CN112644486B - 一种基于驾驶安全场的智能车避障轨迹规划方法 - Google Patents

Abstract

本发明公开了一种基于驾驶安全场的智能车避障轨迹规划方法，步骤如下：智能车检测到障碍物且需要换道避障后，实时采集轨迹规划所需的自车和环境物体的信息；建立驾驶安全场模型，实时生成实际道路的驾驶安全场；根据驾驶安全场中各处场值的大小，规划避障轨迹；经过Δt时间后，结合当前自车和环境信息再次进行轨迹规划，根据实际环境信息实时更新避障轨迹，以保证智能车避障。本发明的方法将能够具体表达环境风险的驾驶安全场引入到轨迹规划中，同时为消除现有方法的各项互异性较差的问题，对现有的方法进行了改进，并参考改进后的驾驶安全场的场值来规划预定避障轨迹，进一步提高智能车的可靠性和安全性。

Description

一种基于驾驶安全场的智能车避障轨迹规划方法

技术领域

本发明属于车辆避障轨迹规划技术领域，尤其涉及一种基于驾驶安全场的智能车避障轨迹规划方法。

背景技术

随着人工智能技术的兴起，以自动驾驶车辆为研究对象的运动轨迹规划问题越来越受到重视，而避障轨迹规划是自动驾驶汽车的关键部分，对自动驾驶汽车的研究具有重大意义。在自动驾驶汽车行驶过程中，准确，安全，实时避开障碍物，不仅能够提高智能车的安全性，对于出行效率也有一定提高，所以智能车的避障问题也成为了一个研究的热点。

主要的避障轨迹规划方法有人工智能的方法和人工势场法等。人工势场法将车辆在周围环境中的运动视为车辆在人工建立的虚拟场中的运动，目标点产生引力，障碍物产生斥力，车辆在二者合力中运动。根据引力和斥力的合力来控制车辆运动，产生一条无碰撞的最优轨迹。传统的人工势场只考虑了障碍物与目标点静止不动的静态环境，而车辆实际是在运动的环境中，因此在动态环境无法取得良好的效果。

目前对无人驾驶汽车避障轨迹规划已经有了一定的研究，例如中国发明专利申请号为CN201610079992.0，专利名称为“一种基于改进型人工势场法的机器人轨迹规划方法及研究”中的改进型人工势场法解决了传统势场法轨迹规划中的局部极小点问题，提高了轨迹规划的实时性，环境适应效率高；例如中国专利发明申请号为CN2201910399631.8，专利名称为“一种智能车避障轨迹规划方法及装置”中根据目标避障格轨迹中所有目标避障格对应的避障轨迹，得到目标避障格轨迹对应的目标避障轨迹，提高了避障的准确性。

综上来看，现有的轨迹规划方法多是仅考虑有限因素(主要是周围车辆)的影响，应用限于简单场景，且多是基于汽车动力学和运动学，无法适应越来越复杂的行车环境。

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基于驾驶安全场的智能车避障轨迹规划方法，以解决现有技术中轨迹规划方法实时性或全面性较差难以适用于智能驾驶越来越复杂的交通环境，导致车辆避险实时性、准确性以及可靠性难以保证的问题。本发明的方法将能够具体表达环境风险的驾驶安全场引入到轨迹规划中，同时为消除现有方法的各项互异性较差的问题，对现有的方法进行了改进，并参考改进后的驾驶安全场的场值来规划预定避障轨迹，进一步提高智能车的可靠性和安全性。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于驾驶安全场的智能车避障轨迹规划方法，步骤如下：

(1)智能车检测到障碍物且需要换道避障后，实时采集轨迹规划所需的自车信息和环境物体的信息；

(2)建立驾驶安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的驾驶安全场；

(3)根据步骤(2)实时生成的驾驶安全场中各处场值的大小，规划避障轨迹；

(4)智能车按照上述规划的避障轨迹行驶，此后每经过Δt秒，则结合当前自车和环境信息再次进行轨迹规划，根据实际环境信息实时更新避障轨迹，以保证智能车避障。

进一步地，所述步骤(1)中通过毫米波雷达、激光雷达、摄像头、IMU、GPS和车辆传感器(如车速、横摆角速度、质心侧偏角和前轮转角传感器)，采集轨迹规划所需要的信息。

进一步地，所述步骤(1)中采集轨迹规划所需要的信息为第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。

进一步地，所述步骤(2)的驾驶安全场模型建立的具体步骤如下：

(21)静止物体势能场建模；

(211)第一类静止物体势能场建模：

式中，E_{SO1_q}为在(x_p,y_p)处的物体p在道路点(x_q,y_q)处形成的势能场矢量，方向与标准距离矢量r_pq相同；K、k₁和k₃为大于零的常数；M_p为物体p的虚拟质量；R_p为(x_p,y_p)处的道路影响因子；

为修正距离矢量；ξ₁和ξ₂为椭圆参数；

为静止物体所在车道行车方向与

的夹角(逆时针为正)；V_max为静止物体所在道路所允许的最高时速；e为自然常数；

上述椭圆参数ξ₁表达式为：

式中，S为静止物体的影响范围；T_b为影响范围边界的碰撞时间；τ₁为与V_max有关的大于零的调整因子；

上述椭圆参数ξ₂表达式为：

式中，D为单个车道的宽度、τ₂为与V_max有关的大于零的调整因子；

上述虚拟质量M_p表达式为：

式中，T_p为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_p为物体p的实际质量；α_k、β_k为待定常数；v_p为物体p的速度(静止物体为0)；

上述道路影响因子R_p表达式为：

式中，o_p为(x_p,y_p)处的能见度；μ_p为(x_p,y_p)处的道路附着系数；ρ_p为(x_p,y_p)处的道路曲率；S_p为(x_p,y_p)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁，γ₂＜0,γ₃，γ₄＞0；o^*、μ^*、ρ^*、

为o、μ、ρ、S_p的标准值；

(212)第二类静止物体势能场建模：

式中，E_{SO2_q}为(x_q,y_q)处道路标线g的场强矢量，方向与r_gq相同；LT_g为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_gq＝(x_q-x_g,y_q-y_g)为距离矢量；G∈[0,1]为势场值调整因子，与综合势场值有关，R_g为道路标线g处的道路影响因子；

(22)移动物体动能场建模：

(x_q≤x_c-v_c or x_q≥x_c+v_c)

式中，E_{V_q}为在(x_c,y_c)处的移动物体c在道路点(x_q,y_q)处形成的动能场矢量，方向与r_cq相同；

和

为椭圆参数；R_c为(x_c,y_c)处的道路影响因子；M_c为移动物体c的虚拟质量；

为动能场调整距离矢量；v_c为移动物体c的速度；

为v_c和

的夹角(逆时针为正)；

上述椭圆参数

表达式为：

式中，S_m为运动物体的影响范围；

为与运动物体车速有关的大于零的调整因子；

上述椭圆参数

表达式为：

式中，

为与运动物体车速有关的大于零的调整因子；

(23)行为场建模：

E_{D_q}＝E_{V_q}.DR_d (12)

式中，E_{D_q}为在(x_d,y_d)处的运动车辆d的驾驶员在(x_q,y_q)处形成的行为场矢量，方向与E_{V_q}相同；DR_d为跟d车驾驶员驾驶风格相关的驾驶员风险因素；

(24)驾驶安全场建模：

E_{S_q}＝E_{SO_q}+E_{V_q}+E_{D_q} (14)

E_{SO_q}＝E_{SO1_q}+E_{SO2_q}

式中，E_{S_q}为(x_q,y_q)处的驾驶安全场；E_{SO_q}为(x_q,y_q)处的势能场；E_{V_q}为(x_q,y_q)处的动能场矢量；E_{D_q}为(x_q,y_q)处的行为场矢量。

