CN113419521A - 一种自动驾驶车辆局部避障路径的规划及跟踪方法 - Google Patents
一种自动驾驶车辆局部避障路径的规划及跟踪方法 Download PDFInfo
- Publication number
- CN113419521A CN113419521A CN202010148796.0A CN202010148796A CN113419521A CN 113419521 A CN113419521 A CN 113419521A CN 202010148796 A CN202010148796 A CN 202010148796A CN 113419521 A CN113419521 A CN 113419521A
- Authority
- CN
- China
- Prior art keywords
- path
- vehicle
- obstacle avoidance
- local
- tracking
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000004888 barrier function Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001788 irregular Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明涉及一种自动驾驶车辆局部避障路径的规划及跟踪方法,包括:获取全局参考路径;通过RRT局部路径规划器规划自动驾驶车辆的局部路径;采用拟人化的T‑S模糊路径跟踪策略来平稳有效地跟踪理想的局部避障路径。本发明将车辆动力学模型融入RRT算法中,将拟人化的驾驶员行为动力学模型与模糊算法在路径跟踪控制中的融合,使自动驾驶车辆在高动态路面环境下也能有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性,为自动驾驶车辆未来应用于行人密集的城市道路用车行驶、野外环境工程车辆避障行驶、乃至战地军用车辆规避敌军火力的实际避障行驶的路径规划及跟踪做好理论基础准备。
Description
技术领域
本发明涉及自动驾驶车辆行进技术,具体涉及一种自动驾驶车辆局部避障路径的规划及跟踪方法。
技术背景
自动驾驶车辆的无人驾驶技术,特别是路径规划及路径控制,是智能网联汽车发展的基础和依托,需要在现阶段进行重点攻关和突破。当今的国内外科研工作者已经对静态环境下的路径规划及路径跟踪进行了相对深入的研究,而在复杂动态环境下的局部避障的路径规划及跟踪算法鲜有涉及。
自动驾驶车辆的路径规划法一般分为全局路径规划和局部路径规划,在复杂动态环境下,应选局部路径规划。在传统的局部避障路径规划算法中,首先需要对其环境状态和目标状态进行采样得到轨迹搜索空间,紧接着规划出一系列的可选路径,然后系统再通过路径平滑度、路径耗时或者动力学可实现性等优化目标逐条分析和对比每一个备选路径,从中找出最优路径。如中国专利201910952980.8《无人车混合路径规划算法》所述,这种基于随机搜索思想的路径规划方式可以很好地解决局部最小值的问题,但此方式由于缺乏车辆自身的实时状态反馈量,在实际运用时很可能会出现规划出的理想路径难以被路径控制器追踪或者追踪效果不佳。再者,此方式逐条对比分析比较费时,会消耗占用大量计算资源,实时性得不到有效保证,特别是在动态环境避障情况下,规划的路径无法及时更新致使车辆与移动障碍物发生碰撞。
发明内容
本发明的目的在于提供一种自动驾驶车辆局部避障路径的规划及跟踪方法,使自动驾驶车辆在高动态路面环境下也能有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性。
本发明提供的自动驾驶车辆局部避障的路径规划及跟踪算法,包括如下步骤:
1)获取全局参考路径;
2)通过RRT局部路径规划器规划自动驾驶车辆的局部避障路径,步骤包括:
2.1)通过传感器测得周围的局部环境信息,进行环境构型建模,将周围的局部环境构型空间分为障碍物构型空间和无障碍物构型空间;同时将障碍物构型空间中动态障碍物的不规律运动情况通过给予惩罚因子的形式体现在动态安全走廊范围的计算中;将建立好的动态安全走廊范围作为快速搜索随机树算法RRT的安全走廊边界条件;
2.2)利用RRT算法对已构建的所述局部环境构型空间进行扩展搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选;
2.3)引入B样条曲线函数对随机树节点连线进行路径拟合,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径;
3)通过路径跟踪器跟踪调整所述局部避障路径,步骤包括:
3.1)在上述RRT算法规划出未来一段时间的局部避障路径之后,采用拟人化T-S模糊路径跟踪策略来跟踪理想的局部避障路径;所述拟人化T-S模糊路径跟踪策略通过T-S模糊控制器实现;所述T-S模糊控制器包括移动障碍物视觉预期模块、移动障碍物视觉补偿模块、控制量时间延迟模块;利用非线性微分方程组描述以上三个模块构建拟人驾驶员模型;
3.2)利用拟人驾驶员模型和步骤2.3)已规划的局部避障路径建立路径跟踪的误差系统并将其模型做T-S模糊处理,同时基于T-S模糊控制器中预设的自适应规则,根据周围动态环境情况的变化来实时调节移动障碍物视觉预期模块、移动障碍物视觉补偿模块、控制量时间延迟模块的隶属度函数参数和上下阈值,通过计算输出路径追踪所需的控制补偿量;
4)根据路径跟踪控制器和底层控制量的信息调整自动驾驶车辆的运行,以使自动驾驶车辆有效跟踪理想避障路径。
进一步,所述障碍物构型空间中动态障碍物的因素包括动态障碍物的位置、几何性质、运动趋势。
进一步,在将车辆动力学模型融合在随机树节点的扩展步骤中,加入的车体动力学稳定空间约束条件为多种。
进一步,所述底层控制量包括油门、方向。
进一步,通过GPS获取全局参考路径。
本发明的有益效果如下:
1、巧妙地将车辆动力学模型融入RRT算法中,规划出既符合动态避障条件、又满足车身动力学空间约束的理想局部避障路径,保证了路径的可追踪性。本发明基于车辆动力学模型的局部避障路径规划改进算法研究,算法在保证控制有效性的同时提高算法的实时运算效率,通过将传统开环随机搜索方式转变为闭环搜索模式,并巧妙地将车辆动力学模型融入RRT算法中。首先根据传感器设备(超声波雷达、激光雷达)得到周围环境信息,建立局部环境模型地图,将环境构型空间划分为障碍物空间和无障碍物空间。这里创新性地将障碍物的不规律运动趋势通过给予惩罚因子的形式体现在动态安全走廊范围的计算中,接着再将建立好的动态安全走廊范围作为RRT算法的边界条件。随后利用RRT算法对构型空间进行扩展搜索,巧妙地将车辆动力学模型融合在随机树节点的扩展步骤中,并加入车体的多种动力学约束条件对可用节点进行筛选。接着引入B样条曲线函数对随机树节点连线进行路径拟合,同时将车辆自身状态反馈量带入并考虑车辆侧滑与速度约束限制,最终生成曲率连续的平滑路径。自此规划出既符合动态避障条件、又满足车身动力学空间约束的理想局部避障路径,保证了路径的可追踪性。
2、将拟人化的驾驶员行为动力学模型与模糊算法在路径跟踪控制中的融合,使无人车辆在高动态路面环境下也能有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性。在实际的无人车自动驾驶系统里,理想的速度控制和完全精确的轨型跟踪是不切实际的。在发明中,当未来一段时间的局部避障路径被预测并生成后,采用拟人化的操控模型来实现路径跟踪,利用行为动力学方法描述有经验的驾乘人员的各种驾驶模式的演变和应对不同类型障碍物的驾驶风格的选择。该驾驶员模型利用拟人化行为动力学模型模仿人类司机在追踪路径时的驾驶方式,模拟人类驾驶员对移动障碍物视觉预期机制、移动障碍物视觉补偿机制、以及控制量时间延迟机制。首先利用非线性微分方程组描述驾驶员操作行为作为追踪模型,利用追踪模型和规划的参考轨迹建立路径跟踪的误差系统并将其作T-S模糊模型描述。同时在T-S模糊控制器中设计一套自适应规则,根据周围动态环境情况的变化来实时调节移动障碍物视觉预期模块、移动障碍物视觉补偿模块、以及控制时间延迟模块的隶属度函数具体参数和上下阈值,接着对每个T-S模糊线性子系统单独设计满足控制约束的状态反馈控制器,并在动态平行分配补偿框架下构建全局控制器,然后通过在线计算输出路径追踪所需的补偿控制量,最终使无人车辆在高动态路面环境下也能有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性。
3、提出在复杂动态环境下局部避障和跟踪路径的解决思路。本发明提出一整套动态局部避障路径规划和拟人路径跟踪控制的解决方案,从而为以后行人密集的城市道路乘用车行驶、野外环境工程车辆避障行驶、乃至战地军用车辆规避敌军火力的实际避障路径规划和路径跟踪的应用准备好理论基础。
附图说明
图1为本发明的自动驾驶车辆局部避障路径的规划及跟踪方法流程图。
具体实施方式
以下结合图1和实施例对本发明作进一步说明。
首先通过GPS获得自动驾驶车辆在行驶环境下的全局参考路径,并且车辆的局部地形及动态障碍物信息可以由车载传感器得到。
然后进行环境构建模,将周围的局部环境构型空间分为障碍物构型空间和无障碍物构型空间;同时将障碍物构型空间中动态障碍物的不规律运动情况通过给予惩罚因子的形式体现在动态安全走廊范围的计算中;接着将建立好的动态安全走廊范围作为快速搜索随机树算法RRT的安全走廊边界条件;利用RRT算法对已构建的环境构型空间进行扩展搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选。
接着利用融合了B样条曲线的快速搜索随机树算法进行局部避障路径规划,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径;着重考虑规避移动趋势不明的障碍物对车辆动力学稳定性带来的影响,规划出符合车辆动力学特性的局部避障路径。
然后基于拟人化的驾驶员模型描述驾乘人员应对不同类型障碍物的驾驶风格。行驶中的车辆需要精确地沿着规划好路径前行,但无人车辆的实际控制中存在模型上的诸多非线性及不确定因素,完全精确的轨迹跟踪是不切实际的。因此在路径跟踪控制器中,希望能够建立拟人化的驾驶员操作模型,考虑人类驾驶员对移动障碍物视觉预期、移动障碍物视觉补偿、以及控制量时间延迟等驾驶特性。
本发明的提出的T-S模糊控制器,是在RRT算法预测出未来一段时间的局部避障路径之后,设计出拟人化的T-S模糊路径跟踪策略来平稳有效地跟踪理想的局部避障路径。有经验的人类驾驶员会根据路面环境变化和动态障碍物运动趋势来进行驾驶模式的切换和驾驶风格的选择。该拟人化模糊路径跟踪策略的实质就是一个有经验的人类司机模型,通过非线性微分方程描述驾驶人员的驾驶模型,包括移动障碍物视觉预期模块、移动障碍物视觉补偿模块、以及控制量时间延迟模块。移动障碍物视觉预期模块指的是驾驶员对路径周边远距离障碍物移动趋势的提前判断,如同有经验的司机会预先判断出移动障碍物的运动趋势而提前转向减速。移动障碍物视觉补偿模块指的是驾驶员根据近距离移动障碍物的避障需求,对路径跟踪效果的校正。控制量时间延迟则决定了驾驶人员的行驶风格,有经验的司机会故意产生一定的操作时间延迟,使路径跟踪误差累计到一定程度后再进行转向调整,而不是稍微存在偏差就立刻调整。
T-S模糊控制器首先利用非线性微分方程组描述以上三个模块作为追踪模型,利用追踪模型和已规划的参考轨迹建立路径跟踪的误差系统并将其模型做T-S模糊处理。同时在T-S模糊控制器中设计一套自适应规则,根据周围动态环境情况的变化来实时调节移动障碍物视觉预期模块、移动障碍物视觉补偿模块、以及控制时间延迟模块的隶属度函数具体参数和上下阈值,然后通过计算输出路径追踪所需的控制补偿量,最终使无人车辆有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性。
根据路径跟踪控制器和油门、方向等底层控制量的信息调整自动驾驶车辆的运行,最终使自动驾驶车辆有效跟踪理想避障路径,同时能很好保证车辆的动力学稳定性。
现有技术在局部避障路径规划中,车辆只能搜索到车载传感器所能感知得区域,本发明利用已经规划出的全局路径并结合车载传感器得到的障碍物信息来确定局部避障路径规划空间,避免在无效得空间下得无用的规划,节省实时计算资源。同时,能够将具体得车辆动力学模型融合在局部避障路径规划中,同时考虑到动态障碍物的位置、几何性质、运动趋势等因素,特别是在移动障碍物运动趋势不明的情况下,本发明的算法可以重新规划并更新避障路径时尽量减小对车辆动力学稳定性所带来的影响。
本发明基于上述T-S模糊控制器,设计设计出拟人化的T-S模糊路径跟踪策略来追踪规划好的局部避障路径,使自动驾驶的车辆避障稳定性和路径追踪性能大大提升。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (5)
1.一种自动驾驶车辆局部避障路径的规划及跟踪方法,其特征在于,包括如下步骤:
1)获取全局参考路径;
2)通过RRT局部路径规划器规划自动驾驶车辆的局部避障路径,步骤包括:
2.1)通过传感器测得周围的局部环境信息,进行环境构型建模,将周围的局部环境构型空间分为障碍物构型空间和无障碍物构型空间;同时将障碍物构型空间中动态障碍物的不规律运动情况通过给予惩罚因子的形式体现在动态安全走廊范围的计算中;将建立好的动态安全走廊范围作为快速搜索随机树算法RRT的安全走廊边界条件;
2.2)利用RRT算法对已构建的所述局部环境构型空间进行扩展搜索,将车辆动力学模型融合在随机树节点的扩展步骤中,在节点扩展中加入车体的动力学稳定空间约束条件,对可用节点进行筛选;
2.3)引入B样条曲线函数对随机树节点连线进行路径拟合,同时将自动驾驶车辆自身状态反馈量带入车辆动力学模型,同时考虑车辆侧滑与速度约束限制,生成曲率连续的局部避障的平滑路径;
3)通过路径跟踪器跟踪调整所述局部避障路径,步骤包括:
3.1)在上述RRT算法规划出未来一段时间的局部避障路径之后,采用拟人化T-S模糊路径跟踪策略来跟踪理想的局部避障路径;所述拟人化T-S模糊路径跟踪策略通过T-S模糊控制器实现;所述T-S模糊控制器包括移动障碍物视觉预期模块、移动障碍物视觉补偿模块、控制量时间延迟模块;利用非线性微分方程组描述以上三个模块构建拟人驾驶员模型;
3.2)利用拟人驾驶员模型和步骤2.3)已规划的局部避障路径建立路径跟踪的误差系统并将其模型做T-S模糊处理,同时基于T-S模糊控制器中预设的自适应规则,根据周围动态环境情况的变化来实时调节移动障碍物视觉预期模块、移动障碍物视觉补偿模块、控制量时间延迟模块的隶属度函数参数和上下阈值,通过计算输出路径追踪所需的控制补偿量;
4)根据路径跟踪控制器和底层控制量的信息调整自动驾驶车辆的运行,以使自动驾驶车辆有效跟踪理想避障路径。
2.根据权利要求1所述自动驾驶车辆局部避障路径的规划及跟踪方法,其特征在于,所述障碍物构型空间中动态障碍物的因素包括动态障碍物的位置、几何性质、运动趋势。
3.根据权利要求1所述自动驾驶车辆局部避障路径的规划及跟踪方法,其特征在于,在将车辆动力学模型融合在随机树节点的扩展步骤中,加入的车体动力学稳定空间约束条件为多种。
4.根据权利要求1所述自动驾驶车辆局部避障路径的规划及跟踪方法,其特征在于,所述底层控制量包括油门、方向。
5.根据权利要求1所述自动驾驶车辆局部避障路径的规划及跟踪方法,其特征在于,通过GPS获取全局参考路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148796.0A CN113419521A (zh) | 2020-03-05 | 2020-03-05 | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010148796.0A CN113419521A (zh) | 2020-03-05 | 2020-03-05 | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113419521A true CN113419521A (zh) | 2021-09-21 |
Family
ID=77711582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010148796.0A Pending CN113419521A (zh) | 2020-03-05 | 2020-03-05 | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113419521A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185352A (zh) * | 2021-12-08 | 2022-03-15 | 东风悦享科技有限公司 | 一种高精度高实时的自动驾驶局部路径规划方法 |
CN114415694A (zh) * | 2022-03-28 | 2022-04-29 | 北京理工大学 | 一种面向自动驾驶车辆的实时轨迹规划方法及系统 |
CN118192615A (zh) * | 2024-05-16 | 2024-06-14 | 江苏三铭智达科技有限公司 | 一种机器人路径控制方法及系统 |
-
2020
- 2020-03-05 CN CN202010148796.0A patent/CN113419521A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114185352A (zh) * | 2021-12-08 | 2022-03-15 | 东风悦享科技有限公司 | 一种高精度高实时的自动驾驶局部路径规划方法 |
CN114185352B (zh) * | 2021-12-08 | 2024-01-19 | 东风悦享科技有限公司 | 一种高精度高实时的自动驾驶局部路径规划方法 |
CN114415694A (zh) * | 2022-03-28 | 2022-04-29 | 北京理工大学 | 一种面向自动驾驶车辆的实时轨迹规划方法及系统 |
CN118192615A (zh) * | 2024-05-16 | 2024-06-14 | 江苏三铭智达科技有限公司 | 一种机器人路径控制方法及系统 |
CN118192615B (zh) * | 2024-05-16 | 2024-09-06 | 江苏三铭智达科技有限公司 | 一种机器人路径控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375632B (zh) | 自动驾驶车辆实时轨迹规划方法 | |
Liu et al. | A systematic survey of control techniques and applications in connected and automated vehicles | |
Li et al. | Real-time trajectory planning for autonomous urban driving: Framework, algorithms, and verifications | |
Gao et al. | Robust lateral trajectory following control of unmanned vehicle based on model predictive control | |
Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
CN113419521A (zh) | 一种自动驾驶车辆局部避障路径的规划及跟踪方法 | |
CN106371439B (zh) | 一种统一的自动驾驶横向规划方法与系统 | |
CN114564016A (zh) | 一种结合路径规划和强化学习的导航避障控制方法、系统及模型 | |
Jiang et al. | Obstacle avoidance of autonomous vehicles with CQP-based model predictive control | |
CN112947406A (zh) | 一种基于FLOYD和Astar的混合路径规划方法 | |
Sun et al. | An active safety control method of collision avoidance for intelligent connected vehicle based on driving risk perception | |
Qie et al. | An improved model predictive control-based trajectory planning method for automated driving vehicles under uncertainty environments | |
CN116795108B (zh) | 基于多源感知信号的智能无人车配送方法 | |
CN114815853B (zh) | 一种考虑路面障碍特征的路径规划方法和系统 | |
Gritschneder et al. | Adaptive learning based on guided exploration for decision making at roundabouts | |
Gao et al. | Cloud model approach for lateral control of intelligent vehicle systems | |
Jiang et al. | A dynamic motion planning framework for autonomous driving in urban environments | |
Berntorp et al. | Motion planning of autonomous road vehicles by particle filtering: Implementation and validation | |
Xiong et al. | Surrounding vehicle trajectory prediction and dynamic speed planning for autonomous vehicle in cut-in scenarios | |
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 | |
Zhou et al. | Optimization of autonomous driving state control of low energy consumption pure electric agricultural vehicles based on environmental friendliness | |
Duan et al. | Implementing trajectory tracking control algorithm for autonomous vehicles | |
Liu et al. | Spatiotemporal Trajectory Planning for Autonomous Vehicle based on Reachable Set and Iterative LQR | |
CN116700246A (zh) | 一种矿区环境下的无人车导航及避障方法 | |
Nilsson et al. | Automated highway lane changes of long vehicle combinations: A specific comparison between driver model based control and non-linear model predictive control |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210921 |