CN114115234A - 一种基于监控策略的无人车换道路径规划方法 - Google Patents

一种基于监控策略的无人车换道路径规划方法 Download PDF

Info

Publication number
CN114115234A
CN114115234A CN202111264007.0A CN202111264007A CN114115234A CN 114115234 A CN114115234 A CN 114115234A CN 202111264007 A CN202111264007 A CN 202111264007A CN 114115234 A CN114115234 A CN 114115234A
Authority
CN
China
Prior art keywords
vehicle
track
obs
path
distance
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
Application number
CN202111264007.0A
Other languages
English (en)
Inventor
耿国庆
丁鹏程
张佳
李中
杨梁
向华荣
徐亦航
江乐生
苏春
赵文
刘威
江浩斌
施桂强
章国栋
徐惠民
李春
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.)
Jiangsu Jiaoyang Steering Technology Co ltd
Jiangsu University
Original Assignee
Jiangsu Jiaoyang Steering Technology Co ltd
Jiangsu University
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 Jiangsu Jiaoyang Steering Technology Co ltd, Jiangsu University filed Critical Jiangsu Jiaoyang Steering Technology Co ltd
Priority to CN202111264007.0A priority Critical patent/CN114115234A/zh
Publication of CN114115234A publication Critical patent/CN114115234A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • G05D1/0253—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means extracting relative motion information from a plurality of images taken successively, e.g. visual odometry, optical flow
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于监控策略的无人车换道路径规划方法，通过环境信息感知模块判断是否产生新的换道任务；如果产生新的换道任务，则采用基于B样条曲线的方法来规划连续曲率路径；当基于B样条的算法没有解决方案但路径存在时，添加基于快速扩展随机树的算法作为补充算法以尽可能地找到路径；如果路径规划失败或者不存在换道任务，则输出监控轨迹；否则输出换道轨迹。本发明可以同时进行换道轨迹规划和监控轨迹规划，保证车辆换道的安全性和稳定性。

Description

一种基于监控策略的无人车换道路径规划方法
技术领域
本发明涉及的无人车辆技术领域，具体涉及基于监控策略的无人车辆换道路径规划方法。
背景技术
随着科学技术的不断发展，路径规划技术所面临的环境将更为复杂多变。这就要求路径规划算法要具有迅速响应复杂环境变化的能力。
运动规划作为一种具有多个非线性约束的高维优化问题，需要消耗大量的计算资源，并且由于场景的复杂性和实时性，不是总能快捷简单的得到最优轨迹，这对规划算法的鲁棒性和实用性有着较高的要求。
国家专利201710953896.9提出的一种仿优秀驾驶员的无人车换道路径规划方法，规划无人驾驶车辆行驶路径，但是在未能规划轨迹或者规划超时，影响车辆在换道过程中的稳定性和可行性。
发明内容
为了解决现有技术中存在的不足，本申请提出了一种基于监控策略的无人车换道路径规划方法，换道轨迹规划是在三次B样条的方法基础上，引入了基于快速扩展随机树算法作为补充算法；同时还引入了监控轨迹的规划思想，通过减速规划以保持车辆实时运动的稳定性。在车辆行驶时，同时进行换道轨迹规划和监控轨迹规划，保证车辆换道的安全性和稳定性。
本发明所采用的技术方案如下：
一种基于监控策略的无人车换道路径规划方法，包括如下步骤：
步骤1：利用环境感知模块得到环境信息和车辆自身状态信息，并根据环境信息和车辆自身状态信息判断是否产生新的换道任务；
步骤2：对于产生新的换道任务，则采用基于B样条曲线的方法来规划连续曲率路径；并对基于B样条曲线得到的换道轨迹进行安全性判断；若符合安全性要求，则输出换道轨迹；
步骤3：当基于B样条曲线得到的换道轨迹不符合安全性要求，且路径存在时，添加基于快速扩展随机树的算法作为补充算法以获得换道轨迹；并对基于快速扩展随机树的算法获得的换道轨迹进行安全性判断；若符合安全性要求，则输出换道轨迹；
步骤4：如果步骤2和步骤3中的换道轨迹规划失败或者不存在换道任务，则输出监控轨迹。
进一步，步骤2中采用基于B样条曲线的方法来规划连续曲率路径的方法为：
步骤2.1换道路径规划可以被定义为换道过程中的两点边值问题：
minf(x)
s.t.gi(x)＝1,i＝1,...,n
hj(x)≤0,j＝1,...,n
其中，f(x)是目标函数，gi(x)代表起始点和目标点的约束，hj(x)代表安全距离约束，n为起始点和目标点之间的节点数；
步骤2.2为了满足车辆转向执行器的限制，生成的路径应该满足连续曲率、峰值曲率和最大曲率的约束。
进一步，B样条曲线的路径规划两点边值问题可以归结为：
Figure BDA0003325979610000021
Figure BDA0003325979610000022
Figure BDA0003325979610000023
αmin≤αi≤αmax,i＝1,2
Figure BDA0003325979610000024
Δlog-h(lobs,vobs,L0,lfba,vego)≤0
Δlat-h(lobs,vobs,L0,L1,w,α1,lfba,vego)≤0
Δlat-h(lobs,vobs,L0,L1,L2,w,α1,α3,lfba,vego)≤0
其中，Lj为控制段j的长度，j＝0、1、2；αi是控制点Pi处的夹角，i＝1、2；αmin、αmax是夹角αi取值的最小值与最大值，kmax为峰值曲率，
Figure BDA0003325979610000025
代表起始点，x0,y0,
Figure BDA0003325979610000026
v0分别是初始点对应的横坐标，纵坐标，横摆角，车速；
Figure BDA0003325979610000027
代表目标点，xg,yg,
Figure BDA0003325979610000028
vg分别是起始点目标点对应的横坐标，纵坐标，横摆角，车速；xg,yg,
Figure BDA0003325979610000029
vg分别是目标点目标点对应的横坐标，纵坐标，横摆角，Δlog是纵向安全距离，Δlat是横向安全距离，lobs是目标车辆到障碍车辆的距离，vego是自车速度，w是自车宽度，lfba是自车从后轴到头部的长度，vobs是障碍车辆的车速。
进一步，步骤3中引入了最近邻域搜索方法减少采样的盲目性，根据欧几里德距离，节点n1是新采样节点nnew的最近节点；然而，从节点n2到节点n1的转向角更大，导致路径s1和n1连接更为尖锐；为了使路径更利于车辆跟踪，由定义的传统度量函数被修改为式：
Figure BDA0003325979610000031
Figure BDA0003325979610000032
其中，X1,X2分别为1,2节点，dEu表示度量函数，x1,x2分别为1,2节点的横坐标，y1,y2分别是1,2节点的纵坐标，θ为n1,n2连接nnew的夹角。
进一步，步骤4中输出监控轨迹的方法为：
路径规划系统在规划监控轨迹时，如果监控轨迹的减速度为ax，则对于直线行驶：
Figure BDA0003325979610000033
其中amin是车辆最小加速度，v0是初始速度，vg是目标速度，L0g是减速长度。
如果转弯半径为R，则对于直线行驶：
Figure BDA0003325979610000034
其中，μ为路面粗糙度；
在路径生成后，应根据边界约束，执行器约束和稳定性约束计算速度曲线，如下所示：
Figure BDA0003325979610000035
其中，边界约束即起始速度和目标速度，执行器约束即最大速度和最大加速度，稳定性约束即最大侧向加速度，vmin、vmax是速度的最小值和最大值；amin、amax是加速度的最小值和最大值；ay(t)是侧向加速度，aymax是最大侧向加速度。
进一步，通过控制段与障碍物之间的距离来表示生成路径的安全性检测，将安全性检测表示为：
(1)第一个控制段的纵向安全距离：
lobs+vobst0-(L0+lfba)≥Δlog,t0＝L0/vego
(2)第二个控制段的横向安全距离：
lobs+vobct1-L0+(L1+lfba)|cosα1|+0.5w|sinα1|≥Δlat,t1＝L1/vego
(3)第三个控制段的横向安全距离：
lobs+vobst2-(x2-x1+(L1+lfba))sinα2-0.5w-(dobs-(y2-y1))cosα2≥Δlat,
t2＝L2/vego
根据自我车辆的位置，存在三个阶段发生碰撞风险，其中需满足各自的安全约束条件；其中，lobs是目标车辆到障碍车辆的距离，vego是自车速度，vobs是障碍车辆的车速，t0是自车行驶过第一段距离的时间，t1是自车行驶过第二段距离的时间，t2是自车行驶过第二段距离的时间，lfba是自车从后轴到头部的长度，w是自车宽度，Δlat是横向安全距离，Δlog是纵向安全距离，α1是第一控制段与第二控制段间的夹角，α2是第二控制段与第三控制段间的夹角，dobs为障碍车辆的形成障碍的宽度，x1,x2分别是车辆在控制点P1,P2的横坐标，y1,y2分别是车辆在控制点P1,P2的纵坐标。
进一步，所获取的环境信息包括：当前行驶前方障碍物信息、车道宽度、当前传感器检测盲区信息、当前行驶道路侧向障碍物信息；所述车辆自身状态信息包括：车辆速度、转向盘转角、车辆当前位置。
进一步，所述环境感知模块包括用于获取环境信息的毫米波雷达与CCD工业相机；毫米波雷达设置为4个，其中1个分置在车辆前端保险杆中间位置，另外2个分别放置在两侧的前门和后门之间的中间位置，最后1个放置在车辆的尾部，用于检测车辆四个方向上的障碍物信息并传输给电子控制单ECU；CCD工业相机安装在车辆前挡风玻璃顶部上方，用于将车辆前方的状况传输给电子控制单元ECU。
本发明的有益效果：
(1)本发明所提出的一种轨迹监控策略，同时进行换道轨迹规划和监控轨迹规划，在换道轨迹规划未能规划出轨迹或者规划超时，系统将以监控轨迹作为输出，保证车辆换道的稳定性和可行性。
(2)监控轨迹遵循无碰撞要求，通过减速规划以保持车辆实时运动的稳定性。
(3)为满足车辆运动约束以及实时性要求，提出基于B样条曲线凸特征的安全距离约束，可以通过控制段与障碍物之间的距离来表示生成路径的安全检测。同时基于RRT的方法可以作为补充算法尽可能找到路径。监控轨迹主要遵循无碰撞要求，通过减速规划以保持车辆实时运动的安全性和稳定性。
附图说明
图1是本发明的方法流程图。
图2是三次B样条曲线的控制点图。
图3是安全距离约束示意图。
图4是最近邻域搜索法度量示意图。
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，本发明提供一种基于监控策略的无人车换道路径规划方法，包括以下步骤：
步骤1：利用环境感知模块得到环境信息和车辆自身状态信息，并根据上述信息判断是否存在新的驾驶任务，即换道任务。
所述环境感知模块包括用于获取环境信息的毫米波雷达与CCD工业相机；具体地，毫米波雷达设置为4个，其中1个分置在车辆前端保险杆中间位置，另外2个分别放置在两侧的前门和后门之间的中间位置，最后1个放置在车辆的尾部，用于检测车辆四个方向上的障碍物信息并传输给电子控制单ECU。CCD工业相机安装在车辆前挡风玻璃顶部上方，用于将车辆前方的状况传输给电子控制单元ECU。所获取的环境信息包括：当前行驶前方障碍物信息、车道宽度、当前传感器检测盲区信息、当前行驶道路侧向障碍物信息；所述车辆自身状态信息包括：车辆速度、转向盘转角、车辆当前位置。
步骤2：如果产生新的驾驶任务，则采用基于B样条曲线的方法来规划连续曲率路径。
所述步骤2中基于B样条曲线的方法来规划连续曲率路径具体过程如下：
步骤2.1换道路径规划可以被定义为换道过程中的两点边值问题：
minf(x)
s.t.gi(x)＝1,i＝1,...,n (1)
hj(x)≤0,j＝1,...,n
其中，f(x)是目标函数，通常用最短时间或者路程来描述代价，gi(x)代表起始点和目标点的约束，hj(x)代表安全距离约束；n为起始点和目标点之间的节点数。其中如图2所示，安全距离约束要求是基于B样条曲线的凸特征，可以通过控制段与障碍物之间的距离来表示生成路径的安全性检测。根据自我车辆的位置，存在三个阶段发生碰撞风险，其中需满足各自的安全约束条件。假设自动车辆的避障是通过强制转向而不是改变速度来实现的，其目的在于使乘客感到舒适。轨迹安全性检测如下：
(1)第一个控制段的纵向安全距离：
lobs+vobst0-(L0+lfba)≥Δlog,t0＝L0/vego (2)
(2)第二个控制段的横向安全距离：
lobs+vobct1-L0+(L1+lfba)|cosα1|+0.5w|sinα1|≥Δlat,t1＝L1/vego (3)
(3)第三个控制段的横向安全距离：
Figure BDA0003325979610000061
其中，lobs是目标车辆到障碍车辆的距离，vego是自车速度，vobs是障碍车辆的车速，t0是自车行驶过第一段距离的时间，t1是自车行驶过第二段距离的时间，t2是自车行驶过第二段距离的时间，lfba是自车从后轴到头部的长度，w是自车宽度，Δlat是横向安全距离，Δlog是纵向安全距离，α1是第一控制段与第二控制段间的夹角，α2是第二控制段与第三控制段间的夹角，dobs为障碍车辆的形成障碍的宽度，x1,x2分别是车辆在控制点P1,P2的横坐标，y1,y2分别是车辆在控制点P1,P2的纵坐标。
步骤2.2为了满足车辆转向执行器的限制，生成的路径应该满足连续曲率，峰值曲率和最大曲率的约束，如图3所示，采用参数化的三次B样条曲线来规划路径，则路径表达式为：
Figure BDA0003325979610000062
其中xi(t)、yi(t)分别是车辆在控制点Pi的横、纵坐标，αi是控制点Pi处的夹角，Lj为控制段j的长度。
曲率表达式为：
Figure BDA0003325979610000071
其中
Figure BDA0003325979610000072
为xi(t)、yi(t)的导数，
Figure BDA0003325979610000073
为xi(t)、yi(t)的二次导数。
为了满足车辆的峰值曲率约束，控制线的长度和夹角受下式约束：
Figure BDA0003325979610000074
其中，kmax为峰值曲率。
B样条曲线的路径规划两点边值问题可以归结为：
Figure BDA0003325979610000075
其中
Figure BDA0003325979610000076
代表起始点，x0,y0,
Figure BDA0003325979610000077
v0分别是初始点对应的横坐标，纵坐标，横摆角，车速；
Figure BDA0003325979610000078
代表目标点，xg,yg,
Figure BDA0003325979610000079
vg分别是目标点对应的横坐标，纵坐标，横摆角，车速。
步骤3：当基于B样条的算法没有解决方案但路径存在时，添加基于快速扩展随机树的算法作为补充算法以尽可能地找到路径。
进一步，所述步骤3具体如下，
当基于B样条的算法没有解决方案但路径存在时，添加基于快速扩展随机树的算法以尽可能地找到路径。为了加快算法的求解速度，引入了一些措施来减少采样的盲目性，这里拟采用最近邻域搜索方法，其原理如图4所示，根据欧几里德距离，节点n1是新采样节点nnew的最近节点。然而，从节点n2到节点n1的转向角更大，导致路径s1和n1连接更为尖锐。为了使路径更利于车辆跟踪，由定义的传统度量函数被修改为式：
Figure BDA0003325979610000081
其中，X1,X2分别为1,2节点，dEu表示度量函数，x1,x2分别为1,2节点的横坐标，y1,y2分别是1,2节点的纵坐标，θ为n1,n2连接nnew的夹角。
步骤4：如果路径规划失败或者不存在新的驾驶任务，即换道任务，则输出监控轨迹；否则输出换道轨迹。步骤4中输出监控轨迹具体过程如下：
基于B样条的方法和基于快速扩展随机树的方法都可以产生曲率连续路径并满足运动限制，但两者都有可能超时或失败，则输出监控轨迹。路径规划系统在规划监控轨迹时，如果监控轨迹的减速度为αx，则对于直线行驶：
Figure BDA0003325979610000082
其中，amin是车辆最小加速度，v0是初始速度，vg是目标速度，L0g是减速长度。
如果转弯半径为R，则对于直线行驶：
Figure BDA0003325979610000083
其中，μ为路面粗糙度。
在路径生成后，应根据边界约束(起始速度和目标速度)，执行器约束(最大速度和最大加速度)和稳定性约束(最大侧向加速度)计算速度曲线，如下所示：
Figure BDA0003325979610000084
其中，vmin、vmax是速度的最小值和最大值；amin、amax是加速度的最小值和最大值；ay(t)是侧向加速度，aymax是最大侧向加速度
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 (8)

