CN110081894A - 一种基于道路结构权值融合的无人车轨迹实时规划方法 - Google Patents

Abstract

本申请提供一种基于道路结构权值融合的无人车轨迹实时规划方法，适用于无人车在自主驾驶过程中的智能轨迹规划。采用的技术方案包括：1通过查表方式以简化车辆运动方程计算；2基于广度优先搜索的结构化与非结构化环境赋权方法；3动态目标区域决策；4融合车辆动力学特性的改进A*路径搜索算法；5动态场景增量式轨迹规划。利用结构化与非结构化环境赋权方法统一了各类环境下的无人车轨迹规划问题；利用动态场景增量式轨迹规划实现了轨迹的连续性和稳定性，保证无人车在低、中、高速下的运行平稳性；对车辆运动方程以及碰撞检测过程进行简化近似，通过避免浮点运算有效增强了轨迹规划算法的效率，使其达到近实时，并且保证了轨迹规划的正确性。

Description

一种基于道路结构权值融合的无人车轨迹实时规划方法

技术领域

本申请是一种可应用于无人车在结构化与非结构化驾驶场景中的一种通用 的实时轨迹规划方法。适用于无人车在高速公路、城区道路、停车场等区域的 自主驾驶过程中的智能轨迹规划。

背景技术

轨迹是无人驾驶系统智能决策规划系统的结果。无人车根据所规划出的轨 迹进行循迹控制，从而实现自主行驶。当前大部分无人车决策规划系统需要区 分结构化和非结构化的驾驶场景，在前一场景中采用基于地图预定路径以及车 辆动力学约束生成多条候选轨迹，而后根据障碍物的分布进行实时选择。该方 法效率高，技术难度低，但需依赖精准的车道信息，难以在非机构化的驾驶场 景如广场等区域应用。并且，该种方法由于其贪心策略在复杂驾驶场景中难以 实现优化的驾驶决策。在非结构化场景中，现有无人驾驶系统一般采用在网格 地图上使用A*以及RRT等搜索算法进行规划的方法，但其一般实时性较差， 需要秒级才能产生出自主行驶轨迹，因此只适用于低速场景，无法应用于正常 结构化道路中的中、高速行驶。此外，区分结构化和非结构化场景的轨迹规划 方法需根据高精地图或感知信息进行规划策略的在线切换，降低了无人车驾驶 决策过程的智能性。综上，目前尚未有一种实时的轨迹规划方法可同时满足无 人车在结构化道路和非结构化环境中的自主无人驾驶。

发明内容

本发明提出了一种可以通用于结构化道路和非结构化环境的实时无人车轨 迹规划方法。各类结构化以及非结构化道路信息，如车道线、停车位、停止线、 静态障碍物以及动态交通对象等信息均被设定为合适的权值并融合在轨迹规划 的决策格网地图中；借助顾及车辆动力学模型的A*算法，并结合多种搜索优化 方法进行最优轨迹的规划。

本申请所采用的技术方案是：

步骤1，构建角度-位移增量表以简化运动方程计算，在保证轨迹正确性的 同时极大提升了轨迹规划算法的效率，为步骤4的路径搜索算法提供车辆动力 学约束。

步骤2，对环境赋权获得权重地图：

先将环境对象进行分类，可以分类为车道、车道线、空地、静态障碍物、 动态障碍物和参考路径等。

使用本领域已有的广度优先搜索算法用于计算出栅格地图中每个格子到每 类环境对象的距离，从而分别根据每类环境对象的权值计算公式用于计算出每 类环境对象在某个格子处的权值，在得到的各类环境对象的权值中，选取最大 的权值设置为该格子处的权值；

对栅格地图中每个格子处都使用上述权值设置方法，遍历，从而得到栅格 地图对应的权重地图；

得到的权重地图为步骤4的路径搜索算法提供权重约束，实现统一的轨迹 规划。

步骤3，动态目标区域决策：

根据参考路径进行每次规划的目标区域选择，拟人、智能化地采用具有一 定空间范围的区域作为轨迹规划目标，突破传统规划算法必须基于特定目标点 的限制，为步骤4的路径搜索算法提供搜索目标。

