CN114187781B - 一种分布式多车协同行为决策方法和系统 - Google Patents
一种分布式多车协同行为决策方法和系统 Download PDFInfo
- Publication number
- CN114187781B CN114187781B CN202210123133.2A CN202210123133A CN114187781B CN 114187781 B CN114187781 B CN 114187781B CN 202210123133 A CN202210123133 A CN 202210123133A CN 114187781 B CN114187781 B CN 114187781B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- conflict
- behavior
- decision
- current
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/161—Decentralised systems, e.g. inter-vehicle communication
-
- 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
- Y02T10/80—Technologies aiming to reduce greenhouse gasses emissions common to all road transportation technologies
- Y02T10/84—Data processing systems or methods, management, administration
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种分布式多车协同行为决策方法和系统。本发明基于共识运动轨迹信息,根据运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式,能够不依靠道路指引信息,在各类非结构化道路下具有良好的表现;并且,本发明根据冲突形式生成车辆冲突集,根据车辆虚拟通行排列表和车辆冲突集构建车辆冲突关系有向图,基于车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树,使得车辆协同控制具有更高的实时性和灵活性;最后,本发明基于多车行为无冲突几何拓扑树根据车辆冲突集生成协同行为决策策略,实现了去中心化的多车协同行为决策解决方案,使得协同控制的实时性和灵活性得到进一步提高。
Description
技术领域
本发明涉及车辆协同控制技术领域,特别是涉及一种分布式多车协同行为决策方法和系统。
背景技术
与单个无人车相比,多车协同系统在执行各类复杂任务,如多车协同侦察、大面积环境探索、协同作业时,具有更大的优势,多车协同系统能够实现在空间上的离散分布,在不同工作区域同时工作,有利于取得更好的全局表现;且由于每个无人车都是独立的智能体单元,各平台可搭载不同的传感器和执行器实现不同功能,并通过通信功能和协同决策与规划控制算法相互协调,提升系统的工作效率;在个别平台发生故障的情况时,系统内其他个体仍能继续正常工作,提高了系统的稳定度和鲁棒性。然而在多无人车进行协同任务时,易产生局部运动冲突,使得多车产生碰撞危险及协同效率的降低。
目前大部分研究针对于城市结构化道路交叉路口环境下的多车协同问题,由于结构化道路边界清晰,结构简单,本身可提供充足的指引信息和运动形式的限制,能够为多车协同行为决策提供信息。然而,对于常见的任务导向的多车协同系统,往往需要其在非结构化道路下进行协同作业,故本领域需要一种不以道路作为指引信息,而是仅依靠车辆自身运动情况及其自身计算平台进行分布式协同行为决策的方法或系统。
发明内容
本发明的目的是提供一种分布式多车协同行为决策方法和系统,能够提高分布式多车协同规划的实时性和灵活性。
为实现上述目的,本发明提供了如下方案:
一种分布式多车协同行为决策方法,应用于车辆自身的计算平台;所述分布式多车协同行为决策方法包括:
获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息;
根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值;
根据所述代价函数值对所述当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表;
基于所述共识运动轨迹信息,根据所述运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式;
根据所述冲突形式生成车辆冲突集;所述车辆冲突集包括:交叉集、收敛集、相对集和发散集;所述车辆冲突集包括车辆冲突种类;所述车辆冲突种类基于所述冲突形式定义生成;所述车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突;
根据所述车辆虚拟通行排列表和所述车辆冲突集构建车辆冲突关系有向图;
基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树;所述多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权;
基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略;所述协同行为决策策略包括:避让行为决策和绕行决策;所述避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。
优选地,所述基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树,具体包括:
在所述车辆虚拟通行排列表的开头引入虚拟车辆节点0;
设置所述虚拟车辆节点0为根节点;
依据所述车辆冲突关系有向图确定车辆虚拟通行排列表中与当前车辆节点存在冲突的所有的车辆节点;
确定与当前车辆节点存在冲突的所有的车辆节点中具有最大深度的车辆节点,并将具有最大深度的车辆节点作为父节点;
添加从当前车辆节点到父节点的有向边,并设置深度,以形成多车行为无冲突几何拓扑树。
优选地,所述基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略,具体包括:
车辆行为决策在路径层面分为绕行决策和原有路径保持决策,在速度层面分为加速避让决策和减速避让决策,基于所述车辆冲突集中的冲突种类生成对应的行为决策结果;
当所述车辆冲突集中包含的冲突种类为相对冲突时,基于所述多车行为无冲突几何拓扑树生成绕行决策;
当所述车辆冲突集中包含的冲突种类为发散冲突时,将前车速度作为当前车辆的速度限制,并按当前车辆的原有路径行驶;
当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类。
优选地,所述当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类,具体包括:
当前车辆依据自身的当前运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图;
将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线;
当所述S-T参考线存在于障碍约束投影的上方时,当前车辆执行加速避让行为;当所述S-T参考线存在于障碍约束投影的下方时,当前车辆执行减速避让行为。
优选地,所述将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线,具体包括:
采用所述代价函数确定S-T图上车辆节点的代价值,以形成代价函数表;
将S-T图上终末时刻的代价值最小的节点作为速度参考线搜索终点,并回溯至S-T图上时间的起始点得到S-T参考线。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供的分布式多车协同行为决策方法,能够在非结构化畸形交叉路口环境下,仅依靠信息交互及车载计算平台,生成多车无冲突优先级行为决策。本发明基于共识运动轨迹信息,根据运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式,能够不依靠道路指引信息,在各类非结构化道路下具有良好的表现;并且,本发明根据冲突形式生成车辆冲突集,根据车辆虚拟通行排列表和车辆冲突集构建车辆冲突关系有向图,基于车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树,使得车辆协同控制具有更高的实时性和灵活性;最后,本发明基于多车行为无冲突几何拓扑树根据车辆冲突集生成协同行为决策策略,实现了去中心化的多车协同行为决策解决方案,使得协同控制的实时性和灵活性得到进一步提高。
对应于上述提供的分布式多车协同行为决策方法,本发明还提供了一种分布式多车协同行为决策系统,应用于车辆自身的计算平台;所述分布式多车协同行为决策系统包括:
获取模块,用于获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息;
代价函数值确定模块,用于根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值;
排列模块,用于根据所述代价函数值对所述当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表;
冲突形式判断模块,用于基于所述共识运动轨迹信息,根据所述运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式;
冲突集生成模块,用于根据所述冲突形式生成车辆冲突集;所述车辆冲突集包括:交叉集、收敛集、相对集和发散集;所述车辆冲突集包括车辆冲突种类;所述车辆冲突种类基于所述冲突形式定义生成;所述车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突;
有向图构建模块,用于根据所述车辆虚拟通行排列表和所述车辆冲突集构建车辆冲突关系有向图;
拓扑树构建模块,用于基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树;所述多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权;
协同规划模块,用于基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略;所述协同行为决策策略包括:避让行为决策和绕行决策;所述避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。
优选地,所述拓扑树构建模块包括:
虚拟节点引入子模块,用于在所述车辆虚拟通行排列表的开头引入虚拟车辆节点0;
根节点设置子模块,用于设置所述虚拟车辆节点0为根节点;
节点确定子模块,用于依据所述车辆冲突关系有向图确定车辆虚拟通行排列表中与当前车辆节点存在冲突的所有的车辆节点;
父节点确定子模块,用于确定与当前车辆节点存在冲突的所有的车辆节点中具有最大深度的车辆节点,并将具有最大深度的车辆节点作为父节点;
拓扑树构建子模块,用于添加从当前车辆节点到父节点的有向边,并设置深度,以形成多车行为无冲突几何拓扑树。
优选地,所述协同规划模块包括:
绕行决策生成子模块,用于当所述车辆冲突集中包含的冲突种类为相对冲突时,基于所述多车行为无冲突几何拓扑树生成绕行决策;
行驶保持子模块,用于当所述车辆冲突集中包含的冲突种类为发散冲突时,将前车速度作为当前车辆的速度限制,并按当前车辆的原有路径行驶;
避让决策判定子模块,用于当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类。
优选地,所述避让决策判定子模块包括:
S-T图构建单元,用于采用当前车辆依据自身的当前运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图;
S-T参考线生成单元,用于将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线;
避让行为确定单元,用于当所述S-T参考线存在于障碍约束投影的上方时,当前车辆执行加速避让行为,用于当所述S-T参考线存在于障碍约束投影的下方时,当前车辆执行减速避让行为。
优选地,所述S-T参考线生成单元包括:
代价函数表生成子单元,用于采用所述代价函数确定S-T图上车辆节点的代价值,以形成代价函数表;
S-T参考线生成子单元,用于将S-T图上终末时刻的代价值最小的节点作为速度参考线搜索终点,并回溯至S-T图上时间的起始点得到S-T参考线。
因本发明提供的分布式多车协同行为决策系统与上述提供的分布式多车协同行为决策方法实现的技术效果相同,故在此不再进行赘述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明提供的分布式多车协同行为决策方法的流程图;
图2为本发明提供的分布式多车协同行为决策方法的实施框架图;
图3为本发明实施例提供的按照交通规则代价函数计算后的车辆虚拟通信排列场景图;
图4为本发明实施例提供的冲突种类示意图;其中,图4(a)为交叉示意图,图4(b)为收敛示意图,图4(c)为相对示意图,图4(d)为发散示意图,图4(e)为不冲突示意图;
图5为本发明实施例提供的依据车辆虚拟通信排列场景中冲突关系构建的有向冲突图;
图6为本发明实施例提供的依据有相冲突生成的无冲突几何拓扑结构图;
图7为本发明实施例提供的构建S-T图投影并生成决策结果图;
图8为本发明提供的分布式多车协同行为决策系统的结构示意图。
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。
本发明的目的是提供一种分布式多车协同行为决策方法和系统,能够提高分布式多车协同规划的实时性和灵活性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1和2所示,本发明提供的分布式多车协同行为决策方法,应用于车辆自身的计算平台。该分布式多车协同行为决策方法包括:
步骤100:获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息。即获取交互多车协同系统可能冲突范围内所有车辆的运动轨迹。
步骤101:根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值。其中,类交通规则代价函数设计为:
类交通规则代价模拟人类世界交通规则,通常速度越快、行驶轨迹转向较小、且车重比较大的车辆具有较高路权,故类交通规则代价函数中,表示车辆运动规划信息的一系列车速,车速越快代价值越大,其代价权重表示为。为当前车辆行驶轨迹的弯曲程度,k表示每一离散路点的曲率,车辆行驶轨迹越偏向直线行驶时代价值越大,其代价权重表示为。G为当前车辆车重,车重越大的车辆在改变当前状态时所需消耗能量越高,也越难以及时响应各类复杂冲突,故车重高的车辆设计更高的代价值,倾向于优先通过,其代价权重表示为。i为车辆序号,i=1,2,...,n。
类交通规则代价函数表明,车辆速度大、倾向于直线行驶、自身重量较高的车辆,具有较大的代价函数,即改变当前运动状态所花费的代价较大。
步骤102:根据代价函数值对当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表。依据依据代价函数值C total 的大小由大到小构建车辆虚拟通行排列并标号1-n。一个典型场景下的多车交互冲突按照类交通规则代价函数计算后的车辆虚拟通行排列1-6,如图3所示,此典型场景表示在多车协同系统可能冲突范围内的每一车辆依据步骤一与其他车辆交互的共识运动轨迹信息,分别依靠车辆自身计算平台,计算每一车辆的虚拟排列顺序,并对每一车辆进行0-n的排列。
步骤103:基于共识运动轨迹信息,根据运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式。
