无人驾驶汽车的路径规划方法、装置、电子设备及介质与流程

1.本技术涉及无人驾驶技术领域，尤其是涉及一种无人驾驶汽车的路径规划方法、装置、电子设备及介质。


背景技术：

2.随着智能汽车的不断发展，其对周围环境的感知需求日益增加，在环境感知算法中，多目标跟踪算法是重要的组成部分之一，其为智能汽车的轨迹规划与决策提供了必要的环境信息，且激光雷达具有感知精度高、对光照和天气适应能力强等特点，受到学术界和工业界的广泛关注。
3.目前，跟踪算法主要是将前后帧目标检测结果进行匹配，进而实现对目标状态的连续感知；但是由于阴雨天气等环境影响，使激光雷达感知性能下降，降低了目标检测的稳定性，使得目标的跟踪过程受到影响，导致规划的无人驾驶汽车的避障路径不准确；因此，如何在保证实时性的同时提高目标跟踪过程的稳定性，进而提高无人驾驶汽车避障路径的准确性，成为了亟待解决的问题。


技术实现要素：

4.有鉴于此，本技术的目的在于提供一种无人驾驶汽车的路径规划方法、装置、电子设备及存储介质，能够通过预测信息获取融合后更加准确的障碍物，根据该障碍物的运动状态对其运动路径进行预测，从而规划无人驾驶汽车的避障路径，实现在复杂环境中对多目标进行稳定跟踪的过程，在保证实时性的同时提高目标跟踪过程的稳定性，可以根据稳定的目标跟踪过程进行准确地避障路径规划，提高了无人驾驶汽车避障路径规划的准确性。
5.本技术主要包括以下几个方面：
6.第一方面，本技术实施例提供了一种无人驾驶汽车的路径规划方法，所述无人驾驶汽车上设置有不同的障碍物扫描设备，所述路径规划方法包括：
7.根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；
8.根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；
9.根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；
10.基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
11.进一步的，通过以下步骤确定出目标障碍物：
12.若预测信息是由激光雷达产生，则等待获取所述障碍物在下一时刻的激光雷达障碍物信息和毫米波雷达障碍物信息；
13.若预测信息是由毫米波雷达产生，则等待获取所述障碍物在下一时刻的激光雷达障碍物信息；
14.根据获取到的障碍物信息，确定出目标障碍物。
15.进一步的，通过以下步骤确定目标障碍物的运动状态：
16.根据所述目标障碍物的特征与跟踪列表中的各个跟踪目标之间的相似度，在所述跟踪列表中将所述目标障碍物与各个跟踪目标进行匹配，从跟踪列表中获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态；其中，所述跟踪列表中存储的是前一时刻各个跟踪目标的运动状态；
17.根据前一时刻所述跟踪目标的运动状态，对该跟踪目标在当前时刻的运动状态进行预测，得到当前时刻运动状态的预测值；
18.对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态，根据当前时刻的运动状态预测下一时刻的运动状态，并将跟踪列表中该跟踪目标前一时刻的运动状态更新为当前时刻的运动状态。
19.进一步的，所述对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态的步骤，包括：
20.根据多个传感器获取跟踪目标在当前时刻下运动状态的观测值，根据所述观测值对所述预测值进行修正，将修正后的预测值确定为跟踪目标当前时刻的运动状态。
21.进一步的，通过以下步骤获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态：
22.确定目标障碍物构成的列表与跟踪列表之间的关联矩阵；
23.根据所述关联矩阵，获取对应的二分图；
24.将所述二分图根据预设拆分阈值拆分成多个子图；
25.针对于每一个子图，进行目标障碍物到跟踪目标的匹配；其中，所述目标障碍物最多只与一个跟踪目标完成匹配，所述跟踪目标也最多与一个目标障碍物完成匹配；
26.根据所述目标障碍物与跟踪目标之间的特征相似度，确定是否匹配成功；
27.若所述目标障碍物与跟踪目标之间的特征相似度大于预设阈值，确定匹配成功，则在匹配数最大的匹配关系中获得该目标障碍物对应的跟踪目标在前一时刻的运动状态。
28.进一步的，通过以下步骤确定匹配数最大的匹配关系：
29.若目标障碍物所匹配的跟踪目标已被其他目标障碍物匹配，则根据匹配路径反向查找，确定与所述跟踪目标匹配的其他目标障碍物是否具有下一个匹配的跟踪目标；
30.若具有，则将其他目标障碍物与下一个匹配的跟踪目标进行匹配，将所述目标障碍物与该跟踪目标进行匹配，并将匹配数加一，更新匹配关系；
31.若不具有，则查找该目标障碍物是否具有下一个匹配的跟踪目标，若具有，则将所述目标障碍物与所述下一个匹配的跟踪目标进行匹配，并将匹配数加一。
32.进一步的，所述确定是否匹配成功之后，所述路径规划方法还包括：
33.若所述目标障碍物与跟踪目标之间的特征相似度小于预设阈值，确定未匹配成功，则检测未匹配的目标障碍物是否是第一次出现，若是，则将该目标障碍物作为新的跟踪目标加入跟踪列表中，并在该目标障碍物的下一时刻进行运动状态的预测；
34.若否，检测所述跟踪目标是否在当前时刻消失，若跟踪目标在当前时刻消失，对该
跟踪目标进行运动状态的预测，不更新运动状态，并将只进行预测，不进行更新的次数加一；
35.统计只进行预测，不进行更新的次数是否达到预设次数，若达到，则不再对该跟踪目标进行跟踪，并将该跟踪目标从跟踪列表中删除。
36.进一步的，所述在将修正后的预测值确定为跟踪目标当前时刻的运动状态之后，所述路径规划方法还包括：
37.根据所述跟踪目标的点云数据信息，判断所述跟踪目标是否为激光雷达障碍物信息和毫米波雷达障碍物信息融合后的跟踪目标；
38.若不是融合后的，则从激光雷达扫描设备以及毫米波雷达扫描设备中获取所述跟踪目标的障碍物信息进行融合。
39.第二方面，本技术实施例还提供了一种无人驾驶汽车的路径规划装置，所述路径规划装置包括：
40.获取模块，用于根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；
41.融合模块，用于根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；
42.预测模块，用于根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；
43.路径规划模块，用于基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
44.第三方面，本技术实施例还提供一种电子设备，包括：处理器、存储器和总线，所述存储器存储有所述处理器可执行的机器可读指令，当电子设备运行时，所述处理器与所述存储器之间通过总线通信，所述机器可读指令被所述处理器执行时执行如上述的无人驾驶汽车的路径规划方法的步骤。
45.第四方面，本技术实施例还提供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有计算机程序，所述计算机程序被处理器运行时执行如上述的无人驾驶汽车的路径规划方法的步骤。
46.本技术实施例提供的一种无人驾驶汽车的路径规划方法、装置、电子设备及存储介质，所述路径规划方法包括：根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
47.这样，采用本技术提供的技术方案能够通过预测信息获取融合后更加准确的障碍物，根据该障碍物的运动状态对其运动路径进行预测，从而规划无人驾驶汽车的避障路径，实现在复杂环境中对多目标进行稳定跟踪的过程，在保证实时性的同时提高目标跟踪过程的稳定性，可以根据稳定的目标跟踪过程进行准确地避障路径规划，提高了无人驾驶汽车
避障路径规划的准确性。
48.为使本技术的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
49.为了更清楚地说明本技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本技术的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
50.图1示出了本技术实施例所提供的一种无人驾驶汽车的路径规划方法的流程图；
51.图2示出了本技术实施例所提供的另一种无人驾驶汽车的路径规划方法的流程图；
52.图3示出了本技术实施例所提供的目标跟踪算法的示意图；
53.图4示出了本技术实施例所提供的一种无人驾驶汽车的路径规划装置的结构示意图之一；
54.图5示出了本技术实施例所提供的一种无人驾驶汽车的路径规划装置的结构示意图之二；
55.图6示出了本技术实施例所提供的一种电子设备的结构示意图。
具体实施方式
56.为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，应当理解，本技术中的附图仅起到说明和描述的目的，并不用于限定本技术的保护范围。另外，应当理解，示意性的附图并未按实物比例绘制。本技术中使用的流程图示出了根据本技术的一些实施例实现的操作。应当理解，流程图的操作可以不按顺序实现，没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外，本领域技术人员在本技术内容的指引下，可以向流程图添加一个或多个其他操作，也可以从流程图中移除一个或多个操作。
57.另外，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的全部其他实施例，都属于本技术保护的范围。
58.为了使得本领域技术人员能够使用本技术内容，结合特定应用场景“无人驾驶汽车的路径规划”，给出以下实施方式，对于本领域技术人员来说，在不脱离本技术的精神和范围的情况下，可以将这里定义的一般原理应用于其他实施例和应用场景。
59.本技术实施例下述方法、装置、电子设备或计算机可读存储介质可以应用于任何需要进行路径规划的场景，本技术实施例并不对具体的应用场景作限制，任何使用本技术实施例提供的一种无人驾驶汽车的路径规划方法、装置、电子设备及存储介质的方案均在本技术保护范围内。
60.值得注意的是，随着智能汽车的不断发展，其对周围环境的感知需求日益增加，在环境感知算法中，多目标跟踪算法是重要的组成部分之一，其为智能汽车的轨迹规划与决策提供了必要的环境信息，且激光雷达具有感知精度高、对光照和天气适应能力强等特点，受到学术界和工业界的广泛关注。
61.目前，跟踪算法主要是将前后帧目标检测结果进行匹配，进而实现对目标状态的连续感知；但是由于阴雨天气等环境影响，导致激光雷达感知性能下降，影响目标检测的稳定性；因此，如何在保证实时性的同时提高目标跟踪过程的稳定性，成为了亟待解决的问题。
62.基于此，本技术提出了一种无人驾驶汽车的路径规划方法、装置、电子设备及存储介质，所述路径规划方法包括：根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
63.这样，采用本技术提供的技术方案能够通过预测信息获取融合后更加准确的障碍物，根据该障碍物的运动状态对其运动路径进行预测，从而规划无人驾驶汽车的避障路径，实现在复杂环境中对多目标进行稳定跟踪的过程，在保证实时性的同时提高目标跟踪过程的稳定性，可以根据稳定的目标跟踪过程进行准确地避障路径规划，提高了无人驾驶汽车避障路径规划的准确性。
64.为便于对本技术进行理解，下面将结合具体实施例对本技术提供的技术方案进行详细说明。
65.请参阅图1，图1为本技术实施例所提供的一种无人驾驶汽车的路径规划方法的流程图，无人驾驶汽车上设置有不同的障碍物扫描设备，如图1中所示，所述路径规划方法，包括：
66.s101、根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；
67.该步骤中，障碍物信息包括至少一个障碍物扫描设备获取到的信息；运动状态包括速度信息和距离信息；示例性的，将激光雷达设备扫描到的障碍物信息进行点云滤波、地面以及悬空物的剔除、分割聚类等处理确定出多个障碍物，并对该障碍物进行跟踪以及预测该障碍物的运动状态。
68.s102、根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；
69.需要说明的是，确定出目标障碍物的具体步骤确定请参阅图2，图2为本技术实施例所提供另一种无人驾驶汽车的路径规划方法的流程图，如图2中所示，通过以下步骤确定出目标障碍物：
70.s201、若预测信息是由激光雷达产生，则等待获取所述障碍物在下一时刻的激光雷达障碍物信息和毫米波雷达障碍物信息；
71.s202、若预测信息是由毫米波雷达产生，则等待获取所述障碍物在下一时刻的激
光雷达障碍物信息；
72.s203、根据获取到的障碍物信息，确定出目标障碍物。
73.该步骤中，根据预测的障碍物在当前时刻的运动状态，确定该障碍物信息的来源，这里，障碍物信息中的点云数据具有各个扫描设备的标识，若是标识指示该障碍物信息属于激光雷达，则在下一时刻时，获取该障碍物的激光雷达障碍物信息和毫米波雷达障碍物信息；若是标识指示该障碍物信息属于毫米波雷达，则在下一时刻时，获取该障碍物的激光雷达障碍物信息，并根据获取到的障碍物信息，确定出融合后的更为紧密准确的目标障碍物。
74.s103、根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；
75.需要说明的是，通过以下步骤确定目标障碍物的运动状态：
76.s1031、根据所述目标障碍物的特征与跟踪列表中的各个跟踪目标之间的相似度，在所述跟踪列表中将所述目标障碍物与各个跟踪目标进行匹配，从跟踪列表中获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态；
77.该步骤中，跟踪列表中存储的是前一时刻各个跟踪目标的运动状态；
78.需要说明的是，通过以下步骤获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态：
79.1)、确定目标障碍物构成的列表与跟踪列表之间的关联矩阵；
80.该步骤中，根据预设不同的特征度量，在输入的来自不同设备检测得到的目标障碍物信息，与已有的跟踪列表中的跟踪目标信息之间计算出不同的归一化距离，从而构建出两个列表各元素间的关联矩阵；激光雷达采用从属于该目标障碍物的点云，毫米波雷达则采用检测到该目标障碍物的方位，且得到的特征度量均已归一化至[0，1]的概率区间内；
[0081]
其中，预设的特征度量包括：
[0082]
距离度量：用以衡量各目标障碍物在特定坐标系下的投影在距离上的相似程度；
[0083]
形状度量：用以衡量各目标障碍物在特定坐标系下的投影在边界框长宽与大小上的相似程度；
[0084]
速度度量：用以衡量各目标障碍物在特定坐标系下的投影在运动速度上的相似程度；
[0085]
表观度量：用以衡量各目标障碍物在特定坐标系下的投影在各传感器特有属性(如光电相机的直方图、激光雷达的点云数量或是毫米波雷达的信噪比等)上的相似程度。
[0086]
2)、根据所述关联矩阵，获取对应的二分图；
[0087]
示例性的，可以基于匈牙利算法的二分图匹配，在得到关联矩阵后，针对当前时刻各传感器的目标障碍物以及前一时刻跟踪到的跟踪目标构建了一个二分图。二分图的一边是检测到的目标障碍物的节点，另一边则是跟踪列表中的跟踪目标节点；两侧节点之间的边均有非负成本，其值即为上一步所计算的特征度量。因此，该二分图的矩阵表示即为上一步所计算的关联矩阵。
[0088]
3)、将所述二分图根据预设拆分阈值拆分成多个子图；
[0089]
该步骤中，可以通过最小化距离损失的方式来找到最佳的从目标障碍物到跟踪目标的匹配，这一分配问题可以在o(n3)的多项式时间内解决，并且通过预先的阈值筛除的方
式，将原始的二分图拆分为几个小的子图，进一步加快运算速度。
[0090]
4)、针对于每一个子图，进行目标障碍物到跟踪目标的匹配；其中，所述目标障碍物最多只与一个跟踪目标完成匹配，所述跟踪目标也最多与一个目标障碍物完成匹配；
[0091]
示例性的，进行匹配之前，初始化二分图，所有边都从目标障碍物s指向跟踪目标t，势y处处为0。
[0092]
5)、根据所述目标障碍物与跟踪目标之间的特征相似度，确定是否匹配成功；
[0093]
需要说明是，确定是否匹配成功之后，所述路径规划方法还包括：
[0094]
(1)、若所述目标障碍物与跟踪目标之间的特征相似度小于预设阈值，确定未匹配成功，则检测未匹配的目标障碍物是否是第一次出现，若是，则将该目标障碍物作为新的跟踪目标加入跟踪列表中，并在该目标障碍物的下一时刻进行运动状态的预测；
[0095]
该步骤中，在二分图中若有未覆盖的节点，即未匹配上的目标障碍物或者跟踪目标，针对于未匹配上的目标障碍物，则需检测该目标障碍物是否是第一次出现，若第一次出现，则作为新的跟踪目标加入跟踪列表中，并在下一时刻直接进行运动状态的预测。
[0096]
(2)、若否，检测所述跟踪目标是否在当前时刻消失，若跟踪目标在当前时刻消失，对该跟踪目标进行运动状态的预测，不更新运动状态，并将只进行预测，不进行更新的次数加一；
[0097]
该步骤中，针对于未匹配上的跟踪目标，说明该跟踪目标在上一时刻存在，在当前时刻消失了，则在当前时刻对该跟踪目标只进行预测不进行更新，并统计次数。
[0098]