进一步地，所述步骤(3)中避障轨迹规划的具体步骤如下：

(31)建立求解避障轨迹曲线的坐标系：以智能车所在位置为原点，以智能车当前车头朝向为X轴正向，垂直X轴向左为Y轴正向；

(32)规划目标点：目标车道的曲线为y＝c，c为目标道路中心线坐标，换道轨迹曲线为y＝k₅x⁵+k₄x⁴+k₃x³+k₂x²+k₁x+k₀；智能车当前的纵向速度为v_x，初始位置为(x₀,y₀)，横摆角速度为w，前轮转角为δ_f，质心侧偏角为β，避障轨迹曲线与目标车道线相切的(x_b,y_b)为目标点；

(33)参考步骤(2)生成的驾驶安全场在道路上各处的场值对目标点和避障轨迹上的点进行约束，表示为：

式中，E_{S_b}为目标点(x_b,y_b)处的驾驶安全场场值；E_{S_i}为避障轨迹曲线上的任意点(x_i,y_i)处的驾驶安全场场值；E_th1和E_th2分别为目标点和避障轨迹曲线上的点所允许的驾驶安全场场值的阈值；

(34)根据起始点、目标点和对避障轨迹曲线上的点的约束条件，求解待定参数，生成一系列满足安全约束的候选避障轨迹，求解结果为：

式中，k₀、k₁、k₂、k₃、k₄、k₅为避障轨迹曲线拟合参数；m₁、m₂、m₃为转化参数；x_b取不同值时规划结果不同；

(35)考虑智能车的动力学约束，换道时间和转弯半径去除所求解轨迹中不符合实际约束的轨迹，表述为：

式中，δ_f,max为前轮转角饱和值；w_max和w_min分别为横摆角速度的上、下限；βmax和βmin分别为质心侧偏角的上、下限；

为道路的附着系数；g为重力加速度；b为智能车质心距后轴的距离；α_r,max为后轮侧偏角的极限值；t_c和t_need的分别为换道时间和其约束值；R和R_max分别为转弯半径和其饱和值；

(36)对剩余轨迹建立基于舒适性、换道距离、平稳性和连续性的指标函数：

式中，a_yc为轨迹C的侧向加速度；a_ym为所有剩余轨迹中最大的侧向加速度；s_c为轨迹C的长度；s_m为所有剩余轨迹中最大的长度；Δc为智能车已行驶的轨迹与换道轨迹的偏差；Δm为最大偏差；

为轨迹更新时的上一时刻避障轨迹在(x'₀,y'₀)的斜率；

为新的避障轨迹起点的斜率；(x'₀,y'₀)为避障轨迹更新时智能车所处的位置；χ₁、χ₂、χ₃、χ₄分别为四个因素的权重系数；

(36)根据式(19)在权重χ₁、χ₂、χ₃、χ₄相等的条件下选择出最优的避障轨迹。

进一步地，所述步骤(4)中在进行避障轨迹更新时，若当前轨迹仍然能够满足所有约束，则控制智能车继续按照当前轨迹行驶，若当前轨迹不能满足上述所有约束，则重新对避障轨迹进行规划，更新智能车的避障轨迹，更新后智能车将按照更新后的轨迹行驶。

本发明的有益效果：

本发明的驾驶安全场消除了原有方法各项互异性差导致的基于此方法的轨迹规划精度低、环境适应性差等问题，同时提高对周围环境风险表达的准确性。

本发明的方法充分考虑了人-车-路等多方面因素，能够提高智能车轨迹规划质量，保证智能车的行车安全，同时该方法由于充分考虑了诸多因素，可以更好的适应越来越复杂的行车环境。

本发明的方法由于驾驶安全场的模型可以提前搭建，仅依靠现有的传感器体系即可实现实时数据输入生成驾驶安全场，具有较强的实用性，有利于推进智能车的发展。

附图说明

图1为本发明方法的原理图；

图2为驾驶安全场示意图；

图3为换道坐标系示意图；

图4为轨迹选择示意图。

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，本发明的一种基于驾驶安全场的智能车避障轨迹规划方法，步骤如下：

(1)智能车检测到障碍物且需要换道避障后，实时采集轨迹规划所需的自车和环境物体的信息；

所述步骤(1)中通过毫米波雷达、激光雷达、摄像头、IMU、GPS和车辆传感器(如车速、横摆角速度、质心侧偏角和前轮转角传感器)，采集轨迹规划所需要的信息。

所述步骤(1)中采集轨迹规划所需要的信息为第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及车辆自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。

(2)建立驾驶安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的驾驶安全场；

驾驶安全场模型建立的具体步骤如下：

(21)静止物体势能场建模；

(211)第一类静止物体势能场建模：

式中，E_{SO1_q}为在(x_p,y_p)处的物体p在道路点(x_q,y_q)处形成的势能场矢量，方向与标准距离矢量r_pq相同；K和k₁为大于零的常数；M_p为物体p的虚拟质量；R_p为(x_p,y_p)处的道路影响因子；

为修正距离矢量；ξ₁和ξ₂为椭圆参数；

为静止物体所在车道行车方向与

的夹角(逆时针为正)；V_max为静止物体所在道路所允许的最高时速；e为自然常数；

上述椭圆参数ξ₁表达式为：

式中，S为静止物体的影响范围；T_b为影响范围边界的碰撞时间；τ₁为与V_max有关的大于零的调整因子；

上述椭圆参数ξ₂表达式为：

式中，D为单个车道的宽度、τ₂为与V_max有关的大于零的调整因子；

上述虚拟质量M_p表达式为：

式中，T_p为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_p为物体p的实际质量；α_k、β_k为待定常数；v_p为物体p的速度(静止物体为0)；

上述道路影响因子R_p表达式为：

式中，o_p为(x_p,y_p)处的能见度；μ_p为(x_p,y_p)处的道路附着系数；ρ_p为(x_p,y_p)处的道路曲率；S_p为(x_p,y_p)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁，γ₂＜0,γ₃，γ₄＞0；o^*、μ^*、ρ^*、

为o、μ、ρ、S_p的标准值；

(212)第二类静止物体势能场建模：

式中，E_{SO2_q}为(x_q,y_q)处道路标线g的场强矢量，方向与r_gq相同；LT_g为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_gq＝(x_q-x_g,y_q-y_g)为距离矢量；G∈[0,1]为势场值调整因子，与综合势场值有关，R_g为道路标线g处的道路影响因子；

(22)移动物体动能场建模：

(x_q≤x_c-v_c or x_q≥x_c+v_c)

式中，E_{V_q}为在(x_c,y_c)处的移动物体c在道路点(x_q,y_q)处形成的动能场矢量，方向与r_cq相同；

和

为椭圆参数；R_c为(x_c,y_c)处的道路影响因子；M_c为移动物体c的虚拟质量；

为动能场调整距离矢量；v_c为移动物体c的速度；

为v_c和

的夹角(逆时针为正)；

上述椭圆参数

表达式为：

式中，S_m为运动物体的影响范围；

为与运动物体车速有关的大于零的调整因子；

上述椭圆参数

表达式为：

式中，

为与运动物体车速有关的大于零的调整因子；

(23)行为场建模：

E_{D_q}＝E_{V_q}.DR_d (12)

式中，E_{D_q}为在(x_d,y_d)处的运动车辆d的驾驶员在(x_q,y_q)处形成的行为场矢量，方向与E_{V_q}相同；DR_d为跟d车驾驶员驾驶风格相关的驾驶员风险因素；

(24)驾驶安全场建模：

E_{S_q}＝E_{SO_q}+E_{V_q}+E_{D_q} (14)

E_{SO_q}＝E_{SO1_q}+E_{SO2_q}

式中，E_{S_q}为(x_q,y_q)处的驾驶安全场；E_{SO_q}为(x_q,y_q)处的势能场；E_{V_q}为(x_q,y_q)处的动能场矢量；E_{D_q}为(x_q,y_q)处的行为场矢量。

(3)根据步骤(2)实时生成的驾驶安全场中各处场值的大小，规划避障轨迹；

避障轨迹规划的具体步骤如下：

(31)建立求解避障轨迹曲线的坐标系：以智能车所在位置为原点，以智能车当前车头朝向为X轴正向，垂直X轴向左为Y轴正向；

(32)规划目标点：目标车道的曲线为y＝c，c为目标道路中心线坐标，换道轨迹曲线为y＝k₅x⁵+k₄x⁴+k₃x³+k₂x²+k₁x+k₀；智能车当前的纵向速度为v_x，初始位置为(x₀,y₀)，横摆角速度为w，前轮转角为δ_f，质心侧偏角为β，避障轨迹曲线与目标车道线相切的(x_b,y_b)为目标点；

(33)参考步骤(2)生成的驾驶安全场在道路上各处的场值对目标点和避障轨迹上的点进行约束，表示为：

式中，E_{S_b}为目标点(x_b,y_b)处的驾驶安全场场值；E_{S_i}为避障轨迹曲线上的任意点(x_i,y_i)处的驾驶安全场场值；E_th1和E_th2分别为目标点和避障轨迹曲线上的点所允许的驾驶安全场场值的阈值；

(34)根据起始点、目标点和对避障轨迹曲线上的点的约束条件，求解待定参数，生成一系列满足安全约束的候选避障轨迹，求解结果为：

式中，k₀、k₁、k₂、k₃、k₄、k₅为避障轨迹曲线拟合参数；m₁、m₂、m₃为转化参数；x_b取不同值时规划结果不同；

(35)考虑智能车的动力学约束，换道时间和转弯半径去除所求解轨迹中不符合实际约束的轨迹，表述为：

式中，δ_f,max为前轮转角饱和值；w_max和w_min分别为横摆角速度的上、下限；βmax和βmin分别为质心侧偏角的上、下限；

为道路的附着系数；g为重力加速度；b为智能车质心距后轴的距离；α_r,max为后轮侧偏角的极限值；t_c和t_need的分别为换道时间和其约束值；R和R_max分别为转弯半径和其饱和值；

(36)对剩余轨迹建立基于舒适性、换道距离、平稳性和连续性的指标函数：

式中，a_yc为轨迹C的侧向加速度；a_ym为所有剩余轨迹中最大的侧向加速度；s_c为轨迹C的长度；s_m为所有剩余轨迹中最大的长度；Δc为智能车已行驶的轨迹与换道轨迹的偏差；Δm为最大偏差；

为轨迹更新时的上一时刻避障轨迹在(x'₀,y'₀)的斜率；

为新的避障轨迹起点的斜率；(x'₀,y'₀)为避障轨迹更新时智能车所处的位置；χ₁、χ₂、χ₃、χ₄分别为四个因素的权重系数；

(36)根据式(19)在权重χ₁、χ₂、χ₃、χ₄相等的条件下选择出最优的避障轨迹。

(4)智能车根据步骤(3)规划的避障轨迹行驶，此后每经过Δt秒，则结合当前自车和环境信息再次进行轨迹规划，根据实际环境信息实时更新避障轨迹，以保证智能车避障；

所述步骤(4)中Δt取值一般为0.5-2s，此处取值为Δt＝1s；此外，在进行避障轨迹更新时，若当前轨迹仍然能够满足所有约束，则控制智能车继续按照当前轨迹行驶，若当前轨迹不能满足上述所有约束，则重新对避障轨迹进行规划，更新智能车的避障轨迹，更新后智能车将按照更新后的轨迹行驶。

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，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种基于驾驶安全场的智能车避障轨迹规划方法，其特征在于，步骤如下：

(1)实时采集轨迹规划所需的智能车的自车信息和环境物体的信息；

(2)建立驾驶安全场模型，将步骤(1)采集到的信息代入模型中，实时生成实际道路的驾驶安全场；

(3)根据步骤(2)实时生成的驾驶安全场中各处场值的大小，规划避障轨迹；

(4)按照上述规划的避障轨迹行驶，此后每经过Δt秒，则结合当前自车和环境信息再次进行轨迹规划，根据实际环境信息实时更新避障轨迹，以保证智能车避障；

所述步骤(2)的驾驶安全场模型建立的具体步骤如下：

(21)静止物体势能场建模；

(211)第一类静止物体势能场建模：

式中，E_{SO1_q}为在(x_p,y_p)处的物体p在道路点(x_q,y_q)处形成的势能场矢量，方向与标准距离矢量r_pq相同；K、k₁和k₃为大于零的常数；M_p为物体p的虚拟质量；R_p为(x_p,y_p)处的道路影响因子；

为修正距离矢量；ξ₁和ξ₂为椭圆参数；

为静止物体所在车道行车方向与

的夹角；V_max为静止物体所在道路所允许的最高时速；e为自然常数；

上述椭圆参数ξ₁表达式为：

式中，S为静止物体的影响范围；T_b为影响范围边界的碰撞时间；τ₁为与V_max有关的大于零的调整因子；

上述椭圆参数ξ₂表达式为：

式中，D为单个车道的宽度、τ₂为与V_max有关的大于零的调整因子；

上述虚拟质量M_p表达式为：

式中，T_p为物体类型，具体为该类型碰撞损失与标准类型碰撞损失之比；m_p为物体p的实际质量；α_k、β_k为待定常数；v_p为物体p的速度；

上述道路影响因子R_p表达式为：

式中，o_p为(x_p,y_p)处的能见度；μ_p为(x_p,y_p)处的道路附着系数；ρ_p为(x_p,y_p)处的道路曲率；S_p为(x_p,y_p)处的道路坡度；γ₁、γ₂、γ₃、γ₄为待定系数，γ₁，γ₂＜0,γ₃，γ₄＞0；o^*、μ^*、ρ^*、

为o、μ、ρ、S_p的标准值；

(212)第二类静止物体势能场建模：

式中，E_{SO2_q}为(x_q,y_q)处道路标线g的场强矢量，方向与r_gq相同；LT_g为道路标线类型；D为道路宽度；k₂为大于零的待定常数；r_gq＝(x_q-x_g,y_q-y_g)为距离矢量；G∈[0,1]为势场值调整因子，R_g为道路标线g处的道路影响因子；

(22)移动物体动能场建模：

式中，E_{V_q}为在(x_c,y_c)处的移动物体c在道路点(x_q,y_q)处形成的动能场矢量，方向与r_cq相同；

和

为椭圆参数；R_c为(x_c,y_c)处的道路影响因子；M_c为移动物体c的虚拟质量；

为动能场调整距离矢量；v_c为移动物体c的速度；

为v_c和

的夹角；

上述椭圆参数

表达式为：

式中，S_m为运动物体的影响范围；

为与运动物体车速有关的大于零的调整因子；

上述椭圆参数

表达式为：

式中，

为与运动物体车速有关的大于零的调整因子；

(23)行为场建模：

E_{D_q}＝E_{V_q}.DR_d (12)

式中，E_{D_q}为在(x_d,y_d)处的运动车辆d的驾驶员在(x_q,y_q)处形成的行为场矢量，方向与E_{V_q}相同；DR_d为跟d车驾驶员驾驶风格相关的驾驶员风险因素；

(24)驾驶安全场建模：

式中，E_{S_q}为(x_q,y_q)处的驾驶安全场；E_{SO_q}为(x_q,y_q)处的势能场；E_{V_q}为(x_q,y_q)处的动能场矢量；E_{D_q}为(x_q,y_q)处的行为场矢量；

所述步骤(3)中避障轨迹规划的具体步骤如下：

(31)建立求解避障轨迹曲线的坐标系：以智能车所在位置为原点，以智能车当前车头朝向为X轴正向，垂直X轴向左为Y轴正向；

(32)规划目标点：目标车道的曲线为y＝c，c为目标道路中心线坐标，换道轨迹曲线为y＝k₅x⁵+k₄x⁴+k₃x³+k₂x²+k₁x+k₀；智能车当前的纵向速度为v_x，初始位置为(x₀,y₀)，横摆角速度为w，前轮转角为δ_f，质心侧偏角为β，避障轨迹曲线与目标车道线相切的(x_b,y_b)为目标点；

(33)参考步骤(2)生成的驾驶安全场在道路上各处的场值对目标点和避障轨迹上的点进行约束，表示为：

式中，E_{S_b}为目标点(x_b,y_b)处的驾驶安全场场值；E_{S_i}为避障轨迹曲线上的任意点(x_i,y_i)处的驾驶安全场场值；E_th1和E_th2分别为目标点和避障轨迹曲线上的点所允许的驾驶安全场场值的阈值；

(34)根据起始点、目标点和对避障轨迹曲线上的点的约束条件，求解待定参数，生成一系列满足安全约束的候选避障轨迹，求解结果为：

式中，k₀、k₁、k₂、k₃、k₄、k₅为避障轨迹曲线拟合参数；m₁、m₂、m₃为转化参数；x_b取不同值时规划结果不同；

(35)考虑智能车的动力学约束，换道时间和转弯半径去除所求解轨迹中不符合实际约束的轨迹，表述为：

式中，δ_f,max为前轮转角饱和值；w_max和w_min分别为横摆角速度的上、下限；βmax和βmin分别为质心侧偏角的上、下限；

为道路的附着系数；g为重力加速度；b为智能车质心距后轴的距离；α_r,max为后轮侧偏角的极限值；t_c和t_need的分别为换道时间和其约束值；R和R_max分别为转弯半径和其饱和值；

(36)对剩余轨迹建立基于舒适性、换道距离、平稳性和连续性的指标函数：

式中，a_yc为轨迹C的侧向加速度；a_ym为所有剩余轨迹中最大的侧向加速度；s_c为轨迹C的长度；s_m为所有剩余轨迹中最大的长度；Δc为智能车已行驶的轨迹与换道轨迹的偏差；Δm为最大偏差；

为轨迹更新时的上一时刻避障轨迹在(x'0,y'0)的斜率；

为新的避障轨迹起点的斜率；(x'0,y'0)为避障轨迹更新时智能车所处的位置；χ₁、χ₂、χ₃、χ₄分别为四个因素的权重系数；

(36)根据式(19)在权重χ₁、χ₂、χ₃、χ₄相等的条件下选择出最优的避障轨迹。

2.根据权利要求1所述的基于驾驶安全场的智能车避障轨迹规划方法，其特征在于，所述步骤(1)中采集轨迹规划所需要的信息为第一类静止物体、第二类静止物体、移动物体的状态、类型和位置信息以及智能车自身状态和位置信息；第一类静止物体指发生碰撞时会造成极大损失的物体；第二类静止物体指不会与车辆发生碰撞，但会约束驾驶员的驾驶行为的物体；移动物体指道路上移动的车辆或行人。

3.根据权利要求1所述的基于驾驶安全场的智能车避障轨迹规划方法，其特征在于，所述步骤(4)中在进行避障轨迹更新时，若当前轨迹仍然能够满足所有约束，则控制智能车继续按照当前轨迹行驶，若当前轨迹不能满足上述所有约束，则重新对避障轨迹进行规划，更新智能车的避障轨迹，更新后智能车将按照更新后的轨迹行驶。

Images