CN112109704A - 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 - Google Patents
一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 Download PDFInfo
- Publication number
- CN112109704A CN112109704A CN202010998948.6A CN202010998948A CN112109704A CN 112109704 A CN112109704 A CN 112109704A CN 202010998948 A CN202010998948 A CN 202010998948A CN 112109704 A CN112109704 A CN 112109704A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- obstacle
- collision avoidance
- acceleration
- speed
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000001133 acceleration Effects 0.000 claims abstract description 59
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000000306 recurrent effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 60
- 238000004364 calculation method Methods 0.000 claims description 37
- 238000005381 potential energy Methods 0.000 claims description 15
- 239000000126 substance Substances 0.000 claims description 15
- 238000010586 diagram Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000007774 longterm Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- QNRATNLHPGXHMA-XZHTYLCXSA-N (r)-(6-ethoxyquinolin-4-yl)-[(2s,4s,5r)-5-ethyl-1-azabicyclo[2.2.2]octan-2-yl]methanol;hydrochloride Chemical compound Cl.C([C@H]([C@H](C1)CC)C2)CN1[C@@H]2[C@H](O)C1=CC=NC2=CC=C(OCC)C=C21 QNRATNLHPGXHMA-XZHTYLCXSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000036461 convulsion Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000004576 sand Substances 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000006073 displacement reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 229910003460 diamond Inorganic materials 0.000 description 2
- 239000010432 diamond Substances 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，包括：获取本车及障碍车车辆状态信息及参数信息；基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；对步骤5获取的最优避撞路径进行速度、加速度实时匹配。与现有技术相比，本发明具有精度高、兼顾安全性、可行性和舒适性等优点。
Description
技术领域
本发明涉及高级辅助驾驶及自动驾驶技术领域，尤其是涉及一种基于精准轨迹预测的车辆避撞动态安全路径规划方法。
背景技术
高级辅助驾驶及自动驾驶技术是解决道路拥堵、交通事故频发等问题的一种有效手段，其研发与推广对于保障行车安全、提高通行效率以及构建智慧交通体系具有重要意义。
车辆行驶时，当纵向车间距小于制动避撞所需最短距离，通过转向避撞仍有可能避免事故的发生，但在此避撞工况下，如何快速准确地规划出最优避撞路径是研究的重点和难点。为保证车辆准确地避开障碍车辆，首先需要预测自身车辆及障碍车辆运动轨迹，才可为避撞路径规划提供依据；其次需要基于行驶轨迹预测结果，动态规划出安全可行的避撞路径，进而规避危险场景。因此，轨迹预测的精度与路径规划的实时性和可行性，直接影响着车辆的行驶安全性。
专利号CN109885066A公开了一种运动轨迹预测方法及装置，该方法基于车辆运动学模型进行短时域行驶轨迹预测，结合车道线信息进行长时域预测，并对预测结果进行融合得到目标障碍物预测行驶轨迹。但该方法在进行长时域行驶轨迹预测时仅结合车道线信息，预测精度有限；且在融合时采用基于规则的权重系数，对于提高预测结果的精度作用有限。专利号CN105974917A公开了一种基于新型人工势场法的车辆避障路径规划研究方法，该方法通过叠加道路边界斥力势场和障碍物斥力势场建立平衡方程，求解出避障路径，并在本车进入障碍物影响范围时减小车速。但该方法未对本车及障碍车的行驶轨迹进行预测，且在规划出避障路径后仅对速度进行约束，缺少对速度与加速度的规划。
综上，在本车与障碍车辆的轨迹预测方面，仍存在无法兼顾短时域与长时域内轨迹预测精度同时最优的问题，最终导致车辆轨迹预测的精度不高，路径规划结果缺乏合理性；此外，在路径规划方面，多数方法仅规划出避撞路径，缺少对速度与加速度的规划或者仅对速度、加速进行约束，无法保证避撞路径的跟踪可行性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、兼顾安全性、可行性和舒适性的基于精准轨迹预测的车辆避撞动态安全路径规划方法。
本发明的目的可以通过以下技术方案来实现：
一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，包括：
步骤1：获取本车及障碍车车辆状态信息及参数信息；
步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；
步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；
步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；
步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；
步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。
优选地，所述的车辆状态信息包括车辆实时位置、速度、加速度、横摆角速度和前轮转向角；
所述的车辆参数信息包括本车及障碍车的整备质量、转动惯量和前后轴到整车质心的距离。
优选地，所述的步骤2具体为：
步骤2-1：根据车辆参数信息搭建三自由度车辆动力学模型；
步骤2-2：根据三自由度车辆动力学模型，并结合CTRA运动学模型进行短时域内车辆行驶轨迹精准预测，即CTRA模型在每隔Δt时间进行迭代运算时，采用三自由度车辆动力学计算结果更新公式中的纵、横向加速度和横摆角速度值；
步骤2-3：输入本车及障碍车车辆信息，通过三自由度车辆动力学模型与CTRA运动学模型迭代计算，输出本车及障碍车行驶轨迹预测数据；
步骤2-4：搭建LSTM神经网络，用于长时域内精准预测本车及障碍车的行驶轨迹，输出本车及障碍车行驶轨迹预测数据；
步骤2-5：基于粒子群算法在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，根据优化得到的权重对短时域和长时域的预测结果进行融合，对车辆行驶轨迹进行精准预测。
更加优选地，所述的三自由度车辆动力学模型具体为：
其中，m为整车整备质量；Iz为车辆绕z轴的转动惯量；lf和lr分别为前后轴到整车质心的距离；vx和vy分别表示车辆横纵向速度；ax和ay分别表示车辆纵向加速度和横向加速度；Fxf、Fyf、Fxr、Fyr分别表示前后轮纵向力和侧向力；δf为前轮转向角；
为横摆角速度；
在轮胎力的计算过程中，假设转向避撞过程中车辆侧向加速度ay≤0.4g，轮胎工作在线性区域内，使用线性简化轮胎模型，其表达式为：
其中，Cc为轮胎侧偏刚度；Cl为轮胎纵向刚度；α为轮胎侧偏角；S为纵向滑移率；
采用前轮较小侧偏角假设可得：
其中，
为横摆角速度变化率；Ccf和Ccr分别为前、后轮侧偏刚度；Clf和Clr分别为前、后轮纵向刚度；Sf和Sr分别为前、后轮纵向滑移率；
假设轨迹预测时域内方向盘转δf不变，令
可得：
其中，
更加优选地，所述的CTRA运动学模型为恒定加速度和横摆角速度模型，令
具体公式为：
其中，x为车辆纵向位置；y为车辆横向位置；
为车辆横摆角，v为车辆行驶速度；
为车辆加速度。
更加优选地，所述的步骤2-4具体为：
步骤2-4-1：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；
步骤2-4-2：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；
所述的NGSIM数据集为开源数据集包括车辆位置、速度、加速度、车辆类型和车道编号等信息；
步骤2-4-3：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测长时域内本车及障碍车的行驶轨迹；
所述预测均方根误差RMSE具体计算公式为：
其中，
xd和yd分别为LSTM预测的车辆纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
步骤2-4-4：基于所获取得本车及障碍车车辆信息，输入到LSTM神经网络中，输出本车及障碍车行驶轨迹预测数据。
更加优选地，所述的步骤2-5具体为：
步骤2-5-1：基于之前的预测结果与实际车辆行驶轨迹，以预测均方根误差RMSE最小为优化目标，在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，并作为下一时刻的权重系数；
所述优化目标具体为：
其中，
xint和yint分别为预测结果融合后车辆的纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
所述xint和yint具体计算公式为：
其中，ω(i)为权重系数；xp和yp分别为基于三自由度车辆动力学模型预测的车辆纵向和横向位置；
步骤2-5-2：基于优化得到的权重系数，对短时域和长时域的预测结果进行融合，具体为：
优选地，所述的步骤4具体为：
步骤4-1：考虑整车运动学约束及道路行驶规则构造菱形道路网格，网格的几何参数满足：
ay＝V2/R≤0.4g
即
其中，V为车辆的车速，ay为车辆的向心加速度，l1、l2分别为菱形两条对角线长度的
步骤4-2：基于本车及障碍车的预测行驶轨迹构建三维人工势场，获得网格中各节点的势能，通过连接势能最小的节点获得初步避撞路径；
所述的三维人工势场通过叠加道路势场和障碍车势场进行构建，其计算公式为：
PU(X,Y)＝PR(X,Y)+PO(X,Y)
其中，PR(X,Y)是道路势场函数，PO(X,Y)是障碍车势场函数；
所述的道路势场利用抛物线函数对无障碍车的道路进行构建，该道路势场可以防止车辆偏离道路，引导车辆驶入车道中心，其表达式为：
其中，
是车辆距道路边界的距离，Da是道路中心线与道路边界之间的距离，下标q＝l,r分别表示道路的左右边界，aq是强度系数，表示车辆位于道路边界时的势能；
所述的障碍车势场是基于障碍车的预测轨迹并利用指数函数进行构建，其表达式为：
其中，ao和bo是强度和形状系数，
是对本车与障碍车之间的距离进行归一化，Xs和Ys分别是本车与障碍车之间的安全纵向距离和安全横向距离；
所述安全纵向距离的计算公式如下：
其中，X0是最小纵向距离，u是本车车速，T0是安全时间间隔，Δur是本车与障碍车的相对纵向速度，amax是车辆在保证舒适性条件下的最大加速度；
所述安全横向距离的计算公式如下：
其中，Y0是最小横向距离，θe是车辆的方位角，uo是障碍车的横向车速，Δvr是本车与障碍车的相对横向速度；
根据构建的三维人工势场可以获得道路网格中各节点的势能，通过连接势能最小的节点规划出初步的避撞路径；
步骤4-3：根据避撞路径中各节点的位置，利用高次多项式曲线拟合获得平滑的最优避撞路径；
所述的高次多项式曲线拟合采用五次多项式曲线对初步避撞路径进行分段拟合，并保证每段曲线之间能够平滑过渡，五次多项式曲线拟合公式如下：
y＝p0+p1x+p2x2+p3x3+p4x4+p5x5。
更加优选地，所述的步骤6具体为：
步骤6-1：基于本车及障碍车精准的预测行驶轨迹，在位移-时间图中利用Dijkstra算法规划出避撞路径的初步速度分布曲线。
