CN106371439B - 一种统一的自动驾驶横向规划方法与系统 - Google Patents
一种统一的自动驾驶横向规划方法与系统 Download PDFInfo
- Publication number
- CN106371439B CN106371439B CN201610822955.4A CN201610822955A CN106371439B CN 106371439 B CN106371439 B CN 106371439B CN 201610822955 A CN201610822955 A CN 201610822955A CN 106371439 B CN106371439 B CN 106371439B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- potential field
- planning
- state
- track
- 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 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 17
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 238000011156 evaluation Methods 0.000 claims description 23
- 230000004888 barrier function Effects 0.000 claims description 9
- 230000001186 cumulative effect Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 230000008447 perception Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000004088 simulation Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course or altitude of land, water, air, or space vehicles, e.g. automatic pilot
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Abstract
一种统一的自动驾驶横向规划方法，包括：对本车周围环境信息进行统一描述；基于统一描述的本车周围环境信息，在车辆行驶过程中实时规划可执行轨迹；执行所述可执行轨迹，引导车辆横向运行；通过所述三个步骤，实现基于各类约束、性能指标和驾驶行为的最优局部轨迹规划。一种统一的自动驾驶横向规划系统，包括环境模型、规划算法和车辆控制三个子模块。环境模型子模块根据环境感知信息，并根据交通规则和交通参与者的性质，构建统一的局部环境模型，对本车周围环境信息进行统一描述，反映本车周围潜在危险程度；规划算法子模块考虑车辆非完整约束、安全与舒适性要求，并基于环境模型，在车辆行驶过程中实时规划可执行轨迹。
Description
技术领域
本发明属于汽车技术领域，涉及汽车自动驾驶系统，尤其涉及到汽车自动驾驶系统的横向规划技术。
背景技术
智能汽车技术在出行安全、节能环保等方面存在巨大潜力，被认为是解决交通拥堵、降低交通事故和改善环境污染的有效途径。在最近一段时间内，自动驾驶汽车技术得到广泛关注，成为未来汽车发展的主要方向之一。
一般而言，一个自动驾驶系统包括以下几个模块：环境感知模块、运动规划模块、控制执行模块和人机界面模块，上述四个模块对整个自动驾驶系统至关重要，直接影响系统的智能化水平；而运动规划模块负责对本车的横纵向运动进行规划，保障自动驾驶汽车的安全性、舒适性和稳定性，是自动驾驶系统不可或缺和至关重要的环节。
一个统一的自动驾驶横向运动规划模块需要综合考虑车辆非完整约束、生成轨迹的最优性以及针对不同交通场景的适应能力，因此横向运动规划是自动驾驶技术研究的重点方向。目前国内外有很多针对自动驾驶横向运动规划的研究，包括传统人工势场法、基于网格的搜索法、采样搜索法和离散最优方法等，以上方案各有优点，但是仍然存在不足，客观上存在进一步改进的迫切需求。
发明内容
本发明的目的在于提供一种统一的自动驾驶横向规划方法与系统，用于规划局部轨迹，引导本车安全行驶。
为达到上述目的，本发明采用的解决方案是：
一种统一的自动驾驶横向规划方法，包括以下步骤：(1)对本车周围环境信息进行统一描述；(2)基于统一描述的本车周围环境信息，在车辆行驶过程中实时规划可执行轨迹；(3)执行所述可执行轨迹，引导车辆横向运行；通过所述三个步骤，实现基于各类约束、性能指标和驾驶行为的最优局部轨迹规划。
步骤(1)中：势场模型对本车周围的交通参与者进行描述，并且考虑了实际交通规则和不同交通参与者的性质，在该环境模型中，本车周围每一个位置的危险程度通过具体的数值量化。上述的交通参与者包括但不限于车辆、行人、障碍物、车道线和路沿。
步骤(2)中：基于统一描述的本车周围环境信息，在本车行驶过程中实时规划可执行轨迹，并且考虑了车辆非完整约束、安全与舒适性要求；进一步包括状态生成、状态搜索和轨迹生成三个环节。
所述状态生成环节包括：(a)根据车辆运动和动力学约束构建车辆模型；(b)基于车辆模型和当前车辆父状态，在一组离散前轮转角输入下得到一组离散的车辆子状态。
所述状态搜索环节基于启发式搜索规则，通过构建一个评价函数对所生成的车辆状态进行评价，综合评价值最低的车辆状态被保存下来用于状态生成子模块的父状态；在上述的评价函数综合考虑了安全和舒适性的要求。
所述轨迹生成环节：当满足搜索终止条件时，根据上述的状态搜索环节的搜索结果，并根据各车辆状态之间的父子关系，生成当前期望的本车行驶轨迹及对应的横向控制输入量。
步骤(3)中：将前述步骤得到的当前期望的本车行驶轨迹及对应的横向控制量作为输入，并且考虑车辆模型不确定性和外部干扰，对本车进行横向补偿控制，引导本车沿着期望的轨迹运动。
一种统一的自动驾驶横向规划系统，包括：环境模型模块：对本车周围环境信息进行统一描述；规划算法模块：基于环境模型，在车辆行驶过程中实时规划可执行轨迹；车辆控制模块：用于执行规划算法模块输出的规划结果，引导车辆横向运行。所述的自动驾驶横向规划系统通过上述三个模块，实现基于各类约束、性能指标和驾驶行为的最优局部轨迹规划。
所述的环境模型模块采用势场模型对本车周围的交通参与者进行描述，并且考虑了实际交通规则和不同交通参与者的性质，在该环境模型模块中，本车周围每一个位置的危险程度通过具体的数值量化。上述的交通参与者包括但不限于车辆、行人、障碍物、车道线和路沿。
所述的规划算法模块基于环境模型，在本车行驶过程中实时规划可执行轨迹，并且考虑了车辆非完整约束、安全与舒适性要求。所述的规划算法包括状态生成、状态搜索和轨迹生成三个子模块。
所述状态生成子模块包括车辆模型和状态扩展两部分。(1)根据车辆运动和动力学约束构建车辆模型；(2)基于车辆模型和当前车辆父状态，在一组离散前轮转角输入下得到一组离散的车辆子状态。
所述状态搜索子模块，基于启发式搜索规则，通过构建一个评价函数对状态生成子模块生成的车辆状态进行评价，综合评价值最低的车辆状态被保存下来用于状态生成子模块的父状态。上述的评价函数综合考虑了安全和舒适性的要求。
当满足搜索终止条件时，所述的轨迹生成子模块根据上述的状态搜索子模块的搜索结果，并根据各车辆状态之间的父子关系，生成当前期望的本车行驶轨迹及对应的横向控制输入量。
所述的车辆控制模块将规划算法模块得到的当前期望的本车行驶轨迹及对应的横向控制量作为输入，并且考虑车辆模型不确定性和外部干扰，对本车进行横向补偿控制，引导本车沿着期望的轨迹运动。
由于采用上述技术方案，本发明具有以下有益效果：(1)通过构建统一的环境模型，能够有效应对交通场景的变化，简化上层行为决策模块；(2)根据车辆运动和动力学约束构建车辆模型，并利用该车辆模型对本车状态进行预测，最终规划的期望轨迹能够满足本车非完整约束的要求，规划结果是可执行的；(3)通过启发式搜索规则，对接下来一定范围内的本车状态进行搜索，能够有效避免局部极小值问题；(4)通过构建量化评价函数，考虑本车安全性、行驶舒适性和距离最优性，对每一个状态进行评价，保存评价值最小的状态用于轨迹生成，从而保证最终轨迹的最优性。
附图说明
图1是本发明一种统一的自动驾驶横向规划系统与方法功能模块示意图。
图2是本发明障碍物势场能量分布示意图。
图3是本发明障碍物势场能量三维分布示意图。
图4是本发明道路势场能量三维分布示意图。
图5是本发明环境模型势场能量分布示意图。
图6是二自由度车辆模型框架图。
图7是本发明本车车辆状态生成结果示意图。
图8是本发明状态搜索算法流程图。
图9是本发明状态搜索与轨迹生成结果示意图。
图10是本发明补偿控制器框图。
图11是本发明轨迹规划仿真结果轨迹示意图。
图12是本车转向盘转角示意图。
具体实施方式
以下结合附图所示实施例对本发明作进一步的说明。
本发明一种统一的自动驾驶横向规划系统与方法。如图1所示，包括环境模型、规划算法和车辆控制三个子模块。环境模型：根据环境感知信息，并根据交通规则和交通参与者的性质，构建统一的局部环境模型，对本车周围环境信息进行统一描述，反映本车周围潜在危险程度；规划算法：考虑车辆非完整约束、安全与舒适性要求，并基于环境模型，在车辆行驶过程中实时规划可执行轨迹；车辆控制：用于执行规划算法模块输出的规划结果，引导车辆横向运行。本发明是一种统一的自动驾驶横向规划方法，通过上述三个模块，实现基于各类约束、性能指标和驾驶行为的最优局部路径规划。
1、环境模型
环境模型是本发明一种统一的自动驾驶横向规划方法的基础。在该实施例中，环境模型通过一个统一的势场模型来实现。基于交通规则和交通参与者的性质，本车周围的环境信息被映射到该势场模型中，不同的交通参与者通过不同的子势场模型进行描述，最终的势场模型是所有子势场模型的组合。该实施例中讨论两种子势场模型：障碍物子势场模型和道路子势场模型。
1)障碍物子势场模型
实际交通场景中障碍物种类很多，包括移动障碍物和静止障碍物。建立障碍物势场的目的是描述本车与周围障碍物发生碰撞的危险程度。另外根据本车运动约束和行车规则，本车横向与纵向的碰撞危险范围和程度是不一样的，一般纵向碰撞危险的范围比横向碰撞危险的范围要大。因此障碍物的势场分布可以通过图2描述。
为实现上述障碍物势场分布，针对本车车辆坐标系下的任意一点P(x,y)，由障碍物i引起的势场值满足：
其中Aobs表示障碍物i的最大势场值，(xobs(i),yobs(i))代表本车离障碍物i最近的点，σx,σy代表障碍物势场在x和y方向上的收敛系数；所述系数可以但不限于根据离线仿真结果显示的势场三维分布效果图进行修改和调整。障碍物i的势场三维分布示意图如图3所示。
2)道路子势场模型
在自动驾驶过程中，本车需要考虑车道线和道路边界约束，避免偏离车道和驶入逆向车道的风险。一般地，根据交通规则，车道线可以分为两类：可跨越车道线和不可跨越车道线。
在本实施例中，每一条车道线被拟合成为一个三次多项式，表示为：
y＝a3·x3+a2·x2+a0 (式1-2)
其中a3，a2和a1为多项式系数；所述系数为实际车道线检测后，在车辆坐标系下，采用三次多项式对车道线进行拟合得到的结果。
为描述任意一条车道线的势场分布情况，针对本车车辆坐标系下的任意一点P(x,y)，由车道线i引起的势场值满足：
其中di是点P(x,y)到车道线i的最短距离，b为本车车宽，dc为安全阈值。hi为车道线势场幅值调节系数；所述系数可以但不限于根据离线仿真结果显示的势场三维分布效果图进行修改和调整。
如前所述，车道线分为不可跨越和可跨越两类，针对可跨越车道线，其中心幅值既要保证本车在正常情况下在车道内行驶，又需要保证满足换道需求。而对于不可跨越车道线，其中心幅值应该足够大，以避免本车跨越。在本实施例中，上述要求通过系数hi进行调节。道路势场三位分布示意图如图4所示。
根据上述分析，最终的环境模型可以通过下式进行统一描述：
其中m为障碍物数量，n为可跨越车道线数量，q为不可跨越车道线数量，hc和hnc为车道线中心幅值调节系数；所述系数可以但不限于根据离线仿真结果显示的势场三维分布效果图进行修改和调整。最终的环境模型势场分布示意图如图5所示。
2、规划算法
所述的规划算法基于环境模型，在本车行驶过程中实时规划可执行轨迹，并且考虑了车辆非完整约束、安全与舒适性要求。所述的规划算法包括状态生成、状态搜索和轨迹生成三个子模块。
1)状态生成
状态生成子模块用于对本车状态进行预测，包括车辆模型和状态扩展两个部分。
(1)车辆模型
综合考虑状态预测精度和运算效率，本实施例采用车辆二自由度模型和车辆运动学模型组合的方式建立车辆模型。车辆二自由度模型的框架如图6所示。其状态方程可以表述为：
其中m为本车质量，Iz为横摆转动惯量，v是车速，kf和kr前后轮的轮胎侧片刚度，lf和lr为前后轴到车辆重心的距离，β为质心侧偏角，ωr为横摆角速度，δh为转向盘转角，is为转向传动比。
车辆运动学方程可以表述为：
因此最终的车辆模型可以总结为：
(2)状态扩展
基于车辆模型和本车父车辆状态，在一组离散转向盘转角输入下，可以得到一组离散的本车子车辆状态。该过程可以表述为：
其中
为式2-6所述的车辆模型，对于每一个车辆状态X可以表述为X＝[x,y,ψ,β,ωr,δ,v,Δt]T。
由于车辆前轮转角约束，在状态扩展过程中，转向盘转角输入满足：
-θmax≤δi≤θmax (式2-8)
状态生成结果示意图如图7所示。
2)状态搜索
如图8所示，基于启发式搜索规则，状态搜索子模块通过构建一个评价函数对状态生成子模块生成的车辆状态进行评价，综合评价值最低的车辆状态被保存下来用于状态生成子模块的父状态。上述的评价函数综合考虑了安全和舒适性的要求。状态搜索模块包括评价函数和搜索算法两个部分。
(1)评价函数
评价函数用于对状态生成模块生成的每一个车辆状态进行评价，实现安全性与舒适性的最优化。在该实施例中，评价函数由四部分内容组成，包括势场值、输入、累计距离和启发式距离。
a)势场值
如前文所述，势场值反映了本车周围某一点的碰撞危险程度，势场值越大，碰撞危险越大。因此在状态搜索过程中，势场值越小的状态具有优先被选择权。
b)输入
在自动驾驶过程中，一个非常重要的控制目标就是使得实际的横向输入尽可能的小，以保证安全性与舒适性。因此在状态搜索过程中，在保证无碰撞的前提下，转向盘转角输入越小的状态具有优先被选择权。
c)累计距离
累计距离表示由初始车辆状态到当前车辆状态的距离，在该实施例中，累计距离用相邻两车辆状态之间的欧式距离累加得到。计算方法可以通过下式表示为：
d(s)＝d(sparent)+Δd (式2-9)
其中sparent表示当前车辆状态的父车辆状态，d(sparent)表示父车辆状态的累计距离，Δd表示当前车辆状态与父车辆状态之间的欧氏距离。
d)启发式距离
启发式距离表示当前状态离目标的距离，在该实施例中，启发式距离用当前车辆状态到期望车道中心线的最短距离表示如下：
h(s)＝dmin(s,lane) (式2-10)
其中lane表示当前期望的车道。
通过上述分析，得到评价函数可以表述为：
f(s)＝kP·P(s)+ku·u(s)+kd·d(s)+kh·h(s) (式2-11)
其中s为当前状态，P(s)为势场值，u(s)为转向盘输入，d(s)为累计距离，h(s)为启发式距离，kp，ku，kd和kh为各评价指标对应的权重系数；上述参数可以但不限于根据不同场景下应用该方法进行仿真得到的轨迹效果进行调整和修改。
(2)搜索算法
基于状态生成子模块生成的车辆状态和评价函数，就可以对状态进行搜索。该实施例采用启发式搜索规则对状态进行搜索，具体搜索流程如图8所示。搜索结果示意图如图9所示；从图9可以看出，搜索过程考虑了式2-11中四个参数的综合影响。一，搜索得到的轨迹根据周围环境势场分布的大小，自动选择势场能量分布小的区域；二，搜索得到的轨迹尽可能得保证不大幅偏离原车道，避免了转向输入的过大化带来的负面影响。
3)轨迹生成
当满足搜索终止条件时，所述的轨迹生成子模块根据上述的状态搜索子模块的搜索结果，并根据各车辆状态之间的父子关系，生成当前期望的本车行驶轨迹及对应的横向控制输入量。在该实施例中，根据状态子车辆状态与父车辆状态之间的对应关系，采用逆向方式确定最终生成的轨迹。轨迹生成结果示意图如图9所示；从图9显示的轨迹可以看出，搜索结果满足式2-11评价函数的综合评价。一，搜索得到的轨迹根据周围环境势场分布的大小，自动选择势场能量分布小的区域；二，搜索得到的轨迹尽可能得保证不大幅偏离原车道，避免了转向输入的过大化带来的负面影响。
3、车辆控制
所述的车辆控制模块将规划算法得到的当前期望的本车行驶轨迹及对应的横向控制量作为输入，并且考虑车辆模型不确定性和外部干扰，对本车进行横向补偿控制，引导本车沿着期望的轨迹运动。具体控制框图如图10所示。
图11显示了基于本发明一种统一的自动驾驶横向规划系统与方法进行仿真得到的自动驾驶仿真结果，其中虚线表示本车实际行驶的轨迹，实线表示当前时刻规划的期望轨迹。从图11显示的已行驶轨迹(虚线)和期望行驶轨迹(实线)可以看出，该实施例的方法能够实现本车轨迹实时规划并保证行驶轨迹的平稳性。图12是本车转向盘转角仿真结果示意图。从图12显示的转向盘转角信息可以看出，本车行驶过程中转向较平稳，未出现大幅波动和抖动的情况。
上述的实施例的描述是为了便于该技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对这些实施例做出各种修改，并把在此说明的一般原理应用到其他实施例中而不必经过创造性劳动。因此，本发明不限于上述实施例，本领域技术人员根据本发明的揭示，不脱离本发明的范畴所做出的改进和修改都应该在本发明的保护范围之内。
Claims (8)
1.一种统一的自动驾驶横向规划方法，其特征在于，包括以下步骤：(1)根据不同交通参与者性质，建立环境势场模型对本车周围每一个位置的危险程度通过具体的势场能量量化；(2)基于环境势场模型，通过势场值与累计距离、转向盘输入、启发式距离构建启发式搜索的评价函数，在车辆行驶过程中实时规划可执行轨迹；(3)执行所述可执行轨迹，引导车辆横向运行；通过所述三个步骤，实现基于各类约束、性能指标和驾驶行为的最优局部轨迹规划。
2.根据权利要求1所述的统一的自动驾驶横向规划方法，其特征在于，步骤(1)中：环境势场模型对本车周围的交通参与者进行描述，并且考虑了实际交通规则和不同交通参与者的性质；对本车周围每一个位置的危险程度通过具体的势场能量量化；优选地，所述的交通参与者包括车辆、行人、障碍物、车道线和路沿；
其中针对本车车辆坐标系下的任意一点P(x,y)，由障碍物i引起的势场值满足：