步骤4，融合车辆动力学特性的A*路径搜索算法：

传统的A*路径搜索算法的结果是一条陡峭，没有方向约束的路径，且其启 发值一般为到目标点的最短欧式距离，该路径结果无法满足汽车的行驶要求， 也无法在复杂的驾驶环境中有效引导路径搜索过程。

本申请提出一种基于近似最短路并融合车辆动力学特性的改进A*路径搜索 算法，从而可以大幅加快A*搜索过程，并使结果路径满足汽车行驶的动力学要 求。

步骤5，动态场景增量式轨迹规划：

由于步骤4优化的A*轨迹规划算法具有很强的灵活性，因此在动态场景中 容易出现由于权值变化导致的轨迹抖动，这也是最优路径搜索算法在中、高速 下应用的瓶颈。

本申请公开的增量式的轨迹规划方法，对车辆的安全距离进行动态设置， 保持安全距离内轨迹的稳定性，并增量式的对轨迹进行拓展搜索，从而实现了 灵活而又稳定的轨迹规划结果。

本申请的创新点为：

1.通过查表方式以简化车辆运动方程计算；

2.基于广度优先搜索的结构化与非结构化环境赋权方法；

3.动态目标区域决策；

4.融合车辆动力学特性的改进A*路径搜索算法；

5.动态场景增量式轨迹规划。

与现有技术相比，本申请的有益效果是：

1.利用结构化与非结构化环境赋权方法统一了各类环境下的无人车轨迹规 划问题；

2.利用动态场景增量式轨迹规划实现了轨迹的连续性和稳定性，保证无人 车在低、中、高速下的运行平稳性；

3.对车辆运动方程以及碰撞检测过程进行简化近似，通过避免浮点运算有 效增强了轨迹规划算法的效率，使其达到近实时，并且保证了轨迹规划的正确 性。

附图说明

图1为本申请实施例提供的算法框图；

图2为本申请实施例提供的采用角度-位移增量表表示的车辆动力学示意图；

图3为本申请实施例提供的步骤2子图；

图4为本申请实施例提供的地图权值设置；

图5为本申请实施例提供的步骤3子图；

图6为本申请实施例提供的传统的A*路径搜索算法中启发值计算图；

图7为本申请实施例提供的实时障碍物检测；

图8为本申请实施例提供的步骤6子图；

图9为本申请实施例提供的路径动态保持示意图；

图10为本申请实施例提供的增量式规划示意图；

图11为本申请实施例提供的结构化道路场景规划结果；

图12为本申请实施例提供的非结构化道路场景规划结果。

具体实施方式

以下结合具体实施例及附图对本申请技术方案做进一步介绍。

步骤1构建角度-位移增量表来简化步骤1运动方程计算。

步骤1.1、车辆在连续时间和空间中的运动，该车辆运动方程可表征为：

dx(t)＝v*dt*cos(θ_t)

dy(t)＝v*dt*sin(θ_t)

θ_t∈[-k，k]

当前以v的速度进行行驶，当前的航向角为θ_t，当前情况下航向角允许的 变化为-k到k。

步骤1.2以车为正中心，以行、列构成的阵列表格来离散化表示车角度-位 移增量的运动过程。

所述表格命名为“角度-位移增量表”，以车为正中心，每个格子与正中心之 间的欧式距离表示位移，每个格子与正中心之间形成夹角表示角度。

由于步骤1.1运动方程表示车辆在连续时间和空间中的运动，有较多浮点运 算和三角函数运算，因此以车为正中心，构建21*21行列的角度-位移增量表来 离散化该运动过程，该角度-位移增量表与地图格网采用同一分辨率。

步骤1.3离散化航向角取值范围。

车辆在t时刻的航向角为θ_t，取值范围为0度到360度的连续范围，以角度 -位移增量表正中心正上方格子与表正中心格子(即车所在的正中心位置)连线 为0度线，计算表中每个格子与所述表正中心格子连线跟0度线的偏差角A，从 而将航向角θ_t的取值范围离散化为这些偏差角A的取值，偏差角A的计算公式 为：

其中A表示格子的偏差角；w表示格子距表格正中心格子的横向距离，格子 在表格中心左方，w为负值，反之格子在表格中心右方，w为正值；h表示格子 距表格中心的纵向距离，格子在表格中心上方，h为正值，反之格子在表格中心 下方，h为负值。以构建21*21行列的角度-位移增量表为例，得441个偏差角， 去除偏差角相同的角度，总共得到256个离散的不同角度，确定离散的航向角 取值范围。如图2所示。

步骤1.4使用角度-位移增量表近似运动方程。

由步骤1.3得到离散的航向角取值范围后，使用该离散的角度A表示车辆t 时刻的航向角A_t，查询角度-位移增量表中计算出该A_t角度的格子，得到该格子 相对于表格中心的横向距离为w_t，纵向距离为h_t，使用这两个值分别代替运动 方程的dx(t)和dy(t)，即：

dx(t)≈w_t

dy(t)≈h_t

A_t∈A

由于步骤1.2和1.3以离线的形式进行，因此当车辆在线实时驾驶时，仅需 通过步骤1.4查表查询的方式得到车辆的近似位移，以达到仅通过查询的方式简 化车辆运动方程。

如图2所示构建的行列21*21的角度-位移增量表，作为矩阵，该矩阵中每 个格子元素存储了从该表中心到该矩阵元素的欧式距离D、航向夹角。该矩阵 通过离线计算得到，与规划地图数据格网采用同一分辨率。利用角度-位移增量 表，使用定点查表计算来逼近智能车可行驶方向范围的运动方程计算结果。此 为本申请首创的“角度-位移增量表”的重大意义。

根据车身速度和最大曲率限制路径搜索角度，计算角度的三角函数会计算 量极大，而本申请通过图2中的线来离散地近似搜索角度，每根从中心出发的 线为一个角度，在路径搜索时限制车辆航向角周围的搜索的线的数量可以达到 限制角度的目的，从而近似地使路径搜索符合步骤1.1一样的车辆动力学约束且 提升搜索效率。

步骤2对环境赋权以得到权重地图：

先将环境对象进行分类，可以分类为车道、车道线、空地、静态障碍物、 动态障碍物和参考路径等；具体赋权操作时，对环境对象分别进行非结构、结 构化赋权值操作，其中非结构环境对象包括空地、静态障碍物、动态障碍物和 参考路径，其中结构环境对象包括车道、车道线和非结构环境对象。

步骤2.1使用广度优先搜索算法(本领域成熟算法)可计算出栅格地图每个 格子到每类对象的距离d用于对环境赋权，

根据对象类别可分为：到车道中心的距离d₁，到车道线的距离d₂，到静态 障碍物的距离d₃，到动态障碍物的距离d₄，到参考路径的距离d₅。

步骤2.2结构化环境赋权值

步骤2.2.1车道区域：对车道区域，车辆需尽量行驶在车道中心，因此车道 中心位置权值应最低，远离车道中心位置的权值随距离车道中心的距离增加， 该权值计算公式为：

其中W₁为权值；a₁为增长系数，代表该区域权值的增长速度；d₁为距车道 中心的距离。

步骤2.2.2车道线区域：对车道线区域，车辆应尽量不靠近车道线，因此车 道线的权值应较高，远离车道线的权值随距车道线的距离而减小，该权值计算 公式为：

其中W₂为权值；M为可调整的常数，代表车道线处的最高权值；a₂为衰减 系数，代表该区域权值的衰减速度；d₂为距车道线的距离。

步骤2.3非结构化环境赋权值

步骤2.3.1空地区域：在空地区域，车辆可随意行驶，在满足车辆安全、舒 适的情况下轨迹最短即可，因此，对空地区域设置无差别的权值，记为B。

步骤2.3.2静态障碍物区域：车辆应避开障碍物行驶，因此在静态障碍物的 危险距离R内，越靠近障碍物，权值应急剧升高，直至无穷，该权值计算公式 为：

其中W₃为该区域的权值，a₃为衰减系数，代表该区域权值的衰减速度，d₃为距离静态障碍物的距离，R为根据车辆大小设置的与障碍物的危险距离；在 该危险距离R之外，权重值为0。