1.一种基于监控策略的无人车换道路径规划方法，其特征在于，包括如下步骤：
步骤1：利用环境感知模块得到环境信息和车辆自身状态信息，并根据环境信息和车辆自身状态信息判断是否产生新的换道任务；
步骤2：对于产生新的换道任务，则采用基于B样条曲线的方法来规划连续曲率路径；并对基于B样条曲线得到的换道轨迹进行安全性判断；若符合安全性要求，则输出换道轨迹；
步骤3：当基于B样条曲线得到的换道轨迹不符合安全性要求，且路径存在时，添加基于快速扩展随机树的算法作为补充算法以获得换道轨迹；并对基于快速扩展随机树的算法获得的换道轨迹进行安全性判断；若符合安全性要求，则输出换道轨迹；
步骤4：如果步骤2和步骤3中的换道轨迹规划失败或者不存在换道任务，则输出监控轨迹。
2.根据权利要求1所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，
步骤2中采用基于B样条曲线的方法来规划连续曲率路径的方法为：
步骤2.1换道路径规划可以被定义为换道过程中的两点边值问题：
min f(x)
s.t.gi(x)＝1,i＝1,...,n
hj(x)≤0,j＝1,...,n
其中，f(x)是目标函数，gi(x)代表起始点和目标点的约束，hj(x)代表安全距离约束，n为起始点和目标点之间的节点数；
步骤2.2为了满足车辆转向执行器的限制，生成的路径应该满足连续曲率、峰值曲率和最大曲率的约束。
3.根据权利要求2所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，
B样条曲线的路径规划两点边值问题可以归结为：
Figure FDA0003325979600000021
Figure FDA0003325979600000022
Figure FDA0003325979600000023
αmin≤αi≤αmax,i＝1,2
Figure FDA0003325979600000024
Δlog-h(lobs,vobs,L0,lfba,vego)≤0
Δlat-h(lobs,vobs,L0,L1,w,α1,lfba,vego)≤0
Δlat-h(lobs,vobs,L0,L1,L2,w,α1,α2,lfba,vego)≤0
其中，Lj为控制段j的长度，j＝0、1、2；αi是控制点Pi处的夹角，i＝1、2；αmin、αmax是夹角αi取值的最小值与最大值，kmax为峰值曲率，
Figure FDA0003325979600000025
代表起始点，x0,y0,
Figure FDA0003325979600000026
v0分别是初始点对应的横坐标，纵坐标，横摆角，车速；
Figure FDA0003325979600000027
代表目标点，xg,yg,
Figure FDA0003325979600000028
vg分别是起始点目标点对应的横坐标，纵坐标，横摆角，车速；xg,yg,
Figure FDA0003325979600000029
vg分别是目标点目标点对应的横坐标，纵坐标，横摆角，Δlog是纵向安全距离，Δlat是横向安全距离，lobs是目标车辆到障碍车辆的距离，vego是自车速度，w是自车宽度，lfba是自车从后轴到头部的长度，vobs是障碍车辆的车速。
4.根据权利要求1所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，步骤3中引入了最近邻域搜索方法减少采样的盲目性，根据欧几里德距离，节点n1是新采样节点nnew的最近节点；然而，从节点n2到节点n1的转向角更大，导致路径s1和n1连接更为尖锐；为了使路径更利于车辆跟踪，由定义的传统度量函数被修改为式：
Figure FDA00033259796000000210
Figure FDA00033259796000000211
其中，X1,X2分别为1,2节点，dEu表示度量函数，x1,x2分别为1,2节点的横坐标，y1,y2分别是1,2节点的纵坐标，θ为n1,n2连接nnew的夹角。
5.根据权利要求1所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，
步骤4中输出监控轨迹的方法为：
路径规划系统在规划监控轨迹时，如果监控轨迹的减速度为ax，则对于直线行驶：
Figure FDA0003325979600000031
其中,amin是车辆最小加速度，v0是初始速度，vg是目标速度，L0g是减速长度。
如果转弯半径为R，则对于直线行驶：
Figure FDA0003325979600000032
其中，μ为路面粗糙度；
在路径生成后，应根据边界约束，执行器约束和稳定性约束计算速度曲线，如下所示：
Figure FDA0003325979600000033
其中，边界约束即起始速度和目标速度，执行器约束即最大速度和最大加速度，稳定性约束即最大侧向加速度，vmin、vmax是速度的最小值和最大值；amin、amax是加速度的最小值和最大值；ay(t)是侧向加速度，aymax是最大侧向加速度。
6.根据权利要求1所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，通过控制段与障碍物之间的距离来表示生成路径的安全性检测，将安全性检测表示为：
(1)第一个控制段的纵向安全距离：
lobs+vobst0-(L0+lfba)≥Δlog,t0＝L0/vego
(2)第二个控制段的横向安全距离：
lobs+vobct1-L0+(L1+lfba)|cosα1|+0.5w|sinα1|≥Δlat,t1＝L1/vego
(3)第三个控制段的横向安全距离：
lobs+vobst2-(x2-x1+(L1+lfba))sinα2-0.5w-(dobs-(y2-y1))cosα2≥Δlat,
t2＝L2/vego
根据自我车辆的位置，存在三个阶段发生碰撞风险，其中需满足各自的安全约束条件；其中，lobs是目标车辆到障碍车辆的距离，vego是自车速度，vobs是障碍车辆的车速，t0是自车行驶过第一段距离的时间，t1是自车行驶过第二段距离的时间，t2是自车行驶过第二段距离的时间，lfba是自车从后轴到头部的长度，w是自车宽度，Δlat是横向安全距离，Δlog是纵向安全距离，α1是第一控制段与第二控制段间的夹角，α2是第二控制段与第三控制段间的夹角，dobs为障碍车辆的形成障碍的宽度，x1,x2分别是车辆在控制点P1,P2的横坐标，y1,y2分别是车辆在控制点P1,P2的纵坐标。
7.根据权利要求1所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，所获取的环境信息包括：当前行驶前方障碍物信息、车道宽度、当前传感器检测盲区信息、当前行驶道路侧向障碍物信息；所述车辆自身状态信息包括：车辆速度、转向盘转角、车辆当前位置。
8.根据权利要求7所述的一种基于监控策略的无人车换道路径规划方法，其特征在于，所述环境感知模块包括用于获取环境信息的毫米波雷达与CCD工业相机；毫米波雷达设置为4个，其中1个分置在车辆前端保险杆中间位置，另外2个分别放置在两侧的前门和后门之间的中间位置，最后1个放置在车辆的尾部，用于检测车辆四个方向上的障碍物信息并传输给电子控制单ECU；CCD工业相机安装在车辆前挡风玻璃顶部上方，用于将车辆前方的状况传输给电子控制单元ECU。
CN202111264007.0A 2021-10-28 2021-10-28 一种基于监控策略的无人车换道路径规划方法 Pending CN114115234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111264007.0A CN114115234A (zh) 2021-10-28 2021-10-28 一种基于监控策略的无人车换道路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111264007.0A CN114115234A (zh) 2021-10-28 2021-10-28 一种基于监控策略的无人车换道路径规划方法

