CN111071249A - 基于障碍物运动预测的无人车紧急转向避障方法 - Google Patents

Abstract

本发明公开了一种基于障碍物运动预测的无人车紧急转向避障方法，数据采集模块采集汽车行驶过程中的道路边界信息、实时状态信息和障碍物信息，将障碍物信息输入到障碍物运动预测模块，该模块对障碍物的落地位置、落地时间进行预测，得到相应的数据，然后将预测数据同汽车的状态信息、道路边界信息输入到无人车避障轨迹生成模块，生成相应的转向避障轨迹，将生成的避障轨迹数据、车辆状态信息输入神经网络控制模块，求出无人车跟踪转向避障轨迹所需的方向盘转角，控制无人车方向盘完成相应的避障任务。该发明的转向避障方法，可以实现无人车在车辆前方突然有障碍物落下时完成紧急转向避障任务，提高了无人车行驶的安全性和紧急转向避障的快速性。

Description

基于障碍物运动预测的无人车紧急转向避障方法

技术领域

本发明涉及汽车安全技术领域，特别是涉及一种于障碍物运动预测的无人车紧急转向避 障方法。

背景技术

随着全球经济的快速发展，我国汽车保有量逐年增加，城市道路越来越拥挤，作为“车 -路-人”闭环系统中处于最不稳定因素存在的驾驶员来说，如何减少由于人为因素导致的交 通事故发生率成为了亟需解决的问题。

无人车在行驶过程中会有各种各样的障碍物出现，因此如何安全有效的避开障碍物继续 安全行驶成为了学者们研究的热点。但现在大部分研究均局限于障碍物保持静止或匀速行驶， 且与行驶车辆处于同一道路上，很少考虑如果突然从车辆前方掉落一个障碍物情况的发生， 这种情况下需要无人车反应速度更快，避障效率更高，才能有效避免事故发生。因此如何设 计相应的紧急转向避障系统变得至关重要。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于障碍物运 动预测的无人车紧急转向避障方法。

本发明为解决上述技术问题采用以下技术方案：

一种基于障碍物运动预测的无人车紧急转向避障方法，包含以下步骤：

步骤1)，在无人车上设置速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘 转角传感器、陀螺仪、激光雷达和GPS传感器；

所述速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘转角传感器、陀螺仪 分别用于获取车辆行驶过程中的实时速度、横摆角速度、侧向加速度、方向盘转角、车辆航 向角；

所述激光雷达用于获取道路的边界离散点坐标以及障碍物外形轮廓的离散点的坐标、速 度信息；

所述GPS传感器用于获取车辆质心的实时位置坐标信息；

步骤2)，根据障碍物外形轮廓的离散点坐标信息和道路的边界离散点坐标计算出此时障 碍物与道路左边界、道路右边界之间的最小距离分别为L_l0、L_r0，然后计算出障碍物所有离 散点相对于激光雷达的位置坐标和速度，再计算出障碍物所有离散点相对于无人车质心的位 置坐标和速度，然后根据车辆实时速度计算出障碍物所有离散点的绝对速度，并任意选取障 碍物的一个离散点为目标点Q用于计算障碍物落地时间；

步骤3)，根据目标点Q相对于无人车质心的位置坐标和绝对速度、无人车质心高度H 计算出障碍物落地时间：

设障碍物目标点Q相对于无人车质心的位置坐标分别为(x_Q,y_Q,z_Q)，障碍物目标点Q 的绝对速度在x、y、z方向上的分量大小均为v_x、v_y、v_z；所述x方向沿道路前方，以向前 为正；y方向垂直于x方向，以向右为正；z方向垂直于水平面，以向下为正；g为重力加速 度；

步骤3.1)，根据以下公式计算障碍物落地时间t：

步骤4)，根据障碍物所有离散点相对于无人车质心的坐标、障碍物落地时间计算出障碍 物所有离散点落地时相对于无人车质心的坐标；

步骤4.1)，令离散点的绝对速度和目标点Q相同，根据以下公式计算障碍物落地时离散 点(x_i,y_i,z_i)相对于无人车质心的坐标(x′_i,y′_i,z′_i)：

步骤5)，根据L_l0、L_r0、障碍物速度v_y和落地时间t，计算障碍物落地时与道路左、右边界之间的距离L_l、L_r，判断进行左转向还是右转向：若L_l≥L_r，进行左转向；若L_l＜L_r， 进行右转向；障碍物落地时与道路左、右边界之间的距离L_l、L_r的计算公式如下：

步骤6)，为避免无人车避障过程中与障碍物发生碰撞，根据障碍物落地时所有离散点相 对于无人车质心的坐标以及转向方向选取转向目标点P，记转向目标点P落地时相对于无人 车质心的坐标为(x'_p,y'_p,z'_p)；

步骤6.1)，如果是左转向，选择障碍物中心点左边的离散点作为转向目标点的备选点， 如果是右转向，选择障碍物中心点右边的离散点作为转向目标点的备选点；

步骤6.2)，计算各个被选择为转向目标点备选点的离散点(x_i,y_i,z_i)对应的转向半径R_i；

步骤6.3)，选取转向半径最小的点作为转向目标点P，其落地时相对于无人车质心坐标 为(x'_p,y'_p,z'_p)；

步骤7)，结合无人车转向方向，根据障碍物落地时转向目标点P相对于无人车质心的位 置坐标数据和无人车宽度W生成期望转向避障路径OSF，并将期望避障轨迹坐标转换为相对 于激光雷达的坐标；

所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF，半径均为R、角度均 为θ，其中：

步骤8)，首先将步骤1)所得无人车质心的实时位置坐标投影到地面得到行驶轨迹坐标， 并将其转换为相对于激光雷达的坐标；然后将行驶轨迹坐标相对于激光雷达的坐标、期望避 障轨迹相对于激光雷达的坐标以及无人车的实时速度、横摆加速度、航向角、侧向加速度输 入预先训练好的神经网络模型，输出无人车的实时方向盘转角；

步骤9)，根据实时方向盘转角信号控制无人车方向盘转角进行转向避障，并在避障完成 后控制无人车恢复直线行驶。

作为本发明基于障碍物运动预测的无人车紧急转向避障方法进一步的优化方案，所述步 骤8)中预先训练好的神经网络模型的训练步骤如下：

步骤8.1),设定车辆的最小车速阈值、最大车速阈值；

步骤8.2)，以右转向为例，设定初始转向目标点相对于无人车质心的坐标为 (L/2,-W_R/2,-H)，并按照预设的坐标步长阀值Δx改变转向目标点的x、y坐标，直至x坐标 值达到激光雷达测量距离最大值L_max，针对x方向上每个转向目标点，按照预设的第二坐标 步长阀值Δy增加转向目标点的y坐标、直至y坐标值达到W_R/2，得到各个工况下的转向目 标点；

步骤8.3)，根据每个工况下转向目标点相对于无人车质心的坐标(x,y,z)，结合无人车的 宽度W，然后计算得到无人车在各个工况下的期望避障轨迹OSF和期望轨迹的坐标数据；

所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF，半径均为R、角度均 为θ，其中：

步骤8.4)，对于每一条期望避障轨迹，以最小车速阈值为车速进行行驶，按照预设的车 速步长阈值增加车速、直至车速大于最大车速阈值，记录各个车速下无人车质心的位置坐标、 横摆角速度、航向角、侧向加速度、方向盘转角；

步骤8.5)，使用MATLAB将步骤8.4)所记录的无人车质心的位置坐标经过投影在地面 上得到行驶轨迹坐标，并将行驶轨迹坐标数据和步骤8.3)所得的期望轨迹坐标数据一起导入 MATLAB中；使用MATLAB软件对行驶过程中的坐标数据进行处理；先经过坐标变化将所 有坐标数据均转换为相对于激光雷达的坐标，然后计算所测量的行驶轨迹坐标和期望轨迹坐 标之间的横向偏差和航向偏差；若测量的行驶轨迹与期望轨迹之间的误差超过预设的误差阀 值，则舍弃该组测量数据；反之则留下该组测量数据；

