CN112224202B - 一种紧急工况下的多车协同避撞系统及方法 - Google Patents

Abstract

本发明公开了一种紧急工况下的多车协同避撞系统及方法，包括：车间通讯模块、车载惯导模块、车载GPS模块、车载激光雷达模块、车载摄像头模块、车载毫米波雷达模块、车辆感知分析模块、车辆驾驶计算模块、车辆电子控制模块、车辆方向盘模块、车辆制动踏板模块；本发明利用车载传感器和车辆间的通讯获取了车辆周围环境信息；采用强化学习方法决策出车辆紧急避撞策略，同时规划多个车辆的避撞路径，实现了多车道环境下的多车协同避撞，提高了道路安全性和智能交通系统的可靠性。

Description

一种紧急工况下的多车协同避撞系统及方法

技术领域

本发明属于智能交通系统技术领域，具体涉及一种紧急工况下的多车协同避撞系统及方法。

背景技术

随着社会经济的发展，汽车保有量不断攀升，道路交通事故数量也不断上升，严重威胁了道路参与者的生命安全，造成了巨大的经济损失。传统的人类驾驶车辆因为驾驶员操作技术的不同、车辆间缺乏通讯、驾驶员容易疲劳等问题始终无法改善道路交通安全。智能网联技术改变了这一局面，让进一步提升道路交通安全成为可能。

随着车辆智能化和网联化进程的推进，智能网联交通系统的各项技术急需不断完善。自动驾驶车辆在复杂的交通环境中保持行驶安全是智能网联交通系统的重要技术难点。传统的车道保持技术等辅助安全技术已经不满足于无人驾驶车辆。紧急避撞技术被广泛研究。现有的主动避撞系统，通过先进的传感器感知前方障碍物，然后进行制动或换道操作。然而，这种主动避撞系统只通过控制自车的紧急制动或者换道来实现避撞，不考虑自车周围车辆受到的影响。尤其是同车道和相邻车道的后续车辆往往会因为来不及避让而导致发生重大的连环交通事故，严重危及乘客生命安全。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种紧急工况下的多车协同避撞系统及方法，以解决现有的主动避撞系统中没有考虑自车避撞对相邻车道的后续车辆的影响的问题，本发明利用车载传感器和车辆间的通讯获取了车辆周围环境信息；采用强化学习方法决策出车辆紧急避撞策略，同时规划多个车辆的避撞路径，实现了多车道环境下的多车协同避撞，提高了道路安全性和智能交通系统的可靠性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种紧急工况下的多车协同避撞系统，包括：车间通讯模块、车载惯导模块、车载GPS模块、车载激光雷达模块、车载摄像头模块、车载毫米波雷达模块、车辆感知分析模块、车辆驾驶计算模块、车辆电子控制模块、车辆方向盘模块、车辆制动踏板模块；

所述车间通讯模块，用于车辆间速度、位置信息和协同避撞信号的传输；

所述车载惯导模块，用于获取自车的速度和位置信号，并将该速度和位置信号输出给车辆感知分析模块；

所述车载GPS模块，用于获取自车的速度和位置信号，并将该速度和位置信号输出给车辆感知分析模块；

所述车载激光雷达模块，用于获取自车周围环境的点云信号，并将该点云信号输出给车辆感知分析模块；

所述车载摄像头模块，用于获取自车周围环境的图像信号，并将该图像信号输出给车辆感知分析模块；

所述车载毫米波雷达模块，用于获取自车与障碍物之间、自车与周围车辆之间的带有偏差的相对速度和相对位置信号，并将该信号输出给车辆感知分析模块；

所述车辆感知分析模块，接收车间通讯模块发送的周围车辆的速度和位置信息、车载惯导模块发送的自车的速度和位置信号、车载GPS模块发送的自车的速度和位置信号、车载激光雷达模块发送的自车周围环境的点云信号、车载摄像头模块发送的自车周围环境的图像信号、车载毫米波雷达模块发送的自车与障碍物之间、自车与周围车辆之间的带有偏差的相对速度和相对位置信号，并输出自车、周围车辆和障碍物的速度和位置信号给车辆驾驶计算模块；

所述车辆驾驶计算模块，接收车辆感知分析模块发送的自车、周围车辆和障碍物的速度和位置信号，通过分析和计算来判断车辆是否处于紧急工况下；当车辆处于紧急工况下时，车辆驾驶计算模块对自车、自车的同车道、自车的相邻车道的后续车辆进行紧急避撞决策，规划各车的紧急避撞路径；将规划后的自车紧急避撞路径输出给车辆电子控制模块，将同车道、相邻车道的后续车辆的紧急避撞路径作为协同避撞信号通过车间通讯模块分别传输给各车辆；

所述车辆电子控制模块，接收车辆驾驶计算模块发送的自车紧急避撞路径或车间通讯模块发送的协同避撞信号，并根据自车紧急避撞路径或协同避撞信号中的紧急避撞路径计算出车辆的方向盘转角和制动踏板位置；将产生的方向盘转角信号输出给车辆方向盘模块，及将产生的制动踏板位置信号输出给车辆制动踏板模块；

所述车辆方向盘模块，根据车辆电子控制模块输出的方向盘转角信号调节方向盘的转角；

所述车辆制动踏板模块，根据车辆电子控制模块输出的制动踏板位置信号调节制动踏板的位置。

进一步地，所述车间通讯模块将车辆自车的速度和位置信息传输给其他车辆，及获取周围车辆的速度和位置信息，并将该速度和位置信息输出给车辆感知分析模块；当车辆遇到紧急情况时，其将车辆驾驶计算模块输出的协同避撞信号传输给周围车辆。

进一步地，所述车载惯导模块和车载GPS模块输出的速度和位置信号带有噪声和漂移。

进一步地，所述车辆感知分析模块通过采用多传感器融合的扩展卡尔曼滤波算法，融合所接收的所有信号，输出自车、周围车辆和障碍物的速度和位置信号给车辆驾驶计算模块。

本发明的一种紧急工况下的多车协同避撞方法，步骤如下：

1)通过采用多传感器融合的扩展卡尔曼滤波算法计算得到自车、周围车辆和障碍物的速度和位置信号；

2)判断车辆是否处于紧急工况，若是则采取紧急避撞进入步骤3)，此时，该车辆为危险车辆；若否则返回步骤1)；

3)根据危险车辆自车、周围车辆和障碍物的速度和位置信息，对危险车辆自车、危险车辆的同车道、危险车辆的相邻车道的后续车辆进行紧急避撞决策，采用多车协同路径规划方法，得到危险车辆自车、危险车辆的同车道、危险车辆的后续车辆的紧急避撞路径；调整危险车辆的方向盘转角和制动踏板位置使车辆按照紧急避撞路径行驶一个控制时域T_c的时间，并将紧急避撞路径作为协同避撞信号传输给同车道的后续车辆和相邻车道的后续车辆；

4)危险车辆的同车道的后续车辆和相邻车道的后续车辆接收到协同避撞信号后，调整方向盘转角和制动踏板位置使车辆按照接收到的紧急避撞路径行驶一个控制时域T_c的时间；返回步骤1)。

进一步地，所述步骤2)中当车辆前方出现障碍物，且满足下式时，则认定为车辆处于紧急工况：

式中，Δv_f、Δx_f分别表示车辆与其前方障碍物的相对速度和相对位置；t_s为最小安全时距。

进一步地，所述的步骤3)中的同车道的后续车辆和相邻车道的后续车辆分别指的是在危险车辆的同一车道和相邻车道上，位于危险车辆后方的车辆。

进一步地，所述后续车辆与其同车道或相邻车道的相邻前车之间的车头时距小于一个安全阈值。

进一步地，所述的步骤3)中的紧急避撞决策具体为：采用强化学习的Actor-Critic算法来实现紧急避撞决策，对于危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一待决策的车辆i，其状态量定义为：

s_i＝[v_i x_i v_f x_f v_r x_r v_sf x_sf v_sr x_sr]^T

式中，v_i、x_i分别表示车辆i的速度和位置；v_f、x_f分别表示车辆i的同一车道的相邻前车或前方障碍物的速度和位置；v_r、x_r分别表示车辆i的同一车道的相邻后车的速度和位置；v_sf、x_sf分别表示车辆i的相邻车道的相邻前车的速度和位置；v_sr、x_sr分别表示车辆i的相邻车道的相邻后车的速度和位置；

Actor-Critic算法中的奖励设置为：

r＝r_s+r_c

式中，r_s为车辆安全行驶奖励；r_c为车辆舒适行驶奖励；

车辆安全行驶奖励为

式中，w₁、w₂、w₃、w₄、w₅、w₆为预先设定的权重系数；

车辆舒适行驶奖励为：

式中，t₀为当前时刻；w₇、w₈分别为预先设定的权重系数；a_ix为车辆i的纵向加速度，即沿道路方向的加速度；a_iy为车辆i的横向加速度，即沿着垂直于道路方向的加速度；

Actor-Critic算法中的紧急避撞的动作集合设置为：

A＝(Ebk,Cl,CaB)

式中，Ebk为紧急制动；Cl为变道至相邻车道；CaB为同时采取变道和制动；

根据状态量、奖励、动作集合，采取Actor-Critic算法对Actor网络进行训练，训练后的Actor网络即为决策网络；分别将危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的状态量输入到决策网络，决策网络输出危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的动作，即实现了紧急避撞决策过程。

进一步地，所述的步骤3)中的多车协同路径规划方法具体为：根据决策得到的动作进行车辆的路径规划，当危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一车辆i采取紧急制动的动作时，路径为直线，其期望纵向加速度为：

当车辆采取换道动作时，车辆的期望纵向加速度为：

a_ix＝0

当车辆同时采取变道和换道动作时，车辆的期望纵向加速度为最大减速度；

根据路径的初始点和终点的约束条件，通过多项式拟合得到路径，如下所示：

式中，x为规划的路径中车辆的纵向位置，即沿着道路方向的位置；y为规划的路径中车辆的横向位置，即沿着垂直于道路方向的位置；b_i、c_i为多项式拟合参数；路径的初始点为当前车辆所在点，其约束条件为(x_i,y_i,v_i,v_iy)，v_iy为车辆横向速度，即沿着垂直于道路方向的速度；根据车辆的期望纵向加速度确定路径的终点的约束条件为

根据车辆路径的起点和终点的约束条件，拟合出多个车辆行驶路径，选取收益函数最大的路径为最终规划的最优路径，其中收益函数设为：

式中，a_y为车辆的侧向加速度。

本发明的有益效果：

本发明利用车载传感器和车间通讯获取自车和周围环境的信息，在发现当前车道存在危及自车安全的障碍物时，通过采用强化学习的Actor-Critic算法分别对自车、自车同一车道的后续车辆和相邻车道的后续车辆做出合理的紧急避撞决策，最后规划出每个车辆的最优路径；本发明能够有效处理多车道交通环境下的多车协同避撞，提高了车辆行驶的安全性。

附图说明

图1为本发明系统的结构图。

图2为本发明避撞方法的流程图。

图3为本发明实施例的场景示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种紧急工况下的多车协同避撞系统，包括：车间通讯模块、车载惯导模块、车载GPS模块、车载激光雷达模块、车载摄像头模块、车载毫米波雷达模块、车辆感知分析模块、车辆驾驶计算模块、车辆电子控制模块、车辆方向盘模块、车辆制动踏板模块；

所述车间通讯模块，用于车辆间速度、车辆位置信息和协同避撞信号的传输；所述车间通讯模块将车辆自车的速度和位置信息传输给其他车辆，及获取周围车辆的速度和位置信息，并将该速度和位置信息输出给车辆感知分析模块；当车辆遇到紧急情况时，其将车辆驾驶计算模块输出的协同避撞信号传输给周围车辆；

所述车载惯导模块，用于获取自车的速度和位置信号，并将该速度和位置信号输出给车辆感知分析模块；

所述车载GPS模块，用于获取自车的速度和位置信号，并将该速度和位置信号输出给车辆感知分析模块；

其中，所述车载惯导模块和车载GPS模块输出的速度和位置信号带有噪声和漂移；

所述车载激光雷达模块，用于获取自车周围环境的点云信号，并将该点云信号输出给车辆感知分析模块；

所述车载摄像头模块，用于获取自车周围环境的图像信号，并将该图像信号输出给车辆感知分析模块；

所述车载毫米波雷达模块，用于获取自车与障碍物之间、自车与周围车辆之间的带有偏差的相对速度和位置信号，并将该信号输出给车辆感知分析模块；

所述车辆感知分析模块，接收车间通讯模块发送的周围车辆的速度和位置信息、车载惯导模块发送的自车的速度和位置信号、车载GPS模块发送的自车的速度和位置信号、车载激光雷达模块发送的自车周围环境的点云信号、车载摄像头模块发送的自车周围环境的图像信号、车载毫米波雷达模块发送的自车与障碍物之间、自车与周围车辆之间的带有偏差的相对速度和位置信号，并输出自车、周围车辆和障碍物的速度和位置信号给车辆驾驶计算模块；

所述车辆感知分析模块通过采用多传感器融合的扩展卡尔曼滤波算法，融合所接收的所有信号，输出自车、周围车辆和障碍物的速度和位置信号给车辆驾驶计算模块；

所述车辆驾驶计算模块，接收车辆感知分析模块发送的自车、周围车辆和障碍物的速度和位置信号，通过分析和计算来判断车辆是否处于紧急工况下；当车辆处于紧急工况下时，车辆驾驶计算模块对自车、自车的同车道、自车的相邻车道的后续车辆进行紧急避撞决策，规划各车的紧急避撞路径；将规划后的自车紧急避撞路径输出给车辆电子控制模块，将同车道、相邻车道的后续车辆的紧急避撞路径作为协同避撞信号通过车间通讯模块分别传输给各车辆；

所述车辆电子控制模块，接收车辆驾驶计算模块发送的自车紧急避撞路径或车间通讯模块发送的协同避撞信号，并根据自车紧急避撞路径或协同避撞信号中的紧急避撞路径计算出车辆的方向盘转角和制动踏板位置；将产生的方向盘转角信号输出给车辆方向盘模块，及将产生的制动踏板位置信号输出给车辆制动踏板模块；

所述车辆方向盘模块，根据车辆电子控制模块输出的方向盘转角信号调节方向盘的转角；

所述车辆制动踏板模块，根据车辆电子控制模块输出的制动踏板位置信号调节制动踏板的位置。

参照图2所示，本发明的一种紧急工况下的多车协同避撞方法，步骤如下：

1)通过采用多传感器融合的扩展卡尔曼滤波算法计算得到自车、周围车辆和障碍物的速度和位置信号。

2)判断车辆是否处于紧急工况，若是则采取紧急避撞进入步骤3)，此时，该车辆为危险车辆；若否则返回步骤1)；

当车辆前方出现障碍物，且满足下式时，则认定为车辆处于紧急工况：

式中，Δv_f、Δx_f分别表示车辆与其前方障碍物的相对速度和相对位置；t_s为最小安全时距。

3)根据危险车辆自车、周围车辆和障碍物的速度和位置信息，对危险车辆自车、危险车辆的同车道、危险车辆的相邻车道的后续车辆进行紧急避撞决策，采用多车协同路径规划方法，得到危险车辆自车、危险车辆的同车道、危险车辆的后续车辆的紧急避撞路径；调整危险车辆的方向盘转角和制动踏板位置使车辆按照紧急避撞路径行驶一个控制时域T_c的时间，并将紧急避撞路径作为协同避撞信号传输给同车道的后续车辆和相邻车道的后续车辆；

同车道的后续车辆和相邻车道的后续车辆分别指的是在危险车辆的同一车道和相邻车道上，位于危险车辆后方的车辆。

所述后续车辆与其同车道或相邻车道的相邻前车之间的车头时距小于一个安全阈值，取为t_st＝5s。

紧急避撞决策具体为：采用强化学习的Actor-Critic算法来实现紧急避撞决策，对于危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一待决策的车辆i，其状态量定义为：

s_i＝[v_i x_i v_f x_f v_r x_r v_sf x_sf v_sr x_sr]^T

式中，v_i、x_i分别表示车辆i的速度和位置；v_f、x_f分别表示车辆i的同一车道的相邻前车或前方障碍物的速度和位置；v_r、x_r分别表示车辆i的同一车道的相邻后车的速度和位置；v_sf、x_sf分别表示车辆i的相邻车道的相邻前车的速度和位置；v_sr、x_sr分别表示车辆i的相邻车道的相邻后车的速度和位置；

