CN114771570A - 自动驾驶车辆的控制方法和装置 - Google Patents
自动驾驶车辆的控制方法和装置 Download PDFInfo
- Publication number
- CN114771570A CN114771570A CN202210455611.XA CN202210455611A CN114771570A CN 114771570 A CN114771570 A CN 114771570A CN 202210455611 A CN202210455611 A CN 202210455611A CN 114771570 A CN114771570 A CN 114771570A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- potential energy
- information
- energy field
- constraint
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000005381 potential energy Methods 0.000 claims description 134
- 230000006870 function Effects 0.000 claims description 85
- 238000005070 sampling Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007423 decrease Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 14
- 230000006399 behavior Effects 0.000 description 13
- 230000008569 process Effects 0.000 description 12
- 230000004888 barrier function Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000001133 acceleration Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 238000005183 dynamical system Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种自动驾驶车辆的控制方法和装置,涉及计算机技术领域。该方法的一具体实施方式包括:获取当前时刻被控车辆的状态信息和道路结构信息;将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;根据所述车辆控制指令控制所述被控车辆行驶。该实施方式无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。
Description
技术领域
本发明涉及计算机技术领域,尤其涉及一种自动驾驶车辆的控制方法和装置。
背景技术
在车载端控制系统上,行为决策、运动规划和循迹控制这三个层起主要作用。很多这方面的研究工作都假设这些层相互之间没有影响,来研究其中的一个或将问题分解并独立地进行研究,希望在特定的交通环境下,解决一个特定的问题。如果要以传统的思路来设计一个完全的自动驾驶控制系统,需要在每一层设计一个不同的处理方法,还需要设计不同层之间的信息交互接口。即,在一个完整的自动驾驶车辆控制系统中,不同层内需要包含各种各样的方法以应对不同的驾驶场景,这将使控制系统更加复杂,系统设计更麻烦。现实中交通驾驶环境非常复杂多变,想要把动态的交通环境划分成有限个交通场景是非常困难的,并且不同场景间的切换也需要设计进入与退出机制,需要决定何时以及如何从一个驾驶行为切换到另一个。不同驾驶行为策略间的切换可能使控制指令输出不平滑。
在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
按照传统方式设计的自动驾驶控制系统将会变得极其臃肿,且可能仍不具备足够的能力去处理大部分的交通场景。
发明内容
有鉴于此,本发明实施例提供一种自动驾驶车辆的控制方法和装置,能够无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。
为实现上述目的,根据本发明实施例的一个方面,提供了一种自动驾驶车辆的控制方法,包括:获取当前时刻被控车辆的状态信息和道路结构信息;将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;根据所述车辆控制指令控制所述被控车辆行驶。
可选地,所述道路结构信息包括道路边界信息、车道线信息和障碍物信息;所述综合交通环境模型通过以下方式进行构建:使用虚拟势能场,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场;使用虚拟势能场,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场;使用虚拟势能场,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场;将所述道路边界势能场、所述车道线势能场和所述障碍物势能场进行势能场叠加得到道路结构势能场;根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型。
可选地,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场,包括:基于所述车辆位置信息和所述道路边界信息得到所述车辆距离道路左右边界的距离;基于所述车辆距离道路左右边界的距离来建立道路边界势能场,其中,当所述车辆距离道路左右边界的距离减小时,道路边界势能增加;当所述车辆在道路中间时,所述道路边界势能为零且保持不变。
可选地,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场,包括:根据所述车道线信息判断所述车道线是否为实线,以及相邻车道是否为相同方向行驶车道;若所述车道线为实线或相邻车道为相反方向行驶车道,则将所述车道线当成道路边界来建立车道线势能场;若所述车道线为虚线且相邻车道为相同方向行驶车道,则基于所述车辆位置信息和所述车道线信息得到车辆到所述车道线的最短距离,并基于所述最短距离建立车道线势能场,其中,当所述车辆跨车道线行驶时,车道线势能增加。
可选地,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场,包括:基于所述车辆位置信息和所述障碍物信息得到车辆与障碍物的最小距离,并基于所述最小距离来建立障碍物势能场,其中,障碍物势能随着所述最小距离的增大而减小。
可选地,所述被控车辆的状态信息包括:所述被控车辆的位置信息和速度;所述约束条件还包括:状态变量约束、控制变量约束、速度约束、松弛变量约束、车辆与障碍物的安全距离约束、初始状态值约束;根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型,包括:根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数;以所述车辆动力学方程、所述状态变量约束、所述控制变量约束、所述速度约束、所述松弛变量约束、所述车辆与障碍物的安全距离约束和所述初始状态值约束作为约束条件,构建所述综合交通环境模型。
可选地,根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数,包括:根据所述道路结构势能场与第二常数的乘积计算所述道路结构势能场对应的第一子目标函数;根据预测域中某一时刻的控制变量的转置矩阵、正定矩阵和所述某一时刻的控制变量的乘积,计算所述当前时刻的控制变量对应的第二子目标函数,所述预测域包括多个采样周期;根据所述松弛变量的平方与第一常数的乘积计算所述对速度冲突的惩罚对应的第三子目标函数;根据所述第一子目标函数、所述第二子目标函数和所述第三子目标函数之和计算所述目标函数的核心函数;通过计算所述多个采样周期的核心函数之和的最小值生成所述目标函数。
可选地,所述状态变量约束是基于在系统机械约束条件下的状态变量的最大值和最小值实现的;所述控制变量约束是基于在系统机械约束条件下的控制变量的最大值和最小值实现的;所述速度约束是基于速度最大值、速度最小值和松弛变量实现的;所述车辆与障碍物的安全距离约束是基于车辆与设定范围内的每个障碍物的位置和设定阈值之间的约束关系实现的;所述初始状态值约束是基于每个采样周期的采样时刻被控车辆的状态值实现的。
根据本发明实施例的另一方面,提供了一种自动驾驶车辆的控制装置,包括:信息获取模块,用于获取当前时刻被控车辆的状态信息和道路结构信息;指令生成模块,用于将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;车辆控制模块,用于根据所述车辆控制指令控制所述被控车辆行驶。
根据本发明实施例的又一方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,用于存储一个或多个程序,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现本发明实施例所提供的自动驾驶车辆的控制方法。
根据本发明实施例的再一方面,提供了一种计算机可读介质,其上存储有计算机程序,所述程序被处理器执行时实现本发明实施例所提供的自动驾驶车辆的控制方法。
上述发明中的一个实施例具有如下优点或有益效果:通过获取当前时刻被控车辆的状态信息和道路结构信息;将被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为综合交通环境模型的约束条件;根据车辆控制指令控制被控车辆行驶的技术方案,实现了基于模型预测控制理论来针对自动驾驶车辆进行控制,使用虚拟势能场对道路设施,如道路边界、车道线以及周围的障碍物或障碍车辆进行建模,将结构化道路上的自动驾驶车辆控制问题转化为模型预测控制问题,将车辆动力学方程作为模型预测控制问题的约束的一部分,从而无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。同时,还可以通过引入其他约束函数来约束被控车辆与障碍物之间的安全距离,以添加避免发生碰撞的约束。
上述的非惯用的可选方式所具有的进一步效果将在下文中结合具体实施方式加以说明。
附图说明
附图用于更好地理解本发明,不构成对本发明的不当限定。其中:
图1是根据本发明实施例的自动驾驶车辆的控制方法的主要步骤示意图;
图2是本发明实施例的动态交通环境模型示意图;
图3是本发明实施例的道路边界势能场截面示意图;
图4是本发明实施例的虚线车道线的车道线势能场截面示意图;
图5是本发明实施例的虚线分割的三车道道路的车道线势能场截面示意图;
图6是本发明实施例的矩形障碍物的障碍物势能场示意图;
图7是本发明实施例的非线性车辆动力学模型示意图;
图8是根据本发明实施例的自动驾驶车辆的控制装置的主要模块示意图;
图9是本发明实施例可以应用于其中的示例性系统架构图;
图10是适于用来实现本发明实施例的终端设备或服务器的计算机系统的结构示意图。
具体实施方式
以下结合附图对本发明的示范性实施例做出说明,其中包括本发明实施例的各种细节以助于理解,应当将它们认为仅仅是示范性的。因此,本领域普通技术人员应当认识到,可以对这里描述的实施例做出各种改变和修改,而不会背离本发明的范围和精神。同样,为了清楚和简明,以下的描述中省略了对公知功能和结构的描述。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
按照传统方式设计的自动驾驶控制系统将会变得极其臃肿,但可能仍不具备足够的能力去处理大部分的交通场景。为了解决这些问题,本发明提出一种基于模型预测控制理论的针对自动驾驶车辆的控制方法。使用虚拟势能场对道路设施,如道路边界、车道线以及周围的障碍物或障碍车辆进行建模,将结构化道路上的自动驾驶车辆控制问题转化为模型预测控制问题,将车辆动力学方程作为模型预测控制问题的约束的一部分。该方法无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。
图1是根据本发明实施例的自动驾驶车辆的控制方法的主要步骤示意图。如图1所示,本发明实施例的自动驾驶车辆的控制方法主要包括如下的步骤S101至步骤S103。
步骤S101:获取当前时刻被控车辆的状态信息和道路结构信息。
在本发明的实施例中,为了对自动驾驶车辆进行控制,需要根据当前时刻的被控车辆的状态信息和道路结构信息来预测下一时刻对被控车辆的控制指令。其中,当前时刻被控车辆的状态信息例如包括被控车辆的位置信息、速度、加速度、车辆尺寸大小等;道路结构信息例如包括道路的左右边界的位置信息、道路上的车道线信息(例如:车道线为实线还是虚线,车道线的位置信息等)以及车道的行驶方向等信息、道路上的障碍物信息(例如:每个车道上行驶的车辆信息、车道上的路障信息等)。
步骤S102:将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件。
根据本发明的技术方案,使用虚拟势能场对道路设施,如道路边界、车道线以及周围的障碍物或障碍车辆进行建模,将结构化道路上的自动驾驶车辆控制问题转化为模型预测控制问题,将车辆动力学方程作为模型预测控制问题的约束的一部分。该方法无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。
根据本发明的一个实施例,道路结构信息包括道路边界信息、车道线信息和障碍物信息。并且,该综合交通环境模型是通过以下方式进行构建的:使用虚拟势能场,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场;使用虚拟势能场,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场;使用虚拟势能场,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场;将所述道路边界势能场、所述车道线势能场和所述障碍物势能场进行势能场叠加得到道路结构势能场;根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型。下面将结合具体实施例介绍本发明中综合交通环境模型的构建过程。
图2是本发明实施例的动态交通环境模型示意图。假设已经建立了被控车辆的高真实度的模型且辨识出其中的各变量参数,已知行驶在同一条道路上的周围各车辆的尺寸大小、位置、速度以及加速度等可观状态信息,周围车辆的这些信息可以通过摄像头、激光雷达等传感器,使用多种环境感知技术,如深度学习和SLAM(simultaneous localizationand mapping,即时定位与地图构建),也可通过V2X(vehicle to vehicle,即车对车的信息交换)通信技术,如车路协同技术等来获取。如图2所示,图中车辆图案表示被控的自动驾驶车辆,灰色矩形表示周围行驶的车辆,即后续实施例介绍中的“障碍物”或“障碍车辆”。黑色实线表示道路边界,黑色虚线表示可跨过车道线。每一个车道宽度为D,被控车辆的位置坐标为(X,Y),被控车辆到道路左右边界的距离分别为dl和dr,被控车辆到第i个车道线的距离记为di。仅考虑在道路坐标系下从被控车辆尾部开始向前距离L范围内的障碍车辆,称L为“影响范围”。(Xj,Yj)为标号为j的障碍车辆的位置,(vjx,vjy)为其横纵向行驶的速度。被控车辆与第j个障碍车辆的最短距离为dj。
为了建立统一的交通环境模型,同时为了考虑所有的交通参与者对被控车辆行驶过程的综合影响,本发明引入了物理学中势能场的概念,将不同障碍物的势能场叠加起来就可以很合理、形象地表示出它们对被控车辆的综合影响。下面分别介绍道路边界、车道线及障碍车辆(障碍物)的势能场。
根据本发明的其中一个实施例,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场,具体可以包括:基于所述车辆位置信息和所述道路边界信息得到所述车辆距离道路左右边界的距离;基于所述车辆距离道路左右边界的距离来建立道路边界势能场,其中,当所述车辆距离道路左右边界的距离减小时,道路边界势能增加;当所述车辆在道路中间时,所述道路边界势能为零且保持不变。
图3是本发明实施例的道路边界势能场截面示意图。为了考虑道路边界的约束,设计道路边界势能函数,当靠近道路边界时势能非常大,远离边界时,几乎为零。如图3所示的道路左右边界的势能场的横截面,道路边界的叠加势能场如下:
其中,kR为常数项,(X,Y)是被控车辆在世界坐标系下的坐标,dl(X,Y)和dr(X,Y)分别为被控车辆到道路左右边界的距离。当被控车辆越靠近道路边界,道路边界的综合势能场增加越剧烈;当被控车辆在道路中间时,其值几何为零且保持不变。
根据本发明的另一个实施例,在基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场时,具体可以包括以下步骤:根据所述车道线信息判断所述车道线是否为实线,以及相邻车道是否为相同方向行驶车道;若所述车道线为实线或相邻车道为相反方向行驶车道,则将所述车道线当成道路边界来建立车道线势能场;若所述车道线为虚线且相邻车道为相同方向行驶车道,则基于所述车辆位置信息和所述车道线信息得到车辆到所述车道线的最短距离,并基于所述最短距离建立车道线势能场,其中,当所述车辆跨车道线行驶时,车道线势能增加。也就是说,在建立车道线势能场时,要根据车道线的具体属性进行区分构建。在本发明的实施例中,若车道线为实线或相邻车道为相反方向行驶车道,则可将该车道线当成道路边界来建立其虚拟势能场;若车道线为虚线且相邻车道为同向行驶车道,则车道线的势能场函数可设计成类高斯分布函数。当车辆跨虚线车道线行驶时,势能较大,但不会发生骤变。
图4是本发明实施例的虚线车道线的车道线势能场截面示意图。如图4所示,其中示出了同向行驶的三车道的两条虚线车道线的势能场截面图,其虚线车道线的虚拟势能函数表示如下:
其中,α和σ为常数,(X,Y)是被控车辆在世界坐标系下的坐标,di(X,Y)为被控车辆到第i个车道线的最短距离。这些车道线在虚拟势能场中形成一些小的凸起,能够避免车辆长时间骑行在车道线上,同时又允许车辆无需消耗太多的能量就能跨过车道线到另一个车道中行驶。
图5是本发明实施例的虚线分割的三车道道路的车道线势能场截面示意图。如图5所示,其中示出了综合了两条虚线车道线和道路边界的虚拟势能场的截面图,该图中的曲线存在三个局部最小点,形象直观地展示了车辆行驶在各车道中间时,其势能值较小。
根据本发明的又一个实施例,在基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场时,具体是:基于所述车辆位置信息和所述障碍物信息得到车辆与障碍物的最小距离,并基于所述最小距离来建立障碍物势能场,其中,障碍物势能随着所述最小距离的增大而减小。在本发明的实施例中,障碍物以障碍车辆为例进行说明,同样,障碍物也可以是道路中间的路障,以及不同行驶方向车道之间的隔离路障,等等。被控车辆在这些障碍车辆的势能场中行驶的过程可以和穿过山谷作类比,行驶在谷底可以一直很平整,但行驶距离可能会很长,可能会消耗较长时间到达目的地;而翻山越岭则会使车辆颠簸较大,降低行驶的舒适性。据此,本发明需要一个能够描述障碍车辆对被控车辆影响的指标,该指标能够随着距离增大而减小,直至趋近于零;当两者相距很近时,该指标急剧增大。在本发明的实施例中,采用汤川势(Yilkawa Potential)来描述障碍物势能场。汤川势能是一种用于描述核子之间短程相互作用的理论。本发明实施例的障碍物势能场具有如下形式:
其中,dj(X,Y)表示被控车辆与标号为j的障碍车辆的最小距离;系数αj决定了势能的变化快慢的程度,αj越大,靠近障碍车辆过程中势能增长越快;kj为比例因子,其值越大,表示障碍车辆的障碍物势能场影响范围越大。
图6是本发明实施例的矩形障碍物的障碍物势能场示意图。如图6,其中给出了一个2x4大小的矩形的障碍物势能场的示意图,其中αj=0.001,kj=1。
以上介绍了基于道路结构信息包括的道路边界信息、车道线信息和障碍物信息来建立虚拟势能场,同理,也可根据交通环境中其它交通组成元素的几何特点和功能特点建立其虚拟势能场。之后,通过叠加道路边界、车道线以及障碍物的虚拟势能场,即可构建复杂交通环境对被控车辆的综合影响函数,即综合交通环境模型。叠加后得到的道路结构势能场函数如下:
在构建了道路结构势能场函数之后,即可基于道路结构势能场函数来生成综合交通环境模型的目标函数。为了同时生成横向控制和纵向控制指令,本发明使用了一种非线性的车辆动力学方程作为综合交通环境模型的约束条件。
图7是本发明实施例的非线性车辆动力学模型示意图。在高速行驶、急转弯等偏极限运动情况下,横向运动和纵向运动是强耦合的,控制稍有偏差就有可能发生危险。这种情况下,仿真研究和控制研究中使用更真实的非线性车辆和轮胎动力学模型就显得尤为重要,基于非线性车辆动力学模型的方法可以提高控制的精确度、驾驶安全性和乘坐舒适性等。以行驶在水平地面上的自动驾驶车辆为被控对象,考虑到其完整的车辆动力学模型非常复杂,为了分析简便,本发明采用简化的水平面上的二自由度非线性车辆动力学模型,分别用一个前轮和一个后轮代替真实车辆的两个前轮和两个后轮。
如图7所示。在图7中,X-Y表示世界坐标系,XB-YB表示车身坐标系,A、B分别为前后车轮中心,CG是车辆的重心,其它变量与符号的含义见表1。
表1
本发明的实施例中所使用的车辆动力学模型的微分方程如下式所示:
前后轮的横向力可以使用一种线性的轮胎模型近似获得,具体计算公式如下:
其中,Cf和Cr分别表示前后轮胎的转向刚度系数。
考虑到不同类型的车辆,其动力来源不同,能量转换方式和转换效率不同,以及刹车方式和转向助力系统等差异的存在,为了增强控制系统的移植性和控制方法的普适性,本发明将前轮转向角度δf和纵向力FxT作为原系统的控制输入变量。然后,对其进行归一化处理得到:
[δf,FxT]T=[Cδuδ,CFuF]T,
其中,uδ∈[-1,1]和uF∈[-1,1]是无量纲的变量,Cδ和CF是考虑了转向、发动机以及传动等机构的限制约束的常量。最终,可以得到系统的控制输入变量为:
u=[uδ,uF]T,
则u即是自动驾驶车辆控制算法要求解的变量。系统的状态变量为:
x=[ux,uy,γ,ψ,X,Y]T。
最后,可以将车辆动力学模型离散化并简写为:
xk+1=f(xk,uk)。
在根据前述步骤得到道路结构势能场和车辆动力学方程之后,即可根据道路结构势能场生成目标函数,以车辆动力学方程作为约束条件,构建综合交通环境模型。
在本发明的实施例中,基于综合交通环境模型来进行控制,是基于模型预测控制,将势能场函数引入到优化问题的目标函数中,在车辆动力学的约束下最小化预测域内的目标函数。该方法将集成驾驶行为决策层、运动规划层和循迹控制层。更确切地说,将删除行为决策和轨迹规划等步骤,从而简化了模型,使得自动驾驶控制系统更简便。控制方法将在一定时间长度上完成驾驶行为,如换道、跟车以及超车等,可以在没有提前做任何决策和路径规划的情况下完成运动过程。该方法无需将系统分解,将简化整个自动驾驶车辆的控制系统,避免从决策系统到运动规划系统再到控制执行系统的层层指令传递。
根据本发明的实施例,所述被控车辆的状态信息包括:所述被控车辆的位置信息和速度;并且,所述约束条件还包括:状态变量约束、控制变量约束、速度约束、松弛变量约束、车辆与障碍物的安全距离约束、初始状态值约束。具体的,根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型,包括:根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数;以所述车辆动力学方程、所述状态变量约束、所述控制变量约束、所述速度约束、所述松弛变量约束、所述车辆与障碍物的安全距离约束和所述初始状态值约束作为约束条件,构建所述综合交通环境模型。
根据本发明的一个实施例,在根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数时,基于可以包括以下的几个步骤:根据所述道路结构势能场与第二常数的乘积计算所述道路结构势能场对应的第一子目标函数;根据预测域中某一时刻的控制变量的转置矩阵、正定矩阵和所述某一时刻的控制变量的乘积,计算所述当前时刻的控制变量对应的第二子目标函数,所述预测域包括多个采样周期;根据所述松弛变量的平方与第一常数的乘积计算所述对速度冲突的惩罚对应的第三子目标函数;根据所述第一子目标函数、所述第二子目标函数和所述第三子目标函数之和计算所述目标函数的核心函数;通过计算所述多个采样周期的核心函数之和的最小值生成所述目标函数。
并且,在本发明的实施例中,所述状态变量约束是基于在系统机械约束条件下的状态变量的最大值和最小值实现的;所述控制变量约束是基于在系统机械约束条件下的控制变量的最大值和最小值实现的;所述速度约束是基于速度最大值、速度最小值和松弛变量实现的;所述车辆与障碍物的安全距离约束是基于车辆与设定范围内的每个障碍物的位置和设定阈值之间的约束关系实现的;所述初始状态值约束是基于每个采样周期的采样时刻被控车辆的状态值实现的。
本发明基于模型预测控制,所构建的综合交通环境模型如下:
s.t.xk+1=f(xk,uk),k=0,1,…,(Np-1),
xmin≤xk≤xmax,k=1,2,…,Np,
umin≤uk≤umax,k=0,1,…,(Np-1),
Δumin≤uk+1-uk≤Δumax,k=0,1,…,(Np-2),
vmin-ξk≤vx,k≤vmax+ξk,k=1,2,…,Np,
ξk≥0,k=0,1,…,(Np-1),
Pj>Qj>0,
x0=x(t)。
其中,式为目标函数,在该目标函数中,Np是总预测步数,也就是采样周期个数,假设Hp为预测域的时间长度,Δt为采样时间间隔,即每两个采样周期之间的时间间隔,则Hp=NpΔt,Uk是道路结构势能场,是预测域中第k时刻的控制变量,Kp和Kξ为常数,为正定矩阵;ξk是松弛变量,目标函数中松弛变量的二次项是对速度冲突的惩罚。可以看到,目标函数中没有参考轨迹,从而简化了模型,使得自动驾驶控制系统更简便。
xk+1=f(xk,uk),k=0,1,…,(Np-1)是车辆动力学方程的离散形式,在这里作为重要的约束之一。
xmin≤xk≤xmax,k=1,2,…,Np、umin≤uk≤umax,k=0,1,…,(Np-1)、Δumin≤uk+1-uk≤Δumax,k=0,1,…,(Np-2)是假设考虑了系统机械约束的状态变量和控制变量的约束。
vmin-ξk≤vx,k≤vmax+ξk,k=1,2,…,Np是速度约束,ξk是松弛变量。
被控车辆与障碍物的安全距离约束表现在式和j=1,2,…,N0中,其中(Xj,k,Yj,k)是第j个障碍物的位置坐标,N0是考虑范围内的障碍物或障碍车辆的总数量,Pj>Qj>0,表示纵向安全距离大于横向安全距离,因为通常情况下纵向速度大于横向速度。另外,Pj和Qj应根据障碍物的速度进行相应的调整。
x0=x(t)表示系统应在每个采样周期实时捕捉当前采样时刻被控车辆的状态。
在该步骤S102中,通过将被控车辆的状态信息和道路结构信息输入前述构建的综合交通环境模型中,可以输出下一时刻的车辆控制指令。该过程即为对该综合交通环境模型的求解过程。在线实时求解该综合交通环境模型,将所得到的控制序列的第一个变量(即:下一时刻的车辆控制指令)或前部分序列输入到该综合交通环境模型中,然后再获取各状态变量的值(即被控车辆的状态信息),然后重复进行上述求解问题,如此一直进行下去,直至控制过程终止。通过周期性地求解该综合交通环境模型,被控车辆可以自动处理各种复杂的交通场景,只要交通环境中参与者对被控车辆的影响被转换成势能场函数。如果被控车辆附近没有障碍物或它们之间的相对距离几乎不变,被控车辆将在其车道内保持相对匀速行驶。如果被控车辆前方有障碍物或前方车辆行驶的速度非常低,被控车辆将换道至相邻车道并在新的车道中正常行驶。所有的这些复杂的驾驶行为都将由控制系统一步一步地、自下而上地完成,而不用依靠外部的指令。对于由人机接口输入的驾驶要求,由该综合交通环境模型构成的自动驾驶控制系统也可以应对自如。例如,当控制系统接收到操作员的换道指令时,一个虚拟的障碍物将被放到被控车辆前方的最小安全距离处,用来阻挡车辆在当前道路上继续行驶,被控车辆将自发地换道到相邻车道,无需跟踪任何由其它规划方法预先设定的参考轨迹。
对于该综合交通环境模型的求解,可以将其转化成非线性最优化问题。然而,对该综合交通环境模型的求解问题实则是一个非线性非凸的优化问题,在车载系统上其在线求解将会不可避免地消耗大量资源且计算时间很长。为了降低计算复杂度,一般的做法是在操作点附近将非线性动力学系统进行线性化。在t时刻,ux≠0,uy=γ=ψ=0,线性化的系统可表示为:
其中,
然后,使用零阶保持法将状态空间系统进行离散化,得到:
xk+1=Akxk+Bkuk,
其中,Ak=eA(t)Δt,Δt为数字系统的采样时间间隔。如此,即可将综合预测控制问题(即:对该综合交通环境模型的求解问题)转换成了求解一个有线性车辆动力学约束的最优化问题,这样大大降低了问题的复杂程度和求解时间。
步骤S103:根据所述车辆控制指令控制所述被控车辆行驶。通过将被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以对综合交通环境模型进行求解,输出下一时刻的车辆控制指令,然后,即可根据该车辆控制指令来控制该被控车辆行驶。
根据上述的步骤S101至步骤S103,基于模型预测控制理论,提出了针对自动驾驶汽车在动态交通环境下的控制方法,使用了虚拟势能场对道路结构包括道路边界、车道线和障碍物进行了建模,通过合成道路边界、车道线以及障碍物的势能场,可以得到整个交通环境的道路结构势能场函数,该函数是模型预测控制器的目标函数的重要组成部分。为了同时生成横向控制和纵向控制指令,使用了一种非线性车辆动力学模型,车辆的动力学约束也是模型预测控制问题的主要约束之一。同时,还可以通过引入其他约束函数来约束被控车辆与障碍物之间的安全距离,以添加避免发生碰撞的约束。本发明针对自动驾驶车辆的运动控制,建立综合交通环境模型,基于模型预测控制理论提出集成车辆横纵向运动控制的控制方法,该方法可以综合传统自动驾驶车辆控制系统中驾驶行为决策、运动规划以及循迹控制这三个层面的工作内容,并且无需针对不同交通环境切换不同控制模式。
图8是根据本发明实施例的自动驾驶车辆的控制装置的主要模块示意图。如图8所示,本发明实施例的自动驾驶车辆的控制装置800主要包括信息获取模块801、指令生成模块802和车辆控制模块803。
信息获取模块801,用于获取当前时刻被控车辆的状态信息和道路结构信息;
指令生成模块802,用于将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;
车辆控制模块803,用于根据所述车辆控制指令控制所述被控车辆行驶。
根据本发明的一个实施例,所述道路结构信息包括道路边界信息、车道线信息和障碍物信息;并且,所述综合交通环境模型通过以下方式进行构建:使用虚拟势能场,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场;使用虚拟势能场,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场;使用虚拟势能场,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场;将所述道路边界势能场、所述车道线势能场和所述障碍物势能场进行势能场叠加得到道路结构势能场;根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型。
根据本发明的另一个实施例,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场,具体可以包括:基于所述车辆位置信息和所述道路边界信息得到所述车辆距离道路左右边界的距离;基于所述车辆距离道路左右边界的距离来建立道路边界势能场,其中,当所述车辆距离道路左右边界的距离减小时,道路边界势能增加;当所述车辆在道路中间时,所述道路边界势能为零且保持不变。
根据本发明的又一个实施例,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场,具体可以包括:根据所述车道线信息判断所述车道线是否为实线,以及相邻车道是否为相同方向行驶车道;若所述车道线为实线或相邻车道为相反方向行驶车道,则将所述车道线当成道路边界来建立车道线势能场;若所述车道线为虚线且相邻车道为相同方向行驶车道,则基于所述车辆位置信息和所述车道线信息得到车辆到所述车道线的最短距离,并基于所述最短距离建立车道线势能场,其中,当所述车辆跨车道线行驶时,车道线势能增加。
根据本发明的又一个实施例,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场,具体可以包括:基于所述车辆位置信息和所述障碍物信息得到车辆与障碍物的最小距离,并基于所述最小距离来建立障碍物势能场,其中,障碍物势能随着所述最小距离的增大而减小。
根据本发明的又一个实施例,所述被控车辆的状态信息包括:所述被控车辆的位置信息和速度;所述约束条件还包括:状态变量约束、控制变量约束、速度约束、松弛变量约束、车辆与障碍物的安全距离约束、初始状态值约束;并且,根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型,具体可以包括:根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数;以所述车辆动力学方程、所述状态变量约束、所述控制变量约束、所述速度约束、所述松弛变量约束、所述车辆与障碍物的安全距离约束和所述初始状态值约束作为约束条件,构建所述综合交通环境模型。
根据本发明的又一个实施例,根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数,包括:根据所述道路结构势能场与第二常数的乘积计算所述道路结构势能场对应的第一子目标函数;根据预测域中某一时刻的控制变量的转置矩阵、正定矩阵和所述某一时刻的控制变量的乘积,计算所述当前时刻的控制变量对应的第二子目标函数,所述预测域包括多个采样周期;根据所述松弛变量的平方与第一常数的乘积计算所述对速度冲突的惩罚对应的第三子目标函数;根据所述第一子目标函数、所述第二子目标函数和所述第三子目标函数之和计算所述目标函数的核心函数;通过计算所述多个采样周期的核心函数之和的最小值生成所述目标函数。
根据本发明的再一个实施例,所述状态变量约束是基于在系统机械约束条件下的状态变量的最大值和最小值实现的;所述控制变量约束是基于在系统机械约束条件下的控制变量的最大值和最小值实现的;所述速度约束是基于速度最大值、速度最小值和松弛变量实现的;所述车辆与障碍物的安全距离约束是基于车辆与设定范围内的每个障碍物的位置和设定阈值之间的约束关系实现的;所述初始状态值约束是基于每个采样周期的采样时刻被控车辆的状态值实现的。
根据本发明实施例的技术方案,通过获取当前时刻被控车辆的状态信息和道路结构信息;将被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为综合交通环境模型的约束条件;根据车辆控制指令控制被控车辆行驶的技术方案,实现了基于模型预测控制理论来针对自动驾驶车辆进行控制,使用虚拟势能场对道路设施,如道路边界、车道线以及周围的障碍物或障碍车辆进行建模,将结构化道路上的自动驾驶车辆控制问题转化为模型预测控制问题,将车辆动力学方程作为模型预测控制问题的约束的一部分,从而无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。同时,还可以通过引入其他约束函数来约束被控车辆与障碍物之间的安全距离,以添加避免发生碰撞的约束。
图9示出了可以应用本发明实施例的自动驾驶车辆的控制方法或自动驾驶车辆的控制装置的示例性系统架构900。
如图9所示,系统架构900可以包括终端设备901、902、903,网络904和服务器905。网络904用以在终端设备901、902、903和服务器905之间提供通信链路的介质。网络904可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备901、902、903通过网络904与服务器905交互,以接收或发送消息等。终端设备901、902、903上可以安装有各种通讯客户端应用,例如车辆导航类应用、地图导航类应用、位置搜索类应用等(仅为示例)。
终端设备901、902、903可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器905可以是提供各种服务的服务器,例如对用户利用终端设备901、902、903所浏览的车辆导航应用提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的车辆导航请求等数据进行获取当前时刻被控车辆的状态信息和道路结构信息;将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令等处理,并将处理结果(例如车辆控制指令--仅为示例)反馈给终端设备。
需要说明的是,本发明实施例所提供的自动驾驶车辆的控制方法一般由服务器905执行,相应地,自动驾驶车辆的控制装置一般设置于服务器905中。
应该理解,图9中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
下面参考图10,其示出了适于用来实现本发明实施例的终端设备或服务器的计算机系统1000的结构示意图。图10示出的终端设备或服务器仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图10所示,计算机系统1000包括中央处理单元(CPU)1001,其可以根据存储在只读存储器(ROM)1002中的程序或者从存储部分1008加载到随机访问存储器(RAM)1003中的程序而执行各种适当的动作和处理。在RAM 1003中,还存储有系统1000操作所需的各种程序和数据。CPU 1001、ROM 1002以及RAM 1003通过总线1004彼此相连。输入/输出(I/O)接口1005也连接至总线1004。
以下部件连接至I/O接口1005:包括键盘、鼠标等的输入部分1006;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分1007;包括硬盘等的存储部分1008;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分1009。通信部分1009经由诸如因特网的网络执行通信处理。驱动器1010也根据需要连接至I/O接口1005。可拆卸介质1011,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器1010上,以便于从其上读出的计算机程序根据需要被安装入存储部分1008。
特别地,根据本发明公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本发明公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分1009从网络上被下载和安装,和/或从可拆卸介质1011被安装。在该计算机程序被中央处理单元(CPU)1001执行时,执行本发明的系统中限定的上述功能。
需要说明的是,本发明所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本发明中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本发明实施例中所涉及到的单元或模块可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元或模块也可以设置在处理器中,例如,可以描述为:一种处理器包括信息获取模块、指令生成模块和车辆控制模块。其中,这些单元或模块的名称在某种情况下并不构成对该单元或模块本身的限定,例如,车辆控制模块还可以被描述为“用于根据所述车辆控制指令控制所述被控车辆行驶的模块”。
作为另一方面,本发明还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的设备中所包含的;也可以是单独存在,而未装配入该设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被一个该设备执行时,使得该设备包括:获取当前时刻被控车辆的状态信息和道路结构信息;将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;根据所述车辆控制指令控制所述被控车辆行驶。
根据本发明实施例的技术方案,通过获取当前时刻被控车辆的状态信息和道路结构信息;将被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为综合交通环境模型的约束条件;根据车辆控制指令控制被控车辆行驶的技术方案,实现了基于模型预测控制理论来针对自动驾驶车辆进行控制,使用虚拟势能场对道路设施,如道路边界、车道线以及周围的障碍物或障碍车辆进行建模,将结构化道路上的自动驾驶车辆控制问题转化为模型预测控制问题,将车辆动力学方程作为模型预测控制问题的约束的一部分,从而无需针对不同的驾驶场景设计不同的驾驶策略,无需分层设计驾驶行为决策、轨迹规划和跟踪控制,使自动驾驶车辆的控制系统更加简单、紧凑且有能力处理不同的交通环境。同时,还可以通过引入其他约束函数来约束被控车辆与障碍物之间的安全距离,以添加避免发生碰撞的约束。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,取决于设计要求和其他因素,可以发生各种各样的修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (11)
1.一种自动驾驶车辆的控制方法,其特征在于,包括:
获取当前时刻被控车辆的状态信息和道路结构信息;
将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;
根据所述车辆控制指令控制所述被控车辆行驶。
2.根据权利要求1所述的方法,其特征在于,所述道路结构信息包括道路边界信息、车道线信息和障碍物信息;
所述综合交通环境模型通过以下方式进行构建:
使用虚拟势能场,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场;
使用虚拟势能场,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场;
使用虚拟势能场,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场;
将所述道路边界势能场、所述车道线势能场和所述障碍物势能场进行势能场叠加得到道路结构势能场;
根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型。
3.根据权利要求2所述的方法,其特征在于,基于所述车辆位置信息和所述道路边界信息进行建模得到道路边界势能场,包括:
基于所述车辆位置信息和所述道路边界信息得到所述车辆距离道路左右边界的距离;
基于所述车辆距离道路左右边界的距离来建立道路边界势能场,其中,当所述车辆距离道路左右边界的距离减小时,道路边界势能增加;当所述车辆在道路中间时,所述道路边界势能为零且保持不变。
4.根据权利要求2所述的方法,其特征在于,基于所述车辆位置信息和所述车道线信息进行建模得到车道线势能场,包括:
根据所述车道线信息判断所述车道线是否为实线,以及相邻车道是否为相同方向行驶车道;
若所述车道线为实线或相邻车道为相反方向行驶车道,则将所述车道线当成道路边界来建立车道线势能场;
若所述车道线为虚线且相邻车道为相同方向行驶车道,则基于所述车辆位置信息和所述车道线信息得到车辆到所述车道线的最短距离,并基于所述最短距离建立车道线势能场,其中,当所述车辆跨车道线行驶时,车道线势能增加。
5.根据权利要求2所述的方法,其特征在于,基于所述车辆位置信息和所述障碍物信息进行建模得到障碍物势能场,包括:
基于所述车辆位置信息和所述障碍物信息得到车辆与障碍物的最小距离,并基于所述最小距离来建立障碍物势能场,其中,障碍物势能随着所述最小距离的增大而减小。
6.根据权利要求2所述的方法,其特征在于,所述被控车辆的状态信息包括:所述被控车辆的位置信息和速度;
所述约束条件还包括:状态变量约束、控制变量约束、速度约束、松弛变量约束、车辆与障碍物的安全距离约束、初始状态值约束;
根据所述道路结构势能场生成目标函数,以所述车辆动力学方程作为约束条件,构建所述综合交通环境模型,包括:
根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数;
以所述车辆动力学方程、所述状态变量约束、所述控制变量约束、所述速度约束、所述松弛变量约束、所述车辆与障碍物的安全距离约束和所述初始状态值约束作为约束条件,构建所述综合交通环境模型。
7.根据权利要求6所述的方法,其特征在于,根据所述道路结构势能场、当前时刻的控制变量和对速度冲突的惩罚生成目标函数,包括:
根据所述道路结构势能场与第二常数的乘积计算所述道路结构势能场对应的第一子目标函数;
根据预测域中某一时刻的控制变量的转置矩阵、正定矩阵和所述某一时刻的控制变量的乘积,计算所述当前时刻的控制变量对应的第二子目标函数,所述预测域包括多个采样周期;
根据所述松弛变量的平方与第一常数的乘积计算所述对速度冲突的惩罚对应的第三子目标函数;
根据所述第一子目标函数、所述第二子目标函数和所述第三子目标函数之和计算所述目标函数的核心函数;
通过计算所述多个采样周期的核心函数之和的最小值生成所述目标函数。
8.根据权利要求6所述的方法,其特征在于,
所述状态变量约束是基于在系统机械约束条件下的状态变量的最大值和最小值实现的;
所述控制变量约束是基于在系统机械约束条件下的控制变量的最大值和最小值实现的;
所述速度约束是基于速度最大值、速度最小值和松弛变量实现的;
所述车辆与障碍物的安全距离约束是基于车辆与设定范围内的每个障碍物的位置和设定阈值之间的约束关系实现的;
所述初始状态值约束是基于每个采样周期的采样时刻被控车辆的状态值实现的。
9.一种自动驾驶车辆的控制装置,其特征在于,包括:
信息获取模块,用于获取当前时刻被控车辆的状态信息和道路结构信息;
指令生成模块,用于将所述被控车辆的状态信息和道路结构信息输入预先构建的综合交通环境模型中,以输出下一时刻的车辆控制指令,所述综合交通环境模型是使用虚拟势能场,基于车辆位置信息与道路结构信息进行建模得到的,且以车辆动力学方程作为所述综合交通环境模型的约束条件;
车辆控制模块,用于根据所述车辆控制指令控制所述被控车辆行驶。
10.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储装置,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-8中任一所述的方法。
11.一种计算机可读介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现如权利要求1-8中任一所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455611.XA CN114771570A (zh) | 2022-04-24 | 2022-04-24 | 自动驾驶车辆的控制方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210455611.XA CN114771570A (zh) | 2022-04-24 | 2022-04-24 | 自动驾驶车辆的控制方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114771570A true CN114771570A (zh) | 2022-07-22 |
Family
ID=82432900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210455611.XA Pending CN114771570A (zh) | 2022-04-24 | 2022-04-24 | 自动驾驶车辆的控制方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114771570A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013091A (zh) * | 2023-03-24 | 2023-04-25 | 山东康威大数据科技有限公司 | 基于车流量大数据的隧道监控系统与分析方法 |
CN116341288A (zh) * | 2023-05-25 | 2023-06-27 | 吉林大学 | 一种异质交通流行车安全场建模方法 |
CN117234215A (zh) * | 2023-11-09 | 2023-12-15 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
-
2022
- 2022-04-24 CN CN202210455611.XA patent/CN114771570A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116013091A (zh) * | 2023-03-24 | 2023-04-25 | 山东康威大数据科技有限公司 | 基于车流量大数据的隧道监控系统与分析方法 |
CN116341288A (zh) * | 2023-05-25 | 2023-06-27 | 吉林大学 | 一种异质交通流行车安全场建模方法 |
CN116341288B (zh) * | 2023-05-25 | 2023-09-05 | 吉林大学 | 一种异质交通流行车安全场建模方法 |
CN117234215A (zh) * | 2023-11-09 | 2023-12-15 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
CN117234215B (zh) * | 2023-11-09 | 2024-03-05 | 新石器中研(上海)科技有限公司 | 无人车纵向控制方法、装置、电子设备及无人车 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Emergency steering control of autonomous vehicle for collision avoidance and stabilisation | |
WO2022148282A1 (zh) | 一种车辆轨迹规划方法、装置、存储介质及设备 | |
Li et al. | Lane change strategies for autonomous vehicles: A deep reinforcement learning approach based on transformer | |
Wang et al. | Modeling and field experiments on autonomous vehicle lane changing with surrounding human‐driven vehicles | |
US10613489B2 (en) | Method and system for determining optimal coefficients of controllers for autonomous driving vehicles | |
US20200363814A1 (en) | Offline agent using reinforcement learning to speedup trajectory planning for autonomous vehicles | |
US20200363813A1 (en) | Online agent using reinforcement learning to plan an open space trajectory for autonomous vehicles | |
CN114771570A (zh) | 自动驾驶车辆的控制方法和装置 | |
Makantasis et al. | Deep reinforcement‐learning‐based driving policy for autonomous road vehicles | |
CN112896191B (zh) | 轨迹处理方法、装置、电子设备和计算机可读介质 | |
Wu et al. | Optimal control problem of multi‐vehicle cooperative autonomous parking trajectory planning in a connected vehicle environment | |
Németh et al. | Optimal control of overtaking maneuver for intelligent vehicles | |
Micheli et al. | NMPC trajectory planner for urban autonomous driving | |
Huang et al. | Reference‐free approach for mitigating human–machine conflicts in shared control of automated vehicles | |
Yuan et al. | Mixed local motion planning and tracking control framework for autonomous vehicles based on model predictive control | |
Mischinger et al. | Towards comfort-optimal trajectory planning and control | |
Li et al. | Real-time optimal trajectory planning for autonomous driving with collision avoidance using convex optimization | |
Li et al. | Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles | |
Liu et al. | Comprehensive predictive control method for automated vehicles in dynamic traffic circumstances | |
Jiang et al. | Trajectory planning and optimisation method for intelligent vehicle lane changing emergently | |
Guo et al. | Adaptive non‐linear coordinated optimal dynamic platoon control of connected autonomous distributed electric vehicles on curved roads | |
Khanum et al. | Involvement of deep learning for vision sensor-based autonomous driving control: a review | |
Liu et al. | Dynamic motion planner with trajectory optimisation for automated highway lane‐changing driving | |
Peng et al. | Lane‐Change Model and Tracking Control for Autonomous Vehicles on Curved Highway Sections in Rainy Weather | |
Liu et al. | Human-like trajectory planning for autonomous vehicles based on spatiotemporal geometric transformation |
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 |