步骤8.6)，将留下的测量数据分为神经网络训练数据和测试数据，其中训练数据占所有 测量数据的75％，测试数据占所有测量数据的25％；使用MATLAB中的BP神经网络工具箱 利用训练数据对神经网络进行训练，以无人车行驶轨迹相对于激光雷达的坐标、期望轨迹相 对于激光雷达的坐标、无人车速度、横摆角速度、航向角、侧向加速度为神经网络输入，方 向盘转角为输出，得到训练好的神经网络模型。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

本发明通过数据采集模块采集道路边界信息、车辆状态信息和障碍物信息，障碍物运动 预测模块对障碍物落地位置进行预测，并将预测数据导入无人车避障轨迹生成模块，生成转 向避障轨迹，然后将避障轨迹数据和无人车状态信息一起输入神经网络控制模块，通过已经 训练好的神经网络控制模块策略性地输出无人车的方向盘转角，通过机器来代替驾驶员，既 可以快速有效地通过转向避开车辆前方突然掉落的障碍物，降低交通事故发生率，也可以保 证驾驶员的安全，进一步提高避障的效率。

附图说明

图1为无人车转向紧急避障流程图；

图2(a)、图2(b)分别为两种激光雷达的安装和扫描示意图；

图3为选取的目标点Q的示意图；

图4为转向避障轨迹示意图；

图5为训练神经网络的工况示意图。

具体实施方式

本发明通过预测障碍物落地位置，得到障碍物落地时与无人车的相对位置数据，生成合 适的转向避障轨迹，利用获取的车辆状态信息和生成的避障轨迹信息输入训练好的神经网络 模型得到无人车方向盘转角，控制无人车跟踪避障路径，实现转向避障。

下面结合附图对本发明的技术方案做进一步的详细说明：

图1所示为无人车紧急转向避障流程图，包含以下步骤：

步骤1)，在无人车上安装速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘 转角传感器、陀螺仪、激光雷达和GPS传感器并采集车辆状态信息、道路的边界信息和障碍 物信息经过处理后保存在车载计算机内以便调用。其中激光雷达安装固定于车辆前端最上方 中部。

步骤1.1)，首先把无人车的宽度W、质心高度H、无人车长度L等基本数据保存在车载 计算机中以备调用。

步骤1.2)，打开激光雷达、GPS传感器等部件，使其能够采集行驶过程中的数据。

步骤1.3)，无人车以速度V匀速沿道路直线行驶。

步骤1.4)，无人车上的GPS传感器确定无人车质心的实时位置坐标，横摆角速度传感器 等采集无人车实时状态信息，包括横摆角速度、速度、侧向加速度、航向角，并将这些传感 器数据通过数据线传输到车载计算机保存起来以便调用。

步骤1.5)，同时无人车上的激光雷达开始对前方道路情况进行扫描，其扫描范围根据激 光雷达型号所定，图2(a)、图2(b)分别为两种激光雷达的安装和扫描示意图。

步骤1.6)，激光雷达经过扫描发现前方有障碍物和道路边界，扫描得到障碍物外形轮廓 的离散点相对于雷达的位置坐标和速度以及道路的边界离散点相对于雷达的位置坐标，将扫 描得到的所有数据经数据线传输到车载计算机保存起来以便调用。

步骤1.7)，使用车载计算机中的Visual C++编程软件在Windows XP操作系统下编写程 序，对数据进行处理并保存起来以备调用。将所有的坐标数据转换为相对无人车质心的坐标 数据，将障碍物相对于激光雷达的速度转换为绝对速度，并求出x、y、z方向上的速度分量v_x、 v_y、v_z。设置x方向沿道路前方，以向前为正；y方向垂直于道路，以向右为正；z方向垂直 于道路，以向下为正。

步骤2)，根据障碍物外形轮廓的离散点坐标信息和道路的边界离散点坐标计算出此时障 碍物与道路左边界、道路右边界之间的最小距离分别为L_l0、L_r0，并任意选取障碍物的一个 离散点为目标点Q用于计算障碍物落地时间，如图3所示；

步骤3)，调用目标点Q相对于无人车质心的位置坐标(x_Q,y_Q,z_Q)和绝对速度v_x、v_y、v_z，无人车质心高度H计算出障碍物落地时间t，并保存在无人车车载电脑中以备调用；

步骤4)，调用障碍物所有离散点相对于无人车质心的坐标，障碍物落地时间t，计算出 障碍物离散点(x_i,y_i,z_i)落地时相对于无人车质心的坐标(x_i',y_i',z_i')；

步骤5)，根据L_l0、L_r0、障碍物速度y向速度v_y和落地时间t，计算障碍物落地时与道路左、右边界之间的距离L_l、L_r，判断进行左转向还是右转向：若L_l≥L_r，进行左转向；若 L_l＜L_r，进行右转向；

步骤6)，调用障碍物落地时所有离散点相对于无人车质心的坐标并根据所确定的转向方 向选取转向目标点P；记转向目标点P落地时相对于无人车质心的坐标为(x'_p,y'_p,z'_p)；

步骤6.1)，如果是左转向，选择障碍物中心点左边的离散点作为转向目标点的备选点， 如果是右转向，选择障碍物中心点右边的离散点作为转向目标点的备选点；

步骤6.2)，计算各个被选择为转向目标点备选点的离散点(x_i,y_i,z_i)对应的转向半径R_i；

步骤6.3)，选取转向半径最小的点作为转向目标点P，其落地时相对于无人车质心坐标 为(x'_p,y'_p,z'_p)；

步骤7)，根据转向目标点P落地时相对于无人车质心的坐标，由Visual C++编写的程序 计算生成期望转向避障轨迹，如图4所示，并将期望避障轨迹坐标数据转换为相对于激光雷 达的坐标，保存在车载计算机以备调用。其中转向半径R和转向角θ为

步骤8)，首先使用车载计算机中的Visual C++编写程序，将无人车质心的位置坐标投影 到地面得到行驶轨迹坐标，并转换为相对于激光雷达的坐标保存在车载计算机，以便调用。 然后使用Visual C++编程软件调用MATLAB中训练好的BP神经网络模型，将保存在车载计 算机中的期望避障轨迹相对于激光雷达的坐标、无人车行驶轨迹相对于激光雷达的坐标以及 无人车的实时速度、横摆加速度、航向角、侧向加速度输入预先训练好的神经网络模型，输 出无人车的实时方向盘转角；

步骤9)，根据实时方向盘转角信号控制无人车方向盘转角进行转向避障，并在避障完成 后控制无人车恢复直线行驶。

神经网络训练：

步骤8)中预先训练好的神经网络模型的训练步骤如下：

步骤8.1)，设定车辆的最小车速阈值、最大车速阈值；

步骤8.2)，设定初始转向目标点相对于无人车质心的坐标为(L/2,-W_R/2,-H)，并按照 预设的坐标步长阀值Δx改变转向目标点的x、y坐标，直至x坐标值达到激光雷达测量距离 最大值L_max，针对x方向上每个转向目标点，按照预设的第二坐标步长阀值Δy增加转向目标 点的y坐标、直至y坐标值达到W_R/2，得到各个工况下的转向目标点，如图5所示；

步骤8.3)，根据每个工况下转向目标点相对于无人车质心的坐标(x,y,z)，结合无人车的 宽度W，然后计算得到无人车在各个工况下的期望避障轨迹OSF和期望轨迹的坐标数据；

所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF，半径均为R、角度均 为θ，其中：

步骤8.4)，对于每一条期望避障轨迹，以最小车速阈值为车速进行行驶，按照预设的车 速步长阈值增加车速、直至车速大于最大车速阈值，记录各个车速下无人车质心的位置坐标、 横摆角速度、航向角、侧向加速度、方向盘转角；

