CN103035121A - 一种智能车辆自主行驶动态轨迹规划方法及系统 - Google Patents

Abstract

本发明公开了一种智能车辆自主行驶动态轨迹规划方法，属于智能交通技术领域。本发明方法包括：步骤1、通过最优控制方法搜索数学模型的最优解生成智能车辆的轨迹；步骤2、提取步骤1中所生成轨迹的特征；步骤3、判断所述特征是否满足预设的约束条件，如是，则以该轨迹作为最终的输出轨迹；如否，则根据预设的权重调整规则对权重

、

、

进行调整后，转至步骤1。本发明还公开了一种智能车辆自主行驶动态轨迹规划系统，包括轨迹生成模块、特征提取模块、估计模块、权重调整模块。相比现有技术，本发明具有更强的学习能力及对未知环境的适应性。

Description

一种智能车辆自主行驶动态轨迹规划方法及系统

技术领域

本发明涉及智能交通系统中的智能车辆技术，尤其涉及一种智能车辆自主行驶动态轨迹规划方法及系统。

背景技术

智能车辆是智能交通系统的重要组成部分，其研究的主要目的在于降低日趋严重的交通事故发生率，提高现有道路交通的效率。国际上众多的研究机构，工业设计单位对其研发过程正投入大量的人力、物力，时刻关注着关键技术的研发。轨迹规划技术是车辆进行自主行驶的一项关键技术，为了对车辆进行智能控制，前提条件是生成可行的参考轨迹，并将轨迹的参数提供给跟踪控制器，以便于控制器能够控制车辆按照规划的轨迹行驶。

现有的轨迹规划方法主要是用不同的函数来模拟轨迹，例如B样条函数（宋金泽,戴斌,单恩忠等.融合动力学约束的自主平行泊车轨迹生成方法[J].中南大学学报(自然科学版),2009,40(Suppl.1):135-141.），多项式函数,正弦函数以及圆弧等（李玮,高德芝,段建民.智能车辆自由换道模型研究[J].公路交通科技,2010,27(2):119-123.），并对车辆这一非线性系统施加不同的约束条件，在约束条件范围之内求解可行的最优轨迹。现有的方法存在算法过于复杂，要求的参数多，数据融合复杂等缺点，使其具体的应用受到限制。

认知科学（cognitive science）为21世纪智力革命的前沿学科,他研究人类认知过程、智能和智能系统、大脑和心灵内在运行机制。ACT-R是认知科学的一种认知行为体系结构，是认知过程工作机制的理论模型,在ACT-R上构造的模型反映的是人类的认知行为。以ACT-R认知体系为核心，对驾驶行为进行建模，证明了基于ACT-R模型的认知行为建模方法具有较广的适用性和灵活性（刘雁飞.驾驶行为建模研究[D].杭州：浙江大学,2007.）。一篇中国发明专利（申请日为2011.1.12,申请号为201010278700.9，《基于ACT-R的港区弯道线形设计方法》）基于ACT-R对港区的弯道线形进行了设计，主要是针对港区这一特殊的交通特征，对驾驶参照的弯道线形进行设计，对于港区以外的道路状况移植性不强，且该方法没有考虑车辆动力学特征以及车辆的约束条件。

发明内容

本发明所要解决的技术问题在于克服现有技术的不足，一种智能车辆自主行驶动态轨迹规划方法及系统，具有更强的学习能力及对未知环境的适应性。

本发明的智能车辆自主行驶动态轨迹规划方法，包括以下步骤：

步骤1、通过最优控制方法搜索以下模型的最优解生成所述智能车辆的轨迹：

$\min J\left(u\right)=\underset{t_0}{\overset{t_f}{\∫}}(w_1\underset{j=1}{\overset{\mathrm{length}\left(u\right)}{\mathrm{\Σ}}}\left(u_j^2\left(t\right)\right)+w_2+w_3\underset{i\∈\left\{O\right\}}{\max }\left(o_i\left(r_i\right)\right))\mathrm{dt}$

s.t.

