CN113276848A - 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 - Google Patents
一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 Download PDFInfo
- Publication number
- CN113276848A CN113276848A CN202110383676.3A CN202110383676A CN113276848A CN 113276848 A CN113276848 A CN 113276848A CN 202110383676 A CN202110383676 A CN 202110383676A CN 113276848 A CN113276848 A CN 113276848A
- Authority
- CN
- China
- Prior art keywords
- track
- vehicle
- candidate
- obstacle
- lane changing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 30
- 230000006870 function Effects 0.000 claims description 66
- 230000008859 change Effects 0.000 claims description 58
- 230000001133 acceleration Effects 0.000 claims description 49
- 238000011156 evaluation Methods 0.000 claims description 31
- 238000006073 displacement reaction Methods 0.000 claims description 23
- 238000005070 sampling Methods 0.000 claims description 21
- 238000012216 screening Methods 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 4
- 230000008447 perception Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 2
- 241000135164 Timea Species 0.000 claims 2
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- 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
- B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
-
- 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road 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
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- 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
- B60W2552/50—Barriers
-
- 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
-
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/40—Dynamic objects, e.g. animals, windblown objects
- B60W2554/404—Characteristics
- B60W2554/4042—Longitudinal speed
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统,环境感知模块采集道路信息、障碍物状态信息以及本车行驶状态信息,候选参考轨迹生成模块根据环境感知模块采集的道路信息生成多条候选换道参考轨迹,参考轨迹选取模块接收候选参考轨迹生成模块发送的候选换道参考轨迹并对候选换道参考轨迹进行筛选,选取出最优换道参考轨迹,参考轨迹优化模块接受环境感知模块发送的本车行驶状态信息、障碍物状态信息和参考轨迹选取模块选取的最优换道参考轨迹,根据本车状态和障碍物状态对最优换道参考轨迹进行实时优化调整,轨迹跟踪控制模块接收参考轨迹优化模块发送的优化后的最优轨迹并对车辆进行轨迹跟踪控制。本发明可以有效提高换道轨迹规划的实时性、舒适性与安全性,同时提高轨迹跟踪精度。
Description
技术领域
本发明属于智能驾驶控制技术领域,尤其涉及智能驾驶换道避障轨迹规划与跟踪控制系统及控制方法。
背景技术
随着我国国民经济与汽车工业的快速发展,汽车保有量逐年增加,与此同时交通事故和交通拥堵等问题日益严重,智能驾驶可以有效缓解交通拥堵和减少交通事故,已成为汽车行业的研究热点和发展动力。主动换道避障是智能驾驶的功能之一,研究主动换道避障规划与控制的关键技术,对于提高车辆行驶中的避障能力、通行能力以及车辆的智能化水平具有重要的意义。
针对主动换道避障控制的核心部分换道轨迹规划的研究,当前以离散采样和搜索类的算法为代表,但仍存在一些问题,对于离散采样类的算法,在障碍物的检测以及约束条件的判定上存在实时性较差的问题,且生成的轨迹并非最优;对于搜索类的算法,尽管可以搜索出最优轨迹,但在高维状态空间中算法需要处理大量网格,存在效率较低的问题。
在换道轨迹规划后需要进行车辆轨迹跟踪控制,结合国内外研究发现,当前跟踪控制主要存在的问题在于,由于真实车辆结构较为复杂,而设计控制器时所使用的参考车辆模型都进行了简化,虽然一定程度上提高控制器的计算实时性,但当车辆处于横、纵向加速度较大时,车辆部分状态不能够满足假设条件,因此导致跟踪精度降低,无法满足控制要求。
发明内容
本发明根据现有技术中存在的问题,提出了一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统,能够有效兼顾换道轨迹规划时的实时性、舒适性与安全性,同时可以提高在车辆纵侧向加速度较大时的轨迹跟踪精度。
本发明所采用的技术方案如下:
一种智能驾驶换道避障轨迹规划方法,包括如下步骤:
S1、采集道路信息、障碍物状态信息以及本车行驶状态信息;
S2、基于所采集的道路信息,分别对车辆完成换道所行驶的纵向位移和完成换道所需时间进行离散化,通过五次多项式生成候选换道参考轨迹;
S3、对S2中生成的候选换道参考轨迹进行初步筛选,对满足筛选条件的候选换道参考轨迹再进行评价选取,得到最优参考轨迹;
S4、通过二次规划对最优参考轨迹进行实时优化调整,得出最终换道轨迹。
进一步,S2中生成候选换道参考轨迹的方法为:
S2.1、将车辆完成换道所行驶的纵向位移和完成换道所需时间分别进行离散化,表示为:
其中,Xmf为纵向位移Xf的第m个采样点,Xsf为车辆完成换道所需最短纵向位移,Xef为车辆完成换道所需最大纵向位移;N1为采样点个数;tnf为换道所需时间tf的第n个采样点,tsf为完成换道所需最短时间,tef为完成换道所需最长时间;N2为采样点个数;
S2.2、通过五次多项式拟合出候选换道参考轨迹;候选换道参考轨迹包括候选路径曲线和候选速度曲线两部分,分别表示为:
ym=fm(x)=a0m+a1mx+a2mx2+a3mx3+a4mx4+a5mx5,1≤m≤N1
xn=gn(t)=b0n+b1nt+b2nt2+b3nt3+b4nt4+b5nt5,1≤n≤N2
其中,fm(x)等效为ym表示第m条路径曲线规划的横向位置,x为车辆纵向位移,a0m,a1m,...,a5m为第m条路径曲线多项式系数;gn(t)等效为xn表示第n条速度曲线规划的纵向位置,t为时间变量,b0n,b1n,...,b5n为第n条速度曲线多项式系数;
基于上述候选路径曲线和候选速度曲线计算可以得出N条候选参考轨迹,N=N1·N2;
进一步,S3中对候选换道参考轨迹进行初步筛选的方法为:
计算候选换道参考轨迹点的横向位置ym、规划车速vp、纵向加速度ap、规划转弯半径Rp、规划总加速度at;
初步筛选条件为:
bound2+w/2≤ym≤bound1-w/2
vp≤vmax
amin≤ap≤amax
Rp≤L/tanδmax
at≤μg
其中,bound1、bound2为本车道边界线横向坐标值,w为本车宽度,vmax表示车辆的最高车速,amin表示车辆最大减速度,amax表示车辆最大加速度,μ表示路面附着系数,g表示重力加速度,δmax最大前轮转角,L为车辆轴距;
若无候选参考轨迹满足初步筛选条件,则换道失败。
进一步,评价选取最优参考轨迹的方法为:
建立轨迹评价函数cost:
cost=cost1+cost2+Sob
路径曲线评价函数:
速度曲线评价函数:
避障风险评价函数:
Sob=∑iSobii=1,2,3,...
其中,ω1、ω2、ω3、ω4、ω5、ω7表示各项权值;x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;分别为fm(x)的一阶导数、二阶导数和三阶导数;分别为gn(t)的一阶导数、二阶导数和三阶导数;vdes表示该道路期望的车速;Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离;
选取cost最小的参考轨迹作为最优参考轨迹;记最优参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t)。
进一步,S4中对对最优参考轨迹进行实时优化调整的方法为:
S4.1、分别构建N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),表达公式如下:
yi=fi(x)=ai0+ai1x+ai2x2+ai3x3+ai4x4+ai5x5(dil≤x≤diu),i=1,2,...,N3
xj=gj(t)=bj0+bj1t+bj2t2+bj3t3+bj4t4+bj5t5(tjl≤t≤tju),j=1,2,...,N4
式中,ai0,ai1,...,ai5为第i段五次样条曲线fi(x)的系数,dil、diu分别为fi(x)自变量x的下限值和上限值;bj0,bj1,...,bj5为第j段五次样条曲线gj(t)的系数,tjl、tju分别为gj(t)自变量t的下限值和上限值;dil、diu、tjl、tju计算公式如下:
式中,Xf为所选参考轨迹完成换道的纵向位移,tf为所选参考轨迹换道完成时间;
相邻两段样条曲线连接点必须满足平滑连接条件,如下:
fi(diu)=fi+1(d(i+1)l),gj(tju)=gj+1(t(j+1)l)
样条曲线必须满足道路边界约束、曲率约束、速度约束、加速度约束,如下:
bound2+w/2≤fi(x)≤bound1-w/2
式中,Rmin为最小转弯半径,ac,max最大侧向加速度,vdes为实时车速,vx,max为最大纵向车速,ax,min为最小纵向车速,ax,max为最大纵向车速;
与参考轨迹相同,优化路径曲线的起点和终点必须满足以下条件:
x=0时,
y1=ys
x=Xf时,
yN3=yr
与参考轨迹相同,优化速度曲线的起点和终点必须满足以下条件:
t=0时,
x1=0
t=tf时,
xN4=Xmf
S4.2、建立二次优化目标函数,公式如下:
式中,J1为路径曲线优化目标函数,J2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi、yr分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置、目标车道的横向位置;
S4.3、利用二次规划算法求出目标函数J1最小时的fi(x)记为fbest(x),求出目标函数J2最小时的gj(t)记为gbest(t);将fbest(x)和gbest(t)作为最终换道轨迹;
一种基于误差模型的轨迹跟踪补偿控制方法,包括如下步骤:
S1、基于车辆三自由度动力学模型和纵向运动学模型,设计LQR轨迹跟踪控制器;由LQR轨迹跟踪控制器计算得出轨迹跟踪控制量,即前轮转角δc和加速度补偿量Δa;
S2、通过LQR控制器对车辆进行轨迹跟踪控制,记录车辆进行轨迹跟踪的误差数据;误差数据包括LQR轨迹跟踪的横向误差ed_LQR、航向偏差本车车速v、本车加速度a、当前规划路径的曲率ρ以及LQR决策出的前轮转角δc;
S5、基于S4得到的前轮转角补偿量δp计算最终前轮转角控制量δ=δc+δp;
S6、计算最终车辆纵向加速度控制量ac=ap+Δa;ap为规划车辆加速度。
进一步,S1中LQR轨迹跟踪控制器计算加速度补偿量Δa的方法为:
S1.1、将车辆质心位置投影到规划轨迹的匹配点上,得出横向动力学参考模型和纵向运动学参考模型,并分别对横向动力学参考模型和纵向运动学参考模型进行离散化处理;
S1.2、建立轨迹跟踪目标函数J,表示为:
式中,xk表示参考模型第k时刻的状态量,Q为状态系数,uk为第k时刻的反馈控制量,R为控制系数;xn为第n时刻参考模型状态量;
当参考模型为横向动力学参考模型时,xk代表XCk,uk代表uck;
当参考模型为纵向运动学参考模型时,xk代表XLk,uk代表ulk;
进一步,S4中前轮转角补偿量δp计算方法为:
式中,lf为车辆质心距前轴的距离,lr为质心距后轴的距离,k为常数。
一种智能驾驶换道避障轨迹规划与跟踪控制系统,具体包括环境感知模块、候选参考轨迹生成模块、参考轨迹选取模块、参考轨迹优化模块和轨迹跟踪控制模块;
环境感知模块用于检测道路信息、障碍物状态信息以及本车行驶状态信息等,且环境感知模块分别与候选参考轨迹生成模块、参考轨迹优化模块和轨迹跟踪控制模块信号连接;
候选参考轨迹生成模块根据环境感知模块采集的道路信息生成多条候选换道参考轨迹,并将候选换道参考轨迹发送给参考轨迹选取模块;
参考轨迹选取模块接收候选参考轨迹生成模块发送的候选参考轨迹,根据本车所能行驶的最大车速、最大加速度、最制动减速度、车辆的最小转弯半径、道路边界以及路面条件对候选参考轨迹进行初步筛选,若满足筛选条件的轨迹有S条,当S<1时,判定为换道失败;当S≥1时,将满足筛选条件的S条候选参考轨迹通过评价函数cost进行评价。若在这S条候选轨迹中,则有碰撞发生,判定为换道失败;若在这S候选轨迹中,则存在可行的换道参考轨迹,将cost值最小的轨迹作为最优换道参考轨迹,并发送给参考轨迹优化模块,记最优换道参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t)。其中cost包括路径曲线评价函数cost1、速度曲线评价函数cost2、避障风险评价函数Sob,如下式所示:
cost=cost1+cost2+Sob
Sob=∑iSobii=1,2,3,…
其中,ω1、ω2、ω3、ω4、ω5、ω7表示各项权值;x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;分别为fm(x)的一阶导数、二阶导数和三阶导数;分别为gn(t)的一阶导数、二阶导数和三阶导数;vdes表示该道路期望的车速;Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离。
参考轨迹优化模块接受环境感知模块发送的本车行驶状态信息、障碍物状态信息和参考轨迹选取模块选取的最优换道参考轨迹,根据本车状态和障碍物状态对最优换道参考轨迹进行实时优化调整,并将实时优化后的最优轨迹发送给轨迹跟踪控制模块。分别利用N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),使得目标函数J1和J2得到最小值,J1和J2表示如下:
式中,J1为路径曲线优化目标函数,J2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi、yr分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置、目标车道的横向位置,fref(x)和gref(t)分别为最优路径参考曲线和最优速度参考曲线。
轨迹跟踪控制模块接收参考轨迹优化模块发送的优化后的最优轨迹,并对车辆进行轨迹跟踪控制。
进一步,环境感知模块包括激光雷达、摄像头、速度仪和GPS等设备用于检测道路信息、障碍物状态信息以及本车行驶状态信息。
本发明的有益效果:
(1)本发明提出一种结合遍历法与二次规划算法的新型轨迹规划算法,该算法在上层决策为换道行为时,根据当前环境生成有限条可能发生的换道轨迹,在通过建立筛选条件与评价函数,确定换道的参考轨迹;基于此参考轨迹,根据时变的障碍物状态建立障碍风险评价函数,使用二次规划进行实时的优化调整,该算法每个换道周期只进行一次参考轨迹的计算且减少了二次规划目标函数的复杂度与边界条件的建立,大大降低了轨迹规划对处理芯片的算力要求,为自动驾驶换道的工程实践提供了一种有效的解决方案。
(2)本发明针对当前轨迹跟踪控制算法在车辆横纵向加速度较大时,轨迹跟踪精度降低的问题,提出了一种误差补偿的控制策略;此方法并未从参考模型的复杂度方面进行解决,而是基于误差数据与传统的控制理论相结合,从而解决车辆在纵侧向加速度较大时轨迹跟踪误差降低的问题,在控制器设计难度与复杂度并未增加的同时提升了跟踪精度。
附图说明
图1是智能汽车换道避障系统示意图;
图2是智能汽车换道轨迹规划方法流程图;
图3是换道初始时刻坐标系建立示意图;
图4是换道场景示意图;
图5是智能汽车换道轨迹跟踪控制方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
如图1所示,本发明提出了一种智能驾驶换道避障轨迹规划与跟踪控制系统,具体包括环境感知模块、候选参考轨迹生成模块、参考轨迹选取模块、参考轨迹优化模块和轨迹跟踪控制模块;
环境感知模块用于检测道路信息、障碍物状态信息以及本车行驶状态信息等,且环境感知模块分别与候选参考轨迹生成模块、参考轨迹优化模块和轨迹跟踪控制模块信号连接;在本实施例中,环境感知模块包括激光雷达、摄像头、速度仪和GPS等设备用于检测道路信息、障碍物状态信息以及本车行驶状态信息。
候选参考轨迹生成模块根据环境感知模块采集的道路信息生成多条候选换道参考轨迹,并将候选换道参考轨迹发送给参考轨迹选取模块。
参考轨迹选取模块接收候选参考轨迹生成模块发送的候选参考轨迹,根据本车所能行驶的最大车速、最大加速度、最制动减速度、车辆的最小转弯半径、道路边界以及路面条件对候选参考轨迹进行初步筛选,若满足筛选条件的轨迹有S条,当S<1时,判定为换道失败;当S≥1时,将满足筛选条件的S条候选参考轨迹通过评价函数cost进行评价。若在这S条候选轨迹中,则有碰撞发生,判定为换道失败;若在这S候选轨迹中,则存在可行的换道参考轨迹,将cost值最小的轨迹作为最优换道参考轨迹,并发送给参考轨迹优化模块,记最优换道参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t)。其中cost包括路径曲线评价函数cost1、速度曲线评价函数cost2、避障风险评价函数Sob,如下式所示:
cost=cost1+cost2+Sob
Sob=∑iSobii=1,2,3,…
其中,ω1、ω2、ω3、ω4、ω5、ω7表示各项权值;x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;分别为fm(x)的一阶导数、二阶导数和三阶导数;分别为gn(t)的一阶导数、二阶导数和三阶导数;vdes表示该道路期望的车速;Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离。
参考轨迹优化模块接受环境感知模块发送的本车行驶状态信息、障碍物状态信息和参考轨迹选取模块选取的最优换道参考轨迹,根据本车状态和障碍物状态对最优换道参考轨迹进行实时优化调整,并将实时优化后的最优轨迹发送给轨迹跟踪控制模块。分别利用N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),使得目标函数J1和J2得到最小值,J1和J2表示如下:
式中,J1为路径曲线优化目标函数,J2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi、yr分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置、目标车道的横向位置,fref(x)和gref(t)分别为最优路径参考曲线和最优速度参考曲线。轨迹跟踪控制模块接收参考轨迹优化模块发送的优化后的最优轨迹,并对车辆进行轨迹跟踪控制。
基于上述智能驾驶换道避障轨迹规划与跟踪控制系统,如图2所示,本发明提出了一种智能驾驶换道避障轨迹规划方法,具体步骤如下:
S1、通过环境感知模块采集道路信息、障碍物状态信息以及本车行驶状态信息;具体过程如下:
S1.1、通过摄像头检测本车道边界线横向坐标值bound1、bound2,目标车道边界线横向坐标值bound2、bound3,本车道虚拟车道中心线横向坐标值lc1以及目标车道虚拟中心线横向坐标值lc2,本车航向角θ;
S1.2、通过GPS获得当前车辆的所在位置(x,y);其中x,y为在如图3所示坐标系下车辆的所在位置坐标;
S1.4、通过速度仪获得本车车速v和加速度a;
S1.5、通过激光雷达获得障碍物的位置(xob、yob)以及障碍物速度vob;
S2、将环境感知模块采集的道路信息发送给候选参考轨迹生成模块,候选参考轨迹生成模块生成候选换道参考轨迹,具体内容包括以下:
S2.1、将车辆完成换道所行驶的纵向位移和完成换道所需时间分别进行离散化。
将车辆完成换道所行驶的纵向位移Xf在Xsf≤Xf≤Xef范围内均匀采取N1个采样点,采样点记为Xmf;其中,Xsf为车辆完成换道所需最短纵向位移,Xef为车辆完成换道所需最大纵向位移;
将车辆完成换道所需时间tf在tsf≤tnf≤tef范围内均匀采取N2个采样点,采样点记为tnf;其中,tsf为完成换道所需最短时间,tef为完成换道所需最长时间;
S2.2、通过五次多项式拟合出候选换道参考轨迹;候选换道参考轨迹包括候选路径曲线和候选速度曲线两部分;
(1)、候选路径曲线表示规划路径的横向位置随纵向位置的变化关系,候选路径曲线表达式如下:
ym=fm(x)=a0m+a1mx+a2mx2+a3mx3+a4mx4+a5mx5,1≤m≤N1
式中,fm(x)等效为ym表示第m条路径曲线规划的横向位置,x为车辆纵向位移,a0m,a1m,...,a5m为第m条路径曲线多项式系数,系数通过将边值约束条件代入曲线表达式中消元得出;边值约束条件如下:
x=0时,
ym=ys
x=Xmf时,
ym=yr
(2)、候选速度曲线表示规划路径的纵向位置随时间变化关系,候选速度曲线表达式如下:
xn=gn(t)=b0n+b1nt+b2nt2+b3nt3+b4nt4+b5nt5,1≤n≤N2
式中,gn(t)等效为xn表示第n条速度曲线规划的纵向位置,t为时间变量,b0n,b1n,...,b5n为第n条速度曲线多项式系数,系数通过将边值约束条件代入曲线表达式中消元得出;边值约束条件如下:
t=0时,
xn=0
t=tnf时,
xn=Xmf
(3)、通过上述计算可以得出N条候选参考轨迹,其中N=N1·N2;
S3、参考轨迹选取模块接收候选参考轨迹生成模块生成的N条候选参考轨迹并对候选参考轨迹进行筛选评价,具体内容如下:
S3.1、根据候选参考轨迹计算各轨迹点上的横向位置ym、规划车速vp、纵向加速度ap、规划转弯半径Rp、规划总加速度at,计算公式如下:
ym=fm(x)
式中,x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;
S3.2、对各候选参考轨迹点上的规划横向位置ym、规划车速vp、规划车辆纵向加速度ap、规划车辆总加速度at、规划转弯半径Rp进行初步筛选,初步筛选条件如下:
bound2+w/2≤ym≤bound1-w/2
vp≤vmax
amin≤ap≤amax
Rp≤L/tanδmax
at≤μg
其中,w为本车宽度,vmax表示车辆的最高车速,amin表示车辆最大减速度,amax表示车辆最大加速度,μ表示路面附着系数,g表示重力加速度,δmax最大前轮转角,L为车辆轴距;
S3.3、若无候选参考轨迹满足S3.2中的初步筛选条件,则换道失败;若存在若干条候选参考轨迹,则对这些轨迹再进行评价选取,得到最优参考轨迹;评价选取方法如下:
S3.3.1、建立轨迹评价函数cost;轨迹评价函数包括路径曲线评价函数cost1、速度曲线评价函数cost2和避障风险评价函数Sob;分别表示为:
cost=cost1+cost2+Sob
路径曲线评价函数cost1,计算公式如下:
式中,ω1、ω2、ω3分别表示各项权值;
速度曲线评价函数cost2,计算公式如下:
式中,ω4、ω5、ω7分别表示各项权值;
避障风险评价函数Sob,计算公式如下:
Sob=∑iSobii=1,2,3,…
其中,Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离,如图4所示,计算公式具体如下:
式中,k1、k2为常数,yobi(t)表示第i个障碍物的横向位置随时间的变化,xobi(t)表示第i个障碍物的纵向位置随时间的变化,假设yobi(t)处于本车道中心线或目标车道中心线的坐标上,假设xobi(t)=vobit+xobi(0),vobi为第i个障碍物的速度,xobi(0)为换道初始时刻第i个障碍物纵向位置;
S3.3.2、选取cost最小的参考轨迹作为最优参考轨迹;记最优参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t);
S4、参考轨迹优化调整模块接收参考轨迹选取模块所选取的最优参考轨迹,通过二次规划对最优参考轨迹进行实时优化调整,得出最终换道轨迹,优化调整过程如下:
S4.1、分别构建N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),表达公式如下:
yi=fi(x)=ai0+ai1x+ai2x2+ai3x3+ai4x4+ai5x5(dil≤x≤diu),i=1,2,...,N3
xj=gj(t)=bj0+bj1t+bj2t2+bj3t3+bj4t4+bj5t5(tjl≤t≤tju),j=1,2,...,N4
式中,ai0,ai1,...,ai5为第i段五次样条曲线fi(x)的系数,dil、diu分别为fi(x)自变量x的下限值和上限值;bj0,bj1,...,bj5为第j段五次样条曲线gj(t)的系数,tjl、tju分别为gj(t)自变量t的下限值和上限值;dil、diu、tjl、tju计算公式如下:
式中,Xf为所选参考轨迹完成换道的纵向位移,tf为所选参考轨迹换道完成时间;
相邻两段样条曲线连接点必须满足平滑连接条件,如下:
fi(diu)=fi+1(d(i+1)l),gj(tju)=gj+1(t(j+1)l)
样条曲线必须满足道路边界约束、曲率约束、速度约束、加速度约束,如下:
bound2+w/2≤fi(x)≤bound1-w/2
式中,Rmin为最小转弯半径,ac,max最大侧向加速度,vdes为实时车速,vx,max为最大纵向车速,ax,min为最小纵向车速,ax,max为最大纵向车速;
与参考轨迹相同,优化路径曲线的起点和终点必须满足以下条件:
x=0时,
y1=ys
x=Xf时,
yN3=yr
与参考轨迹相同,优化速度曲线的起点和终点必须满足以下条件:
t=0时,
x1=0
t=tf时,
xN4=Xmf
S4.2、建立二次优化目标函数,公式如下:
式中,J1为路径曲线优化目标函数,j2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置;
S4.3、利用二次规划算法求出目标函数J1最小时的fi(x)记为fbest(x),求出目标函数J2最小时的gj(t)记为gbest(t);将fbest(x)和gbest(t)作为最终换道轨迹;
如图5所示,本发明还提出了一种基于误差模型的轨迹跟踪补偿控制方法;具体跟踪控制方法包括以下步骤:
S1、基于车辆三自由度动力学模型和纵向运动学模型,设计LQR轨迹跟踪控制器;由LQR轨迹跟踪控制器计算得出轨迹跟踪控制量:前轮转角δc和加速度补偿量Δa,其中,δc=δf+δF,δf为前轮转角反馈控制量,δF为前轮转角前馈控制量;
LQR轨迹跟踪控制器计算前轮转角δc和加速度补偿量Δa的方法如下:
S1.1、将车辆质心位置投影到规划轨迹的匹配点上,得出横向动力学参考模型和纵向运动学参考模型;
(1)横向动力学参考模型,简化表达如下:
式中,A1为横向状态系数矩阵,B1为横向控制系数矩阵,C干扰系数矩阵,ed为车辆相对于轨迹实时的横向偏差,为实时横向偏差变化率,为实时航向偏差,为实时航向偏差变化率,u1为前轮转角控制量,为轨迹曲率,err表示由组成的矩阵;
(2)纵向运动学参考模型
同理,将纵向运动学模型离散化得到如下表达式:
S1.2、建立轨迹跟踪目标函数J,如下式:
式中,xk表示参考模型第k时刻的状态量,Q为状态系数,uk为第k时刻的反馈控制量,R为控制系数;xn为第n时刻参考模型状态量;
当参考模型为横向动力学参考模型时,xk代表XCk,uk代表uck;
当参考模型为纵向运动学参考模型时,xk代表XLk,uk代表ulk;
S2、通过LQR控制器对车辆进行轨迹跟踪控制,记录车辆进行轨迹跟踪的误差数据;误差数据包括LQR轨迹跟踪的横向误差ed_LQR、航向偏差本车车速v、本车加速度a、当前规划路径的曲率ρ以及LQR决策出的前轮转角δc;
式中,lf为车辆质心距前轴的距离,lr为质心距后轴的距离,k为常数;
S5、计算最终前轮转角控制量δ如下:
6=δc+δp
S6、计算最终车辆纵向加速度控制量ac如下:
ac=ap+Δa
式中,ap为规划车辆加速度,计算如下:
以上实施例仅用于说明本发明的设计思想和特点,其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施,本发明的保护范围不限于上述实施例。所以,凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰,均在本发明的保护范围之内。
Claims (10)
1.一种智能驾驶换道避障轨迹规划方法,其特征在于,包括如下步骤:
S1、采集道路信息、障碍物状态信息以及本车行驶状态信息;
S2、基于所采集的道路信息,分别对车辆完成换道所行驶的纵向位移和完成换道所需时间进行离散化,通过五次多项式生成候选换道参考轨迹;
S3、对S2中生成的候选换道参考轨迹进行初步筛选,对满足筛选条件的候选换道参考轨迹再进行评价选取,得到最优参考轨迹;
S4、通过二次规划对最优参考轨迹进行实时优化调整,得出最终换道轨迹。
2.根据权利要求1所述的一种智能驾驶换道避障轨迹规划方法,其特征在于,S2中生成候选换道参考轨迹的方法为:
S2.1、将车辆完成换道所行驶的纵向位移和完成换道所需时间分别进行离散化,表示为:
其中,Xmf为纵向位移Xf的第m个采样点,Xsf为车辆完成换道所需最短纵向位移,Xef为车辆完成换道所需最大纵向位移;N1为采样点个数;tnf为换道所需时间tf的第n个采样点,tsf为完成换道所需最短时间,tef为完成换道所需最长时间;N2为采样点个数;
S2.2、通过五次多项式拟合出候选换道参考轨迹;候选换道参考轨迹包括候选路径曲线和候选速度曲线两部分,分别表示为:
ym=fm(x)=a0m+a1mx+a2mx2+a3mx3+a4mx4+a5mx5,1≤m≤N1
xn=gn(t)=b0n+b1nt+b2nt2+b3nt3+b4nt4+b5nt5,1≤n≤N2
其中,fm(x)等效为ym表示第m条路径曲线规划的横向位置,x为车辆纵向位移,a0m,a1m,...,a5m为第m条路径曲线多项式系数;gn(t)等效为xn表示第n条速度曲线规划的纵向位置,t为时间变量,b0n,b1n,...,b5n为第n条速度曲线多项式系数;
基于上述候选路径曲线和候选速度曲线计算可以得出N条候选参考轨迹,N=N1·N2。
3.根据权利要求1所述的一种智能驾驶换道避障轨迹规划方法,其特征在于,S3中对候选换道参考轨迹进行初步筛选的方法为:
针对候选换道参考轨迹点的横向位置ym、规划车速vp、纵向加速度ap、规划转弯半径Rp、规划总加速度at按照以下初步筛选条件进行筛选:
bound2+w/2≤ym≤bound1-w/2
vp≤vmax
amin≤ap≤amax
Rp≤L/tanδmax
at≤μg
其中,bound1、bound2为本车道边界线横向坐标值,w为本车宽度,vmax表示车辆的最高车速,amin表示车辆最大减速度,amax表示车辆最大加速度,μ表示路面附着系数,g表示重力加速度,δmax最大前轮转角,L为车辆轴距;
若无候选参考轨迹满足初步筛选条件,则换道失败。
4.根据权利要求2或3所述的一种智能驾驶换道避障轨迹规划方法,其特征在于,评价选取最优参考轨迹的方法为:
建立轨迹评价函数cost:
cost=cost1+cost2+Sob
路径曲线评价函数:
速度曲线评价函数:
避障风险评价函数:
Sob=∑iSobi i=1,2,3,...
其中,ω1、ω2、ω3、ω4、ω5、ω7表示各项权值;x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;分别为fm(x)的一阶导数、二阶导数和三阶导数;分别为gn(t)的一阶导数、二阶导数和三阶导数;vdes表示该道路期望的车速;Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离;
选取cost最小的参考轨迹作为最优参考轨迹;记最优参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t)。
5.根据权利要求4所述的一种智能驾驶换道避障轨迹规划方法,其特征在于,S4中对最优参考轨迹进行实时优化调整的方法为:
S4.1、分别构建N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),表达公式如下:
yi=fi(x)=ai0+ai1x+ai2x2+ai3x3+ai4x4+ai5x5,dil≤x≤diu,i=1,2,...,N3
xj=gj(t)=bj0+bj1t+bj2t2+bj3t3+bj4t4+bj5t5,tjl≤t≤tju,j=1,2,...,N4
式中,ai0,ai1,...,ai5为第i段五次样条曲线fi(x)的系数,dil、diu分别为fi(x)自变量x的下限值和上限值;bj0,bj1,...,bj5为第j段五次样条曲线gj(t)的系数,tjl、tju分别为gj(t)自变量t的下限值和上限值;
相邻两段样条曲线连接点必须满足平滑连接条件,如下:
fi(diu)=fi+1(d(i+1)l),gj(tju)=gj+1(t(j+1)l)
样条曲线必须满足道路边界约束、曲率约束、速度约束、加速度约束,如下:
bound2+w/2≤fi(x)≤bound1-w/2
式中,Rmin为最小转弯半径,ac,max最大侧向加速度,vdes为实时车速,vx,max为最大纵向车速,ax,min为最小纵向车速,ax,max为最大纵向车速;
与参考轨迹相同,优化路径曲线的起点和终点必须满足以下条件:
x=0时,
y1=ys
x=Xf时,
yN3=yr
与参考轨迹相同,优化速度曲线的起点和终点必须满足以下条件:
t=0时,
x1=0
t=tf时,
xN4=Xmf
S4.2、建立二次优化目标函数,公式如下:
式中,J1为路径曲线优化目标函数,J2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置;
S4.3、利用二次规划算法求出目标函数J1最小时的fi(x)记为fbest(x),求出目标函数J2最小时的gj(t)记为gbest(t);将fbest(x)和gbest(t)作为最终换道轨迹。
6.一种基于误差模型的轨迹跟踪补偿控制方法,其特征在于,包括如下步骤:
S1、基于车辆三自由度动力学模型和纵向运动学模型,设计LQR轨迹跟踪控制器;由LQR轨迹跟踪控制器计算得出轨迹跟踪控制量,即前轮转角δc和加速度补偿量Δa;
S2、通过LQR控制器对车辆进行轨迹跟踪控制,记录车辆进行轨迹跟踪的误差数据;误差数据包括LQR轨迹跟踪的横向误差ed_LQR、航向偏差本车车速v、本车加速度a、当前规划路径的曲率ρ以及LQR决策出的前轮转角δc;
S5、基于S4得到的前轮转角补偿量δp计算最终前轮转角控制量δ=δc+δp;
S6、计算最终车辆纵向加速度控制量ac=ap+Δa;ap为规划车辆加速度。
7.根据权利要求6所述的一种基于误差模型的轨迹跟踪补偿控制方法,其特征在于,S1中LQR轨迹跟踪控制器计算加速度补偿量Δa的方法为:
S1.1、将车辆质心位置投影到规划轨迹的匹配点上,得出横向动力学参考模型和纵向运动学参考模型,并分别对横向动力学参考模型和纵向运动学参考模型进行离散化处理;
S1.2、建立轨迹跟踪目标函数J,表示为:
式中,xk表示参考模型第k时刻的状态量,Q为状态系数,uk为第k时刻的反馈控制量,R为控制系数;xn为第n时刻参考模型状态量;
当参考模型为横向动力学参考模型时,xk代表XCk,uk代表uck;
当参考模型为纵向运动学参考模型时,xk代表XLk,uk代表ulk;
9.一种智能驾驶换道避障轨迹规划与跟踪控制系统,其特征在于,包括环境感知模块、候选参考轨迹生成模块、参考轨迹选取模块、参考轨迹优化模块和轨迹跟踪控制模块;
环境感知模块用于检测道路信息、障碍物状态信息以及本车行驶状态信息等,且环境感知模块分别与候选参考轨迹生成模块、参考轨迹优化模块和轨迹跟踪控制模块信号连接;
候选参考轨迹生成模块根据环境感知模块采集的道路信息生成多条候选换道参考轨迹,并将候选换道参考轨迹发送给参考轨迹选取模块;
参考轨迹选取模块接收候选参考轨迹生成模块发送的候选参考轨迹,根据本车所能行驶的最大车速、最大加速度、最制动减速度、车辆的最小转弯半径、道路边界以及路面条件对候选参考轨迹进行初步筛选,若满足筛选条件的轨迹有S条,当S<1时,判定为换道失败;当S≥1时,将满足筛选条件的S条候选参考轨迹通过评价函数cost进行评价。若在这S条候选轨迹中,则有碰撞发生,判定为换道失败;若在这S候选轨迹中,则存在可行的换道参考轨迹,将cost值最小的轨迹作为最优换道参考轨迹,并发送给参考轨迹优化模块,记最优换道参考轨迹的参考路径曲线为yref=fref(x),速度参考曲线为xref=gref(t)。其中cost包括路径曲线评价函数cost1、速度曲线评价函数cost2、避障风险评价函数Sob,如下式所示:
cost=cost1+cost2+Sob
Sob=∑iSobi i=1,2,3,...
其中,ω1、ω2、ω3、ω4、ω5、ω7表示各项权值;x为车辆纵向位移由候选速度曲线xn确定其随时间的变化关系;分别为fm(x)的一阶导数、二阶导数和三阶导数;分别为gn(t)的一阶导数、二阶导数和三阶导数;vdes表示该道路期望的车速;Sobi为第i个障碍物的风险代价值,η为常数,ds为安全距离,dmn,min_i为各候选参考轨迹与第i个障碍物之间的最小距离。
参考轨迹优化模块接受环境感知模块发送的本车行驶状态信息、障碍物状态信息和参考轨迹选取模块选取的最优换道参考轨迹,根据本车状态和障碍物状态对最优换道参考轨迹进行实时优化调整,并将实时优化后的最优轨迹发送给轨迹跟踪控制模块。分别利用N3段五次样条曲线fi(x)和N4段五次样条曲线gj(t),使得目标函数J1和J2得到最小值,J1和J2表示如下:
式中,J1为路径曲线优化目标函数,J2为速度曲线优化目标函数,ω7、ω8、ω9、ω10为各项权值,k1、k2、k3、k4为常数,xs、xobi、ys、yobi、yr分别每个采样时刻本车的纵向位置、第i个障碍物的纵向位置、本车的横向位置和第i个障碍物的横向位置、目标车道的横向位置,fref(x)和gref(t)分别为最优路径参考曲线和最优速度参考曲线。
轨迹跟踪控制模块接收参考轨迹优化模块发送的优化后的最优轨迹并对车辆进行轨迹跟踪控制。
10.根据权利要求9所述的一种智能驾驶换道避障轨迹规划与跟踪控制系统,其特征在于,环境感知模块包括激光雷达、摄像头、速度仪和GPS等设备用于检测道路信息、障碍物状态信息以及本车行驶状态信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383676.3A CN113276848B (zh) | 2021-04-09 | 2021-04-09 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110383676.3A CN113276848B (zh) | 2021-04-09 | 2021-04-09 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113276848A true CN113276848A (zh) | 2021-08-20 |
CN113276848B CN113276848B (zh) | 2022-09-13 |
Family
ID=77276443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110383676.3A Active CN113276848B (zh) | 2021-04-09 | 2021-04-09 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113276848B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937608A (zh) * | 2021-03-31 | 2021-06-11 | 吉林大学 | 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质 |
CN113602273A (zh) * | 2021-08-27 | 2021-11-05 | 环形山(武汉)科技有限公司 | 考虑车辆动力学的换道轨迹规划方法 |
CN113978465A (zh) * | 2021-09-28 | 2022-01-28 | 阿波罗智能技术(北京)有限公司 | 一种变道轨迹规划方法、装置、设备以及存储介质 |
CN114194215A (zh) * | 2021-12-30 | 2022-03-18 | 江苏大学 | 一种智能车辆避障换道轨迹规划方法及系统 |
CN114200943A (zh) * | 2021-12-13 | 2022-03-18 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种动态避让方法及移动机器人 |
CN114228748A (zh) * | 2022-02-10 | 2022-03-25 | 重庆大学 | 一种基于几何路径生成的类人化自动驾驶轨迹规划方法 |
CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、系统、设备和介质 |
CN115096329A (zh) * | 2022-08-25 | 2022-09-23 | 燚璞锐科技(江苏)有限公司 | 一种工程压路机视觉导航控制系统及方法 |
CN115230740A (zh) * | 2022-08-19 | 2022-10-25 | 创辉达设计股份有限公司 | 一种基于iot与l4自动驾驶的智慧交安方法及系统 |
CN115837912A (zh) * | 2023-01-29 | 2023-03-24 | 深圳安智杰科技有限公司 | 一种基于轨迹跟踪的指令变道方法及系统 |
CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN117944684A (zh) * | 2024-03-26 | 2024-04-30 | 福瑞泰克智能系统有限公司 | 变道轨迹规划方法和装置、存储介质及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
US20190391585A1 (en) * | 2018-06-26 | 2019-12-26 | Baidu Usa Llc | Determining driving paths for autonomous driving using parallel processing |
CN111240187A (zh) * | 2020-01-16 | 2020-06-05 | 南京理工大学 | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 |
CN112572443A (zh) * | 2020-12-22 | 2021-03-30 | 北京理工大学 | 一种高速公路车辆换道实时避撞轨迹规划方法及系统 |
-
2021
- 2021-04-09 CN CN202110383676.3A patent/CN113276848B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
US20190391585A1 (en) * | 2018-06-26 | 2019-12-26 | Baidu Usa Llc | Determining driving paths for autonomous driving using parallel processing |
CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
CN111240187A (zh) * | 2020-01-16 | 2020-06-05 | 南京理工大学 | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 |
CN112572443A (zh) * | 2020-12-22 | 2021-03-30 | 北京理工大学 | 一种高速公路车辆换道实时避撞轨迹规划方法及系统 |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112937608B (zh) * | 2021-03-31 | 2022-06-21 | 吉林大学 | 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质 |
CN112937608A (zh) * | 2021-03-31 | 2021-06-11 | 吉林大学 | 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质 |
CN113602273A (zh) * | 2021-08-27 | 2021-11-05 | 环形山(武汉)科技有限公司 | 考虑车辆动力学的换道轨迹规划方法 |
CN113978465A (zh) * | 2021-09-28 | 2022-01-28 | 阿波罗智能技术(北京)有限公司 | 一种变道轨迹规划方法、装置、设备以及存储介质 |
CN114200943A (zh) * | 2021-12-13 | 2022-03-18 | 哈尔滨工业大学芜湖机器人产业技术研究院 | 一种动态避让方法及移动机器人 |
CN114194215B (zh) * | 2021-12-30 | 2024-05-10 | 江苏大学 | 一种智能车辆避障换道轨迹规划方法及系统 |
CN114194215A (zh) * | 2021-12-30 | 2022-03-18 | 江苏大学 | 一种智能车辆避障换道轨迹规划方法及系统 |
CN114228748A (zh) * | 2022-02-10 | 2022-03-25 | 重庆大学 | 一种基于几何路径生成的类人化自动驾驶轨迹规划方法 |
CN114750750A (zh) * | 2022-04-28 | 2022-07-15 | 南阳理工学院 | 一种自动泊车的最优跟踪控制方法、系统、设备和介质 |
CN115230740A (zh) * | 2022-08-19 | 2022-10-25 | 创辉达设计股份有限公司 | 一种基于iot与l4自动驾驶的智慧交安方法及系统 |
CN115096329A (zh) * | 2022-08-25 | 2022-09-23 | 燚璞锐科技(江苏)有限公司 | 一种工程压路机视觉导航控制系统及方法 |
CN115096329B (zh) * | 2022-08-25 | 2022-11-08 | 燚璞锐科技(江苏)有限公司 | 一种工程压路机视觉导航控制系统及方法 |
CN115837912A (zh) * | 2023-01-29 | 2023-03-24 | 深圳安智杰科技有限公司 | 一种基于轨迹跟踪的指令变道方法及系统 |
CN116499486A (zh) * | 2023-06-26 | 2023-07-28 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN116499486B (zh) * | 2023-06-26 | 2023-09-22 | 北京理工大学 | 一种复杂越野环境路径规划方法、系统及电子设备 |
CN117944684A (zh) * | 2024-03-26 | 2024-04-30 | 福瑞泰克智能系统有限公司 | 变道轨迹规划方法和装置、存储介质及电子设备 |
CN117944684B (zh) * | 2024-03-26 | 2024-05-31 | 福瑞泰克智能系统有限公司 | 变道轨迹规划方法和装置、存储介质及电子设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113276848B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113276848B (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统 | |
CN111845774B (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN111497826B (zh) | 一种电动汽车横摆稳定性协调控制方法及系统 | |
CN110286681B (zh) | 一种变曲率弯道的动态自动驾驶换道轨迹规划方法 | |
CN106515722B (zh) | 一种垂直泊车轨迹规划方法 | |
CN110568758B (zh) | 一种自动驾驶汽车的参数自适应横向运动lqr控制方法 | |
CN112622903B (zh) | 一种车辆跟随驾驶环境下自主车辆的纵向和横向控制方法 | |
CN110597245A (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
CN111016893B (zh) | 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法 | |
CN109606363B (zh) | 一种多状态反馈的智能汽车可拓车道保持控制方法 | |
CN112068445B (zh) | 自动驾驶车辆路径规划与路径跟踪集成控制方法及系统 | |
CN115257724A (zh) | 一种插电式混动汽车安全节能决策控制方法和系统 | |
CN112578672B (zh) | 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 | |
CN107380162B (zh) | 基于功能分配与多目标模糊决策的协同避撞方法 | |
CN113433942B (zh) | 一种基于最优航向角的长轴车辆路径跟踪控制方法 | |
CN112238856B (zh) | 一种基于混合粒子群算法的智能车超车轨迹优化方法 | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN116048081A (zh) | 一种考虑安全边界约束的自动驾驶车辆决策与规控方法 | |
CN112644488A (zh) | 自适应巡航系统 | |
CN115032999A (zh) | 面向多机器人编队的动态优化队形变换方法 | |
CN114442630A (zh) | 一种基于强化学习和模型预测的智能车规划控制方法 | |
CN113183953B (zh) | 基于分布式驱动底盘的车辆碰后主动安全控制方法及系统 | |
CN116465427B (zh) | 一种基于时空风险量化的智能车辆换道避障路径规划方法 | |
CN109606362A (zh) | 一种基于道路曲率的可拓前馈车道保持控制方法 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20211210 Address after: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant after: JIANGSU University Applicant after: JIANGSU JIAOYANG STEERING TECHNOLOGY CO.,LTD. Address before: Zhenjiang City, Jiangsu Province, 212013 Jingkou District Road No. 301 Applicant before: JIANGSU University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |