如图3a，中间节点K在R范围内的近邻节点有G、F。对于节点G，从起点A经由节点G点到中间节点K点的候选路径为A-B-D-G-K，可以通过计算得到路径代价为2+5+6+2＝15；对于节点F，从A点经由节点F点到中间节点K点的候选路径为：A-B-C-F-K，可以通过计算得到路径代价2+1+4+3＝10。
在本发明一实施例中，所述分别确定所述多个近邻节点对应的候选路径的代价信息可以包括以下子步骤：
针对每个近邻节点对应的候选路径，确定包括但不限于路径长度、障碍物距离、车辆换向次数的路径属性信息；采用所述路径属性信息，确定代价信息。
在实际应用中，可以通过针对候选路径确定相应路径属性信息，进而采用路径属性信息，通过计算得到路径代价信息。
其中，路径属性信息可以包括但不限于路径长度、障碍物距离、车辆换向次数。
考虑到泊车场景的安全性，泊车路径的效率，可以通过下述公式计算路径代价：
路径代价＝a*路径长度-b*障碍物距离系数+c*换向次数
(Cost＝a*Path_Length-b*Distan_Obs+c*Turns_Num)
其中，a、b、c为大于0的常数。
由该公式可知，路径越长，代价越大；路径与障碍物的距离越大，代价越小；换向次数越多，代价越大。
步骤204，根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。
在确定候选路径的代价信息后，可以根据代价信息，将所有候选路径中，代价最小的目标路径所对应的近邻节点确定为目标近邻节点，从起点经由目标近邻节点至终点的目标路径为最小代价的路径，进而可以根据确定的目标近邻节点进行自动泊车。
由于确定的目标近邻节点是根据候选路径的代价确定的，可以选择路径代价最小的候选路径所对应的近邻节点作为目标近邻节点，最终可以按路径代价最小的泊车路径进行泊车。
例如，如图3a中，针对中间节点K的邻近节点G、F的候选路径A-B-D-G-K、A-B-C-F-K，对应计算代价信息分别为A-B-D-G-K的代价为15、A-B-C-F-K的代价为10，节点F对应的候选路径的代价小，则A-B-C-F-K为目标路径，节点F为目标近邻节点，图3b为节点F为目标近邻节点后的布线示意图，以节点F为目标近邻节点进行自动泊车。
在本发明一实施例中，所述按照所述目标近邻节点，进行自动泊车的步骤可以包括如下子步骤：
采用所述目标近邻节点和所述中间节点，进行重新布线，得到泊车路径；按照所述泊车路径，进行自动泊车。
其中，泊车路径可以包括目标近邻节点对应的目标路径。
在确定目标近邻节点之后，可以采用目标近邻节点和所述中间节点进行重新布线，根据重新布线的结果可以得到泊车路径，然后可以按照泊车路径进行自动泊车。
其中，重新布线可以是针对中间节点的邻近节点也可以是针对中间节点与目标节点进行重新布线。
在一示例中，在确定目标近邻节点后，还可以对中间节点的每个近邻节点进行重新布线。具体地，可以先确定从起点到中间节点的每个近邻节点的多条第二候选路径，针对每个近邻节点分别计算其对应的每条第二候选路径的路径代价信息，根据第二候选路径的路径代价信息确定是否需要重新布线，针对需要重新布线的近邻节点进行重新布线。
重布线过程的意义在于每当生成了中心节点(新节点)后，可以通过重新布线，使得某些节点的路径代价减少。如果以整体的眼光看，并不是每一个重新布线的节点都会出现在最终生成的路径中，但在生成随机树的过程中，每一次的重布线都尽可能的为最终路径代价减小创造机会。
例如，在图3c中，在为K点重新选择父节点F后。可以对K点的近邻节点F、G进行重新布线。具体重新布线方法如下：
针对邻节点F，从A到F的第二候选路径有两条：
Path1:A-B-C-F，计算得到路径代价为2+1+4＝7；
Path2:A-B-D-G-K-F，计算得到路径代价为2+5+6+2+3＝17。
在确定目标近邻节点后，可以确定目标路径为A-B-C-F-K，针对F的Path1的代价小于Path2，A-B-C-F为路径代价小的第二候选路径，该路径布线在目标路径中已存在，因此，不需要对F节点重新布线。
针对邻节点F，从A到G点的路径有两条：
Path1:A-B-D-G，计算得到路径代价为2+5+6＝13；
Path2:A-B-C-F-K-G，计算得到路径代价为2+1+4+3+2＝11；
在确定目标近邻节点后，可以确定目标路径为A-B-C-F-K，而针对G的Path1的代价大于Path2，A-B-C-F-K-G为路径代价小的第二候选路径，目前的布线中并没有K-G的布线，因此，G点需要重新布线，如图3d，示出了对G点重新布线后的布线图。
通过对近邻节点的重新布线，可以在每次迭代时，不断优化布线，更加智能的得到泊车路径。
在一示例中，在确定目标近邻节点后，可以进一步确定中间节点与目标节点之间是否存在障碍物，当中间节点与目标节点不存在障碍物时，可以对中间节点与目标节点进行重新布线，并可以根据目标邻近节点对应的目标路径以及中间节点与目标节点的重新布线确定泊车路径，进而按照泊车路径进行自动泊车。
当中间节点与目标节点存在障碍物时，执行确定中间节点的步骤。
在本发明一实施例中，该方法还可以包括如下步骤：
针对所述泊车路径中的任一两个节点，采用预置的连接函数进行连接；其中，所述连接函数对应有多种连接方式。
在对中间节点的重新布线后，可以通过预置的连接函数连接泊车路径中的任一两个节点，其中预置的连接函数对应有多种连接方式，
作为一种示例，连接方式可以包括以下一项或多项：