步骤104:根据冲突形式生成车辆冲突集。车辆冲突集包括:交叉集、收敛集、相对集和发散集。车辆冲突集包括车辆冲突种类。车辆冲突种类基于冲突形式定义生成。车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突。例如,依据交互的所有车辆运动轨迹信息,每一车辆当前拥有的所有车辆运动轨迹信息相同,依据共识运动轨迹信息判断每一车辆i(i∈,i≤N)与其他车辆j(j∈,j≤N)之间的冲突形式S i,j ,并依据冲突形式S i,j 定义五种冲突种类:交叉、收敛、相对、发散和不冲突,如图4所示。并依据冲突种类将冲突划分为交叉集、收敛集、相对集和发散集,进一步地,总冲突集定义为交叉集、收敛集、相对集和发散集的并集,由在时空上分别具有交叉关系、收敛关系、相对关系和发散关系的冲突车辆组成。对于于局部冲突范围中的与每一车辆i具有S i,j 冲突的车辆j、车辆i的冲突集由位于车辆i虚拟排列顺序前面并与本车有冲突关系的所有车辆组成,即
步骤106:基于车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树。多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权。具体实施过程为:
设置虚拟车辆节点0为无冲突几何拓扑的根节点。其中,在计算出的车辆虚拟通行排列最前方引入虚拟车辆节点0,虚拟节点0在后续纵向冲突构建时并不起到实际作用,只在生成无冲突几何拓扑时将所有结果表示在一个深度优先生成树下。
对于计算的虚拟排列顺序车辆,依次进行以下步骤:
依据构建的车辆冲突关系有向图,找到当前车辆所有在其虚拟排列前方的并具有冲突的车辆。
找到当前车辆所有在虚拟排列前方的并具有冲突的车辆中具有最大深度k的车辆节点作为自己的父节点。
添加从当前车辆节点到父节点的有向边,并设置深度为k+1。
生成的多车行为无冲突几何拓扑树如图6所示,图6结果表示多车行为无冲突几何拓扑树中同一层级的车辆互相无冲突,层级高于自身的车辆行为对于本车行为有着优先概念,本车(当前车辆)需承担对层级高于自身的车辆的避让责任。
步骤107:基于多车行为无冲突几何拓扑树根据车辆冲突集生成协同行为决策策略。协同行为决策策略包括:避让行为决策和绕行决策。避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。在具体实施过程中,本发明可以将车辆行为决策在路径层面分为绕行决策和原有路径保持决策,在速度层面分为加速避让决策和减速避让决策,基于所述车辆冲突集中的冲突种类生成对应的行为决策结果。其中,对行为优先级高于自身的车辆生成避让行为,将避让行为定义为加速避让、减速避让、绕行避让等。对于相对冲突,需直接生成绕行决策。对于发散冲突,将前车速度作为自身速度限制,并按原有路径继续行驶。然而对于交叉冲突和收敛冲突,本发明提出了一种依据代价函数的方式,判定执行加速避让行为或者减速避让行为。实际的实施过程为:
本车依据当前自身运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图,将冲突车辆作为障碍约束投影,在S-T图上进行分层动态规划搜索生成S-T参考线,作为决策信息输出,当S-T参考线存在于障碍约束投影的上方,表明进行加速避让的代价较小。当S-T参考线存在于障碍约束投影的下方,表明进行减速避让的代价较小。
代价函数包含了三种因素,分别表示安全性倾向、通过性倾向和状态改变倾向:
其中,(i,j)表示i时刻到达自身Frenet坐标系下S i,j 位置,n i,j 为与i时刻S i,j 位置对应的离散点,n i-1,k 为i-1时刻与S i-1,k 位置对应的离散点,c i-1,k 表示n i-1,k 点的总代价值,C Safety(n i,j )表示n i,j 点的安全性倾向代价值,C traffic(n i,j )表示为n i,j 点的通过性倾向代价值,C State(n i,j )表示为n i,j 点的状态改变倾向代价值。
对于当前遍历点n i,j ,将冲突车辆障碍约束投影的上下界表示为S upper,i 和S slower,i ,将当前点距离障碍的距离d ob,i,j 表示为:
ω Safety表示安全性倾向的权重,则可以将安全性倾向表示为:
其中,d Safety表示当前点距离障碍的最大安全距离。
通过性倾向表示车辆规划的激进程度,车辆在当前时刻所处的弧长数值越大,意味着车辆越倾向于加速行驶越过其他车辆,车辆往往表现出倾向于激进的行为,将S max表示为期望到达的点离当前点的距离,ω traffic表示通过性倾向的权重,其代价函数设计为:
状态改变倾向表示车辆运动状态的平稳程度,状态改变倾向性越高,意味着车辆越倾向于通过更加频繁地改变自己的状态来进行更加快速的车辆加减速,其代价函数设计为:
考虑车辆安全行驶性、平稳性、平顺性程度,分别由n i,j 点的弧长S i,j 、速度v i,j 、加速度a i,j 与上一个点n i-1,k 对应值的差商衡量。其中,C State(n i-1,k ,n i,j )为安全性倾向代价函数,C Speed(n i-1,k ,n i,j )为安全行驶性程度代价函数,C Acc(n i-1,k ,n i,j )为平稳性程度代价函数,C Jerk(n i-1,k ,n i,j )为平顺性程度代价函数。
安全行驶性、平稳性、平顺性程度代价函数的权重分别设置为ω v ,ω a ,ω j ,则其对应的代价函数C Speed(n i-1,k ,n i,j )、C Acc(n i-1,k ,n i,j )、C Jerk(n i-1,k ,n i,j )分别表示为:
弧长S i,j 、速度v i,j 、加速度a i,j 与上一个点n i-1,k 对应值的差商为当前点的速度v i,j 、加速度a i,j 和加加速度A i,j ,通过以下表达式求得
其中,Δt为时间差。
对于离散时间下的每一步长,理论上需遍历所有对应的离散弧长节点,然而对于一个大规模动态规划问题,其时间复杂度过高,不利于实时性需求,故依据设定的车辆最大最小加速度a max和a min约束对下一时刻的遍历点弧长范围进行限制,依据上文差商公式获取当前遍历点的速度值,则对于当前时刻当前点,下一时刻可到达的最大最小弧长点S i+1,max、S i+1,min分别为:
从而限制动态规划搜索空间,提高算法效率。
依次计算节点的代价值,构成代价函数表,将终末时刻代价最小的节点作为速度参考线搜索终点,并回溯至时间初始节点,即可得到完整的S-T参考线,如图7所示,并依据参考线生成加速或是减速避让决策。
综上,本发明提出了一种基于纵向冲突有向图搜索的分布式多车协同行为决策方法,分布式进行多车优先级行为决策,构建无冲突几何拓扑,具有更高的实时性和灵活性。本发明提出的基于类交通规则代价函数和冲突集构建车辆纵向冲突有向图的方法,仅依靠车辆运动规划信息快速划分车辆冲突关系,并不依靠道路指引信息,能够在各类非结构化道路下具有良好的表现。本发明提出的基于车辆纵向冲突有向图进行深度优先搜索,并依据S-T图进行优先级行为决策的方式,能够依靠共识信息,各车分布式地决策避让行为,提供了一种去中心化的多车协同行为决策解决方案,具有良好的实时性和灵活性。
此外,对应于上述提供的分布式多车协同行为决策方法,本发明还提供了一种分布式多车协同行为决策系统,应用于车辆自身的计算平台。如图8所示,该分布式多车协同行为决策系统包括:获取模块1、代价函数值确定模块2、排列模块3、冲突形式判断模块4、冲突集生成模块5、有向图构建模块6、拓扑树构建模块7和协同规划模块8。
获取模块1用于获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息。
代价函数值确定模块2用于根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值。
排列模块3用于根据代价函数值对当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表。
冲突形式判断模块4用于基于共识运动轨迹信息,根据运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式。
冲突集生成模块5用于根据冲突形式生成车辆冲突集。车辆冲突集包括:交叉集、收敛集、相对集和发散集。车辆冲突集包括车辆冲突种类。车辆冲突种类基于冲突形式定义生成。车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突。
有向图构建模块6用于根据车辆虚拟通行排列表和车辆冲突集构建车辆冲突关系有向图。
拓扑树构建模块7用于基于车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树。多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权。
协同规划模块8用于基于多车行为无冲突几何拓扑树根据车辆冲突集生成协同行为决策策略。协同行为决策策略包括:避让行为决策和绕行决策。避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。
作为本发明的一实施例,上述采用的拓扑树构建模块7还可以包括:虚拟节点引入子模块、根节点设置子模块、节点确定子模块、父节点确定子模块和拓扑树构建子模块。
虚拟节点引入子模块用于在车辆虚拟通行排列表的开头引入虚拟车辆节点0。
根节点设置子模块用于设置虚拟车辆节点0为根节点。
节点确定子模块用于依据车辆冲突关系有向图确定车辆虚拟通行排列表中与当前车辆节点存在冲突的所有的车辆节点。
父节点确定子模块用于确定与当前车辆节点存在冲突的所有的车辆节点中具有最大深度的车辆节点,并将具有最大深度的车辆节点作为父节点。
拓扑树构建子模块用于添加从当前车辆节点到父节点的有向边,并设置深度,以形成多车行为无冲突几何拓扑树。
作为本发明的再一实施例,上述采用的协同规划模块8包括:绕行决策生成子模块、行驶保持子模块和避让决策判定子模块。
绕行决策生成子模块,用于当车辆冲突集中包含的冲突种类为相对冲突时,基于多车行为无冲突几何拓扑树生成绕行决策。
行驶保持子模块,用于当车辆冲突集中包含的冲突种类为发散冲突时,将前车速度作为当前车辆的速度限制,并按当前车辆的原有路径行驶。
避让决策判定子模块,用于当车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类。
作为本发明的另一实施例,上述采用的避让决策判定子模块包括:S-T图构建单元、S-T参考线生成单元和避让行为确定单元。
S-T图构建单元用于采用当前车辆依据自身的当前运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图。
S-T参考线生成单元用于将冲突车辆作为障碍约束投影,依据代价函数在S-T图上进行分层动态规划搜索生成S-T参考线。
避让行为确定单元用于当S-T参考线存在于障碍约束投影的上方时,当前车辆执行加速避让行为,用于当S-T参考线存在于障碍约束投影的下方时,当前车辆执行减速避让行为。
作为本发明的又一实施例,上述采用的S-T参考线生成单元包括:代价函数表生成子单元和S-T参考线生成子单元。
代价函数表生成子单元用于采用代价函数确定S-T图上车辆节点的代价值,以形成代价函数表。
S-T参考线生成子单元用于将S-T图上终末时刻的代价值最小的节点作为速度参考线搜索终点,并回溯至S-T图上时间的起始点得到S-T参考线。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种分布式多车协同行为决策方法,其特征在于,应用于车辆自身的计算平台;所述分布式多车协同行为决策方法包括:
获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息;所述共识运动轨迹信息为运动冲突区域的多车运动轨迹信息;
根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值;其中,类交通规则代价函数设计为:
;表示代价函数值,表示车辆运动规划信息的一系列车速,表示车辆运动规划信息的一系列车速的代价权重,表示当前车辆行驶轨迹的弯曲程度,k表示每一离散路点的曲率,表示当前车辆行驶轨迹的弯曲程度的代价权重,G为当前车辆车重,表示当前车辆车重的代价权重表示,i为车辆序号,i=1,2,...,n;
根据所述代价函数值对所述当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表;
基于所述共识运动轨迹信息,根据所述运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式;
根据所述冲突形式生成车辆冲突集;所述车辆冲突集包括:交叉集、收敛集、相对集和发散集;所述车辆冲突集包括车辆冲突种类;所述车辆冲突种类基于所述冲突形式定义生成;所述车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突;
根据所述车辆虚拟通行排列表和所述车辆冲突集构建车辆冲突关系有向图;
基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树;所述多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权;
基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略;所述协同行为决策策略包括:避让行为决策和绕行决策;所述避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。
2.根据权利要求1所述的分布式多车协同行为决策方法,其特征在于,所述基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树,具体包括:
在所述车辆虚拟通行排列表的开头引入虚拟车辆节点0;
设置所述虚拟车辆节点0为根节点;
依据所述车辆冲突关系有向图确定车辆虚拟通行排列表中与当前车辆节点存在冲突所有的车辆节点;
确定与当前车辆节点存在冲突所有的车辆节点中具有最大深度的车辆节点,并将具有最大深度的车辆节点作为父节点;
添加从当前车辆到父节点的有向边,并设置深度,以形成多车行为无冲突几何拓扑树。
3.根据权利要求1所述的分布式多车协同行为决策方法,其特征在于,所述基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略,具体包括:
车辆行为决策在路径层面分为绕行决策和原有路径保持决策,在速度层面分为加速避让决策和减速避让决策,基于所述车辆冲突集中的冲突类型生成对应的行为决策结果;
当所述车辆冲突集中包含的冲突种类为相对冲突时,基于所述多车行为无冲突几何拓扑树生成绕行决策;
当所述车辆冲突集中包含的冲突种类为发散冲突时,将前车速度作为当前车辆的速度限制,并按当前车辆的原有路径行驶;
当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类。
4.根据权利要求3所述的分布式多车协同行为决策方法,其特征在于,所述当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类,具体包括:
当前车辆依据自身的当前运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图;
将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线;
当所述S-T参考线存在于障碍约束投影的上方时,当前车辆执行加速避让行为;当所述S-T参考线存在于障碍约束投影的下方时,当前车辆执行减速避让行为。
5.根据权利要求4所述的分布式多车协同行为决策方法,其特征在于,所述将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线,具体包括:
采用所述代价函数确定S-T图上车辆节点的代价值,以形成代价函数表;
将S-T图上终末时刻的代价值最小的节点作为速度参考线搜索终点,并回溯至S-T图上时间的起始点得到S-T参考线。
6.一种分布式多车协同行为决策系统,其特征在于,应用于车辆自身的计算平台;所述分布式多车协同行为决策系统包括:
获取模块,用于获取当前场景中所有车辆的运动轨迹和共识运动轨迹信息;所述共识运动轨迹信息为运动冲突区域的多车运动轨迹信息;
代价函数值确定模块,用于根据当前场景中所有车辆的速度、运动轨迹的弯曲程度和车辆的重量按照类交通规则代价函数确定当前场景中每一车辆的代价函数值;其中,代价函数设计为:
;表示代价函数值,表示车辆运动规划信息的一系列车速,表示车辆运动规划信息的一系列车速的代价权重,表示当前车辆行驶轨迹的弯曲程度,k表示每一离散路点的曲率,表示当前车辆行驶轨迹的弯曲程度的代价权重,G为当前车辆车重,表示当前车辆车重的代价权重表示,i为车辆序号,i=1,2,...,n;
排列模块,用于根据所述代价函数值对所述当前场景中的所有车辆进行通行排序得到车辆虚拟通行排列表;
冲突形式判断模块,用于基于所述共识运动轨迹信息,根据所述运动轨迹判断当前场景中一车辆与其他车辆间的冲突形式;
冲突集生成模块,用于根据所述冲突形式生成车辆冲突集;所述车辆冲突集包括:交叉集、收敛集、相对集和发散集;所述车辆冲突集包括车辆冲突种类;所述车辆冲突种类基于所述冲突形式定义生成;所述车辆冲突种类包括:交叉冲突、收敛冲突、相对冲突、发散冲突和不冲突;
有向图构建模块,用于根据所述车辆虚拟通行排列表和所述车辆冲突集构建车辆冲突关系有向图;
拓扑树构建模块,用于基于所述车辆冲突关系有向图,利用深度优先搜索算法生成多车行为无冲突几何拓扑树;所述多车行为无冲突几何拓扑树中同一层级的车辆间无冲突,层级高的车辆具有优先通行权;
协同规划模块,用于基于所述多车行为无冲突几何拓扑树,根据所述车辆冲突集生成协同行为决策策略;所述协同行为决策策略包括:避让行为决策和绕行决策;所述避让行为决策包括:加速避让行为、减速避让行为和绕行避让行为。
7.根据权利要求6所述的分布式多车协同行为决策系统,其特征在于,所述拓扑树构建模块包括:
虚拟节点引入子模块,用于在所述车辆虚拟通行排列表的开头引入虚拟车辆节点0;
根节点设置子模块,用于设置所述虚拟车辆节点0为根节点;
节点确定子模块,用于依据所述车辆冲突关系有向图确定车辆虚拟通行排列表中与当前车辆节点存在冲突所有的车辆节点;
父节点确定子模块,用于确定与当前车辆节点存在冲突所有的车辆节点中具有最大深度的车辆节点,并将具有最大深度的车辆节点作为父节点;
拓扑树构建子模块,用于添加从当前车辆到父节点的有向边,并设置深度,以形成多车行为无冲突几何拓扑树。
8.根据权利要求6所述的分布式多车协同行为决策系统,其特征在于,所述协同规划模块包括:
绕行决策生成子模块,用于当所述车辆冲突集中包含的冲突种类为相对冲突时,基于所述多车行为无冲突几何拓扑树生成绕行决策;
行驶保持子模块,用于当所述车辆冲突集中包含的冲突种类为发散冲突时,将前车速度作为当前车辆的速度限制,并按当前车辆的原有路径行驶;
避让决策判定子模块,用于当所述车辆冲突集中包含的冲突种类为交叉冲突或收敛冲突时,依据代价函数判定执行的避让行为决策的种类。
9.根据权利要求8所述的分布式多车协同行为决策系统,其特征在于,所述避让决策判定子模块包括:
S-T图构建单元,用于采用当前车辆依据自身的当前运动轨迹,将冲突车辆投影到自身Frenet坐标系下,构建S-T图;
S-T参考线生成单元,用于将冲突车辆作为障碍约束投影,依据代价函数在所述S-T图上进行分层动态规划搜索生成S-T参考线;
避让行为确定单元,用于当所述S-T参考线存在于障碍约束投影的上方时,当前车辆执行加速避让行为,用于当所述S-T参考线存在于障碍约束投影的下方时,当前车辆执行减速避让行为。
10.根据权利要求9所述的分布式多车协同行为决策系统,其特征在于,所述S-T参考线生成单元包括:
代价函数表生成子单元,用于采用所述代价函数确定S-T图上车辆节点的代价值,以形成代价函数表;
S-T参考线生成子单元,用于将S-T图上终末时刻的代价值最小的节点作为速度参考线搜索终点,并回溯至S-T图上时间的起始点得到S-T参考线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123133.2A CN114187781B (zh) | 2022-02-10 | 2022-02-10 | 一种分布式多车协同行为决策方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210123133.2A CN114187781B (zh) | 2022-02-10 | 2022-02-10 | 一种分布式多车协同行为决策方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114187781A CN114187781A (zh) | 2022-03-15 |
CN114187781B true CN114187781B (zh) | 2022-05-17 |
Family
ID=80545832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210123133.2A Active CN114187781B (zh) | 2022-02-10 | 2022-02-10 | 一种分布式多车协同行为决策方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114187781B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840454B (zh) * | 2023-02-20 | 2023-05-12 | 江苏集萃清联智控科技有限公司 | 非结构化道路冲突区域的多车轨迹协同规划方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
CN111445692A (zh) * | 2019-12-24 | 2020-07-24 | 清华大学 | 一种无信号灯路口智能网联汽车的速度协同优化方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11145197B2 (en) * | 2019-03-13 | 2021-10-12 | Mitsubishi Electric Research Laboratories, Inc. | Joint control of vehicles traveling on different intersecting roads |
-
2022
- 2022-02-10 CN CN202210123133.2A patent/CN114187781B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106251016A (zh) * | 2016-08-01 | 2016-12-21 | 南通大学 | 一种基于动态时间窗的泊车系统路径规划方法 |
CN110298122A (zh) * | 2019-07-03 | 2019-10-01 | 北京理工大学 | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 |
CN111445692A (zh) * | 2019-12-24 | 2020-07-24 | 清华大学 | 一种无信号灯路口智能网联汽车的速度协同优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114187781A (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
WO2022052406A1 (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
CN108225364A (zh) | 一种无人驾驶汽车驾驶任务决策系统及方法 | |
Wang et al. | Cooperative ramp merging system: Agent-based modeling and simulation using game engine | |
CN112888612A (zh) | 自动驾驶车辆规划 | |
CN110954122B (zh) | 高速场景下的自动驾驶轨迹生成方法 | |
CN110018689A (zh) | 一种基于动态窗口的多虚拟目标点全局动态路径规划算法 | |
CN109115220B (zh) | 一种用于停车场系统路径规划的方法 | |
CN112284393A (zh) | 一种智能移动机器人全局路径规划方法和系统 | |
CN114281084B (zh) | 一种基于改进a*算法的智能车全局路径规划方法 | |
CN112406905B (zh) | 基于交通工具的数据处理方法、装置、计算机及存储介质 | |
Mouhagir et al. | A markov decision process-based approach for trajectory planning with clothoid tentacles | |
CN114187781B (zh) | 一种分布式多车协同行为决策方法和系统 | |
US20220340177A1 (en) | Systems and methods for cooperative driving of connected autonomous vehicles in smart cities using responsibility-sensitive safety rules | |
Debada et al. | Occlusion-aware motion planning at roundabouts | |
CN115257819A (zh) | 城市低速环境下的大型营运车辆安全驾驶决策方法 | |
CN114919578A (zh) | 智能车行为决策方法、规划方法、系统及存储介质 | |
Medina-Lee et al. | Reachability estimation in dynamic driving scenes for autonomous vehicles | |
CN114035569A (zh) | 一种航站楼载人机器人路径拓展通行方法 | |
CN115220461B (zh) | 室内复杂环境下机器人单体系统及多机器人交互协同方法 | |
CN113885567B (zh) | 一种基于冲突搜索的多无人机的协同路径规划方法 | |
CN111596668B (zh) | 基于逆向强化学习的移动机器人拟人化路径规划方法 | |
Saraoglu et al. | A Minimax-Based Decision-Making Approach for Safe Maneuver Planning in Automated Driving | |
Rebollo et al. | Collision avoidance among multiple aerial robots and other non-cooperative aircraft based on velocity planning | |
Jiang et al. | A review of traffic behaviour and intelligent driving at roundabouts based on a microscopic perspective |
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 |