CN114261389B - 自动驾驶商用车的行驶轨迹碰撞风险分析方法 - Google Patents

Abstract

本发明涉及自动驾驶商用车的行驶轨迹碰撞风险分析方法，包含步骤：同时进行目标车辆轨迹生成操作和自车轨迹生成操作；分别进行自车包络操作和目标车辆包络操作，获得自车包络模型和目标车辆包络模型；根据目标车辆预测相对位置、目标车辆预测相对速度偏差、自车预测相对位置、自车预测相对速度偏差、自车包络模型、目标车辆包络模型，计算在未来的预测时间的时刻，所有会发生有自车包络模型与目标车辆包络模型重叠的碰撞轨迹对；计算每个碰撞轨迹对的碰撞指标；性输出所有的碰撞指标。本发明可以适用绝大部分的驾驶场景；为下一步的碰撞回避策略提供更有价值的数据支撑；极大降低计算量需求，进一步大幅降低车载电脑的成本。

Description

自动驾驶商用车的行驶轨迹碰撞风险分析方法

技术领域

本发明涉及自动驾驶技术领域，具体地涉及自动驾驶商用车的行驶轨迹碰撞风险分析方法。

背景技术

对于自动驾驶汽车，如何避免碰撞永远是最核心也最难解决的问题。而在碰撞回避这一领域中，无论哪种回避策略，都必须依赖于碰撞风险来做出下一步策略判断，因此可以认为，碰撞风险的分析结果是碰撞回避策略的基础。

现有技术对于碰撞风险有很多种方法，但都属于两类技术：层次法和危险值法。其中：

层次法最具有代表性的技术方案为中国申请号为CN201810714331.X，专利名称为车辆碰撞风险评价模型的建立方法和碰撞风险评价方法的发明专利申请；该专利基于层次分析法，根据判断矩阵计算出评价指标的权重，并根据评价指标的权重建立车辆碰撞风险评价模型。

该方法的缺陷在于：

1.由于设定的权重指标矩阵的合理性会极大的影响判断的结果，从而导致在不同驾驶场景下适用性一般；

2.由于矩阵求解在嵌入式系统中实现与求解比较复杂，对车载计算机的算力有相当高的要求，从而导致能应用此方法的车载电脑其成本极高，不具有推广前景。

危险值法最具有代表性的技术方案为中国申请号为CN201410709191.9，专利名称为用于自动评价车辆和物体之间的碰撞风险的方法和装置的发明专利申请；该专利基于危险值法，具体来说是基于车辆和此最后可能制动位置之间的当前距离确定第一危险值(BTN)、车辆和此最后可能规避位置之间的当前距离确定第二危险值(STN)，以及基于两个危险值评价该碰撞风险。

该方法的缺陷在于：

由于计算的危险值依赖距离值，其它因素考虑的较少，从而导致实际上判定非常粗糙，在真实而复杂的道路环境中无法使用，不具有实用价值。

发明内容

本发明针对上述问题，提供自动驾驶商用车的行驶轨迹碰撞风险分析方法，其目的在于可以适用绝大部分的驾驶场景；为下一步的碰撞回避策略提供更有价值的数据支撑；极大降低计算量需求，进一步大幅降低车载电脑的成本。

为解决上述问题，本发明提供的技术方案为：

自动驾驶商用车的行驶轨迹碰撞风险分析方法，包含以下步骤：

S100.在商用车自车的自动驾驶过程中，同时进行目标车辆轨迹生成操作和自车轨迹生成操作；其中：所述目标车辆轨迹生成操作按以下步骤Sa100～Sa400进行；所述自车轨迹生成操作按以下步骤Sc100～Sc300进行；

Sa100.以人工预设的采集频率，持续采集目标车辆的目标车辆运动状态信号；所述目标车辆运动状态信号包含目标车辆相对距离、目标车辆相对速度、目标车辆加速度、目标车辆宽度和目标车辆长度；所述目标车辆相对距离通过安装在自车上的感知融合传感器采集获得；所述目标车辆相对速度通过安装在自车上的感知融合传感器采集获得；所述目标车辆加速度通过安装在自车上的感知融合传感器采集获得；所述目标车辆宽度通过安装在自车上的感知融合传感器采集获得；所述目标车辆长度通过安装在自车上的感知融合传感器采集获得；

然后将每次采集的所述目标车辆运动状态信号加盖时间戳；然后将加盖有时间戳的所述目标车辆运动状态信号以时间戳增续排列成目标车辆目标车辆运动状态信号队列；

Sa200.以人工预设窗口长度的采样窗口，按人工预设的采样步长，持续从所述目标车辆目标车辆运动状态信号队列中采样；所述窗口长度的单位为个，表征从所述目标车辆目标车辆运动状态信号队列连续取出的所述目标车辆运动状态信号的个数；所述采样步长的单位为秒，表征相邻两个所述采样窗口出现的时间间隔；

然后将每个所述采样窗口取出的所述目标车辆运动状态信号打包，形成采样点；每个所述采样点由当次取出的所述目标车辆运动状态信号以时间戳增续排列组成；

然后将每次采样的所述采样点按采样顺序，排列成目标车辆采样点队列；

Sa300.按人工预设的取点间隔，从所述目标车辆采样点队列中间隔取出加盖有时间戳的所述目标车辆运动状态信号；

然后将间隔取出的加盖有时间戳的所述目标车辆运动状态信号，拟合得到目标车辆的目标车辆历史轨迹曲线；

然后根据所述目标车辆历史轨迹曲线，得到目标车辆的在人工预设的预测时间内的目标车辆预测相对位置和目标车辆预测相对速度偏差；在所述预测时间范围内，每隔人工预设的预测计算间隔时间，计算一次所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差；所述目标车辆预测相对位置的偏移量计算基础为时间戳的值最大的一个所述目标车辆运动状态信号中所包含的所述目标车辆相对距离；所述目标车辆预测相对速度偏差的偏差计算基础为时间戳的值最大的一个所述目标车辆运动状态信号中所包含的所述目标车辆相对速度；

Sa400.将目标车辆在所述预测时间内的所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差拟合成目标车辆预测轨迹；

Sc100.按所述采集频率，持续采集自车的自车运动状态信号和车道数据信号；所述自车运动状态信号包含自车方向盘转角、自车速度和自车加速度；所述车道数据信号包含自车-车道中线距离和车道形状参数；

Sc200.采用车辆运动学模型，将每次采集到的所述自车运动状态信号和所述车道数据信号拟合得到自车在所述预测时间内的自车预测相对位置和自车预测相对速度偏差；在所述预测时间范围内，每隔所述预测计算间隔时间，计算人工预设自车预测个数的所述自车预测相对位置和所述自车预测相对速度偏差；所述自车预测相对位置的偏移量计算基础为最近一次采集的所述车道数据信号中所包含的所述自车-车道中线距离和所述车道形状参数；所述自车预测相对速度偏差的偏差计算基础为最近一次采集的所述自车运动状态信号中所包含的所述自车速度；

Sc300.将自车在所述预测时间内的所述自车预测个数的所述自车预测相对位置和所述自车预测相对速度偏差拟合成自车预测轨迹；

S200.分别进行自车包络操作和目标车辆包络操作，获得自车包络模型和目标车辆包络模型；所述自车包络模型和所述目标车辆包络模型都由多个圆形包络组成；

S300.根据所述目标车辆预测相对位置、所述目标车辆预测相对速度偏差、所述自车预测相对位置、所述自车预测相对速度偏差、所述自车包络模型、所述目标车辆包络模型，计算在未来的所述预测时间的时刻，所有会发生有所述自车包络模型与所述目标车辆包络模型重叠的碰撞轨迹对；每个所述碰撞轨迹对包含一个目标车辆轨迹点和一个自车轨迹点；所述目标车辆轨迹点包含在未来的所述预测时间的时刻的所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差；所述自车轨迹点包含在未来的所述预测时间的时刻的所述自车预测相对位置和所述自车预测相对速度偏差；

S400.计算每个所述碰撞轨迹对的碰撞指标；然后一次性输出所有的所述碰撞指标；所述碰撞指标即为本发明的碰撞风险分析方法的最终结果。

优选地，Sa200中，所述将每次采样的所述采样点按采样顺序，排列成目标车辆采样点队列，具体包含以下步骤：

Sa210.建立所述目标车辆采样点队列；所述目标车辆采样点队列的最大长度由人工预设；所述目标车辆采样点队列包含指向所述目标车辆采样点队列的目标车辆采样点队列头部指针、用于遍历所述目标车辆采样点队列的目标车辆采样点队列偏移指针和目标车辆采样点队列存储单元；所述目标车辆采样点队列偏移指针的初始值为0；每个所述目标车辆采样点队列存储单元的长度和数据结构都与一个所述采样点相同；

Sa220.判定当前时刻所述目标车辆采样点队列是否已经存满，然后根据判定结果作出如下操作：

如果当前时刻所述目标车辆采样点队列尚未存满，则直接将最近一次采样得到的所述采样点按顺序存入所述目标车辆采样点队列；

如果当前时刻所述目标车辆采样点队列尚未存满，则将队列最末端的所述采样点弹出丢弃，然后再将最近一次采样得到的所述采样点按顺序存入所述目标车辆采样点队列。

优选地，Sa300中，采用多项式拟合公式拟合得到目标车辆的目标车辆历史轨迹曲线；所述多项式拟合公式按下式表达：

其中：X为目标车辆在车身坐标系下的横坐标位移；所述车身坐标系为直角坐标系，原点由人工预设，横坐标轴的正方向为目标车辆的车头行驶方向，纵坐标轴的正方向为横坐标轴的正方向旋转

Y为目标车辆在所述车身坐标系下的纵坐标位移；a为与所述目标车辆相对距离、所述目标车辆相对速度、所述目标车辆加速度相关的无量纲的多项式系数；b为与所述目标车辆相对距离、所述目标车辆相对速度、所述目标车辆加速度相关的无量纲的多项式系数；t为时间，从时间戳读取获得。

优选地，Sc200中，所述车辆运动学模型按下式表达：

其中：C_af为自车的前轮侧偏刚度，通过查找自车的技术手册获取；C_ar为自车的后轮侧偏刚度，通过查找自车的技术手册获取；V_x为自车的所述自车速度；I_z为自车的车辆转动惯量，由ECU提供；l_f为自车的车辆前轴距，通过查找自车的技术手册获取；l_r为自车的车辆后轴距，通过查找自车的技术手册获取；

为自车的车辆航向角，由所述自车方向盘转角、所述自车速度和所述自车加速度计算获得；δ为前轮转角，由转角传感器获得。

优选地，S200中，所述自车包络操作包含以下步骤：

Sd210.根据所述自车预测轨迹和自车的自车车辆长度，在自车的自车车辆中轴线上生成多个的自车包络圆心；所述自车车辆长度通过查找自车的技术手册获取；

Sd220.以每个所述自车包络圆心为圆心，以自车的自车车辆宽度乘以人工预设的自车半径折算系数的得到的数值长度为半径，做自车包络圆；所述自车车辆宽度通过查找自车的技术手册获取；

Sd230.按人工预设的权重分配规则，按每个所述自车包络圆心在所述自车车辆中轴线中的位置，对每个所述自车包络圆设置风险权重值；

Sd240.将生成的所有的圆组合起来，得到所述自车包络模型。

优选地，S200中，所述目标车辆包络操作包含以下步骤：

Se210.根据所述目标车辆预测轨迹和目标车辆的目标车辆长度，在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心；

Se220.判定目标车辆是否在自车的正前方或正后方，并更加判定结果作出如下操作：

如果目标车辆在自车的正前方或正后方，则从多个所述目标车辆包络圆心中选取一个，舍弃其余的所述目标车辆包络圆心；用一个以所述目标车辆包络圆心为圆心的圆形作为目标车辆包络圆；所述目标车辆包络圆的半径根据所述目标车辆宽度乘以人工预设的目标车辆半径折算系数计算得到；然后将这一个所述目标车辆包络圆作为所述目标车辆包络模型；所述目标车辆包络模型即为本步的输出结果；

如果目标车辆不在自车的正前方或正后方，则根据所述目标车辆预测轨迹和目标车辆的目标车辆长度，则在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心；然后执行Se230；

Se230.以每个所述目标车辆包络圆心为圆心，以所述目标车辆宽度乘以人工预设的目标车辆半径折算系数的得到的数值长度为半径，做目标车辆包络圆；

Se240.按人工预设的权重分配规则，按每个所述目标车辆包络圆心在所述目标车辆中轴线中的位置，对每个所述目标车辆包络圆设置风险权重值；

Sd240.将生成的所有的圆组合起来，得到所述目标车辆包络模型。

优选地，S300中满足下式即判定在未来的所述预测时间的时刻，所有会发生有所述自车包络模型与所述目标车辆包络模型重叠的碰撞轨迹对成立：

其中：R_ego为自车包络圆的半径；R_target为目标车辆包络圆的半径；△S为所述目标车辆包络圆心到所述自车包络圆心的距离，按下式计算：

其中：X_ego为所述自车包络圆心在所述车身坐标系下的横坐标；X_target为所述目标车辆包络圆心在所述车身坐标系下的横坐标；Y_ego为所述自车包络圆心在所述车身坐标系下的纵坐标；Y_target为所述目标车辆包络圆心在所述车身坐标系下的纵坐标。

优选地，S400中所述碰撞指标按下式表达：

其中：F_target为所述碰撞指标；target＝human表示目标判定为人类；target＝vehicle表示目标判定为车辆；△φ为基于航向夹角的安全系数，由人工设定；w为包络区域风险权重，由人工设定；M为自车的质量，通过查找自车的技术手册获取；Ms为自车的质量，通过根据感知的车辆尺寸预先设置默认值获得；V为自车碰撞前车速，由ECU提供；

为自车碰撞后车速，由ECU提供默认碰撞后车速为0；Vs为目标车辆碰撞前车速，通过感知融合传感器获得；

为目标车辆碰撞后车速，默认为0。

优选地，所述窗口长度为40；所述采样步长为0.05s。

优选地，所述预测计算间隔时间为0.05s。

本发明与现有技术对比，具有以下优点：

1.由于本发明通过对商用车进行多圆包络，对每一个包络圆根据所处的车辆位置辅以不同的危险权重值，同时又针对商用车会发生的大面积侧面碰撞，用加权累加各个发生碰撞的包络圆的碰撞危害值，从而做到了对于不同的车辆的不同的部位都有合理的权重表示，进而使得可以适用绝大部分的驾驶场景；

2.由于本发明专门为了应对侧面车身的碰撞情况，采用了碰撞点的航向角夹角作为危害值放大系数，而商用车的侧面碰撞其概率、面积都较普通车辆更大，从而在危害值放大系的作用下为下一步的碰撞回避策略提供了更有价值的数据支撑；

3.由于本发明选取了有限个数的自车预测轨迹，且对于目标车辆只有一条可能性最高的预测轨迹，从而极大降低了计算量需求，进一步也降低了对车载电脑的性能要求，大幅降低了车载电脑的成本，极具推广价值。

附图说明

图1是本发明具体实施例的流程示意图；

图2是本发明具体实施例的采样窗口示意图；

图3a是本发明具体实施例的在车道上的轨迹预测示意图；

图3b是本发明具体实施例的在车身坐标系下的轨迹预测示意图；

图4是本发明具体实施例的目标包络示意图；

图5是本发明具体实施例的碰撞指标计算示意图；

图6是本发明具体实施例的自动驾驶控制器的架构示意图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

如图1所示自动驾驶商用车的行驶轨迹碰撞风险分析方法，包含以下步骤：

S100.在商用车自车的自动驾驶过程中，同时进行目标车辆轨迹生成操作和自车轨迹生成操作；其中：目标车辆轨迹生成操作按以下步骤Sa100～Sa400进行；自车轨迹生成操作按以下步骤Sc100～Sc300进行。

Sa100.以人工预设的采集频率，持续采集目标车辆的目标车辆运动状态信号；目标车辆运动状态信号包含目标车辆相对距离、目标车辆相对速度、目标车辆加速度、目标车辆宽度和目标车辆长度；目标车辆相对距离通过安装在自车上的感知融合传感器采集获得；目标车辆相对速度通过安装在自车上的感知融合传感器采集获得；目标车辆加速度通过安装在自车上的感知融合传感器采集获得；目标车辆宽度通过安装在自车上的感知融合传感器采集获得；目标车辆长度通过安装在自车上的感知融合传感器采集获得。

然后将每次采集的目标车辆运动状态信号加盖时间戳；然后将加盖有时间戳的目标车辆运动状态信号以时间戳增续排列成目标车辆目标车辆运动状态信号队列；

Sa200.以人工预设窗口长度的采样窗口，按人工预设的采样步长，持续从目标车辆目标车辆运动状态信号队列中采样，截取定长度的目标车辆运动状态信号用于分析；窗口长度的单位为个，表征从目标车辆目标车辆运动状态信号队列连续取出的目标车辆运动状态信号的个数；采样步长的单位为秒，表征相邻两个采样窗口出现的时间间隔。

本具体实施例中，窗口长度为40，即每次采集40个进行后续分析；采样步长为0.05s。

如图2所示，需要说明的是，采样步长表征采样窗口的更新周期，即间隔0.05s更新一次采样窗口；而采样窗口则表示在每次更新时，截取最近接收到的40个目标车辆运动状态信号。

本具体实施例中，将每次采样的采样点按采样顺序，排列成目标车辆采样点队列，具体包含以下步骤：

Sa210.建立目标车辆采样点队列；目标车辆采样点队列的最大长度由人工预设；目标车辆采样点队列包含指向目标车辆采样点队列的目标车辆采样点队列头部指针、用于遍历目标车辆采样点队列的目标车辆采样点队列偏移指针和目标车辆采样点队列存储单元；目标车辆采样点队列偏移指针的初始值为0；每个目标车辆采样点队列存储单元的长度和数据结构都与一个采样点相同。

Sa220.判定当前时刻目标车辆采样点队列是否已经存满，然后根据判定结果作出如下操作：

如果当前时刻目标车辆采样点队列尚未存满，则直接将最近一次采样得到的采样点按顺序存入目标车辆采样点队列。

如果当前时刻目标车辆采样点队列尚未存满，则将队列最末端的采样点弹出丢弃，然后再将最近一次采样得到的采样点按顺序存入目标车辆采样点队列。依此方法依次更新目标车辆采样点队列。

然后将每个采样窗口取出的目标车辆运动状态信号打包，形成采样点；每个采样点由当次取出的目标车辆运动状态信号以时间戳增续排列组成。

然后将每次采样的采样点按采样顺序，排列成目标车辆采样点队列；

Sa300.按人工预设的取点间隔，从目标车辆采样点队列中间隔取出加盖有时间戳的目标车辆运动状态信号。

需要说明的是，间隔取出目标车辆运动状态信号的目的在于将更新好的目标车辆运动状态信号通过间隔取点的方式进行滤波以消除传感器测量噪音的影响。

然后将间隔取出的加盖有时间戳的目标车辆运动状态信号，拟合得到目标车辆的目标车辆历史轨迹曲线。

本具体实施例中，将滤波后的数值采用多项式拟合公式拟合得到目标车辆的目标车辆历史轨迹曲线；多项式拟合公式按式(1)和式(2)表达：

其中：X为目标车辆在车身坐标系下的横坐标位移；车身坐标系为直角坐标系，原点由人工预设，横坐标轴的正方向为目标车辆的车头行驶方向，纵坐标轴的正方向为横坐标轴的正方向旋转

Y为目标车辆在车身坐标系下的纵坐标位移；a为与目标车辆相对距离、目标车辆相对速度、目标车辆加速度相关的无量纲的多项式系数；b为与目标车辆相对距离、目标车辆相对速度、目标车辆加速度相关的无量纲的多项式系数；t为时间，从时间戳读取获得。

然后根据目标车辆历史轨迹曲线，得到目标车辆的在人工预设的预测时间内的目标车辆预测相对位置和目标车辆预测相对速度偏差；在预测时间范围内，每隔人工预设的预测计算间隔时间，计算一次目标车辆预测相对位置和目标车辆预测相对速度偏差；目标车辆预测相对位置的偏移量计算基础为时间戳的值最大的一个目标车辆运动状态信号中所包含的目标车辆相对距离；目标车辆预测相对速度偏差的偏差计算基础为时间戳的值最大的一个目标车辆运动状态信号中所包含的目标车辆相对速度。

本具体实施例中，预测计算间隔时间为0.05s。

Sa400.将目标车辆在预测时间内的目标车辆预测相对位置和目标车辆预测相对速度偏差拟合成目标车辆预测轨迹。

如图3a～图3b所示，Sc100.按采集频率，持续采集自车的自车运动状态信号和车道数据信号；自车运动状态信号包含自车方向盘转角、自车速度和自车加速度；车道数据信号包含自车-车道中线距离和车道形状参数。

Sc200.采用车辆运动学模型，将每次采集到的自车运动状态信号和车道数据信号拟合得到自车在预测时间内的自车预测相对位置和自车预测相对速度偏差；在预测时间范围内，每隔预测计算间隔时间，计算人工预设自车预测个数的自车预测相对位置和自车预测相对速度偏差；自车预测相对位置的偏移量计算基础为最近一次采集的车道数据信号中所包含的自车-车道中线距离和车道形状参数；自车预测相对速度偏差的偏差计算基础为最近一次采集的自车运动状态信号中所包含的自车速度。