ReedsSheep曲线，直线与圆弧连接，双圆弧连接；
ReedsSheep曲线可以至少包含3段路径，直线-圆弧-直线，圆弧-直线-圆弧，圆弧-圆弧-圆弧。
通过如上预置函数进行连接时，节点间可以选择的连接方式众多，从而可以提高连接成功率，进而提高路径规划成功率；规划的路径也更符合人类泊车习惯；规划路径数量更少。
在一示例中，可以先确定中间节点的最近的近邻节点，即在预设范围内，可以与中间节点代价最小连接的最近的近邻节点，进而可以判断该节点与中间节点之间是否存在障碍物，当该节点与中间节点之间不存在障碍物，可以进一步通过搜索得到的一组邻节点，分别计算候选路径的代价信息，根据候选路径的代价信息确定目标近邻节点。
当该节点与中间节点之间存在障碍物时，执行确定中间节点的步骤。
例如，在图3a中，中间节点K在半径为R的圆的范围内，存在近邻节点G，F，其中，G-K的代价值为2、F-K的代价值为3，则可以根据两节点之间的代价，将节点G作为中间节点K最近的近邻节点，在布线图中，可以先将节点G作为中间节点K的父节点。
进一步的，由于节点G点与中间节点K点之间不存在障碍物，可以继续计算节点G、F对应的候选路径(即当G与F分别作为K点的父节点时，所对应的从起点到K点的路径)的路径代价，在计算两条路径的代价后，得到当F节点作为中间节点K的父节点时，对应的候选路径的代价小，因而，可以重新将F节点确定为K节点的父节点，即目标近邻节点为F，在确定F节点为K节点的父节点后，此时，对应的布线如图3b所示。
在本发明实施例中，通过在自动泊车的过程中，确定针对待泊车区域的节点分布信息，根据节点分布信息，确定中间节点，并基于中间节点进行近邻节点搜索，得到多个近邻节点，分别确定多个近邻节点对应的候选路径的代价信息，根据代价信息，确定目标近邻节点，并按照目标近邻节点，进行自动泊车，实现了对自动泊车路径的优化，能够适用于复杂的泊车场景，且具有普适性，即通过近邻节点搜索，可以提高搜索效率，又采用了从起始节点经近邻节点至中间节点的路径的代价信息来选择目标近邻节点的方式，与直接将与中间节点最近的邻节点作为父节点的方式相比，充分考虑的整体路径的代价，进而可以选择代价最小的泊车路径进行泊车。
参照图4，示出了本发明一实施例提供的另一种自动泊车的方法的步骤流程图，具体可以包括如下步骤：
步骤401，在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
步骤402，获取泊车特征信息；
其中，所述泊车特征信息包括以下任一项或多项：
车位类型、车位宽度、车辆起始位姿与车辆目标位姿的相对关系。
步骤403，采用所述泊车特征信息和所述节点分布信息，确定采样区域；
在获取泊车特征信息后，可以采用所述泊车特征信息和所述节点分布信息，确定采样区域。
通过上述方式采样区域综合考虑泊车特征信息及节点分布信息，可以适用于不同类型的泊车环境，具有普适性。
例如，可以适用于垂直车位后向泊入，垂直车位前向泊车，平行车位，斜列车位。
在一示例中，可以对采样区域进行离线训练，得到一个优先采样区域。
具体的，可以设置一个预设范围的采样区域(预设范围的面积大于日常采样区域面积，其差值可以设置为预设值)；在预先构建的泊车场景库中，运行RRT star算法，得到规划结果；记录规划结果的有效采样点，泊车特征信息；将泊车特征信息作为输入，有效采样点作为输出，训练包含二者映射关系的分类树。
在实际泊车过程中，可以根据泊车特征信息和节点分布信息，通过分类树优先选择采样区域，从而可以避免大量无效的搜索节点，提高搜索效率，减少规划时间，并且，随着泊车数据集规模的增加，可以让泊车的路径规划更合理更智能；
例如：可以根据不同的车位类型选择不同采样的区域：如图1a中的阴影部分表示垂直车位的采样区域，如图1b中的阴影部分为平行车位的采样区域。
步骤404，在所述采样区域中，确定中间节点；
在确定采样区域后，在设定的采样区域中，采样得到的是泊车的位姿(x,y,θ)，在采样区内随机采样某一节点，并将该节点确定为中间节点。
步骤405，基于所述中间节点进行近邻节点搜索，得到多个候选节点；
在确定中间节点后，可以在预设范围内进行邻近节点搜索，得到多个候选节点。
例如，在图3a中，对中间节点K在半径为R的圆的范围内进行搜索后，可以得到的候选节点为G、F、E。
步骤406，从所述多个候选节点中，确定与所述中间节点之间不存在障碍物的节点为近邻节点；
在搜索得到候选节点后，由于存在障碍物，并不是每个候选节点均可以与中间节点成功连接，因此，可以对候选节点进行筛选，去掉不可连接的候选节点，最终可以将中间节点和邻近节点之间不存在障碍物的节点确定为近邻节点。
例如，如图3a中，中间节点K的候选节点为G、F、E，其中，节点E与节点K之间由于存在障碍物，无法成功连接，因此，不能成为中间节点K的近邻节点，最终确定的近邻节点为G、F。
步骤407，分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；
步骤408，根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。