步骤2.3.3动态障碍物区域：对动态障碍物，需预测出其未来轨迹，在其预 测轨迹上，权值沿着轨迹递减，该权值计算公式为：

其中W₄为权值；a₄为衰减系数，代表该区域权值的衰减速度；e为自然常 数；d₄为预测轨迹的距离。

步骤2.3.4参考路径区域：参考路径提供了行驶的方向参考，车辆应尽量沿 着参考路径行驶，因此将参考路径上的权值设为全局最小，其它位置权值随距 离参考路径的距离增加而增加。该权值计算公式为：

W₅＝log(1+a₅*d₅)

其中W₅为权值；a₅为增长系数，代表该区域权值的增长速度；d₅为距参考 路径的距离。

步骤2.4对于栅格地图中每个格子的权值，通过步骤2.2和步骤2.3将有W₁、 W₂、W₃、W₄、W₅、B共六种取值情况，选择当中最大的值作为该格子的最终 权值，从而得到权值地图，如图4所示。图4中，权值从高到低的颜色变淡，车 道线为图中白色直线，障碍物为图中深黑色矩形。

步骤3动态目标区域决策，如图5所示。

步骤3.1获取车辆周围的实时环境地图，并根据当前车辆定位信息读取网格 地图数据，得到参考路径。

步骤3.2车辆决策的目标为默认沿参考路径行驶，但可根据环境障碍物以及 道路结构信息偏离参考路径。在目标选择时，具体做法是：

步骤3.2.1从车辆当前点开始，基于广度优先搜索，得到网格地图中的每一 个点的可达性。

步骤3.2.2若网格地图中参考路径最远点可达，则设置该点为目标点，若该 参考路径最远点不可达，则从该点沿参考路径横向平均采样几个点作为备选目 标点。

步骤3.2.3判断备选目标点的可达性，选取距离参考路最近的可达备选目标 点作为最终目标点。

步骤3.2.4若以上备选目标点都不可达，选取网格地图中可达且距离车最远 的点为最终目标点。

步骤3.3得到目标点以后，将目标点周围的可到达点，都设为目标区域。区 域大小以及目标点的类型与当前车辆的任务情况有关。

步骤4融合车辆动力学特性的A*路径搜索算法

本领域皆知，A*路径搜索算法性能的关键在于良好的估值函数的选择，即：

F＝G_s+H_g

上式中F为格子的估值，G_s为该格子与起点的代价，H_g为该格子与终点的 估计代价，H_g一般取该格子距离终点的直线欧式距离，且算法搜索过程中，相 邻节点间的代价一般为两节点的直线距离。

如图6所示的A*启发计算图，图中右上深色方格为目标点T；左下深色方 格为起点，所有的H值为格子距离T的代价，所有的G值为距离起点的代价 (图6的G、H值没全部标出)。

由于自动驾驶过程中，周围环境对象有多种类别，且汽车自身存在非完整 性约束，因此以上估值函数的计算，无法高效地使A*路径搜索算法得到一条符 合车辆驾驶的路径。

本申请中，基于以上基本计算，结合步骤1得到角度-位移增量表和步骤2 得到的权重地图，改进该传统估值函数的计算。具体算法步骤如下：

步骤4.1通过步骤3确定A*搜索的目标点，使用最短路径最快搜索算法 (现有技术)，计算栅格地图中每个格子距离目标点的最短距离作为每个格子 的启发值H_g。

步骤4.2为满足车辆动力学约束，设置车辆航向角允许变化范围(-k k)， 使A*路径搜索算法只能在车前限定的角度范围内搜索。

步骤4.3在角度-位移增量表中选取车辆航向角允许变化范围内的角度所对 应的格子，该格子表示了车辆下一可能的位置，使用本申请独创的实时障碍物 碰撞检测方法对该格子进行碰撞检测，若该格子没使车辆产生碰撞，才确定作 为A*搜索算法当前扩展点u的邻接点v。

所述实时障碍物碰撞检测方法，方法如下：

如图7所示，a为车宽，b为车长，V为障碍物检测范围框宽，H为障碍物 检测框长。

车辆的宽度为a，长度为b，为方便碰撞检测，使用长和宽平行于坐标轴的 车辆外接矩形框表示车辆碰撞检测框，设该碰撞检测框平行于横坐标轴的长度 为H，平行于纵坐标轴的长度为V，车在t时刻的航向角为θ_t，则有公式：

H＝a*|sinθ_t|+b*|cosθ_t|

V＝b*|sinθ_t|+a*|cosθ_t|

以上公式中，a，b为车辆本身属性为定值，θ_t为步骤1中的离散值，因此可 离线计算出所有θ_t情况下对应的H和V，在线使用时通过查询的方式得到H和 V，以提高在线计算效率。该碰撞检测方法将使路径规划方法能够规划出穿过 狭窄通道的路径。相比于传统的碰撞检测方法为把车当作一个圆形，使用圆形 做为碰撞检测的范围，采用传统检测方法的路径规划可能无法穿过狭窄通道。

步骤4.4计算每个邻接点v的估计值：

F_v＝G_v+W_v*H_v

上式中F_v为邻接点v的估计值，G_v为起点到邻接点v的代价，W_v为邻接点v 的权值(由步骤2权值地图所得)，H_v为邻接点到终点的启发值(即步骤4.1所 得的启发值G_g)，其中G_v的计算公式为：

G_v＝G_u+W_v*D(u，v)

Gu是当前扩展点u到起点的代价(由迭代所得)，D(u，v)为当前扩展点u到 邻接点v的直线距离。

步骤4.5迭代以上步骤4.2，4.3，4.4直到目标点成为邻接点，A*路径搜索 结束。

步骤5动态场景增量式轨迹规划

本申请步骤4优化的A*路径搜索算法具有很强的灵活性，因此在动态场景 中容易出现因权值变化而引起轨迹抖动的情况，这也是最优路径搜索算法在中、 高速下应用的瓶颈。

在实际规划过程中，规划地图约为30m×80m，单次规划的轨迹长度为40 至50米，规划时间视环境的复杂程度而定，因此在车辆行驶过程中，前后两次 规划的时间可能相差几秒，而车辆控制需要实时规划结果，规划与控制产生了 冲突。

为解决以上两个难题，如图8所示本申请提出了增量式轨迹规划法，具体 步骤如下：

步骤5.1将规划出的路径轨迹投影至全局坐标系中(经纬度坐标系或者 UTM坐标系)，设为预保持路径；

步骤5.2根据当前车速计算车辆安全保持距离，公式如下：

其中d_safe为车前安全距离，单位为米，v为车当前速度，单位为千米每小 时。

步骤5.3将车辆安全保持距离d_safe内的预保持路径段设为保持路径，若保 持路径突然出现障碍物，则减速并返回步骤5.2，如图9所示：

(a)出现在保持路径中的障碍物，其中表示在保持路径中出现的障碍物，将 不会进行规划避障，只会根据离障碍物的距离调整车速，直至停车。

(b)对于之前出现在路径保持段的障碍物，当车靠近障碍物并减速使增量规 划点前移至障碍物前面时，此时障碍物属于实时规划段范围，将会规划出避障 路径。

步骤5.4取保持路径的末端点为下一次规划起点，使用步骤4的融合车辆动 力学的A*路径搜索算法进行路径规划，若规划区域出现障碍物，则规划处避障 路径，如图10所示：