(3)、统计只进行预测，不进行更新的次数是否达到预设次数，若达到，则不再对该跟踪目标进行跟踪，并将该跟踪目标从跟踪列表中删除。
[0099]
该步骤中，根据该跟踪目标在连续跟踪的过程中，所统计的只进行预测不进行更新的次数是否达到预设次数，若达到，则不再对该跟踪目标进行跟踪，将该跟踪目标从跟踪列表中删除。
[0100]
6)、若所述目标障碍物与跟踪目标之间的特征相似度大于预设阈值，确定匹配成功，则在匹配数最大的匹配关系中获得该目标障碍物对应的跟踪目标在前一时刻的运动状态。
[0101]
需要说明的是，通过以下步骤确定匹配数最大的匹配关系：
[0102]
(1)、若目标障碍物所匹配的跟踪目标已被其他目标障碍物匹配，则根据匹配路径反向查找，确定与所述跟踪目标匹配的其他目标障碍物是否具有下一个匹配的跟踪目标；
[0103]
(2)、若具有，则将其他目标障碍物与下一个匹配的跟踪目标进行匹配，将所述目标障碍物与该跟踪目标进行匹配，并将匹配数加一，更新匹配关系；
[0104]
(3)、若不具有，则查找该目标障碍物是否具有下一个匹配的跟踪目标，若具有，则将所述目标障碍物与所述下一个匹配的跟踪目标进行匹配，并将匹配数加一。
[0105]
该步骤中，是在目标障碍物与跟踪目标的最佳匹配关系中取的目标障碍物对应的跟踪目标在前一时刻的运动状态，而最佳匹配关系即是匹配数最大的匹配关系；示例性的，rs为目标障碍物列表s在匹配关系m中未匹配的节点(即未匹配上的目标障碍物)，r
t
为跟踪列表t在匹配关系m中未匹配的节点(即未匹配上的跟踪目标)，即rs包含s中入度为0的节点，而r
t
包含t中出度为0的节点，并令z为从rs出发只沿紧边的有向路径可到达紧边子图
的节点，若r
t
∩z非空，则反向从rs指向r
t
的路径，匹配数加一，否则，将新边从s指向t；重复上述步骤，或改变势y的值使其增加，或改变方向得到更多的边，并保持匹配关系m中所有的边均为紧边，直到最后得到最小成本下的完美匹配关系m。
[0106]
s1032、根据前一时刻所述跟踪目标的运动状态，对该跟踪目标在当前时刻的运动状态进行预测，得到当前时刻运动状态的预测值；
[0107]
s1033、对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态，根据当前时刻的运动状态预测下一时刻的运动状态，并将跟踪列表中该跟踪目标前一时刻的运动状态更新为当前时刻的运动状态。
[0108]
示例性的，通过匈牙利算法获取了匹配关系中的目标障碍物与对应的跟踪目标，下一步则对该跟踪目标的运动状态进行预测以及更新，可以使用鲁棒扩展卡尔曼滤波以积极恒速运动模型，对于跟踪列表中所有匹配上的跟踪目标进行运动估计，得到其位置与速度。
[0109]
需要说明的是，对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态的步骤，包括：
[0110]
1)、根据多个传感器获取跟踪目标在当前时刻下运动状态的观测值，根据所述观测值对所述预测值进行修正，将修正后的预测值确定为跟踪目标当前时刻的运动状态。
[0111]
该步骤中，通过采用不同传感器的观测值(例如锚点位移、边界框的顶点与中心点的位移等)作为输入鲁棒扩展卡尔曼滤波的速度量，用冗余观测的方式防止单一传感器失效导致的估计偏差；根据跟踪列表中的历史信息与输入的观测值的传感器类别，设计不同的位置与速度融合策略。
[0112]
需要说明的是，根据前一时刻的运动状态预测当前时刻的状态，公式如下：
[0113][0114][0115]
其中，为当前时刻运动状态的预测值，g为运动状态预测公式，为协方差矩阵，g
t
为状态转移矩阵，∑
t-1
为前一时刻的协方差矩阵，r
t
为噪音矩阵。
[0116]
根据当前时刻下的观测值更新预测值以及协方差矩阵，对其进行修正，将修正后的预测值确定为跟踪目标当前时刻的运动状态，具体公式如下：
[0117][0118][0119][0120]
其中，k
t
是卡尔曼增益，h为观测矩阵，q
t
为观测噪音矩阵，u
t
为修正后的运动状态，z
t
为观测值，∑
t
为更新后的协方差矩阵，i为单位矩阵。
[0121]
这里，恒速运动模型的状态转移方程如下：
[0122][0123]
其中，p代表位置，v代表速度，a代表加速度。
[0124]
这里，在将修正后的预测值确定为跟踪目标当前时刻的运动状态之后，所述路径规划方法还包括：
[0125]
(1)、根据所述跟踪目标的点云数据信息，判断所述跟踪目标是否为激光雷达障碍物信息和毫米波雷达障碍物信息融合后的跟踪目标；