其中Aobs表示障碍物i的最大势场值，(xobs(i),yobs(i))代表本车离障碍物i最近的点，σx,σy代表障碍物势场在x和y方向上的收敛系数，c为障碍物势场形状的调节系数；
针对本车车辆坐标系下的任意一点P(x,y)，由车道线j引起的势场值满足：
其中dj是点P(x,y)到车道线j的最短距离，b为本车车宽，dc为安全阈值， hj为车道线势场幅值调节系数。
3.根据权利要求1所述的统一的自动驾驶横向规划方法，其特征在于，步骤(1)中：环境势场模型可以通过下式进行统一描述：
其中，Aobs表示障碍物i的最大势场值，(xobs(i),yobs(i))代表本车离障碍物i最近的点，σx,σy代表障碍物势场在x和y方向上的收敛系数，c为障碍物势场形状的调节系数；dj是点P(x,y)到车道线j的最短距离，b为本车车宽，dc为安全阈值；m为障碍物数量，n为可跨越车道线数量，q为不可跨越车道线数量，hc和hnc为车道线中心幅值调节系数。
4.根据权利要求1所述的统一的自动驾驶横向规划方法，其特征在于，步骤(2)中：基于统一描述的本车周围环境信息，在本车行驶过程中实时规划可执行轨迹，并且考虑了车辆非完整约束、安全与舒适性要求；优选地，进一步包括状态生成、状态搜索和轨迹生成三个环节；优选地，所述状态生成环节基于车辆模型和当前车辆父状态，在一组满足前轮转角约束的离散前轮转角输入下得到一组离散的车辆子状态；
所述状态搜索环节基于启发式搜索规则评价函数综合考虑了安全和舒适性的要求，具体设置如下：
f(s)＝kP·P(s)+ku·u(s)+kd·d(s)+kh·h(s)
其中s为当前状态，P(s)为势场值，u(s)为转向盘输入，d(s)为累计距离，h(s)为启发式距离，kp，ku，kd和kh为各评价指标对应的权重系数；
所述轨迹生成环节：当搜索状态到达设定目标时终止搜索，根据最终搜索结果，生成当前期望的本车行驶轨迹及对应的横向控制输入量。
5.一种实现权利要求1至4中任一所述方法的统一的自动驾驶横向规划系统，其特征在于，包括，环境模型模块：根据不同交通参与者性质，建立环境势场模型对本车周围每一个位置的危险程度通过具体的势场能量量化；规划算法模块：基于环境模型模块，通过势场值与累计距离、转向盘输入、启发式距离构建启发式搜索的评价函数，在车辆行驶过程中实时规划可执行轨迹；车辆控制模块：用于执行规划算法模块输出的规划结果，引导车辆横向运行；所述三个模块相互配合，同时实现基于车辆非完整约束与环境约束、各类性能指标和驾驶行为的最优局部轨迹规划。
6.根据权利要求5所述的统一的自动驾驶横向规划系统，其特征在于，所述的环境模型模块对本车周围的交通参与者进行描述，并且考虑了实际交通规则和不同交通参与者的性质；对本车周围每一个位置的危险程度通过具体的势场能量量化；优选地，所述的交通参与者包括车辆、行人、障碍物、车道线和路沿；
其中针对本车车辆坐标系下的任意一点P(x,y)，由障碍物i引起的势场值满足：
其中Aobs表示障碍物i的最大势场值，(xobs(i),yobs(i))代表本车离障碍物i最近的点，σx,σy代表障碍物势场在x和y方向上的收敛系数，c为障碍物势场形状的调节系数；
针对本车车辆坐标系下的任意一点P(x,y)，由车道线j引起的势场值满足：
其中dj是点P(x,y)到车道线j的最短距离，b为本车车宽，dc为安全阈值， hj为车道线势场幅值调节系数。
7.根据权利要求5所述的统一的自动驾驶横向规划系统，其特征在于，环境势场模块可以通过下式进行统一描述：
其中，Aobs表示障碍物i的最大势场值，(xobs(i),yobs(i))代表本车离障碍物i最近的点，σx,σy代表障碍物势场在x和y方向上的收敛系数，c为障碍物势场形状的调节系数；dj是点P(x,y)到车道线j的最短距离，b为本车车宽，dc为安全阈值；m为障碍物数量，n为可跨越车道线数量，q为不可跨越车道线数量，hc和hnc为车道线中心幅值调节系数。
8.根据权利要求5所述的统一的自动驾驶横向规划系统，其特征在于，所述的规划算法包括状态生成子模块、状态搜索子模块和轨迹生成子模块； 优选地，所述状态生成子模块基于车辆模型和当前车辆父状态，在一组满足前轮转角约束的离散前轮转角输入下得到一组离散的车辆子状态；
所述状态搜索子模块，基于启发式搜索规则，评价函数综合考虑了安全和舒适性的要求，具体设置如下：
f(s)＝kP·P(s)+ku·u(s)+kd·d(s)+kh·h(s)
其中s为当前状态，P(s)为势场值，u(s)为转向盘输入，d(s)为累计距离，h(s)为启发式距离，kp，ku，kd和kh为各评价指标对应的权重系数；
当搜索状态到达设定目标时终止搜索，所述的轨迹生成子模块根据最终搜索结果生成当前期望的本车行驶轨迹及对应的横向控制输入量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610822955.4A CN106371439B (zh) | 2016-09-13 | 2016-09-13 | 一种统一的自动驾驶横向规划方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610822955.4A CN106371439B (zh) | 2016-09-13 | 2016-09-13 | 一种统一的自动驾驶横向规划方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106371439A CN106371439A (zh) | 2017-02-01 |
| CN106371439B true CN106371439B (zh) | 2020-11-20 |
Family
ID=57896827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610822955.4A Active CN106371439B (zh) | 2016-09-13 | 2016-09-13 | 一种统一的自动驾驶横向规划方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106371439B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107544496A (zh) * | 2017-08-25 | 2018-01-05 | 江苏大学 | 一种改进余弦换道模型的轨迹规划方法 |
| JP6946861B2 (ja) * | 2017-08-29 | 2021-10-13 | トヨタ自動車株式会社 | 自動運転評価装置及び自動運転評価方法 |
| CN108045373B (zh) * | 2017-09-11 | 2019-09-27 | 同济大学 | 一种自动驾驶纵向统一规划方法及系统 |
| DE102018215949A1 (de) * | 2018-09-19 | 2020-03-19 | Robert Bosch Gmbh | Verfahren zur Trajektorienplanung eines beweglichen Objektes |
| CN110081894B (zh) * | 2019-04-25 | 2023-05-12 | 同济大学 | 一种基于道路结构权值融合的无人车轨迹实时规划方法 |
| WO2021142799A1 (zh) * | 2020-01-17 | 2021-07-22 | 华为技术有限公司 | 路径选择方法和路径选择装置 |
| CN112498368B (zh) * | 2020-11-25 | 2022-03-11 | 重庆长安汽车股份有限公司 | 自动驾驶偏移的横向轨迹规划系统及方法 |
| CN112947492B (zh) * | 2021-04-14 | 2023-09-22 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
| CN114239974B (zh) * | 2021-12-21 | 2022-10-25 | 清华大学 | 多智能体的位置预测方法、装置、电子设备及存储介质 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0854353A2 (en) * | 1997-01-15 | 1998-07-22 | Zexel Corporation | Route determination in a vehicle navigation system |
| CN1737502A (zh) * | 2005-08-05 | 2006-02-22 | 北京工业大学 | 延误风险规避的车载导航系统准动态路线优化方法 |
| CN101281037A (zh) * | 2007-04-05 | 2008-10-08 | 财团法人车辆研究测试中心 | 自动停车装置 |
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN102795225A (zh) * | 2012-09-10 | 2012-11-28 | 北京理工大学 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
| CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
| CN104360687A (zh) * | 2014-11-06 | 2015-02-18 | 北京矿冶研究总院 | 一种地下铲运机多模式自主行驶控制方法 |
| CN104787045A (zh) * | 2014-01-16 | 2015-07-22 | 丰田自动车工程及制造北美公司 | 用于自动驾驶系统的横向操纵规划器 |
| CN104897168A (zh) * | 2015-06-24 | 2015-09-09 | 清华大学 | 基于道路危险评估的智能车路径搜索方法及系统 |
| CN105539586A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的车辆躲避移动障碍物的统一的运动规划 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7720993B2 (en) * | 2003-12-17 | 2010-05-18 | Palo Alto Research Center Incorporated | Information driven routing in ad hoc sensor networks |
-
2016
- 2016-09-13 CN CN201610822955.4A patent/CN106371439B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0854353A2 (en) * | 1997-01-15 | 1998-07-22 | Zexel Corporation | Route determination in a vehicle navigation system |
| CN1737502A (zh) * | 2005-08-05 | 2006-02-22 | 北京工业大学 | 延误风险规避的车载导航系统准动态路线优化方法 |
| CN101281037A (zh) * | 2007-04-05 | 2008-10-08 | 财团法人车辆研究测试中心 | 自动停车装置 |
| CN102591332A (zh) * | 2011-01-13 | 2012-07-18 | 同济大学 | 用于无人驾驶汽车局部路径规划的装置及方法 |
| CN102795225A (zh) * | 2012-09-10 | 2012-11-28 | 北京理工大学 | 利用驾驶员侧纵向控制模型检测驾驶员干扰状态的方法 |
| CN104787045A (zh) * | 2014-01-16 | 2015-07-22 | 丰田自动车工程及制造北美公司 | 用于自动驾驶系统的横向操纵规划器 |
| CN103760904A (zh) * | 2014-02-13 | 2014-04-30 | 北京工业大学 | 一种语音播报式智能车辆路径规划装置与实施方法 |
| CN105539586A (zh) * | 2014-08-29 | 2016-05-04 | 通用汽车环球科技运作有限责任公司 | 用于自主驾驶的车辆躲避移动障碍物的统一的运动规划 |
| CN104360687A (zh) * | 2014-11-06 | 2015-02-18 | 北京矿冶研究总院 | 一种地下铲运机多模式自主行驶控制方法 |
| CN104897168A (zh) * | 2015-06-24 | 2015-09-09 | 清华大学 | 基于道路危险评估的智能车路径搜索方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| 《基于危险斥力场的自动驾驶汽车主动避撞局部路径规划》;肖浩等;《工程设计学报》;20121028;第19卷(第5期);第380-384页 * |
| 《自动公路系统横向控制研究》;吴超仲等;《交通与计算机》;20010315;第19卷(第3期);第23-25页 * |
| 《车辆自动驾驶系统纵向和横向运动综合控制》;冀杰等;《中国公路学报》;20100915;第23卷(第5期);第119-126页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106371439A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106371439B (zh) | 一种统一的自动驾驶横向规划方法与系统 | |
| CN109375632B (zh) | 自动驾驶车辆实时轨迹规划方法 | |
| CN110597245B (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
| WO2018176593A1 (zh) | 一种面向无人自行车的局部避障路径规划方法 | |
| CN110749333B (zh) | 基于多目标优化的无人驾驶车辆运动规划方法 | |
| Wei et al. | A behavioral planning framework for autonomous driving | |
| CN112577506B (zh) | 一种自动驾驶局部路径规划方法和系统 | |
| Zhang et al. | Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework | |
| CN111896004A (zh) | 一种狭窄通道车辆轨迹规划方法及系统 | |
| Yuan et al. | Mixed local motion planning and tracking control framework for autonomous vehicles based on model predictive control | |
| CN111459159A (zh) | 一种路径跟随控制系统及控制方法 | |
| Liu et al. | Impact of sharing driving attitude information: A quantitative study on lane changing | |
| Liu et al. | Research on local dynamic path planning method for intelligent vehicle lane-changing | |
| Li et al. | Semantic-level maneuver sampling and trajectory planning for on-road autonomous driving in dynamic scenarios | |
| Micheli et al. | NMPC trajectory planner for urban autonomous driving | |
| Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
| Gu et al. | Safe-state enhancement method for autonomous driving via direct hierarchical reinforcement learning | |
| Guan et al. | Learn collision-free self-driving skills at urban intersections with model-based reinforcement learning | |
| Xing et al. | Vehicle motion planning with joint cartesian-frenét mpc | |
| Zhang et al. | An intelligent driver model with trajectory planning | |
| Elmi et al. | Path planning using model predictive controller based on potential field for autonomous vehicles | |
| Wang et al. | A hybrid trajectory planning strategy for intelligent vehicles in on-road dynamic scenarios | |
| Yu et al. | Hierarchical framework integrating rapidly-exploring random tree with deep reinforcement learning for autonomous vehicle | |
| CN114167860B (zh) | 一种自动驾驶最优轨迹生成方法及装置 | |
| Liu et al. | A model for safe lane changing of connected vehicles based on quintic polynomial Trajectory planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |