CN114355895B - 一种车辆主动避撞路径规划方法 - Google Patents

Abstract

本发明公开了一种车辆主动避撞路径规划方法，步骤如下：1）建立人工势场法的数学模型；2）通过上述人工势场法算法生成预规划路径；3）基于重定向自逼近理想解排序法确定路径评估系数中的参数大小；4）设计改进的粒子群优化算法，以路径评估系数作为目标函数，结合改进的粒子群优化算法对预规划路径进行优化，即路径重规划阶段；5）重复执行步骤1）‑4），直至到达避障终点。本发明的方法能够有效躲避障碍物，并具有良好的实时性，能有效降低车辆侧翻风险。

Description

一种车辆主动避撞路径规划方法

技术领域

本发明属于无人驾驶汽车决策控制的技术领域，具体涉及一种车辆主动避撞路径规划方法。

背景技术

高度自动驾驶已经成为当下汽车技术发展的主要方向，其中主动避撞是无人驾驶汽车的重要研究方向之一。

主动避撞分为纵向避撞和横向避障；纵向避撞主要通过车辆的制动系统实现，目前常用的有AEB(自动紧急制动系统)等；横向避障主要通过车辆的转向实现，也被称为车辆局部路径规划。由于车辆在实际行驶过程中，后方车辆可能距离较近，此时若通过制动躲避障碍物，会造成后方车辆追尾，从而造成严重的人员财产损失。与纵向避障相比，横向避障在安全性方面拥有明显的优势，但是在横向避障的过程中，若与原始路径偏离程度较大，虽然在安全性较高，但是车辆受自身性能影响，在跟踪路径时将会产生侧翻等危险情况。所以，如何规划一条既能躲避障碍物又能降低车辆侧翻风险的避障路径成为横向避障的研究重点。

尽管避障路径规划算法在无人飞行器(UAV)或机器人领域已经取得广泛运用，但是在车辆避障系统中还存在着较多的困难，其中主要的原因就是车辆受到道路环境和自身性能的双重影响。在早期，车辆避障路径规划的主要研究集中于在局部区域内从一个已知点到另一个已知点如何生成一条无碰撞的路径。目前，对于车辆的避障路径规划的研究主要由机器人路径规划演化而来，并且分为两类，一类是基于传统避障路径规划算法，如视图法、人工势场法(APF)、自由空间法等；另一类是基于智能仿生算法的避障路径规划算法，如粒子群算法(PSO)、鸡群算法、蜂群算法、狼群算法、鸟群算法等。

其中，基于APF算法，建立车辆受力模型，生成避障路径得到广泛研究。主要原因就是APF算法结构简单、实时性好，生成的路径圆滑，但是基于APF算法生成的避障路径在局部曲率过大，使得车辆在无控制器干预下跟踪路径存在侧翻的风险，即虽能有效地躲避障碍物，但却出现侧翻的危险情况。并且传统的APF算法存在着目标不可达和易陷入局部最优的缺点。

在基于智能仿生算法进行避障路径规划的研究中，由于PSO算法存在着易于实现、收敛速度快、调整参数少、能解决复杂优化任务的优点，得到广泛研究。但是，目前PSO算法依然存在收敛精度低、搜索停滞的缺点。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种车辆主动避撞路径规划方法，以解决现有技术中存在的最优目标不可达和易陷入局部最优的缺点，及由此带来的可能发生车辆侧翻的风险。本发明的方法能够有效躲避障碍物，并具有良好的实时性，能有效降低车辆侧翻风险。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种车辆主动避撞路径规划方法，步骤如下：

1)建立人工势场法的数学模型U_att(x,y)、U_rep(x,y)和U_road(x,y)，其中，U_att(x,y)为引力场模型，U_rep(x,y)为斥力场模型，U_road(x,y)为道路边界势场模型；

2)通过上述人工势场法算法生成预规划路径；

3)基于重定向自逼近理想解排序法(TOPSIS理论)确定路径评估系数J中的参数大小；

4)设计改进的粒子群优化算法，以路径评估系数J作为目标函数，结合改进的粒子群优化算法对预规划路径进行优化，即路径重规划阶段；

5)重复执行步骤1)-4)，直至到达避障终点。

进一步地，所述步骤1)具体包括：

11)引力场模型U_att(x,y)具体为：

式中，k_att为引力势能增益系数；(x_Goal,y_Goal)为终点的位置坐标；(x,y)为自车的位置坐标；

12)斥力场模型U_rep(x,y)具体为：

式中，k_rep为斥力势能增益系数；q＝f(x,y)为自车或障碍物的位置坐标；d(q,q₀)为自车与障碍物之间的距离；d₀为障碍物斥力势场作用域能影响的最大距离，(x₀,y₀)为障碍物的位置坐标；L₁为斥力势场作用域的长轴；L₂为斥力势场作用域的短轴；ρ_g为斥力势场调节因子；

13)道路边界势场模型U_road(x,y)具体为：

式中，k_road1、k_road2为道路边界势能增益系数；y_l、y_r为左右车道中心线的横向位置；L为道路宽度；e为自然常数。

进一步地，所述步骤3)具体包括：

31)路径评估系数J具体为：

式中，(x,y)为自车的位置坐标；(x_v,y_v)为障碍车辆的坐标；(x_q,y_q)为起点；α、β、γ为权重系数；l₁为自车与障碍车辆的距离；l₂为自车与原始路径的横向距离；l₃为自车与起点的距离；C₁、C₂、C₃为常数；

32)基于重定向自逼近理想解排序法确定路径评估系数J中的参数具体为：

321)基于所述人工势场法算法规划出的一预规划避障路径，在所述预规划避障路径上取n个点，计算每个点的l₁、l₂、l₃，并计算每个点的评价指标d₁、d₂、d₃；

322)通过公式将数据d₁d₂、d₃完成数据正向化，W＞0；

323)构造正向化矩阵X_ij并对其进行标准化得矩阵Z_ij；

324)根据正向化矩阵中每列元素的最大值和最小值确定最优方案和最劣方案

325)计算各评价对象与最优方案、最劣方案的接近程度

326)计算各评价对象与最优方案的贴近程度C_i。

进一步地，所述步骤4)具体包括：

41)粒子群优化算法，其更新公式如下：

式中，为粒子i在第k+1次迭代时，速度第d维分量，d∈1,2,...,D；/>为粒子i在第k+1次迭代时，位置第d维分量；/>为k次迭代后粒子i最优位置解的第d维分量；/>为k次迭代后群体最优位置解的第d维分量；ω为惯性权重因子，c₁、c₂为加速因子；rand()为(0,1)间的随机数；

42)使用余弦变化权重因子代替惯性权重因子，其数学表达式为：

式中，ω_max＝0.95，ω_min＝0.4，k_max为最终迭代次数，k为本次算法迭代次数，ω(k)为第k次迭代对应的惯性权重因子；

43)采用基于正弦函数的自适应加速因子c₁(k)、c₂(k)代替原加速因子c₁、c₂，其数学表达式为：

式中，c_a、c_b、c_α、c_β为待确定参数；

44)新的更新公式为：

45)基于改进人工势场法算法得出的预规划路径结果，以预规划路径上的节点为中心点扩展成一定范围的可优化区域，将所述可优化区域作为改进粒子群优化算法的求解域；以路径评估系数J作为改进的粒子群优化算法的适应度函数，对预规划路径进行优化，即基于改进粒子群算法的路径重规划。

本发明的有益效果：

本发明提出的避障路径规划算法与传统的避障算法相比，在面对静态障碍物和动态障碍物时，与原始路径的偏离值较小，从而有效地降低了车辆在避障过程的横摆角速度和质心侧偏角，提高了车辆稳定性，提升避障安全性。

附图说明

图1为本发明方法的原理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种车辆主动避撞路径规划方法，步骤如下：

