CN113942526B - 一种基于可接受风险的自动驾驶超车轨迹规划方法 - Google Patents

Abstract

本发明涉及一种基于可接受风险的自动驾驶超车轨迹规划方法，包括以下步骤：获取行车原始数据；根据行车原始数据构建道路坐标系，并获取量化道路要素风险和交通运行风险，量化叠加构成集成道路交通风险；标定自动驾驶车辆超车最大可接受风险；根据道路坐标系，引入集成道路交通风险，结合实际驾驶环境中的风险分布，评估超车轨迹的风险代价，完成自动驾驶车辆超车轨迹的采样与筛选。与现有技术相比，本发明具有超车轨迹规划更安全，与实际道路环境更契合等优点。

Description

一种基于可接受风险的自动驾驶超车轨迹规划方法

技术领域

本发明涉及自动驾驶领域，尤其是涉及一种基于可接受风险的自动驾驶超车轨迹规划方法。

背景技术

常用的自动驾驶超车轨迹规划模型采用多项式进行拟合，如五次多项式，计算出安全、舒适的轨迹供无人驾驶车辆完成预定的行驶任务。另一种方法是基于深度学习的轨迹规划方法，通过训练人类驾驶轨迹，从而模仿人类的驾驶行为完成轨迹规划。这些方法一般考虑车辆间隙，车辆速度等因素，或者设定一系列的安全规则防止与动态车辆碰撞。然而缺乏对道路条件的考虑，如弯曲道路线性，匝道加速车道长度等道路约束；另一方面，交通规则的影响，如路权、车道限速和交叉口信号等因素也没有考虑在内，因此这些轨迹规划算法缺乏对复杂道路环境的适用性。

现有自动驾驶超车轨迹规划相关研究虽然考虑了交互车辆的风险情况，但是缺乏对复杂道路环境的综合描述，也忽略了道路环境实时风险对车辆行驶的影响。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于可接受风险的自动驾驶超车轨迹规划方法。

本发明的目的可以通过以下技术方案来实现：

一种基于可接受风险的自动驾驶超车轨迹规划方法，包括以下步骤：

S1：获取行车原始数据；

S2：根据行车原始数据构建道路坐标系，并获取量化道路要素风险和交通运行风险，量化叠加构成集成道路交通风险；

S3：标定自动驾驶车辆超车最大可接受风险；

S4：根据道路坐标系，引入道路交通环境风险，结合实际驾驶环境中的风险分布，评估超车轨迹的风险代价，完成自动驾驶车辆超车轨迹的采样与筛选。

优选地，所述的步骤S1具体包括：

采集道路环境数据获取道路线形与宽度、车道宽度、障碍物位置信息，预测环境运动物体的运动轨迹获取环境车辆位置及速度信息，获取车辆搭载的定位设备采集的定位数据及高精度地图数据。

优选地，所述的步骤S2具体包括：

S21：以车道的中心线为参考线建立Frenet坐标系；

S22：量化并获取道路要素风险；

S23：量化并获取交通运行风险；

S24：在全局坐标下，对各轨迹点进行道路要素风险和交通运行风险的量化叠加，获取集成道路交通风险。

优选地，所述量化并获取道路要素风险具体包括：

所述道路要素风险包括道路边界线风险和车道线风险，首先计算所述道路边界线风险：

其中，R_road为道路边界线风险，W_road为道路边界风险场的膨胀系数，y为环境点的坐标，y_road,是第i段道路边缘的坐标，i∈{1,2}，表征道路边缘两侧，然后计算所述车道线风险：

其中，R_lane为车道线风险，W_lane为车道线风险场的风险系数，决定车道线风险场的最大值，y_lane,为第i条道路分界线的坐标，σ_lane与车道宽度有关，反映车道线风险场的下降速率，N为车道数。

优选地，所述的量化并获取交通运行风险的计算公式为：

其中，R_vehicle为交通运行风险，q＝x_q,y_q)^T为T时刻主车的位置坐标，h_i＝(x_i,y_i)^T为T时刻环境车辆的位置坐标，为T时刻环境车辆与主车的相对速度，为横纵安全距离标准差平方的倒数的对角矩阵，W_vehicle为决定风险场大小的伸缩系数，α和n分别是比例因子和环境车辆的数目。

优选地，所述步骤S24的具体步骤包括：

通过并联的方法，取轨迹点受到的道路要素风险、车道线风险和交通运行风险中的最大值，作为该轨迹点最终的量化风险，最终获取集成道路交通风险。

优选地，所述的步骤S3具体包括：

对自然驾驶轨迹数据集中的超车场景进行风险值计算；

根据自然驾驶轨迹数据集获取最大风险累计频率分布图并标定自动驾驶车辆的最大可接受风险阈值。

优选地，所述的步骤S4具体包括：

对超车场景进行阶段划分，获取多个超车阶段，确认每个超车阶段的初状态和末状态；

依次对多个超车阶段进行超车轨迹的采样及筛选，获取每个超车阶段的最优轨迹。

优选地，所述步骤S4中对超车阶段进行超车轨迹的采样及筛选具体步骤包括：

获取车辆的全局参考路径，在Frenet坐标系下，基于全局参考路径，对超车时间和超车的初状态和末状态进行均匀采样，采用Lattice Planner进行采样并获取多个备选轨迹；

对备选轨迹进行避碰检测、成本检测和风险评估筛选，去除存在碰撞风险和风险值高于最大可接受风险的备选轨迹，将筛选后备选轨迹按成本从低到高排序，选择成本最低的备选轨迹作为最优规划轨迹。

优选地，所述的超车阶段包括：

超车前跟车阶段，初状态为巡航状态，末状态为跟车状态；

第一次换道阶段，初状态为跟车状态，末状态为换道状态；

车辆超越阶段，初状态为换道状态，末状态为巡航状态；

第二次换道状态：初状态为巡航状态，末状态为换道状态。

与现有技术相比，本发明具有以下优点：

(1)本发明综合考虑道路要素风险和交通运行风险，并在轨迹规划时引入道路交通风险，最大可接受风险表征道路环境的风险性，基于实际道路的多重风险进行轨迹规划，提高超车轨迹规划的安全性，使轨迹与实际道路环境更加契合；

(2)本发明最大可接受风险的确定，利用自然驾驶轨迹数据集标定，取值可靠性高，进一步提高本发明超车轨迹规划的安全性。

(3)本发明基于道路交通风险、最大可接受风险进行轨迹规划，可同时考虑车辆的纵向和横向安全状态，评估多种交通因素引起的风险，各种因素的风险都可以方便叠加，从而揭示驾驶员-车辆-道路相互作用及其对驾驶安全的影响，并可以预测由于动态变化而引起的驾驶安全趋势，提高超车轨迹的规划安全性和可靠性；

(4)本发明采用了道路坐标系表征道路交通风险，适应不同的道路线形，因此可以在直线、圆曲线和缓和曲线等多种道路线形条件下使用本发明，提升自动驾驶超车的安全性。

(5)本发明采用了lattice栅格化地图，通过采样的方法得到超车轨迹及超车轨迹点的风险值，各轨迹点风险评估互不干扰，易于并行计算，提高最优超车轨迹搜索的计算效率，因此自动驾驶轨迹规划的实时性能进一步得到保证。

附图说明

图1为本发明的流程图；

图2为本发明实施例中道路边界线风险场图；

图3为本发明实施例中不同σ_lane对应的车道线风险场分布图；

图4为本发明实施例中交互车辆风险场图；

图5为本发明实施例中最大可接受风险的标定流程图；

图6为本发明实施例中最大风险累计频率分布图；

图7为本发明实施例中超车轨迹场景示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。注意，以下的实施方式的说明只是实质上的例示，本发明并不意在对其适用物或其用途进行限定，且本发明并不限定于以下的实施方式。

实施例

一种基于可接受风险的自动驾驶超车轨迹规划方法，如图1所示，包括以下步骤：

步骤S1，通过采集道路环境数据、预测环境运动物体运动轨迹、获取车辆搭载的定位设备采集的定位数据及高精度地图数据完成行车原始数据获取；

具体地，本实施例中采集道路环境数据获取道路线形与宽度、车道宽度、障碍物位置信息，预测环境运动物体的运动轨迹获取环境车辆位置及速度信息。

步骤S2，根据所述道路线形与宽度、车道宽度、障碍物位置信息、环境车辆位置及速度信息、车辆定位信息和高精度地图等行车原始数据，构建道路坐标系并依此量化道路要素风险和交通运行风险，通过集成道路交通风险进一步完成道路交通环境的数字化重构。

具体地，包括以下步骤：

S21：为了提高计算规划效率，以车道的中心线为参考线建立Frenet坐标系，自动驾驶车辆在全局坐标系下的位置向参考线投影，投影点为F，则点F与车辆位置的距离即为横向位移d；从参考线的起始点到投影点F的曲线距离即为纵向距离s。由此，建立Frenet坐标系下自动驾驶车辆的坐标值(s,d)，并与全局坐标系下的位置点(x,y)一一对应；

S22：量化并获取道路要素风险，道路要素风险包括道路边界线风险和车道线风险，具体包括：

首先计算所述道路边界线风险，即防止车辆驶出道路的道路边界线风险：

其中，R_road为道路边界线风险，W_road为道路边界风险场的膨胀系数，y为环境点的坐标，y_road,i是第i段道路边缘的坐标，i∈{1,2}，表征道路边缘两侧，如图2所示，风险值从道路边缘两侧至道路中心递减。

然后计算所述车道线风险，即确保车辆在当前车道内行驶，：

其中，R_lane为车道线风险，W_lane为车道线风险场的风险系数，决定车道线风险场的最大值，y_lane,i为第i条道路分界线的坐标，σ_lane与车道宽度有关，反映车道线风险场的下降速率，N为车道数。如图3所示，风险值在车道线上达到最大，以此避免不必要的换道行为。

S23：量化并获取交通运行风险，交通运行风险本实施例中具体为交互车辆风险，即确保主车与周围的环境车辆保持相对安全的距离：

其中，R_vehicle为交通运行风险，q＝x_q,y_q)^T为T时刻主车的位置坐标，h_i＝(x_i,y_i)^T为T时刻环境车辆的位置坐标，为T时刻环境车辆与主车的相对速度，为横纵安全距离标准差平方的倒数的对角矩阵，W_vehicle为决定风险场大小的伸缩系数，α和n分别是比例因子和环境车辆的数目。图4示出了双车道公路上，两辆环境车辆场景下的车辆风险场示意图。

步骤S24，集成道路交通风险，即在全局坐标下对各轨迹点进行道路要素风险和交通运行风险的量化叠加。

步骤S24的具体步骤包括：

通过并联的方法，取轨迹点受到的道路要素风险、车道线风险和交通运行风险中的最大值，作为该轨迹点最终的量化风险R，最终获取集成道路交通风险：

R＝max(R_raod,R_lane,R_vehicle)

其中，R是集成道路交通风险，R_raod为道路要素风险，R_lane为车道线风险，R_vehicle为交通运行风险。

S3：标定自动驾驶车辆超车最大可接受风险。本实施例中，依据HighD数据集标定自动驾驶车辆超车最大可接受风险。图5示出了基于HighD数据集的最大可接受风险标定计算流程图，本发明实施例中的参数标定方法包括以下步骤：

步骤S31，利用HighD数据集中提取得到的164个超车场景，根据道路交通环境风险量化模型，考虑道路交通风险的集成，计算每条超车轨迹上各个轨迹点的集成道路交通风险，绘制轨迹风险图，确认一条完整的超车轨迹中的集成道路交通风险的风险最大值。

步骤S32，分别计算并得到各个超车场景的风险最大值，绘制最大风险累计频率分布图，如图6所示。

步骤S33，通过观察各个场景中绘制的超车轨迹风险图，分析超车场景中的风险分布形式。其形式主要有两种：“单峰”型，对于该超车场景中的主车，在超车过程中，车辆周围的风险值时刻变化，风险先增大后减小，其中最大风险值出现在约2s时刻，大致为超车过程中第一次换道过程中；“双峰”型，对于该超车场景中的主车，在超车过程中存在两次风险峰值，第一次峰值出现在约1s时刻，大致对应为第一次换道过程中；之后该车辆所面临的风险下降，在约第8s时刻，迎来第二次峰值，此次峰值小于第一次峰值，大致对应为第二次换道过程中，之后，车辆完成超车，所面临的环境风险不断降低。

步骤S34，根据驾驶员的驾驶行为，求解人类驾驶车辆超车轨迹中的最大风险，以15％分位点风险值代表保守型驾驶员的可接受风险；50％分位点风险值代表普通型驾驶员的可接受风险；85％分位点风险值代表激进型驾驶员的可接受风险。

步骤S35，确定最大可接受风险值，自动驾驶车辆具有更高的反应能力与更精准的执行能力，因此选取85％分位点作为自动驾驶车辆的最大可接受风险阈值，标定结果为0.92。

S4：根据道路坐标系，引入集成道路交通环境风险，结合实际驾驶环境中的风险分布，评估超车轨迹的风险代价，完成自动驾驶车辆超车轨迹的采样与筛选。具体为：对超车场景进行阶段划分，获取多个超车阶段，确认每个超车阶段的初状态和末状态；依次对多个超车阶段进行超车轨迹的采样及筛选，获取每个超车阶段的最优轨迹。

对每个超车阶段进行超车轨迹的采样及筛选步骤包括：

基于自动驾驶的高精地图和车辆行程的起点、终点位置，利用Dijkstra算法搜索得到车辆的全局参考路径，即从目标的起点到终点位置的一系列均匀的坐标点的集合。在Frenet坐标系下，基于全局参考路径，对超车时间和超车的初状态和末状态进行均匀采样，采用Lattice Planner进行采样并获取多个备选轨迹；

对备选轨迹进行避碰检测、成本检测和风险评估筛选，去除存在碰撞风险和风险值高于最大可接受风险的备选轨迹，将筛选后备选轨迹按成本从低到高排序，选择成本最低的备选轨迹作为最优规划轨迹。

其中，三种筛选方法具体地，避碰检测：保证为主车所规划的轨迹在行驶过程中不与环境车辆发生碰撞，是一个动态检测的过程，有碰撞风险的轨迹，应当及时排除；成本检测：保证为主车所规划的轨迹在实际行驶时，成本最小；风险评估：保证为主车所规划的轨迹满足实际行驶状态下的风险代价，利用道路交通风险集成模型，计算每一条避碰、可行的轨迹的风险值，筛选出风险值小于最大可接受风险阈值的安全轨迹。

本实施例中，根据所述道路坐标系，基于Lattice Planning规划算法，引入道路交通环境风险，考虑实际驾驶环境中的风险分布，评估超车轨迹的风险代价，完成自动驾驶车辆超车轨迹的采样与筛选。

本实施例中，将超车场景划分为以下阶段：超车前跟车阶段，初状态为巡航状态，末状态为跟车状态；第一次换道阶段，初状态为跟车状态，末状态为换道状态；车辆超越阶段，初状态为换道状态，末状态为巡航状态；第二次换道状态：初状态为巡航状态，末状态为换道状态。

本实施例中，与上述对应的，步骤S4具体包括：

S411，超车前跟车阶段：初状态为巡航状态，末状态为跟车状态；跟车状态下主要考虑道路要素风险与纵向安全距离；

S412，在Frenet坐标系下，基于参考路径，在给定的特定时间跨度内给出起点和终点的状态信息，用于Lattice Planning采样并规划适合的备选轨迹；

S413：对备选轨迹进行避碰检测、成本检测与风险评估；

S414：该阶段中去除存在碰撞风险、风险值高于最大可接受风险的备用轨迹，将其余可行轨迹按成本从低到高排序，选择成本最低的轨迹，作为最优规划轨迹；

S421：第一次换道阶段：初状态为跟车状态，末状态为换道状态；换道状态下需综合考虑集成道路交通风险；

S422：执行与S412～S414的流程，获取第一次换道阶段的最优规划轨迹；

S431：车辆超越阶段：初状态为换道状态，末状态为巡航状态；

S432：执行与S412～S414的流程，获取车辆超越阶段的最优规划轨迹；

S441：第二次换道状态：初状态为巡航状态，末状态为换道状态；换道状态下综合考虑集成道路交通风险；

S442：执行与S412～S414的流程，获取第二次换道状态的最优规划轨迹。

本实施例中，第一次、第二次换道轨迹采样及筛选实例见图7。

上述实施方式仅为例举，不表示对本发明范围的限定。这些实施方式还能以其它各种方式来实施，且能在不脱离本发明技术思想的范围内作各种省略、置换、变更。

Claims (7)

1.一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，包括以下步骤：

S1：获取行车原始数据；

S2：根据行车原始数据构建道路坐标系，并获取量化道路要素风险和交通运行风险，量化叠加构成集成道路交通风险；

S3：标定自动驾驶车辆超车最大可接受风险；

S4：根据道路坐标系，引入集成道路交通环境风险，结合实际驾驶环境中的风险分布，评估超车轨迹的风险代价，完成自动驾驶车辆超车轨迹的采样与筛选；

所述的步骤S3具体包括：

对自然驾驶轨迹数据集中的超车场景进行风险值计算；

根据自然驾驶轨迹数据集获取最大风险累计频率分布图并标定自动驾驶车辆的最大可接受风险阈值；

所述的步骤S4具体包括：

对超车场景进行阶段划分，获取多个超车阶段，确认每个超车阶段的初状态和末状态；

依次对多个超车阶段进行超车轨迹的采样及筛选，获取每个超车阶段的最优轨迹；

所述步骤S4中对超车阶段进行超车轨迹的采样及筛选具体步骤包括：

获取车辆的全局参考路径，在Frenet坐标系下，基于全局参考路径，对超车时间和超车的初状态和末状态进行均匀采样，采用Lattice Planner进行采样并获取多个备选轨迹；

对备选轨迹进行避碰检测、成本检测和风险评估筛选，去除存在碰撞风险和风险值高于最大可接受风险的备选轨迹，将筛选后备选轨迹按成本从低到高排序，选择成本最低的备选轨迹作为最优规划轨迹。

2.根据权利要求1所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述的步骤S1具体包括：

采集道路环境数据获取道路线形与宽度、车道宽度、障碍物位置信息，预测环境运动物体的运动轨迹获取环境车辆位置及速度信息，获取车辆搭载的定位设备采集的定位数据及高精度地图数据。

3.根据权利要求1所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述的步骤S2具体包括：

S21：以车道的中心线为参考线建立Frenet坐标系；

S22：量化并获取道路要素风险；

S23：量化并获取交通运行风险；

S24：在全局坐标下，对各轨迹点进行道路要素风险和交通运行风险的量化叠加，获取集成道路交通风险。

4.根据权利要求3所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述量化并获取道路要素风险具体包括：

所述道路要素风险包括道路边界线风险和车道线风险，首先计算所述道路边界线风险：

其中，R_road为道路边界线风险，W_road为道路边界风险场的膨胀系数，y为环境点的坐标，y_road,i是第i段道路边缘的坐标，i∈{1,2}，表征道路边缘两侧，

然后计算所述车道线风险：

其中，R_lane为车道线风险，W_lane为车道线风险场的风险系数，决定车道线风险场的最大值，y_lane,i为第i条道路分界线的坐标，σ_lane与车道宽度有关，反映车道线风险场的下降速率，N为车道数。

5.根据权利要求3所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述的量化并获取交通运行风险的计算公式为：

其中，R_vehicle为交通运行风险，q＝(x_q,y_q)^T为T时刻主车的位置坐标，h_i＝(x_i,y_i)^T为T时刻环境车辆的位置坐标，为T时刻环境车辆与主车的相对速度，/>为横纵安全距离标准差平方的倒数的对角矩阵，W_vehicle为决定风险场大小的伸缩系数，α和n分别是比例因子和环境车辆的数目。

6.根据权利要求3所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述步骤S24的具体步骤包括：

通过并联的方法，取轨迹点受到的道路要素风险、车道线风险和交通运行风险中的最大值，作为该轨迹点最终的量化风险，最终获取集成道路交通风险。

7.根据权利要求1所述的一种基于可接受风险的自动驾驶超车轨迹规划方法，其特征在于，所述的超车阶段包括：

超车前跟车阶段，初状态为巡航状态，末状态为跟车状态；

第一次换道阶段，初状态为跟车状态，末状态为换道状态；

车辆超越阶段，初状态为换道状态，末状态为巡航状态；

第二次换道状态：初状态为巡航状态，末状态为换道状态。