车道中间的直线为参考路径，参考路径上近处和远处各有一个黑色障碍物， 图中的情况为车辆首先探测到近处障碍物，规划出一条弯曲的路径，并将该路 径距离车为保持路径范围内的路径保持，保持路径的末端为增量规划点，增量 规划点后的路径实时规划，当车探测到远处障碍物时，将会从增量规划点规划 出一条新的路径。

循环以上5.1至5.4四个步骤，构成增量式规划法。

最终可实现如图11所示的结构化道路场景的轨迹规划，以及如图12所示 的非结构化场景的轨迹规划效果。

图11中，其左图为在十字路口时的模拟场景，其右图为在直道时的模拟场 景。其中白色为模拟障碍物，细直线为模拟车道线，浅灰透明框为模拟临时目 标区域，离散点轨迹为规划出来的结果。

图12中，其左图为在停车场环境下的模拟结果，右图为在迷宫环境下的模 拟效果图。其中白色为模拟障碍物，灰色圆斑为模拟临时目标区域，离散点轨 迹为规划出来的结果。

上述描述仅是对本申请较佳实施例的描述，并非是对本申请范围的任何限 定。任何熟悉该领域的普通技术人员根据上述揭示的技术内容做出的任何变更 或修饰均应当视为等同的有效实施例，均属于本申请技术方案保护的范围。

Claims (7)

1.一种基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于，包括如下步骤：

步骤1，构建角度-位移增量表以简化运动方程计算，为步骤4的路径搜索算法提供车辆动力学约束；

步骤2，对环境赋权获得权重地图：

先将环境对象进行分类，分为车道、车道线、空地、静态障碍物、动态障碍物和参考路径；

使用本领域已有的广度优先搜索算法计算出栅格地图中每个格子到每类环境对象的距离d，并根据每类环境对象的权值计算公式计算出每类环境对象在某个格子处的权值，在得到的各类环境对象的权值中，选取最大的权值设置为该格子处的权值；

对栅格地图中每个格子处都使用上述权值设置方法，遍历，从而得到栅格地图对应的权重地图；

得到的权重地图为步骤4的路径搜索算法提供权重约束，实现统一的轨迹规划；

步骤3，动态目标区域决策：

根据参考路径进行每次规划的目标区域选择，为步骤4的路径搜索算法提供搜索目标；

步骤4，融合车辆动力学特性的A*路径搜索算法：

基于近似最短路并融合车辆动力学特性的改进A*路径搜索算法，大幅加快A*搜索过程，并使结果路径满足汽车行驶的动力学要求；

步骤5，动态场景增量式轨迹规划：

对车辆的安全距离进行动态设置，保持安全距离内轨迹的稳定性，并增量式的对轨迹进行拓展搜索，以实现轨迹规划。

2.如权利要求1所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于，步骤1包括：

步骤1.1车辆在连续时间和空间中的运动，当前以v的速度进行行驶，当前的航向角为θ_t，当前航向角允许的变化为-k到k，该车辆运动方程表征为：

dx(t)＝v*dt*cos(θ_t)

dy(t)＝v*dt*sin(θ_t)

θ_t∈[-k，k]；

步骤1.2以车为正中心，以行、列构成的角度-位移增量表来离散化表示车角度-位移增量的运动过程；角度-位移增量表中每个格子与正中心之间的欧式距离表示位移，每个格子与正中心之间形成夹角表示角度；

步骤1.3离散化航向角取值范围：

车辆在t时刻的航向角为θ_t，取值范围为0度到360度的连续范围，以角度-位移增量表正中心正上方格子与该表正中心格子连线为0度线，计算角度-位移增量表中每个格子与该表正中心格子连线跟0度线的偏差角A，从而将航向角θ_t的取值范围离散化为这些偏差角A的取值，偏差角A的计算公式为：

其中，A表示格子的偏差角；w表示格子距表格正中心格子的横向距离，格子在表格中心左方，w为负值，反之格子在表格中心右方，w为正值；h表示格子距表格中心的纵向距离，格子在表格中心上方，h为正值，反之格子在表格中心下方，h为负值；

步骤1.4使用角度-位移增量表近似运动方程：

由步骤1.3得到离散的航向角取值范围后，使用该离散的角度A表示车辆t时刻的航向角A_t，查询角度-位移增量表中计算出该A_t角度的格子，得到该格子相对于表格中心的横向距离为w_t，纵向距离为h_t，使用这两个值分别代替运动方程的dx(t)和dy(t)，即：

dx(t)≈w_t

dy(t)≈h_t

A_t∈A。

3.如权利要求1所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于，步骤2包括：

先将环境对象进行分类，分类为车道、车道线、空地、静态障碍物、动态障碍物和参考路径；具体赋权操作时，对环境对象分别进行非结构、结构化赋权值操作，其中非结构环境对象包括空地、静态障碍物、动态障碍物和参考路径，其中结构环境对象包括车道、车道线和非结构环境对象；

步骤2.1使用广度优先搜索算法计算出栅格地图每个格子到每类对象的距离d用于对环境赋权，根据对象类别分为：到车道中心的距离d₁，到车道线的距离d₂，到静态障碍物的距离d₃，到动态障碍物的距离d₄，到参考路径的距离d₅；

步骤2.2结构化环境赋权值：

步骤2.2.1车道区域：对车道区域，车辆行驶在车道中心，车道中心位置权值应最低，远离车道中心位置的权值随距离车道中心的距离增加，该权值计算公式为：

其中，W₁为权值；a₁为增长系数，代表该区域权值的增长速度；d₁为距车道中心的距离；

步骤2.2.2车道线区域：对车道线区域，车辆不靠近车道线，车道线的权值应较高，远离车道线的权值随距车道线的距离而减小，该权值计算公式为：

其中，W₂为权值；M为可调整的常数，代表车道线处的最高权值；a₂为衰减系数，代表该区域权值的衰减速度；d₂为距车道线的距离；

步骤2.3非结构化环境赋权值：

步骤2.3.1空地区域：在空地区域，车辆随意行驶，在满足车辆安全、舒适的情况下轨迹最短即可，对空地区域设置无差别的权值，记为B；

步骤2.3.2静态障碍物区域：车辆避开障碍物行驶，在静态障碍物的危险距离R内，越靠近障碍物，权值急剧升高，直至无穷，该权值计算公式为：

其中W₃为该区域的权值；a₃为衰减系数，代表该区域权值的衰减速度；d₃为距离静态障碍物的距离；R为根据车辆大小设置的与障碍物的危险距离；在该危险距离R之外，权重值为0；

步骤2.3.3动态障碍物区域：对动态障碍物，预设其未来轨迹，在其预设轨迹上，权值沿着轨迹递减，该权值计算公式为：

其中W₄为权值；a₄为衰减系数，代表该区域权值的衰减速度；e为自然常数；d₄为预测轨迹的距离；

步骤2.3.4参考路径区域：参考路径提供了行驶的方向参考，车辆沿着参考路径行驶，将参考路径上的权值设为全局最小，其它位置权值随距离参考路径的距离增加而增加，该权值计算公式为：

W₅＝log(1+a₅*d₅)

其中W₅为权值；a₅为增长系数，代表该区域权值的增长速度；d₅为距参考路径的距离；

步骤2.4对于栅格地图中每个格子的权值，通过步骤2.2和步骤2.3将有W₁、W₂、W₃、W₄、W₅、B共六种取值情况，选择当中最大的值作为该格子的最终权值，从而得到权值地图。

4.如权利要求1所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于，步骤3包括：

步骤3.1获取车辆周围的实时环境地图，并根据当前车辆定位信息读取网格地图数据，得到参考路径；

步骤3.2车辆决策的目标为默认沿参考路径行驶，根据环境障碍物以及道路结构信息偏离参考路径；在目标选择时，具体做法是：

步骤3.2.1从车辆当前点开始，基于广度优先搜索，得到网格地图中的每一个点的可达性；

步骤3.2.2若网格地图中参考路径最远点可达，则设置该点为目标点，若该参考路径最远点不可达，则从该点沿参考路径横向平均采样几个点作为备选目标点；

步骤3.2.3判断备选目标点的可达性，选取距离参考路最近的可达备选目标点作为最终目标点；

步骤3.2.4若以上备选目标点都不可达，选取网格地图中可达且距离车最远的点为最终目标点；

步骤3.3得到目标点以后，将目标点周围的可到达点，都设为目标区域。

5.如权利要求1所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于：A*路径搜索算法性能的关键在于良好的估值函数的选择，即：

F＝G_s+H_g

其中，F为格子的估值，Gs为该格子与起点的代价，Hg为该格子与终点的估计代价，Hg一般取该格子距离终点的直线欧式距离，且算法搜索过程中，相邻节点间的代价一般为两节点的直线距离；

步骤4结合步骤1得到角度-位移增量表和步骤2得到的权重地图，改进传统估值函数的计算，具体算法步骤如下：

步骤4.1通过步骤3确定A*搜索的目标点，使用最短路径最快搜索算法，计算栅格地图中每个格子距离目标点的最短距离作为每个格子的启发值Hg；

步骤4.2为满足车辆动力学约束，设置车辆航向角允许变化范围(-k k)，使A*路径搜索算法只在车前限定的角度范围内搜索；

步骤4.3在角度-位移增量表中选取车辆航向角允许变化范围内的角度所对应的格子，该格子表示了车辆下一可能的位置，使用实时障碍物碰撞检测方法对该格子进行碰撞检测，若该格子没使车辆产生碰撞，才确定作为A*搜索算法当前扩展点u的邻接点v；

步骤4.4计算每个邻接点v的估计值：

F_v＝G_v+W_v*Hv

上式中Fv为邻接点v的估计值，Gv为起点到邻接点v的代价，Wv为步骤2权值地图所得邻接点v的权值，Hv为邻接点到终点的启发值，其中Gv的计算公式为：

G_v＝G_u+W_v*D(u，v)

Gu是当前扩展点u到起点的代价，由迭代所得；D(u，v)为当前扩展点u到邻接点v的直线距离；

步骤4.5迭代以上步骤4.2，4.3，4.4直到目标点成为邻接点，A*路径搜索结束。

6.如权利要求5所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于：步骤4.3所述实时障碍物碰撞检测方法如下：

设车辆的宽度为a，长度为b，为方便碰撞检测，使用长和宽平行于坐标轴的车辆外接矩形框表示车辆碰撞检测框，设该碰撞检测框平行于横坐标轴的长度为H，平行于纵坐标轴的长度为V，即V为障碍物检测范围框宽，H为障碍物检测框长；车在t时刻的航向角为θt，则有公式：

H＝a*|sinθ_t|+b*|cosθ_t|

V＝b*|sinθ_t|+a*|cosθ_t|

以上公式中，a，b为车辆本身属性为定值，θt为步骤1中的离散值，因此可离线计算出所有θt情况下对应的H和V，在线使用时通过查询的方式得到H和V，以提高在线计算效率；该碰撞检测方法将使路径规划方法能够规划出穿过狭窄通道的路径。

7.如权利要求1所述的基于道路结构权值融合的无人车轨迹实时规划方法，其特征在于，步骤5包括：

步骤5.1将规划出的路径轨迹投影至全局坐标系中，即经纬度坐标系或者UTM坐标)，设为预保持路径；

步骤5.2根据当前车速计算车辆安全保持距离，公式如下：

其中，dsafe为车前安全距离，单位为米；v为车当前速度，单位为千米每小时；

步骤5.3将车辆安全保持距离dsafe内的预保持路径段设为保持路径，若保持路径突然出现障碍物，则减速并返回步骤5.2；

步骤5.4取保持路径的末端点为下一次规划起点，使用步骤4的融合车辆动力学的A*路径搜索算法进行路径规划，若规划区域出现障碍物，则规划处避障路径；

步骤5.5循环以上步骤5.1至5.4四个步骤，构成增量式规划法，以实现动态场景增量式轨迹规划。