CN114415694A - 一种面向自动驾驶车辆的实时轨迹规划方法及系统 - Google Patents

一种面向自动驾驶车辆的实时轨迹规划方法及系统 Download PDF

Info

Publication number
CN114415694A
CN114415694A CN202210308275.6A CN202210308275A CN114415694A CN 114415694 A CN114415694 A CN 114415694A CN 202210308275 A CN202210308275 A CN 202210308275A CN 114415694 A CN114415694 A CN 114415694A
Authority
CN
China
Prior art keywords
vehicle
model
autonomous vehicle
determining
real
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.)
Granted
Application number
CN202210308275.6A
Other languages
English (en)
Other versions
CN114415694B (zh
Inventor
张旭东
李国强
樊杰
邹渊
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.)
Beijing Institute of Technology BIT
Original Assignee
Beijing Institute of Technology BIT
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 Beijing Institute of Technology BIT filed Critical Beijing Institute of Technology BIT
Priority to CN202210308275.6A priority Critical patent/CN114415694B/zh
Publication of CN114415694A publication Critical patent/CN114415694A/zh
Application granted granted Critical
Publication of CN114415694B publication Critical patent/CN114415694B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G05D1/0212—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
    • 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
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及自动驾驶车辆轨迹规划领域，具体涉及一种面向自动驾驶车辆的实时轨迹规划方法及系统。该方法包括根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；获取自动驾驶车辆的多边形函数；并根据多边形函数确定避障的约束条件；对车辆非线性运动学模型和避障的约束条件进行线性化处理；根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。本发明能够提高轨迹规划和避障的准确性和实时性。

Description

一种面向自动驾驶车辆的实时轨迹规划方法及系统
技术领域
本发明涉及自动驾驶车辆轨迹规划领域，特别是涉及一种面向自动驾驶车辆的实时轨迹规划方法及系统。
背景技术
安全高效轨迹规划问题是自动驾驶和移动机器人研究领域的核心问题之一，然而现有技术难以实现避撞约束下运动规划的实时解算，主要原因是：传统建模方法将车辆近似为圆形或椭圆形，使得最终形成的运动规划问题隶属于非线性最优规划问题范畴，依赖于专业商用非线性规划求解软件解算，极大增加了运算复杂度和硬件资源，不利于实时运动规划的实现。
发明内容
本发明的目的是提供一种面向自动驾驶车辆的实时轨迹规划方法及系统，能够提高轨迹规划和避障的准确性和实时性。
为实现上述目的，本发明提供了如下方案：
一种面向自动驾驶车辆的实时轨迹规划方法，包括：
确定自动驾驶车辆的车辆非线性运动学模型；
根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
对车辆非线性运动学模型和避障的约束条件进行线性化处理；
根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
可选地，所述确定自动驾驶车辆的车辆非线性运动学模型，具体包括：
利用公式
Figure 462289DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 591919DEST_PATH_IMAGE002
和
Figure 734188DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 531153DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 267027DEST_PATH_IMAGE005
为偏航角，
Figure 652878DEST_PATH_IMAGE006
为
Figure 728282DEST_PATH_IMAGE005
的导数，
Figure 82165DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 23445DEST_PATH_IMAGE008
为e导数，
Figure 963719DEST_PATH_IMAGE009
为相对偏航角，
Figure 752684DEST_PATH_IMAGE010
为
Figure 868014DEST_PATH_IMAGE009
导数，
Figure 47322DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
可选地，所述根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件，具体包括：
根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率；
根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型；
基于欧拉近似方法对动力学模型进行离散化处理。
可选地，所述获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件，具体包括以下公式：
Figure 774976DEST_PATH_IMAGE012
；
Figure 559392DEST_PATH_IMAGE013
；
其中，
Figure 582974DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 249579DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 515344DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 216584DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 988231DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 889934DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 710123DEST_PATH_IMAGE020
为多边形每条边的截距系数。
可选地，所述对车辆非线性运动学模型和避障的约束条件进行线性化处理，具体包括：
对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
一种面向自动驾驶车辆的实时轨迹规划系统，包括：
车辆非线性运动学模型确定模块，用于确定自动驾驶车辆的车辆非线性运动学模型；
约束条件第一确定模块，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
约束条件第二确定模块，用于获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
线性化处理模块，用于对车辆非线性运动学模型和避障的约束条件进行线性化处理；
运动控制目标函数及问题模型确定模块，用于根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
实时轨迹规划完成模块，用于根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
可选地，所述车辆非线性运动学模型确定模块具体包括：
利用公式
Figure 515136DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 395368DEST_PATH_IMAGE002
和
Figure 521718DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 83280DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 742801DEST_PATH_IMAGE005
为偏航角，
Figure 793933DEST_PATH_IMAGE006
为
Figure 404650DEST_PATH_IMAGE005
的导数，
Figure 894537DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 424875DEST_PATH_IMAGE008
为e导数，
Figure 302702DEST_PATH_IMAGE009
为相对偏航角，
Figure 403644DEST_PATH_IMAGE010
为
Figure 431643DEST_PATH_IMAGE009
导数，
Figure 550909DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
可选地，所述约束条件第一确定模块具体包括：
变量确定单元，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率；
在连续时间空间下的动力学模型确定单元，用于根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型；
离散化处理单元，用于基于欧拉近似方法对动力学模型进行离散化处理。
可选地，所述约束条件第二确定模块具体包括以下公式：
Figure 458691DEST_PATH_IMAGE012
；
Figure 296197DEST_PATH_IMAGE013
；
其中，
Figure 547793DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 724827DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 537932DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 862734DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 655371DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 14809DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 998814DEST_PATH_IMAGE020
为多边形每条边的截距系数。
可选地，所述线性化处理模块具体包括：
线性化处理单元，用于对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
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：
本发明所提供的一种面向自动驾驶车辆的实时轨迹规划方法及系统，根据自动驾驶车辆的多边形函数确定避障的约束条件；对车辆非线性运动学模型和避障的约束条件进行线性化处理；根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型，不依赖于专业商用非线性规划求解软件解算，极大降低了运算复杂度和硬件资源，利于实时运动规划的实现，进而提高轨迹规划和避障的准确性和实时性。
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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明所提供的一种面向自动驾驶车辆的实时轨迹规划方法流程示意图；
图2为车辆非线性运动学模型原理示意图；
图3为本发明所提供的一种面向自动驾驶车辆的实时轨迹规划系统结构示意图。
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面向自动驾驶车辆的实时轨迹规划方法及系统，能够提高轨迹规划和避障的准确性和实时性。
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。
图1为本发明所提供的一种面向自动驾驶车辆的实时轨迹规划方法流程示意图，如图1所示，本发明所提供的一种面向自动驾驶车辆的实时轨迹规划方法，包括：
S101，如图2所示，确定自动驾驶车辆的车辆非线性运动学模型；
S101具体包括：
利用公式
Figure 873229DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 984405DEST_PATH_IMAGE002
和
Figure 87096DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 242003DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 275818DEST_PATH_IMAGE005
为偏航角，
Figure 675838DEST_PATH_IMAGE006
为
Figure 72184DEST_PATH_IMAGE005
的导数，
Figure 148724DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 184682DEST_PATH_IMAGE008
为e导数，
Figure 575344DEST_PATH_IMAGE009
为相对偏航角，
Figure 511682DEST_PATH_IMAGE010
为
Figure 759124DEST_PATH_IMAGE009
导数，
Figure 95427DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
S102，根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
S102具体包括：
根据车辆非线性运动学模型确定状态变量
Figure 335785DEST_PATH_IMAGE021
、控制变量
Figure 113248DEST_PATH_IMAGE022
以及控制变量的变化率；
根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型
Figure 547902DEST_PATH_IMAGE023
；
基于欧拉近似方法对动力学模型进行离散化处理：
Figure 778027DEST_PATH_IMAGE024
；
其中：
Figure 25337DEST_PATH_IMAGE025
表示采样周期。
考虑到系统物理量存在边界可行域，对任意k时刻的状态变量x k 、控制变量u k 以及控制变量的变化率
Figure 657307DEST_PATH_IMAGE026
定义如下的上下限边界约束：
Figure 259933DEST_PATH_IMAGE027
；
S103，获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
S103具体包括以下公式：
Figure 242933DEST_PATH_IMAGE012
；
Figure 903721DEST_PATH_IMAGE028
；
Figure 639465DEST_PATH_IMAGE013
；
Figure 930769DEST_PATH_IMAGE029
；
其中，
Figure 886218DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 491642DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 347472DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 544098DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 741772DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 947625DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 657961DEST_PATH_IMAGE020
为多边形每条边的截距系数。
S104，对车辆非线性运动学模型和避障的约束条件进行线性化处理；
S104具体包括：
对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
进行泰勒展开，可以获得如下的时变状态空间模型：
Figure 759909DEST_PATH_IMAGE030
；
其中：A k 和B k 分别表示状态变量和控制变量的雅可比矩阵，C k 是残差项，可以分别写为：
Figure 893212DEST_PATH_IMAGE031
；
Figure 637177DEST_PATH_IMAGE032
；
Figure 202020DEST_PATH_IMAGE033
；
自动驾驶车辆与周围m个车辆或物体的最小距离可以表示为：
Figure 740449DEST_PATH_IMAGE034
；
上式中最小化距离d的对偶问题是：
Figure 469370DEST_PATH_IMAGE035
；
其中：
Figure 764829DEST_PATH_IMAGE036
是对偶问题的对偶变量，
Figure 200489DEST_PATH_IMAGE037
表示对偶范数，这里采用L2范数。可以根据上式求解自动驾驶车辆到与周围第m个物体的最小距离。因此，避撞约束可以表示为：
Figure 300032DEST_PATH_IMAGE038
；
Figure 781829DEST_PATH_IMAGE039
；
S105，根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
以模型预测控制为框架的运动规划包括两个子步骤：
（1）通过对偶变量
Figure 618330DEST_PATH_IMAGE040
求解自动驾驶车辆与周围物体的最小距离，即：
Figure 908497DEST_PATH_IMAGE041
；
其中：
Figure 772416DEST_PATH_IMAGE042
表示自动驾驶车辆在预测时间窗口N步内的初始既定占据空间。
（2）求解目标函数获得最优控制序列。在驾驶过程中，自动驾驶车辆应在避撞的前提下遵循既定的路径及速度轨迹。为了提高驾驶效率，避免自动驾驶车辆与既定轨迹偏离过大，横向偏离量e和相对偏航角
Figure 351296DEST_PATH_IMAGE043
应该接近于0，因此，定义如下的优化控制问题：
Figure 722978DEST_PATH_IMAGE044
；
Figure 867652DEST_PATH_IMAGE045
；
Figure 433631DEST_PATH_IMAGE046
；
Figure 296545DEST_PATH_IMAGE047
；
其中：s k,m 表示软约束对应的松弛变量，
Figure 786432DEST_PATH_IMAGE048
表示对应的惩罚系数，x ref 包含需要跟随的既定路线及速度轨迹，Q和R分别表示对状态变量和控制变量的加权系数矩阵，P是末点时刻的加权系数矩阵，本专利中
Figure 67503DEST_PATH_IMAGE049
表示
Figure 679750DEST_PATH_IMAGE050
。
利用QP求解器求解未来时间窗N内的最优控制序列u*=[u 0,u 1,u 2,…,u N-1]T，在每一时刻，只将第一个控制量u 0施加于系统，并在滚动时间窗内重复上述过程。
S106，根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
图3为本发明所提供的一种面向自动驾驶车辆的实时轨迹规划系统结构示意图，如图3所示，本发明所提供的一种面向自动驾驶车辆的实时轨迹规划系统，包括：
车辆非线性运动学模型确定模块301，用于确定自动驾驶车辆的车辆非线性运动学模型；
约束条件第一确定模块302，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
约束条件第二确定模块303，用于获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
线性化处理模块304，用于对车辆非线性运动学模型和避障的约束条件进行线性化处理；
运动控制目标函数及问题模型确定模块305，用于根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
实时轨迹规划完成模块306，用于根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
所述车辆非线性运动学模型确定模块301具体包括：
利用公式
Figure 764381DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 477865DEST_PATH_IMAGE002
和
Figure 128290DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 442596DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 30835DEST_PATH_IMAGE005
为偏航角，
Figure 534628DEST_PATH_IMAGE006
为
Figure 757668DEST_PATH_IMAGE005
的导数，
Figure 321505DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 659689DEST_PATH_IMAGE008
为e导数，
Figure 701594DEST_PATH_IMAGE009
为相对偏航角，
Figure 716824DEST_PATH_IMAGE010
为
Figure 733452DEST_PATH_IMAGE009
导数，
Figure 279971DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
所述约束条件第一确定模块302具体包括：
变量确定单元，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率；
在连续时间空间下的动力学模型确定单元，用于根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型；
离散化处理单元，用于基于欧拉近似方法对动力学模型进行离散化处理。
所述约束条件第二确定模块303具体包括以下公式：
Figure 374835DEST_PATH_IMAGE012
；
Figure 323199DEST_PATH_IMAGE013
；
其中，
Figure 711062DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 931828DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 581115DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 665877DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 398209DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 981638DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 434616DEST_PATH_IMAGE020
为多边形每条边的截距系数。
所述线性化处理模块304具体包括：
线性化处理单元，用于对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
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)

1.一种面向自动驾驶车辆的实时轨迹规划方法，其特征在于，包括：
确定自动驾驶车辆的车辆非线性运动学模型；
根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
对车辆非线性运动学模型和避障的约束条件进行线性化处理；
根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
2.根据权利要求1所述的一种面向自动驾驶车辆的实时轨迹规划方法，其特征在于，所述确定自动驾驶车辆的车辆非线性运动学模型，具体包括：
利用公式
Figure 222960DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 694261DEST_PATH_IMAGE002
和
Figure 513313DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 961218DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 814905DEST_PATH_IMAGE005
为偏航角，
Figure 66894DEST_PATH_IMAGE006
为
Figure 888089DEST_PATH_IMAGE005
的导数，
Figure 391882DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 850808DEST_PATH_IMAGE008
为e的导数，
Figure 149065DEST_PATH_IMAGE009
为相对偏航角，
Figure 67343DEST_PATH_IMAGE010
为
Figure 358516DEST_PATH_IMAGE009
导数，
Figure 186794DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
3.根据权利要求1所述的一种面向自动驾驶车辆的实时轨迹规划方法，其特征在于，所述根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件，具体包括：
根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率；
根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型；
基于欧拉近似方法对动力学模型进行离散化处理。
4.根据权利要求1所述的一种面向自动驾驶车辆的实时轨迹规划方法，其特征在于，所述获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件，具体包括以下公式：
Figure 669335DEST_PATH_IMAGE012
；
Figure 950275DEST_PATH_IMAGE013
；
其中，
Figure 654925DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 852557DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 492617DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 11586DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 395293DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 322798DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 383027DEST_PATH_IMAGE020
为多边形每条边的截距系数。
5.根据权利要求1所述的一种面向自动驾驶车辆的实时轨迹规划方法，其特征在于，所述对车辆非线性运动学模型和避障的约束条件进行线性化处理，具体包括：
对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
6.一种面向自动驾驶车辆的实时轨迹规划系统，其特征在于，包括：
车辆非线性运动学模型确定模块，用于确定自动驾驶车辆的车辆非线性运动学模型；
约束条件第一确定模块，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率的约束条件；
约束条件第二确定模块，用于获取自动驾驶车辆的多边形函数；并根据自动驾驶车辆的多边形函数确定避障的约束条件；
线性化处理模块，用于对车辆非线性运动学模型和避障的约束条件进行线性化处理；
运动控制目标函数及问题模型确定模块，用于根据线性化处理后的车辆非线性运动学模型和线性化处理后的避障的约束条件以及状态变量、控制变量以及控制变量的变化率的约束条件建立以模型预测控制为框架的运动控制目标函数及问题模型；
实时轨迹规划完成模块，用于根据以模型预测控制为框架的运动控制目标函数及问题模型完成实时轨迹规划。
7.根据权利要求6所述的一种面向自动驾驶车辆的实时轨迹规划系统，其特征在于，所述车辆非线性运动学模型确定模块具体包括：
利用公式
Figure 792886DEST_PATH_IMAGE001
确定自动驾驶车辆的车辆非线性运动学模型；
其中，p x 和p y 分别为车辆后轴中心点在惯性坐标系下的横纵坐标，
Figure 104919DEST_PATH_IMAGE002
和
Figure 762296DEST_PATH_IMAGE003
为p x 和p y 的导数，v为车辆速度，
Figure 259006DEST_PATH_IMAGE004
为车辆加速度，a为车辆加速度，
Figure 736255DEST_PATH_IMAGE005
为偏航角，
Figure 212497DEST_PATH_IMAGE006
为
Figure 849015DEST_PATH_IMAGE005
的导数，
Figure 1779DEST_PATH_IMAGE007
表示航向角，L表示轴距，e为后轴中心点距离对应参考轨迹的横向距离，
Figure 481171DEST_PATH_IMAGE008
为e的导数，
Figure 10372DEST_PATH_IMAGE009
为相对偏航角，
Figure 501396DEST_PATH_IMAGE010
为
Figure 838443DEST_PATH_IMAGE009
导数，
Figure 24705DEST_PATH_IMAGE011
为参考轨迹的偏航角速率。
8.根据权利要求6所述的一种面向自动驾驶车辆的实时轨迹规划系统，其特征在于，所述约束条件第一确定模块具体包括：
变量确定单元，用于根据车辆非线性运动学模型确定状态变量、控制变量以及控制变量的变化率；
在连续时间空间下的动力学模型确定单元，用于根据状态变量、控制变量以及控制变量确定在连续时间空间下的动力学模型；
离散化处理单元，用于基于欧拉近似方法对动力学模型进行离散化处理。
9.根据权利要求6所述的一种面向自动驾驶车辆的实时轨迹规划系统，其特征在于，所述约束条件第二确定模块具体包括以下公式：
Figure 341286DEST_PATH_IMAGE012
；
Figure 93341DEST_PATH_IMAGE013
；
其中，
Figure 446962DEST_PATH_IMAGE014
为自动驾驶车辆设定范围内第m个物体所占的空间，m为物体的编号，m=0为自动驾驶车辆，M为自动驾驶车辆设定范围内的所有物体，
Figure 136832DEST_PATH_IMAGE015
为自动驾驶车辆的形状，
Figure 7836DEST_PATH_IMAGE016
为自动驾驶车辆设定范围内物体所占的空间，
Figure 863665DEST_PATH_IMAGE017
为自动驾驶车辆与设定范围内物体的最小距离，d min 为自动驾驶车辆与设定范围内物体允许的最小距离，d min >0，z为多边形物体每条边对应线性函数自变量，
Figure 653767DEST_PATH_IMAGE018
为自变量的实数域范围，
Figure 80200DEST_PATH_IMAGE019
为多边形每条边的斜率系数，
Figure 502698DEST_PATH_IMAGE020
为多边形每条边的截距系数。
10.根据权利要求6所述的一种面向自动驾驶车辆的实时轨迹规划系统，其特征在于，所述线性化处理模块具体包括：
线性化处理单元，用于对车辆非线性运动学模型进行泰勒近似展开；并基于对偶法对避障的约束条件进行凸优化近似，完成车辆非线性运动学模型和避障的约束条件的线性化处理。
CN202210308275.6A 2022-03-28 2022-03-28 一种面向自动驾驶车辆的实时轨迹规划方法及系统 Active CN114415694B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210308275.6A CN114415694B (zh) 2022-03-28 2022-03-28 一种面向自动驾驶车辆的实时轨迹规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210308275.6A CN114415694B (zh) 2022-03-28 2022-03-28 一种面向自动驾驶车辆的实时轨迹规划方法及系统

Publications (2)

Publication Number Publication Date
CN114415694A true CN114415694A (zh) 2022-04-29
CN114415694B CN114415694B (zh) 2022-08-19

Family

ID=81264156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210308275.6A Active CN114415694B (zh) 2022-03-28 2022-03-28 一种面向自动驾驶车辆的实时轨迹规划方法及系统

Country Status (1)

Country Link
CN (1) CN114415694B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114995465A (zh) * 2022-08-02 2022-09-02 北京理工大学 一种考虑车辆运动能力的多无人车运动规划方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108475358A (zh) * 2015-12-15 2018-08-31 格瑞特坦有限责任公司 用于评价驾驶员的行程性能的方法和系统
CN109508007A (zh) * 2018-12-11 2019-03-22 东南大学 一种基于多源信息融合的农机轨迹跟踪、避障系统及方法
CN111413966A (zh) * 2020-03-12 2020-07-14 天津大学 一种递进式模型预测无人驾驶规划跟踪协同控制方法
CN113238563A (zh) * 2021-06-04 2021-08-10 重庆大学 一种高实时性的自动驾驶运动规划方法
CN113419521A (zh) * 2020-03-05 2021-09-21 广州市香港科大霍英东研究院 一种自动驾驶车辆局部避障路径的规划及跟踪方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108475358A (zh) * 2015-12-15 2018-08-31 格瑞特坦有限责任公司 用于评价驾驶员的行程性能的方法和系统
CN109508007A (zh) * 2018-12-11 2019-03-22 东南大学 一种基于多源信息融合的农机轨迹跟踪、避障系统及方法
CN113419521A (zh) * 2020-03-05 2021-09-21 广州市香港科大霍英东研究院 一种自动驾驶车辆局部避障路径的规划及跟踪方法
CN111413966A (zh) * 2020-03-12 2020-07-14 天津大学 一种递进式模型预测无人驾驶规划跟踪协同控制方法
CN113238563A (zh) * 2021-06-04 2021-08-10 重庆大学 一种高实时性的自动驾驶运动规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
FUKANG XU 等: "PD-Bug: A Novel Motion Planning Algorithm for Nonholonomic Car-Like Robots in Unknown Environments", 《2021 5TH CAA INTERNATIONAL CONFERENCE ON VEHICULAR CONTROL AND INTELLIGENCE》, 4 January 2022 (2022-01-04) *
朱晓媛: "基于模型预测控制的智能车辆运动规划算法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, 15 January 2022 (2022-01-15) *
王星 等: "基于邻域系统的智能车辆最优轨迹规划方法", 《智能系统学报》, vol. 14, no. 5, 30 September 2019 (2019-09-30), pages 1040 - 1047 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114995465A (zh) * 2022-08-02 2022-09-02 北京理工大学 一种考虑车辆运动能力的多无人车运动规划方法和系统
CN114995465B (zh) * 2022-08-02 2022-11-15 北京理工大学 一种考虑车辆运动能力的多无人车运动规划方法和系统

Also Published As

Publication number Publication date
CN114415694B (zh) 2022-08-19

Similar Documents

Publication Publication Date Title
CN112677995B (zh) 一种车辆轨迹规划方法、装置、存储介质及设备
CN110597245B (zh) 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN113276848B (zh) 一种智能驾驶换道避障轨迹规划、跟踪控制方法及系统
CN111338346A (zh) 一种自动驾驶控制方法、装置、车辆及存储介质
CN114379583B (zh) 一种基于神经网络动力学模型的自动驾驶车辆轨迹跟踪系统及方法
CN110162046B (zh) 基于事件触发型模型预测控制的无人车路径跟随方法
CN106371439B (zh) 一种统一的自动驾驶横向规划方法与系统
CN104462716B (zh) 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法
CN112644486B (zh) 一种基于驾驶安全场的智能车避障轨迹规划方法
CN116465427B (zh) 一种基于时空风险量化的智能车辆换道避障路径规划方法
CN114415694B (zh) 一种面向自动驾驶车辆的实时轨迹规划方法及系统
WO2024088068A1 (zh) 一种基于模型预测控制和强化学习融合的自动泊车决策方法
CN114859905A (zh) 一种基于人工势场法和强化学习的局部路径规划方法
CN114667852B (zh) 一种基于深度强化学习的绿篱修剪机器人智能协同控制方法
CN116486356A (zh) 一种基于自适应学习技术的狭窄场景轨迹生成方法
CN114442630A (zh) 一种基于强化学习和模型预测的智能车规划控制方法
CN116495014B (zh) 一种自进化非博弈自动驾驶车辆人机共驾方法及系统
Xu et al. Autonomous vehicle active safety system based on path planning and predictive control
CN110562245A (zh) 自动寻车位的路径跟随控制方法、系统、存储介质及车辆
CN114167860B (zh) 一种自动驾驶最优轨迹生成方法及装置
CN111857112A (zh) 一种汽车局部路径规划方法及电子设备
CN115542733A (zh) 基于深度强化学习的自适应动态窗口法
CN114004406A (zh) 车辆轨迹预测方法、装置、存储介质及电子设备
CN113674529A (zh) 一种自主超车方法及系统
Deng et al. Analysis of Vehicle Assisted Lane Change System and Autonomous Lane Change Model

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