CN114291112A - 一种应用于自动驾驶汽车的决策规划协同增强方法 - Google Patents

Abstract

本发明涉及一种应用于自动驾驶汽车的决策规划协同增强方法，包括以下步骤：S1：获取待规划车辆的驾驶环境中交通车辆的交通信息；S2：进行上层的换道倾向初始决策，并得出换道指令；S3：预测交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布；S4：根据预测获取的交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布，计算预测的交通车辆行驶轨迹未来每个时间戳内待规划车辆在行驶道路上的可行驶时空区域；S5：根据换道指令和可行驶时空区域，进行基于逻辑设计的决策规划信息互联及闭环增强，获取换道轨迹并进行自动驾驶。与现有技术相比，本发明有效提高了自动驾驶汽车的安全性、实用性及舒适性。

Description

一种应用于自动驾驶汽车的决策规划协同增强方法

技术领域

本发明涉及自动驾驶车辆行车决策及轨迹规划领域，尤其是涉及一种应用于自动驾驶汽车的决策规划协同增强方法。

背景技术

近年来，随着人工智能技术、计算机技术以及汽车电子电气技术的不断发展，自动驾驶汽车产业得到了飞速发展。自动驾驶汽车可以从某个位置开始自行规划行驶道路，依托感知系统所获取的环境信息，通过车载计算机进行决策规划控制，以实现自动行驶功能，最终到达某个目的地。自动驾驶技术可以将驾驶员从复杂繁琐的驾驶任务中解脱出来，可使乘员获得安全，舒适的驾乘体验，是汽车产业未来的重要发展方向。

然而，在实际的开放道路场景下，交通环境十分复杂，完全的自动驾驶很难实现。当前现有的自动驾驶系统多采用分层的系统架构，即自动驾驶系统先通过决策模块根据当前环境给出行为决策，再通过轨迹规划模块规划出安全可用的行驶轨迹。但是，由于实际情况中周围输入环境信息的复杂性，“先决策后规划”的架构难以实现对交通态势正确、合理、及时的应对。因此，实现自动驾驶系统决策、规划之间的交互协同，是本领域技术人员亟待解决的技术难点。

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应用于自动驾驶汽车的决策规划协同增强方法。

本发明的目的可以通过以下技术方案来实现：

一种应用于自动驾驶汽车的决策规划协同增强方法，包括以下步骤：

S1：获取待规划车辆的驾驶环境中交通车辆的交通信息；

S2：根据待规划车辆的驾驶环境中交通车辆的交通信息进行上层的换道倾向初始决策，并得出换道指令；

S3：根据待规划车辆的驾驶环境中交通车辆的交通信息预测交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布；

S4：根据预测获取的交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布，计算预测的交通车辆行驶轨迹未来每个时间戳内待规划车辆在行驶道路上的可行驶时空区域；

S5：根据换道指令和可行驶时空区域，进行基于逻辑设计的决策规划信息互联及闭环增强，获取换道轨迹并进行自动驾驶。

优选地，所述的步骤S4具体包括：

S41：输入交通车辆的预测的行驶轨迹及其未来可能出现位置的高斯概率分布；

S42：根据交通车辆的预测的行驶轨迹计算未来的每个预测时间戳内，交通车辆的四个顶点的位置坐标，并通过0-1标注的栅格地图方式得到某个交通车辆的可行驶空间区域；

S43：根据高斯概率分布，以栅格地图的坐标点作为自变量，获取交通车辆预测的行驶轨迹附近的概率密度函数值，并按照固定存储规则记录保存，获取待规划车辆在行驶道路上的可行驶时空区域。

优选地，所述固定存储规则包括：

对于第i个预测时间戳，包括一层具有0-1标注的栅格地图，该栅格地图存储信息为[N_a×N_b]的矩阵，记为M_i，其中，N_a为栅格地图长的间隔个数、N_b为栅格地图宽的间隔个数；

为记录预测的行驶轨迹点附近的概率密度函数值，给出[N_a×N_b]的矩阵记录，即为F_i；

对于每个预测时间戳，可行驶区域存储格式为[2×N_a×N_b]的三维矩阵[F_i；M_i]；

对于整个交通车辆的运动轨迹，设共有T个预测时间戳，对前述维度为[2×N_a×N_b]的三维矩阵按照T进行叠加，得到T个[2×N_a×N_b]的三维矩阵T*[F_i；M_i]，即待规划车辆在行驶道路上的可行驶时空区域。

优选地，所述的交通车辆预测轨迹为车辆几何中心轨迹。

优选地，所述的步骤S5具体包括：

S51：进行纵向轨迹规划，根据可行驶时空间区域给出的换道目标车道的前后车间距，如果优化问题有解，即可以求解获得纵向轨迹规划，则进入步骤S52，否则判断存在换道风险，不执行换道指令；

S52：规划换道过程中的侧向轨迹，生成换道轨迹；

S53：根据换道轨迹获取车辆方向盘转角及纵向加速度，输入到待规划车辆的执行器，实现车辆自动驾驶功能。

优选地，所述的进行轨迹规划的代价函数为：

J＝J_desire+J_u+J_Δu

其中，J为预测代价函数，J_desire为轨迹规划代价函数，当进行纵向轨迹规划时，J_desire为J_desire,lon，J_desire,lon为纵向轨迹规划代价函数，当进行侧向轨迹规划时，J_desire为J_desire,lat，J_desire,lat为侧向轨迹规划代价函数，J_u和J_Δu分别为控制输入和控制输入增量的代价函数，

所述的纵向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lon为纵向轨迹规划中模型预测控制器的控制时域，Q_lon为纵向规划模型预测控制器的优化权重系数，

所述的侧向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lat为侧向轨迹规划方法中模型预测控制器的控制时域，Q_lat为侧向规划模型预测控制器的优化权重系数，

控制输入及动作变化的代价函数为：

其中，

分别为控制输入及控制输入增量，R_u为控制输入部分代价函数的优化权重系数，R_Δu为控制输入增量部分代价函数的优化权重系数，N_c为横/纵向轨迹规划模型预测控制器的控制时域。

系统的约束为：

其中，X为纵向位移，Y为侧向位移，(X,Y)_min为预测安全区域的状态及输出约束下界，

为系统的预测状态量及输出量，(X,Y)_max为预测安全区域的状态及输出约束上界，

为系统的未来控制输入序列，u_min为控制输入下界，u_max为控制输入上界，

为系统的未来控制输入增量序列，Δu_min为控制输入增量下界，Δu_max为控制输入增量上界，

为状态量一阶导，v_X为纵向速度，

为纵向速度一阶导，即纵向加速度，也可用a_X表示，F_yf,F_yr分别为前、后轮的侧向力，m为本车质量，ψ为车辆航向角，

为横摆角速度，也可用r表示，

为横摆角加速度，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为转动惯量，

为输出量的一阶导。

优选地，所述的系统约束设计中约束上限、约束下限根据可行使空间区域进行松弛调整。

优选地，所述的松弛调整的具体步骤包括：

计算交通车辆的预测轨迹点(X_pi,Y_pi)与由模型预测控制算法中得到的待规划车辆在相同时间戳下的预测位置点(X_oi,Y_oi)之间的相对距离d_i,i＝1,2,3…T；根据d_i以及可行驶时空区域中的概率密度矩阵F_i动态调整约束上下限(X,Y)_min以及(X,Y)_max，所述的约束上限、约束下限的对应函数关系为：

(X,Y)_min＝H[(X_pi,Y_pi),(X_oi,Y_oi),F_i]

(X,Y)_max＝G[(X_pi,Y_pi),(X_oi,Y_oi),F_i]。

优选地，所述的步骤S2具体包括：

S21：获取待规划车辆驾驶环境中交通车辆的交通信息，并获取换道方向；

S22：获取待规划车辆的安全换道距离，判断安全换道距离是否大于待规划车辆与前车的距离且跟车时间大于预设的时间阈值，若是，换道指令为按换道方向换道，否则换道指令为不换道。

优选地，所述的安全换道距离的计算公式为：

S_safe＝(v_ego-v_pre)·t_LC

其中，S_safe为安全换道距离，v_ego为待规划车辆的车速，v_pre为前车车速，t_LC为换道时间。

与现有技术相比，本发明具有如下优点：

(1)本发明充分利用待规划的自动驾驶汽车所感知到的环境信息输入，实现了自动驾驶系统中动态物体即交通车辆的轨迹预测功能、本车辆行为决策功能以及轨迹规划功能的协调统一，有效提高了自动驾驶汽车的安全性、实用性及舒适性；本发明依次进行初始决策，然后根据可行使空间区域规划进行轨迹规划，实现换道轨迹规划及自动驾驶；

(2)本发明通过交通车辆的运动学模型，利用高斯混合模型对其未来的运动状态进行建模，模型的所得结果为交通车辆在未来某个时刻可能的出现位置，用高斯概率分布表征，能够有效表征交通车辆的未来轨迹，提高换道规划的安全性和准确性；

(3)本发明构建可行驶时空区域，便于纵、侧向轨迹规划，提高换道轨迹规划的安全性能；

(4)本发明对轨迹规划进行松弛调节，能够进一步提高本发明换道轨迹规划的安全性和可靠性。

附图说明

图1为本发明的流程图；

图2为本发明中自动驾驶汽车的开放道路下交通信息输入示意图；

图3为本发明中可行驶时空区域示意图；

图4为本发明中可行驶时空区域固定存储规则示意图。

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

一种应用于自动驾驶汽车的决策规划协同增强方法，如图1所示，包括以下步骤：

S1：获取待规划车辆的驾驶环境中交通车辆的交通信息。

本实施例中，待规划车辆为自动驾驶汽车，通过待规划车辆的环境感知模块通过传感器获取交通信息，具体为交通车辆的长、宽、高信息，速度信息，航向角信息。本发明的待规划车辆在结构化道路上形式，在结构化道路上的本车临近的交通车辆，被定义为与本车最接近的，数量最多为8。具体来说，为本车当前车道前方和后方的车、本车左侧车道正左侧、左前方和左后方的车以及本车右侧车道正右侧，右前方和右后方的车。

S2：根据待规划车辆的驾驶环境中交通车辆的交通信息进行上层的换道倾向初始决策，并得出换道指令。

步骤S2具体包括：

S21：获取待规划车辆驾驶环境中交通车辆的交通信息，并获取换道方向。如图2所示，可通过交通信息，应用有限状态机设计安全换道条件，以给出上层的换道倾向决策，即换道方向。需注意的是，给出的是预先的初始决策结果，仅用于输出可执行换道的倾向，而不是最终的换道结果。也可根据规则给出决策，如车辆左侧的正左侧无车辆，设定换道方向为左侧，正右侧无车辆，设定换道方向为右侧。

S22：获取待规划车辆的安全换道距离，判断安全换道距离是否大于待规划车辆与前车的距离且跟车时间大于预设的时间阈值，若是，换道指令为按换道方向换道，否则换道指令为不换道。

安全换道距离的计算公式为：

S_safe＝(v_ego-v_pre)·t_LC

其中，S_safe为安全换道距离，v_ego为待规划车辆的车速，v_pre为前车车速，t_LC为换道时间。本实施例中，换道时间设定为4s，时间阈值为30s。

S3：根据待规划车辆的驾驶环境中交通车辆的交通信息预测交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布。具体来说，通过交通车辆的运动学模型，利用高斯混合模型对其未来的运动状态进行建模，模型的所得结果为动态障碍物在未来某个时刻可能的出现位置，用高斯概率分布表征。

S4：根据预测获取的交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布，计算预测的交通车辆行驶轨迹未来每个时间戳内待规划车辆在行驶道路上的可行驶时空区域。

该步骤给出交通车辆的未来时间的行驶轨迹，由于开放道路环境的复杂性及随机性，无法实现对动态障碍物轨迹的完全精确预测，因此基于高斯分布模型，得到交通车辆在未来某个位置处可能出现的概率分布。其中，交通车辆的预测轨迹为车辆几何中心轨迹。所得到的预测结果输出到后续的可行使时空区域规划模块中。

步骤S4具体包括：

S41：输入交通车辆的预测的行驶轨迹及其未来可能出现位置的高斯概率分布；

S42：根据交通车辆的预测的行驶轨迹计算未来的每个预测时间戳内，交通车辆的四个顶点的位置坐标，如图3所示，并通过0-1标注的栅格地图方式得到某个交通车辆的可行驶空间区域；

S43：根据高斯概率分布，以栅格地图的坐标点作为自变量，获取交通车辆预测的行驶轨迹附近的概率密度函数值，并按照固定存储规则记录保存，获取待规划车辆在行驶道路上的可行驶时空区域。

可行驶时空区域规划模块的作用是充分、综合、合理的利用预测轨迹信息，以给出未来交通信息预知的结果，并作为后续决策规划系统协同增强模块的输入。

所述固定存储规则如图包括：

对于第i个预测时间戳，包括一层具有0-1标注的栅格地图，该栅格地图存储信息为[N_a×N_b]的矩阵，记为M_i，其中，N_a为栅格地图长的间隔个数、N_b为栅格地图宽的间隔个数；

为记录预测的行驶轨迹点附近的概率密度函数值，给出[N_a×N_b]的矩阵记录，即为F_i；

对于每个预测时间戳，可行驶区域存储格式为[2×N_a×N_b]的三维矩阵[F_i；M_i]；

对于整个交通车辆的运动轨迹，设共有T个预测时间戳，对前述维度为[2×N_a×N_b]的三维矩阵按照T进行叠加，得到T个[2×N_a×N_b]的三维矩阵T*[F_i；M_i]，即待规划车辆在行驶道路上的可行驶时空区域。

S5：根据换道指令和可行驶时空区域，进行基于逻辑设计的决策规划信息互联及闭环增强，获取换道轨迹并进行自动驾驶。

步骤S5具体包括：

S51：进行纵向轨迹规划，根据可行驶时空间区域给出的换道目标车道的前后车间距，如果优化问题有解，即可以求解获得纵向轨迹规划，则进入步骤S52，否则判断存在换道风险，不执行换道指令；

S52：规划换道过程中的侧向轨迹，生成换道轨迹；

S53：根据换道轨迹获取车辆方向盘转角及纵向加速度，输入到待规划车辆的执行器，实现车辆自动驾驶功能。具体地，得到换道轨迹的同时，得到期望的车辆方向盘转角及期望的纵向加速度；上述期望值将，给入下游执行器，即电子助力转向系统和电子油门/电子制动，以实现车辆自动驾驶功能。

进行轨迹规划的代价函数为：

J＝J_desire+J_u+J_Δu

其中，J为预测代价函数，J_desire为轨迹规划代价函数，当进行纵向轨迹规划时，J_desire为J_desire,lon，J_desire,lon为纵向轨迹规划代价函数，当进行侧向轨迹规划时，J_desire为J_desire,lat，J_desire,lat为侧向轨迹规划代价函数，J_u和J_Δu分别为控制输入和控制输入增量的代价函数，

所述的纵向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lon为纵向轨迹规划中模型预测控制器的控制时域，Q_lon为纵向规划模型预测控制器的优化权重系数，

所述的侧向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lat为侧向轨迹规划方法中模型预测控制器的控制时域，Q_lat为侧向规划模型预测控制器的优化权重系数，

控制输入及动作变化的代价函数为：

其中，

分别为控制输入及控制输入增量，R_u为控制输入部分代价函数的优化权重系数，R_Δu为控制输入增量部分代价函数的优化权重系数，N_c为横/纵向轨迹规划模型预测控制器的控制时域。

系统的约束为：

其中，X为纵向位移，Y为侧向位移，(X,Y)_min为预测安全区域的状态及输出约束下界，

为系统的预测状态量及输出量，(X,Y)_max为预测安全区域的状态及输出约束上界，

为系统的未来控制输入序列，u_min为控制输入下界，u_max为控制输入上界，

为系统的未来控制输入增量序列，Δu_min为控制输入增量下界，Δu_max为控制输入增量上界，

为状态量一阶导，v_X为纵向速度，

为纵向速度一阶导，即纵向加速度，也可用a_X表示，F_yf,F_yr分别为前、后轮的侧向力，m为本车质量，ψ为车辆航向角，

为横摆角速度，也可用r表示，

为横摆角加速度，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为转动惯量，

为输出量的一阶导。

系统约束设计中约束上限、约束下限根据可行使空间区域进行松弛调整，具体步骤包括：

计算交通车辆的预测轨迹点(X_pi,Y_pi)与由模型预测控制算法中得到的待规划车辆在相同时间戳下的预测位置点(X_oi,Y_oi)之间的相对距离d_i,i＝1,2,3…T；根据d_i以及可行驶时空区域中的概率密度矩阵F_i动态调整约束上下限(X,Y)_min以及(X,Y)_max，所述的约束上限、约束下限的对应函数关系为：

(X,Y)_min＝H[(X_pi,Y_pi),(X_oi,Y_oi),F_i]

(X,Y)_max＝G[(X_pi,Y_pi),(X_oi,Y_oi),F_i]。

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 (10)

1.一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，包括以下步骤：

S1：获取待规划车辆的驾驶环境中交通车辆的交通信息；

S2：根据待规划车辆的驾驶环境中交通车辆的交通信息进行上层的换道倾向初始决策，并得出换道指令；

S3：根据待规划车辆的驾驶环境中交通车辆的交通信息预测交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布；

S4：根据预测获取的交通车辆的行驶轨迹及其未来可能出现位置的高斯概率分布，计算预测的交通车辆行驶轨迹未来每个时间戳内待规划车辆在行驶道路上的可行驶时空区域；

S5：根据换道指令和可行驶时空区域，进行基于逻辑设计的决策规划信息互联及闭环增强，获取换道轨迹并进行自动驾驶。

2.根据权利要求1所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的步骤S4具体包括：

S41：输入交通车辆的预测的行驶轨迹及其未来可能出现位置的高斯概率分布；

S42：根据交通车辆的预测的行驶轨迹计算未来的每个预测时间戳内，交通车辆的四个顶点的位置坐标，并通过0-1标注的栅格地图方式得到某个交通车辆的可行驶空间区域；

S43：根据高斯概率分布，以栅格地图的坐标点作为自变量，获取交通车辆预测的行驶轨迹附近的概率密度函数值，并按照固定存储规则记录保存，获取待规划车辆在行驶道路上的可行驶时空区域。

3.根据权利要求2所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述固定存储规则包括：

对于第i个预测时间戳，包括一层具有0-1标注的栅格地图，该栅格地图存储信息为[N_a×N_b]的矩阵，记为M_i，其中，N_a为栅格地图长的间隔个数、N_b为栅格地图宽的间隔个数；

为记录预测的行驶轨迹点附近的概率密度函数值，给出[N_a×N_b]的矩阵记录，即为F_i；

对于每个预测时间戳，可行驶区域存储格式为[2×N_a×N_b]的三维矩阵[F_i；M_i]；

对于整个交通车辆的运动轨迹，设共有T个预测时间戳，对前述维度为[2×N_a×N_b]的三维矩阵按照T进行叠加，得到T个[2×N_a×N_b]的三维矩阵T*[F_i；M_i]，即待规划车辆在行驶道路上的可行驶时空区域。

4.根据权利要求1所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的交通车辆预测轨迹为车辆几何中心轨迹。

5.根据权利要求1所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的步骤S5具体包括：

S51：进行纵向轨迹规划，根据可行驶时空间区域给出的换道目标车道的前后车间距，如果优化问题有解，即可以求解获得纵向轨迹规划，则进入步骤S52，否则判断存在换道风险，不执行换道指令；

S52：规划换道过程中的侧向轨迹，生成换道轨迹；

S53：根据换道轨迹获取车辆方向盘转角及纵向加速度，输入到待规划车辆的执行器，实现车辆自动驾驶功能。

6.根据权利要求5所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的进行轨迹规划的代价函数为：

J＝J_desire+J_u+J_Δu

其中，J为预测代价函数，J_desire为轨迹规划代价函数，当进行纵向轨迹规划时，J_desire为J_desire,lon，J_desire,lon为纵向轨迹规划代价函数，当进行侧向轨迹规划时，J_desire为J_desire,lat，J_desire,lat为侧向轨迹规划代价函数，J_u和J_Δu分别为控制输入和控制输入增量的代价函数，

所述的纵向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lon为纵向轨迹规划中模型预测控制器的控制时域，Q_lon为纵向规划模型预测控制器的优化权重系数，

所述的侧向轨迹规划代价函数为：

其中，

分别为纵向输入量和参考量，N_p,lat为侧向轨迹规划方法中模型预测控制器的控制时域，Q_lat为侧向规划模型预测控制器的优化权重系数，

控制输入及动作变化的代价函数为：

其中，

分别为控制输入及控制输入增量，R_u为控制输入部分代价函数的优化权重系数，R_Δu为控制输入增量部分代价函数的优化权重系数，N_c为横/纵向轨迹规划模型预测控制器的控制时域，

系统的约束为：

其中，X为纵向位移，Y为侧向位移，(X,Y)_min为预测安全区域的状态及输出约束下界，

为系统的预测状态量及输出量，(X,Y)_max为预测安全区域的状态及输出约束上界，

为系统的未来控制输入序列，u_min为控制输入下界，u_max为控制输入上界，

为系统的未来控制输入增量序列，Δu_min为控制输入增量下界，Δu_max为控制输入增量上界，

为状态量一阶导，v_X为纵向速度，

为纵向速度一阶导，即纵向加速度，也可用a_X表示，F_yf,F_yr分别为前、后轮的侧向力，m为本车质量，ψ为车辆航向角，

为横摆角速度，也可用r表示，

为横摆角加速度，l_f为质心到前轴距离，l_r为质心到后轴距离，I_z为转动惯量，

为输出量的一阶导。

7.根据权利要求6所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的系统约束设计中约束上限、约束下限根据可行使空间区域进行松弛调整。

8.根据权利要求7所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的松弛调整的具体步骤包括：

计算交通车辆的预测轨迹点(X_pi,Y_pi)与由模型预测控制算法中得到的待车辆在相同时间戳下的预测位置点(X_oi,Y_oi)之间的相对距离d_i,i＝1,2,3…T；根据d_i以及可行驶时空区域中的概率密度矩阵F_i动态调整约束上下限(X,Y)_min以及(X,Y)_max，所述的约束上限、约束下限的对应函数关系为：

(X,Y)_min＝H[(X_pi,Y_pi),(X_oi,Y_oi),F_i]

(X,Y)_max＝G[(X_pi,Y_pi),(X_oi,Y_oi),F_i]。

9.根据权利要求1所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的步骤S2具体包括：

S21：获取待规划车辆驾驶环境中交通车辆的交通信息，并获取换道方向；

S22：获取待规划车辆的安全换道距离，判断安全换道距离是否大于待规划车辆与前车的距离且跟车时间大于预设的时间阈值，若是，换道指令为按换道方向换道，否则换道指令为不换道。

10.根据权利要求9所述的一种应用于自动驾驶汽车的决策规划协同增强方法，其特征在于，所述的安全换道距离的计算公式为：

S_safe＝(v_ego-v_pre)·t_LC

其中，S_safe为安全换道距离，v_ego为待规划车辆的车速，v_pre为前车车速，t_LC为换道时间。

Images