Actor-Critic算法中的奖励设置为：

r＝r_s+r_c

式中，r_s为车辆安全行驶奖励；r_c为车辆舒适行驶奖励；

车辆安全行驶奖励为

式中，w₁、w₂、w₃、w₄、w₅、w₆为预先设定的权重系数；

车辆舒适行驶奖励为：

式中，t₀为当前时刻；w₇、w₈分别为预先设定的权重系数；a_ix为车辆i的纵向加速度，即沿道路方向的加速度；a_iy为车辆i的横向加速度，即沿着垂直于道路方向的加速度；

Actor-Critic算法中的紧急避撞的动作集合设置为：

A＝(Ebk,Cl,CaB)

式中，Ebk为紧急制动；Cl为变道至相邻车道；CaB为同时采取变道和制动；

根据状态量、奖励、动作集合，采取Actor-Critic算法对Actor网络进行训练，训练后的Actor网络即为决策网络；分别将危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的状态量输入到决策网络，决策网络输出危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的动作，即实现了紧急避撞决策过程。

所述的步骤3)中的多车协同路径规划方法具体为：根据决策得到的动作进行车辆的路径规划，当危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一车辆i采取紧急制动的动作时，路径为直线，其期望纵向加速度为：

当车辆采取换道动作时，车辆的期望纵向加速度为：

a_ix＝0

当车辆同时采取变道和换道动作时，车辆的期望纵向加速度为最大减速度；

根据路径的初始点和终点的约束条件，通过多项式拟合得到路径，如下所示：

式中，x为规划的路径中车辆的纵向位置，即沿着道路方向的位置；y为规划的路径中车辆的横向位置，即沿着垂直于道路方向的位置；b_i、c_i为多项式拟合参数；路径的初始点为当前车辆所在点，其约束条件为(x_i,y_i,v_i,v_iy)，v_iy为车辆横向速度，即沿着垂直于道路方向的速度；根据车辆的期望纵向加速度确定路径的终点的约束条件为

根据车辆路径的起点和终点的约束条件，拟合出多个车辆行驶路径，选取收益函数最大的路径为最终规划的最优路径，其中收益函数设为：

式中，a_y为车辆的侧向加速度。

车辆路径的终点由期望加速度和预测时域T_d确定，根据车辆路径的起点和终点，拟合出多条车辆行驶路径；选取令收益函数最大的路径作为最终规划的路径。于是，可以得到如图3本发明实施例场景示意图所示的车辆1～6的紧急避撞路径。车辆1调整方向盘转角和制动踏板位置使车辆按照紧急避撞路径行驶一个控制时域T_c的时间，并将紧急避撞路径作为协同避撞信号传输给车辆2～6。

4)危险车辆的同车道的后续车辆和相邻车道的后续车辆接收到协同避撞信号后，调整方向盘转角和制动踏板位置使车辆按照接收到的紧急避撞路径行驶一个控制时域T_c的时间；返回步骤1)。

如图3中的车辆2～6接收到协同避撞信号后，调整方向盘转角和制动踏板位置，使车辆按照紧急避撞路径行驶一个控制时域T_c的时间。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种紧急工况下的多车协同避撞方法，其特征在于，步骤如下：

1)通过采用多传感器融合的扩展卡尔曼滤波算法计算得到自车、周围车辆和障碍物的速度和位置信号；

2)判断车辆是否处于紧急工况，若是则采取紧急避撞进入步骤3)，此时，该车辆为危险车辆；若否则返回步骤1)；

3)根据危险车辆自车、周围车辆和障碍物的速度和位置信息，对危险车辆自车、危险车辆的同车道的后续车辆和危险车辆的相邻车道的后续车辆进行紧急避撞决策，采用多车协同路径规划方法，得到危险车辆自车、危险车辆的同车道的后续车辆和危险车辆的相邻车道的后续车辆的紧急避撞路径；调整危险车辆的方向盘转角和制动踏板位置使车辆按照紧急避撞路径行驶一个控制时域T_c的时间，并将紧急避撞路径作为协同避撞信号传输给同车道的后续车辆和相邻车道的后续车辆；

4)危险车辆的同车道的后续车辆和相邻车道的后续车辆接收到协同避撞信号后，调整方向盘转角和制动踏板位置使车辆按照接收到的紧急避撞路径行驶一个控制时域T_c的时间；返回步骤1)；

所述的步骤3)中的紧急避撞决策具体为：采用强化学习的Actor-Critic算法来实现紧急避撞决策，对于危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一待决策的车辆i，其状态量定义为：

s_i＝[v_i x_i v_f x_f v_r x_r v_sf x_sf v_sr x_sr]^T

式中，v_i、x_i分别表示车辆i的速度和位置；v_f、x_f分别表示车辆i的同一车道的相邻前车或前方障碍物的速度和位置；v_r、x_r分别表示车辆i的同一车道的相邻后车的速度和位置；v_sf、x_sf分别表示车辆i的相邻车道的相邻前车的速度和位置；v_sr、x_sr分别表示车辆i的相邻车道的相邻后车的速度和位置；

Actor-Critic算法中的奖励设置为：

r＝r_s+r_c

式中，r_s为车辆安全行驶奖励；r_c为车辆舒适行驶奖励；

车辆安全行驶奖励为

式中，w₁、w₂、w₃、w₄、w₅、w₆为预先设定的权重系数；

车辆舒适行驶奖励为：

式中，t₀为当前时刻；w₇、w₈分别为预先设定的权重系数；a_ix为车辆i的纵向加速度，即沿道路方向的加速度；a_iy为车辆i的横向加速度，即沿着垂直于道路方向的加速度；

Actor-Critic算法中的紧急避撞的动作集合设置为：

A＝(Ebk,Cl,CaB)

式中，Ebk为紧急制动；Cl为变道至相邻车道；CaB为同时采取变道和制动；

根据状态量、奖励、动作集合，采取Actor-Critic算法对Actor网络进行训练，训练后的Actor网络即为决策网络；分别将危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的状态量输入到决策网络，决策网络输出危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆的动作，即实现紧急避撞决策过程。

2.根据权利要求1所述的紧急工况下的多车协同避撞方法，其特征在于，所述步骤2)中当车辆前方出现障碍物，且满足下式时，则认定为车辆处于紧急工况：

式中，Δv_f、Δx_f分别表示车辆与其前方障碍物的相对速度和相对位置；t_s为最小安全时距。

3.根据权利要求1所述的紧急工况下的多车协同避撞方法，其特征在于，所述的步骤3)中的同车道的后续车辆和相邻车道的后续车辆分别指的是在危险车辆的同一车道和相邻车道上，位于危险车辆后方的车辆。

4.根据权利要求1所述的紧急工况下的多车协同避撞方法，其特征在于，所述后续车辆与其同车道或相邻车道的相邻前车之间的车头时距小于一个安全阈值。

5.根据权利要求1所述的紧急工况下的多车协同避撞方法，其特征在于，所述的步骤3)中的多车协同路径规划方法具体为：根据决策得到的动作进行车辆的路径规划，当危险车辆、危险车辆的同车道的后续车辆和相邻车道的后续车辆中的某一车辆i采取紧急制动的动作时，路径为直线，其期望纵向加速度为：

当车辆采取换道动作时，车辆的期望纵向加速度为：

a_ix＝0

当车辆同时采取变道和换道动作时，车辆的期望纵向加速度为最大减速度；

根据路径的初始点和终点的约束条件，通过多项式拟合得到路径，如下所示：

式中，x为规划的路径中车辆的纵向位置，即沿着道路方向的位置；y为规划的路径中车辆的横向位置，即沿着垂直于道路方向的位置；b_i、c_i为多项式拟合参数；路径的初始点为当前车辆所在点，其约束条件为(x_i,y_i,v_i,v_iy)，v_iy为车辆横向速度，即沿着垂直于道路方向的速度；根据车辆的期望纵向加速度确定路径的终点的约束条件为

根据车辆路径的起点和终点的约束条件，拟合出多个车辆行驶路径，选取收益函数最大的路径为最终规划的最优路径，其中收益函数设为：

式中，a_y为车辆的侧向加速度，T_d为预测时域，Δv_f、Δx_f分别表示车辆与其前方障碍物的相对速度和相对位置。

Images