Publications (1)

Publication Number Publication Date
CN114115234A true CN114115234A (zh) 2022-03-01

Family

ID=80377541

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111264007.0A Pending CN114115234A (zh) 2021-10-28 2021-10-28 一种基于监控策略的无人车换道路径规划方法

Country Status (1)

Country Link
CN (1) CN114115234A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048087A (zh) * 2023-02-10 2023-05-02 吉咖智能机器人有限公司 局部路径的规划方法、装置、电子设备及可读存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609765A (zh) * 2012-03-22 2012-07-25 北京工业大学 基于多项式及rbf神经网络的智能车辆换道路径规划方法
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法
CN111016898A (zh) * 2019-11-14 2020-04-17 安徽卡思普智能科技有限公司 一种智能车轨迹换道规划方法
WO2021053607A1 (en) * 2019-09-18 2021-03-25 C.R.F. Societa' Consortile Per Azioni Model-based design of trajectory planning and control for automated motor-vehicles in a dynamic environment

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102609765A (zh) * 2012-03-22 2012-07-25 北京工业大学 基于多项式及rbf神经网络的智能车辆换道路径规划方法
CN107813820A (zh) * 2017-10-13 2018-03-20 江苏大学 一种仿优秀驾驶员的无人车换道路径规划方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法
WO2021053607A1 (en) * 2019-09-18 2021-03-25 C.R.F. Societa' Consortile Per Azioni Model-based design of trajectory planning and control for automated motor-vehicles in a dynamic environment
CN111016898A (zh) * 2019-11-14 2020-04-17 安徽卡思普智能科技有限公司 一种智能车轨迹换道规划方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙铭: "基于深度强化学习的半挂式车辆自适应巡航控制研究", 万方学位论文数据库, 8 September 2021 (2021-09-08), pages 15 - 56 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116048087A (zh) * 2023-02-10 2023-05-02 吉咖智能机器人有限公司 局部路径的规划方法、装置、电子设备及可读存储介质
CN116048087B (zh) * 2023-02-10 2024-04-09 吉咖智能机器人有限公司 局部路径的规划方法、装置、电子设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN109501799B (zh) 一种车联网条件下的动态路径规划方法
JP5300357B2 (ja) 衝突防止支援装置
CN110027553B (zh) 一种基于深度强化学习的防碰撞控制方法
CN112477847B (zh) 一种交通拥堵辅助控制方法及系统
CN111260956B (zh) 一种基于模型预测控制的车辆自动换道规划与控制方法
CN109131312B (zh) 一种智能电动汽车acc/esc集成控制系统及其方法
Ferrara et al. Second order sliding mode control of vehicles with distributed collision avoidance capabilities
JP4600339B2 (ja) 障害物回避制御装置及び障害物回避制御プログラム
CN112896188B (zh) 一种考虑前车遭遇的自动驾驶决策控制的系统
CN110723142B (zh) 一种智能汽车紧急避撞控制方法
CN112277939B (zh) 一种对于避让前方压线车辆的偏移控制系统及方法
CN105263785A (zh) 车辆控制系统
CN110371115A (zh) 车辆行驶控制装置
CN107985308B (zh) 基于可拓逻辑的主动避撞系统及该系统的模式切换方法
CN102307774A (zh) 用于实施避让行动的方法和装置
CN105492280A (zh) 车辆控制系统
CN103827940A (zh) 车辆的驾驶辅助系统
CN113511221B (zh) 一种监控横向控制能力的方法、系统、车辆及存储介质
CN105631217A (zh) 基于本车自适应虚拟车道的前方有效目标选择系统及方法
CN115320596A (zh) 一种智能网联车队插入式协同换道控制方法
CN112249019A (zh) 一种基于纵向安全距离的车辆换道决策方法
CN114115234A (zh) 一种基于监控策略的无人车换道路径规划方法
US11772648B2 (en) Lane keep assistance based on rate of departure
JP7138151B2 (ja) 車両制御装置、車両制御方法、およびプログラム
JP2009018621A (ja) 走行制御装置及びこれを用いた輸送システム

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