CN111681452B - 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 - Google Patents

Abstract

发明提供一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法。该方法包括建立路径生成模型、对环境进行感知、上层行为决策层发出变道指令、路径生成模型规划出备选运动轨迹集合和对备选轨迹进行选择等步骤。该方法以离散的全局轨迹为目标路径，采用三次多项式，算法复杂度低，有着较好的可行性。

Description

一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划 方法

技术领域

本发明涉及智能网联汽车领域，特别涉及一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法。

背景技术

目前，汽车智能化成为现代汽车产业发展的重要研究方向。智能汽车是促进汽车产业可持续发展的重要技术，也是未来汽车工业发展的必然趋势。为抢占无人驾驶技术创新发展的制高点，世界汽车制造大国纷纷推出政策法规，推动无人驾驶发展。

据研究表明，约94％的交通事故是由人工驾驶造成的，容易受到分心、疲劳、情绪驾驶等人为失误的影响。自主驾驶可以改变未来人们的生活方式，提高汽车的利用率、通行能力，增强出行困难人群的出行能力，缓解驾驶员疲劳，减少驾驶员过失造成的交通事故。变道机动是一种复杂的、具有潜在危险性的交通行为，涉及到车辆的纵向和横向耦合控制。美国每年大约发生53.9万起换道引起的交通事故。变道是一种复杂的驾驶行为，它可能涉及多辆道路车辆的行为和反应，对行车安全影响很大。现有的对轨迹规划的研究比较广泛，但大多数研究主要集中在避障上，而忽略了动态环境的影响。目前关于动态变道轨迹规划的研究成果较少。而且传统模型多应用于直路或需事先知道其半径，且在变道过程中假设变道的初始状态和最终状态相同，也未完全考虑换道过程中周围车辆的影响。

发明内容

本发明的目的是提供一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，以解决现有技术中存在的问题。

为实现本发明目的而采用的技术方案是这样的，一种基于 Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，包括以下步骤：

1)采用Frenet坐标系作为工作坐标系，建立基于离散全局轨迹点的三次多项式路径生成模型。

2)无人驾驶汽车利用车-车通讯网络对环境进行感知。

3)上层行为决策层发出变道指令。

4)路径生成模型规划出备选运动轨迹集合。

5)根据优化指标对备选轨迹进行选择。其中，所述优化指标包括安全指标、效率指标和舒适指标。

6)将规划好的换道轨迹发送至下层轨迹跟踪器，执行指令完成无人驾驶换道过程。

进一步，步骤2)中，对环境进行感知包括确定周围交通信号、周围车辆的位置以及周围车辆的速度。其中，周围交通信号包括信号灯和交通规则限制。

进一步，步骤3)具体包括以下步骤：

3.1)确定变道路径。通过路径规划算法求解轨迹的偏移量ρ。并根据自动驾驶车辆的始末状态，通过求解如式(3)所示矩阵求解各项参数。

式中，ρ为轨迹的偏移量。s为路径长度。k为ρ和s的斜率。a、 b、c和d为三次多项式的系数。L_lw为道路一个车道的宽度。

式中，ρ_i为当前的偏移量。k_i为当前的斜率。s_i为当前的路径长度。ρ_e取L_lw。k_e为ρ在换道终点的斜率，取0。s_e为换道终点的Frenet 横坐标。a、b、c和d根据s_i和s_e自动更新。

3.2)采用如式(4)所示的三次多项式确定变道的速度。并通过求解如式(5)所示的矩阵求解各项参数：

v＝e·s³+f·s²+g·s+h (4)

式中，v为规划的速度。e、f、g和h为三次多项式的系数。

式中，v_i为当前的速度。a_i为当前的加速度。s_i为当前的路径长度。a_e为ρ在换道终点的加速度，取0。s_e为换道终点的Frenet横坐标。e、f、g和h根据s_i和s_e自动更新。

进一步，步骤4)具体包括以下步骤：

4.1)建立各个优化指标下的轨迹质量评估函数。

J_e＝sum(t) (6)

式中，J_e为效率函数。t为每个相连点的通过时间。t为一个一维数组。

式中，J_c为舒适度函数。ω为换道起点到终点的角速度。η为相连轨迹点占总路径的比重。a_(i:e)为换道起点到终点的加速度。ω_max为换道的最大角速度。a_max为换道的最大加速度。b_E为换道的最大减速度。

式中，J_s为安全函数。D_TP为本车和目标车道前车换道起点到终点的相对距离。D_TL为本车和目标车道后车换道起点到终点的相对距离。D_P(i:m)为本车和原车道前车起点到中间点的距离。v_TP为目标车道前车当前车速。v_TL为目标车道后车当前车速。SA_TP为本车和目标车道前车的最短安全距离相连轨迹点占总路径的比重。SA_TL为本车和目标车道后车的最短安全距离相连轨迹点占总路径的比重。

4.2)根据各个质量评估函数对备选运动轨迹进行最优化排序，挑选出最终输出轨迹。

进一步，步骤6)之前，还具有把Frenet坐标系下的得到的轨迹规划结果对应输出在全局坐标系内的相关步骤。

进一步，步骤6)中，将规划好的换道轨迹发送给下层轨迹跟踪器，计算出车辆当前所需的方向盘转角，加速度/减速度，控制相应执行器，完成无人驾驶换道过程。

本发明还公开一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划装置，包括车载传感器、微处理器、存储器和底层控制器。

所述存储器中存储有计算机程序。所述计算机程序在被微处理器执行时用于实现如上述任意一项方法。

所述车载传感器感知本车信息。车联网模块感知周围车辆模块。高精度地图感知原始路径信息。所述车载传感器、车联网模块和高精度地图将数据传递给微处理器。所述微处理器分析计算后，将规划好的换道轨迹发送至底层控制器进行执行。

本发明的技术效果是毋庸置疑的：

A.以5G通信技术为基础，建立了一个车联网的基本模型，实现无人驾驶汽车对道路交通信息地高精度低延迟感知；

B.以离散的全局轨迹为目标路径，采用三次多项式，算法复杂度低，有着较好的可行性；

C.在轨迹规划过程中，首次考虑将换道的速度作为轨迹规划的重要因素，并采用三次多项式对速度进行规划；

D.将效率，舒适和安全作为优化指标，建立了多目标优化函数，求出最佳的换道轨迹。

附图说明

图1为动态轨迹规划的流程图；

图2为换道工况下车联网通信模型图；

图3为是车辆感知规划控制信息流图；

图4为规划轨迹时间位置图；

图5为规划轨迹与实际控制轨迹对比图关系图；

图6为动态换道轨迹规划装置工作示意图。

具体实施方式

下面结合实施例对本发明作进一步说明，但不应该理解为本发明上述主题范围仅限于下述实施例。在不脱离本发明上述技术思想的情况下，根据本领域普通技术知识和惯用手段，做出各种替换和变更，均应包括在本发明的保护范围内。

实施例1：

参见图1、图3和图6，本实施例公开一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，包括以下步骤：

1)采用Frenet坐标系作为工作坐标系，建立基于离散全局轨迹点的三次多项式路径生成模型。其中，Frenet坐标系使用道路的中心线作为参考线，纵向为参考线方向，横向沿参考线的法向。路径生成模型根据横向偏移量的求解更新换道轨迹。

以本车起点为坐标原点，车辆起点行驶方向为x轴正方向，垂直行驶方向为y轴正方向,坐标轴满足右手定则，建立笛卡尔坐标系，原目标路径在笛卡尔坐标系下。通过坐标转换，将笛卡尔坐标系转化成Frenet坐标系，其表达式为：

式中，x_n和y_n表示原笛卡尔坐标系下的第n个坐标点；s_n为第n 个点的路径长度同时表示Frenet坐标系的横坐标，ρ_n是轨迹的偏移量作为Frenet坐标系的纵坐标，原轨迹的ρ_n值为0。通过路径规划算法求解ρ的值。

2)无人驾驶汽车利用车-车通讯网络对环境进行感知。参见图2，本实施例利用5G通讯技术，建立车-车通讯网络，实现无人驾驶汽车高精度低延迟的环境感知能力。对环境进行感知包括确定周围交通信号、周围车辆的位置以及周围车辆的速度。其中，周围交通信号包括信号灯和交通规则限制。

3)上层行为决策层发出变道指令I_L。

换道决策的上层指令可以通过相应的规则，机器学习算法或者乘员直接给出，其形式如下所示：

4)路径生成模型规划出备选运动轨迹集合。

4.1)确定变道路径。通过路径规划算法求解轨迹的偏移量ρ。并根据自动驾驶车辆的始末状态，通过求解如式(3)所示矩阵求解各项参数。

式中，ρ为轨迹的偏移量。s为路径长度。k为ρ和s的斜率。a、b、c和d为三次多项式的系数。L_lw为道路一个车道的宽度。

式中，ρ_i为当前的偏移量。k_i为当前的斜率。s_i为当前的路径长度。ρ_e取L_lw。k_e为ρ在换道终点的斜率，取0。s_e为换道终点的Frenet 横坐标。a、b、c和d根据s_i和s_e自动更新。

4.2)采用如式(4)所示的三次多项式确定变道的速度。并通过求解如式(5)所示的矩阵求解各项参数：

v＝e·s³+f·s²+g·s+h (4)

式中，v为规划的速度。e、f、g和h为三次多项式的系数。

式中，v_i为当前的速度。a_i为当前的加速度。s_i为当前的路径长度。a_e为ρ在换道终点的加速度，取0。s_e为换道终点的Frenet横坐标。e、f、g和h根据s_i和s_e自动更新。

5)根据优化指标对备选轨迹进行选择。其中，所述优化指标包括安全指标、效率指标和舒适指标。

5.1)建立各个优化指标下的轨迹质量评估函数。

J_e＝sum(t) (6)

式中，J_e为效率函数。t为每个相连点的通过时间。t为一个一维数组。

式中，J_c为舒适度函数。ω为换道起点到终点的角速度。η为相连轨迹点占总路径的比重。a_(i:e)为换道起点到终点的加速度。ω_max为换道的最大角速度。a_max为换道的最大加速度。b_E为换道的最大减速度。

式中，J_s为安全函数。D_TP为本车和目标车道前车换道起点到终点的相对距离。D_TL为本车和目标车道后车换道起点到终点的相对距离。D_P(i:m)为本车和原车道前车起点到中间点的距离。v_TP为目标车道前车当前车速。v_TL为目标车道后车当前车速。SA_TP为本车和目标车道前车的最短安全距离相连轨迹点占总路径的比重。SA_TL为本车和目标车道后车的最短安全距离相连轨迹点占总路径的比重。

5.2)根据各个质量评估函数对备选运动轨迹进行最优化排序，挑选出最终输出轨迹。表达式如式(9)所示：

J＝αJ_e+βJ_c+γJ_s (9)

式中α，β和γ分别为J_e，J_c和J_s的权重系数。相应地，优化模块可以用下式表示：

6)把Frenet坐标系下的得到的轨迹规划结果对应输出在全局坐标系内。将规划好的换道轨迹发送至下层轨迹跟踪器，执行指令完成无人驾驶换道过程。将规划好的换道轨迹发送给下层轨迹跟踪器，计算出车辆当前所需的方向盘转角，加速度/减速度，控制相应执行器，完成无人驾驶换道过程。

本实施例考虑到实际道路曲线难以获取以及换道复杂的交通环境，建立了无人驾驶汽车网联条件下的动态换道轨迹规划方法。参见图4和图5，搭建轨迹规划算法仿真平台，对最优轨迹进行仿真可视化分析可知本实施例得出轨迹平稳、安全、可执行。

实施例2：

本实施例公开一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划装置，包括车载传感器、微处理器、存储器和底层控制器。

所述存储器中存储有计算机程序。所述计算机程序在被微处理器执行时用于实现如实施例1所述的方法。

所述车载传感器感知本车信息。车联网模块感知周围车辆模块。高精度地图感知原始路径信息。所述车载传感器、车联网模块和高精度地图将数据传递给微处理器。所述微处理器分析计算后，将规划好的换道轨迹发送至底层控制器进行执行。

Claims (6)

1.一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，其特征在于，包括以下步骤：

1)采用Frenet坐标系作为工作坐标系，建立基于离散全局轨迹点的三次多项式路径生成模型；

2)无人驾驶汽车利用车-车通讯网络对环境进行感知；

3)上层行为决策层发出变道指令；

4)路径生成模型规划出备选运动轨迹集合；

4.1)确定变道路径；通过路径规划算法求解轨迹的偏移量ρ；并根据自动驾驶车辆的始末状态，通过求解如式(3)所示矩阵求解各项参数；

式中，ρ为轨迹的偏移量；s为路径长度；k为ρ和s的斜率；a、b、c和d为三次多项式的系数；L_lw为道路一个车道的宽度；

式中，ρ_i为当前的偏移量；k_i为当前的斜率；s_i为当前的路径长度；ρ_e取L_lw；k_e为ρ在换道终点的斜率，取0；s_e为换道终点的Frenet横坐标；a、b、c和d根据s_i和s_e自动更新；

4.2)采用如式(4)所示的三次多项式确定变道的速度；并通过求解如式(5)所示的矩阵求解各项参数：

v＝e·s³+f·s²+g·s+h (4)

式中，v为规划的速度；e、f、g和h为三次多项式的系数；

式中，v_i为当前的速度；a_i为当前的加速度；s_i为当前的路径长度；v_e为换道终点的速度；a_e为换道终点的加速度，取0；s_e为换道终点的Frenet横坐标；e、f、g和h根据s_i和s_e自动更新；

5)根据优化指标对备选轨迹进行选择；其中，所述优化指标包括安全指标、效率指标和舒适指标；

6)将规划好的换道轨迹发送至下层轨迹跟踪器，执行指令完成无人驾驶换道过程。

2.根据权利要求1所述的一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，其特征在于：步骤2)中，对环境进行感知包括确定周围交通信号、周围车辆的位置以及周围车辆的速度；其中，周围交通信号包括信号灯和交通规则限制。

3.根据权利要求1所述的一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，其特征在于，步骤5)具体包括以下步骤：

5.1)建立各个优化指标下的轨迹质量评估函数；

J_e＝sum(t) (6)

式中，J_e为效率函数；t为每个相连点的通过时间；t为一个一维数组；

J_c＝sum(ω·η)

式中，J_c为舒适度函数；ω为换道起点到终点的角速度；η为相连轨迹点占总路径的比重；a_(i:e)为换道起点到终点的加速度；ω_max为换道的最大角速度；a_max为换道的最大加速度；b_E为换道的最大减速度；

式中，J_s为安全函数；D_TP为本车和目标车道前车换道起点到终点的相对距离；D_TL为本车和目标车道后车换道起点到终点的相对距离；D_P(i:m)为本车和原车道前车起点到中间点的距离；v_TP为目标车道前车当前车速；v_TL为目标车道后车当前车速；SA_TP为本车和目标车道前车的最短安全距离相连轨迹点占总路径的比重；SA_TL为本车和目标车道后车的最短安全距离相连轨迹点占总路径的比重；

5.2)根据各个质量评估函数对备选运动轨迹进行最优化排序，挑选出最终输出轨迹。

4.根据权利要求1所述的一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，其特征在于：步骤6)之前，还具有把Frenet坐标系下的得到的轨迹规划结果对应输出在全局坐标系内的相关步骤。

5.根据权利要求1所述的一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法，其特征在于：步骤6)中，将规划好的换道轨迹发送给下层轨迹跟踪器，计算出车辆当前所需的方向盘转角，加速度/减速度，控制相应执行器，完成无人驾驶换道过程。

6.一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划装置，其特征在于：包括车载传感器、微处理器、存储器和底层控制器；

所述存储器中存储有计算机程序；所述计算机程序在被微处理器执行时用于实现如权利要求1～5中任意一项所述的方法；

所述车载传感器感知本车信息；车联网模块感知周围车辆模块；高精度地图感知原始路径信息；所述车载传感器、车联网模块和高精度地图将数据传递给微处理器；所述微处理器分析计算后，将规划好的换道轨迹发送至底层控制器进行执行。

Images