CN113071517B - 一种基于车辆行为预测的自动驾驶避障方法及系统 - Google Patents

一种基于车辆行为预测的自动驾驶避障方法及系统 Download PDF

Info

Publication number
CN113071517B
CN113071517B CN202110389665.6A CN202110389665A CN113071517B CN 113071517 B CN113071517 B CN 113071517B CN 202110389665 A CN202110389665 A CN 202110389665A CN 113071517 B CN113071517 B CN 113071517B
Authority
CN
China
Prior art keywords
vehicle
behavior
vector
vehicles
surrounding
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.)
Active
Application number
CN202110389665.6A
Other languages
English (en)
Other versions
CN113071517A (zh
Inventor
高吉
郝洁
陈兵
邓海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202110389665.6A priority Critical patent/CN113071517B/zh
Publication of CN113071517A publication Critical patent/CN113071517A/zh
Application granted granted Critical
Publication of CN113071517B publication Critical patent/CN113071517B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00274—Planning or execution of driving tasks using trajectory prediction for other traffic participants considering possible movement changes
    • 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
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W50/0097—Predicting future conditions
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2552/00—Input parameters relating to infrastructure
    • B60W2552/53—Road markings, e.g. lane marker or crosswalk

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于车辆行为预测的自动驾驶避障方法及系统。该方法包括：通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；根据所述车道约束对所述移动向量进行修正；基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。本发明将车辆行为预测与无人车避障进行有机结合，提高了自动驾驶汽车对突发情况的反应力，加强了自动驾驶的安全性。

Description

一种基于车辆行为预测的自动驾驶避障方法及系统
技术领域
本发明涉及自动驾驶决策领域，特别是涉及一种基于车辆行为预测的自动驾驶避障方法及系统。
背景技术
随着无人驾驶概念的兴起与发展，无人车的应用场景更多的从场地内的静态路径规划偏向了对动态移动障碍物的实时避障。传统的路径规划算法对于动态障碍物的躲避方法，如路径－速度分解法最初是为了解决有移动障碍物的环境下运动规划的问题而提出的，先构造一条避开静态障碍物的路径，再在路径上规划速度，避开移动障碍物。但这只能说是从另一个角度解决了动态障碍物避障这一问题，并且这一方法只能做到被动避障，如果障碍物径直朝着车辆自身过来，车辆无法对此做出回避。
发明内容
本发明的目的是提供一种基于车辆行为预测的自动驾驶避障方法及系统，通过车辆行为预测与无人车避障的有机结合能够提高无人驾驶的安全性与效率。
为实现上述目的，本发明提供了如下方案：
一种基于车辆行为预测的自动驾驶避障方法，包括：
通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；
基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；
基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；
根据所述车道约束对所述移动向量进行修正；
基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
进一步地，所述通过车辆行为策略预测模型对周围车辆的行为进行预测，具体包括：
通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
进一步地，所述基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标，具体包括：
若预测行为为匀速、加速或减速行驶，且前方道路可行，则采用公式s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，得到未来坐标；
若预测行为为左右变道，且对应变道侧道路可行，则首先在当前坐标上叠加大小为车道宽度的横向位移向量，再通过s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，取结果为新的障碍物坐标；
若预测行为为左右转弯，且转弯后道路可行，转弯后离开当前测量的行驶道路，则不考虑；
其中，s表示行驶距离，v表示当前车速，t表示行驶时间，a表示加速度。
进一步地，所述基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量，具体包括：
根据路况确定临时目标点；
基于所述未来坐标，采用APF算法计算当前车辆和与周围车辆之间的排斥力向量；
基于所述临时目标点，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量；
叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
进一步地，所述根据所述车道约束对所述移动向量进行修正，具体包括：
通过视觉车道线检测算法，获取车道宽度；
计算当前车辆与车道中心线的横向位移差；
判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
若是，则计算横向修正系数，并通过所述横向修正系数修正所述移动向量；
若否，则不进行修正。
本发明还提供了一种基于车辆行为预测的自动驾驶避障系统，包括：
车辆行为预测模块，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；
未来坐标计算模块，用于基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；
移动向量计算模块，用于基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；
修正模块，用于根据所述车道约束对所述移动向量进行修正；
控制模块，用于基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
进一步地，所述车辆行为预测模块具体包括：
训练单元，用于通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
预测单元，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
进一步地，所述未来坐标计算模块具体包括：
临时目标点确定单元，用于根据路况确定临时目标点；
排斥力向量计算单元，用于基于所述未来坐标，采用APF算法计算当前车辆和与周围车辆之间的排斥力向量；
吸引力向量计算单元，用于基于所述临时目标点，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量；
叠加向量，用于叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
进一步地，修正模块具体包括：
车道宽度获取单元，用于通过视觉车道线检测算法，获取车道宽度；
横向位移差计算单元，用于计算当前车辆与车道中心线的横向位移差；
判断单元，用于判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
修正单元，用于所述横向位移差与所述移动向量中的横向位移向量同向时，计算横向修正系数，并通过所述横向修正系数修正所述移动向量。
根据本发明提供的具体实施例，本发明公开了以下技术效果：
本发明公开了一种基于车辆行为预测的自动驾驶避障方法及系统。该方法包括：通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；根据所述车道约束对所述移动向量进行修正；基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。本发明将车辆行为预测与无人车避障进行有机结合，提高了自动驾驶汽车对突发情况的反应力，加强了自动驾驶的安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例基于车辆行为预测的自动驾驶避障方法的流程图；
图2为本发明实施例基于车辆行为预测的自动驾驶避障方法的原理图。
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于车辆行为预测的自动驾驶避障方法及系统，通过车辆行为预测与无人车避障的有机结合能够提高无人驾驶的安全性与效率。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1-2所示，一种基于车辆行为预测的自动驾驶避障方法包括以下步骤：
步骤101：通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆。具体包括：通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
本发明中采用的数据集是NGSIM数据集，这是车辆行为预测领域一个公开而权威的数据集，已经被诸多论文所采用。这是一个包含数百万车辆行驶轨迹记录的数据集，其数据类型如下表1所示。
表1.NGSIM数据集数据类型(*1ft＝0.3048m.)
Figure BDA0003016073150000051
Figure BDA0003016073150000061
选定数据集后进行数据集的处理，这一部分通过Python下的pandas库进行处理和筛选。
1)去除对预测无用的列，还有下载的原始数据中为空的几列，包括车辆编号，数据总帧，标准时间，车辆长度，车辆宽度，车辆类型，车道编号，跟驰前车编号，跟驰后车编号，场景编号。
2)对跟驰前后车编号这两项进行了处理。在同一场景和同一时间段下，我们通过数据帧号和前后车编号对应出该时刻前后车的横坐标、纵坐标、速度信息。将这些信息查找并放入原始数据中，作为训练模型的输入信息。
3)通过车辆的当前时刻坐标信息和三帧后坐标信息，计算出横纵坐标差，相除计算出横坐标与纵坐标的商，使用atan函数计算出车辆的未来时刻转向角度信息。再结合车辆自身的速度，加速度信息，前后是否有车等，我们就可以推算出车辆在未来一段时间内的行为策略，具体可以分为：匀速，加速，减速，左右转弯和左右变道。判断方式如表2所示。将这些行为模式作为预测模型的训练输出。表格外的情况则记为其他情况。
表2车辆行为策略判断方式
Figure BDA0003016073150000071
将前一步的处理后数据集输入Social LSTM模型进行训练，得到车辆行为策略预测模型。模型的输入为目标车辆自身横纵坐标，速度，加速度，周围车辆坐标，速度，加速度，模型的输出为目标车辆的行为策略。
根据传感器实时获取的50米范围内其他车辆信息，每次选取这些车辆中的一辆为目标车辆，范围内其他车辆为周围车辆，筛选模型所需要的目标车辆自身横纵坐标，速度，加速度，周围车辆坐标，速度，加速度，输入前一步训练的车辆行为策略预测模型，进行预测，得到目标车辆接下来的行为策略。重复这一步骤，获取所有其他车辆行为策略。
步骤102：基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标。
根据上一步预测出的车辆未来行为策略，结合车道约束、车辆速度、加速度等信息，计算出3秒后车辆未来坐标，并将其作为新的障碍物坐标纳入动态避障算法。具体分为以下4种情况：
若车辆行为策略为匀速、加速、减速行驶且前方道路可行，则用s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，取结果为新的障碍物坐标；
若车辆行为策略为左右变道，且相应变道侧道路可行，则首先在当前坐标上叠加大小为车道宽度的横向位移向量，再通过s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，取结果为新的障碍物坐标；
若车辆行为策略为左右转弯，且相应转弯后道路可行，转弯后离开当前本车行驶道路，则可以将其从障碍物集中去除；
若为其他情况，由于情况特殊且复杂，避免错误预测产生严重后果，故不进行新坐标的计算。
其中，s表示行驶距离，v表示当前车速，t表示行驶时间，a表示加速度。
步骤103：基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量。
根据车道可行域检测算法检测可行域，若直行或小弧度转弯(小于等于45度)则取前方30米道路中点为临时目标点，设置移动目标角度为对应转弯角度；若大弧度转弯(大于45度)则取两条道路转角处中心线交叉点为临时目标点，且设置移动目标角度为对应转弯角度；
将临时目标点以及计算出的障碍物新坐标代入在线APF算法，计算自身车辆与临时目标点间的吸引力向量，计算自身车辆和其他障碍物间的排斥力向量，最终进行叠加计算出自身车辆下一步建议移动向量(x,y)。
步骤104：根据所述车道约束对所述移动向量进行修正。
通过视觉车道线检测算法，获取车道宽度X，计算当前车辆与车道中心线的横向位移差XL。若XL和x同向，则计算横向修正系数k＝1-4XL 2/X2，计算最终车道修正移动向量(kx,y)；反之不计算，直接取(x,y)为最终移动向量；
根据最终移动向量和移动目标角度，控制车辆移动到目标位置对应角度。
步骤105：基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
本发明还提供了一种基于车辆行为预测的自动驾驶避障系统，包括：
车辆行为预测模块，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；
未来坐标计算模块，用于基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；
移动向量计算模块，用于基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；
修正模块，用于根据所述车道约束对所述移动向量进行修正；
控制模块，用于基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
进一步地，所述车辆行为预测模块具体包括：
训练单元，用于通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
预测单元，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
进一步地，所述未来坐标计算模块具体包括：
临时目标点确定单元，用于根据路况确定临时目标点；
吸引力向量及排斥力向量计算单元，用于基于所述未来坐标，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量以及当前车辆和与周围车辆之间的排斥力向量；
叠加向量，用于叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
进一步地，修正模块具体包括：
车道宽度获取单元，用于通过视觉车道线检测算法，获取车道宽度；
横向位移差计算单元，用于计算当前车辆与车道中心线的横向位移差；
判断单元，用于判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
修正单元，用于所述横向位移差与所述移动向量中的横向位移向量同向时，计算横向修正系数，并通过所述横向修正系数修正所述移动向量。
本发明还提供了一种基于车辆行为预测的自动驾驶避障系统，包括：
车辆行为预测模块，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆。
未来坐标计算模块，用于基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标。
移动向量计算模块，用于基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量。
修正模块，用于根据所述车道约束对所述移动向量进行修正。
控制模块，用于基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
其中，所述车辆行为预测模块具体包括：
训练单元，用于通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
预测单元，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
其中，所述未来坐标计算模块具体包括：
临时目标点确定单元，用于根据路况确定临时目标点；
排斥力向量计算单元，用于基于所述未来坐标，采用APF算法计算当前车辆和与周围车辆之间的排斥力向量；
吸引力向量计算单元，用于基于所述临时目标点，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量；
叠加向量，用于叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
其中，修正模块具体包括：
车道宽度获取单元，用于通过视觉车道线检测算法，获取车道宽度；
横向位移差计算单元，用于计算当前车辆与车道中心线的横向位移差；
判断单元，用于判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
修正单元，用于所述横向位移差与所述移动向量中的横向位移向量同向时，计算横向修正系数，并通过所述横向修正系数修正所述移动向量。
通过本发明提供的方法及系统提高了自动驾驶汽车对突发情况的反应力，加强了自动驾驶的安全性。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (8)

1.一种基于车辆行为预测的自动驾驶避障方法，其特征在于，包括：
通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；
基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；
基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；
根据所述车道约束对所述移动向量进行修正；
基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障；
所述基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标，具体包括：
若预测行为为匀速、加速或减速行驶，且前方道路可行，则采用公式s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，得到未来坐标；
若预测行为为左右变道，且对应变道侧道路可行，则首先在当前坐标上叠加大小为车道宽度的横向位移向量，再通过s＝vt+1/2at2计算出纵向位移向量，叠加到当前坐标上，取结果为新的障碍物坐标；
若预测行为为左右转弯，且转弯后道路可行，转弯后离开当前测量的行驶道路，则不考虑；
其中，s表示行驶距离，v表示当前车速，t表示行驶时间，a表示加速度。
2.根据权利要求1所述的基于车辆行为预测的自动驾驶避障方法，其特征在于，所述通过车辆行为策略预测模型对周围车辆的行为进行预测，具体包括：
通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
3.根据权利要求1所述的基于车辆行为预测的自动驾驶避障方法，其特征在于，所述基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量，具体包括：
根据路况确定临时目标点；
基于所述未来坐标，采用APF算法计算当前车辆和与周围车辆之间的排斥力向量；
基于所述临时目标点，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量；
叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
4.根据权利要求1所述的基于车辆行为预测的自动驾驶避障方法，其特征在于，所述根据所述车道约束对所述移动向量进行修正，具体包括：
通过视觉车道线检测算法，获取车道宽度；
计算当前车辆与车道中心线的横向位移差；
判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
若是，则计算横向修正系数，并通过所述横向修正系数修正所述移动向量；
若否，则不进行修正。
5.一种基于车辆行为预测的自动驾驶避障系统，其特征在于，包括：
车辆行为预测模块，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述周围车辆为距离当前车辆预设范围内的车辆；
未来坐标计算模块，用于基于周围车辆的预测行为、车道约束以及周围车辆的行驶信息计算周围车辆的未来坐标；
移动向量计算模块，用于基于所述未来坐标，采用避障算法计算当前车辆的下一步移动向量；
修正模块，用于根据所述车道约束对所述移动向量进行修正；
控制模块，用于基于修正后的移动向量以及设定的移动目标角度对当前车辆进行控制，实现避障。
6.根据权利要求5所述的基于车辆行为预测的自动驾驶避障系统，其特征在于，所述车辆行为预测模块具体包括：
训练单元，用于通过NGSIM数据集训练深度学习网络模型，得到车辆行为策略预测模型；
预测单元，用于通过车辆行为策略预测模型对周围车辆的行为进行预测；所述车辆行为策略预测模型的输入为目标车辆信息以及剩余车辆信息；将所述周围车辆中待预测的车辆定为目标车辆，其他车辆为剩余车辆。
7.根据权利要求6所述的基于车辆行为预测的自动驾驶避障系统，其特征在于，所述未来坐标计算模块具体包括：
临时目标点确定单元，用于根据路况确定临时目标点；
排斥力向量计算单元，用于基于所述未来坐标，采用APF算法计算当前车辆和与周围车辆之间的排斥力向量；
吸引力向量计算单元，用于基于所述临时目标点，采用APF算法计算当前车辆与所述临时目标点之间的吸引力向量；
叠加向量，用于叠加所述吸引力向量和所述排斥力向量得到当前车辆的下一步移动向量。
8.根据权利要求6所述的基于车辆行为预测的自动驾驶避障系统，其特征在于，修正模块具体包括：
车道宽度获取单元，用于通过视觉车道线检测算法，获取车道宽度；
横向位移差计算单元，用于计算当前车辆与车道中心线的横向位移差；
判断单元，用于判断所述横向位移差与所述移动向量中的横向位移向量是否同向；
修正单元，用于所述横向位移差与所述移动向量中的横向位移向量同向时，计算横向修正系数，并通过所述横向修正系数修正所述移动向量。
CN202110389665.6A 2021-04-12 2021-04-12 一种基于车辆行为预测的自动驾驶避障方法及系统 Active CN113071517B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110389665.6A CN113071517B (zh) 2021-04-12 2021-04-12 一种基于车辆行为预测的自动驾驶避障方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110389665.6A CN113071517B (zh) 2021-04-12 2021-04-12 一种基于车辆行为预测的自动驾驶避障方法及系统

Publications (2)

Publication Number Publication Date
CN113071517A CN113071517A (zh) 2021-07-06
CN113071517B true CN113071517B (zh) 2022-05-13

Family

ID=76617272

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110389665.6A Active CN113071517B (zh) 2021-04-12 2021-04-12 一种基于车辆行为预测的自动驾驶避障方法及系统

Country Status (1)

Country Link
CN (1) CN113071517B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113654569A (zh) * 2021-08-16 2021-11-16 江铃汽车股份有限公司 一种路径规划方法、系统及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106394554A (zh) * 2015-07-31 2017-02-15 丰田自动车株式会社 驾驶辅助装置
EP3376249A1 (en) * 2017-03-17 2018-09-19 Veoneer Sweden AB Enhanced object position detection
CN110352450A (zh) * 2017-03-02 2019-10-18 日产自动车株式会社 驾驶辅助方法及驾驶辅助装置
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
EP3602518A1 (en) * 2017-03-24 2020-02-05 Bendix Commercial Vehicle Systems, LLC Controller and method of setting an intervention zone in a lane departure warning system
CN111278704A (zh) * 2018-03-20 2020-06-12 御眼视觉技术有限公司 用于导航车辆的系统和方法
CN111511621A (zh) * 2017-12-27 2020-08-07 本田技研工业株式会社 车辆控制装置、车辆控制方法及程序
CN111634292A (zh) * 2020-05-18 2020-09-08 北京踏歌智行科技有限公司 一种用于矿区的碰撞预测方法
CN112193244A (zh) * 2020-09-30 2021-01-08 浙江大学 基于线性约束的自动驾驶车辆运动规划方法
CN112572472A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于Frenet坐标系的自动驾驶碰撞预测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106394554A (zh) * 2015-07-31 2017-02-15 丰田自动车株式会社 驾驶辅助装置
CN110352450A (zh) * 2017-03-02 2019-10-18 日产自动车株式会社 驾驶辅助方法及驾驶辅助装置
EP3376249A1 (en) * 2017-03-17 2018-09-19 Veoneer Sweden AB Enhanced object position detection
EP3602518A1 (en) * 2017-03-24 2020-02-05 Bendix Commercial Vehicle Systems, LLC Controller and method of setting an intervention zone in a lane departure warning system
CN111511621A (zh) * 2017-12-27 2020-08-07 本田技研工业株式会社 车辆控制装置、车辆控制方法及程序
CN111278704A (zh) * 2018-03-20 2020-06-12 御眼视觉技术有限公司 用于导航车辆的系统和方法
CN110371112A (zh) * 2019-07-06 2019-10-25 深圳数翔科技有限公司 一种自动驾驶车辆的智能避障系统及方法
CN111634292A (zh) * 2020-05-18 2020-09-08 北京踏歌智行科技有限公司 一种用于矿区的碰撞预测方法
CN112193244A (zh) * 2020-09-30 2021-01-08 浙江大学 基于线性约束的自动驾驶车辆运动规划方法
CN112572472A (zh) * 2020-12-08 2021-03-30 重庆大学 一种基于Frenet坐标系的自动驾驶碰撞预测方法

Also Published As

Publication number Publication date
CN113071517A (zh) 2021-07-06

Similar Documents

Publication Publication Date Title
CN112099496B (zh) 一种自动驾驶训练方法、装置、设备及介质
CN109885066B (zh) 一种运动轨迹预测方法及装置
US11465650B2 (en) Model-free reinforcement learning
Wu et al. The heterogeneous systems integration design and implementation for lane keeping on a vehicle
Tunçer et al. Vision based lane keeping assistance control triggered by a driver inattention monitor
Villagra et al. Flatness-based vehicle steering control strategy with SDRE feedback gains tuned via a sensitivity approach
CN114391088B (zh) 轨线规划器
CN109501799A (zh) 一种车联网条件下的动态路径规划方法
US20230219585A1 (en) Tools for performance testing and/or training autonomous vehicle planners
CN111775949A (zh) 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
Kohl et al. Evolving a real-world vehicle warning system
CN113942524B (zh) 一种车辆行驶控制方法、系统及计算机可读存储介质
Siebinga et al. A human factors approach to validating driver models for interaction-aware automated vehicles
CN113071517B (zh) 一种基于车辆行为预测的自动驾驶避障方法及系统
CN112633465A (zh) 车辆神经网络训练
CN105151044A (zh) 车辆辅助驾驶方法及装置
Malayjerdi et al. Practical path planning techniques in overtaking for autonomous shuttles
Prakash et al. Predictive display with perspective projection of surroundings in vehicle teleoperation to account time-delays
Cai et al. Carl-lead: Lidar-based end-to-end autonomous driving with contrastive deep reinforcement learning
Evans et al. Learning the subsystem of local planning for autonomous racing
KR102155054B1 (ko) 인공지능을 활용한 주변차량 컷인 의도 예측 방법
Choi et al. Radar-based lane estimation with deep neural network for lane-keeping system of autonomous highway driving
KR20220026656A (ko) 차량의 주행 제어 시스템 및 방법
Zhang et al. Learning how to avoiding obstacles for end-to-end driving with conditional imitation learning
Kishi et al. Study on the formulation of vehicle merging problems for model predictive control

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