本具体实施例中，车辆运动学模型按式(3)表达：

其中：C_af为自车的前轮侧偏刚度，通过查找自车的技术手册获取；C_ar为自车的后轮侧偏刚度，通过查找自车的技术手册获取；V_x为自车的自车速度；I_z为自车的车辆转动惯量，由ECU提供；l_f为自车的车辆前轴距，通过查找自车的技术手册获取；l_r为自车的车辆后轴距，通过查找自车的技术手册获取；

为自车的车辆航向角，由自车方向盘转角、自车速度和自车加速度计算获得；δ为前轮转角，由转角传感器获得。

Sc300.将自车在预测时间内的自车预测个数的自车预测相对位置和自车预测相对速度偏差拟合成自车预测轨迹。

S200.分别进行自车包络操作和目标车辆包络操作，获得自车包络模型和目标车辆包络模型；自车包络模型和目标车辆包络模型都由多个圆形包络组成。

需要说明的是，在整个S100中生成的目标车辆预测轨迹和自车预测轨迹在车身坐标系中实际上是以车辆一轴中心点的行经轨迹，在进行包络前需要在此轨迹基础上根据车辆的长度尺寸生成车辆中轴线上不同点的行经轨迹。

需要重点说明的是：由于商用车的挂车与车头是通过绞盘链接，在弯道行驶上存在夹角，因此挂车中抽线上的点的横向相对车头一轴中心点的横向需要偏差一个很显著的距离，因此在下面步骤中，对于自车生成自车包络圆的方法与对于目标车辆生成目标车辆包络圆的方法略有不同。

本具体实施例中，自车包络操作包含以下步骤：

Sd210.根据自车预测轨迹和自车的自车车辆长度，在自车的自车车辆中轴线上生成多个的自车包络圆心；自车车辆长度通过查找自车的技术手册获取。

Sd220.以每个自车包络圆心为圆心，以自车的自车车辆宽度乘以人工预设的自车半径折算系数的得到的数值长度为半径，做自车包络圆；自车车辆宽度通过查找自车的技术手册获取。

Sd230.按人工预设的权重分配规则，按每个自车包络圆心在自车车辆中轴线中的位置，对每个自车包络圆设置风险权重值。

Sd240.将生成的所有的圆组合起来，得到自车包络模型。

需要说明的是，无论是自车还是目标车辆，都是将车辆的宽度作为自车包络圆或目标车辆包络圆的半径生成依据；然后用圆形曲线包络自车或目标车辆，用于表示自车或目标车辆行驶占格区域。

本具体实施例中，目标车辆包络操作包含以下步骤：

Se210.根据目标车辆预测轨迹和目标车辆的目标车辆长度，在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心。

Se220.判定目标车辆是否在自车的正前方或正后方，并更加判定结果作出如下操作：

如果目标车辆在自车的正前方或正后方，则从多个目标车辆包络圆心中选取一个，舍弃其余的目标车辆包络圆心；用一个以目标车辆包络圆心为圆心的圆形作为目标车辆包络圆；目标车辆包络圆的半径根据目标车辆宽度乘以人工预设的目标车辆半径折算系数计算得到；然后将这一个目标车辆包络圆作为目标车辆包络模型；目标车辆包络模型即为本步的输出结果。

如果目标车辆不在自车的正前方或正后方，则根据目标车辆预测轨迹和目标车辆的目标车辆长度，则在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心；然后执行Se230。

Se230.以每个目标车辆包络圆心为圆心，以目标车辆宽度乘以人工预设的目标车辆半径折算系数的得到的数值长度为半径，做目标车辆包络圆；

Se240.按人工预设的权重分配规则，按每个目标车辆包络圆心在目标车辆中轴线中的位置，对每个目标车辆包络圆设置风险权重值。

Sd240.将生成的所有的圆组合起来，得到目标车辆包络模型。

需要说明的是，以此对于处于自车的行驶车道的前方或后方的目标车辆，由于只有2D投影的尺寸，缺失长度信息，因此只用一个圆形进行包络。

同时对于长度超过一定阈值的车辆可以认为是牵引或厢式车，同时不同位置的圆形包络区域设置不同的风险权重值，设定原则是头部区域风险大，尾部区域风险小，考虑到轿车在与商用车碰撞时对其危害最大，因此只有一个圆形包络且为轿车的该圆形包络权重值最大。如图4所示。

S300.根据目标车辆预测相对位置、目标车辆预测相对速度偏差、自车预测相对位置、自车预测相对速度偏差、自车包络模型、目标车辆包络模型，计算在未来的预测时间的时刻，所有会发生有自车包络模型与目标车辆包络模型重叠的碰撞轨迹对；每个碰撞轨迹对包含一个目标车辆轨迹点和一个自车轨迹点；目标车辆轨迹点包含在未来的预测时间的时刻的目标车辆预测相对位置和目标车辆预测相对速度偏差；自车轨迹点包含在未来的预测时间的时刻的自车预测相对位置和自车预测相对速度偏差。

本具体实施例中，满足式(4)即判定在未来的预测时间的时刻，所有会发生有自车包络模型与目标车辆包络模型重叠的碰撞轨迹对成立：

其中：R_ego为自车包络圆的半径；R_target为目标车辆包络圆的半径；△S为目标车辆包络圆心到自车包络圆心的距离，按式(5)计算：

其中：X_ego为自车包络圆心在车身坐标系下的横坐标；X_target为目标车辆包络圆心在车身坐标系下的横坐标；Y_ego为自车包络圆心在车身坐标系下的纵坐标；Y_target为目标车辆包络圆心在车身坐标系下的纵坐标。

需要说明的是，这里的原理就是通过将自车包络模型与目标车辆包络模型的行驶轨迹进行重叠性判断，计算出车辆将在未来时刻发生重叠的轨迹点，以及发生重叠对应的圆形包络。

S400.计算每个碰撞轨迹对的碰撞指标；然后一次性输出所有的碰撞指标；碰撞指标即为本发明的碰撞风险分析方法的最终结果。

本具体实施例中，碰撞指标按式(6)～(9)表达：

其中：F_target为碰撞指标；target＝human表示目标判定为人类；target＝vehicle表示目标判定为车辆；△φ为基于航向夹角的安全系数，由人工设定；w为包络区域风险权重，由人工设定；M为自车的质量，通过查找自车的技术手册获取；Ms为自车的质量，通过根据感知的车辆尺寸预先设置默认值获得；V为本车碰撞前车速，由ECU提供；

为本车碰撞后车速，默认碰撞后车速为0；Vs为目标车辆碰撞前车速，通过感知融合传感器获得；

为目标车辆碰撞后车速，默认为0。

需要说明的是，式(8)和式(9)是根据能力与动量守恒定律列出的。

需要说明的是，如图5所示，针对目标为人类，会将F_target值设定为默认的Max值，以表示发生人类碰撞是最大的危害。

需要说明的是，考虑车辆在设计过程中对前后碰撞做了防护，但是侧向设计较少，同时发生侧向碰撞的冲击对高速行驶车辆的危害更大，因此将两个轨迹在碰撞点的航向角夹角作为碰撞指标的安全系数，亦即所谓危害值放大系数。

需要说明的是，式(7)是考虑包络区域的危害权重，以及碰撞后目标车辆的速度变化趋势，设定碰撞指标。

需要说明的是，对商用车进行多圆包络，对每一个包络圆根据所处的车辆位置辅以不同的危险权重值

需要说明的是，针对商用车会发生的大面积侧面碰撞，所以采用加权累加各个发生碰撞的包络圆的碰撞危害值。

需要进一步说明的是，对发生碰撞的自车包络模型与目标车辆包络模型用式(7)进行计算得到F_target的值，取值范围为0～100，F_target的值越大则表明危害程度越重；如果目标类型是人则F_target的值直接置为默认的最大值255。

需要进一步说明的是，根据F_target的值就可以判断自车周边所有目标的危害程度，便于后续决策模块做判断。而这正是本发明所要最终解决的技术问题。

需要进一步说明的是，算法通过嵌入式软件设计并集成于控制器中。当车辆在自车道行驶时，通过对当前场景的道路情况进行感知识别，判断自车所在行驶车道的其它目标的运动状态，判断自车所在车道旁车道目标的运动状态，结合目标的尺寸信息以及自车行驶轨迹上航向角信息进行碰撞风险的决策。该策略集成于自动驾驶控制器中，作为自动驾驶系统的子功能实现。

在上述的详细描述中，各种特征一起组合在单个的实施方案中，以简化本公开。不应该将这种公开方法解释为反映了这样的意图，即，所要求保护的主题的实施方案需要比清楚地在每个权利要求中所陈述的特征更多的特征。相反，如所附的权利要求书所反映的那样，本发明处于比所公开的单个实施方案的全部特征少的状态。因此，所附的权利要求书特此清楚地被并入详细描述中，其中每项权利要求独自作为本发明单独的优选实施方案。

为使本领域内的任何技术人员能够实现或者使用本发明，上面对所公开实施例进行了描述。对于本领域技术人员来说；这些实施例的各种修改方式都是显而易见的，并且本文定义的一般原理也可以在不脱离本公开的精神和保护范围的基础上适用于其它实施例。因此，本公开并不限于本文给出的实施例，而是与本申请公开的原理和新颖性特征的最广范围相一致。

上文的描述包括一个或多个实施例的举例。当然，为了描述上述实施例而描述部件或方法的所有可能的结合是不可能的，但是本领域普通技术人员应该认识到，各个实施例可以做进一步的组合和排列。因此，本文中描述的实施例旨在涵盖落入所附权利要求书的保护范围内的所有这样的改变、修改和变型。此外，就说明书或权利要求书中使用的术语“包含”，该词的涵盖方式类似于术语“包括”，就如同“包括，”在权利要求中用作衔接词所解释的那样。此外，使用在权利要求书的说明书中的任何一个术语“或”是要表示“非排它性的或者”。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：包含以下步骤：

S100.在商用车自车的自动驾驶过程中，同时进行目标车辆轨迹生成操作和自车轨迹生成操作；其中：所述目标车辆轨迹生成操作按以下步骤Sa100～Sa400进行；所述自车轨迹生成操作按以下步骤Sc100～Sc300进行；

Sa100.以人工预设的采集频率，持续采集目标车辆的目标车辆运动状态信号；所述目标车辆运动状态信号包含目标车辆相对距离、目标车辆相对速度、目标车辆加速度、目标车辆宽度和目标车辆长度；所述目标车辆相对距离通过安装在自车上的感知融合传感器采集获得；所述目标车辆相对速度通过安装在自车上的感知融合传感器采集获得；所述目标车辆加速度通过安装在自车上的感知融合传感器采集获得；所述目标车辆宽度通过安装在自车上的感知融合传感器采集获得；所述目标车辆长度通过安装在自车上的感知融合传感器采集获得；

然后将每次采集的所述目标车辆运动状态信号加盖时间戳；然后将加盖有时间戳的所述目标车辆运动状态信号以时间戳增续排列成目标车辆目标车辆运动状态信号队列；

Sa200.以人工预设窗口长度的采样窗口，按人工预设的采样步长，持续从所述目标车辆目标车辆运动状态信号队列中采样；所述窗口长度的单位为个，表征从所述目标车辆目标车辆运动状态信号队列连续取出的所述目标车辆运动状态信号的个数；所述采样步长的单位为秒，表征相邻两个所述采样窗口出现的时间间隔；

然后将每个所述采样窗口取出的所述目标车辆运动状态信号打包，形成采样点；每个所述采样点由当次取出的所述目标车辆运动状态信号以时间戳增续排列组成；

然后将每次采样的所述采样点按采样顺序，排列成目标车辆采样点队列；

Sa300.按人工预设的取点间隔，从所述目标车辆采样点队列中间隔取出加盖有时间戳的所述目标车辆运动状态信号；

然后将间隔取出的加盖有时间戳的所述目标车辆运动状态信号，拟合得到目标车辆的目标车辆历史轨迹曲线；

然后根据所述目标车辆历史轨迹曲线，得到目标车辆的在人工预设的预测时间内的目标车辆预测相对位置和目标车辆预测相对速度偏差；在所述预测时间范围内，每隔人工预设的预测计算间隔时间，计算一次所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差；所述目标车辆预测相对位置的偏移量计算基础为时间戳的值最大的一个所述目标车辆运动状态信号中所包含的所述目标车辆相对距离；所述目标车辆预测相对速度偏差的偏差计算基础为时间戳的值最大的一个所述目标车辆运动状态信号中所包含的所述目标车辆相对速度；

Sa400.将目标车辆在所述预测时间内的所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差拟合成目标车辆预测轨迹；

Sc100.按所述采集频率，持续采集自车的自车运动状态信号和车道数据信号；所述自车运动状态信号包含自车方向盘转角、自车速度和自车加速度；所述车道数据信号包含自车-车道中线距离和车道形状参数；

Sc200.采用车辆运动学模型，将每次采集到的所述自车运动状态信号和所述车道数据信号拟合得到自车在所述预测时间内的自车预测相对位置和自车预测相对速度偏差；在所述预测时间范围内，每隔所述预测计算间隔时间，计算人工预设自车预测个数的所述自车预测相对位置和所述自车预测相对速度偏差；所述自车预测相对位置的偏移量计算基础为最近一次采集的所述车道数据信号中所包含的所述自车-车道中线距离和所述车道形状参数；所述自车预测相对速度偏差的偏差计算基础为最近一次采集的所述自车运动状态信号中所包含的所述自车速度；

Sc300.将自车在所述预测时间内的所述自车预测个数的所述自车预测相对位置和所述自车预测相对速度偏差拟合成自车预测轨迹；

S200.分别进行自车包络操作和目标车辆包络操作，获得自车包络模型和目标车辆包络模型；所述自车包络模型和所述目标车辆包络模型都由多个圆形包络组成；

S300.根据所述目标车辆预测相对位置、所述目标车辆预测相对速度偏差、所述自车预测相对位置、所述自车预测相对速度偏差、所述自车包络模型、所述目标车辆包络模型，计算在未来的所述预测时间的时刻，所有会发生有所述自车包络模型与所述目标车辆包络模型重叠的碰撞轨迹对；每个所述碰撞轨迹对包含一个目标车辆轨迹点和一个自车轨迹点；所述目标车辆轨迹点包含在未来的所述预测时间的时刻的所述目标车辆预测相对位置和所述目标车辆预测相对速度偏差；所述自车轨迹点包含在未来的所述预测时间的时刻的所述自车预测相对位置和所述自车预测相对速度偏差；

S400.计算每个所述碰撞轨迹对的碰撞指标；然后一次性输出所有的所述碰撞指标；所述碰撞指标即为本发明的碰撞风险分析方法的最终结果。

2.根据权利要求1所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：Sa200中，所述将每次采样的所述采样点按采样顺序，排列成目标车辆采样点队列，具体包含以下步骤：

Sa210.建立所述目标车辆采样点队列；所述目标车辆采样点队列的最大长度由人工预设；所述目标车辆采样点队列包含指向所述目标车辆采样点队列的目标车辆采样点队列头部指针、用于遍历所述目标车辆采样点队列的目标车辆采样点队列偏移指针和目标车辆采样点队列存储单元；所述目标车辆采样点队列偏移指针的初始值为0；每个所述目标车辆采样点队列存储单元的长度和数据结构都与一个所述采样点相同；

Sa220.判定当前时刻所述目标车辆采样点队列是否已经存满，然后根据判定结果作出如下操作：

如果当前时刻所述目标车辆采样点队列尚未存满，则直接将最近一次采样得到的所述采样点按顺序存入所述目标车辆采样点队列；

如果当前时刻所述目标车辆采样点队列尚未存满，则将队列最末端的所述采样点弹出丢弃，然后再将最近一次采样得到的所述采样点按顺序存入所述目标车辆采样点队列。

3.根据权利要求2所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：Sa300中，采用多项式拟合公式拟合得到目标车辆的目标车辆历史轨迹曲线；所述多项式拟合公式按下式表达：

其中：X为目标车辆在车身坐标系下的横坐标位移；所述车身坐标系为直角坐标系，原点由人工预设，横坐标轴的正方向为目标车辆的车头行驶方向，纵坐标轴的正方向为横坐标轴的正方向旋转

Y为目标车辆在所述车身坐标系下的纵坐标位移；a为与所述目标车辆相对距离、所述目标车辆相对速度、所述目标车辆加速度相关的无量纲的多项式系数；b为与所述目标车辆相对距离、所述目标车辆相对速度、所述目标车辆加速度相关的无量纲的多项式系数；t为时间，从时间戳读取获得。

4.根据权利要求3所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：Sc200中，所述车辆运动学模型按下式表达：

其中：C_af为自车的前轮侧偏刚度，通过查找自车的技术手册获取；C_ar为自车的后轮侧偏刚度，通过查找自车的技术手册获取；V_x为自车的所述自车速度；I_z为自车的车辆转动惯量，由ECU提供；l_f为自车的车辆前轴距，通过查找自车的技术手册获取；l_r为自车的车辆后轴距，通过查找自车的技术手册获取；

为自车的车辆航向角，由所述自车方向盘转角、所述自车速度和所述自车加速度计算获得；δ为前轮转角，由转角传感器获得。

5.根据权利要求4所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：S200中，所述自车包络操作包含以下步骤：

Sd210.根据所述自车预测轨迹和自车的自车车辆长度，在自车的自车车辆中轴线上生成多个的自车包络圆心；所述自车车辆长度通过查找自车的技术手册获取；

Sd220.以每个所述自车包络圆心为圆心，以自车的自车车辆宽度乘以人工预设的自车半径折算系数的得到的数值长度为半径，做自车包络圆；所述自车车辆宽度通过查找自车的技术手册获取；

Sd230.按人工预设的权重分配规则，按每个所述自车包络圆心在所述自车车辆中轴线中的位置，对每个所述自车包络圆设置风险权重值；

Sd240.将生成的所有的圆组合起来，得到所述自车包络模型。

6.根据权利要求5所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：S200中，所述目标车辆包络操作包含以下步骤：

Se210.根据所述目标车辆预测轨迹和目标车辆的目标车辆长度，在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心；

Se220.判定目标车辆是否在自车的正前方或正后方，并更加判定结果作出如下操作：

如果目标车辆在自车的正前方或正后方，则从多个所述目标车辆包络圆心中选取一个，舍弃其余的所述目标车辆包络圆心；用一个以所述目标车辆包络圆心为圆心的圆形作为目标车辆包络圆；所述目标车辆包络圆的半径根据所述目标车辆宽度乘以人工预设的目标车辆半径折算系数计算得到；然后将这一个所述目标车辆包络圆作为所述目标车辆包络模型；所述目标车辆包络模型即为本步的输出结果；

如果目标车辆不在自车的正前方或正后方，则根据所述目标车辆预测轨迹和目标车辆的目标车辆长度，则在目标车辆的目标车辆中轴线上生成多个的目标车辆包络圆心；然后执行Se230；

Se230.以每个所述目标车辆包络圆心为圆心，以所述目标车辆宽度乘以人工预设的目标车辆半径折算系数的得到的数值长度为半径，做目标车辆包络圆；

Se240.按人工预设的权重分配规则，按每个所述目标车辆包络圆心在所述目标车辆中轴线中的位置，对每个所述目标车辆包络圆设置风险权重值；

Sd240.将生成的所有的圆组合起来，得到所述目标车辆包络模型。

7.根据权利要求6所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：S300中满足下式即判定在未来的所述预测时间的时刻，所有会发生有所述自车包络模型与所述目标车辆包络模型重叠的碰撞轨迹对成立：

其中：R_ego为自车包络圆的半径；R_target为目标车辆包络圆的半径；△S为所述目标车辆包络圆心到所述自车包络圆心的距离，按下式计算：

其中：X_ego为所述自车包络圆心在所述车身坐标系下的横坐标；X_target为所述目标车辆包络圆心在所述车身坐标系下的横坐标；Y_ego为所述自车包络圆心在所述车身坐标系下的纵坐标；Y_target为所述目标车辆包络圆心在所述车身坐标系下的纵坐标。

8.根据权利要求7所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：S400中所述碰撞指标按下式表达：

其中：F_target为所述碰撞指标；target＝human表示目标判定为人类；target＝vehicle表示目标判定为车辆；△φ为基于航向夹角的安全系数，由人工设定；w为包络区域风险权重，由人工设定；M为自车的质量，通过查找自车的技术手册获取；Ms为自车的质量，通过根据感知的车辆尺寸预先设置默认值获得；V为本车碰撞前车速，由ECU提供；

为本车碰撞后车速，默认碰撞后车速为0；Vs为目标车辆碰撞前车速，通过感知融合传感器获得；

为目标车辆碰撞后车速，默认为0。

9.根据权利要求8所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：所述窗口长度为40；所述采样步长为0.05s。

10.根据权利要求9所述的自动驾驶商用车的行驶轨迹碰撞风险分析方法，其特征在于：所述预测计算间隔时间为0.05s。

Images