步骤8.5)，使用MATLAB将步骤8.4)所记录的无人车质心的位置坐标经过投影在地面 上得到行驶轨迹坐标，并将行驶轨迹坐标数据和步骤8.3)所得的期望轨迹坐标数据一起导入 MATLAB中。使用MATLAB软件对行驶过程中的坐标数据进行处理；先经过坐标变化将所 有坐标数据均转换为相对于激光雷达的坐标，然后计算所测量的行驶轨迹坐标和期望轨迹坐 标之间的横向偏差和航向偏差；若测量的行驶轨迹与期望轨迹之间的误差超过误差阀值，则 舍弃该组测量数据；反之则留下该组测量数据。误差阀值根据所需跟踪精度而定。

步骤8.6)，对留下的测量数据分为神经网络训练数据和测试数据，其中训练数据占所有 测量数据的75％，测试数据占所有测量数据的25％；使用MATLAB中的BP神经网络工具箱 利用训练数据对神经网络进行训练，以无人车行驶轨迹相对于激光雷达的坐标、期望轨迹相 对于激光雷达的坐标、无人车速度、横摆角速度、航向角、侧向加速度为神经网络输入，方 向盘转角为输出，得到训练好的神经网络模型。

本发明可以以许多不同的形式实现，而不应当认为限于这里所述的实施例。相反，提供 这些实施例以便使本公开透彻且完整，并且将向本领域技术人员充分表达本发明的范围。在 附图中，为了清楚起见放大了组件。

本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术 语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理 解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一 致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说 明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在 本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护 范围之内。

Claims (2)

1.一种基于障碍物运动预测的无人车紧急转向避障方法，其特征在于，包含以下步骤：

步骤1)，在无人车上设置速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘转角传感器、陀螺仪、激光雷达和GPS传感器；

所述速度传感器、横摆角速度传感器、侧向加速度传感器、方向盘转角传感器、陀螺仪分别用于获取车辆行驶过程中的实时速度、横摆角速度、侧向加速度、方向盘转角、车辆航向角；

所述激光雷达用于获取道路的边界离散点坐标以及障碍物外形轮廓的离散点的坐标、速度信息；

所述GPS传感器用于获取车辆质心的实时位置坐标信息；

步骤2)，根据障碍物外形轮廓的离散点坐标信息和道路的边界离散点坐标计算出此时障碍物与道路左边界、道路右边界之间的最小距离分别为L_l0、L_r0，然后计算出障碍物所有离散点相对于激光雷达的位置坐标和速度，再计算出障碍物所有离散点相对于无人车质心的位置坐标和速度，然后根据车辆实时速度计算出障碍物所有离散点的绝对速度，并任意选取障碍物的一个离散点为目标点Q用于计算障碍物落地时间；

步骤3)，根据目标点Q相对于无人车质心的位置坐标和绝对速度、无人车质心高度H计算出障碍物落地时间：

设障碍物目标点Q相对于无人车质心的位置坐标分别为(x_Q,y_Q,z_Q)，障碍物目标点Q的绝对速度在x、y、z方向上的分量大小均为v_x、v_y、v_z；所述x方向沿道路前方，以向前为正；y方向垂直于x方向，以向右为正；z方向垂直于水平面，以向下为正；g为重力加速度；

步骤3.1)，根据以下公式计算障碍物落地时间t：

步骤4)，根据障碍物所有离散点相对于无人车质心的坐标、障碍物落地时间计算出障碍物所有离散点落地时相对于无人车质心的坐标；

步骤4.1)，令离散点的绝对速度和目标点Q相同，根据以下公式计算障碍物落地时离散点(x_i,y_i,z_i)相对于无人车质心的坐标(x′_i,y′_i,z′_i)：

步骤5)，根据L_l0、L_r0、障碍物速度v_y和落地时间t，计算障碍物落地时与道路左、右边界之间的距离L_l、L_r，判断进行左转向还是右转向：若L_l≥L_r，进行左转向；若L_l＜L_r，进行右转向；障碍物落地时与道路左、右边界之间的距离L_l、L_r的计算公式如下：

步骤6)，为避免无人车避障过程中与障碍物发生碰撞，根据障碍物落地时所有离散点相对于无人车质心的坐标以及转向方向选取转向目标点P，记转向目标点P落地时相对于无人车质心的坐标为(x′_p,y′_p,z′_p)；

步骤6.1)，如果是左转向，选择障碍物中心点左边的离散点作为转向目标点的备选点，如果是右转向，选择障碍物中心点右边的离散点作为转向目标点的备选点；

步骤6.2)，计算各个被选择为转向目标点备选点的离散点(x_i,y_i,z_i)对应的转向半径R_i；

步骤6.3)，选取转向半径最小的点作为转向目标点P，其落地时相对于无人车质心坐标为(x′_p,y′_p,z′_p)；

步骤7)，结合无人车转向方向，根据障碍物落地时转向目标点P相对于无人车质心的位置坐标数据和无人车宽度W生成期望转向避障路径OSF，并将期望避障轨迹坐标转换为相对于激光雷达的坐标；

所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF，半径均为R、角度均为θ，其中：

步骤8)，首先将步骤1)所得无人车质心的实时位置坐标投影到地面得到行驶轨迹坐标，并将其转换为相对于激光雷达的坐标；然后将行驶轨迹坐标相对于激光雷达的坐标、期望避障轨迹相对于激光雷达的坐标以及无人车的实时速度、横摆加速度、航向角、侧向加速度输入预先训练好的神经网络模型，输出无人车的实时方向盘转角；

步骤9)，根据实时方向盘转角信号控制无人车方向盘转角进行转向避障，并在避障完成后控制无人车恢复直线行驶。

2.根据权利要求1所述的基于障碍物运动预测的无人车紧急转向避障方法，其特征在于，所述步骤8)中预先训练好的神经网络模型的训练步骤如下：

步骤8.1),设定车辆的最小车速阈值、最大车速阈值；

步骤8.2)，以右转向为例，设定初始转向目标点相对于无人车质心的坐标为(L/2,-W_R/2,-H)，并按照预设的坐标步长阀值Δx改变转向目标点的x、y坐标，直至x坐标值达到激光雷达测量距离最大值L_max，针对x方向上每个转向目标点，按照预设的第二坐标步长阀值Δy增加转向目标点的y坐标、直至y坐标值达到W_R/2，得到各个工况下的转向目标点；

步骤8.3)，根据每个工况下转向目标点相对于无人车质心的坐标(x,y,z)，结合无人车的宽度W，然后计算得到无人车在各个工况下的期望避障轨迹OSF和期望轨迹的坐标数据；

所述期望避障路径包含开口相反且依次相连的圆弧OS和圆弧SF，半径均为R、角度均为θ，其中：

步骤8.4)，对于每一条期望避障轨迹，以最小车速阈值为车速进行行驶，按照预设的车速步长阈值增加车速、直至车速大于最大车速阈值，记录各个车速下无人车质心的位置坐标、横摆角速度、航向角、侧向加速度、方向盘转角；

步骤8.5)，使用MATLAB将步骤8.4)所记录的无人车质心的位置坐标经过投影在地面上得到行驶轨迹坐标，并将行驶轨迹坐标数据和步骤8.3)所得的期望轨迹坐标数据一起导入MATLAB中；使用MATLAB软件对行驶过程中的坐标数据进行处理；先经过坐标变化将所有坐标数据均转换为相对于激光雷达的坐标，然后计算所测量的行驶轨迹坐标和期望轨迹坐标之间的横向偏差和航向偏差；若测量的行驶轨迹与期望轨迹之间的误差超过预设的误差阀值，则舍弃该组测量数据；反之则留下该组测量数据；

步骤8.6)，将留下的测量数据分为神经网络训练数据和测试数据，其中训练数据占所有测量数据的75％，测试数据占所有测量数据的25％；使用MATLAB中的BP神经网络工具箱利用训练数据对神经网络进行训练，以无人车行驶轨迹相对于激光雷达的坐标、期望轨迹相对于激光雷达的坐标、无人车速度、横摆角速度、航向角、侧向加速度为神经网络输入，方向盘转角为输出，得到训练好的神经网络模型。

Images