在本发明实施例中，可以在自动泊车的过程中，确定针对待泊车区域的节点分布信息，获取泊车特征信息；采用所述泊车特征信息和所述节点分布信息，确定采样区域，在所述采样区域中，确定中间节点，基于所述中间节点进行近邻节点搜索，得到多个候选节点，从所述多个候选节点中，确定与所述中间节点之间不存在障碍物的节点为近邻节点，分别确定多个近邻节点对应的候选路径的代价信息，可以根据代价信息，确定目标近邻节点，并按照目标近邻节点，进行自动泊车，通过泊车特征信息确定采样区；可以避开大量无效的搜索节点，提高搜索效率，减少规划时间，针对不同泊车特征，在不同的采样区域进行采样，可以适用于各种泊车场景，提高了普适性，通过对候选路径的代价信心确定目标近邻节点，可以规划出路径代价小的泊车路径。
以下结合图5对本发明实施例进行示例性说明：
1、将起始位姿作为Tree的根节点，设置最大迭代次数N，迭代次数为0；
具体的，RRTstar算法中，以起始位姿作为起始节点，开始规划泊车路径，设置最大跌代次数。
2、判断迭代次数是否达到最大迭代次数。如果没有达到最大迭代次数，进行步骤3，如果达到迭代次数进行步骤，进行步骤11；
3、迭代次数＝迭代次数+1，根据车位类型设定采样区域，随机采样新节点md_node(即中间节点)；
具体地，在获取泊车特征信息后，泊车特征信息可以包括车位类型，进而可以根据车位类型设定采样区域，并在采样区域内随机采样中间节点
4、搜索md_node的最近邻节点nearst_node(即最近的近邻节点)；
5、使用基础连接曲线尝试连接md_node与nearst_node；
具体地，中间节点与最近的近邻节点之间可能存在障碍物，因此，可以在确定最近的邻近节点后，常试通过预设的函数连接中间节点与最近的近邻节点。
6、判断是否连接成功且无碰撞，如果连接成功且无碰撞，进行步骤7；否则，返回步骤2；
当中间节点与最近的近邻节点之间不存在障碍物时，连接成功，进行步骤7；当中间节点与最近的近邻节点之间存在障碍物时，无法连接，重新随机采样中心节点。
7、将md_node加入Tree中，以设定的半径R为圆，搜索md_node的最近一组节点near_nodes(即近邻节点)；
8、在near_nodes中，为md_node重新选择父节点(即目标近邻节点)；
9、为near_nodes重新布线；
10、尝试连接md_node与目标位姿(即目标节点)，如果规划成功且无碰撞，将path加入到解的集合中，返回步骤2；
具体地，在确定目标近邻节点后，可以进一步确定中间节点与目标节点之间是否存在障碍物，当中间节点与目标节点不存在障碍物时，可以对中间节点与目标节点进行重新布线，并可以根据目标邻近节点对应的目标路径以及中间节点与目标节点的重新布线确定泊车路径，进而按照泊车路径进行自动泊车。
11、判断解集合是否为空，如果解集合为空，则规划失败，如果解集合不为空，返回代价最小的路径。
具体地，解集合中为进行多次迭代后的所规划的路径集合。
需要说明的是，对于方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明实施例并不受所描述的动作顺序的限制，因为依据本发明实施例，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本发明实施例所必须的。
参照图6，示出了本发明一实施例提供的一种车辆的结构示意图，具体可以包括如下模块：
节点分布确定模块601，用于在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
中间节点确定模块602，用于根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
代价信息确定模块603，用于分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选泊车路径为从起始节点经所述近邻节点至所述中间节点的路径；
目标近邻节点确定模块604，用于根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车。
在本发明一实施例中，中间节点确定模块602包括：
特征信息获取子模块，用于获取泊车特征信息；
采样区域确定子模块，用于采用所述泊车特征信息和所述节点分布信息，确定采样区域；
中间节点确定子模块，用于在所述采样区域中，确定中间节点。
在本发明一实施例中，中间节点确定模块602还包括：
候选节点确定子模块，用于基于所述中间节点进行近邻节点搜索，得到多个候选节点；
近邻节点确定子模块，用于从所述多个候选节点中，确定与所述中间节点之间不存在障碍物的节点为近邻节点。
在本发明一实施例中，代价信息确定模块603包括：
路径属性信息确定子模块，用于针对每个近邻节点对应的候选路径，确定包括但不限于路径长度、障碍物距离、车辆换向次数的路径属性信息；
代价信息确定子模块，用于采用所述路径属性信息，确定代价信息。
在本发明一实施例中，目标邻节点确定模块604包括：
泊车路径生成子模块，用于采用所述目标近邻节点和所述中间节点，进行重新布线，得到泊车路径；其中，所述泊车路径包括所述目标近邻节点对应的目标路径；
泊车处理子模块，用于按照所述泊车路径，进行自动泊车。
在本发明一实施例中，所述车辆还包括：
函数连接模块，用于针对所述泊车路径中的任一两个节点，采用预置的连接函数进行连接；其中，所述连接函数对应有多种连接方式。
在本发明一实施例中，泊车特征信息可以包括以下任一项或多项：
车位类型、车位宽度、车辆起始位姿与车辆目标位姿的相对关系。
在本发明实施例中，通过在自动泊车的过程中，确定针对待泊车区域的节点分布信息，根据节点分布信息，确定中间节点，并基于中间节点进行近邻节点搜索，得到多个近邻节点，分别确定多个近邻节点对应的候选路径的代价信息，根据代价信息，确定目标近邻节点，并按照目标近邻节点，进行自动泊车，实现了对自动泊车路径的优化，能够适用于复杂的泊车场景，且具有普适性，即通过近邻节点搜索，可以提高搜索效率，又采用了从起始节点经近邻节点至中间节点的路径的代价信息来选择目标近邻节点的方式，与直接将与中间节点最近的邻节点作为父节点的方式相比，充分考虑的整体路径的代价，进而可以选择代价最小的泊车路径进行泊车。
本发明一实施例还提供了一种车辆，可以包括处理器、存储器及存储在存储器上并能够在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上自动泊车的方法。
本发明一实施例还提供了一种计算机可读存储介质，计算机可读存储介质上存储计算机程序，计算机程序被处理器执行时实现如上自动泊车的方法。
对于装置实施例而言，由于其与方法实施例基本相似，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。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白，本发明实施例可提供为方法、装置、或计算机程序产品。因此，本发明实施例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，本发明实施例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。
本发明实施例是参照根据本发明实施例的方法、终端设备(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终端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终端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终端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终端设备上，使得在计算机或其他可编程终端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终端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。
尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。
以上对所提供的一种自动泊车的方法和车辆，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (9)
1.一种自动泊车的方法，其特征在于，所述方法包括：
在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选路径为从起始节点经所述近邻节点至所述中间节点的路径；
根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车；
其中，所述分别确定所述多个近邻节点对应的候选路径的代价信息，包括：
针对每个近邻节点对应的候选路径，确定包括但不限于路径长度、障碍物距离、车辆换向次数的路径属性信息；
采用所述路径属性信息，确定代价信息。
2.根据权利要求1所述的方法，其特征在于，所述按照所述目标近邻节点，进行自动泊车，包括：
采用所述目标近邻节点和所述中间节点，进行重新布线，得到泊车路径；其中，所述泊车路径包括所述目标近邻节点对应的目标路径；
按照所述泊车路径，进行自动泊车。
3.根据权利要求1或2所述的方法，其特征在于，所述根据所述节点分布信息，确定中间节点，包括：
获取泊车特征信息；
采用所述泊车特征信息和所述节点分布信息，确定采样区域；
在所述采样区域中，确定中间节点。
4.根据权利要求1所述的方法，其特征在于，所述基于所述中间节点进行近邻节点搜索，得到多个近邻节点，包括：
基于所述中间节点进行近邻节点搜索，得到多个候选节点；
从所述多个候选节点中，确定与所述中间节点之间不存在障碍物的节点为近邻节点。
5.根据权利要求2所述的方法，其特征在于，还包括：
针对所述泊车路径中的任一两个节点，采用预置的连接函数进行连接；其中，所述连接函数对应有多种连接方式。
6.根据权利要求3所述的方法，其特征在于，所述泊车特征信息包括以下任一项或多项：
车位类型、车位宽度、车辆起始位姿与车辆目标位姿的相对关系。
7.一种车辆，其特征在于，所述车辆包括：
节点分布确定模块，用于在自动泊车的过程中，确定针对待泊车区域的节点分布信息；其中，所述节点分布信息包括多个车辆可途经的节点；
中间节点确定模块，用于根据所述节点分布信息，确定中间节点，并基于所述中间节点进行近邻节点搜索，得到多个近邻节点；
代价信息确定模块，用于分别确定所述多个近邻节点对应的候选路径的代价信息；其中，所述候选路径为从起始节点经所述近邻节点至所述中间节点的路径；
目标近邻节点确定模块，用于根据所述代价信息，确定目标近邻节点，并按照所述目标近邻节点，进行自动泊车；
其中，代价信息确定模块包括：
路径属性信息确定子模块，用于针对每个近邻节点对应的候选路径，确定包括但不限于路径长度、障碍物距离、车辆换向次数的路径属性信息；代价信息确定子模块，用于采用所述路径属性信息，确定代价信息。
8.一种车辆，其特征在于，包括处理器、存储器及存储在所述存储器上并能够在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至6中任一项所述的自动泊车的方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的自动泊车的方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010664638.0A CN111824131B (zh) | 2020-07-10 | 2020-07-10 | 一种自动泊车的方法和车辆 |
| EP20930646.3A EP3971047B1 (en) | 2020-07-10 | 2020-10-16 | Automatic parking method and vehicle |
| PCT/CN2020/121566 WO2022007227A1 (zh) | 2020-07-10 | 2020-10-16 | 一种自动泊车的方法和车辆 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010664638.0A CN111824131B (zh) | 2020-07-10 | 2020-07-10 | 一种自动泊车的方法和车辆 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111824131A CN111824131A (zh) | 2020-10-27 |
| CN111824131B true CN111824131B (zh) | 2021-10-12 |
Family
ID=72901333
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010664638.0A Active CN111824131B (zh) | 2020-07-10 | 2020-07-10 | 一种自动泊车的方法和车辆 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3971047B1 (zh) |
| CN (1) | CN111824131B (zh) |
| WO (1) | WO2022007227A1 (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112550280B (zh) * | 2020-12-21 | 2022-05-13 | 广州小鹏自动驾驶科技有限公司 | 一种车辆泊出的方法和装置 |
| CN115410409A (zh) * | 2022-09-30 | 2022-11-29 | 浙江吉利控股集团有限公司 | 一种选择停车位的方法、系统及电子设备 |
| US12509062B2 (en) * | 2023-03-22 | 2025-12-30 | Aptiv Technologies AG | Parking path search using a modified parking path algorithm |
| DE102023116453A1 (de) | 2023-06-22 | 2024-12-24 | Cariad Se | Kraftfahrzeug und Verfahren zur Bewegungsplanung eines autonomen Kraftfahrzeugs für einen Einparkvorgang |
| DE102023116454A1 (de) | 2023-06-22 | 2024-12-24 | Cariad Se | Kraftfahrzeug und Verfahren zur Bewegungsplanung eines autonomen Kraftfahrzeugs für einen Einparkvorgang |
| CN118269943B (zh) * | 2023-11-07 | 2025-10-17 | 比亚迪股份有限公司 | 一种规划泊车轨迹的方法及相关装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
| CN110139794A (zh) * | 2017-01-10 | 2019-08-16 | 三菱电机株式会社 | 用于停放车辆的系统、方法及非暂时计算机可读存储介质 |
| CN110770809A (zh) * | 2017-06-20 | 2020-02-07 | 三菱电机株式会社 | 路径预测装置以及路径预测方法 |
| CN111098852A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于强化学习的泊车路径规划方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101711026B1 (ko) * | 2013-07-17 | 2017-03-14 | 한국전자통신연구원 | 자동 주차 제어 장치 및 방법 |
| EP3201709B1 (en) * | 2014-09-30 | 2021-03-17 | NEC Corporation | Method and system for determining a path of an object for moving from a starting state to an end state set avoiding one or more obstacles |
| US10012984B2 (en) * | 2015-12-14 | 2018-07-03 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling autonomous vehicles |
| US11117569B2 (en) * | 2018-06-27 | 2021-09-14 | Baidu Usa Llc | Planning parking trajectory generation for self-driving vehicles using optimization method |
| US10809732B2 (en) * | 2018-09-25 | 2020-10-20 | Mitsubishi Electric Research Laboratories, Inc. | Deterministic path planning for controlling vehicle movement |
| CN109733384B (zh) * | 2018-12-25 | 2021-04-30 | 科大讯飞股份有限公司 | 泊车路径设置方法及系统 |
| CN110703768B (zh) * | 2019-11-08 | 2021-07-13 | 福州大学 | 一种改进型动态rrt*的移动机器人运动规划方法 |
| CN111307152B (zh) * | 2020-02-18 | 2022-02-11 | 中国科学院合肥物质科学研究院 | 一种自主泊车路径反向生成规划方法 |
-
2020
- 2020-07-10 CN CN202010664638.0A patent/CN111824131B/zh active Active
- 2020-10-16 WO PCT/CN2020/121566 patent/WO2022007227A1/zh not_active Ceased
- 2020-10-16 EP EP20930646.3A patent/EP3971047B1/en active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110139794A (zh) * | 2017-01-10 | 2019-08-16 | 三菱电机株式会社 | 用于停放车辆的系统、方法及非暂时计算机可读存储介质 |
| CN110770809A (zh) * | 2017-06-20 | 2020-02-07 | 三菱电机株式会社 | 路径预测装置以及路径预测方法 |
| CN109131318A (zh) * | 2018-10-19 | 2019-01-04 | 清华大学 | 一种基于拓扑地图的自主泊车路径协调方法 |
| CN111098852A (zh) * | 2019-12-02 | 2020-05-05 | 北京交通大学 | 一种基于强化学习的泊车路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于引导域的参数化RRT无人驾驶车辆运动规划算法研究;冯来春;《中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑》;20180115;第C035-202页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3971047A4 (en) | 2022-06-22 |
| EP3971047A1 (en) | 2022-03-23 |
| EP3971047B1 (en) | 2023-10-04 |
| CN111824131A (zh) | 2020-10-27 |
| WO2022007227A1 (zh) | 2022-01-13 |
| EP3971047C0 (en) | 2023-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111824131B (zh) | 一种自动泊车的方法和车辆 | |
| CN109115226B (zh) | 基于跳点搜索的多机器人冲突避免的路径规划方法 | |
| KR102309711B1 (ko) | 유용한 학습 데이터를 취사 선별하기 위한 cnn 기반 학습 방법 및 학습 장치 그리고 이를 이용한 테스트 방법 및 테스트 장치 | |
| CN109579854B (zh) | 基于快速扩展随机树的无人车避障方法 | |
| Tang et al. | Topological local-metric framework for mobile robots navigation: a long term perspective | |
| CN111678523A (zh) | 一种基于star算法优化的快速bi_rrt避障轨迹规划方法 | |
| CN113741453B (zh) | 一种非结构化环境的路径规划方法、装置、设备和介质 | |
| CN112526988A (zh) | 一种自主移动机器人及其路径导航和路径规划方法、系统 | |
| CN113867336B (zh) | 一种适用于复杂场景下移动机器人路径导航及规划方法 | |
| WO2014033444A1 (en) | Route planning | |
| KR102027960B1 (ko) | 확장된 bsa 커버리지 경로계획 장치, 방법 및 기록 매체 | |
| CN116382306B (zh) | 全覆盖作业农机的轨迹跟踪控制方法、装置、设备及介质 | |
| CN109341698B (zh) | 一种移动机器人的路径选择方法及装置 | |
| CN116358585B (zh) | 应用于停车场的路径规划导航方法、装置及服务器 | |
| CN115092141A (zh) | 应用于自动驾驶车辆变道超车的轨迹规划方法及设备 | |
| CN119245674A (zh) | 基于碰撞约束和路径点优化的快速路径规划方法 | |
| CN113449910B (zh) | 一种基于顺序存储二叉树的航线自动生成方法 | |
| CN115933749A (zh) | 一种面向设备目标驱动的变电站巡检航线生成方法 | |
| CN119860776A (zh) | 一种基于栅格地图的快速沿边搜索方法 | |
| Ahn et al. | Biased target-tree* algorithm with rrt* for reducing parking path planning time | |
| CN117734676B (zh) | 一种自动泊车方法、装置、设备及存储介质 | |
| CN116661436B (zh) | 基于控制线的自动驾驶非结构化环境路径规划方法及系统 | |
| CN118700132B (zh) | 机器人路径规划方法、电子设备及存储介质 | |
| CN119527280B (zh) | 一种自动泊车逆向路径规划方法、装置、设备及介质 | |
| CN115328161B (zh) | 一种基于k视界蚁群算法的焊接机器人路径规划方法 |
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 | ||
| CB02 | Change of applicant information |
Address after: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province 510000 Applicant after: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province 510000 Applicant before: Guangzhou Xiaopeng Internet of vehicles Technology Co.,Ltd. |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| EE01 | Entry into force of recordation of patent licensing contract |
Application publication date: 20201027 Assignee: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. Assignor: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Contract record no.: X2021440000219 Denomination of invention: An automatic parking method and vehicle Granted publication date: 20211012 License type: Common License Record date: 20211220 |
|
| EE01 | Entry into force of recordation of patent licensing contract | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240226 Address after: 510000 No.8 Songgang street, Cencun, Tianhe District, Guangzhou City, Guangdong Province Patentee after: GUANGZHOU XIAOPENG MOTORS TECHNOLOGY Co.,Ltd. Country or region after: China Address before: Room 46, room 406, No.1, Yichuang street, Zhongxin knowledge city, Huangpu District, Guangzhou City, Guangdong Province 510000 Patentee before: Guangzhou Xiaopeng Automatic Driving Technology Co.,Ltd. Country or region before: China |
|
| TR01 | Transfer of patent right |