1)建立人工势场法的数学模型U_att(x,y)、U_rep(x,y)和U_road(x,y)，其中，U_att(x,y)为引力场模型，U_rep(x,y)为斥力场模型，U_road(x,y)为道路边界势场模型；

具体地，所述步骤1)具体包括：

11)引力场模型U_att(x,y)具体为：

式中，k_att为引力势能增益系数；(x_Goal,y_Goal)为终点的位置坐标；(x,y)为自车的位置坐标；

12)斥力场模型U_rep(x,y)具体为：

式中，k_rep为斥力势能增益系数；q＝f(x,y)为自车或障碍物的位置坐标；d(q,q₀)为自车与障碍物之间的距离；d₀为障碍物斥力势场作用域能影响的最大距离，(x₀,y₀)为障碍物的位置坐标；L₁为斥力势场作用域的长轴；L₂为斥力势场作用域的短轴；ρ_g为斥力势场调节因子；

13)道路边界势场模型U_road(x,y)具体为：

式中，k_road1、k_road2为道路边界势能增益系数；y_l、y_r为左右车道中心线的横向位置；L为道路宽度；e为自然常数。

2)通过上述人工势场法算法生成预规划路径。

3)基于重定向自逼近理想解排序法(TOPSIS理论)确定路径评估系数J中的参数大小；

具体地，所述步骤3)具体包括：

31)路径评估系数J具体为：

式中，(x,y)为自车的位置坐标；(x_v,y_v)为障碍车辆的坐标；(x_q,y_q)为起点；α、β、γ为权重系数；l₁为自车与障碍车辆的距离；l₂为自车与原始路径的横向距离；l₃为自车与起点的距离；C₁、C₂、C₃为常数；

32)基于重定向自逼近理想解排序法确定路径评估系数J中的参数具体为：

321)基于所述人工势场法算法规划出的一预规划避障路径，在所述预规划避障路径上取n个点，计算每个点的l₁、l₂、l₃，并计算每个点的评价指标d₁、d₂、d₃；

322)通过公式将数据d₁d₂、d₃完成数据正向化，W＞0；

323)构造正向化矩阵X_ij并对其进行标准化得矩阵Z_ij；

324)根据正向化矩阵中每列元素的最大值和最小值确定最优方案和最劣方案

325)计算各评价对象与最优方案、最劣方案的接近程度

326)计算各评价对象与最优方案的贴近程度C_i。

4)设计改进的粒子群优化算法，以路径评估系数J作为目标函数，结合改进的粒子群优化算法对预规划路径进行优化，即路径重规划阶段；

具体地，所述步骤4)具体包括：

41)粒子群优化算法，其更新公式如下：

式中，为粒子i在第k+1次迭代时，速度第d维分量，d∈1,2,...,D；/>为粒子i在第k+1次迭代时，位置第d维分量；/>为k次迭代后粒子i最优位置解的第d维分量；/>为k次迭代后群体最优位置解的第d维分量；ω为惯性权重因子，c₁、c₂为加速因子；rand()为(0,1)间的随机数；

42)使用余弦变化权重因子代替惯性权重因子，其数学表达式为：

式中，ω_max＝0.95，ω_min＝0.4，k_max为最终迭代次数，k为本次算法迭代次数，ω(k)为第k次迭代对应的惯性权重因子；

43)采用基于正弦函数的自适应加速因子c₁(k)、c₂(k)代替原加速因子c₁、c₂，其数学表达式为：

式中，c_a、c_b、c_α、c_β为待确定参数；

44)新的更新公式为：

45)基于改进人工势场法算法得出的预规划路径结果，以预规划路径上的节点为中心点扩展成一定范围的可优化区域，将所述可优化区域作为改进粒子群优化算法的求解域；以路径评估系数J作为改进的粒子群优化算法的适应度函数，对预规划路径进行优化，即基于改进PSO算法的路径重规划。

5)重复执行步骤1)-4)，直至到达避障终点。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (2)

1.一种车辆主动避撞路径规划方法，其特征在于，步骤如下：

1)建立人工势场法的数学模型U_att(x,y)、U_rep(x,y)和U_road(x,y)，其中，U_att(x,y)为引力场模型，U_rep(x,y)为斥力场模型，U_road(x,y)为道路边界势场模型；

2)通过上述人工势场法算法生成预规划路径；

3)基于重定向自逼近理想解排序法确定路径评估系数J中的参数大小；

4)设计改进的粒子群优化算法，以路径评估系数J作为目标函数，结合改进的粒子群优化算法对预规划路径进行优化，即路径重规划阶段；

5)重复执行步骤1)-4)，直至到达避障终点；

所述步骤3)具体包括：

31)路径评估系数J具体为：

式中，(x,y)为自车的位置坐标；(x_v,y_v)为障碍车辆的坐标；(x_q,y_q)为起点；α、β、γ为权重系数；l₁为自车与障碍车辆的距离；l₂为自车与原始路径的横向距离；l₃为自车与起点的距离；C₁、C₂、C₃为常数；

32)基于重定向自逼近理想解排序法确定路径评估系数J中的参数；

所述步骤32)具体为：

321)基于所述人工势场法算法规划出的一预规划避障路径，在所述预规划避障路径上取n个点，计算每个点的l₁、l₂、l₃，并计算每个点的评价指标d₁、d₂、d₃；

322)通过公式将数据d₁、d₂、d₃完成数据正向化，W＞0；

323)构造正向化矩阵X_ij并对其进行标准化得标准化矩阵Z_ij；

324)根据正向化矩阵中每列元素的最大值和最小值确定最优方案和最劣方案/>

325)计算各评价对象与最优方案、最劣方案的接近程度

326)计算各评价对象与最优方案的贴近程度C_i；

所述步骤4)具体包括：

41)粒子群优化算法，其更新公式如下：

式中，为粒子i在第k+1次迭代时，速度第d维分量，d∈1,2,...,D...；/>为粒子i在第k+1次迭代时，位置第d维分量；/>为k次迭代后粒子i最优位置解的第d维分量；/>为k次迭代后群体最优位置解的第d维分量；ω为惯性权重因子，c₁、c₂为加速因子；rand()为(0,1)间的随机数；

42)使用余弦变化权重因子代替惯性权重因子，其数学表达式为：

式中，ω_max＝0.95，ω_min＝0.4，k_max为最终迭代次数，k为本次算法迭代次数，ω(k)为第k次迭代对应的惯性权重因子；

43)采用基于正弦函数的自适应加速因子c₁(k)、c₂(k)代替原加速因子c₁、c₂，其数学表达式为：

式中，c_a、c_b、c_α、c_β为待确定参数；

44)新的更新公式为：

45)基于改进人工势场法算法得出的预规划路径结果，以预规划路径上的节点为中心点扩展成一定范围的可优化区域，将所述可优化区域作为改进粒子群优化算法的求解域；以路径评估系数J作为改进的粒子群优化算法的适应度函数，对预规划路径进行优化，即基于改进粒子群算法的路径重规划。

2.根据权利要求1所述的车辆主动避撞路径规划方法，其特征在于，所述步骤1)具体包括：

11)引力场模型U_att(x,y)具体为：

式中，k_att为引力势能增益系数；(x_Goal,y_Goal)为终点的位置坐标；(x,y)为自车的位置坐标；

12)斥力场模型U_rep(x,y)具体为：

式中，k_rep为斥力势能增益系数；q＝f(x,y)为自车或障碍物的位置坐标；d(q,q₀)为自车与障碍物之间的距离；d₀为障碍物斥力势场作用域能影响的最大距离，(x₀,y₀)为障碍物的位置坐标；L₁为斥力势场作用域的长轴；L₂为斥力势场作用域的短轴；ρ_g为斥力势场调节因子；

13)道路边界势场模型U_road(x,y)具体为：

式中，k_road1、k_road2为道路边界势能增益系数；y_l、y_r为左右车道中心线的横向位置；L为道路宽度；e为自然常数。