步骤6-2：综合考虑避撞安全性、可行性和舒适性的目标建立代价函数，并对初步的速度分布曲线进行动态优化，获得最优的速度和加速度分布曲线，实现最优避撞路径的速度、加速度实时匹配。
所述代价函数的计算公式为：
Cspeed＝Cref+Cacc+Cjerk+Cobs
其中，Cref表示速度偏移量的代价函数，Cacc和Cjerk分别表示加速度和冲击度的代价函数，Cobs表示本车与障碍车之间碰撞风险的代价函数；
所述的速度偏移量代价函数表示规划速度与参考速度vref的偏移量，其计算公式为：
Cref＝wref(si′-vref)2
其中，wref表示速度偏移量代价函数所占的权重，参考速度vref取决于障碍车的车速及交通规则；
更加优选地，所述加速度代价函数的计算公式为：
Cacc＝wacc(si″)2
其中，wacc表示加速度代价函数在总代价函数中所占权重；
所述冲击度代价函数的计算公式为：
Cjerk＝wjerk(si″′)2
其中，wjerk表示冲击度代价函数在总代价函数中所占权重；
所述碰撞风险代价函数的计算公式为：
其中，wobs表示碰撞风险代价函数所占权重，TTC(Time-To-Collision)表示本车与障碍车的碰撞时间；
基于采样时间间隔Δt，si的时间导数可由离散路径点的有限差分来近似：
对初步速度分布进行动态优化使上述代价函数取得最小值，由此找到最优的速度及加速度分布曲线，得到速度、加速度实时匹配的最优避撞路径。
与现有技术相比，本发明具有以下优点：
一、精度高：本发明提出的融合基于三自由度车辆动力学模型和LSTM神经网络的轨迹预测方法，可以兼顾短时域与长时域内本车及障碍物轨迹预测精度的要求，与现有技术相比，预测精度更高。
二、兼顾安全性、可行性和舒适性：本发明提出的动态安全路径规划算法可同时兼顾算法计算速度和求解质量，并能对速度、加速度进行实时匹配，保证了避撞路径的安全性、可行性和舒适性。
附图说明
图1为本发明中车辆避撞动态安全路径规划方法的流程示意图；
图2为本发明实施例中三自由度车辆动力学模型的结构示意图；
图3为本发明实施例中LSTM神经网络的结构示意图；
图4为本发明实施例中菱形道路网格的划分示意图；
图5为本发明实施例中菱形道路网格的几何尺寸示意图；
图6为本发明实施例中位移-时间的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其流程如图1所示，包括：
步骤1：获取本车及障碍车车辆状态信息及参数信息；
步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；
车辆状态信息包括车辆实时位置、速度、加速度、横摆角速度和前轮转向角；
车辆参数信息包括本车及障碍车的整备质量、转动惯量和前后轴到整车质心的距离；
步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；
步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；
步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；
步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。
步骤2具体为：
步骤2-1：根据车辆参数信息搭建三自由度车辆动力学模型；
步骤2-2：根据三自由度车辆动力学模型，并结合CTRA运动学模型进行短时域内车辆行驶轨迹精准预测，即CTRA模型在每隔Δt时间进行迭代运算时，采用三自由度车辆动力学计算结果更新公式中的纵、横向加速度和横摆角速度值；
步骤2-3：输入本车及障碍车车辆信息，通过三自由度车辆动力学模型与CTRA运动学模型迭代计算，输出本车及障碍车行驶轨迹预测数据；
步骤2-4：搭建LSTM神经网络，用于长时域内精准预测本车及障碍车的行驶轨迹，输出本车及障碍车行驶轨迹预测数据；
步骤2-5：基于粒子群算法在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，根据优化得到的权重对短时域和长时域的预测结果进行融合，对车辆行驶轨迹进行精准预测。
三自由度车辆动力学模型的结构如图2所示，具体为：
其中，m为整车整备质量；Iz为车辆绕z轴的转动惯量；lf和lr分别为前后轴到整车质心的距离；vx和vy分别表示车辆横纵向速度；ax和ay分别表示车辆纵向加速度和横向加速度；Fxf、Fyf、Fxr、Fyr分别表示前后轮纵向力和侧向力；δf为前轮转向角；
为横摆角速度；
在轮胎力的计算过程中，假设转向避撞过程中车辆侧向加速度ay≤0.4g，轮胎工作在线性区域内，使用线性简化轮胎模型，其表达式为：
其中，Cc为轮胎侧偏刚度；Cl为轮胎纵向刚度；α为轮胎侧偏角；S为纵向滑移率；
采用前轮较小侧偏角假设可得：
其中，
为横摆角速度变化率；Ccf和Ccr分别为前、后轮侧偏刚度；Clf和Clr分别为前、后轮纵向刚度；Sf和Sr分别为前、后轮纵向滑移率；
假设轨迹预测时域内方向盘转δf不变，令
可得：
其中，
本实施例中轨迹预测时域为3s，具体可通过实际效果进行标定；Δt的取值为0.1s，具体可通过实际效果进行标定。
CTRA运动学模型为恒定加速度和横摆角速度模型，令
具体公式为：
其中，x为车辆纵向位置；y为车辆横向位置；
为车辆横摆角，v为车辆行驶速度；
为车辆加速度。
步骤2-4具体为：
步骤2-4-1：充分考虑道路约束、车辆时空交互等信息，基于TensorFlow等平台搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元，其结构如图3所示；
步骤2-4-2：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；
所述的NGSIM数据集为开源数据集包括车辆位置、速度、加速度、车辆类型和车道编号信息；
步骤2-4-3：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测长时域内本车及障碍车的行驶轨迹；
所述预测均方根误差RMSE具体计算公式为：
其中，
xd和yd分别为LSTM预测的车辆纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
步骤2-4-4：基于所获取得本车及障碍车车辆信息，输入到LSTM神经网络中，输出本车及障碍车行驶轨迹预测数据。
步骤2-5具体为：
步骤2-5-1：基于之前的预测结果与实际车辆行驶轨迹，以预测均方根误差RMSE最小为优化目标，在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，并作为下一时刻的权重系数；
所述优化目标具体为：
其中，
xint和yint分别为预测结果融合后车辆的纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
