CN114942642A - 一种无人驾驶汽车轨迹规划方法 - Google Patents

一种无人驾驶汽车轨迹规划方法 Download PDF

Info

Publication number
CN114942642A
CN114942642A CN202210664523.0A CN202210664523A CN114942642A CN 114942642 A CN114942642 A CN 114942642A CN 202210664523 A CN202210664523 A CN 202210664523A CN 114942642 A CN114942642 A CN 114942642A
Authority
CN
China
Prior art keywords
track
vehicle
planning
trajectory
optimal
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
Application number
CN202210664523.0A
Other languages
English (en)
Inventor
王锦坤
张羽翔
李超群
王云成
高炳钊
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.)
Jilin University
Original Assignee
Jilin University
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 Jilin University filed Critical Jilin University
Priority to CN202210664523.0A priority Critical patent/CN114942642A/zh
Publication of CN114942642A publication Critical patent/CN114942642A/zh
Pending legal-status Critical Current

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
    • G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
    • 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
    • G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
    • G05D1/0246—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using a video camera in combination with image processing means
    • 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)
  • Physics & Mathematics (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Electromagnetism (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种无人驾驶汽车轨迹规划方法，包括：获取待轨迹规划的无人驾驶汽车的环境及车辆状态信息；将环境及车辆状态信息输入局部轨迹规划器，基于运动学模型，遵循相应的评价指标，规划局部最优轨迹；将规划得到的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器，以囊括优化参数的目标函数为评价依据，在相应的预设约束条件下，计算待轨迹规划的无人驾驶汽车的车辆前转向轮的最优动作序列；根据最优动作序列，通过操纵待轨迹规划的无人驾驶汽车的执行机构，保证待轨迹规划的无人驾驶汽车按照规划的轨迹安全行驶。该方法在保证模型精确性的前提下，提高了轨迹规划效率，降低了模型复杂度，并减少了计算时间。

Description

一种无人驾驶汽车轨迹规划方法
技术领域
本发明涉及无人驾驶技术领域，特别涉及一种无人驾驶汽车轨迹规划方法。
背景技术
在过去的数十年中，交通事故造成的伤亡人数每年都在增加。自动驾驶汽车由于操作快速且感知准确，可以大大减少驾驶员分心和疲劳引起的事故。除了提高安全性外，自动驾驶汽车还可以大大提高驾驶舒适性、交通效率和能源经济性。
目前，轨迹规划的四种主要方法为基于图搜索的方法、增量搜索法、曲线插值法和数值优化法。其中，图搜索通过遍历所有环境网格找到最短路径。但是，所得路径并不连续，因此不适用于自动驾驶汽车。增量搜索方法允许节点在连续空间中随机地向目标延伸。但是，生成的轨迹是生涩的，通常不是最佳轨迹。曲线插值法可以生成平滑的路径，但是轨迹规划的结果取决于全局航路点，并且该方法在多变的环境中非常耗时。现有技术中，通常使用数值优化法来考虑道路和主车辆的约束。轨迹则是由约束和目标函数生成的。但是，优化过程需要在每个时间同步执行，耗时且需要较高级别的硬件。
因此，在现有无人驾驶轨迹规划技术的基础上，如何在保证模型精确性的前提下，提高轨迹规划效率，并减少计算时间，成为本领域技术人员亟需解决的问题。
发明内容
鉴于上述问题，本发明提出了一种至少解决上述部分技术问题的无人驾驶汽车轨迹规划方法，该方法可有效提高轨迹规划效率，并减少计算时间。
本发明实施例提供一种无人驾驶汽车轨迹规划方法，包括如下步骤：
S1、获取待轨迹规划的无人驾驶汽车的环境及车辆状态信息；所述环境及车辆状态信息包括：本车状态、本车位置、环境信息、交通信息和道路信息；
S2、将所述环境及车辆状态信息输入局部轨迹规划器，基于运动学模型，遵循相应的评价指标，规划局部最优轨迹；
S3、将规划得到的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器，以囊括优化参数的目标函数为评价依据，在相应的预设约束条件下，计算所述待轨迹规划的无人驾驶汽车的车辆前转向轮的最优动作序列；所述优化参数包括：横向跟踪误差和控制量变化率；
S4、根据所述最优动作序列，通过操纵所述待轨迹规划的无人驾驶汽车的执行机构，保证所述待轨迹规划的无人驾驶汽车按照规划的轨迹安全行驶。
进一步地，所述步骤S3还包括：将规划得到的局部最优轨迹进行重采样，将较大的离散时间步长转变成较小的离散时间步长；将重采样后的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器。
进一步地，所述步骤S2中，所述局部轨迹规划器将规划所述局部最优轨迹表示为方程的最优控制问题，在预设预测范围中生成控制变量的最优控制序列：
Figure BDA0003691099590000021
上式中，L(X(t),U(t),t)为预设预测范围[t，t+T]的成本函数；U(t)为预设预测范围[t，t+T]内的最优控制序列；f(X(t),U(t))为状态空间表达式；X(t)为状态变量。
进一步地，所述成本函数包括环境成本和轨迹成本；所述环境成本包括：车道保持成本函数、道路边界成本函数和避障成本函数；所述轨迹成本包括：轨迹速度指标成本函数、轨迹控制量变化量成本函数和轨迹一致性成本函数。
进一步地，所述避障成本函数的表达式为：
Figure BDA0003691099590000031
上式中，Aobs代表避障成本函数的权重系数；v(t)代表本车速度；x(t)为t时刻本车横坐标位置；y(t)为t时刻本车纵坐标位置；xobs代表障碍物的横坐标位置；yobs代表障碍物的纵坐标位置；ζ为调整系数。
进一步地，所述步骤S2中，在预设预测范围中生成控制变量的最优控制序列之后，还包括：将所述最优控制序列根据预设条件进行约束；所述预设条件包括：分别将本车加速度和前轮转角控制在第一预设范围和第二预设范围内，以及约束本车的位置。
进一步地，通过如下公式约束本车的位置：
Figure BDA0003691099590000032
上式中，x(t)为t时刻本车横坐标位置；x(t)obs为t时刻环境车辆横坐标位置；rx为不发生碰撞情况下横坐标所留预设安全距离；y(t)为t时刻本车纵坐标位置；y(t)obs为t时刻环境车辆纵坐标位置；ry为不发生碰撞情况下纵坐标所留预设安全距离。
进一步地，所述局部轨迹规划器具有较大的离散时间步长。
进一步地，所述轨迹跟踪控制器具有较小的离散时间步长。
进一步地，所述轨迹跟踪控制器的目标函数包括两部分性能指标，分别为：对所述局部最优轨迹的跟踪能力和控制量的平稳程度。
本发明实施例提供的上述技术方案的有益效果至少包括：
本发明实施例提供的一种无人驾驶汽车轨迹规划方法，包括：获取待轨迹规划的无人驾驶汽车的环境及车辆状态信息；将环境及车辆状态信息输入局部轨迹规划器，基于运动学模型，遵循相应的评价指标，规划局部最优轨迹；将规划得到的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器，以囊括优化参数的目标函数为评价依据，在相应的预设约束条件下，计算待轨迹规划的无人驾驶汽车的车辆前转向轮的最优动作序列；根据最优动作序列，通过操纵待轨迹规划的无人驾驶汽车的执行机构，保证待轨迹规划的无人驾驶汽车按照规划的轨迹安全行驶。该方法在保证模型精确性的前提下，提高了轨迹规划效率，降低了模型复杂度，并减少了计算时间。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明实施例提供的无人驾驶汽车轨迹规划方法流程图；
图2为本发明实施例提供的结构框图；
图3为本发明实施例提供的规划层与控制层衔接过程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例提供一种无人驾驶汽车轨迹规划方法，参照图1所示，包括如下步骤：
S1、获取待轨迹规划的无人驾驶汽车的环境及车辆状态信息；环境及车辆状态信息包括：本车状态、本车位置、环境信息、交通信息和道路信息；
S2、将环境及车辆状态信息输入局部轨迹规划器，基于运动学模型，遵循相应的评价指标，规划局部最优轨迹；
S3、将规划得到的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器，以囊括优化参数的目标函数为评价依据，在相应的预设约束条件下(指控制量与控制量增量约束)，计算待轨迹规划的无人驾驶汽车的车辆前转向轮的最优动作序列；优化参数包括：横向跟踪误差和控制量变化率；
S4、根据最优动作序列，通过操纵待轨迹规划的无人驾驶汽车的执行机构，保证待轨迹规划的无人驾驶汽车按照规划的轨迹安全行驶。
本实施例提供的无人驾驶汽车轨迹规划方法，在保证模型精确性的前提下，提高了轨迹规划效率，降低了模型复杂度，并减少了计算时间。
具体地，该方法包含多个子模块，其结构框图如图2所示，主要包括：感知系统、规划系统和控制系统。基于已知环境信息，在主导车辆局部运动的无人驾驶领域，无人车的局部轨迹规划(通过规划层实现)与跟踪控制(通过控制层实现)是实现无人驾驶技术的关键和基础。在全局路径参考下，局部轨迹规划控制器(MPC规划器)收到感知模块或其他传感器感知的环境及车辆的状态信息(包括：本车状态、本车位置、环境信息、交通信息和道路信息)，基于适当精度的运动学模型，遵循相应的评价指标，在车道线、道路边界、周围车辆及环境障碍物等复杂环境中，规划出一条符合约束且安全可行的较优局部轨迹；上层规划的轨迹作为下层轨迹跟踪层的期望轨迹，轨迹跟踪控制器(MPC控制器)基于非线性车辆模型，以囊括横纵向跟踪误差、控制量变化率等优化参数的目标函数为评价依据，在具体的约束条件下，计算车辆前转向轮的最优动作序列，保证车辆的实际轨迹不仅能及时贴合上游规划的期望值，而且能保证车辆的安全性、舒适性及高效性。
其中，感知系统，用于获得当前车辆以及环境车辆行驶状态信息，并进行信号处理，包括：借助车载智能感知模块中雷达环境感知元件、车载摄像头得到的周围车辆的车道、速度和加速度，本车的车道、速度以及以本车车道为基准的相对距离，并通过环境车辆与其车道中心线的偏移或转向灯信息得到环境车的驾驶意图，收集数据用于后续规划控制系统使用。
规划系统，收集感知系统传来的环境信息。该环境信息包括：周围车辆的车道、速度和加速度；本车的车道、速度以及以本车车道为基准的相对距离；并通过环境车辆与其车道中心线的偏移或转向灯信息得到环境车的驾驶意图。通过感知系统得知的周边环境信息，确定当前智能车辆自身的位置，以及周边障碍车辆信息、道路信息。确定是否执行换道决策，并对未来一段时间内车辆的状态进行规划。
控制系统，主要负责将规划系统规划出的结果准确地执行，在合适的时刻给智能车上的执行机构发出信号，通过对油门、刹车和转向盘等执行机构的操纵来保证智能车能够按照规划的结果安全行驶。
具体规划系统包括以下步骤：
步骤一，规划器模型的建立：
规划层采用基于运动学模型的MPC规划器(局部轨迹规划器)。建立车辆运动学模型(规划器预测模型)。包括：
车辆运动学模型的建立：
运动学模型基于纵向和横向动力学，自动驾驶中的车辆模型可以简化为二维平面上运动的刚体结构、任意时刻车辆的状态、车辆坐标的原点位于后轴的中心位置，坐标轴与车身平行。以单车模型为基础建立车辆的运动学模型，(X，Y)为后轴中心坐标；ψ为航向角；v为车速；δf为前轮转角；δr为后轮转角，恒为0°；w为横摆角速度；β为滑移角，极小，假设为0；1为车辆前后轴轴距。当状态量为[X，Y，ψ]T，被控量为u＝[v，δf]T时，有如下公式(2.1)：
Figure BDA0003691099590000061
但在无人驾驶车辆控制过程中，一般控制量u＝[a，w]T，a为车辆纵向加速度，则公式(2.1)可写为公式(2.2)：
Figure BDA0003691099590000071
步骤二，规划器优化问题的建立：
MPC规划器的运动学模型规划方法，根据周围环境参数，调整优化的目标并得到约束条件；并在不基于固定轨迹形式的情况下，通过对优化问题在线求解并滚动优化进行轨迹规划。
遵循相应的评价指标，基于各个约束条件求解，具体求解过程如下：
首先，将主车辆状况、交通信息和路径规划信息，作为MPC规划器的轨迹规划模块的输入；轨迹规划模块基于传递的信息，规划最佳轨迹，并生成(x(t)，y(t)，δ(t)，a(t))的序列，其中，x(t)为时刻t的车辆横坐标(本车的横向位置)，y(t)为时刻t的车辆纵坐标(本车的纵向位置)，δ(t)为时刻t的前轮转角，a(t)为时刻t的车辆纵向加速度；后续将该序列转换到轨迹跟踪控制器，使得自动驾驶汽车遵循生成的最佳轨迹。
其次，通过MPC规划器的轨迹规划算法负责规划轨迹，使得车辆执行车道变换或车道保持动作；将轨迹规划实施表示为方程中的最优控制问题，以在预测范围[t，t+T]中找到控制变量U(t)＝[δ(t)，a(t)]T的最优控制序列，从而得到式(6a)和(6b)：
Figure BDA0003691099590000072
Figure BDA0003691099590000073
上式中，L(X(t)，U(t)，t)为预测范围[t，t+T]的成本函数；U(t)为预测范围[t，t+T]内的最优控制序列；f(X(t)，U(t))为状态空间表达式；X(t)为状态变量。
其中，成本函数可以如下表示：
L(X(t)，U(t)，t)
＝Lroad(X(t)，U(t)，t)+Llane(X(t)，U(t)，t)+Lobs(X(t)，U(t)，t)+Lkeep(X(t)，U(t)，t)+Lv(X(t)，U(t)，t)+Lcon(X(t)，U(t)，t) (3)
成本函数主要包括环境成本与轨迹成本。考虑环境成本的成本函数主要包括Lroad(X(t)，U(t)，t)，Lkeep(X(t)，U(t)，t)，Lobs(X(t)，U(t)，t)三项。
其中，为使车辆在无需换道时，执行车道保持动作，采用的车道保持成本函数如下：
Figure BDA0003691099590000081
上式中，Akeep代表此成本函数的权重系数，y(t)代表车辆的纵向位置，σkeep是一个与车道宽度相关的调整系数，Lkeep1与Lkeep2分别代表车道中心线1与车道中心线2的位置。
为使车辆不越过道路边界，采用的道路边界成本函数如下：
Figure BDA0003691099590000082
上式中，Aroad代表此成本函数的权重系数，y(t)代表车辆的纵向位置，Lroad1与Lroad2分别代表车道边界线1与车道边界线2的位置。
为使车辆尽量远离障碍物，采用的避障成本函数如下：
Figure BDA0003691099590000083
上式中，Aobs代表此成本函数的权重系数，v(t)代表本车速度，x(t)代表本车的横向位置，y(t)代表本车的纵向位置，xobs与yobs分别代表障碍车(物)横纵坐标，ζ为一个防止Lobs(X(t)，U(t)，t)过大的调整系数。
考虑轨迹成本(生成轨迹性能)的成本函数主要包括Lu(X(t)，U(t)，t)，Lv(X(t)，U(t)，t)，Lcon(X(t)，U(t)，t)三项。
考虑规划轨迹速度指标的成本函数如下：
Lv(X(t)，U(t)，t)＝Av|vmax-v(t)| (7)
上式中，Av代表此成本函数的权重系数，v(t)代表本车速度，vmax代表最高容许车速。
考虑规划轨迹控制量变化量的成本函数如下：
Figure BDA0003691099590000091
上式中，Au代表此成本函数的权重系数，M代表预测时域步长，Δu代表控制量变化量。
为了减少不必要的规划轨迹的改变，考虑规划轨迹一致性函数的成本函数如下：
Figure BDA0003691099590000092
上式中，Acon代表此成本函数的权重系数，
Figure BDA0003691099590000093
和
Figure BDA0003691099590000094
代表进行比较的t时刻的候选轨迹上第i个点的自然坐标系坐标值。
Figure BDA0003691099590000095
和
Figure BDA0003691099590000096
代表进行比较的t-Δt时刻的候选轨迹上第i个点的自然坐标系的横坐标值和纵坐标值。k用来表示滚动时域向后滚动一次，走过k倍的模型离散步长。Nb代表候选轨迹从t＝0到t＝T之间进行离散点的总数；轨迹离散后，会变成一个个轨迹点，这里指轨迹点的总数。
步骤三，快速求解：
通过优化直接获得轨迹，在优化过程中，通过简化规划器预测模型减少计算时间，通过延长控制时间步长(控制时域不变，增加控制步长)减少要解决的变量数量。为保证控制层控制精度，在规划轨迹传递给轨迹跟踪层(轨迹跟踪控制器)前，需要对轨迹进行重采样，完成规划层轨迹与跟踪控制层轨迹的衔接，将较大的离散时间步长转变成较小的离散时间步长。
对规划出的轨迹进行重采样时，令
Figure BDA0003691099590000097
代表t时刻重采样前的候选轨迹上第i个点的速度，则重采样方法可表达为式(10)。
Figure BDA0003691099590000098
上式中，
Figure BDA0003691099590000099
代表轨迹向量，
Figure BDA00036910995900000910
代表重采样前候选轨迹第i个点的轨迹向量，
Figure BDA0003691099590000101
代表重采样后，原候选轨迹第i个点依次往后j个轨迹点的轨迹向量。
步骤四，非线性模型预测控制问题的建立与求解：
采用基于非线性车辆模型的MPC控制器(轨迹跟踪控制器)。为保证控制精度，控制器模型选取车辆非线性动力学模型(非线性车辆模型)，对步骤三求解出的轨迹进行跟踪，轨迹跟踪控制器具有较小的离散时间步长(控制时域不变，缩小控制步长)。
对重采样后的轨迹进行跟踪时，控制器成本函数J(k)(目标函数)采用跟踪型指标，如式(11)所示。
Figure BDA0003691099590000102
为了综合两部分性能指标在控制器中的影响效果，特设定权重矩阵Q和R，权重矩阵Q反映系统对参考轨迹的跟踪能力，权重矩阵R反映控制量的平稳程度。ρ是权重系数，ε是松弛因子，ε用来保证最优解一定存在。NP代表预测时域步长，NC代表控制时域步长。
准确性成本函数J1(k)为：
预测时域内预测输出
Figure BDA0003691099590000103
与期望输出
Figure BDA0003691099590000104
二者差的平方和的形式，将平稳性目标函数J2(k)设定为控制时域内控制量增量Δuf(k+i)的平方和的形式。
本实施例提供的无人驾驶汽车轨迹规划方法能够达到以下有益效果：
本实施例的无人驾驶汽车轨迹规划方法，具有如下优势，(1)其使用的MPC规划器同时包括了换道决策与轨迹规划，相比传统的基于采样的机器人轨迹规划方法，该规划器能得出局部最优轨迹；(2)其使用比传统自行车模型更精确的，同时考虑了纵向和横向动力学的非线性模型。使用转向和制动系统来实现对紧急避障的控制；(3)规划层通过使用化简后的模型与较大的离散时间步长，成功减少所用的求解过程的时间；(4)控制层通过更精确的模型与较小的离散时间步长使得车辆即使在高速情况下也能获得良好的运动控制性能。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种无人驾驶汽车轨迹规划方法，其特征在于，包括如下步骤：
S1、获取待轨迹规划的无人驾驶汽车的环境及车辆状态信息；所述环境及车辆状态信息包括：本车状态、本车位置、环境信息、交通信息和道路信息；
S2、将所述环境及车辆状态信息输入局部轨迹规划器，基于运动学模型，遵循相应的评价指标，规划局部最优轨迹；
S3、将规划得到的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器，以囊括优化参数的目标函数为评价依据，在相应的预设约束条件下，计算所述待轨迹规划的无人驾驶汽车的车辆前转向轮的最优动作序列；所述优化参数包括：横向跟踪误差和控制量变化率；
S4、根据所述最优动作序列，通过操纵所述待轨迹规划的无人驾驶汽车的执行机构，保证所述待轨迹规划的无人驾驶汽车按照规划的轨迹安全行驶。
2.如权利要求1所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述步骤S3还包括：将规划得到的局部最优轨迹进行重采样，将较大的离散时间步长转变成较小的离散时间步长；将重采样后的局部最优轨迹作为期望轨迹输入轨迹跟踪控制器。
3.如权利要求1所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述步骤S2中，所述局部轨迹规划器将规划所述局部最优轨迹表示为方程的最优控制问题，在预设预测范围中生成控制变量的最优控制序列：
Figure FDA0003691099580000011
上式中，L(X(t),U(t),t)为预设预测范围[t，t+T]的成本函数；U(t)为预设预测范围[t，t+T]内的最优控制序列；f(X(t),U(t))为状态空间表达式；X(t)为状态变量。
4.如权利要求3所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述成本函数包括环境成本和轨迹成本；所述环境成本包括：车道保持成本函数、道路边界成本函数和避障成本函数；所述轨迹成本包括：轨迹速度指标成本函数、轨迹控制量变化量成本函数和轨迹一致性成本函数。
5.如权利要求4所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述避障成本函数的表达式为：
Figure FDA0003691099580000021
上式中，Aobs代表避障成本函数的权重系数；v(t)代表本车速度；x(t)为t时刻本车横坐标位置；y(t)为t时刻本车纵坐标位置；xobs代表障碍物的横坐标位置；yobs代表障碍物的纵坐标位置；ζ为调整系数。
6.如权利要求3所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述步骤S2中，在预设预测范围中生成控制变量的最优控制序列之后，还包括：将所述最优控制序列根据预设条件进行约束；所述预设条件包括：分别将本车加速度和前轮转角控制在第一预设范围和第二预设范围内，以及约束本车的位置。
7.如权利要求6所述的一种无人驾驶汽车轨迹规划方法，其特征在于，通过如下公式约束本车的位置：
Figure FDA0003691099580000022
上式中，x(t)为t时刻本车横坐标位置；x(t)obs为t时刻环境车辆横坐标位置；rx为不发生碰撞情况下横坐标所留预设安全距离；y(t)为t时刻本车纵坐标位置；y(t)obs为t时刻环境车辆纵坐标位置；ry为不发生碰撞情况下纵坐标所留预设安全距离。
8.如权利要求1所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述局部轨迹规划器具有较大的离散时间步长。
9.如权利要求1所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述轨迹跟踪控制器具有较小的离散时间步长。
10.如权利要求1所述的一种无人驾驶汽车轨迹规划方法，其特征在于，所述轨迹跟踪控制器的目标函数包括两部分性能指标，分别为：对所述局部最优轨迹的跟踪能力和控制量的平稳程度。
CN202210664523.0A 2022-06-13 2022-06-13 一种无人驾驶汽车轨迹规划方法 Pending CN114942642A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210664523.0A CN114942642A (zh) 2022-06-13 2022-06-13 一种无人驾驶汽车轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210664523.0A CN114942642A (zh) 2022-06-13 2022-06-13 一种无人驾驶汽车轨迹规划方法

Publications (1)

Publication Number Publication Date
CN114942642A true CN114942642A (zh) 2022-08-26

Family

ID=82908237

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210664523.0A Pending CN114942642A (zh) 2022-06-13 2022-06-13 一种无人驾驶汽车轨迹规划方法

Country Status (1)

Country Link
CN (1) CN114942642A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115534925A (zh) * 2022-12-01 2022-12-30 广汽埃安新能源汽车股份有限公司 车辆控制方法、装置、设备和计算机可读介质
CN116382260A (zh) * 2023-02-13 2023-07-04 大连理工大学 一种基于安全航行通道的水面舰艇停泊轨迹规划方法
CN117302204A (zh) * 2023-11-30 2023-12-29 北京科技大学 依托强化学习的多风格车辆轨迹跟踪避撞控制方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115534925A (zh) * 2022-12-01 2022-12-30 广汽埃安新能源汽车股份有限公司 车辆控制方法、装置、设备和计算机可读介质
CN116382260A (zh) * 2023-02-13 2023-07-04 大连理工大学 一种基于安全航行通道的水面舰艇停泊轨迹规划方法
CN116382260B (zh) * 2023-02-13 2023-11-28 大连理工大学 一种基于安全航行通道的水面舰艇停泊轨迹规划方法
CN117302204A (zh) * 2023-11-30 2023-12-29 北京科技大学 依托强化学习的多风格车辆轨迹跟踪避撞控制方法及装置
CN117302204B (zh) * 2023-11-30 2024-02-20 北京科技大学 依托强化学习的多风格车辆轨迹跟踪避撞控制方法及装置

Similar Documents

Publication Publication Date Title
CN111845774B (zh) 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法
CN112733270B (zh) 车辆行驶轨迹预测和轨迹偏离危险度评估的系统与方法
CN109669461B (zh) 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN110356404B (zh) 一种具有自主换道功能并提高侧向安全性的智能驾驶系统
CN110568758B (zh) 一种自动驾驶汽车的参数自适应横向运动lqr控制方法
CN114942642A (zh) 一种无人驾驶汽车轨迹规划方法
JP4586795B2 (ja) 車両用制御装置
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
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
CN108791290A (zh) 基于在线增量式dhp的双车协同自适应巡航控制方法
CN112977478B (zh) 一种车辆控制方法及系统
Kebbati et al. Lateral control for autonomous wheeled vehicles: A technical review
CN115285145A (zh) 一种无人驾驶弯道避撞轨迹规划与跟踪控制方法
CN114442630B (zh) 一种基于强化学习和模型预测的智能车规划控制方法
CN116048081A (zh) 一种考虑安全边界约束的自动驾驶车辆决策与规控方法
Domina et al. Comparison of path following controllers for autonomous vehicles
KR20220070467A (ko) 자동차의 폭방향 및 길이방향 안내 동안 데드타임 보상 기술
CN111845738B (zh) 基于双模型复合的车辆路径跟踪控制方法
CN111452786B (zh) 一种无人车辆避障方法及系统
CN110723207B (zh) 基于模型重构的智能汽车模型预测转向控制器及其控制方法
CN115817509A (zh) 一种基于ampc的多轴分布式驱动车辆转向辅助轨迹跟踪方法
Mohamed-Ahmed et al. Non-linear control based on state estimation for the convoy of autonomous vehicles
CN115167135A (zh) 反馈与模型前馈串级的无人驾驶车辆自趋优位姿控制系统
CN114291112A (zh) 一种应用于自动驾驶汽车的决策规划协同增强方法
Chen et al. LSTM-Based Trajectory Tracking Control for Autonomous Vehicles

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