CN112859871B - 一种基于模型预测的动态避障控制方法 - Google Patents

Abstract

本发明提供了一种包括两层的无人车避障控制方法。首先，通过雷达，摄像头等获取动态障碍物的速度，位姿等信息。获得信息后将其输入第一层，也就是模型预测层，通过给出的车速和航向角作为模型输入参数，基于模型预测理论对障碍物进行判断甄别，判断是否会进入可能碰撞域。若判断会进入可能碰撞域，则将其输入第二层，第二层为改进的人工势场法，通过改进，解决了经典的人工势场法存在的会陷入局部最优问题。本发明利用模型预测的理论，对无人车和障碍物分别建模，并划分出可能碰撞域，对整个动态避障过程进行两层识别判断，可以大大减小整个避障过程的计算量。此外，对人工势场法进行改进优化，大大提高无人车避障规划的安全性和可靠性。

Description

一种基于模型预测的动态避障控制方法

技术领域

本发明涉及无人车避障领域，尤其关于局部路径规划下的无人车动态避障领域

背景技术

伴随着计算机技术和5G技术的发展，无人驾驶技术的发展也是突飞猛进。无人驾驶技术简单来说，分为三个模块，第一个是感知模块，依靠雷达，摄像头等传感器获取周围环境的信息；第二个模块是规划模块，依靠制定好的算法对之前采集到的环境信息进行处理，做出判断，第三个模块是决策模块，基于规划模块的计算做出判断，制定无人驾驶行为。

新的技术的出现同样也会存在许多问题，对于当前无人驾驶避障这一方面，常用的算法包括A*算法、蚁群算法、人工势场法、RRT算法等，其中A*和蚁群算法主要应用于全局路径规划，在局部路径规划方面，RRT和人工势场法应用的更加广泛一些。

当前避障规划存在的问题主要是识别速度不够快和准确性不够高的问题，各自对应于RRT算法和人工势场法。当输入的数据维数增加，RRT收敛速度将会大大下降。同样，人工势场法也存在会陷入局部最优而无法继续下去的问题。

发明内容

本发明的目的在于提供一种基于模型预测的动态避障控制方法，能够提高动态避障过程中的速度和准确性。

为实现上述发明目的，本发明采取的技术方案为：一种基于模型预测的动态避障控制方法，其特征在于，包括如下步骤：S1：由传感器获取目标障碍物的信息，通过AIS范围理论和避免的反应需求设置可能碰撞域；S2：传感器将适时获取的目标障碍物信息输入到模型预测层，模型预测层对输入信息进行计算，判断动态障碍物是否会进入预先设定的可能碰撞域；S3：若判断不会进入可能碰撞域，则认为动态障碍物不会对无人车造成障碍，无需启动第二层避障，避障模式结束；S4：若判定障碍物将进入可能碰撞域，则启用第二层避障，启用改进的人工势场法进行避障。

上述方案中，S1中，传感器获取目标障碍物的信息包括车速，转角，障碍物距离。

上述方案中，S2中，以无人车的质心R为坐标系中心建模，模型预测层的推导公式为：

sin(α-β)*V₀＝-ΔV sinΨ (1)

V_R-V₀cos(α-β)＝ΔV cosΨ (2)

V_R ²+V₀ ²-2V₀V_Rcos(α-β)＝ΔV² (3)

V_Rsin(β-α)＝ΔV sinη (4)

V₀-V_Rcos(α-β)＝ΔV cosη (5)

其中，V_R代表的是无人车车速，α表示无人车航向角。V₀和β分别代表障碍物的车速和航向角。ΔV和Ψ代表速度差和速度差相对应的角度。φ代表ΔV和V_R之间的夹角，η表示ΔV和V₀之间的夹角；

计算出差速度ΔV与OR质心连线的角度γ：

通过γ角来判断动态障碍物是否会驶入可能碰撞域。

上述方案中，S2中，引入一个判断角度系数μ，

其中，R为小车质心，T₁，T₂则是以经过质心R做经过障碍物O边界的切线所形成的两个切点；当γ＜μ，障碍物将会驶入可能碰撞域；相反，若γ＞μ，障碍物不会驶入可能碰撞域。

上述方案中，S4中，改进的人工势场法避障过程为：将无人车置身于一个人造的势力场中，在这个势力场中，无人车会受到三种力，一个是目标点给它的吸引力，记作F₁，另一个是障碍物给他带来的斥力，记作F₂，势力场给无人车提供一个切向力，记作F₃，

F₁＝ωρ(q，q_g) (9)

F₃＝k_cenX (12)

其中ω为正比例增益函数，ρ(q，q_g)是一个矢量，表示的是车的位置q和目标点位置q_g之间的距离，在斥力场函数中，k表示的正比例系数，与引力场不同，这里设置了一个边界值ρ₀，也即障碍物对汽车产生作用的最大范围；同理，ρ(q，q₀)表示的是车的位置和障碍物之间的距离；k_cen为切向力势场正比例系数，X为小车和障碍物的距离；

无人车运动时所受到的运动合力为：

F_all＝F₁+F₂+F₃ (13)。

本发明的有益效果：通过第一层的模型预测，减少了不必要的计算量，大大提高了识别速度。通过第二层的改进算法，提高了识别的准确性，在一定程度上解决了人工势场法陷入局部最优解而无法继续下去的问题。

附图说明

图1为整个避障策略的流程图。

图2为第一层，也就是模型预测层的分析模型。

图3为改进的人工势场法的理论模型。

具体实施过程

首先结合图1对设计策略进行阐述。初始化模型，由传感器检测出障碍物的速度，航向角等信息，并输入预测模型。

预测模型通过给定的数据，对障碍物和无人车模型进行计算，判断障碍物是否会进入预先由AIS范围理论和避免的反应需求所设定的可能碰撞域。

若判断障碍物不会进入可能碰撞域，则认定无人车和障碍物之间相对安全，不需要进行避障，直接跳过第二层，避障过程结束。

若模型预测判定障碍物将会进入可能碰撞域，则判定障碍物可能会与无人车发生碰撞，需启动第二层避障模块。

第二层避障模块通过改进的人工势场法模型算法对障碍物进行避障，在模型中增加了一个障碍物与无人车之间的切向力，一方面切向力可以帮助无人车进行转向处理，帮助无人车加速驶离障碍物，同时，在添加了切向力的同时，避免了无人车陷入局部最优解而无法继续下去的窘境。

通过两层避障模块的组合，一方面大大减少了运算量，使得避障规划速度大大提升，有效提升了避障方法的安全性，此外，通过改进的人工势场法，提高了避障模式的准确性，并在一定程度上解决了人工势场法会陷入局部最优解而使得整个模型不能继续运行下去的问题。

接下来结合图2对预测模型进行阐述。如图2所示，R表示的是无人车的质心，并以其为坐标系中心建模，基于V_R V₀ ΔV形成的速度矢量三角形并结合各自角度对数学模型做出如下推导：

sin(α-β)*V₀＝-ΔV sinΨ (1)

V_R-V₀cos(α-β)＝ΔV cosΨ (2)

V_R ²+V₀ ²-2V₀V_Rcos(α-β)＝ΔV² (3)

V_Rsin(β-α)＝ΔV sinη (4)

V₀-V_Rcos(α-β)＝ΔV cosη (5)

其中，V_R代表的是无人车车速，α表示无人车航向角。V₀和β分别代表障碍物的车速和航向角。ΔV和Ψ代表速度差和速度差相对应的角度。φ代表ΔV和V_R之间的夹角，η表示ΔV和V₀之间的夹角。

从图2中不难看出γ相当于两个航向角的差再减去一个θ角，于是可以进一步对γ做出推导如下：

用γ代表RO射线和ΔV之间的夹角，θ代表的是RO射线和坐标轴x的夹角，而V_R代表的是无人车车速，α表示无人车航向角，V₀和β分别代表障碍物的车速和航向角，前文已阐述过。

如图2所示，如果速度向量Δv在两根射线RT1和RT2之间，则判定障碍物将会驶入可能碰撞域，对无人车产生威胁，需要启用下一步的避障策略。为了方便阐述说明，这里我们定义一个角度判断系数μ概念，

其中，R为小车质心，T₁，T₂则是以经过质心R做经过障碍物O边界的切线所形成的两个切点。

通过上述推导，我们只需要对γ进行计算比较就可以判断障碍物是否会驶入可能碰撞域。也即当γ＜μ时，障碍物将会驶入可能碰撞域，此时需要启用第二层避障策略；相反，若γ＞μ时，障碍物不会驶入可能碰撞域，判定障碍物不会对我无人车的行驶产生干扰，此时无需启用第二层避障策略。

当障碍物驶入可能碰撞域时，需要启用第二层的避障策略，这里使用改进的人工势场法进行避障规划。

首先对经典的人工势场法进行介绍。我们将无人车看作一个智能机器人，将其置身于一个人造的势力场中，在这个势力场中，机器人会受到两种力。一个是目标点给它的吸引力，

记作F₁，另一个是障碍物给他带来的斥力，记作F₂。力都可以由势场函数分别求导求得，势场函数表示分别如下：

其中U_att表示吸引力势场函数，U_req表示斥力场势场函数。ω为正比例增益函数，ρ(q，q_g)是一个矢量，他表示的是车的位置q和目标点位置q_g之间的距离，在斥力场函数中，k表示的正比例系数，与引力场不同，这里设置了一个边界值ρ₀，也即障碍物对汽车产生作用的最大范围。同理，ρ(q，q₀)表示的是车的位置和障碍物之间的距离。

获得了势力场函数后，我们再分别对其求导，变可以获得吸引力F₁和斥力F₂，具体如下：

F₁＝ωρ(q，q_g) (9)

引力势场主要与汽车和目标点间的距离有关，距离越大，汽车所受的势能值就越大；距离越小，汽车所受的势能值则越小.决定障碍物斥力势场的因素是汽车与障碍物间的距离，当汽车未进入障碍物间的距离越大，汽车受到的势能值就越小，距离越小，汽车受到的势能值就越大。

此时，在势场中，小车受到F₁和F₂的合力作用向前运动，使得小车从高势能的地方驶向低势能的地方。直观地说，势场法是将障碍物比作是平原上具有高势能值的山峰，而目标点则是具有低势能值的低谷，对汽车的避障路径规划就像水往低处流的形式，避开具有高势能值的地方而前往势能值低的地方，从而能够避开障碍物。

经典的人工势场法实际运用中存在一个陷入局部最优解的问题，比如存在两个障碍物时，会存在一些特殊位置，斥力和吸引力平衡，或者当目标点和障碍物之间的距离离的非常近时，小车受到的来自目标点的吸引力和障碍物的斥力会在某个位置正好相等，两个力相互抵消了，在这样的情况下，外力陷入平衡，小车将会陷入所谓的局部最优解状态从而无法继续行驶下去，无法成功的避障。

为了解决这个问题，我们在这里给原本的人工势场中增加一个离心力势场，离心力势场会给小车提供一个切向力的作用，我们把它记作F3如图三所示。图中，F1表示的是目标点对无人车的吸引力，F2表示的是障碍物对无人车的斥力，此外再加上了一个障碍物额外添加的一个切向力F3，F3由离心力势场函数求导所得。其表达式与吸引力类似：

其中，k_cen为切向力势场正比例系数，X为小车和障碍物的距离，其区别在于F3的方向与斥力垂直，且kcen系数要远小于引力场正比例系数。求导得：

F₃＝k_cenX (12)

此时小车受到的合力为：

F_all＝F₁+F₂+F₃ (13)

在未引入该切向作用力时，会存在一些点位，吸引力和斥力平衡，也即我们所述的局部最优的问题，通过引入一个切向力，可以打破在这些位置的平衡。同时通过调整不同位置的k_cen，来调整切向力的作用效果。

添加一个切向力，一方面可以避免由吸引力和斥力平衡带来的陷入局部最优问题，因为该切向力仅仅只由障碍物提供，且是时变的，所以能够打破局部最优的僵局。另外，切向力可以给无人车提供一个转向方向的力，在这个力的作用下，无人车在障碍物附近便能实际获得一个掉头的效果，这在无人车避障的实际应用中会有很大的帮助。

通过这样一个两层的无人车避障策略，先对动态障碍物进行预先判定筛选，识别出会驶入可能碰撞域的无人车，这可以很大程度上减少了没有必要的计算量，并且对存在的障碍物进行有针对性的避障，效率上也能得到很大的提高。另外通过对人工势场法进行改进，解决了无人车避障过程中可能会陷入局部最优解的问题，在避障规划准确性上得到了提升，大大提高无人车避障规划的安全性和可靠性。

Claims (2)

1.一种基于模型预测的动态避障控制方法，其特征在于，包括如下步骤：

S1：由传感器获取目标障碍物的信息，通过AIS范围理论和驾驶员反应时间需求设置可能碰撞域；

S2：传感器将适时获取的目标障碍物信息输入到模型预测层，模型预测层对输入信息进行计算，判断动态障碍物是否会进入预先设定的可能碰撞域；以无人车的质心R为坐标系中心建模，模型预测层的推导公式为：

(1)

（2）

+

-2

（3）

(4)

(5)

其中，

代表的是无人车车速，

表示无人车航向角；

和

分别代表障碍物的车速和航向角，

和

代表速度差和速度差相对应的角度，

表示

和

之间的夹角；

计算出差速度

与OR质心连线的角度

：

通过

角来判断动态障碍物是否会驶入可能碰撞域；

引入一个判断角度系数

∠

，其中，R为小车质心，

则是以经过质心R做经过障碍物O边界的切线所形成的两个切点；当

，障碍物将会驶入可能碰撞域；相反，若

，障碍物不会驶入可能碰撞域；

S3：若判断不会进入可能碰撞域，则认为动态障碍物不会对无人车造成障碍，无需启动第二层避障，避障模式结束；

S4：若判定障碍物将进入可能碰撞域，则启用第二层避障，启用改进的人工势场法进行避障；改进的人工势场法避障过程为：

将无人车置身于一个人造的势力场中，在这个势力场中，无人车会受到三种力，一个是目标点给它的吸引力，记作

，另一个是障碍物给他带来的斥力，记作

，势力场给无人车提供一个切向力，记作

，

(9)

其中

为正比例增益函数，

是一个矢量，表示的是车的位置

和目标点位置

之间的距离，在斥力场函数中，k表示的正比例系数，与引力场不同，这里设置了一个边界值

，也即障碍物对汽车产生作用的最大范围；同理，

表示的是车的位置和障碍物之间的距离；

为切向力势场正比例系数，

为小车和障碍物的距离；

无人车运动时所受到的运动合力为:

。

2.根据权利要求1所述的一种基于模型预测的动态避障控制方法，其特征在于，S1中，传感器获取目标障碍物的信息包括车速，转角，障碍物距离。

Images