基于A-star算法的自动驾驶路径规划方法、系统、设备及介质

基于a-star算法的自动驾驶路径规划方法、系统、设备及介质
技术领域
1.本发明涉及自动驾驶技术领域，具体为一种基于a-star算法的自动驾驶路径规划方法、系统、设备及介质。


背景技术：

2.自动驾驶技术是一个越来越热门的产业，因此如何在这么大的竞争环境中脱颖而出成为关键。无人驾驶技术涉及的方面特别广泛，需要研究的问题也很多。目前我们所熟知的研究公司也有很多，例如谷歌无人车采用激光测距、车道保持、立体视觉、gps/惯性导航系统等技术。百度无人车采用语音识别、图像识别、云端深度学习技术。2016年日本的无人驾驶出租车在神奈川县藤泽市内的居民区和超市之间实验行驶，表现良好，总路程为2.4公里。尽管不少企业已经取得了很多成果，但是无人驾驶技术还不能够广泛应用，因为就目前而言，耗费成本太高，根本不足以支撑大范围使用。因此，本发明提出一种基于a-star算法的自动驾驶路径规划方法，通过仿真软件去验证a-star算法的路径规划的安全性，在得到好的结果之后，将算法放入实车进行验证，得到最终结果。


技术实现要素：

3.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
4.鉴于上述存在的问题，提出了本发明。
5.因此，本发明解决的技术问题是：自动驾驶技术还不能够广泛应用，耗费成本太高。
6.为解决上述技术问题，本发明提供如下技术方案：基于matlab/prescan系统搭建车辆、环境、传感器以及路；构建和定义车辆及车路系统；基于车辆和车路系统进行动画连接设置以及建立控制系统；基于仿真系统进行编程，构建搜索拓展可行动作空间的程序的a-star算法，使用a-star算法进行路径规划。
7.作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述基于matlab/prescan系统搭建车辆、环境、传感器以及路包括，在prescan中建立车辆模型、车辆传感器模型、城市路网、道路障碍模型、行人模型和城市天气。
8.作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述构建和定义车辆及车路系统包括，使用carsim为仿真提供更精细的车辆动力学模型，并在presan中确立实时车路系统，所述车辆动力学模型包括，车辆外观模型和车辆的动力配置，所述实时车路系统包括，道路的宽度，道路上的车流量和路面通过性。
9.作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述基于车辆和车路系统进行动画连接设置以及建立控制系统包括，将车辆决策控制系统架构部署在matlab/simulink中，通过simulink访问、可视化和标注数据，进一步调整在
prescan中生成的车辆、道路以及行人模型，构建完整的自动驾驶系统，并将系统仿真效果实时同步可视化到prescan的3d visviewer进行检验。
10.作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述构建搜索拓展可行动作空间的程序的a-star算法包括，输入自动驾驶的起点与终点，基于a-star算法寻找自动驾驶中车辆行驶的路径，判断车辆能否在寻找的路径上通行，采用stanley轨迹跟踪算法计算控制信号输出给车辆，车辆进行自动驾驶操作并完成车辆自动驾驶行程。
11.作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述基于仿真系统进行编程，使用a-star算法进行路径规划包括，在simulink集成测试模块中使用a-star算法完成自动驾驶系统中的路径规划，构建完整的仿真闭环并进行实验；a-star算法的公式如下所示：
12.f(n)＝g(n)+h(n)
13.其中，f(n)是从起始点到目标点的估价函数，是初始位置开始必须经过当前位置n到目标位置的代价估计；g(n)是起始点到当前已经到达了点的代价函数，是初始位置到当前位置n的实际代价；h(n)是从当前已经到达了的点到目标点的估价函数，是当前位置n到目标位置的最优路径的估计代价；
14.其中，二维平面地图中存在两点，为路径规划中的起点和终点，将起点和终点的位置坐标设为(ax,ay)和(bx,by)，ab之间的估价函数欧氏距离h(n)的表达式为：
[0015][0016]
作为本发明所述基于a-star算法的自动驾驶路径规划方法的优选方案，其中：所述使用a-star算法进行路径规划还包括，将基于a-star算法的路径规划方法放入实车进行测试，验证实车路径规划的效果，在实车上，可以验证基于a-star算法路径规划的安全性。
[0017]
本发明的另一个目的是提供一种基于a-star算法的自动驾驶路径规划方法的系统，其能通过构建基于a-star算法的自动驾驶路径规划方法的系统，完成基于a-star算法的自动驾驶路径规划，解决现有自动驾驶技术应用不够广泛且耗费成本过高的问题。
[0018]
一种基于a-star算法的自动驾驶路径规划方法的系统，其特征在于：所述系统包括，信息搭建模块，连接和控制模块，a-star算法模块，路径规划模块；
[0019]
所述信息搭建模块，用于搭建基于matlab/prescan系统的车辆、环境、传感器以及路的数据信息；
[0020]
所述连接和控制模块，用于对车辆和车路系统进行动画连接设置以及进行控制；
[0021]
所述a-star算法模块，存储a-star算法逻辑，为路径规划模块提供算法逻辑支撑；
[0022]
所述路径规划模块，基于a-star算法模块，规划和生成自动驾驶车辆所需的实际路径信息。
[0023]
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现基于a-star算法的自动驾驶路径规划方法的步骤。
[0024]
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现基于a-star算法的自动驾驶路径规划方法的步骤。
[0025]
本发明的有益效果：本发明提供一种基于a-star算法的自动驾驶路径规划方法，通过信息搭建模块、连接和控制模块、a-star算法模块和路径规划模块，搭建和处理车辆以及路况信息，可以实现不同车辆在不同路况下的自动驾驶路径规划，相较于传统的自动驾驶路径规划，本发明的自动驾驶路径规划效率高。规划速率更快，对复杂路况的处理更好。
附图说明
[0026]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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它的附图。其中：
[0027]
图1为本发明提供的基于a-star算法的自动驾驶路径规划方法的流程图。
[0028]
图2为本发明提供的基于a-star算法的自动驾驶路径规划方法的搜索拓展可行动作空间的算法流程图。
[0029]
图3为本发明提供的基于a-star算法的自动驾驶路径规划方法的系统的结构图。
[0030]
图4为本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的仿真路线规划图。
[0031]
图5为本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的智能搜索路径规划拓展图。
[0032]
图6为本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的车辆实际轨迹与目标轨迹的实时对照图。
[0033]
图7是本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的速度对控制效果的影响图。
[0034]
图8是本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的预瞄距离对控制效果的影响图。
[0035]
图9是本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的速度对控制效果的影响图。
[0036]
图10是本发明第三个实施例提供的基于a-star算法的自动驾驶路径规划方法的增益系数对控制效果的影响图。
具体实施方式
[0037]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。
[0038]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0039]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指
同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0040]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0041]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0042]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0043]
实施例1
[0044]
参照图1，为本发明的第一个实施例，提供了一种基于a-star算法的自动驾驶路径规划方法。
[0045]
s1：基于matlab/prescan系统搭建车辆、环境、传感器以及路；
[0046]
具体的，所述基于matlab/prescan系统搭建车辆、环境、传感器以及路包括，在prescan中建立车辆模型、车辆传感器模型、城市路网、道路障碍模型、行人模型和城市天气。
[0047]
s2：构建和定义车辆及车路系统；
[0048]
具体的，所述构建和定义车辆及车路系统包括，使用carsim为仿真提供更精细的车辆动力学模型，并在presan中确立实时车路系统；所述车辆动力学模型包括，车辆外观模型和车辆的动力配置，所述实时车路系统包括，道路的宽度，道路上的车流量和路面通过性。
[0049]
s3：基于车辆和车路系统进行动画连接设置以及建立控制系统；
[0050]
具体的，所述基于车辆和车路系统进行动画连接设置以及建立控制系统包括，将车辆决策控制系统架构部署在matlab/simulink中，通过simulink访问、可视化和标注数据，进一步调整在prescan中生成的车辆、道路以及行人模型，构建完整的自动驾驶系统，并将系统仿真效果实时同步可视化到prescan的3d visviewer进行检验。
[0051]
s4：基于仿真系统进行编程，构建搜索拓展可行动作空间的程序的a-star算法，使用a-star算法进行路径规划；
[0052]
具体的，所述构建搜索拓展可行动作空间的程序的a-star算法包括，输入自动驾驶的起点与终点，基于a-star算法寻找自动驾驶中车辆行驶的路径，判断车辆能否在寻找的路径上通行，采用stanley轨迹跟踪算法计算控制信号输出给车辆，车辆进行自动驾驶操作并完成车辆自动驾驶行程。
[0053]
进一步的，所述基于仿真系统进行编程，使用a-star算法进行路径规划包括，在simulink集成测试模块中使用a-star算法完成自动驾驶系统中的路径规划模块，构建完整的仿真闭环并进行实验；a-star算法的公式如下所示：
[0054]
f(n)＝g(n)+h(n)
[0055]
其中，f(n)是从起始点到目标点的估价函数，是初始位置开始必须经过当前位置n到目标位置的代价估计；g(n)是起始点到当前已经到达了点的代价函数，是初始位置到当前位置n的实际代价；h(n)是从当前已经到达了的点到目标点的估价函数，是当前位置n到目标位置的最优路径的估计代价；
[0056]
其中已知二维平面地图中存在两点，也就是路径规划中的起点和终点，将其位置坐标设为(ax,ay)和(bx,by)，那么ab之间的估价函数欧氏距离h(n)的表达式为：
[0057][0058]
实施例2
[0059]
参照图2，为本发明的第二个实施例，为本发明所提供的一种基于a-star算法的自动驾驶路径规划方法的系统。
[0060]
具体的，一种基于a-star算法的自动驾驶路径规划方法的系统，所述系统包括，信息搭建模块(101)，连接和控制模块(102)，a-star算法模块(103)，路径规划模块(104)。
[0061]
所述信息搭建模块(101)，用于搭建基于matlab/prescan系统的车辆、环境、传感器以及路的数据信息。
[0062]
所述连接和控制模块(102)，用于对车辆和车路系统进行动画连接设置以及进行控制。
[0063]
所述a-star算法模块(103)，存储a-star算法逻辑，为路径规划模块提供算法逻辑支撑。
[0064]
所述路径规划模块(104)，基于a-star算法模块，规划和生成自动驾驶车辆所需的实际路径信息。
[0065]
实施例3
[0066]
参照图3～10，为本发明提供的一种基于a-star算法的自动驾驶路径规划方法的算法流程以及路径仿真实验。
[0067]
图3是本发明提供的一种基于a-star算法的自动驾驶路径规划方法的a-star算法搜索拓展可行动作空间的算法流程，基于所述算法流程，为车辆自动驾驶的路径规划提供逻辑支撑。
[0068]
图4是本发明提供的一种基于a-star算法的自动驾驶路径规划方法的车辆自动驾驶的路径规划仿真实验，基于构建的车辆信息与路况，生成4种自动驾驶路径规划方案。
[0069]
图5是本发明提供的一种基于a-star算法的自动驾驶路径规划方法的路径规划根据启发信息向目标点拓展的过程，其中白色方块为可行空间，黑色方块为障碍物，灰色区域展示了智能搜索过的空间，搜索的先后顺序体现为灰度差异。
[0070]
图6是本发明提供的一种基于a-star算法的自动驾驶路径规划方法的车辆实际轨迹与目标轨迹的实时对照图，在整个行驶过程中小车速度稳定，实际轨迹与理想轨迹误差在合理范围内，行驶时没有产生过多震荡，稳定性良好。
[0071]
参照图7，预设预瞄距离为0.1，实验观察速度对纯跟踪算法的影响，速度为20km/h、40km/h、60km/h时，控制效果分别如图7所示；
[0072]
通过模拟纯跟踪效果可以得出，随着车速增加该控制器的跟踪效果变差，在较高
的速度下车辆由于惯性作用在弯道处不能贴合目标轨迹。
[0073]
参照图8，预设车速为40km/h，调整预瞄距离，探究其对控制效果的影响，距离系数为0.02、0.1、0.5时，控制效果分别如图8所示；
[0074]
目标点距离增加控制效果会趋向于平缓，车辆行驶更加平稳，但这也意味着自动驾驶系统对车辆的控制能力较迟钝，车辆对于近距离目标轨迹的跟随能力随之减弱，在曲率较大的弯道甚至会严重偏离目标轨迹，预瞄距离过大，车辆不能完全掌握预设轨迹的走向，跟随效果不理想。
[0075]
参照图9，预设增益系数为10，调整速度探究其对控制效果的影响，速度为10km/h、30km/h、60km/h时，stanley算法控制效果分别如图9所示；
[0076]
当车速从10km/h增加到60km/h，stanley算法的控制效果始终保持稳定由于其被速度影响的幅度远小于纯追踪方法，在处于高速环境下时，stanley轨迹追踪算法比纯跟踪算法的可用性更强，控制表现更可靠。
[0077]
参照图10，车速预设为60km/h，调整增益系数探究其对控制效果的影响。设置增益系数为10、5、2时，stanley算法控制效果分别如图10所示；
[0078]
在选择恰当的增益系数时，在很大的速度范围内stanley算法都有比较优秀的表现，几乎可以达到没有误差的追踪效果。当增益系数脱离最佳范围控制效果就大打折扣。因此增益系数的选用对stanley算法的控制效果有决定性地影响，并且当目标轨迹的曲率增大或者减小、弯道变得更密集或者更分散时，对应的最优增益系数都不尽相同。
[0079]
此外，为了提供示例性实施方案的简练描述，可以不描述实际实施方案的所有特征(即，与当前考虑的执行本发明的最佳模式不相关的那些特征，或于实现本发明不相关的那些特征)。
[0080]
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0081]
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
[0082]
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(ram)、只读存储器(rom)、可擦除可编辑只读存储器(eprom或闪速存储器)、光纤装置以及便携式光盘只读存储器(cdrom)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的
介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0083]
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(pga)，现场可编程门阵列(fpga)等。
[0084]
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
[0085]
应理解的是，在任何实际实施方式的开发过程中，如在任何工程或设计项目中，可做出大量的具体实施方式决定。这样的开发努力可能是复杂的且耗时的，但对于那些得益于此公开内容的普通技术人员来说，不需要过多实验，所述开发努力将是一个设计、制造和生产的常规工作。
[0086]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

技术特征：
1.基于a-star算法的自动驾驶路径规划方法，其特征在于：包括，基于matlab/prescan系统搭建车辆、环境、传感器以及路；构建和定义车辆及车路系统；基于车辆和车路系统进行动画连接设置以及建立控制系统；基于仿真系统进行编程，构建搜索拓展可行动作空间的程序的a-star算法，使用a-star算法进行路径规划。2.如权利要求1所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述基于matlab/prescan系统搭建车辆、环境、传感器以及路包括，在prescan中建立车辆模型、车辆传感器模型、城市路网、道路障碍模型、行人模型和城市天气。3.如权利要求1或2所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述构建和定义车辆及车路系统包括，使用carsim为仿真提供更精细的车辆动力学模型，并在presan中确立实时车路系统，所述车辆动力学模型包括，车辆外观模型和车辆的动力配置，所述实时车路系统包括，道路的宽度、道路上的车流量和路面通过性。4.如权利要求3所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述基于车辆和车路系统进行动画连接设置以及建立控制系统包括，将车辆决策控制系统架构部署在matlab/simulink中，通过simulink访问、可视化和标注数据，进一步调整在prescan中生成的车辆、道路以及行人模型，构建完整的自动驾驶系统，并将系统仿真效果实时同步可视化到prescan的3d visviewer进行检验。5.如权利要求4所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述构建搜索拓展可行动作空间的程序的a-star算法包括，输入自动驾驶的起点与终点，基于a-star算法寻找自动驾驶中车辆行驶的路径，判断车辆能否在寻找的路径上通行，采用stanley轨迹跟踪算法计算控制信号输出给车辆，车辆进行自动驾驶操作并完成车辆自动驾驶行程。6.如权利要求5所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述基于仿真系统进行编程，使用a-star算法进行路径规划包括，在simulink集成测试模块中使用a-star算法完成自动驾驶系统中的路径规划，构建完整的仿真闭环并进行实验；a-star算法的公式如下所示：f(n)＝g(n)+h(n)其中，f(n)是从起始点到目标点的估价函数，是初始位置开始必须经过当前位置n到目标位置的代价估计；g(n)是起始点到当前已经到达了点的代价函数，是初始位置到当前位置n的实际代价；h(n)是从当前已经到达了的点到目标点的估价函数，是当前位置n到目标位置的最优路径的估计代价；其中，二维平面地图中存在两点，为路径规划中的起点和终点，将起点和终点的位置坐标设为(ax,ay)和(bx,by)，ab之间的估价函数欧氏距离h(n)的表达式为：7.如权利要求6所述的基于a-star算法的自动驾驶路径规划方法，其特征在于：所述使用a-star算法进行路径规划还包括，将基于a-star算法的路径规划方法放入实车进行测试，验证实车路径规划的效果，在实车上，可以验证基于a-star算法路径规划的安全性。
8.如权利要求1～7任一所述的基于a-star算法的自动驾驶路径规划方法的系统，其特征在于：所述系统包括，信息搭建模块，连接和控制模块，a-star算法模块，路径规划模块；所述信息搭建模块，用于搭建基于matlab/prescan系统的车辆、环境、传感器以及路的数据信息；所述连接和控制模块，用于对车辆和车路系统进行动画连接设置以及进行控制；所述a-star算法模块，存储a-star算法逻辑，为路径规划模块提供算法逻辑支撑；所述路径规划模块，基于a-star算法模块，规划和生成自动驾驶车辆所需的实际路径信息。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1～7中任一所述的基于a-star算法的自动驾驶路径规划方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1～7中任一所述的基于a-star算法的自动驾驶路径规划方法的步骤。

技术总结
本发明提供了一种基于A-star算法的自动驾驶路径规划方法，通过仿真及编程实现自动驾驶的路径规划，该方法首先通过系统搭建车辆、环境以及道路，构建软件定义车辆及车路系统，其次进行动画连接设置以及建立控制系统，对试验车所采集的真实数据及人工系统的虚拟数据进行联合优化，保证路径规划的安全性，最后将路径规划导入实车进行验证，看路径规划的效果。自动驾驶汽车的路径规划研究未来将会为人们提供更加安全、舒适的出行环境，具有极高的市场价值。市场价值。市场价值。


技术研发人员：原鑫鑫 王艺霖 刘云翔 刘芳青 吕建华
受保护的技术使用者：上海应用技术大学
技术研发日：2023.05.30
技术公布日：2023/10/7