CN114987498A - 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 - Google Patents

自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 Download PDF

Info

Publication number
CN114987498A
CN114987498A CN202210657706.XA CN202210657706A CN114987498A CN 114987498 A CN114987498 A CN 114987498A CN 202210657706 A CN202210657706 A CN 202210657706A CN 114987498 A CN114987498 A CN 114987498A
Authority
CN
China
Prior art keywords
vehicle
avoiding
self
risk
speed
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
CN202210657706.XA
Other languages
English (en)
Other versions
CN114987498B (zh
Inventor
王建强
谢杉杉
黄荷叶
杨路
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202210657706.XA priority Critical patent/CN114987498B/zh
Publication of CN114987498A publication Critical patent/CN114987498A/zh
Application granted granted Critical
Publication of CN114987498B publication Critical patent/CN114987498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/064—Degree of grip
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
    • B60W40/06—Road conditions
    • B60W40/072—Curvature of the road
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
    • 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
    • B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
    • 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
    • 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
    • B60W2050/0002—Automatic control, details of type of controller or control system architecture
    • 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
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—Longitudinal acceleration
    • 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
    • B60W2552/05—Type of road
    • 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
    • B60W2552/30—Road curve radius
    • 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
    • B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
    • B60W2555/20—Ambient conditions, e.g. wind or rain

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本申请涉及车辆技术领域，特别涉及一种自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质，其中，方法包括：获取自动驾驶车辆的自车运动状态和周围环境信息；在根据自车运动状态和周围环境信息识别到目标障碍物时，预测目标障碍物的移动轨迹，并根据目标障碍物的移动轨迹得到自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于自车的当前位置和最优避险区域生成自车的规划轨迹，利用规划轨迹控制自车执行避险动作。由此，本申请实施例能够同时考虑碰撞风险、失稳风险以及多方面因素对风险感知结果的影响，具有良好的可解释性。

Description

自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质
技术领域
本申请涉及车辆技术领域，特别涉及一种自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质。
背景技术
在行车过程中，驾驶人对周围交通环境的主观风险量化结果影响了其驾驶行为，因此基于驾驶人的主观风险量化结果可构建适用于自动驾驶车辆的拟人化轨迹规划方法。相关技术中，驾驶人的主观风险量化方法包括：(1)应用学习方法挖掘驾驶人的行为数据，学习得到代价地图；(2)基于驾驶人行为特点人工设计模型和参数，如基于人工势能场构建模型；(3)直接应用一些物理参数表示，如预碰撞时间等。第一种方法适用于有限场景，且可解释性差；第二种参数辨识难度大；第三种方法难适用于复杂场景。而且以上方法均仅考虑了碰撞风险，未考虑碰撞风险和失稳风险对驾驶人行为的综合影响。因此，基于已有主观风险量化结果进行自动驾驶车辆轨迹规划也受到了相应的限制。
发明内容
本申请提供一种自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及计算机可读存储介质，其基于驾驶人主观风险量化结果，能够同时考虑碰撞风险和失稳风险，同时考虑自车状态、周围车辆运动态势、道路附着等环境条件、驾驶人风格等多方面因素对主观风险感知结果的影响，具有良好的可解释性。
本申请第一方面实施例提供一种自动驾驶车辆的拟人化轨迹规划方法，包括以下步骤：获取自动驾驶车辆的自车运动状态和周围环境信息；在根据所述自车运动状态和所述周围环境信息识别到目标障碍物时，预测所述目标障碍物的移动轨迹，并根据所述目标障碍物的移动轨迹得到所述自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于所述自车的当前位置和所述最优避险区域生成所述自车的规划轨迹，利用所述规划轨迹控制所述自车执行避险动作。
在本申请实施例中，所述计算每个候选避险区域的实际避险价值，包括：获取周围车辆的运动态势和所述自车的当前位置和当前速度；根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；根据所述周围车辆的运动态势计算每个候选避险区域的实际避险收益值；根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值。
在本申请实施例中，所述根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值，包括：根据所述周围环境信息计算所述自车在当前环境下的最大加速度或最大减速度；根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度；计算所述最小加速度与所述最大加速度的比值，或者，计算所述最小减速度与所述最大减速度的比值，得到所述实际避险风险值。
在本申请实施例中，当所述候选避险区域为第一避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：获取所述自车与所述目标障碍物之间的最小安全距离，并根据所述最小安全距离预测所述目标障碍物的纵向状态；根据所述纵向状态、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小减速度。
在本申请实施例中，当所述候选避险区域为第二避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：获取所述自车与所述目标障碍物之间的纵向距离和所述目标障碍物的实际速度；根据所述最小安全距离预测所述目标障碍物的横向状态；根据所述纵向距离、所述横向状态所述周围环境信息计算所述自车行驶至所述第二避险区域的最大速度，并根据所述目标障碍物的实际速度计算所述自车行驶至所述第二避险区域的最小速度；根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
在本申请实施例中，当所述候选避险区域为第三避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：获取所述自车与所述第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；根据所述横向距离、所述纵向距离和所述周围环境信息计算所述自车行驶至所述第三避险区域的最大速度，并根据所述目标障碍物的实际速度和所述新目标障碍物的实际速度计算所述自车行驶至所述第三避险区域的最小速度；根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
在本申请实施例中，所述根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值，包括：获取所述自车的预设驾驶风格；根据所述预设驾驶风格匹配所述实际避险风险值和所述实际避险收益值对应的加权系数；计算所述实际避险风险值和所述实际避险收益值之间的加权差，得到所述每个候选避险区域的实际避险价值。
在本申请实施例中，所述周围环境信息包括曲率信息、道路附着信息、天气可见度信息、限速标记信息中的一种或多种。
本申请第二方面实施例提供一种自动驾驶车辆的拟人化轨迹规划装置，包括：获取模块，用于获取自动驾驶车辆的自车运动状态和周围环境信息；计算模块，用于在根据所述自车运动状态和所述周围环境信息识别到目标障碍物时，预测所述目标障碍物的移动轨迹，并根据所述目标障碍物的移动轨迹得到所述自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；控制模块，用于将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于所述自车的当前位置和所述最优避险区域生成所述自车的规划轨迹，利用所述规划轨迹控制所述自车执行避险动作。
在本申请实施例中，所述计算模块用于：获取周围车辆的运动态势和所述自车的当前位置和当前速度；根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；根据所述周围车辆的运动态势计算每个候选避险区域的实际避险收益值；根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值。
在本申请实施例中，所述计算模块进一步用于：根据所述周围环境信息计算所述自车在当前环境下的最大加速度或最大减速度；根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度；计算所述最小加速度与所述最大加速度的比值，或者，计算所述最小减速度与所述最大减速度的比值，得到所述实际避险风险值。
在本申请实施例中，当所述候选避险区域为第一避险区域时，所述计算模块进一步用于：获取所述自车与所述目标障碍物之间的最小安全距离，并根据所述最小安全距离预测所述目标障碍物的纵向状态；根据所述纵向状态、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小减速度。
在本申请实施例中，当所述候选避险区域为第二避险区域时，所述计算模块进一步用于：获取所述自车与所述目标障碍物之间的纵向距离和所述目标障碍物的实际速度；根据所述最小安全距离预测所述目标障碍物的横向状态；根据所述纵向距离、所述横向状态所述周围环境信息计算所述自车行驶至所述第二避险区域的最大速度，并根据所述目标障碍物的实际速度计算所述自车行驶至所述第二避险区域的最小速度；根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
在本申请实施例中，当所述候选避险区域为第三避险区域时，所述计算模块进一步用于：获取所述自车与所述第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；根据所述横向距离、所述纵向距离和所述周围环境信息计算所述自车行驶至所述第三避险区域的最大速度，并根据所述目标障碍物的实际速度和所述新目标障碍物的实际速度计算所述自车行驶至所述第三避险区域的最小速度；根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
在本申请实施例中，所述计算模块进一步用于：获取所述自车的预设驾驶风格；根据所述预设驾驶风格匹配所述实际避险风险值和所述实际避险收益值对应的加权系数；计算所述实际避险风险值和所述实际避险收益值之间的加权差，得到所述每个候选避险区域的实际避险价值。
在本申请实施例中，所述周围环境信息包括曲率信息、道路附着信息、天气可见度信息、限速标记信息中的一种或多种。
本申请第三方面实施例提供一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的自动驾驶车辆的拟人化轨迹规划方法。
本申请第四方面实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行，以用于实现如上述实施例所述的自动驾驶车辆的拟人化轨迹规划方法。
由此，本申请至少具有如下有益效果：
通过基于代价值选定避让策略中的自车预期状态，以此描述代价值对驾驶人量化风险的影响，以更具象的方式简化了对不同事物碰撞后代价值的量化工作；通过加速度或减速度来衡量操作难度，便于匹配不同要素对于驾驶人带来的风险水平；由于驾驶人的风险通常不是由一个物体单独造成的，而是由周围的综合交通态势造成的，因此为了应对前方障碍物，自车驾驶人对不同区域的风险量化结果不同，本申请实施例考虑了这一现象；自车状态会影响驾驶人风险感知结果，如自车分别以较快和较慢的速度逼近前车，驾驶人感知的风险不同，而依据本申请，这两种情况的差异均可以由规避碰撞所需要的加、减速度来表征；基于驾驶人的驾驶习惯参数估计自车驾驶预期状态的，考虑了驾驶人风格等对驾驶人主观风险量化的影响；道路附着条件会影响驾驶人对预期状态的估计，且量化风险与当前道路附着条件可提供的最大加速度有关，基于此，本申请在考虑碰撞风险的同时，将失稳风险考虑在内；阐述了驾驶人量化主观风险的机制，具有良好的可解释性；在量化主观风险时考虑了丰富的影响因素，基于该量化结果的规划方案也能够基于此产生拟人化的行车轨迹。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种自动驾驶车辆的拟人化轨迹规划方法的流程图；
图2为根据本申请实施例提供的一种拟人化轨迹规划方法的流程图；
图3为根据本申请实施例提供的一种整体技术方案图；
图4为根据本申请实施例提供的一种典型场景避险方案与风险量化结果示意；
图5为根据本申请实施例提供的一种不同安全裕度的障碍物位置预测示意图；
图6为根据本申请实施例提供的一种自动驾驶车辆的拟人化轨迹规划装置的示例图；
图7为根据本申请实施例提供的一种自动驾驶车辆的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
相关技术中，驾驶人主观风险量化方法如下：
(1)应用逆强化学习等方法挖掘驾驶人的行为数据，学习得到特定参数，如代价地图等。但是这种方式局限于训练数据中涵盖的有限场景，可解释性和面向不同场景的泛化能力差。
(2)基于驾驶人行为特点人工设计模型和参数，基于人工势能场构建公式拟合得出风险场，并细致分析讨论了各种交通要素及其状态可能带来的风险，构建了复杂的公式来模拟驾驶人对风险的主观量化结果。但是这种方式中参数众多，且参数辨识难度大，匹配如交通标记和运动车辆等不同类型的交通要素带来的风险水平困难，导致量化结果的准确性较差。
(3)直接应用一些物理参数表示，如预碰撞时间、车头时距或其组合公式等。但是这种方式考虑的要素较为单一，不能较为精细地反映复杂情况；另外其侧重于行为统计特征，未解释驾驶人量化风险的内在机制。
(4)关注驾驶人对车辆碰撞风险的主观感知结果，而实际上驾驶人也会感知车辆失稳风险，进而相应地调整驾驶行为。换言之，驾驶人行为受到碰撞风险和失稳风险的综合影响，而现有研究尚未构建车辆碰撞和失稳综合风险的主观量化方法。
为此，本申请实施例提出了一种自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及计算机可读存储介质，下面将参考附图进行描述。
具体而言，图1为本申请实施例所提供的一种自动驾驶车辆的拟人化轨迹规划方法的流程示意图。在以下实施例中假设是面对一个交通场景，相比较驾驶人的日常操作习惯，当驾驶人化解当前危险或冲突的难度较大时，其主观感知到的风险较大，并基于该假设，本申请实施例分析了驾驶人化解风险的可行方案，其中，驾驶人的具体应对方案和相应的操作难度受到自车状态、周围车辆运动态势、道路附着等环境条件、驾驶人风格等多方面因素的影响，因此本申请实施例的方法量化得出的主观风险能够考虑上述因素的综合影响，同时综合考虑了碰撞风险和失稳风险，并通过平衡风险与收益，可得出拟人化的轨迹规划结果，下面将对自动驾驶车辆的拟人化轨迹规划方法进行具体阐述。
如图1所示，该自动驾驶车辆的拟人化轨迹规划方法包括以下步骤：
在步骤S101中，获取自动驾驶车辆的自车运动状态和周围环境信息。
其中，周围环境信息包括曲率信息、道路附着信息、天气可见度信息、限速标记信息中的一种或多种。
可以理解的是，本申请实施例可以根据道路拓扑结构、自车行驶方向以及相关的交通规则知识，记录驾驶人预瞄距离内道路的附着条件、曲率和环境的可见度等。
在步骤S102中，在根据自车运动状态和周围环境信息识别到目标障碍物时，预测目标障碍物的移动轨迹，并根据目标障碍物的移动轨迹得到自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值。
可以理解的是，如图2所示，本申请实施例可以预测与自车交互的危险事物的未来状态分布，基于自车预期状态确定候选避险区域，并量化主观风险，得到每个候选避险区域的实际避险价值。
其中，预测与自车交互的危险事物的未来状态分布可以包括：本申请实施例可以根据步骤S101得到的信息确定与自车交互的对象，即为可能对自车带来危险的事物。若有障碍物，则预测该物体的未来状态轨迹点分布，记录其属性(如类别、潜在威胁、价值等)。
在本申请实施例中，计算每个候选避险区域的实际避险价值，包括：获取周围车辆的运动态势和自车的当前位置和当前速度；根据自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；根据周围车辆的运动态势计算每个候选避险区域的实际避险收益值；根据实际避险风险值和实际避险收益值进行加权计算，得到每个候选避险区域的实际避险价值。
可以理解的是，本申请实施例可以基于当前的甚至更远处的预瞄到的交通态势，分别衡量不同区域分别对应的未来收益，并设计收益与风险的加权系数，计算不同情况下的收益与风险的加权差记为综合收益。综合收益最大者，即为待选的化解当前冲突的方案。当某个区域通行的方案的综合收益与其他方案相同时，基于车辆倾向于跟随道路中心线行驶的方案，优先选择其他方案。
在本申请实施例中，根据自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值，包括：根据周围环境信息计算自车在当前环境下的最大加速度或最大减速度；根据自车与目标障碍物之间的安全距离、周围环境信息和/或自车的当前位置和当前速度，计算自车规避目标障碍物的最小加速度或最小减速度；计算最小加速度与最大加速度的比值，或者，计算最小减速度与最大减速度的比值，得到实际避险风险值。
可以理解的是，如图2所示，本申请实施例可以基于自车预期状态计算自车所需加、减速度，并基于自车所需加、减速度和道路附着条件量化主观风险。具体地，如图3所示：(1)若自车前方有障碍物(速度低于自车速度)，则基于经验估计危险事物代价值，该代价值会影响驾驶人可接纳的安全裕度；(2)对于每个区域，分别估计前方行驶区域的道路附着条件，计算车辆可具有的最大加速度或减速度；而后基于前述自车所需的加、减速度占据最大加、减速度的比例，计算驾驶人对该区域的主观风险值，即实际避险风险值。
需要说明的是，候选避险区域可以包括第一至第三避险区域，因此，面对前方的障碍物，如图4所示，自车可能存在三种避险方案：一，不改变原行驶路径，行驶至A区域，即通常是基于Frenet坐标系沿道路中心线行驶(后续提到的横、纵向均为基于Frenet坐标系)，通过减速规避碰撞；二，绕行避让，行驶至B区域，未引入更多的交互对象；三，绕行避让，行驶至C区域，引入了更多的交互对象(图4中的右后侧车辆)。下面将分别对三种避险方案进行详细阐述。
在本申请实施例中，当候选避险区域为第一避险区域时，根据自车与目标障碍物之间的安全距离、周围环境信息和/或自车的当前位置和当前速度，计算自车规避目标障碍物的最小加速度或最小减速度，包括：获取自车与目标障碍物之间的最小安全距离，并根据最小安全距离预测目标障碍物的纵向状态；根据纵向状态、自车的当前位置和当前速度计算自车规避目标障碍物的最小减速度。
其中，第一避险区域即为图4中的A区域。
可以理解的是，如图3所示，本申请实施例可以基于预测得到的前方障碍物的状态分布，根据驾驶人接纳的安全裕度明确前方障碍物的预计纵向状态，而后计算自车以当前速度和位置规避碰撞前方障碍物所需要的最小减速度。
在本申请实施例中，当候选避险区域为第二避险区域时，根据自车与目标障碍物之间的安全距离、周围环境信息和/或自车的当前位置和当前速度，计算自车规避目标障碍物的最小加速度或最小减速度，包括：获取自车与目标障碍物之间的纵向距离和目标障碍物的实际速度；根据最小安全距离预测目标障碍物的横向状态；根据纵向距离、横向状态周围环境信息计算自车行驶至第二避险区域的最大速度，并根据目标障碍物的实际速度计算自车行驶至第二避险区域的最小速度；根据最大速度、最小速度、纵向距离、自车的当前位置和当前速度计算自车规避目标障碍物的最小加速度或最小减速度。
其中，第二避险区域即为图4中的B区域。
可以理解的是，如图3所示，本申请实施例可以根据预测得到的前方障碍物的状态分布，根据驾驶人接纳的安全裕度明确前方障碍物的预计横向状态，结合自车与前方障碍物的纵向距离，估计行驶到该处的曲率，而后基于曲率、道路附着条件、天气可见度、限速标记等条件确定行驶到B区域的速度上限，基于前方障碍物速度确定速度下限，进而明确该选择是否可行，可行的话进一步明确自车需求的加速度或减速度。
在本申请实施例中，当候选避险区域为第三避险区域时，根据自车与目标障碍物之间的安全距离、周围环境信息和/或自车的当前位置和当前速度，计算自车规避目标障碍物的最小加速度或最小减速度，包括：获取自车与第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；根据横向距离、纵向距离和周围环境信息计算自车行驶至第三避险区域的最大速度，并根据目标障碍物的实际速度和新目标障碍物的实际速度计算自车行驶至第三避险区域的最小速度；根据最大速度、最小速度、纵向距离、自车的当前位置和当前速度计算自车规避目标障碍物的最小加速度或最小减速度。
其中，第三避险区域即为图4中的C区域。
可以理解的是，如图3所示，本申请实施例可以选取适当的横向位置(若为相邻车道则为车道中心位置)，结合自车与前方障碍物的纵向距离，估计行驶到该处的曲率，而后基于曲率、道路附着条件、天气可见度、限速标记等条件确定行驶到C区域的速度上限。基于预测得到的新的交互对象的状态分布，根据驾驶人接纳的安全裕度明确新交互对象的预计状态，结合自车状态信息，判断规避碰撞自车所需要的速度下限。基于前方障碍物速度确定速度下限。结合以上速度限定条件，明确是否有可行的速度选择，可行的话进一步明确自车需求的加速度或减速度。
在步骤S103中，将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于自车的当前位置和最优避险区域生成自车的规划轨迹，利用规划轨迹控制自车执行避险动作。
可以理解的是，如图3所示，本申请实施例可以基于主观风险和收益量化结果规划自车轨迹，具体地，基于选定的方案，以通行该区域的目标位置、目标速度等状态信息为终端约束，以自车当前位置、速度等为起点约束，规划自车轨迹。
下面将结合图2、图3和图4通过一个具体实施例对自动驾驶车辆的拟人化轨迹规划方法进行阐述，具体如下：
(1)预测与自车交互的危险事物的未来状态分布
在驾驶过程中，驾驶人会主要关注与自车行驶方向相关、可能与自车进行交互的事物。因此，根据道路拓扑结构、自车行驶方向以及相关的交通规则知识，可明确与自车交互的危险事物。在预测危险事物的未来状态分布时，现有各种周围车辆轨迹预测算法等可用于该步骤。在高速公路等车辆行驶速度较为稳定的场景中可认为车辆在短时域内保持稳定的加速度行驶。
除了记录和预测前方障碍物的运动状态信息之外，还需要记录其属性信息，以帮助判断若与其发生碰撞带来的代价。这些属性信息可以包括但不局限于类别、潜在威胁、商品价值等。与不同危险事物发生碰撞的代价值不同，如与重型卡车、轻型轿车等发生碰撞带来的代价值不同；重型卡车可能会带来货物坠落等额外的潜在威胁。另外，除了一些具体障碍物之外，较差的附着条件、可见度或者较大的曲率等均会对驾驶人带来风险，因此也需要记录驾驶人预瞄距离内道路的附着条件、曲率和环境的可见度等。
(2)基于自车预期状态计算自车所需加、减速度
若自车前方有障碍物(速度低于自车速度)，则基于经验估计危险事物代价值。驾驶人对代价值估计的越高，则越倾向于采取更为稳妥的避让策略。
通过对空间结构的分析，面对前方的障碍物，自车预期可存在三种基本情况(如图4所示)：一，不改变原行驶路径，行驶至A区域，即通常是基于Frenet坐标系沿道路中心线行驶，通过减速规避碰撞；二，绕行避让，行驶至B区域，未引入更多的交互对象；三，绕行避让，行驶至C区域，引入了更多的交互对象(图4中的右后侧车辆)。
(a)对于第一种情况，基于预测得到的前方障碍物的状态分布，根据驾驶人估计的代价值和接纳的安全裕度明确前方障碍物的预计纵向状态。如图5所示，A1位置点为较危险的预测结果，A2位置点为较安全的预测结果。驾驶人估计的代价值越高，接纳的安全裕度就越高，预期选择的状态就越安全。而后基于牛顿第二定律等计算自车以当前速度和位置规避碰撞前方障碍物所需要的最小减速度aA。
(b)对于第二种情况，根据预测得到的前方障碍物的位置分布，根据驾驶人估计的代价值和驾驶人接纳的安全裕度明确前方障碍物的预计横向位置。如图5所示，B1位置点为较危险的预测结果，B2位置点为较安全的预测结果。结合自车与前方障碍物的纵向距离，估计行驶到该处的曲率，而后基于曲率、道路附着条件、天气可见度、限速标记等条件确定该驾驶人行驶到B区域的习惯速度上限。对于特定的驾驶人，基于附着条件和曲率综合影响下的习惯速度可参考公式：
Figure BDA0003688941410000101
其中，kc为弯道速度限定系数，R为道路半径，d为车道宽度，f为附着系数，αc为基于附着条件对kc的修正系数。基于附着条件和可见度影响下的习惯速度可参考公式：
Figure BDA0003688941410000102
其中，kv为不同可见度下速度限定系数，s为可见度距离，f为附着系数，αv为基于附着条件对kv的修正系数。基于附着条件和限速影响下的习惯速度可参考公式：
vmax_1＝αl(f)·vlimit，
其中，vlimit为道路限速，f为附着系数，αl为基于附着条件对限速的修正系数。
kv、kc、αv、αc、αl是需要基于该驾驶人历史驾驶行为数据进行标定得到的参数。上述vmax_c、vmax_v、vmax_1是反映驾驶人在相应的环境条件下的习惯采纳的最高车速，与驾驶人的风格、经验等相关。在上述确定习惯速度的过程中，考虑了道路附着条件、道路曲率等对驾驶人预期速度的影响，初步考虑了驾驶人对失稳风险的感知与应对举措。除了以上公式，其余能反映驾驶人在以上各因素影响下的速度选择习惯的模型也可。
当由于上述自然条件限制的速度上限高于前方障碍物速度时，自车可能能够从B区域实现超车。对此，以该速度上限为目标，明确自车达到该目标速度需求的加速度或减速度aB。
(c)对于第三种情况，在应对前方障碍物时，其与第二种情况相同，基于曲率、道路附着条件、天气可见度、限速标记等条件和上述公式确定该驾驶人行驶到C区域的习惯速度上限。而对于新引入的交互对象，类似于第一种情况，预测新的交互对象(图4中的右后方灰色车辆)的状态分布，根据驾驶人接纳的安全裕度明确其预计纵向和横向状态，结合自车状态信息，判断规避碰撞自车所需要的速度下限。结合以上速度限定条件，明确是否有可行的速度选择，可行的话进一步明确自车需求的加速度或减速度aC。
(3)基于自车所需加、减速度和道路附着条件量化主观风险
对于上述三种规避方式，根据相机等传感器采集的前方道路条件的图像或其他形式数据，分别估计前方行驶区域的道路附着条件，计算在A、B、C区域中车辆分别可具有的最大加速度或减速度aAmax、aBmax和aCmax。
而后基于前述自车所需的加、减速度(aA、aB和aC)占据最大加、减速度(aAmax、aBmax和aCmax)的比例，计算驾驶人对该区域的主观风险值(rA、rB和rC)。以A区域为例，驾驶人对A区域的主观风险感知为：
Figure BDA0003688941410000111
其中，aA为安全行驶至A区域所需的减速度，aAmax为基于该区域地面附着条件等因素影响下的最大减速度，rA为驾驶人对A区域的主观风险量化结果。对于A区域，若前方障碍物速度高于自车速度，自车无需减速，则驾驶人倾向于认为该场景较为安全，基于风险阈值理论，本发明认为该区域无风险。对于B、C区域，则有可能需要加速，因此考虑加速度。图3中展示了一种风险量化的示例结果，主要反映了A、B、C三个区域的相对风险高低，未反映各区域内部风险值的细致变化趋势。此处，在量化风险时，考量了当前道路附着条件等因素影响下的最大加速度，进一步在考虑碰撞风险的同时将失稳风险考虑在内。
(4)基于主观风险和收益量化结果规划自车轨迹
基于当前的甚至更远处的预瞄到的交通态势，分别衡量三个区域分别对应的未来收益，如通行效率(或速度)是否提高，是否更逼近期望的道路出口等。
设计收益与风险的加权系数，计算三种情况下的收益与风险的加权差记为综合收益。综合收益最大者，即为待选的化解当前冲突的方案。不同的驾驶人，对于收益和风险的加权系数可能不同，如更激进的人，为了获得一定收益而可接纳的风险值可能更高。当B区域通行的方案的综合收益与其他方案相同时，基于车辆倾向于跟随道路中心线行驶的方案，优先选择其他方案。以图4中展示的风险与收益示例为例，综合比较后推荐选择B区域避险。
基于选定的方案，如计划从B区域通行，则以通行该区域的目标位置、目标速度等状态信息为终端约束，以自车当前位置、速度等为起点约束，规划自车轨迹。各种能满足约束条件的轨迹规划方法均可，如基于最优控制的规划方法。
根据本申请实施例提出的自动驾驶车辆的拟人化轨迹规划方法，通过基于代价值选定避让策略中的自车预期状态，以此描述代价值对驾驶人量化风险的影响，以更具象的方式简化了对不同事物碰撞后代价值的量化工作；通过加速度或减速度来衡量操作难度，便于匹配不同要素对于驾驶人带来的风险水平；由于驾驶人的风险通常不是由一个物体单独造成的，而是由周围的综合交通态势造成的，因此为了应对前方障碍物，自车驾驶人对不同区域的风险量化结果不同，本申请实施例考虑了这一现象；自车状态会影响驾驶人风险感知结果，如自车分别以较快和较慢的速度逼近前车，驾驶人感知的风险不同，而依据本申请，这两种情况的差异均可以由规避碰撞所需要的加、减速度来表征；基于驾驶人的驾驶习惯参数估计自车驾驶预期状态的，考虑了驾驶人风格等对驾驶人主观风险量化的影响；道路附着条件会影响驾驶人对预期状态的估计，且量化风险与当前道路附着条件可提供的最大加速度有关，基于此，本申请在考虑碰撞风险的同时，将失稳风险考虑在内；阐述了驾驶人量化主观风险的机制，具有良好的可解释性；在量化主观风险时考虑了丰富的影响因素，基于该量化结果的规划方案也能够基于此产生拟人化的行车轨迹。
图6是本申请实施例的自动驾驶车辆的拟人化轨迹规划装置的方框示意图。
如图6所示，该自动驾驶车辆的拟人化轨迹规划装置10包括：获取模块100、计算模块200和控制模块300。
其中，获取模块100用于获取自动驾驶车辆的自车运动状态和周围环境信息；计算模块200用于在根据自车运动状态和周围环境信息识别到目标障碍物时，预测目标障碍物的移动轨迹，并根据目标障碍物的移动轨迹得到自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；控制模块300用于将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于自车的当前位置和最优避险区域生成自车的规划轨迹，利用规划轨迹控制自车执行避险动作。
在本申请实施例中，计算模块200用于：获取周围车辆的运动态势和自车的当前位置和当前速度；根据自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；根据周围车辆的运动态势计算每个候选避险区域的实际避险收益值；根据实际避险风险值和实际避险收益值进行加权计算，得到每个候选避险区域的实际避险价值。
在本申请实施例中，计算模块200进一步用于：根据周围环境信息计算自车在当前环境下的最大加速度或最大减速度；根据自车与目标障碍物之间的安全距离、周围环境信息和/或自车的当前位置和当前速度，计算自车规避目标障碍物的最小加速度或最小减速度；计算最小加速度与最大加速度的比值，或者，计算最小减速度与最大减速度的比值，得到实际避险风险值。
在本申请实施例中，当候选避险区域为第一避险区域时，计算模块200进一步用于：获取自车与目标障碍物之间的最小安全距离，并根据最小安全距离预测目标障碍物的纵向状态；根据纵向状态、自车的当前位置和当前速度计算自车规避目标障碍物的最小减速度。
在本申请实施例中，当候选避险区域为第二避险区域时，计算模块200进一步用于：获取自车与目标障碍物之间的纵向距离和目标障碍物的实际速度；根据最小安全距离预测目标障碍物的横向状态；根据纵向距离、横向状态周围环境信息计算自车行驶至第二避险区域的最大速度，并根据目标障碍物的实际速度计算自车行驶至第二避险区域的最小速度；根据最大速度、最小速度、纵向距离、自车的当前位置和当前速度计算自车规避目标障碍物的最小加速度或最小减速度。
在本申请实施例中，当候选避险区域为第三避险区域时，计算模块200进一步用于：获取自车与第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；根据横向距离、纵向距离和周围环境信息计算自车行驶至第三避险区域的最大速度，并根据目标障碍物的实际速度和新目标障碍物的实际速度计算自车行驶至第三避险区域的最小速度；根据最大速度、最小速度、纵向距离、自车的当前位置和当前速度计算自车规避目标障碍物的最小加速度或最小减速度。
在本申请实施例中，计算模块200进一步用于：获取自车的预设驾驶风格；根据预设驾驶风格匹配实际避险风险值和实际避险收益值对应的加权系数；计算实际避险风险值和实际避险收益值之间的加权差，得到每个候选避险区域的实际避险价值。
在本申请实施例中，周围环境信息可以包括曲率信息、道路附着信息、天气可见度信息、限速标记信息中的一种或多种。
需要说明的是，前述对自动驾驶车辆的拟人化轨迹规划方法实施例的解释说明也适用于该实施例的自动驾驶车辆的拟人化轨迹规划装置，此处不再赘述。
根据本申请实施例提出的自动驾驶车辆的拟人化轨迹规划装置，通过基于代价值选定避让策略中的自车预期状态，以此描述代价值对驾驶人量化风险的影响，以更具象的方式简化了对不同事物碰撞后代价值的量化工作；通过加速度或减速度来衡量操作难度，便于匹配不同要素对于驾驶人带来的风险水平；由于驾驶人的风险通常不是由一个物体单独造成的，而是由周围的综合交通态势造成的，因此为了应对前方障碍物，自车驾驶人对不同区域的风险量化结果不同，本申请实施例考虑了这一现象；自车状态会影响驾驶人风险感知结果，如自车分别以较快和较慢的速度逼近前车，驾驶人感知的风险不同，而依据本申请，这两种情况的差异均可以由规避碰撞所需要的加、减速度来表征；基于驾驶人的驾驶习惯参数估计自车驾驶预期状态的，考虑了驾驶人风格等对驾驶人主观风险量化的影响；道路附着条件会影响驾驶人对预期状态的估计，且量化风险与当前道路附着条件可提供的最大加速度有关，基于此，本申请在考虑碰撞风险的同时，将失稳风险考虑在内；阐述了驾驶人量化主观风险的机制，具有良好的可解释性；在量化主观风险时考虑了丰富的影响因素，基于该量化结果的规划方案也能够基于此产生拟人化的行车轨迹。
图7为本申请实施例提供的车辆的结构示意图。该车辆可以包括：
存储器701、处理器702及存储在存储器701上并可在处理器702上运行的计算机程序。
处理器702执行程序时实现上述实施例中提供的自动驾驶车辆的拟人化轨迹规划方法。
进一步地，车辆还包括：
通信接口703，用于存储器701和处理器702之间的通信。
存储器701，用于存放可在处理器702上运行的计算机程序。
存储器701可能包含高速RAM(Random Access Memory，随机存取存储器)存储器，也可能还包括非易失性存储器，例如至少一个磁盘存储器。
如果存储器701、处理器702和通信接口703独立实现，则通信接口703、存储器701和处理器702可以通过总线相互连接并完成相互间的通信。总线可以是ISA(IndustryStandard Architecture，工业标准体系结构)总线、PCI(Peripheral Component，外部设备互连)总线或EISA(Extended Industry Standard Architecture，扩展工业标准体系结构)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图7中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器701、处理器702及通信接口703，集成在一块芯片上实现，则存储器701、处理器702及通信接口703可以通过内部接口完成相互间的通信。
处理器702可能是一个CPU(Central Processing Unit，中央处理器)，或者是ASIC(Application Specific Integrated Circuit，特定集成电路)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本申请实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例的自动驾驶车辆的拟人化轨迹规划方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列，现场可编程门阵列等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

Claims (16)

1.一种自动驾驶车辆的拟人化轨迹规划方法，其特征在于，包括以下步骤：
获取自动驾驶车辆的自车运动状态和周围环境信息；
在根据所述自车运动状态和所述周围环境信息识别到目标障碍物时，预测所述目标障碍物的移动轨迹，并根据所述目标障碍物的移动轨迹得到所述自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；
将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于所述自车的当前位置和所述最优避险区域生成所述自车的规划轨迹，利用所述规划轨迹控制所述自车执行避险动作。
2.根据权利要求1所述的方法，其特征在于，所述计算每个候选避险区域的实际避险价值，包括：
获取周围车辆的运动态势和所述自车的当前位置和当前速度；
根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；
根据所述周围车辆的运动态势计算每个候选避险区域的实际避险收益值；
根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值。
3.根据权利要求2所述的方法，其特征在于，所述根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值，包括：
根据所述周围环境信息计算所述自车在当前环境下的最大加速度或最大减速度；
根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度；
计算所述最小加速度与所述最大加速度的比值，或者，计算所述最小减速度与所述最大减速度的比值，得到所述实际避险风险值。
4.根据权利要求3所述的方法，其特征在于，当所述候选避险区域为第一避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：
获取所述自车与所述目标障碍物之间的最小安全距离，并根据所述最小安全距离预测所述目标障碍物的纵向状态；
根据所述纵向状态、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小减速度。
5.根据权利要求4所述的方法，其特征在于，当所述候选避险区域为第二避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：
获取所述自车与所述目标障碍物之间的纵向距离和所述目标障碍物的实际速度；
根据所述最小安全距离预测所述目标障碍物的横向状态；
根据所述纵向距离、所述横向状态所述周围环境信息计算所述自车行驶至所述第二避险区域的最大速度，并根据所述目标障碍物的实际速度计算所述自车行驶至所述第二避险区域的最小速度；
根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
6.根据权利要求5所述的方法，其特征在于，当所述候选避险区域为第三避险区域时，所述根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度，包括：
获取所述自车与所述第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；
根据所述横向距离、所述纵向距离和所述周围环境信息计算所述自车行驶至所述第三避险区域的最大速度，并根据所述目标障碍物的实际速度和所述新目标障碍物的实际速度计算所述自车行驶至所述第三避险区域的最小速度；
根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
7.根据权利要求2所述的方法，其特征在于，所述根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值，包括：
获取所述自车的预设驾驶风格；
根据所述预设驾驶风格匹配所述实际避险风险值和所述实际避险收益值对应的加权系数；
计算所述实际避险风险值和所述实际避险收益值之间的加权差，得到所述每个候选避险区域的实际避险价值。
8.一种自动驾驶车辆的拟人化轨迹规划装置，其特征在于，包括：
获取模块，用于获取自动驾驶车辆的自车运动状态和周围环境信息；
计算模块，用于在根据所述自车运动状态和所述周围环境信息识别到目标障碍物时，预测所述目标障碍物的移动轨迹，并根据所述目标障碍物的移动轨迹得到所述自动驾驶车辆的至少一个候选避险区域，计算每个候选避险区域的实际避险价值；
控制模块，用于将最高的实际避险价值对应的候选避险区域作为最优避险区域，并基于所述自车的当前位置和所述最优避险区域生成所述自车的规划轨迹，利用所述规划轨迹控制所述自车执行避险动作。
9.根据权利要求8所述的装置，其特征在于，所述计算模块用于：
获取周围车辆的运动态势和所述自车的当前位置和当前速度；
根据所述自车的当前位置和当前速度计算每个候选避险区域的实际避险风险值；
根据所述周围车辆的运动态势计算每个候选避险区域的实际避险收益值；
根据所述实际避险风险值和所述实际避险收益值进行加权计算，得到所述每个候选避险区域的实际避险价值。
10.根据权利要求9所述的装置，其特征在于，所述计算模块进一步用于：
根据所述周围环境信息计算所述自车在当前环境下的最大加速度或最大减速度；
根据所述自车与所述目标障碍物之间的安全距离、所述周围环境信息和/或所述自车的当前位置和当前速度，计算所述自车规避所述目标障碍物的最小加速度或最小减速度；
计算所述最小加速度与所述最大加速度的比值，或者，计算所述最小减速度与所述最大减速度的比值，得到所述实际避险风险值。
11.根据权利要求10所述的装置，其特征在于，当所述候选避险区域为第一避险区域时，所述计算模块进一步用于：
获取所述自车与所述目标障碍物之间的最小安全距离，并根据所述最小安全距离预测所述目标障碍物的纵向状态；
根据所述纵向状态、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小减速度。
12.根据权利要求11所述的装置，其特征在于，当所述候选避险区域为第二避险区域时，所述计算模块进一步用于：
获取所述自车与所述目标障碍物之间的纵向距离和所述目标障碍物的实际速度；
根据所述最小安全距离预测所述目标障碍物的横向状态；
根据所述纵向距离、所述横向状态所述周围环境信息计算所述自车行驶至所述第二避险区域的最大速度，并根据所述目标障碍物的实际速度计算所述自车行驶至所述第二避险区域的最小速度；
根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
13.根据权利要求12所述的装置，其特征在于，当所述候选避险区域为第三避险区域时，所述计算模块进一步用于：
获取所述自车与所述第三避险区域中目标位置之间的横向距离和新目标障碍物的实际速度；
根据所述横向距离、所述纵向距离和所述周围环境信息计算所述自车行驶至所述第三避险区域的最大速度，并根据所述目标障碍物的实际速度和所述新目标障碍物的实际速度计算所述自车行驶至所述第三避险区域的最小速度；
根据所述最大速度、所述最小速度、所述纵向距离、所述自车的当前位置和当前速度计算所述自车规避所述目标障碍物的最小加速度或最小减速度。
14.根据权利要求9所述的装置，其特征在于，所述计算模块进一步用于：
获取所述自车的预设驾驶风格；
根据所述预设驾驶风格匹配所述实际避险风险值和所述实际避险收益值对应的加权系数；
计算所述实际避险风险值和所述实际避险收益值之间的加权差，得到所述每个候选避险区域的实际避险价值。
15.一种自动驾驶车辆，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-7任一项所述的自动驾驶车辆的拟人化轨迹规划方法。
16.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-7任一项所述的自动驾驶车辆的拟人化轨迹规划方法。
CN202210657706.XA 2022-06-10 2022-06-10 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质 Active CN114987498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210657706.XA CN114987498B (zh) 2022-06-10 2022-06-10 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210657706.XA CN114987498B (zh) 2022-06-10 2022-06-10 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质

Publications (2)

Publication Number Publication Date
CN114987498A true CN114987498A (zh) 2022-09-02
CN114987498B CN114987498B (zh) 2023-01-20

Family

ID=83032221

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210657706.XA Active CN114987498B (zh) 2022-06-10 2022-06-10 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质

Country Status (1)

Country Link
CN (1) CN114987498B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116187748A (zh) * 2022-12-16 2023-05-30 清华大学 风险域确定方法、装置、计算机设备、介质和程序产品
CN117429420A (zh) * 2023-12-21 2024-01-23 青岛慧拓智能机器有限公司 无人驾驶车辆的防撞方法、电子设备、服务器及介质
WO2024077940A1 (zh) * 2022-10-14 2024-04-18 中国第一汽车股份有限公司 车辆四轮紧急避险方法、装置、存储介质和电子设备

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109725650A (zh) * 2019-03-08 2019-05-07 哈尔滨工程大学 一种密集障碍物环境下的auv避障方法
CN111145589A (zh) * 2019-12-17 2020-05-12 北京交通大学 基于向量算法的车辆全向防碰撞预警系统
US20200173794A1 (en) * 2018-11-30 2020-06-04 Mazda Motor Corporation Route candidate setting system and route candidate setting method
WO2020121215A1 (en) * 2018-12-12 2020-06-18 Marelli Europe S.P.A. Method and system for planning a path for a land vehicle for obstacle avoidance with fast reaction, particularly in an autonomous drive scenario
CN112639849A (zh) * 2020-01-17 2021-04-09 华为技术有限公司 路径选择方法和路径选择装置
CN113942526A (zh) * 2021-11-23 2022-01-18 同济大学 一种基于可接受风险的自动驾驶超车轨迹规划方法
CN114543827A (zh) * 2022-02-11 2022-05-27 齐鲁工业大学 一种路径规划方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200173794A1 (en) * 2018-11-30 2020-06-04 Mazda Motor Corporation Route candidate setting system and route candidate setting method
WO2020121215A1 (en) * 2018-12-12 2020-06-18 Marelli Europe S.P.A. Method and system for planning a path for a land vehicle for obstacle avoidance with fast reaction, particularly in an autonomous drive scenario
CN109725650A (zh) * 2019-03-08 2019-05-07 哈尔滨工程大学 一种密集障碍物环境下的auv避障方法
CN111145589A (zh) * 2019-12-17 2020-05-12 北京交通大学 基于向量算法的车辆全向防碰撞预警系统
CN112639849A (zh) * 2020-01-17 2021-04-09 华为技术有限公司 路径选择方法和路径选择装置
CN113942526A (zh) * 2021-11-23 2022-01-18 同济大学 一种基于可接受风险的自动驾驶超车轨迹规划方法
CN114543827A (zh) * 2022-02-11 2022-05-27 齐鲁工业大学 一种路径规划方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024077940A1 (zh) * 2022-10-14 2024-04-18 中国第一汽车股份有限公司 车辆四轮紧急避险方法、装置、存储介质和电子设备
CN116187748A (zh) * 2022-12-16 2023-05-30 清华大学 风险域确定方法、装置、计算机设备、介质和程序产品
CN116187748B (zh) * 2022-12-16 2023-12-29 清华大学 风险域确定方法、装置、计算机设备、介质和程序产品
CN117429420A (zh) * 2023-12-21 2024-01-23 青岛慧拓智能机器有限公司 无人驾驶车辆的防撞方法、电子设备、服务器及介质
CN117429420B (zh) * 2023-12-21 2024-04-12 青岛慧拓智能机器有限公司 无人驾驶车辆的防撞方法、电子设备、服务器及介质

Also Published As

Publication number Publication date
CN114987498B (zh) 2023-01-20

Similar Documents

Publication Publication Date Title
CN110834644B (zh) 一种车辆控制方法、装置、待控制车辆及存储介质
CN114987498B (zh) 自动驾驶车辆的拟人化轨迹规划方法、装置、车辆及介质
US11634126B2 (en) Apparatus, methods and articles to facilitate motion planning in environments having dynamic obstacles
CN112242069B (zh) 一种确定车速的方法和装置
CN112888612A (zh) 自动驾驶车辆规划
US9708004B2 (en) Method for assisting a driver in driving an ego vehicle and corresponding driver assistance system
US20200258380A1 (en) Control system and control method for interaction-based long-term determination of trajectories for motor vehicles
US11899453B2 (en) Systems and methods to control autonomous vehicle motion
US11851081B2 (en) Predictability-based autonomous vehicle trajectory assessments
US20200189597A1 (en) Reinforcement learning based approach for sae level-4 automated lane change
JP2022509420A (ja) 自動車の可能な軌道のサンプリングベースの計画のための制御システムおよび制御方法
US11845468B2 (en) Method and system for operating an autonomous agent with incomplete environmental information
CN112406904B (zh) 自动驾驶策略的训练方法、自动驾驶方法、设备和车辆
CN113665593B (zh) 一种车辆智能驾驶纵向控制方法、系统及存储介质
CN114906164A (zh) 用于自主驾驶的轨迹验证
CN114644016A (zh) 车辆自动驾驶决策方法、装置、车载终端和存储介质
US11810365B1 (en) Perception error modeling
US20220172608A1 (en) Driving System and Method for Selecting an Action Option for an Automated Motor Vehicle
CN114475607B (zh) 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质
JP6838769B2 (ja) 周辺環境認識装置、表示制御装置
JP7258077B2 (ja) 他車両行動予測装置
CN115447607A (zh) 用于规划车辆行驶轨迹的方法和装置
WO2021148113A1 (en) Computing system and method for training a traffic agent in a simulation environment
Schörner et al. Towards Multi-Modal Risk Assessment
CN113137974B (zh) 智能车及其路径规划方法、装置

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