[0126]
(2)、若不是融合后的，则从激光雷达扫描设备以及毫米波雷达扫描设备中获取所述跟踪目标的障碍物信息进行融合。
[0127]
该步骤中，获得了跟踪目标的运动状态后，判断其是否为融合后的目标障碍物，当尚未有已融合的目标障碍物时，便从激光雷达以及毫米波雷达中读取其产生的障碍物信息，进行激光雷达与毫米波雷达的异步融合，最终得到融合后的目标障碍物。
[0128]
s104、基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
[0129]
示例性的，请参阅图3，图3为本技术实施例所提供的目标跟踪算法的示意图，如图3所示，进行目标跟踪过程中，为提高感知算法对阴雨天的鲁棒性，采用激光雷达和毫米波雷达的异步融合方法，以毫米波雷达辅助激光雷达来提升目标感知系统的鲁棒性；获得准确的聚类目标后，通过激光雷达与毫米波雷达的异步融合，将准确的标记出所要跟踪的目标，实现对目标的实时跟踪。首先激光雷达以及毫米波雷达数据经过聚类处理后，可以获得较为紧密的目标点云，然后利用匈牙利匹配算法对这些点云可以进行更为准确的前后帧匹配；从而为目标障碍物的运动估计提供良好的状态信息；最后在良好的态信息基础上，将恒速模型与鲁棒卡尔曼滤波进行结合从而实现改进鲁棒卡尔曼滤波方法对于跟踪列表内的所有匹配上的跟踪目标进行运动估计，得到其位置与速度，从而规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
[0130]
示例性的，整体进行目标跟踪的过程包括：首先，针对激光雷达点云聚类得到的目标物几何信息，使用匈牙利匹配算法进行前后帧激光雷达目标的匹配，选取的准则包含：目标的位置中心点、目标的速度、目标的长度和宽度信息。然后进行激光雷达的目标跟踪过程，主要包含：
[0131]
1、基于目标进行匀加速运动的前提假设，使用已经建立好的状态预测矩阵，由上一时刻的目标状态信息估计得到当前时刻目标的状态信息；
[0132]
2、通过匈牙利匹配算法得到的目标匹配关系，可以的目标物在当前帧下的状态信息，从而进行滤波的量测更新；
[0133]
3、对于没有通过匈牙利匹配算法匹配上的目标，如果是在当前帧刚出现的目标，则在下一帧直接进行状态的预测过程，如果在上一帧存在，而这一帧消失，则在该帧对该目标只进行目标的预测过程，不进行更新过程，当该目标连续过程只存在预测过程，不存在更
新过程，则不再对该目标进行跟踪。
[0134]
然后，将激光雷达的跟踪目标和毫米波的跟踪目标进行融合，由于毫米波雷达无法准确获得目标的长宽信息，因此在融合过程以激光雷达为主，毫米波雷达作为辅助信息，用以提升目标跟踪精度以及在雨天的稳定性。融合的原则如下：
[0135]
1、当预测信息由激光雷达数据产生时，在接下来的实现等待下一帧激光雷达和毫米波雷达的目标数据，如果存在则使用匈牙利匹配算法进行前后帧的匹配，然后进行目标状态的预测和更新；而后使用鲁棒卡尔曼滤波对目标跟踪列表中的各目标物进行运动估计。
[0136]
2、当预测信息由毫米波雷达数据产生时，在接下来等待下一帧的激光雷达的目标信息，同样使用1步骤的过程进行目标跟踪。
[0137]
本技术实施例提供的一种无人驾驶汽车的路径规划方法、装置、电子设备及存储介质，所述路径规划方法包括：根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
[0138]
这样，采用本技术提供的技术方案能够通过预测信息获取融合后更加准确的障碍物，根据该障碍物的运动状态对其运动路径进行预测，从而规划无人驾驶汽车的避障路径，实现在复杂环境中对多目标进行稳定跟踪的过程，在保证实时性的同时提高目标跟踪过程的稳定性，可以根据稳定的目标跟踪过程进行准确地避障路径规划，提高了无人驾驶汽车避障路径规划的准确性。
[0139]
基于同一申请构思，本技术实施例中还提供了与上述实施例提供一种无人驾驶汽车的路径规划方法对应的一种无人驾驶汽车的路径规划装置，由于本技术实施例中的装置解决问题的原理与本技术上述实施例一种无人驾驶汽车的路径规划方法相似，因此装置的实施可以参见方法的实施，重复之处不再赘述。
[0140]
请参阅图4、图5，图4为本技术实施例所提供的一种无人驾驶汽车的路径规划装置结构图之一，图5为本技术实施例所提供的一种无人驾驶汽车的路径规划装置结构图之二。如图4中所示，所述路径规划装置410包括：
[0141]
获取模块411，用于根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；
[0142]
融合模块412，用于根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；
[0143]
预测模块413，用于根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；
[0144]
路径规划模块414，用于基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
[0145]
可选的，所述融合模块412在用于确定出目标障碍物时，所述融合模块412具体用
于：
[0146]
若预测信息是由激光雷达产生，则等待获取所述障碍物在下一时刻的激光雷达障碍物信息和毫米波雷达障碍物信息；
[0147]
若预测信息是由毫米波雷达产生，则等待获取所述障碍物在下一时刻的激光雷达障碍物信息；
[0148]
根据获取到的障碍物信息，确定出目标障碍物。
[0149]
可选的，如图5所示，路径规划装置410还包括确定模块415，所述确定模块415用于：
[0150]
根据所述目标障碍物的特征与跟踪列表中的各个跟踪目标之间的相似度，在所述跟踪列表中将所述目标障碍物与各个跟踪目标进行匹配，从跟踪列表中获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态；其中，所述跟踪列表中存储的是前一时刻各个跟踪目标的运动状态；
[0151]
根据前一时刻所述跟踪目标的运动状态，对该跟踪目标在当前时刻的运动状态进行预测，得到当前时刻运动状态的预测值；
[0152]
对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态，根据当前时刻的运动状态预测下一时刻的运动状态，并将跟踪列表中该跟踪目标前一时刻的运动状态更新为当前时刻的运动状态。
[0153]
可选的，所述确定模块415在用于对当前时刻运动状态的预测值进行修正，确定当前目标障碍物的运动状态时，所述确定模块415具体用于：
[0154]
根据多个传感器获取跟踪目标在当前时刻下运动状态的观测值，根据所述观测值对所述预测值进行修正，将修正后的预测值确定为跟踪目标当前时刻的运动状态。
[0155]
可选的，所述确定模块415在用于获取匹配关系下所述目标障碍物对应的跟踪目标在前一时刻的运动状态时，所述确定模块415具体用于：
[0156]
确定目标障碍物构成的列表与跟踪列表之间的关联矩阵；
[0157]
根据所述关联矩阵，获取对应的二分图；
[0158]
将所述二分图根据预设拆分阈值拆分成多个子图；
[0159]
针对于每一个子图，进行目标障碍物到跟踪目标的匹配；其中，所述目标障碍物最多只与一个跟踪目标完成匹配，所述跟踪目标也最多与一个目标障碍物完成匹配；
[0160]
根据所述目标障碍物与跟踪目标之间的特征相似度，确定是否匹配成功；
[0161]
若所述目标障碍物与跟踪目标之间的特征相似度大于预设阈值，确定匹配成功，则在匹配数最大的匹配关系中获得该目标障碍物对应的跟踪目标在前一时刻的运动状态。
[0162]
可选的，所述确定模块415在用于确定匹配数最大的匹配关系时，所述确定模块415具体用于：
[0163]
确定匹配数最大的匹配关系：
[0164]
若目标障碍物所匹配的跟踪目标已被其他目标障碍物匹配，则根据匹配路径反向查找，确定与所述跟踪目标匹配的其他目标障碍物是否具有下一个匹配的跟踪目标；
[0165]
若具有，则将其他目标障碍物与下一个匹配的跟踪目标进行匹配，将所述目标障碍物与该跟踪目标进行匹配，并将匹配数加一，更新匹配关系；
[0166]
若不具有，则查找该目标障碍物是否具有下一个匹配的跟踪目标，若具有，则将所
述目标障碍物与所述下一个匹配的跟踪目标进行匹配，并将匹配数加一。
[0167]
可选的，所述确定模块415还用于：
[0168]
若所述目标障碍物与跟踪目标之间的特征相似度小于预设阈值，确定未匹配成功，则检测未匹配的目标障碍物是否是第一次出现，若是，则将该目标障碍物作为新的跟踪目标加入跟踪列表中，并在该目标障碍物的下一时刻进行运动状态的预测；
[0169]
若否，检测所述跟踪目标是否在当前时刻消失，若跟踪目标在当前时刻消失，对该跟踪目标进行运动状态的预测，不更新运动状态，并将只进行预测，不进行更新的次数加一；
[0170]
统计只进行预测，不进行更新的次数是否达到预设次数，若达到，则不再对该跟踪目标进行跟踪，并将该跟踪目标从跟踪列表中删除。
[0171]
可选的，所述路径规划装置410还包括判断模块416，所述判断模块416用于：
[0172]
根据所述跟踪目标的点云数据信息，判断所述跟踪目标是否为激光雷达障碍物信息和毫米波雷达障碍物信息融合后的跟踪目标；
[0173]
若不是融合后的，则从激光雷达扫描设备以及毫米波雷达扫描设备中获取所述跟踪目标的障碍物信息进行融合。
[0174]
本技术实施例提供的一种无人驾驶汽车的路径规划装置，所述路径规划装置包括：获取模块，用于根据障碍物信息对所述障碍物进行跟踪，预测所述障碍物的运动状态，获取预测信息；其中，所述障碍物信息包括至少一个障碍物扫描设备获取到的信息；所述运动状态包括速度信息和距离信息；融合模块，用于根据所述预测信息，将多个设备获取到的该障碍物信息进行融合，从融合后的障碍物信息中确定出目标障碍物；预测模块，用于根据所述目标障碍物的运动状态，预测出所述目标障碍物在未来预测时间段内的障碍物运动路径；路径规划模块，用于基于所述障碍物运动路径，规划所述无人驾驶汽车躲避障碍物行驶的行驶路径。
[0175]
这样，采用本技术提供的技术方案能够通过预测信息获取融合后更加准确的障碍物，根据该障碍物的运动状态对其运动路径进行预测，从而规划无人驾驶汽车的避障路径，实现在复杂环境中对多目标进行稳定跟踪的过程，在保证实时性的同时提高目标跟踪过程的稳定性，可以根据稳定的目标跟踪过程进行准确地避障路径规划，提高了无人驾驶汽车避障路径规划的准确性。
[0176]
请参阅图6，图6为本技术实施例所提供的一种电子设备的结构示意图。如图6中所示，所述电子设备600包括处理器610、存储器620和总线630。
[0177]
所述存储器620存储有所述处理器610可执行的机器可读指令，当电子设备600运行时，所述处理器610与所述存储器620之间通过总线630通信，所述机器可读指令被所述处理器610执行时，可以执行如上述图1以及图2所示方法实施例中的无人驾驶汽车的路径规划方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0178]
本技术实施例还提供一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时可以执行如上述图1以及图2所示方法实施例中的无人驾驶汽车的路径规划方法的步骤，具体实现方式可参见方法实施例，在此不再赘述。
[0179]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0180]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0181]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0182]
另外，在本技术各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0183]
所述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，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本技术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)执行本技术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(read-only memory，rom)、随机存取存储器(random access memory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0184]
最后应说明的是：以上所述实施例，仅为本技术的具体实施方式，用以说明本技术的技术方案，而非对其限制，本技术的保护范围并不局限于此，尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本技术实施例技术方案的精神和范围，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围为准。