CN112249008A - 针对复杂动态环境的无人驾驶汽车预警方法 - Google Patents

Abstract

本发明公开了一种针对复杂动态环境的无人驾驶汽车预警方法，首先对预测模块进行横纵向解耦，将周围车辆横向行为预测简化为对目标车道的选择问题。通过计算每个车道序列的概率，来选择车辆最有可能选取的车道顺序。在得到车道顺序后，由于周围车辆在纵向的行驶轨迹对于其目标车道行驶的车辆也会产生较大影响，因此，在周围车辆横向预测的基础上，加入驾驶员在车辆行驶方向上的意图倾向预测。最后，根据碰撞时间TTC建立周围环境预警模型。本发明在保证预测准确性的同时有效降低了预测算法复杂度，同时将行驶过程中车与车之间的交互影响纳入考虑，实现在复杂动态的交通环境下为无人驾驶汽车提供准确风险评估与预警，为决策规划系统实时决策奠定基础。

Description

针对复杂动态环境的无人驾驶汽车预警方法

技术领域

本发明涉及无人驾驶汽车感知决策技术领域，尤其涉及一种针对复杂动态环境的无人驾驶汽车预警方法。

背景技术

随着计算机与通讯技术的飞速发展，自动驾驶汽车获得了越来越多的关注。无人驾驶技术包含感知、决策及控制三大部分。其中决策系统是整个无人驾驶汽车的大脑，感知系统是无人驾驶汽车一切处理能力的前提。目前，感知系统往往只能获取某一时刻的静态参数，很难对未来时刻可能发生的事情进行预测。因此，在感知与决策模块间需要加入预警模块。无人驾驶车辆的行为决策不仅要考虑自车情况，也要考虑其与周围车辆的交互影响。对周围车辆进行运动预测，可以预知交通环境未来时刻的动态变化。其是自动驾驶车辆进行行为决策和轨迹规划的必要前提。在得到准确预测结果后，根据车头时距、碰撞时间等指标或是势场法可以有效建立基于周围环境并考虑未来时刻的预警模型，从而为决策规划系统奠定良好基础。例如中国专利申请号CN202010301446.3，名称“车辆驾驶预警方法和装置”中通过判断目标车辆是否与主车位于同一车道，利用第一碰撞时间参数进行车辆驾驶预警；中国专利申请号CN201710193615.4，名称“在车辆行驶过程中进行驾驶预警的方法、车载设备及装置”中通过车联网接受第一车辆的行驶信息，进而确定第二车辆的危险驾驶操作来进行驾驶预警。以上专利的预警系统主要对同一车道车辆间的关系进行预警、风险判断。而在实际驾驶环境中往往是复杂多变的，侧向车辆的突然驶入也会大大增加碰撞风险。同时不同驾驶员的驾驶风格在同一工况环境下的驾驶行为所产生的预警风险也是不同的。

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，提供一种针对复杂动态环境的无人驾驶汽车预警方法。

本发明为解决上述技术问题采用以下技术方案：

一种针对复杂动态环境的无人驾驶汽车预警方法，其包括以下步骤：

步骤1)，在无人驾驶汽车上设置激光雷达、摄像头和毫米波雷达传感器，将无人驾驶汽车探测范围内的其它车辆标记为目标车辆，获取每辆目标车辆的侧向速度、侧向位置，针对每辆目标车辆建立其针对候选车道序列的横向概率模型，并选取具有最大概率的侧向位置作为该目标车辆侧向期望位置；

步骤2)，基于模糊逻辑方法建立每辆目标车辆行驶动作的预测模型并获取其危险度值，利用目标车辆危险度确定其各条具有不同倾向性的候选轨迹的横摆角约束值；

步骤3)，将上述步骤1)侧向期望位置与步骤2)候选轨迹横摆角值作为约束条件，建立每辆目标车辆基于四次多项式的预测轨迹模型，并得到每辆目标车辆的预测轨迹；

步骤4)，综合无人驾驶车辆周围所有目标车辆的预测轨迹以及预设的碰撞时间阈值TTC计算预设的未来时间阈值T内的碰撞风险矩阵，建立无人驾驶车辆行驶过程中的周围环境预警模型；

步骤5)，无人驾驶车辆根据周围环境预警模型得到其探测范围内各个目标车辆对自车的危险值，根据预设的最小避撞安全距离计算出危险值阈值，当存在对自车的危险值大于危险值阈值的目标车辆时进行警告。

进一步，所述步骤1)中的横向概率模型采用SoftMax回归策略和马尔科夫状态转移矩阵(MTPM)，其计算每个车道序列概率的具体步骤为：

步骤1.1)，令目标车辆从i车道换到j车道，则当|i-j|＝0时目标车辆保持直行，当|i-j|＝1时目标车辆换一次车道，当|i-j|＝2时目标车辆换两次车道；i、j均为大于等于1小于等于n的自然数，n代表车道数；

对于t时刻，令目标车辆在各车道的状态关系为一个马尔科夫链，其状态序列为：

式中，

表示目标车辆t时刻在i车道的侧向位移；

表示目标车辆t时刻在i车道的侧向速度；

表示目标车辆t时刻在i车道的概率；

目标车辆基于侧向速度的状态转移矩阵如下：

式中，T_ij表示目标车辆从i车道换到j车道的概率，T_ij＝P(L_t+1＝j|L_t＝i)，L_t是目标车辆的车道序列号；

步骤1.2)，利用Softmax策略求解基于侧向速度的状态转移矩阵：

步骤1.2.1)，构建多车道分类模型：

式中，r是多车道分类模型的参数；Lⁱ＝n表示车道数量；

步骤1.2.2)，将指数e替换为基于侧向速度的

的高斯分布函数

以及高斯累计函数

式中，μ、σ分别表示高斯函数期望值和标准差；

步骤1.2.3)，对状态转移矩阵进行更新计算：

式中，

为初始状态转移矩阵；μ_m为侧向速度的高斯分布函数期望；m代表驾驶行为；

为侧向速度的高斯分布函数方差；n代表车道数目；

为针对侧向速度分布改进的部分，

步骤1.3)，令t时刻目标车辆位于车道i的概率序列记为

在t+1时刻经由状态转移矩阵变换到j车道的序列为：

步骤1.4)，对上式求得的每一车道概率分布以及车道中心线侧向位置取期望得到t+1时刻车辆的侧向位置q_offset：

式中，

为每条车道的中心线侧向位置。

进一步，所述步骤2)中基于模糊逻辑方法建立每辆目标车辆行驶动作的预测模型并获取其危险度值的具体步骤为：

步骤2.1)，构建模糊逻辑规则，将横摆角速度值模糊化为第一语言变量χ_a“很小”、“小”、“中等”、“大”、“较大”，加速度值模糊化为第二语言变量χ_ω“小”、“中”、“大”，速度模糊化为第三语言变量χ_v“低”、“中”、“高”，输出目标车辆的危险度χ_ρ“激进”、“正常”、“保守”；

步骤2.2)，对第一至第三语言变量建立逻辑规则以及相应的隶属度函数，第一至第三语言变量的隶属度均计算采用最小隶属法：

χ_ρ＝min[χ_a χ_ω χ_v]

步骤2,3)，利用重心法去模糊化得到目标车辆危险度Ag：

进一步，所述步骤2)中依据目标车辆危险度计算纵向轨迹横摆角约束的具体步骤为：

步骤2.a)，根据车载激光雷达、摄像头、毫米波雷达传感器获取目标车辆状态，包括全局坐标位置、车辆速度、加速度、横摆角及横摆角速度：

S_st＝[x_st,y_st,v_st,θ_st,a_st,ω_st]^T

步骤2.b)，将目标车辆换道轨迹划分为三段，第一段a与第三段c为曲线段，第二段b为直线段，分别求解轨迹上下限直线段所对应横摆角大小：

v_a＝ω_ar_a v_c＝ω_minr_c

式中，r_a、r_c为a、c段轨迹对应圆的半径；s_x、s_y为目标车辆的纵横向位移；由上式可以求得a、c段轨迹对应圆心坐标O_a＝(x_a,r_a)、O_c＝(s_x,s_y+r_c)；

步骤2.c)，根据圆与直线相切时两圆圆心到直线的距离等于半径求解直线段轨迹对应方程：

式中，k、g为直线段轨迹对应参数；

步骤2.d)，由换道轨迹的上下限得到目标车辆在直线段的横摆角范围：

步骤2.e)，将目标车辆危险度与车辆横摆角范围按比例对应，输出不同目标车辆危险度对应的横摆角值，作为计算预测轨迹时的约束条件：

θ_ag＝θ_min+AgΔθ。

进一步，所述步骤3)中预测轨迹的计算过程为：

根据步骤1)、步骤2)中得到的车辆侧向位置、过车道线时的车辆横摆角大小以及初始状态，所以采用四次多项式进行轨迹拟合：

y＝a₀+a₁x+a₂x²+a₃x³+a₄x⁴

式中，x_s、y_s、x_d、y_d分别表示目标车辆初、末位置横纵坐标值；x_q、y_q表示目标车辆跨过车道线时的横纵坐标值。

进一步，所述步骤4)中建立预警模型的步骤为：

步骤4.1)，通过使用指数函数将一个局部路径候选点T_E和第i个周围车辆T_Si的预测轨迹之间的碰撞时间转换为碰撞风险指标：

式中，t_c为碰撞时间；α为预设的系数变量，其依赖于碰撞时间，用于调高或降低预警值；v_E和v_Si分别为自车、目标车辆的矩形形状关系矩阵；

步骤4.2)，根据上述步骤3)中的所有目标车辆预测轨迹计算碰撞风险指标：

步骤4.3)，无人驾驶汽车在下一预测时域T内周围所有车辆的预警模型为：

式中，N_s为无人驾驶汽车在预测时域T下可行驶范围内的周围车辆个数。

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：

1.本发明提出的针对复杂环境的无人驾驶汽车与警方法，适用于无人驾驶汽车通过传感器获取周围环境信息后的对周围车辆的预测及危险度预警；通过横纵向解耦降维分层预测，并将预测问题简化为道路选择问题后，有效降低算法复杂度，同时在一定程度上考虑了车间行驶过程中的交互影响；

2.本发明将纵向驾驶员倾向性预测将驾驶员特性考虑进来，更加符合实际驾驶环境，尤其针对换道条件下，通过计算不同风格驾驶员的纵向换道距离，可以显著提高预警模块的精确性，有利于决策系统作出准确判断保证无人驾驶汽车行驶安全性。

附图说明

图1为本发明预警方法的原理图；

图2为本发明横向位置预测的原理图；

图3为不同驾驶员特性对安全性影响的示意图；

图4为三段式换道可行驶域示意图。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

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。

参照图1所示，本发明公开了一种基于动机与风险评估的无人驾驶车辆智能决策方法，首先对预测部分进行横纵向解耦，将周围车辆横向行为预测简化为对目标车道的选择问题。通过计算每个车道序列的概率，来选择车辆最有可能选取的车道顺序。在得到车道顺序后，由于周围车辆在纵向的行驶轨迹对于其目标车道行驶的车辆也会产生较大影响，因此，在周围车辆横向预测的基础上，加入车辆在行驶方向上的意图倾向预测。最后，根据预设的碰撞时间阈值TTC建立周围环境预警模型。

具体步骤如下：

步骤1)，将周围车辆横向行为预测简化为对目标车道的选择问题。根据无人驾驶汽车周围每辆车的侧向速度、侧向位置，采用SoftMax回归策略和马尔科夫状态转移矩阵(MTPM)计算每个车道序列的概率，构建针对候选车道序列的横向概率模型并获取目标车辆具有最大概率的侧向期望位置。

步骤2)，在得到周围车辆侧向期望位置后，考虑到驾驶员个性的不同或是周围环境因素的影响，在侧向期望位置相同的情况下纵向行驶距离也会不同。采用模糊逻辑方法对不同目标车辆行驶动作进行预测得到不同纵向候选轨迹的横摆角约束值。

步骤3)，根据步骤1)、步骤2)的侧向期望位置及基于目标车辆行驶动作得到的横摆角约束值计算未来时域T内目标车辆的运动轨迹。

步骤4)，综合无人驾驶车辆周围所有预测轨迹以及TTC计算碰撞风险矩阵，建立周围车辆预警模型，为自车局部轨迹实时决策规划奠定基础。

步骤5)，无人驾驶车辆根据周围环境预警模型得到由激光雷达、摄像头、毫米波雷达确定的可探测范围内其他交通参与车辆对自车的危险值，根据最小避撞安全距离等指标设定危险值阈值，当高于阈值时进行制动或转向避撞。

参照图2所示，所述步骤1)中采用SoftMax回归策略和马尔科夫状态转移矩阵(MTPM)计算每个车道序列概率的具体步骤为：

目标车辆的横向行为间状态的转移可以理解为对车道的选择，即车辆从i车道换到j车道，保持直行，|i-j|＝0；换一次车道，|i-j|＝1；换两次车道，|i-j|＝2.的三种行为转换关系。每种行为所对应的车辆侧向速度大小是不一样的，依据侧向速度的不同将目标车辆的行为进行分类。

横向行为预测模型的执行过程为，对于t时刻，目标车辆在各车道的状态关系为一个马尔科夫链，其状态序列可以表示为：

式中，n代表车道数；

表示目标车辆的侧向位移；

表示目标车辆的侧向速度；

表示目标车辆在i车道的概率。

当目标车辆t时刻的状态确定后，t+1时刻的状态完全由状态转移矩阵决定，在车辆的侧向行为中，侧向速度起着至关重要的作用，基于侧向速度的状态转移矩阵如下：

式中，T_ij表示目标车辆从i车道换到j车道的概率。

T_ij＝P(L_t+1＝j|L_t＝i)

利用Softmax策略求解基于侧向速度的状态转移矩阵，首先构建多车道分类模型：

式中，r是模型的参数；Lⁱ＝n表示车道数量。

将输入转换为指数形式是为了使较大者通过e变为指数后会变得极大，被选取的概率当然也就变得极大，反之，较小者也就变得极小，被选的概率也就变得极小。将指数e替换为基于侧向速度的

的高斯分布函数以及高斯累计函数：

在得到分类模型与状态转移矩阵后，需要对状态转移矩阵进行更新计算：

式中，

为初始状态转移矩阵；μ_m为侧向速度的高斯分布函数期望；m代表驾驶行为；

为侧向速度的高斯分布函数方差；n代表车道数目；

为针对侧向速度分布改进的部分。

t时刻目标车辆位于车道i的概率序列记为

在t+1时刻经由状态转移矩阵变换到j车道的序列为：

对上式求得的每一车道概率分布以及车道中心线侧向位置取期望得到t+1时刻车辆的侧向位置：

进一步，所述步骤2)中模糊逻辑方法对不同目标车辆行驶动作进行预测的具体步骤为：

参照图3所示，考虑到驾驶员个性的不同或是周围环境因素的影响，在侧向目标位置相同的情况下纵向行驶距离也会不同。显然，换道过程中纵向行驶距离d越小，则与t+1时刻目标车道后车发生碰撞的危险性越高。

选取对换道路径影响较大的两个因素侧向加速度和横摆角速度作为输入，输出目标车辆危险度值。构建模糊逻辑规则，将横摆角速度值模糊化为语言变量“很小”(VS)、“小”(S)、“中等”(M)、“大”(H)、“较大”(PH)，加速度值模糊化为语言变量“小”(S)、“中”(M)、“大”(H)。输出驾驶员激进度“激进”(A)、“正常”(N)、“保守”(C)。

目标车辆危险度随着侧向加速度与横摆角速度的增大而不断增大。除此之外，速度对轨迹激进与否也起着重要影响。。因此，在上述模糊逻辑中加入速度条件，将速度模糊化为语言变量“低”(L)、“中”(M)、“高”(H)。

对上述输入的变量语言建立逻辑规则以及相应的隶属度函数，各变量的隶属度计算采用最小隶属法(MIN implication)：

χ_ρ＝min[χ_a χ_ω χ_v]

式中，ρ表示输入变量类别；利用重心法去模糊化得到目标车辆危险度Ag。

进一步，所述步骤2)中依据目标车辆行驶动作计算候选纵向轨迹横摆角约束的具体步骤为：

将得到的目标车辆危险度与各条具有不同倾向性轨迹的横摆角按比例对应，从而依据目标车辆行驶动作规划相应预测轨迹。根据车载激光雷达、摄像头、毫米波雷达等传感器获取观测车辆状态，包括全局坐标位置、车辆速度、加速度、横摆角及横摆角速度：

S_st＝[x_st,y_st,v_st,θ_st,a_st,ω_st]^T

参照图4所示，将换道轨迹划分为三段，a段与c段为曲线段，车辆近似于圆周运动。b段为与a、c段圆相切的直线段。阴影部分为车辆换道可行域，a段曲率受车辆初始状态决定，所以换道轨迹上限由c段曲率决定，曲率越小则b段对应的斜率就越大，也就意味着车辆对应的横摆角更大、轨迹更倾向于激进。当换道轨迹非常平缓时，轨迹的下限可以近似表示为初末状态的连线。

分别求解轨迹上下限直线段所对应横摆角大小：

v_a＝ω_ar_a v_c＝ω_minr_c

式中，r_a、r_c为a、c段轨迹对应圆的半径；s_x、s_y为车辆的纵横向位移；由上式可以求得a、c段轨迹对应圆心坐标O_a＝(x_a,r_a)、O_c＝(s_x,s_y+r_c)。

根据圆与直线相切时两圆圆心到直线的距离等于半径求解直线段轨迹对应方程：

式中，k、g为直线段轨迹对应参数。

由换道轨迹的上下限可以得到车辆在直线段的横摆角范围：

将目标车辆危险度与车辆横摆角范围按比例对应，输出不同目标车辆危险度对应的横摆角值，作为计算预测轨迹时的约束条件：

θ_ag＝θ_min+AgΔθ

进一步，所述步骤3)中预测轨迹的计算过程为：

根据步骤1)、步骤2)中预测得到的车辆侧向位置、过车道线时的车辆横摆角大小以及初始状态，可以确定预测轨迹。由于对预测轨迹的约束条件有五个，所以采用四次多项式进行轨迹拟合：

y＝a₀+a₁x+a₂x²+a₃x³+a₄x⁴

式中，x_s、y_s、x_d、y_d分别表示观测车辆初、末位置；x_q、y_q表示目标车辆跨过车道线时的位置。

进一步，所述步骤4)中建立预警模型的步骤为：

通过使用指数函数将一个局部路径候选点T_E和第i个周围车辆T_Si的预测轨迹之间的TTC转换为碰撞风险指标：

式中，t_c为碰撞时间；α为预设的系数变量，其依赖于碰撞时间，能够根据不同无人驾驶车辆自车车主的驾驶风格进行调节以调高或降低预警值；v_E、v_Si分别为自车、目标车辆的矩形形状关系矩阵；

根据上述步骤3)中的所有目标车辆预测轨迹计算碰撞风险指标：

无人驾驶汽车在下一预测时域T内周围所有车辆的预警模型为：

式中，N_s为无人驾驶汽车在预测时域T下可行驶范围内的周围车辆个数。

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 (6)

1.针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，包括以下步骤：

步骤1)，在无人驾驶汽车上设置激光雷达、摄像头和毫米波雷达传感器，将无人驾驶汽车探测范围内的其它车辆标记为目标车辆，获取每辆目标车辆的侧向速度、侧向位置，针对每辆目标车辆建立其针对候选车道序列的横向概率模型，并选取具有最大概率的侧向位置作为该目标车辆侧向期望位置；

步骤2)，基于模糊逻辑方法建立每辆目标车辆行驶动作的预测模型并获取其危险度值，利用目标车辆危险度确定其各条具有不同倾向性的候选轨迹的横摆角约束值；

步骤3)，将上述步骤1)侧向期望位置与步骤2)候选轨迹横摆角值作为约束条件，建立每辆目标车辆基于四次多项式的预测轨迹模型，并得到每辆目标车辆的预测轨迹；

步骤4)，综合无人驾驶车辆周围所有目标车辆的预测轨迹以及预设的碰撞时间阈值TTC计算预设的未来时间阈值T内的碰撞风险矩阵，建立无人驾驶车辆行驶过程中的周围环境预警模型；

步骤5)，无人驾驶车辆根据周围环境预警模型得到其探测范围内各个目标车辆对自车的危险值，根据预设的最小避撞安全距离计算出危险值阈值，当存在对自车的危险值大于危险值阈值的目标车辆时进行警告。

2.根据权利要求1所述的针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，所述步骤1)中的横向概率模型采用SoftMax回归策略和马尔科夫状态转移矩阵，其计算每个车道序列概率的具体步骤为：

步骤1.1)，令目标车辆从i车道换到j车道，则当|i-j|＝0时目标车辆保持直行，当|i-j|＝1时目标车辆换一次车道，当|i-j|＝2时目标车辆换两次车道；i、j均为大于等于1小于等于n的自然数，n代表车道数；

对于t时刻，令目标车辆在各车道的状态关系为一个马尔科夫链，其状态序列为：

式中，

表示目标车辆t时刻在i车道的侧向位移；

表示目标车辆t时刻在i车道的侧向速度；

表示目标车辆t时刻在i车道的概率；

目标车辆基于侧向速度的状态转移矩阵如下：

式中，T_ij表示目标车辆从i车道换到j车道的概率，T_ij＝P(L_t+1＝j|L_t＝i)，L_t是目标车辆的车道序列号；

步骤1.2)，利用Softmax策略求解基于侧向速度的状态转移矩阵：

步骤1.2.1)，构建多车道分类模型：

式中，r是多车道分类模型的参数；Lⁱ＝n表示车道数量；

步骤1.2.2)，将指数e替换为基于侧向速度的

的高斯分布函数

以及高斯累计函数

式中，μ、σ分别表示高斯函数期望值和标准差；

步骤1.2.3)，对状态转移矩阵进行更新计算：

式中，

为初始状态转移矩阵；μ_m为侧向速度的高斯分布函数期望；m代表驾驶行为；

为侧向速度的高斯分布函数方差；n代表车道数目；

为针对侧向速度分布改进的部分，

步骤1.3)，令t时刻目标车辆位于车道i的概率序列记为

在t+1时刻经由状态转移矩阵变换到j车道的序列为：

步骤1.4)，对上式求得的每一车道概率分布以及车道中心线侧向位置取期望得到t+1时刻车辆的侧向位置q_offset：

式中，

为每条车道的中心线侧向位置。

3.根据权利要求2所述的针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，所述步骤2)中基于模糊逻辑方法建立每辆目标车辆行驶动作的预测模型并获取其危险度值的具体步骤为：

步骤2.1)，构建模糊逻辑规则，将横摆角速度值模糊化为第一语言变量χ_a“很小”、“小”、“中等”、“大”、“较大”，加速度值模糊化为第二语言变量χ_ω“小”、“中”、“大”，速度模糊化为第三语言变量χ_v“低”、“中”、“高”，输出目标车辆的危险度χ_ρ“激进”、“正常”、“保守”；

步骤2.2)，对第一至第三语言变量建立逻辑规则以及相应的隶属度函数，第一至第三语言变量的隶属度均计算采用最小隶属法：

χ_ρ＝min[χ_a χ_ω χ_v]

步骤2,3)，利用重心法去模糊化得到目标车辆危险度Ag：

4.根据权利要求3所述的针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，所述步骤2)中依据目标车辆危险度计算纵向轨迹横摆角约束的具体步骤为：

步骤2.a)，根据车载激光雷达、摄像头、毫米波雷达传感器获取目标车辆状态，包括全局坐标位置、车辆速度、加速度、横摆角及横摆角速度：

S_st＝[x_st,y_st,v_st,θ_st,a_st,ω_st]^T

步骤2.b)，将目标车辆换道轨迹划分为三段，第一段a与第三段c为曲线段，第二段b为直线段，分别求解轨迹上下限直线段所对应横摆角大小：

v_a＝ω_ar_a v_c＝ω_minr_c

式中，r_a、r_c为a、c段轨迹对应圆的半径；s_x、s_y为目标车辆的纵横向位移；由上式可以求得a、c段轨迹对应圆心坐标O_a＝(x_a,r_a)、O_c＝(s_x,s_y+r_c)；

步骤2.c)，根据圆与直线相切时两圆圆心到直线的距离等于半径求解直线段轨迹对应方程：

式中，k、g为直线段轨迹对应参数；

步骤2.d)，由换道轨迹的上下限得到目标车辆在直线段的横摆角范围：

步骤2.e)，将目标车辆危险度与车辆横摆角范围按比例对应，输出不同目标车辆危险度对应的横摆角值，作为计算预测轨迹时的约束条件：

θ_ag＝θ_min+AgΔθ。

5.根据权利要求4所述的针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，所述步骤3)中预测轨迹的计算过程为：

根据步骤1)、步骤2)中得到的车辆侧向位置、过车道线时的车辆横摆角大小以及初始状态，所以采用四次多项式进行轨迹拟合：

y＝a₀+a₁x+a₂x²+a₃x³+a₄x⁴

式中，x_s、y_s、x_d、y_d分别表示目标车辆初、末位置横纵坐标值；x_q、y_q表示目标车辆跨过车道线时的横纵坐标值。

6.根据权利要求5所述的针对复杂动态环境的无人驾驶汽车预警方法，其特征在于，所述步骤4)中建立预警模型的步骤为：

步骤4.1)，通过使用指数函数将一个局部路径候选点T_E和第i个周围车辆T_Si的预测轨迹之间的碰撞时间转换为碰撞风险指标：

式中，t_c为碰撞时间；α为预设的系数变量，其依赖于碰撞时间，用于调高或降低预警值；v_E、v_Si为分别自车、目标车辆的矩形形状关系矩阵；

步骤4.2)，根据上述步骤3)中的所有目标车辆预测轨迹计算碰撞风险指标：

步骤4.3)，无人驾驶汽车在下一预测时域T内周围所有车辆的预警模型为：

式中，N_s为无人驾驶汽车在预测时域T下可行驶范围内的周围车辆个数。

Images