$\left[\begin{array}{c}{x}^{\′}\left(t\right)\\ x^{\′\′}\left(t\right)\end{array}\right]=\left[\begin{array}{cc}0& 1\\ 0& -c_s/m\end{array}\right]\left[\begin{array}{c}0\\ u\left(t\right)/m\end{array}\right]$

x(t₀)=x₀，x(t_f)=x_f

$o_i\left(r_i\right)=\left\{\begin{array}{c}K(c_1{r_i}^3+c_2{r_i}^2+c_3{r}_i+c_4),r_i\&le;R_i\\ K(c_5{r_i}^3+c_6{r_i}^2+c_7{r}_i+c_8),R<r_i\&le;\mathrm{LIM}\\ 0,r_i>\mathrm{LIM}\end{array}\right.$

其中，m是智能车辆的重量，c_s是智能车辆的摩擦系数，u(t)是智能车辆行驶时输入的控制量，x＇(t)是车辆的行驶速度，x＂(t)是车辆的行驶加速度，J(u)是最优控制方法的评价函数，t是车辆的行驶时间，t₀是车辆的初始行驶时间，t_f是车辆的终止行驶时间，是车辆行驶中消耗的总能量，j是车辆在行驶过程中有控制输入量u(t)时的不同采样时刻，length(u)w₁是消耗能量的权重，w₂是时间的权重，

是智能车距离障碍物边缘的最大值，o_i(r_i)是智能车距离障碍物边缘的距离，w₃是距离障碍物距离的权重，r_i是智能车距离障碍物中心的距离，i是障碍物的中心，{O}是障碍物的集合，R_i是智能车在障碍物边缘时距离障碍物中心的距离，LIM是限值，K是o_i(R_i)的值，c₁、c₂、c₃、c₄、c₅、c₆、c₇、c₈是常系数，x₀是车辆的初始行驶位置，x_f是车辆的终止行驶位置；

步骤2、提取步骤1中所生成轨迹的特征；

步骤3、判断所述特征是否满足预设的约束条件，如是，则以该轨迹作为最终的输出轨迹；如否，则根据预设的权重调整规则对权重w₁、w₂、w₃进行调整后，转至步骤1。

本发明的智能车辆自主行驶动态轨迹规划系统，包括：轨迹生成模块、特征提取模块、估计模块、权重调整模块，所述轨迹生成模块通过最优控制方法搜索以下模型的最优解生成所述智能车辆的轨迹：

$\min J\left(u\right)=\underset{t_0}{\overset{t_f}{\&Integral;}}(w_1\underset{j=1}{\overset{\mathrm{length}\left(u\right)}{\mathrm{\&Sigma;}}}\left(u_j^2\left(t\right)\right)+w_2+w_3\underset{i\&Element;\left\{O\right\}}{\max }\left(o_i\left(r_i\right)\right))\mathrm{dt}$

s.t.

$\left[\begin{array}{c}{x}^{\&prime;}\left(t\right)\\ x^{\&prime;\&prime;}\left(t\right)\end{array}\right]=\left[\begin{array}{cc}0& 1\\ 0& -c_s/m\end{array}\right]\left[\begin{array}{c}0\\ u\left(t\right)/m\end{array}\right]$

x(t₀)=x₀，x(t_f)=x_f

$o_i\left(r_i\right)=\left\{\begin{array}{c}K(c_1{r_i}^3+c_2{r_i}^2+c_3{r}_i+c_4),r_i\&le;R_i\\ K(c_5{r_i}^3+c_6{r_i}^2+c_7{r}_i+c_8),R<r_i\&le;\mathrm{LIM}\\ 0,r_i>\mathrm{LIM}\end{array}\right.$

其中，m是智能车辆的重量，c_s是智能车辆的摩擦系数，u(t)是智能车辆行驶时输入的控制量，x＇(t)是车辆的行驶速度，x＂(t)是车辆的行驶加速度，J(u)是最优控制方法的评价函数，t是车辆的行驶时间，t₀是车辆的初始行驶时间，t_f是车辆的终止行驶时间，是车辆行驶中消耗的总能量，j是车辆在行驶过程中有控制输入量u(t)时的不同采样时刻，length(u)w₁是消耗能量的权重，w₂是时间的权重，是智能车距离障碍物边缘的最大值，o_i(r_i)是智能车距离障碍物边缘的距离，w₃是距离障碍物距离的权重，r_i是智能车距离障碍物中心的距离，i是障碍物的中心，{O}是障碍物的集合，R_i是智能车在障碍物边缘时距离障碍物中心的距离，LIM是限值，K是o_i(R_i)的值，c₁、c₂、c₃、c₄、c₅、c₆、c₇、c₈是常系数，x₀是车辆的初始行驶位置，x_f是车辆的终止行驶位置；

所述特征提取模块提取轨迹生成模块所生成轨迹的特征，并将提取的特征传输至估计模块；估计模块判断特征提取模块所提取的特征是否满足预设的约束条件，如是，则将该轨迹作为最终轨迹规划结果输出，如否，则调用权重调整模块对权重w₁、w₂、w₃进行调整，并将调整后的权重输出至轨迹生成模块，重新生成新的轨迹。

优选地，所述轨迹的特征包含以下特征中的至少一种：能量消耗、终止时间、距离每个障碍物的最短距离、距离所有障碍物的平均最短距离、整条轨迹的长度、最大速度、最大转向速度、平均速度、平均转向速度、最大加速度、最小加速度、平均加速度。

优选地，所述预设的约束条件包括状态空间的硬性约束条件，以及反映使用者意向的软约束条件。

与现有方法相比，本发明具有学习能力强，能够实现几个权重在线调整的优点，克服了未知环境下由于环境变化导致权重不能在线调整，不能保证车辆实时动态生成轨迹的缺陷。本发明对未知环境下智能车辆的轨迹规划具有较好的适应性。

附图说明

图1是本发明的智能车辆自主行驶动态轨迹规划方法的原理示意图，

图中符号含义：边界条件bc={t₀,x₀,x_f}，为最优控制的状态，t₀为初始时间，x₀为起点位置，x_f为终点位置，w_i为权重值，w₀为初始权重值，F_i为轨迹的特征值，L_i为轨迹特征的约束条件，L₀为初始约束条件，J_i为轨迹的评价函数，{x_i,u_i,t_i}表示要执行的轨迹，x_i为要执行的位置和速度向量，u_i为控制输入量，t_i为运行的时间；

图2是本发明的智能车辆自主行驶动态轨迹规划系统的初始化流程图；

图中符号含义：S₀为软约束条件，H₀为硬约束条件，V为储存在ACT-R的描述性记忆模块，Z为产生规则集；

图3是本发明的智能车辆自主行驶动态轨迹规划方法的流程图，

图中符号含义：{HIST}为权重调整的历史，best_traj为最好轨迹，this_traj为当前轨迹，X为解决方法，w_i+1为新的权重值。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

如图1所示，本发明的思路是：将轨迹规划问题P₀定义为{D,{O},H₀,S₀,bc}。范围D是指系统动力学和需要最小化的参数化权重函数J；{O}是指环境中障碍物的集合；H₀为状态空间的硬性约束条件，S₀为反应使用者意向的软约束条件；边界条件bc={t₀,x₀,x_f}，为最优控制的状态，t₀为初始时间，x₀为起点位置，x_f为终点位置。目标是找到最优解决方案X＝{J_n,L_n,x_n,u_n,t_n}，其中，J_n表示权重解决方案，L_n表示轨迹特征的约束条件，{x_n,u_n,t_n}表示要执行的轨迹（x_n表示要执行的位置和速度向量，u_n表示控制输入量；t_n表示运行的时间）。ACT-R模型不断得增加执行过轨迹的历史{HIST}={HIST₁,HIST₂,…}，每一个历史HIST_i由行动状态A_i和规划状态S_i组成，可以用{HIST}判断哪一个权重调整策略已经使用过，避免无限的循环。对轨迹规划问题，行动{A}定义为{TPLAN，FEXT，EVAL,RET，WADJ}，其中TPLAN为轨迹生成，FEXT为特征提取，EVAL为估计，RET为将轨迹返回给决策层，WADJ为权重调整。每个规划状态S_i={w_i,F_i,L_i,J_i,x_i,u_i,t_i}包括单条轨迹循环生成的所有信息，其中w_i为权重值，F_i为轨迹的特征值，L_i为轨迹特征的约束条件，x_i为要执行的位置和速度向量，u_i为控制输入量，t_i为运行的时间。

本发明的智能车辆自主行驶动态轨迹规划系统，包括：轨迹生成模块、特征提取模块、估计模块、权重调整模块。在进行轨迹规划是具体按照以下步骤：

步骤1：初始化轨迹的状态；

系统初始化流程图如图2所示，在ACT-R软件（估计模块）中进行智能初始化，通过运用先验知识将决策目标转变为新的评价函数，将轨迹约束条件转化为约束集L₀，用约束集L₀计算初始权重值w₀，如果没有约束条件，对所有的评价函数设定为默认权重w_m。

首先处理副词约束条件（软约束条件）S₀，针对轨迹提取的特征对副词进行定义，例如“快速地”涉及到“高的最大速度”和“高的平均速度”。要进一步在ACT-R的描述性记忆模块中定义特征和权重之间的联系，例如“低”的权重产生“高”的平均速度。并将这些定义储存在ACT-R的描述性记忆模块V中。这些值的范围基于车辆的性能约束条件和针对每个约束条件副词的典型定义。用同样的数据生成与特征相关的权重调整曲线（特征和权重是相联系的）。生成产生规则集Z。初始权重的计算不能用权重计算公式，因为轨迹还没生成，一些参数不能用。总起来说，这些软约束条件S₀代表使用者对车辆驾驶行为的意向，现在仍旧将这些意向与权重联系起来，然后决定结果是否满足硬性约束条件H₀，如果满足，则返回将合适的权重w₀，如果不满足，则调整w₀，直到满足H₀，然后返回合适的w₀。

步骤2：轨迹生成模块采用最优控制方法生成轨迹；

本发明将智能车辆简化为一个简单的线性动力学模型：

$\left[\begin{array}{c}{x}^{\&prime;}\left(t\right)\\ x^{\&prime;\&prime;}\left(t\right)\end{array}\right]=\left[\begin{array}{cc}0& 1\\ 0& -c_s/m\end{array}\right]\left[\begin{array}{c}0\\ u\left(t\right)/m\end{array}\right]---\left(1\right)$

其中m是目标重量，c_s是摩擦系数。

通过运用最优控制方法生成规划的轨迹和控制输入，在智能车辆行驶的过程中，本发明考虑三个因素的权重：能量消耗、行驶时间和距离障碍物的距离，所构造的评价函数如下式所示：

$J\left(u\right)=\underset{t_0}{\overset{t_f}{\&Integral;}}(w_1\underset{j=1}{\overset{\mathrm{length}\left(u\right)}{\mathrm{\&Sigma;}}}\left(u_j^2\left(t\right)\right)+w_2+w_3\underset{i\&Element;\left\{O\right\}}{\max }\left(o_i\left(r_i\right)\right))\mathrm{dt}---\left(2\right)$

其中，w₁是消耗能量

的权重;w₂是时间的权重，因为J是积分形式，评价函数只需要一个固定的系数w₂来减少时间；

表示距离障碍物的距离，我们假设处理器有一个可以通过卫星获得的车辆将通过区域的电子地图，w₃是公式的相对权重，r_i是智能车距离障碍物中心i的距离，o_i(r_i)是智能车距离障碍物边缘的最大值；智能车在障碍物边缘时距离障碍物中心的距离为R_i，o_i(r_i)为固定值K，并且o_i(r_i)的值在距离障碍物中心距离为限值LIM时减小为零，如式（3）所示。用三次多项式表示了o_i(r_i)的取值，只有在r_i＜LIM时有意义，如式（4）所示。

$\left\{\begin{array}{c}{o}_i\left(R_i\right)=K\\ o_i\left(\mathrm{LIM}\right)=0\end{array}\right.---\left(3\right)$

$o_i\left(r_i\right)=\left\{\begin{array}{c}K(c_1{r_i}^3+c_2{r_i}^2+c_3{r}_i+c_4),r_i\&le;R_i\\ K(c_5{r_i}^3+c_6{r_i}^2+c_7{r}_i+c_8),R<r_i\&le;\mathrm{LIM}\\ 0,r_i>\mathrm{LIM}\end{array}\right.---\left(4\right)$

对所有的t∈[t₀,t_f]，对固定起点和终点的状态，我们有边界条件：

x(t₀)=x₀，x(t_f)=x_f    （5）

公式（2）变为给出约束条件，求解使评价函数最小的积分常数的问题。对该模型进行优化求解，例如用MATLAB软件中的BVP4C作为数字求解器来求解，就能够生成一条完整的轨迹。

步骤3：特征提取模块提取轨迹的特征；

特征提取模块提取轨迹的特征F_i，轨迹的特征可根据需要选取以下特征中的一种或几种：耗能量，终止时间，距离每个障碍物的最短距离，距离所有障碍物的平均最短距离，整条轨迹的长度，最大速度，最大转向速度，平均速度，平均转向速度，最大加速度，最小加速度，平均加速度等。步骤4：将提取出来的轨迹特征送到ACT-R模型中进行估计；

特征提取模块将轨迹的特征F_i提取出来并送到估计模块进行估计，如果所有的F_i在约束条件L_i以内，轨迹符合要求，解决方法X返回给高水平的决策层；当F_i不在L_i以内时，要分析约束条件的性质，如果是硬性约束条件不满足，则调用权重调整模块来确定新的权重w_i+1。估计模块需要检测权重调整的历史{HIST}，如果w_i+1在{HIST}范围内，则权重调整失败，该调整步骤循环进行，直到满足硬性约束条件。如果硬性约束条件满足，而具有使用者意向的软约束条件不满足，进入第二个循环进程，目标是在有限的时间内改善解决方法，使得轨迹特征满足所有的约束条件。任何时候，满足硬性约束条件而不满足软约束条件的轨迹被存储起来，保证能返回合适的轨迹，该解决方案与先前的最好轨迹best_traj相比，如果该轨迹this_traj比best_traj更好，则在记忆中用this_traj替换best_traj。通过计算误差向量来决定哪个更好，误差范围小的是较好轨迹，误差向量如式（1）所示。

其中，

为第i次迭代第j个轨迹特征的误差向量，

为第i次迭代的第j个轨迹特征值，

为第j个轨迹特征的约束条件，。表示特征满足相关的约束条件。对轨迹规划的第i次迭代，第j个轨迹特征与第j个约束向量进行比较。当较小约束向量不满足时，

的值是负的，当较大约束向量不满足时，

的值是正的。如果L₀是一个范围，则用范围的边界值。

的值在权重调整模块中很重要，因为它决定了权重调整的方向。

步骤5：权重调整模块进行权重调整；

权重调整模块中储存有权重调整规则，可以通过预先试验得到各权重与各轨迹特征之间的关系曲线或关系式，根据这些关系曲线或关系式即可获得权重调整规则。

表1显示了本具体实施方式中所采用的具体的权重调整规则，其中energy是车辆总的耗能量，c₁，c₂和c₃是常系数，min_sep是距离障碍物的最小距离，t_f是指车辆运行时间。权重调整模块在不同的障碍物环境中生成不同的权重w_i，然而，当限值LIM最重要时，就不考虑权重w_i的绝对值，主要分析权重的比例值w₁/w₂和w₃/w₂对轨迹特征的影响，w₂作为常值因数，其选择是任意的。该进程重复迭代进行，直到满足约束条件的最优轨迹生成。

图3显示了本发明智能车辆自主行驶动态轨迹规划的流程图。

综上可知，本发明具有学习能力强，能够实现几个权重在线调整的优点，克服了未知环境下由于环境变化导致权重不能在线调整，不能保证车辆实时动态生成轨迹的缺陷。本发明对未知环境下智能车辆的轨迹规划具。

Claims (5)

1.一种智能车辆自主行驶动态轨迹规划方法，其特征在于，包括以下步骤：

步骤1、通过最优控制方法搜索以下模型的最优解生成所述智能车辆的轨迹：

 

 

 x(t ₀)=x ₀，x(t _f )=x _f

其中，m是智能车辆的重量，c _s 是智能车辆的摩擦系数，u(t)是智能车辆行驶时输入的控制量，x＇(t)是车辆的行驶速度，x＂(t)是车辆的行驶加速度，J(u)是最优控制方法的评价函数，t是车辆的行驶时间，t ₀是车辆的初始行驶时间，t _f 是车辆的终止行驶时间，

是车辆行驶中消耗的总能量，j是车辆在行驶过程中有控制输入量u(t)时的不同采样时刻，length(u)w ₁是消耗能量的权重，w ₂是时间的权重，

是智能车距离障碍物边缘的最大值，

是智能车距离障碍物边缘的距离，w ₃是距离障碍物距离的权重，r _i 是智能车距离障碍物中心的距离，i是障碍物的中心，{O}是障碍物的集合，R _i 是智能车在障碍物边缘时距离障碍物中心的距离，LIM是限值，K是的值，c ₁、c ₂、c ₃、c ₄、c ₅、c ₆、c ₇、c ₈是常系数，x ₀是车辆的初始行驶位置，x _f 是车辆的终止行驶位置；

步骤2、提取步骤1中所生成轨迹的特征；

步骤3、判断所述特征是否满足预设的约束条件，如是，则以该轨迹作为最终的输出轨迹；如否，则根据预设的权重调整规则对权重

、

、

进行调整后，转至步骤1。

2.如权利要求1所述智能车辆自主行驶动态轨迹规划方法，其特征在于，所述轨迹的特征包含以下特征中的至少一种：能量消耗、终止时间、距离每个障碍物的最短距离、距离所有障碍物的平均最短距离、整条轨迹的长度、最大速度、最大转向速度、平均速度、平均转向速度、最大加速度、最小加速度、平均加速度。

3.如权利要求1所述智能车辆自主行驶动态轨迹规划方法，其特征在于，所述预设的约束条件包括状态空间的硬性约束条件，以及反映使用者意向的软约束条件。

4.一种智能车辆自主行驶动态轨迹规划系统，其特征在于，包括：轨迹生成模块、特征提取模块、估计模块、权重调整模块，所述轨迹生成模块通过最优控制方法搜索以下模型的最优解生成所述智能车辆的轨迹：

 

 

 x(t ₀)=x ₀，x(t _f )=x _f

其中，m是智能车辆的重量，c _s 是智能车辆的摩擦系数，u(t)是智能车辆行驶时输入的控制量，x＇(t)是车辆的行驶速度，x＂(t)是车辆的行驶加速度，J(u)是最优控制方法的评价函数，t是车辆的行驶时间，t ₀是车辆的初始行驶时间，t _f 是车辆的终止行驶时间，

是车辆行驶中消耗的总能量，j是车辆在行驶过程中有控制输入量u(t)时的不同采样时刻，length(u)w ₁是消耗能量的权重，w ₂是时间的权重，

是智能车距离障碍物边缘的最大值，

是智能车距离障碍物边缘的距离，w ₃是距离障碍物距离的权重，r _i 是智能车距离障碍物中心的距离，i是障碍物的中心，{O}是障碍物的集合，R _i 是智能车在障碍物边缘时距离障碍物中心的距离，LIM是限值，K是

的值，c ₁、c ₂、c ₃、c ₄、c ₅、c ₆、c ₇、c ₈是常系数，x ₀是车辆的初始行驶位置，x _f 是车辆的终止行驶位置；

所述特征提取模块提取轨迹生成模块所生成轨迹的特征，并将提取的特征传输至估计模块；估计模块判断特征提取模块所提取的特征是否满足预设的约束条件，如是，则将该轨迹作为最终轨迹规划结果输出，如否，则调用权重调整模块对权重

、

、

进行调整，并将调整后的权重输出至轨迹生成模块，重新生成新的轨迹。

5.如权利要求4所述智能车辆自主行驶动态轨迹规划系统，其特征在于，所述轨迹的特征包含以下特征中的至少一种：能量消耗、终止时间、距离每个障碍物的最短距离、距离所有障碍物的平均最短距离、整条轨迹的长度、最大速度、最大转向速度、平均速度、平均转向速度、最大加速度、最小加速度、平均加速度。

Images