CN102609765A - 基于多项式及rbf神经网络的智能车辆换道路径规划方法 - Google Patents

Abstract

一种基于多项式及RBF神经网络的智能车辆换道路径规划方法，包括：根据车载传感器检测并确定车道中换道车辆与障碍物的状态信息，包括位置、速度、加速度以及形状；对换道车辆及障碍物进行几何包裹并建立以时间为自变量的换道路径模型；利用动态RBF神经网络得到换道车辆的边界条件；按照一定步长对换道路径参数在一定范围内进行遍历，结合多项式方法计算得到特定边界条件下的换道路径集合；定义评价换道路径性能优劣的指标函数，根据该指标函数从已生成换道路径中筛选出最优路径并应用于车辆的实际换道过程；根据生成换道路径边界条件的优劣决定是否对RBF神经网络进行更新。使神经网络具有良好的自适应能力，解决了RBF神经网络结构过大或过小的问题。

Description

基于多项式及RBF神经网络的智能车辆换道路径规划方法

技术领域

本发明属于计算机应用技术领域，涉及结构化公路条件下的智能车辆换道路径规划，具体的说是通过计算机程序进行车辆路径规划的方法，用于结构化公路、复杂路面条件下的智能车辆换道路径规划。 

背景技术

智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，是众多高新技术综合集成的载体。智能车辆致力于提高车辆行驶的安全性、舒适性以及提供优良的人车交互界面，是目前各国重点发展的智能交通系统中一个重要组成部分，也是世界车辆工程领域研究的热点。车道变换是车辆行驶过程中最常见的运动之一同时也是实现车辆自主驾驶的重要基础，随着智能车辆技术研究的逐渐深入，车辆换道行为成为国内外学者研究的热点，而换道路径的生成是实现车道变换的前提条件，其性能指标决定了在车道变换过程中车辆能否通畅、快速、安全的运行，因此对换道路径规划算法的深入研究对于提高道路通行能力，减少车辆延误、改善道路拥挤有着重要意义。 

车辆的换道路径可简单的表述为车辆由初始车道运动到相邻车道过程中车辆重心在路面的垂直投影所形成的轨迹。在换道车辆能够准确的实现对换道路径跟踪的前提下，车辆的换道路径需要满足以下要求：(1)安全性，车辆在换道过程中不能够与车道中存在的障碍物发生任何形式的碰撞。(2)乘坐舒适性，在换道过程中需要满足乘客的乘坐舒适性需要，即将换道路径的最大纵向加速度以及最大横向加速度限制在一定范围之内。(3)满足车辆的几何运动学，针对前轮转向车辆，所生成的换道路径首先需要是连续的，同时需要保证路径的一阶导连续且有界，路径的二阶导连续且有界。(4)其它，除此之外，所生成的换道路径还应考虑到其轨迹是易于产生的，即满足实时性要求；轨迹应是合理的，车辆可以实现；另外生成路径 还应考虑控制器实现的可能性问题等。 

目前关于智能车辆领域常用的车辆换道路模型主要包括：等速偏移轨迹换道模型、圆弧轨迹换道模型、余弦函数换道模型、梯形加速度换道模型等。其中前三种换道模型由于分析简单计算量小因此被广泛应用于理论分析，但是由它们所生成的换道路径不满足其一阶或二阶导数连续这一要求，因此若要将其应用于车辆的实际换道过程中需要利用样条曲线对其进行再规划，这样一来将使其计算量增大。梯形加速度换道模型从换道车辆的横向加速度出发，认为加速度的形状由两个大小相等的正反梯形组成，梯形加速度换道轨迹能够很好的满足运动过程中曲率连续变化及最大侧向加速度变化率的限制，但具有不灵活的缺点，如要调整换道过程则比较困难。以上几种换道模型主要适用于无障碍物的换道工况，针对换道过程中存在障碍物工况下的车辆换道路径规划问题有以下解决方法：场方法、β样条曲线法、回旋曲线法、Bezier曲线法、多项式方法等。以上提到的规划方法虽然能够一定程度上满足预期目标，但都在不同方面存在着缺陷，如利用场方法进行路径规划通常需要将车辆看作成一个质点，这与实际情况不相符合，因此不能直接的应用于具有运动学限制的车辆系统，目前虽然有研究成果通过对其生成的路径增加约束条件来解决这一问题但这样一来极大地增加了运算量。利用样条曲线、Bezier等曲线进行路径规划其难点在于控制点的选择，如何使控制点作用下的路径满足车辆运动学限制、舒适性要求并能够对障碍物进行碰撞检测，目前尚未有较好的解决方法。采用多项式进行路径规划的关键为边界条件的设定，一组合适的边界条件能够使规划得到的路径具有合理性，反之生成的路径很难达到设计要求。 

发明内容

本发明的目的在于，通过提供一种基于多项式及RBF神经网络的智能车辆换道路径规划方法，以提高车辆换道路径的效率及性能指标。该方法适用于复杂路面条件下的车辆换道路径规划问题，它能够在保证生成路径质量及实时性的前提下能够 得到换道路径的近优解。 

本发明是采用以下技术手段实现的： 

一种基于多项式及RBF神经网络的智能车辆换道路径规划方法，适用于行驶于复杂路面条件下的智能车辆换道问题，利用多项式方法来生成车辆的换道路径，其中多项式方法中所需要的合理边界条件由RBF神经网络计算得到；其特征在于包括以下步骤： 

1.1.通过车载环境感知系统检测换道车辆行驶路面的环境信息，包括换道车辆与障碍物之间的形状、位置、速度等状态信息； 

1.2.对换道车辆与障碍物进行几何包裹，并且建立以时间为自变量的换道路径多项式模型； 

X(t)＝a₆t⁶+a₅t⁵+a₄t⁴+a₃t³+a₂t²+a₁t+a₀

Y(t)＝b₅t⁵+b₄t⁴+b₃t³+b₂t²+b₁t+b₀

其中X(t)与Y(t)分别表示X方向与Y方向上的换道路径函数；a₀，a₁，…，a₆与b₀，b₁，…，b₅表示换道路径的常系数；t表示时间； 

1.3.定义换道路径的边界条件C₀、C_n与T；其中 $C_0\left\{\begin{array}{c}(x_{\mathrm{in}},{\stackrel{\·}{x}}_{\mathrm{in}},{\stackrel{\·\·}{x}}_{\mathrm{in}})\\ (y_{\mathrm{in}},{\stackrel{\·}{y}}_{\mathrm{in}},{\stackrel{\·\·}{y}}_{\mathrm{in}})\end{array}\right.$ 表示车辆换道初始时刻的状态，x_in， 与y_in， 

分别表示换道初始时刻车辆纵向与横向的位置、速度、加速度； $C_n\left\{\begin{array}{c}(x_{\mathrm{fin}},{\stackrel{\·}{x}}_{\mathrm{fin}},{\stackrel{\·\·}{x}}_{\mathrm{fin}})\\ (y_{\mathrm{fin}},{\stackrel{\·}{y}}_{\mathrm{fin}},{\stackrel{\·\·}{y}}_{\mathrm{fin}})\end{array}\right.$ 表示车辆换道完成时刻的状态，x_fin， 

与y_fin， 

分别表示换道完成时刻车辆纵向与横向的位置、速度、加速度；T表示车辆完成整个换道机动所需要的时间； 

1.4.定义时间参数矩阵T_6×6、T_6×7，以及换道路径系数矩阵A＝[a₅ a₄ a₃ a₂ a₁ a₀]、B＝[b₅ b₄ b₃ b₂ b₁ b₀]； 

$T_{6\×6}=\left[\begin{array}{cccccc}{t_{\mathrm{in}}}^5& {t_{\mathrm{in}}}^4& {t_{\mathrm{in}}}^3& {t_{\mathrm{in}}}^2& t_{\mathrm{in}}& 1\\ 5{t_{\mathrm{in}}}^4& 4{t_{\mathrm{in}}}^3& 3{t_{\mathrm{in}}}^2& 2t_{\mathrm{in}}& 1& 0\\ 20{t_{\mathrm{in}}}^3& 12{t_{\mathrm{in}}}^2& 6t_{\mathrm{in}}& 2& 0& 0\\ {t_{\mathrm{fin}}}^5& {t_{\mathrm{fin}}}^4& {t_{\mathrm{fin}}}^3& {t_{\mathrm{fin}}}^2& t_{\mathrm{fin}}& 1\\ 5{t_{\mathrm{fin}}}^4& 4{t_{\mathrm{fin}}}^3& 3{t_{\mathrm{fin}}}^2& 2t_{\mathrm{fin}}& 1& 0\\ 20{t_{\mathrm{fin}}}^3& 12{t_{\mathrm{fin}}}^2& 6t_{\mathrm{fin}}& 2& 0& 0\end{array}\right],$ $T_{6\×7}=\left[\begin{array}{ccccccc}{t_{\mathrm{in}}}^6& {t_{\mathrm{in}}}^5& {t_{\mathrm{in}}}^4& {t_{\mathrm{in}}}^3& {t_{\mathrm{in}}}^2& t_{\mathrm{in}}& 1\\ 6{t_{\mathrm{in}}}^5& 5{t_{\mathrm{in}}}^4& 4{t_{\mathrm{in}}}^3& 3{t_{\mathrm{in}}}^2& 2t_{\mathrm{in}}& 1& 0\\ 30{t_{\mathrm{in}}}^4& 20{t_{\mathrm{in}}}^3& 12{t_{\mathrm{in}}}^2& 6t_{\mathrm{in}}& 2& 0& 0\\ {t_{\mathrm{fin}}}^6& {t_{\mathrm{fin}}}^5& {t_{\mathrm{fin}}}^4& {t_{\mathrm{fin}}}^3& {t_{\mathrm{fin}}}^2& t_{\mathrm{fin}}& 1\\ 6{t_{\mathrm{fin}}}^5& 5{t_{\mathrm{fin}}}^4& 4{t_{\mathrm{fin}}}^3& 3{t_{\mathrm{fin}}}^2& 2t_{\mathrm{fin}}& 1& 0\\ 30{t_{\mathrm{fin}}}^4& 20{t_{\mathrm{fin}}}^3& 12{t_{\mathrm{fin}}}^2& 6t_{\mathrm{fin}}& 2& 0& 0\end{array}\right]$

根据以上条件能够得到关于换道路径系数矩阵A、B的如下等式 

${\left[\begin{array}{cccccc}{x}_{\mathrm{in}}& {\stackrel{\·}{x}}_{\mathrm{in}}& {\stackrel{\·\·}{x}}_{\mathrm{in}}& x_{\mathrm{fin}}& {\stackrel{\·}{x}}_{\mathrm{fin}}& {\stackrel{\·\·}{x}}_{\mathrm{fin}}\end{array}\right]}^T-a_6{T}_{6\×1}=T_{6\×6}{A}^T$

${\left[\begin{array}{cccccc}{y}_{\mathrm{in}}& {\stackrel{\·}{y}}_{\mathrm{in}}& {\stackrel{\·\·}{y}}_{\mathrm{in}}& y_{\mathrm{fin}}& {\stackrel{\·}{y}}_{\mathrm{fin}}& {\stackrel{\·\·}{y}}_{\mathrm{fin}}\end{array}\right]}^T=T_{6\×6}{B}^T$

其中T_6×1＝[t_in ⁶ 6t_in ⁵ 30t_in ⁴ tf_in ⁶ 6t_fin ⁵ 30t_fin ⁴]^T； 

1.5.建立动态RBF神经网络用步骤： 

1.5.1.根据实际情况确定输入输出节点数目； 

1.5.2.利用最近邻聚类算法进行初步的中心选择； 

1.5.3利用K-均值聚类对最近邻聚类算法的选择结果进行进一步的调整； 

1.5.4.进一步调整中心点，从而在一定程度上弥补了最近邻聚类算法的不足； 

1.6.碰撞检测；根据换道车辆及障碍物几何包裹后的数学关系以及由RBF神经网络计算得到的边界条件在保证一定安全余量的前提下进行碰撞检测，以确定换道路径参数a₆的取值范围； 

1.7.按照一定步长对换道路径参数a₆在一定范围内进行遍历，并采用多项式方法计算得到换道路径集合； 

1.8.定义性能指标函数 

对之前得到的换道路径集合进行筛选，并选出最小J_k ^a6值所对应的换道路径作为车辆实际换道路径；该性能函数的含义为，在a₆取值范围内所生成的一族X方向换道轨迹中具有最小加速度极值轨迹所对应的a₆值；实质上J_k ^a6是车辆换道过程中关于乘客乘坐舒适性的一个指标函数； 

1.9.根据J_k ^a6指标的优劣决定是否将其加入理想边界条件库并更新RBF神经网络； 

1.10.将最终换道路径传输到车辆。 

步骤1.2中在地面坐标系的X与Y方向分别取以时间为自变量的6次和5次多项式作为换道路径函数。 

利用步骤1.5中动态RBF神经网络生成多项式方法所需要的边界条件C₀、C_n与T，并且RBF神经网络的设计步骤为： 

3.1根据实际情况确定输入输出节点数目； 

3.2利用最近邻聚类算法进行初步的中心选择； 

3.3利用K-均值聚类对最近邻聚类算法的选择结果进行进一步的调整； 

3.4在此基础上进一步调整中心点，从而在一定程度上弥补了最近邻聚类算法的不足。

步骤1.6中根据换道车辆及障碍物几何包裹后的数学关系以及由RBF神经网络计算得到的边界条件在保证一定安全余量的前提下进行碰撞检测，以确定换道路径参数a₆的取值范围。 

步骤1.7中通过对a₆在取值范围内的遍历，得到满足碰撞检测的换道路径集合。步骤1.8中定义性能指标函数 

对之前得到的换道路径集合进行筛选，并选出最小J_k ^a6值所对应的换道路径作为车辆实际换道路径。 

步骤1.9中根据J_k ^a6指标的优劣决定是否将其加入理想边界条件库并更新RBF神经网络。 

本发明与现有技术相比具有以下优点： 

1.简化了问题的处理难度。该发明利用多项式作为换道路径的基函数，将换道车辆及障碍物用几何形状进行包裹，并进行碰撞检测；在碰撞检测的过程中巧妙地将寻找具有一定安全距离的换道路径族的问题转化为确定、多项式参数a₆值范围的问题，从而简化了问题处理的难度； 

2.质量高，效率高。由该发明所生成的换道路径能够完全满足车辆换道机动的各项要求，并且具有计算简单等优点；另外该发明非常适合于复杂工况下的车辆换 道路径规划；由于通过对多项式参数a₆遍历的方法求取换道路径，因此实时性问题能够得到合理的控制； 

3.解决了RBF神经网络的结构大小问题。该发明能够根据实际系统需要增长或删除神经网络隐含层的节点，因此不需要事先确定隐节点的数目，其具体个数可以根据样本的增加自适应地调整，因此使神经网络具有良好的自适应能力，从而解决了RBF神经网络结构过大或过小的问题。 

4.RBF神经网络的自更新。通过引入动态的理想边界条件样本库能够实现RBF神经网络的自更新，从而保证了由其生成边界条件的可靠性。 

附图说明

图1是本发明的流程图； 

图2为常见换道模式； 

图3为某一具体换道过程； 

图4为图3所示换道过程的中间状态； 

图5为图3所示换道过程的碰撞模式。 

具体实施方式

接下来结合具体附图对本发明的实施方式进行详细说明： 

步骤1：获取换道车辆及车道中障碍物的状态信息并确定换道模式。 

根据车载环境感知系统的测量结果确定换道车辆和车道中障碍物的位置、速度、加速度信息，及外部轮廓信息。在此基础上确定车辆的换道模式。该步骤的最终目的就是利用车载环境感知系统所采集的数据进行决策，确定采取何种方式完成换道机动。如图2所示，该图给出了四种常见的换道模式，其中C₀表示换道车辆，O₁与O₂表示障碍车辆。不同的换道模式对应着不同的已知及未知边界条件，因此当换道模式被确定所对应的RBF神经网络的输入输出节点也将被确定。 

步骤2：在步骤1的基础上事先进行RBF神经网络的训练。由于本发明中换道 路径的生成需要RBF神经网络所输出的边界条件作为前提，因此该网络需要实现训练完成。考虑到车辆换道路径的实时性要求，在实际系统中神经网络的训练由专门的协处理器完成。对于本发明中RBF神经网络的训练，采用以下方法：首先建立理想边界条件库，该库中存放着离线得到的不同换道模式下对应着较好性能指标换道路径的边界条件；接下来利用最近邻聚类算法进行初步的中心选择；然后利用K-均值聚类对最近邻聚类算法的选择结果进行进一步的调整；在此基础上进一步调整中心点，从而在一定程度上弥补了最近邻聚类算法的不足。其中理想边界条件库能够在换道路径规划过程中完成自更新。 

步骤3：生成换道路径集合 

(3.1)对换道车辆及障碍物进行几何包裹，如图2所示，其中将换道车辆及障碍车辆用与之形状最为切合的形状进行包裹。几何包裹的目的是为之后的碰撞检测做准备； 

(3.2)利用步骤2中的RBF神经网络生成特定换道模式下的边界条件； 

(3.3)根据(3.2)得到的边界条件采用多项式方法进行碰撞检测。图4为图3所示换道过程的一个中间状态，其中V与_VO1分别表示换道车辆与障碍物的速度；S_d与S_v表示换道过程的安全余量。图5为图4所示换道模型条件下采用本发明所可能发生的碰撞模式。在图5所示的碰撞模式条件下碰撞检测分两阶段，第一阶段从C₀车第4角点的X方向坐标等于O₁车第2角点的X方向坐标时刻开始，到C₀车第3角点的X方向坐标等于O₁车第2角点的X方向坐标时刻结束。在这个阶段内两车不发生碰撞的条件是S_d≥0，S_d＝0表示C₀车与O₁车处于临界碰撞状态；第二阶段从第一阶段结束时刻开始到换道完成时刻结束。在该阶段中需要保证C₀车第3角点的Y方向坐标始终位于O₁车1、2角点所在直线的上方，即S_v≥0，其中等号成立为临界碰撞状态。 

(3.4)通过碰撞检测计算得到换道路径参数a₆的取值范围； 

(3.5)在a₆的取值范围内按照一定步长对其进行遍历，进而得到一组满足碰撞检测条件的换道路径集合。 

步骤4：筛选换道路径。给定性能指标函数 

利用该函数对步骤3生成的车辆换道路径集合进行筛选，从中选取对应最好J_k ^a6指标的换道路径作为候选。当候选换道路径对应的J_k ^a6值满足要求，达到合格标准时，则将候选路径作为实际换道路径，否则将结束路径规划，放弃换道操作。 

步骤5：更新理想边界条件样本库并重新训练RBF神经网络。当由步骤1～4生成的换道路径其对应的性能指标函数J_k ^a6达到优秀标准时，则认为该组边界条件亦为优秀，因此将其加入到理想边界条件样本库中并且重新对RBF神经网络进行训练。 

Claims (7)

1.一种基于多项式及RBF神经网络的智能车辆换道路径规划方法，利用多项式方法来生成车辆的换道路径，其中多项式方法中所需要的合理边界条件由RBF神经网络计算得到；其特征在于包括以下步骤：

1.1.通过车载环境感知系统检测换道车辆行驶路面的环境信息，包括换道车辆与障碍物之间的形状、位置、速度等状态信息；

1.2.对换道车辆与障碍物进行几何包裹，并且建立以时间为自变量的换道路径多项式模型；

X(t)＝a₆t⁶+a₅t⁵+a₄t⁴+a₃t³+a₂t²+a₁t+a₀

Y(t)＝b₅t⁵+b₄t⁴+b₃t³+b₂t²+b₁t+b₀

其中X(t)与Y(t)分别表示X方向与Y方向上的换道路径函数；a₀，a₁，…，a₆与b₀，b₁，…，b₅表示换道路径的常系数；t表示时间；

1.3.定义换道路径的边界条件C₀、C_n与T；其中 $C_0\left\{\begin{array}{c}(x_{\mathrm{in}},{\stackrel{\·}{x}}_{\mathrm{in}},{\stackrel{\·\·}{x}}_{\mathrm{in}})\\ (y_{\mathrm{in}},{\stackrel{\·}{y}}_{\mathrm{in}},{\stackrel{\·\·}{y}}_{\mathrm{in}})\end{array}\right.$ 表示车辆换道初始时刻的状态，x_in，

与y_in，

分别表示换道初始时刻车辆纵向与横向的位置、速度、加速度； $C_n\left\{\begin{array}{c}(x_{\mathrm{fin}},{\stackrel{\·}{x}}_{\mathrm{fin}},{\stackrel{\·\·}{x}}_{\mathrm{fin}})\\ (y_{\mathrm{fin}},{\stackrel{\·}{y}}_{\mathrm{fin}},{\stackrel{\·\·}{y}}_{\mathrm{fin}})\end{array}\right.$ 表示车辆换道完成时刻的状态，x_fin，

与y_fin，

分别表示换道完成时刻车辆纵向与横向的位置、速度、加速度；T表示车辆完成整个换道机动所需要的时间；

1.4.定义时间参数矩阵T_6×6、T_6×7，以及换道路径系数矩阵A＝[a₅ a₄ a₃ a₂ a₁ a₀]、B＝[b₅ b₄ b₃ b₂ b₁ b₀]；

$T_{6\×6}=\left[\begin{array}{cccccc}{t_{\mathrm{in}}}^5& {t_{\mathrm{in}}}^4& {t_{\mathrm{in}}}^3& {t_{\mathrm{in}}}^2& t_{\mathrm{in}}& 1\\ 5{t_{\mathrm{in}}}^4& 4{t_{\mathrm{in}}}^3& 3{t_{\mathrm{in}}}^2& 2t_{\mathrm{in}}& 1& 0\\ 20{t_{\mathrm{in}}}^3& 12{t_{\mathrm{in}}}^2& 6t_{\mathrm{in}}& 2& 0& 0\\ {t_{\mathrm{fin}}}^5& {t_{\mathrm{fin}}}^4& {t_{\mathrm{fin}}}^3& {t_{\mathrm{fin}}}^2& t_{\mathrm{fin}}& 1\\ 5{t_{\mathrm{fin}}}^4& 4{t_{\mathrm{fin}}}^3& 3{t_{\mathrm{fin}}}^2& 2t_{\mathrm{fin}}& 1& 0\\ 20{t_{\mathrm{fin}}}^3& 12{t_{\mathrm{fin}}}^2& 6t_{\mathrm{fin}}& 2& 0& 0\end{array}\right],$ $T_{6\×7}=\left[\begin{array}{ccccccc}{t_{\mathrm{in}}}^6& {t_{\mathrm{in}}}^5& {t_{\mathrm{in}}}^4& {t_{\mathrm{in}}}^3& {t_{\mathrm{in}}}^2& t_{\mathrm{in}}& 1\\ 6{t_{\mathrm{in}}}^5& 5{t_{\mathrm{in}}}^4& 4{t_{\mathrm{in}}}^3& 3{t_{\mathrm{in}}}^2& 2t_{\mathrm{in}}& 1& 0\\ 30{t_{\mathrm{in}}}^4& 20{t_{\mathrm{in}}}^3& 12{t_{\mathrm{in}}}^2& 6t_{\mathrm{in}}& 2& 0& 0\\ {t_{\mathrm{fin}}}^6& {t_{\mathrm{fin}}}^5& {t_{\mathrm{fin}}}^4& {t_{\mathrm{fin}}}^3& {t_{\mathrm{fin}}}^2& t_{\mathrm{fin}}& 1\\ 6{t_{\mathrm{fin}}}^5& 5{t_{\mathrm{fin}}}^4& 4{t_{\mathrm{fin}}}^3& 3{t_{\mathrm{fin}}}^2& 2t_{\mathrm{fin}}& 1& 0\\ 30{t_{\mathrm{fin}}}^4& 20{t_{\mathrm{fin}}}^3& 12{t_{\mathrm{fin}}}^2& 6t_{\mathrm{fin}}& 2& 0& 0\end{array}\right]$

根据以上条件能够得到关于换道路径系数矩阵A、B的如下等式

${\left[\begin{array}{cccccc}{x}_{\mathrm{in}}& {\stackrel{\·}{x}}_{\mathrm{in}}& {\stackrel{\·\·}{x}}_{\mathrm{in}}& x_{\mathrm{fin}}& {\stackrel{\·}{x}}_{\mathrm{fin}}& {\stackrel{\·\·}{x}}_{\mathrm{fin}}\end{array}\right]}^T-a_6{T}_{6\×1}=T_{6\×6}{A}^T$

${\left[\begin{array}{cccccc}{y}_{\mathrm{in}}& {\stackrel{\·}{y}}_{\mathrm{in}}& {\stackrel{\·\·}{y}}_{\mathrm{in}}& y_{\mathrm{fin}}& {\stackrel{\·}{y}}_{\mathrm{fin}}& {\stackrel{\·\·}{y}}_{\mathrm{fin}}\end{array}\right]}^T=T_{6\×6}{B}^T$

其中T_6×1＝[t_in ⁶ 6t_in ⁵ 30t_in ⁴ t_fin ⁶ 6t_fin ⁵ 30t_fin ⁴]^T；

1.5.建立动态RBF神经网络用步骤：

1.5.1.根据实际情况确定输入输出节点数目；

1.5.2.利用最近邻聚类算法进行初步的中心选择；

1.5.3利用K-均值聚类对最近邻聚类算法的选择结果进行进一步的调整；

1.5.4.进一步调整中心点，从而在一定程度上弥补了最近邻聚类算法的不足；

1.6.碰撞检测；根据换道车辆及障碍物几何包裹后的数学关系以及由RBF神经网络计算得到的边界条件在保证一定安全余量的前提下进行碰撞检测，以确定换道路径参数a₆的取值范围；

1.7.按照一定步长对换道路径参数a₆在一定范围内进行遍历，并采用多项式方法计算得到换道路径集合；

1.8.定义性能指标函数

对之前得到的换道路径集合进行筛选，并选出最小J_k ^a6值所对应的换道路径作为车辆实际换道路径；该性能函数的含义为，在a₆取值范围内所生成的一族X方向换道轨迹中具有最小加速度极值轨迹所对应的a₆值；实质上J_k ^a6是车辆换道过程中关于乘客乘坐舒适性的一个指标函数；

1.9.根据J_k ^a6指标的优劣决定是否将其加入理想边界条件库并更新RBF神经网络；

1.10.将最终换道路径传输到车辆。

2.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：步骤1.2中在地面坐标系的X与Y方向分别取以时间为自变量的6次和5次多项式作为换道路径函数。

3.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：利用步骤1.5中动态RBF神经网络生成多项式方法所需要的边界条件C₀、C_n与T，并且RBF神经网络的设计步骤为：

3.1根据实际情况确定输入输出节点数目；

3.2利用最近邻聚类算法进行初步的中心选择；

3.3利用K-均值聚类对最近邻聚类算法的选择结果进行进一步的调整；

3.4在此基础上进一步调整中心点，从而在一定程度上弥补了最近邻聚类算法的不足。

4.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：步骤1.6中根据换道车辆及障碍物几何包裹后的数学关系以及由RBF神经网络计算得到的边界条件在保证一定安全余量的前提下进行碰撞检测，以确定换道路径参数a₆的取值范围。

5.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：步骤1.7中通过对a₆在取值范围内的遍历，得到满足碰撞检测的换道路径集合。

6.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：步骤1.8中定义性能指标函数

对之前得到的换道路径集合进行筛选，并选出最小J_k ^a6值所对应的换道路径作为车辆实际换道路径。

7.根据权利要求1所述的基于多项式及RBF神经网络的智能车辆换道路径规划方法，其特征在于：步骤1.9中根据J_k ^a6指标的优劣决定是否将其加入理想边界条件库并更新RBF神经网络。

Images