CN113903167B - 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法 - Google Patents

一种无人驾驶车辆队列的轨迹规划方法及跟踪方法 Download PDF

Info

Publication number
CN113903167B
CN113903167B CN202111065453.9A CN202111065453A CN113903167B CN 113903167 B CN113903167 B CN 113903167B CN 202111065453 A CN202111065453 A CN 202111065453A CN 113903167 B CN113903167 B CN 113903167B
Authority
CN
China
Prior art keywords
road condition
car
node
unmanned vehicle
track
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
CN202111065453.9A
Other languages
English (en)
Other versions
CN113903167A (zh
Inventor
刘晓明
潘振华
舒领
夏元清
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202111065453.9A priority Critical patent/CN113903167B/zh
Publication of CN113903167A publication Critical patent/CN113903167A/zh
Application granted granted Critical
Publication of CN113903167B publication Critical patent/CN113903167B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions
    • G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096833—Systems involving transmission of navigation instructions to the vehicle where different aspects are considered when computing the route
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/20—Monitoring the location of vehicles belonging to a group, e.g. fleet of vehicles, countable or determined number of vehicles
    • G08G1/205—Indicating the location of the monitored vehicles as destination, e.g. accidents, stolen, rental
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人驾驶车辆队列的轨迹规划方法及跟踪方法，包括以下步骤：步骤S1、利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹；步骤S2、利用CNN‑LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测，并基于路径轨迹的路况属性进行路径轨迹的在线修正。本发明实现随不可通行的路径轨迹的更新，使得无人驾驶车辆队列能够避开不可通行车行路段且能够通畅行驶最终准确到达目标地，避免无人驾驶车辆队列导致不可通行的车行路段更为拥堵，提高无人驾驶车辆队列行驶的安全性和通畅性。

Description

一种无人驾驶车辆队列的轨迹规划方法及跟踪方法
技术领域
本发明涉及无人驾驶技术领域，具体涉及一种无人驾驶车辆队列的轨迹规划方法及跟踪方法。
背景技术
随着计算机技术的发展与信息化时代的进步，现代汽车行业正在朝着智能化方向发展，无人驾驶就是汽车智能化发展方向最重要的表现形式。作为信息科学和现代控制技术高度发展的产物，无人驾驶技术在运输、消防、军事、民用等许多领域都有着广阔的应用前景，是衡量一个国家科学技术和工业能力的重要标志。
无人驾驶技术中重要的技术点包括轨迹规划和轨迹跟踪，能够实现无人驾驶车辆从起始地准确到达目标地，现有技术中多涉及如何对一个车辆进行轨迹规划和轨迹的跟踪，也获得不错的研究成果，但是现有技术只能实现单个无人驾驶车辆的轨迹规划和轨迹跟踪，无法实现呈队列排布的无人驾驶车辆队列的轨迹规划和轨迹跟踪。
发明内容
本发明的目的在于提供一种无人驾驶车辆队列的轨迹规划方法及跟踪方法，以解决现有技术中只能实现单个无人驾驶车辆的轨迹规划和轨迹跟踪，无法实现呈队列排布的无人驾驶车辆队列的轨迹规划和轨迹跟踪的技术问题。
为解决上述技术问题，本发明具体提供下述技术方案：
一种无人驾驶车辆队列的轨迹规划方法，包括以下步骤：
步骤S1、无人驾驶车辆队列的行驶处理器利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，其中，所述无人驾驶车辆队列为多个无人驾驶车辆按照所述路径轨迹顺序排列构成的行驶队列；
步骤S2、无人驾驶车辆队列的行驶处理器利用CNN-LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测，并在无人驾驶车辆队列行驶过程中基于路径轨迹的路况属性进行路径轨迹的在线修正，以使得所述无人驾驶车辆队列从起始地行驶到目标地保持最高顺畅度。
作为本发明的一种优选方案，所述步骤S1中，所述路径轨迹的规划方法：
将所述起始地到目标地的车行路段拓扑量化为全路径轨迹拓扑，其中，将车行路段拓扑的车行路段量化为全路径轨迹拓扑的路径节点，将所述车行路段间的连接关系量化为对应路径节点间的连接边关系，以及将车行路段的行驶代价量化为路径节点的权重；
利用A*算法在全路径轨迹网络基于行驶代价最小原则进行节点搜索得到无人驾驶车辆从起始地到目标地的行驶代价最小的所有路径节点构成的路径作为所述路径轨迹{Ri|i∈[1,n]}，其中，所述路径轨迹上的路径节点作为轨迹节点，Ri为第i个轨迹节点，n为轨迹节点总数，i为计量常数，无实质含义。
作为本发明的一种优选方案，所述CNN-LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测的方法包括：
获取无人驾驶车辆队列在所述路径轨迹上所处的轨迹节点Ri，在所述路径轨迹上标记出位于所述轨迹节点Ri前进方向上的轨迹节点Ri+1作为所述轨迹节点Ri的前行节点Ri+1，在所述全路径轨迹网络中标记出所有与轨迹节点Ri具有连接边关系且与前行节点Ri+1不重合的路径节点作为所述轨迹节点Ri的候选节点
Figure BDA0003253602790000021
其中，m为候选节点总数，
Figure BDA0003253602790000022
为第j个候选节点，i、j为计量常数，无实质含义；
对所述候选节点
Figure BDA0003253602790000023
和前行节点Ri+1所对应的车行路段进行路况预测获得每个候选节点
Figure BDA0003253602790000024
和前行节点Ri+1的路况属性，并依据所述前行节点Ri+1的路况属性进行轨迹实时更新，其中，
若前行节点Ri+1的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点
Figure BDA0003253602790000025
到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点
Figure BDA0003253602790000026
替换前行节点Ri+1，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；
若前行节点Ri+1的路况属性为适宜通行，则前行节点Ri+1保持不变，无人驾驶车辆队列到达目标地的路径轨迹保持不变。
作为本发明的一种优选方案，所述车行路段进行路况预测的方法包括：
将车行路段的路况图像时序序列中每个时序序列上的路况图像以及路况图像表征的路况属性均量化为一个路况样本，将路况图像的时序序列保留为对应路况样本的时序属性，将所述路况图像表征的路况属性设置为路况样本的标签属性，并将所有路况样本按时序属性进行顺序排列构成路况时序样本，所述路况时序样本为{(xt,labelt)|t∈[1,T_end]}，其中，xt为路况图像时序序列中第t个时序序列的路况图像，labelt为第t个时序序列的路况图像的路况属性标签，且为车行路段在第t个时序序列上的路况属性，T_end为路况图像时序序列的时序序列总数，且为路况时序样本的时序总数，t为计量常数，无实质意义；
将所述路况时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到路况预测模型。
作为本发明的一种优选方案，将所述路况时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括：
将所述路况时序样本中的xt输入CNN卷积神经网络进行图像特征提取，输出图像特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.35；
将所述图像特征序列输入值LSTM长短期记忆网络中进行路况预测训练，输出车行路段在未来时序的路况属性，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层time step设定为图像特征序列的特征类别数目，训练方式设置为seq2seq的反向传递方式，所述LSTM长短期记忆网络的误差设定为
Figure BDA0003253602790000031
其中，T_end为路况图像时序序列的时序序列总数，labelt为车行路段在第t个时序序列的路况属性，outt为车行路段在第t个时序序列的路况预测属性。
作为本发明的一种优选方案，所述CNN-LSTM混合神经网络的输入为前行节点Ri+1和候选节点
Figure BDA0003253602790000041
对应的车行路段的路况图像时序序列{(xt,labelt)|t∈[1,T_end]}，输出为前行节点Ri+1和候选节点
Figure BDA0003253602790000042
的车行路段在未来时序的路况预测属性labelT_end+1，其中，时序序列T_end+1与时序序列T_end相差的时长与无人驾驶车辆队列由轨迹节点Ri对应的车行路段行驶到前行节点Ri+1和候选节点
Figure BDA0003253602790000043
对应的车行路段上所花费的时间，i、j、t为计量常数，无实质含义。
作为本发明的一种优选方案，所述路况时序样本输入CNN卷积神经网络之前还需要将路况时序样本量化RGB三通道的图向量形式。
作为本发明的一种优选方案，本发明提供了一种根据所述的无人驾驶车辆队列的轨迹规划方法的轨迹跟踪方法，包括以下步骤：
为无人驾驶车辆队列{car1,car2,car3,…,carn_end}中所有无人驾驶车辆设定统一行使速度，并为无人驾驶车辆队列中前后相邻的两无人驾驶车辆设定统一安全行驶距离；
依据无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1进行运动学建模得到队列运动学模型，并依据所述轨迹规划方法得到起始地到目标地的路径轨迹；
基于队列运动学模型和路径轨迹，利用所述MPC模型预测控制方法实时求得所述无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action；
统计无人驾驶车辆队列{car1,car2,car3,…,carn_end}中各个无人驾驶车辆{car2,car3,…,carn_end}比无人驾驶车辆队列队头处的无人驾驶车辆car1滞后的时序{ΔT2,ΔT3,…,ΔTn_end}，将所述无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action的时序加上所述滞后的时序得到各个无人驾驶车辆{car2,car3,…,carn_end}的轨迹跟踪控制方案
Figure BDA0003253602790000044
实现无人驾驶车辆队列中所有无人驾驶车辆精准沿路径轨迹上进行统一形态行驶；
其中，carn_end为无人驾驶车辆队列中队列序数为n_end的无人驾驶车辆，n_end为无人驾驶车辆队列中无人驾驶车辆的队列序数总数，ΔTn_end为无人驾驶车辆队列中无人驾驶车辆carn_end滞后的时序，Ft_Action为时序t_Action时无人驾驶车辆car1的轨迹跟踪控制操作方案，
Figure BDA0003253602790000051
为时序(t_Action+ΔTn_end)时无人驾驶车辆carn_end的轨迹跟踪控制操作方案。
作为本发明的一种优选方案，所述滞后的时序的计算公式为：
Figure BDA0003253602790000052
其中，y∈[1,n_end]，y为无人驾驶车辆的队列序数，Δd为安全行驶距离，v为行驶速度。
本发明与现有技术相比较具有如下有益效果：
本发明利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，实时获取无人驾驶车辆队列上在路径轨迹的轨迹节点，对轨迹节点的前行节点和候选节点进行路况分析，在前行节点不可通行的情况下选取行驶代价最小的可通行候选节点对前行节点进行更新，从而实现随不可通行的路径轨迹的更新，使得无人驾驶车辆队列能够避开不可通行车行路段且能够通畅行驶最终准确到达目标地，避免无人驾驶车辆队列导致不可通行的车行路段更为拥堵，提高无人驾驶车辆队列行驶的安全性和通畅性，而且在实现无人驾驶车辆队列对路径轨迹跟踪的过程中，仅使用无人驾驶车辆队列队头车辆进行轨迹跟踪控制，剩余无人驾驶车辆根据与无人驾驶车辆队列队头车辆之间滞后的时序，从而直接将无人驾驶车辆队列队头车辆进行跟踪控制延时响应的滞后时序即可得到剩余无人驾驶车辆的轨迹跟踪控制。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述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示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
图1为本发明实施例提供的无人驾驶车辆队列的轨迹规划方法流程图；
图2为本发明实施例提供的起始地到目标地的全路径轨迹拓扑结构示意图；
图3为本发明实施例提供的无人驾驶车辆队列的轨迹跟踪方法流程图。
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。
如图1所示，本发明提供了一种无人驾驶车辆队列的轨迹规划方法，包括以下步骤：
单个无人驾驶车辆的轨迹规划，主要的考虑因素为单个无人驾驶车辆的行驶代价，因此在已规划好的轨迹上行驶的过程中，遇到堵车路段时可考虑停留在堵车路段上等待堵车路段的疏通，然后再沿已规划好的轨迹持续行驶，直至到达目标地，但是对于由多个无人驾驶车辆的呈队列排布的无人驾驶车辆队列而言，除了在初始规划时需要考虑行驶代价，还需要在行驶过程中实时考虑车行路段的路况属性，避开不适宜通行的车行路段(比如堵车)，因为在堵车的车行路段上采用停留等待路段疏通，会是多个无人驾驶车辆的代价叠加，还会由于多个无人驾驶车辆呈队列形式停留导致堵车的车行路段更为拥堵，因此本实施例提供了一种用于无人驾驶车辆队列的轨迹规划方法，实现无人驾驶车辆队列的顺畅通行。
步骤S1、步骤S1、无人驾驶车辆队列的行驶处理器利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，其中，无人驾驶车辆队列为多个无人驾驶车辆按照路径轨迹顺序排列构成的行驶队列；
步骤S1中，路径轨迹的规划方法：
利用A*算法在全路径轨迹网络基于行驶代价最小原则进行节点搜索得到无人驾驶车辆从起始地到目标地的行驶代价最小的所有路径节点构成的路径作为路径轨迹{Ri|i∈[1,n]}，其中，路径轨迹上的路径节点作为轨迹节点，Ri为第i个轨迹节点，n为轨迹节点总数，i为计量常数，无实质含义。
在无人驾驶车辆队列开始从起始地出发行驶之前，需要先设定一个使得无人驾驶车辆队列从起始地正确行驶到目标地的初始的路径轨迹，初始的路径轨迹是利用A*算法本着行驶代价最小原则，其中A*算法具有省略大量无效的搜索，提高了效率的优势。
若初始的路径轨迹在无人驾驶车辆行驶过程中均处于正常且通畅的路况，则无人驾驶车辆队列可沿初始的路径轨迹由起始地行驶到目标地，若初始的路径轨迹在无人驾驶车辆行驶过程中存在异常且拥堵的路况下，则无人驾驶车辆队列无法沿初始的路径轨迹由起始地行驶到目标地，需要基于无人驾驶车辆队列通畅行驶的原则重新在无人驾驶车辆队列所处的位置与目标地之间重新规划路径轨迹，用于更新初始的路径轨迹，为无人驾驶车辆队列提供一个可通畅行驶的路径轨迹，因此本实施例提供了一种根据路径轨迹的路况属性进行轨迹更新的方法，具体如下：
步骤S2、无人驾驶车辆队列的行驶处理器利用CNN-LSTM混合神经网络对路径轨迹的路况属性进行实时预测，并在无人驾驶车辆队列行驶过程中基于路径轨迹的路况属性进行路径轨迹的在线修正，以使得无人驾驶车辆队列从起始地行驶到目标地保持最高顺畅度；
CNN-LSTM混合神经网络对路径轨迹的路况属性进行实时预测的方法包括：
获取无人驾驶车辆队列在路径轨迹上所处的轨迹节点Ri，在路径轨迹上标记出位于轨迹节点Ri前进方向上的轨迹节点Ri+1作为轨迹节点Ri的前行节点Ri+1，在全路径轨迹网络中标记出所有与轨迹节点Ri具有连接边关系且与前行节点Ri+1不重合的路径节点作为轨迹节点Ri的候选节点
Figure BDA0003253602790000071
其中，m为候选节点总数，
Figure BDA0003253602790000072
为第j个候选节点，i、j为计量常数，无实质含义；
为了保障车行路段路况预测的时效性，只对无人驾驶车辆队列在路径轨迹上的下一行驶阶段所处的轨迹节点对应的车行路段进行路况监测，即无人驾驶车辆队列当前行驶阶段所处的轨迹节点Ri，进行轨迹节点Ri+1的路况监测，同时也需要对候选节点
Figure BDA0003253602790000081
进行路况监测，候选节点是指除了轨迹节点Ri+1之外，无人驾驶车辆队列能从轨迹节点Ri行驶到的路径节点。
对候选节点
Figure BDA0003253602790000082
和前行节点Ri+1所对应的车行路段进行路况预测获得每个候选节点
Figure BDA0003253602790000083
和前行节点Ri+1的路况属性，并依据前行节点Ri+1的路况属性进行轨迹实时更新，其中，
若前行节点Ri+1的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点
Figure BDA0003253602790000084
到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点
Figure BDA0003253602790000085
替换前行节点Ri+1，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；
若前行节点Ri+1的路况属性为适宜通行，则前行节点Ri+1保持不变，无人驾驶车辆队列到达目标地的路径轨迹保持不变。
上述步骤可以有效的规避不适宜通行的车行路段，规划出一个实时保障无人驾驶车辆队列顺畅通行的路径轨迹，实现路径轨迹的实时更新，避免路径轨迹固定导致无人驾驶车辆队列的行驶代价增加，以及避免行驶到不适宜通行车行路段导致拥堵路况更加拥堵。
车行路段进行路况预测的方法包括：
将车行路段的路况图像时序序列中每个时序序列上的路况图像以及路况图像表征的路况属性均量化为一个路况样本，将路况图像的时序序列保留为对应路况样本的时序属性，将路况图像表征的路况属性设置为路况样本的标签属性，并将所有路况样本按时序属性进行顺序排列构成路况时序样本，路况时序样本为{(xt,labelt)|t∈[1,T_end]}，其中，xt为路况图像时序序列中第t个时序序列的路况图像，labelt为第t个时序序列的路况图像的路况属性标签，且为车行路段在第t个时序序列上的路况属性，T_end为路况图像时序序列的时序序列总数，且为路况时序样本的时序总数，t为计量常数，无实质意义；
将路况时序样本运用至CNN-LSTM混合神经网络中进行模型训练得到路况预测模型。
车行路段的路况图像中包含着车行路段的路况特征，因此可通过模型分析车行路段的路况图像时序序列(车行路段的一段连续时序的路况图像)的路况发展趋势，并预测出车行路段在未来时序的路况属性。
将路况时序样本运用至CNN-LSTM混合神经网络中进行模型训练的方法包括：
将路况时序样本中的xt输入CNN卷积神经网络进行图像特征提取，输出图像特征序列，其中，CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.35；
利用CNN卷积神经网络实现对路况时序样本进行图像特征的提取，并输出作为LSTM长短期记忆网络输入的具有时序依赖属性的图像特征序列，可便于LSTM长短期记忆网络挖掘出各时序上图像特征之间的关联属性，映射到车行路段上，表示为挖掘出车行路段在一段时序序列的路况图像之间的关联属性，从而可实现输入车行路段的路况图像时序序列{(xt,labelt)|t∈[1,T_end]}，得到车行路段在时序T_end+1的路况属性labelT_end+1，从而实现对车行路段在未来时序的路况属性的预测功能。
将图像特征序列输入值LSTM长短期记忆网络中进行路况预测训练，输出车行路段在未来时序的路况属性，其中，LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数目，训练方式设置为seq2seq的反向传递方式，LSTM长短期记忆网络的误差设定为
Figure BDA0003253602790000091
其中，T_end为路况图像时序序列的时序序列总数，labelt为车行路段在第t个时序序列的路况属性，outt为车行路段在第t个时序序列的路况预测属性。
还可在LSTM长短期记忆网络中引入Attention机制，可以将输入图像特征序列中重要特征的作用进行放大，以提高LSTM长短期记忆网络预测路况属性的可扩展性和准确性。
CNN-LSTM混合神经网络的输入为前行节点Ri+1和候选节点
Figure BDA0003253602790000092
Figure BDA0003253602790000093
对应的车行路段的路况图像时序序列{(xt,labelt)|t∈[1,T_end]}，输出为前行节点Ri+1和候选节点
Figure BDA0003253602790000101
的车行路段在未来时序的路况预测属性labelT_end+1，其中，时序序列T_end+1与时序序列T_end相差的时长与无人驾驶车辆队列由轨迹节点Ri对应的车行路段行驶到前行节点Ri+1和候选节点
Figure BDA0003253602790000102
对应的车行路段上所花费的时间，可实现无人驾驶车辆队列在时序序列T_end时处于轨迹节点Ri，预测得到时序序列T_end+1时前行节点Ri+1和候选节点
Figure BDA0003253602790000103
对应的车行路段的路况属性，而无人驾驶车辆队列在轨迹节点Ri对应的车行路段经过一个时序序列可到达前行节点Ri+1和候选节点
Figure BDA0003253602790000104
对应的车行路段，实现了空间和时间的匹配，即无人驾驶车辆队列预测到的下一时序的车行路段的路况属性恰好是无人驾驶车辆队列行驶到的下一行驶阶段的新的前行节点Ri+1′处的路况属性，其中新的前行节点Ri+1′是由前行节点Ri+1和候选节点
Figure BDA0003253602790000105
的路况属性选取而得，前行节点Ri+1的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点
Figure BDA0003253602790000106
到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点
Figure BDA0003253602790000107
替换前行节点Ri+1得到Ri+1′，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；
若前行节点Ri+1的路况属性为适宜通行，则前行节点Ri+1保持不变作为Ri+1′，无人驾驶车辆队列到达目标地的路径轨迹保持不变。
如图2所示，从起始地到目标地的路径轨迹分别为L1＝{V1，V3，V4}，L2＝{V1，V5，V4}，L3＝{V1，V6，V5，V4}，以及L4＝{V1，V6，V4}这三条，轨迹节点V1，V3，V4，V5，V6的权重分别为q1＝10，q3＝50，q4＝20，q5＝60，q6＝100(对应的车行路段的行驶代价)，分别计算路径轨迹L1、L2、L3和L3的行驶代价为q1+q3+q4＝80，q1+q5+q4＝60，q1+q6+q5+q4＝190，q1+q6+q4＝130，基于最小行驶代价原则初始规划的路径轨迹为L2，在无人驾驶车辆队列行驶在轨迹节点V1处时，开始预测无人驾驶车辆队列在L2上位于轨迹节点V1前行方向上的轨迹节点V5(本实施例中的前行节点)，即无人驾驶车辆队列依照路径轨迹L2继续前行在下一行驶阶段(或下一时序)即将处于的轨迹节点，而路径节点V6和V3(本实施例中的候选节点)是在轨迹节点V5出现不适通行的路况下在下一行驶阶段(或下一时序)可选用的备用路径节点，可便于无人驾驶车辆队列能够继续顺畅行驶，而不会导致行至轨迹节点V5造成停留时间代价上升以及导致轨迹节点V5更为拥堵，甚至阻挡救援车辆的通行，安全代价上升。
需要路径节点V6和V3、轨迹节点V5所对应的车行路段进行路况属性预测，即路径节点V6和V3、轨迹节点V5的在路况图像时序序列输入CNN-LSTM混合神经网络中，输出无人驾驶车辆队列在下一行驶阶段(或下一时序T_end+1)可行驶到的路径节点V6和V3、轨迹节点V5的路况属性，第一种：若轨迹节点V5不适应通行，路径节点V6和V3适宜通行，则根据无人驾驶车辆队列当前处于的轨迹节点V1，重新规划轨迹节点V1到目标地的路径轨迹，依据行驶代价最小原则，轨迹节点V1到目标地的路径轨迹由原来的路径轨迹L2变为新的路径轨迹L1，路径节点V3作为新的前行节点，替换之前路径轨迹L2的轨迹节点V5，第二种：若轨迹节点V5不适宜通行，路径节点V6不适宜通行和路径节点V3适宜通行，则只能选择L1作为新的路径轨迹，路径节点V3作为新的前行节点；第三种：若轨迹节点V5不适宜通行，路径节点V6和V3不适宜通行，则路径节点V6和V3、轨迹节点V5所对应的车行路段进行下两个行驶阶段(或下两个时序T_end+2)的路况属性预测，从而判定出轨迹节点V5，路径节点V6和V3哪个最早适宜通行，并选择最早适宜通行节点作为前行节点，即若轨迹节点V5或路径节点V6或V3最早适宜通行，则选择轨迹节点V5或路径节点V6或V3作为前行节点，若路径节点V6和V3同时适宜通行，则以最小行驶代价为原则选择路径节点V3作为新的前行节点，若路径节点V5和V3(或V6)同时适宜通行，则以最小行驶代价为原则选择路径节点V5作为前行节点，若路径节点V5和V3和V6同时适宜通行，则以最小行驶代价为原则选择路径节点V5作为前行节点；第四种：若轨迹节点V5不适宜通行，路径节点V3不适宜通行和路径节点V6适宜通行，则基于行驶代价最小原则选择L4作为新的路径轨迹，路径节点V6作为新的前行节点，当无人驾驶车辆队列行驶到L4上的轨迹节点V6处时，分别预测L4上轨迹节点V4(前行节点)和路径节点V5(候选节点)的路况属性，具体步骤如上，在此就不进行赘述。
路况时序样本输入CNN卷积神经网络之前还需要将路况时序样本量化RGB三通道的图向量形式。
如图3所示，基于上述无人驾驶车辆队列的轨迹规划方法，本发明提供了一种轨迹跟踪方法，包括以下步骤：
无人驾驶车辆队列为多个无人驾驶车辆呈前后顺序排列构成的直线队列，为所有无人驾驶车辆设定统一的行驶速度，可保证所有无人驾驶车辆处于匀速行驶，由于前后相邻的两无人驾驶车辆设定统一安全行驶距离，则前后相邻的两无人驾驶车辆具有滞后的时序(安全行驶距离/匀速行驶)，即位于前面的无人驾驶车辆经过甲点后，相邻后车面的无人驾驶车辆经过滞后的时序后也经过甲点，因此只需要将无人驾驶车辆队列队头的无人驾驶车辆作为队列中所有无人驾驶车辆的代表利用MPC模型预测控制方法进行轨迹跟踪，无人驾驶车辆队列除队头的无人驾驶车辆之外的无人驾驶车辆只需计算与队头的无人驾驶车辆间滞后的时序，从而将队头的无人驾驶车辆的轨迹跟踪控制方案延迟滞后的时序后得到剩余无人驾驶车辆的轨迹跟踪控制方案，全过程只需要进行时序的延迟，而无需对每个无人驾驶车辆利用MPC模型预测控制方法进行轨迹跟踪，数据处理量较小，轨迹跟踪效率提高。
为无人驾驶车辆队列{car1,car2,car3,…,carn_end}中所有无人驾驶车辆设定统一行使速度，并为无人驾驶车辆队列中前后相邻的两无人驾驶车辆设定统一安全行驶距离；
依据无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1进行运动学建模得到队列运动学模型，并依据轨迹规划方法得到起始地到目标地的路径轨迹；
基于队列运动学模型和路径轨迹，利用MPC模型预测控制方法实时求得无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action；
统计无人驾驶车辆队列{car1,car2,car3,…,carn_end}中各个无人驾驶车辆{car2,car3,…,carn_end}比无人驾驶车辆队列队头处的无人驾驶车辆car1滞后的时序{ΔT2,ΔT3,…,ΔTn_end}，将无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action的时序加上滞后的时序得到各个无人驾驶车辆{car2,car3,…,carn_end}的轨迹跟踪控制方案
Figure BDA0003253602790000131
实现无人驾驶车辆队列中所有无人驾驶车辆精准沿路径轨迹上进行统一形态行驶；
其中，carn_end为无人驾驶车辆队列中队列序数为n_end的无人驾驶车辆，n_end为无人驾驶车辆队列中无人驾驶车辆的队列序数总数，ΔTn_end为无人驾驶车辆队列中无人驾驶车辆carn_end滞后的时序，Ft_Action为时序t_Action时无人驾驶车辆car1的轨迹跟踪控制操作方案，
Figure BDA0003253602790000132
为时序(t_Action+ΔTn_end)时无人驾驶车辆carn_end的轨迹跟踪控制操作方案。
滞后的时序的计算公式为：
Figure BDA0003253602790000133
其中，y∈[1,n_end]，y为无人驾驶车辆的队列序数，Δd为安全行驶距离，v为行驶速度。
本发明利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，实时获取无人驾驶车辆队列上在路径轨迹的轨迹节点，对轨迹节点的前行节点和候选节点进行路况分析，在前行节点不可通行的情况下选取行驶代价最小的可通行候选节点对前行节点进行更新，从而实现随不可通行的路径轨迹的更新，使得无人驾驶车辆队列能够避开不可通行车行路段且能够通畅行驶最终准确到达目标地，避免无人驾驶车辆队列导致不可通行的车行路段更为拥堵，提高无人驾驶车辆队列行驶的安全性和通畅性，而且在实现无人驾驶车辆队列对路径轨迹跟踪的过程中，仅使用无人驾驶车辆队列队头车辆进行轨迹跟踪控制，剩余无人驾驶车辆根据与无人驾驶车辆队列队头车辆之间滞后的时序，从而直接将无人驾驶车辆队列队头车辆进行跟踪控制延时响应的滞后时序即可得到剩余无人驾驶车辆的轨迹跟踪控制。
以上实施例仅为本申请的示例性实施例，不用于限制本申请，本申请的保护范围由权利要求书限定。本领域技术人员可以在本申请的实质和保护范围内，对本申请做出各种修改或等同替换，这种修改或等同替换也应视为落在本申请的保护范围内。

Claims (7)

1.一种无人驾驶车辆队列的轨迹规划方法，其特征在于，包括以下步骤：
步骤S1、无人驾驶车辆队列的行驶处理器利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，其中，所述无人驾驶车辆队列为多个无人驾驶车辆按照所述路径轨迹顺序排列构成的行驶队列；
步骤S2、无人驾驶车辆队列的行驶处理器利用CNN-LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测，并在无人驾驶车辆队列行驶过程中基于路径轨迹的路况属性进行路径轨迹的在线修正，以使得所述无人驾驶车辆队列从起始地行驶到目标地保持最高顺畅度；
所述路径轨迹的规划方法：
将所述起始地到目标地的车行路段拓扑量化为全路径轨迹拓扑，其中，将车行路段拓扑的车行路段量化为全路径轨迹拓扑的路径节点，将所述车行路段间的连接关系量化为对应路径节点间的连接边关系，以及将车行路段的行驶代价量化为路径节点的权重；
利用A*算法在全路径轨迹网络基于行驶代价最小原则进行节点搜索得到无人驾驶车辆从起始地到目标地的行驶代价最小的所有路径节点构成的路径作为所述路径轨迹{Ri|i∈[1,n]}，其中，所述路径轨迹上的路径节点作为轨迹节点，Ri为第i个轨迹节点，n为轨迹节点总数，i为计量常数，无实质含义；
所述CNN-LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测的方法包括：
获取无人驾驶车辆队列在所述路径轨迹上所处的轨迹节点Ri，在所述路径轨迹上标记出位于所述轨迹节点Ri前进方向上的轨迹节点Ri+1作为所述轨迹节点Ri的前行节点Ri+1，在所述全路径轨迹网络中标记出所有与轨迹节点Ri具有连接边关系且与前行节点Ri+1不重合的路径节点作为所述轨迹节点Ri的候选节点
Figure FDA0003719522120000011
其中，m为候选节点总数，
Figure FDA0003719522120000012
为第j个候选节点，i、j为计量常数，无实质含义；
对所述候选节点
Figure FDA0003719522120000013
和前行节点Ri+1所对应的车行路段进行路况预测获得每个候选节点
Figure FDA0003719522120000021
和前行节点Ri+1的路况属性，并依据所述前行节点Ri+1的路况属性进行轨迹实时更新，其中，
若前行节点Ri+1的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点
Figure FDA0003719522120000022
到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点
Figure FDA0003719522120000023
替换前行节点Ri+1，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；
若前行节点Ri+1的路况属性为适宜通行，则前行节点Ri+1保持不变，无人驾驶车辆队列到达目标地的路径轨迹保持不变。
2.根据权利要求1所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：所述车行路段进行路况预测的方法包括：
将车行路段的路况图像时序序列中每个时序序列上的路况图像以及路况图像表征的路况属性均量化为一个路况样本，将路况图像的时序序列保留为对应路况样本的时序属性，将所述路况图像表征的路况属性设置为路况样本的标签属性，并将所有路况样本按时序属性进行顺序排列构成路况时序样本，所述路况时序样本为{(xt,labelt)|t∈[1,T_end]}，其中，xt为路况图像时序序列中第t个时序序列的路况图像，labelt为第t个时序序列的路况图像的路况属性标签，且为车行路段在第t个时序序列上的路况属性，T_end为路况图像时序序列的时序序列总数，且为路况时序样本的时序总数，t为计量常数，无实质意义；
将所述路况时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练得到路况预测模型。
3.根据权利要求2所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：将所述路况时序样本运用至所述CNN-LSTM混合神经网络中进行模型训练的方法包括：
将所述路况时序样本中的xt输入CNN卷积神经网络进行图像特征提取，输出图像特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max-poling模式，dropout概率设定为0.35；
将所述图像特征序列输入值LSTM长短期记忆网络中进行路况预测训练，输出车行路段在未来时序的路况属性，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层timestep设定为图像特征序列的特征类别数目，训练方式设置为seq2seq的反向传递方式，所述LSTM长短期记忆网络的误差设定为
Figure FDA0003719522120000031
其中，T_end为路况图像时序序列的时序序列总数，labelt为车行路段在第t个时序序列的路况属性，outt为车行路段在第t个时序序列的路况预测属性。
4.根据权利要求3所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：所述CNN-LSTM混合神经网络的输入为前行节点Ri+1和候选节点
Figure FDA0003719522120000032
对应的车行路段的路况图像时序序列{(xt,labelt)|t∈[1,T_end]}，输出为前行节点Ri+1和候选节点
Figure FDA0003719522120000033
的车行路段在未来时序的路况预测属性labelT_end+1，其中，时序序列T_end+1与时序序列T_end相差的时长与无人驾驶车辆队列由轨迹节点Ri对应的车行路段行驶到前行节点Ri+1和候选节点
Figure FDA0003719522120000034
对应的车行路段上所花费的时间，i、j、t为计量常数，无实质含义。
5.根据权利要求4所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于，所述路况时序样本输入CNN卷积神经网络之前还需要将路况时序样本量化RGB三通道的图向量形式。
6.一种根据权利要求1-5任一项所述的无人驾驶车辆队列的轨迹规划方法的轨迹跟踪方法，其特征在于，包括以下步骤：
为无人驾驶车辆队列{car1,car2,car3,…,carn_end}中所有无人驾驶车辆设定统一行使速度，并为无人驾驶车辆队列中前后相邻的两无人驾驶车辆设定统一安全行驶距离；
依据无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1进行运动学建模得到队列运动学模型，并依据所述轨迹规划方法得到起始地到目标地的路径轨迹；
基于队列运动学模型和路径轨迹，利用MPC模型预测控制方法实时求得所述无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action；
统计无人驾驶车辆队列{car1,car2,car3,…,carn_end}中各个无人驾驶车辆{car2,car3,…,carn_end}比无人驾驶车辆队列队头处的无人驾驶车辆car1滞后的时序{ΔT2,ΔT3,…,ΔTn_end}，将所述无人驾驶车辆队列{car1,car2,car3,…,carn_end}队头处的无人驾驶车辆car1的轨迹跟踪控制时序方案Ft_Action的时序加上所述滞后的时序得到各个无人驾驶车辆{car2,car3,…,carn_end}的轨迹跟踪控制方案
Figure FDA0003719522120000041
实现无人驾驶车辆队列中所有无人驾驶车辆精准沿路径轨迹上进行统一形态行驶；
其中，carn_end为无人驾驶车辆队列中队列序数为n_end的无人驾驶车辆，n_end为无人驾驶车辆队列中无人驾驶车辆的队列序数总数，ΔTn_end为无人驾驶车辆队列中无人驾驶车辆carn_end滞后的时序，Ft_Action为时序t_Action时无人驾驶车辆car1的轨迹跟踪控制操作方案，
Figure FDA0003719522120000042
为时序t_Action+ΔTn_end时无人驾驶车辆carn_end的轨迹跟踪控制操作方案。
7.根据权利要求6所述的一种轨迹跟踪方法，其特征在于，所述滞后的时序的计算公式为：
Figure FDA0003719522120000043
其中，y∈[1,n_end]，y为无人驾驶车辆的队列序数，Δd为安全行驶距离，v为行驶速度。
CN202111065453.9A 2021-09-09 2021-09-09 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法 Active CN113903167B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111065453.9A CN113903167B (zh) 2021-09-09 2021-09-09 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111065453.9A CN113903167B (zh) 2021-09-09 2021-09-09 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法

Publications (2)

Publication Number Publication Date
CN113903167A CN113903167A (zh) 2022-01-07
CN113903167B true CN113903167B (zh) 2022-09-09

Family

ID=79027775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111065453.9A Active CN113903167B (zh) 2021-09-09 2021-09-09 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法

Country Status (1)

Country Link
CN (1) CN113903167B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114047769B (zh) * 2022-01-13 2022-04-12 江西丹巴赫机器人股份有限公司 无人驾驶搬运车的控制方法及装置
CN114743369B (zh) * 2022-03-10 2024-02-23 吉林大学 一种基于路径重合度的车辆智能编队方法
CN118396188A (zh) * 2024-06-24 2024-07-26 长沙智能驾驶研究院有限公司 一种有人驾驶矿卡的作业状态预测方法、装置和终端设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111580526B (zh) * 2020-05-27 2022-11-22 多伦科技股份有限公司 面向固定车辆编队场景的协同驾驶方法
CN113359757B (zh) * 2021-06-30 2022-07-01 湖北汽车工业学院 一种无人驾驶车辆路径规划与轨迹跟踪方法

Also Published As

Publication number Publication date
CN113903167A (zh) 2022-01-07

Similar Documents

Publication Publication Date Title
CN113903167B (zh) 一种无人驾驶车辆队列的轨迹规划方法及跟踪方法
Koh et al. Real-time deep reinforcement learning based vehicle navigation
Zhao et al. A novel generation-adversarial-network-based vehicle trajectory prediction method for intelligent vehicular networks
US8798897B2 (en) Real-time traffic analysis through integration of road traffic prediction and traffic microsimulation models
CN111160753B (zh) 一种基于知识图谱的路网节点重要性评估的方法
CN112148008B (zh) 一种基于深度强化学习的实时无人机路径预测方法
Xia et al. UPTP vehicle trajectory prediction based on user preference under complexity environment
Necula Dynamic traffic flow prediction based on GPS data
CN111860989A (zh) 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法
Sadollah et al. Management of traffic congestion in adaptive traffic signals using a novel classification-based approach
Meng et al. Trajectory prediction for automated vehicles on roads with lanes partially covered by ice or snow
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
Zhou et al. Identify, estimate and bound the uncertainty of reinforcement learning for autonomous driving
Patil Machine Learning for Traffic Management in Large-Scale Urban Networks: A Review
Sánchez et al. A hybrid framework combining vehicle system knowledge with machine learning methods for improved highway trajectory prediction
Li et al. Personalized trajectory prediction for driving behavior modeling in ramp-merging scenarios
Fu et al. Incremental path planning: Reservation system in V2X environment
Lusiandro et al. Implementation of the advanced traffic management system using k-nearest neighbor algorithm
Zhang et al. Rcivmm: A route choice-based interactive voting map matching approach for complex urban road networks
Ajani et al. Dynamic path planning approaches based on artificial intelligence and machine learning
Sharif et al. Traffic Management in Internet of Vehicles Using Improved Ant Colony Optimization.
Wang et al. Hierarchical speed planner for automated vehicles: A framework for lagrangian variable speed limit in mixed autonomy traffic
Peng et al. Network-wide coordinated control based on space-time trajectories
Brosowsky et al. Joint vehicle trajectory and cut-in prediction on highways using output constrained neural networks
Lakshna et al. Smart traffic: traffic congestion reduction by shortest route* search algorithm

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