所述xint和yint具体计算公式为：
其中，ω(i)为权重系数；xp和yp分别为基于三自由度车辆动力学模型预测的车辆纵向和横向位置；
步骤2-5-2：基于优化得到的权重系数，对短时域和长时域的预测结果进行融合，具体为：
步骤4具体为：
步骤4-1：考虑整车运动学约束及道路行驶规则构造菱形道路网格，其结构如图4所示，基于车辆的道路行驶规则，在道路网格中仅保留一条纵线代表每条车道的中心线。道路网格的几何尺寸如图5所示，为了保证车辆行驶的稳定性和舒适性，并使车辆位于A点时能够行驶到C点，网格的几何参数满足：
ay＝V2/R≤0.4g
即
其中，V为车辆的车速，ay为车辆的向心加速度，l1、l2分别为菱形两条对角线长度的
步骤4-2：基于本车及障碍车的预测行驶轨迹构建三维人工势场，获得网格中各节点的势能，通过连接势能最小的节点获得初步避撞路径；
所述的三维人工势场通过叠加道路势场和障碍车势场进行构建，其计算公式为：
PU(X,Y)＝PR(X,Y)+PO(X,Y)
其中，PR(X,Y)是道路势场函数，PO(X,Y)是障碍车势场函数；
所述的道路势场利用抛物线函数对无障碍车的道路进行构建，该道路势场可以防止车辆偏离道路，引导车辆驶入车道中心，其表达式为：
其中，
是车辆距道路边界的距离，Da是道路中心线与道路边界之间的距离，下标q＝l,r分别表示道路的左右边界，aq是强度系数，表示车辆位于道路边界时的势能；
所述的障碍车势场是基于障碍车的预测轨迹并利用指数函数进行构建，其表达式为：
其中，ao和bo是强度和形状系数，
是对本车与障碍车之间的距离进行归一化，Xs和Ys分别是本车与障碍车之间的安全纵向距离和安全横向距离；
所述安全纵向距离的计算公式如下：
其中，X0是最小纵向距离，u是本车车速，T0是安全时间间隔，Δur是本车与障碍车的相对纵向速度，amax是车辆在保证舒适性条件下的最大加速度；
所述安全横向距离的计算公式如下：
其中，Y0是最小横向距离，θe是车辆的方位角，uo是障碍车的横向车速，Δvr是本车与障碍车的相对横向速度；
根据构建的三维人工势场可以获得道路网格中各节点的势能，通过连接势能最小的节点规划出初步的避撞路径；
步骤4-3：根据避撞路径中各节点的位置，利用高次多项式曲线拟合获得平滑的避撞路径；
所述的高次多项式曲线拟合采用五次多项式曲线对初步避撞路径进行分段拟合，并保证每段曲线之间能够平滑过渡，五次多项式曲线拟合公式如下：
y＝p0+p1x+p2x2+p3x3+p4x4+p5x5。
步骤6具体为：
步骤6-1：基于本车及障碍车精准的预测行驶轨迹，在位移-时间图中利用Dijkstra算法规划出避撞路径的初步速度分布曲线；
位移-时间示意图如图6所示，横纵坐标分别表示沿最优避撞路径的预测时间和位移。图中路径点p0表示在时间t0内从起始点pstart到达当前路径点的位移为s0。两个灰色的平行四边形区域表示预测的动态障碍车轨迹。将所述的位移-时间图按照时间间隔Δt＝1.0s和路径位移间隔Δs＝4.0m进行速度点采样，并利用Dijkstra算法生成初步的速度分布曲线。
步骤6-2：综合考虑避撞安全性、可行性和舒适性等目标建立代价函数，并对初步的速度分布曲线进行动态优化，获得最优的速度和加速度分布曲线，实现最优避撞路径的速度、加速度实时匹配。
所述代价函数的计算公式为：
Cspeed＝Cref+Cacc+Cjerk+Cobs
其中，Cref表示速度偏移量的代价函数，Cacc和Cjerk分别表示加速度和冲击度的代价函数，Cobs表示本车与障碍车之间碰撞风险的代价函数；
所述的速度偏移量代价函数表示规划速度与参考速度vref的偏移量，其计算公式为：
Cref＝wref(si′-vref)2
其中，wref表示速度偏移量代价函数所占的权重，参考速度vref取决于障碍车的车速及交通规则；
所述加速度代价函数的计算公式为：
Cacc＝wacc(si″)2
其中，wacc表示加速度代价函数在总代价函数中所占权重；
所述冲击度代价函数的计算公式为：
Cjerk＝wjerk(si″′)2
其中，wjerk表示冲击度代价函数在总代价函数中所占权重；
所述碰撞风险代价函数的计算公式为：
其中，wobs表示碰撞风险代价函数所占权重，TTC(Time-To-Collision)表示本车与障碍车的碰撞时间；
基于采样时间间隔Δt，si的时间导数可由离散路径点的有限差分来近似：
对初步速度分布进行动态优化使上述代价函数取得最小值，由此找到最优的速度及加速度分布曲线，得到速度、加速度实时匹配的最优避撞路径。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，包括：
步骤1：获取本车及障碍车车辆状态信息及参数信息；
步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；
步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；
步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；
步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；
步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。
2.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的车辆状态信息包括车辆实时位置、速度、加速度、横摆角速度和前轮转向角；
所述的车辆参数信息包括本车及障碍车的整备质量、转动惯量和前后轴到整车质心的距离。
3.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2具体为：
步骤2-1：根据车辆参数信息搭建三自由度车辆动力学模型；
步骤2-2：根据三自由度车辆动力学模型，并结合CTRA运动学模型进行短时域内车辆行驶轨迹精准预测，即CTRA模型在每隔Δt时间进行迭代运算时，采用三自由度车辆动力学计算结果更新公式中的纵、横向加速度和横摆角速度值；
步骤2-3：输入本车及障碍车车辆信息，通过三自由度车辆动力学模型与CTRA运动学模型迭代计算，输出本车及障碍车行驶轨迹预测数据；
步骤2-4：搭建LSTM神经网络，用于长时域内精准预测本车及障碍车的行驶轨迹，输出本车及障碍车行驶轨迹预测数据；
步骤2-5：基于粒子群算法在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，根据优化得到的权重对短时域和长时域的预测结果进行融合，对车辆行驶轨迹进行精准预测。
4.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的三自由度车辆动力学模型具体为：
其中，m为整车整备质量；Iz为车辆绕z轴的转动惯量；lf和lr分别为前后轴到整车质心的距离；vx和vy分别表示车辆横纵向速度；ax和ay分别表示车辆纵向加速度和横向加速度；Fxf、Fyf、Fxr、Fyr分别表示前后轮纵向力和侧向力；δf为前轮转向角；
为横摆角速度；
在轮胎力的计算过程中，假设转向避撞过程中车辆侧向加速度ay≤0.4g，轮胎工作在线性区域内，使用线性简化轮胎模型，其表达式为：
其中，Cc为轮胎侧偏刚度；Cl为轮胎纵向刚度；α为轮胎侧偏角；S为纵向滑移率；
采用前轮较小侧偏角假设可得：
其中，
为横摆角速度变化率；Ccf和Ccr分别为前、后轮侧偏刚度；Clf和Clr分别为前、后轮纵向刚度；Sf和Sr分别为前、后轮纵向滑移率；
假设轨迹预测时域内方向盘转δf不变，令
可得：
其中，
5.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的CTRA运动学模型为恒定加速度和横摆角速度模型，令
具体公式为：
其中，x为车辆纵向位置；y为车辆横向位置；
为车辆横摆角，v为车辆行驶速度；
为车辆加速度。
6.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2-4具体为：
步骤2-4-1：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；
步骤2-4-2：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；
所述的NGSIM数据集为开源数据集包括车辆位置、速度、加速度、车辆类型和车道编号等信息；
步骤2-4-3：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测长时域内本车及障碍车的行驶轨迹；
所述预测均方根误差RMSE具体计算公式为：
其中，
xd和yd分别为LSTM预测的车辆纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
步骤2-4-4：基于所获取得本车及障碍车车辆信息，输入到LSTM神经网络中，输出本车及障碍车行驶轨迹预测数据。
7.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2-5具体为：
步骤2-5-1：基于之前的预测结果与实际车辆行驶轨迹，以预测均方根误差RMSE最小为优化目标，在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，并作为下一时刻的权重系数；
所述优化目标具体为：
其中，
xint和yint分别为预测结果融合后车辆的纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
所述xint和yint具体计算公式为：
其中，ω(i)为权重系数；xp和yp分别为基于三自由度车辆动力学模型预测的车辆纵向和横向位置；
步骤2-5-2：基于优化得到的权重系数，对短时域和长时域的预测结果进行融合，具体为：
8.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤4具体为：
步骤4-1：考虑整车运动学约束及道路行驶规则构造菱形道路网格，网格的几何参数满足：
ay＝V2/R≤0.4g
即
其中，V为车辆的车速，ay为车辆的向心加速度，l1、l2分别为菱形两条对角线长度的
步骤4-2：基于本车及障碍车的预测行驶轨迹构建三维人工势场，获得网格中各节点的势能，通过连接势能最小的节点获得初步避撞路径；
所述的三维人工势场通过叠加道路势场和障碍车势场进行构建，其计算公式为：
PU(X,Y)＝PR(X,Y)+PO(X,Y)
其中，PR(X,Y)是道路势场函数，PO(X,Y)是障碍车势场函数；
所述的道路势场利用抛物线函数对无障碍车的道路进行构建，该道路势场可以防止车辆偏离道路，引导车辆驶入车道中心，其表达式为：
其中，
是车辆距道路边界的距离，Da是道路中心线与道路边界之间的距离，下标q＝l,r分别表示道路的左右边界，aq是强度系数，表示车辆位于道路边界时的势能；
所述的障碍车势场是基于障碍车的预测轨迹并利用指数函数进行构建，其表达式为：
其中，ao和bo是强度和形状系数，
是对本车与障碍车之间的距离进行归一化，Xs和Ys分别是本车与障碍车之间的安全纵向距离和安全横向距离；
所述安全纵向距离的计算公式如下：
其中，X0是最小纵向距离，u是本车车速，T0是安全时间间隔，Δur是本车与障碍车的相对纵向速度，amax是车辆在保证舒适性条件下的最大加速度；
所述安全横向距离的计算公式如下：
其中，Y0是最小横向距离，θe是车辆的方位角，uo是障碍车的横向车速，Δvr是本车与障碍车的相对横向速度；
根据构建的三维人工势场可以获得道路网格中各节点的势能，通过连接势能最小的节点规划出初步的避撞路径；
步骤4-3：根据避撞路径中各节点的位置，利用高次多项式曲线拟合获得平滑的最优避撞路径；
所述的高次多项式曲线拟合采用五次多项式曲线对初步避撞路径进行分段拟合，并保证每段曲线之间能够平滑过渡，五次多项式曲线拟合公式如下：
y＝p0+p1x+p2x2+p3x3+p4x4+p5x5。
9.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤6具体为：
步骤6-1：基于本车及障碍车精准的预测行驶轨迹，在位移-时间图中利用Dijkstra算法规划出避撞路径的初步速度分布曲线。
步骤6-2：综合考虑避撞安全性、可行性和舒适性的目标建立代价函数，并对初步的速度分布曲线进行动态优化，获得最优的速度和加速度分布曲线，实现最优避撞路径的速度、加速度实时匹配。
10.根据权利要求9所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述代价函数的计算公式为：
Cspeed＝Cref+Cacc+Cjerk+Cobs
其中，Cref表示速度偏移量的代价函数，Cacc和Cjerk分别表示加速度和冲击度的代价函数，Cobs表示本车与障碍车之间碰撞风险的代价函数；
所述的速度偏移量代价函数表示规划速度与参考速度vref的偏移量，其计算公式为：
Cref＝wref(si′-vref)2
其中，wref表示速度偏移量代价函数所占的权重，参考速度vref取决于障碍车的车速及交通规则；
所述加速度代价函数的计算公式为：
Cacc＝wacc(si″)2
其中，wacc表示加速度代价函数在总代价函数中所占权重；
所述冲击度代价函数的计算公式为：
Cjerk＝wjerk(si″′)2
其中，wjerk表示冲击度代价函数在总代价函数中所占权重；
所述碰撞风险代价函数的计算公式为：
其中，wobs表示碰撞风险代价函数所占权重，TTC(Time-To-Collision)表示本车与障碍车的碰撞时间；
基于采样时间间隔Δt，si的时间导数可由离散路径点的有限差分来近似：
对初步速度分布进行动态优化使上述代价函数取得最小值，由此找到最优的速度及加速度分布曲线，得到速度、加速度实时匹配的最优避撞路径。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998948.6A CN112109704B (zh) | 2020-09-22 | 2020-09-22 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010998948.6A CN112109704B (zh) | 2020-09-22 | 2020-09-22 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112109704A true CN112109704A (zh) | 2020-12-22 |
| CN112109704B CN112109704B (zh) | 2022-04-01 |
Family
ID=73800380
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010998948.6A Active CN112109704B (zh) | 2020-09-22 | 2020-09-22 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112109704B (zh) |
Cited By (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112622932A (zh) * | 2020-12-23 | 2021-04-09 | 同济大学 | 一种基于势能场启发式搜索的自动驾驶换道轨迹规划算法 |
| CN113029151A (zh) * | 2021-03-15 | 2021-06-25 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
| CN113076596A (zh) * | 2021-03-31 | 2021-07-06 | 同济大学 | 融合车辆模型和轮胎力曲线的轨迹跟随并行预测方法 |
| CN113156947A (zh) * | 2021-04-14 | 2021-07-23 | 武汉理工大学 | 一种船舶在动态环境下的路径规划的方法 |
| CN113264067A (zh) * | 2021-06-25 | 2021-08-17 | 合肥工业大学 | 一种无人驾驶赛车制动与转向协同避撞控制方法及系统 |
| CN113359763A (zh) * | 2021-07-05 | 2021-09-07 | 广州蓝胖子移动科技有限公司 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
| CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
| CN113777918A (zh) * | 2021-07-28 | 2021-12-10 | 张金宁 | 一种数字孪生架构的汽车智能线控底盘控制方法 |
| CN113844446A (zh) * | 2021-10-14 | 2021-12-28 | 安徽江淮汽车集团股份有限公司 | 融合长短程的车辆轨迹预测方法 |
| CN114030469A (zh) * | 2021-06-18 | 2022-02-11 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
| CN114111830A (zh) * | 2021-12-16 | 2022-03-01 | 童浩峰 | 一种基于ai模型的路径规划方法及装置 |
| CN114115216A (zh) * | 2021-07-30 | 2022-03-01 | 东风柳州汽车有限公司 | 车辆编队控制方法、装置、设备及存储介质 |
| CN114460936A (zh) * | 2022-01-13 | 2022-05-10 | 华中科技大学 | 基于离线增量学习的自动驾驶汽车路径规划方法及系统 |
| CN114610016A (zh) * | 2022-01-25 | 2022-06-10 | 合肥工业大学 | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 |
| CN115060280A (zh) * | 2022-06-21 | 2022-09-16 | 湖南大学无锡智能控制研究院 | 一种车辆轨迹预测方法和装置 |
| CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
| CN115923845A (zh) * | 2023-01-09 | 2023-04-07 | 北京科技大学 | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 |
| CN116118724A (zh) * | 2023-04-17 | 2023-05-16 | 吉林大学 | 一种基于长时轨迹预测的车辆非紧急避撞方法及系统 |
| WO2023092837A1 (zh) * | 2021-11-26 | 2023-06-01 | 上海仙途智能科技有限公司 | 碰撞检测 |
| CN116202550A (zh) * | 2023-05-06 | 2023-06-02 | 华东交通大学 | 融合改进势场与动态窗口的汽车路径规划方法 |
| CN116203971A (zh) * | 2023-05-04 | 2023-06-02 | 安徽中科星驰自动驾驶技术有限公司 | 一种生成对抗网络协同预测的无人驾驶避障方法 |
| CN116663434A (zh) * | 2023-07-31 | 2023-08-29 | 江铃汽车股份有限公司 | 一种基于lstm深度神经网络的整车载荷分解方法 |
| CN117818641A (zh) * | 2023-12-13 | 2024-04-05 | 无锡商业职业技术学院 | 一种智能汽车轨迹跟踪控制方法及系统 |
| CN115683145B (zh) * | 2022-11-03 | 2024-06-11 | 北京踏歌智行科技有限公司 | 一种基于轨迹预测的自动驾驶安全避障方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104554258A (zh) * | 2013-10-28 | 2015-04-29 | 通用汽车环球科技运作有限责任公司 | 采用虚拟势场技术的避让转向操作的路径规划 |
| CN107161143A (zh) * | 2017-05-18 | 2017-09-15 | 江苏大学 | 一种采用人工势场法的车辆主动避撞方法 |
| CN110471408A (zh) * | 2019-07-03 | 2019-11-19 | 天津大学 | 基于决策过程的无人驾驶车辆路径规划方法 |
| CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
| CN111310735A (zh) * | 2020-03-18 | 2020-06-19 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测方法 |
-
2020
- 2020-09-22 CN CN202010998948.6A patent/CN112109704B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104554258A (zh) * | 2013-10-28 | 2015-04-29 | 通用汽车环球科技运作有限责任公司 | 采用虚拟势场技术的避让转向操作的路径规划 |
| CN107161143A (zh) * | 2017-05-18 | 2017-09-15 | 江苏大学 | 一种采用人工势场法的车辆主动避撞方法 |
| CN110471408A (zh) * | 2019-07-03 | 2019-11-19 | 天津大学 | 基于决策过程的无人驾驶车辆路径规划方法 |
| CN111310735A (zh) * | 2020-03-18 | 2020-06-19 | 桂林电子科技大学 | 一种基于lstm技术的汽车轨迹预测方法 |
| CN111114543A (zh) * | 2020-03-26 | 2020-05-08 | 北京三快在线科技有限公司 | 一种轨迹预测方法及装置 |
Cited By (36)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112622932B (zh) * | 2020-12-23 | 2022-02-01 | 同济大学 | 一种基于势能场启发式搜索的自动驾驶换道轨迹规划算法 |
| CN112622932A (zh) * | 2020-12-23 | 2021-04-09 | 同济大学 | 一种基于势能场启发式搜索的自动驾驶换道轨迹规划算法 |
| CN113029151A (zh) * | 2021-03-15 | 2021-06-25 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
| CN113029151B (zh) * | 2021-03-15 | 2023-04-14 | 齐鲁工业大学 | 一种智能车辆路径规划方法 |
| CN113076596A (zh) * | 2021-03-31 | 2021-07-06 | 同济大学 | 融合车辆模型和轮胎力曲线的轨迹跟随并行预测方法 |
| CN113156947A (zh) * | 2021-04-14 | 2021-07-23 | 武汉理工大学 | 一种船舶在动态环境下的路径规划的方法 |
| CN113156947B (zh) * | 2021-04-14 | 2024-03-08 | 武汉理工大学 | 一种船舶在动态环境下的路径规划的方法 |
| CN114030469B (zh) * | 2021-06-18 | 2022-08-02 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
| CN114030469A (zh) * | 2021-06-18 | 2022-02-11 | 东南大学 | 多车协同轨迹规划和路径跟踪方法 |
| CN113264067A (zh) * | 2021-06-25 | 2021-08-17 | 合肥工业大学 | 一种无人驾驶赛车制动与转向协同避撞控制方法及系统 |
| CN113359763A (zh) * | 2021-07-05 | 2021-09-07 | 广州蓝胖子移动科技有限公司 | 轮式机器人及动态障碍物轨迹预测方法、装置、存储介质 |
| CN113777918A (zh) * | 2021-07-28 | 2021-12-10 | 张金宁 | 一种数字孪生架构的汽车智能线控底盘控制方法 |
| CN114115216A (zh) * | 2021-07-30 | 2022-03-01 | 东风柳州汽车有限公司 | 车辆编队控制方法、装置、设备及存储介质 |
| CN114115216B (zh) * | 2021-07-30 | 2023-07-25 | 东风柳州汽车有限公司 | 车辆编队控制方法、装置、设备及存储介质 |
| CN113465625A (zh) * | 2021-08-17 | 2021-10-01 | 清华大学 | 局部路径规划方法和装置 |
| CN113465625B (zh) * | 2021-08-17 | 2022-06-03 | 清华大学 | 局部路径规划方法和装置 |
| CN113844446B (zh) * | 2021-10-14 | 2023-08-15 | 安徽江淮汽车集团股份有限公司 | 融合长短程的车辆轨迹预测方法 |
| CN113844446A (zh) * | 2021-10-14 | 2021-12-28 | 安徽江淮汽车集团股份有限公司 | 融合长短程的车辆轨迹预测方法 |
| WO2023092837A1 (zh) * | 2021-11-26 | 2023-06-01 | 上海仙途智能科技有限公司 | 碰撞检测 |
| CN114111830B (zh) * | 2021-12-16 | 2024-01-26 | 童浩峰 | 一种基于ai模型的路径规划方法及装置 |
| CN114111830A (zh) * | 2021-12-16 | 2022-03-01 | 童浩峰 | 一种基于ai模型的路径规划方法及装置 |
| CN114460936B (zh) * | 2022-01-13 | 2024-04-02 | 华中科技大学 | 基于离线增量学习的自动驾驶汽车路径规划方法及系统 |
| CN114460936A (zh) * | 2022-01-13 | 2022-05-10 | 华中科技大学 | 基于离线增量学习的自动驾驶汽车路径规划方法及系统 |
| CN114610016A (zh) * | 2022-01-25 | 2022-06-10 | 合肥工业大学 | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 |
| CN114610016B (zh) * | 2022-01-25 | 2024-04-05 | 合肥工业大学 | 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法 |
| CN115060280A (zh) * | 2022-06-21 | 2022-09-16 | 湖南大学无锡智能控制研究院 | 一种车辆轨迹预测方法和装置 |
| CN115164931A (zh) * | 2022-09-08 | 2022-10-11 | 南开大学 | 一种盲人出行辅助系统、方法及设备 |
| CN115683145B (zh) * | 2022-11-03 | 2024-06-11 | 北京踏歌智行科技有限公司 | 一种基于轨迹预测的自动驾驶安全避障方法 |
| CN115923845A (zh) * | 2023-01-09 | 2023-04-07 | 北京科技大学 | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 |
| CN116118724B (zh) * | 2023-04-17 | 2023-06-27 | 吉林大学 | 一种基于长时轨迹预测的车辆非紧急避撞方法及系统 |
| CN116118724A (zh) * | 2023-04-17 | 2023-05-16 | 吉林大学 | 一种基于长时轨迹预测的车辆非紧急避撞方法及系统 |
| CN116203971A (zh) * | 2023-05-04 | 2023-06-02 | 安徽中科星驰自动驾驶技术有限公司 | 一种生成对抗网络协同预测的无人驾驶避障方法 |
| CN116202550A (zh) * | 2023-05-06 | 2023-06-02 | 华东交通大学 | 融合改进势场与动态窗口的汽车路径规划方法 |
| CN116663434B (zh) * | 2023-07-31 | 2023-12-05 | 江铃汽车股份有限公司 | 一种基于lstm深度神经网络的整车载荷分解方法 |
| CN116663434A (zh) * | 2023-07-31 | 2023-08-29 | 江铃汽车股份有限公司 | 一种基于lstm深度神经网络的整车载荷分解方法 |
| CN117818641A (zh) * | 2023-12-13 | 2024-04-05 | 无锡商业职业技术学院 | 一种智能汽车轨迹跟踪控制方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112109704B (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112109704B (zh) | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 | |
| 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 | |
| CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策系统 | |
| CN111717192B (zh) | 一种自动驾驶车辆的控制方法及系统 | |
| WO2020143288A1 (zh) | 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法 | |
| CN110329263B (zh) | 自动驾驶车辆自适应换道轨迹规划方法 | |
| CN109808685B (zh) | 一种基于危险评估的汽车预警自动避撞控制方法 | |
| CN110286681B (zh) | 一种变曲率弯道的动态自动驾驶换道轨迹规划方法 | |
| Bevan et al. | Trajectory generation for road vehicle obstacle avoidance using convex optimization | |
| CN111089594B (zh) | 一种适用于多场景的自主泊车轨迹规划方法 | |
| Zhang et al. | Human-lead-platooning cooperative adaptive cruise control | |
| CN109823393A (zh) | 一种智能驾驶车辆轨迹跟踪控制方法 | |
| CN104881025A (zh) | 一种地下矿用车辆的反应式导航控制方法 | |
| CN114132341B (zh) | 一种车联网环境下自动驾驶车辆上匝道轨迹规划模型 | |
| CN110161865A (zh) | 一种基于非线性模型预测控制的智能车换道轨迹规划方法 | |
| CN114637292A (zh) | 一种兼顾避障的车辆轨迹跟踪鲁棒控制方法和系统 | |
| CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
| Domina et al. | Comparison of path following controllers for autonomous vehicles | |
| Peng et al. | Lane-change model and tracking control for autonomous vehicles on curved highway sections in rainy weather | |
| Alan et al. | Integrating safety with performance in connected automated truck control: Experimental validation | |
| CN110908367A (zh) | 一种基于scstsv的智能网联汽车计算平台 | |
| Li et al. | Anti-collision system design of vehicle lane change overtaking | |
| Zhang et al. | Automated braking decision and control for pedestrian collision avoidance based on risk assessment | |
| CN109556623A (zh) | 融合触须算法与切线图法的迭代式路径规划算法 | |
| CN114889589A (zh) | 一种智能汽车转向与制动协同避撞控制系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |