CN115416656A - 基于多目标轨迹规划的自动驾驶换道方法、装置及介质 - Google Patents

基于多目标轨迹规划的自动驾驶换道方法、装置及介质 Download PDF

Info

Publication number
CN115416656A
CN115416656A CN202211011870.XA CN202211011870A CN115416656A CN 115416656 A CN115416656 A CN 115416656A CN 202211011870 A CN202211011870 A CN 202211011870A CN 115416656 A CN115416656 A CN 115416656A
Authority
CN
China
Prior art keywords
lane
vehicle
target
planning
stage
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
CN202211011870.XA
Other languages
English (en)
Inventor
蒋檬
赵克刚
洪杰明
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.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
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 South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202211011870.XA priority Critical patent/CN115416656A/zh
Publication of CN115416656A publication Critical patent/CN115416656A/zh
Pending legal-status Critical Current

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
    • 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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • 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
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • 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

Abstract

本发明公开了一种基于多目标轨迹规划的自动驾驶换道方法、装置及介质，其中方法包括：构建碰撞风险模型和通行效率模型；获取不同交通场景的车道集，根据车道集、碰撞风险模型和通行效率模型构建多目标规划模型；获取优化目标，根据优化目标对多目标规划模型进行求解，获得pareto解集；对比多种模式的pareto解集，确定目标车道；获取所述目标车道对应的路径集，根据路径集生成平滑路径，作为局部轨迹规划的指引线；根据指引线生成局部轨迹，根据局部轨迹实现自动驾驶换道。本发明提出轨迹规划的多目标优化，构建轨迹规划的多目标优化问题，针对多目标同时进行优化、得到最优路径解集，可广泛应用于车辆自动驾驶决策和轨迹规划领域。

Description

基于多目标轨迹规划的自动驾驶换道方法、装置及介质
技术领域
本发明涉及车辆自动驾驶决策和轨迹规划领域，尤其涉及一种基于多目标轨迹规划的自动驾驶换道方法、装置及介质。
背景技术
无人驾驶作为可能改变人类出行方式的重要研究方向，综合了各个学科的前沿技术，有望促进包含感知设备、车载智能、智慧通信等高新产业的快速发展。无人驾驶或将极大的方便人们的出行、解放驾驶者的双手，并给没有驾驶能力的人提供了便捷出行的可能。在人为疏忽造成交通事故的情况下，机器能更加精确以减少事故的发生，从而保证了人们出行的安全性。比如自动泊车技术将减少停车过程中的磕碰、主动刹车将一定程度上减少追尾事故的。安全事故的减少与根据前方路段车辆密集程度而更改路径将有利于缓解交通拥堵情况，拥堵的减少与无人驾驶系统剔除人们不正确的驾驶习惯、优化加减速过程，将有利于减少排放与能源的消耗。随着共享经济的发展，无人驾驶租车服务有望成为新兴行业，不再需要到租车点租车或打车，将大大节省人力成本。
无人驾驶各项关键技术很多涉及到同时考虑多个优化目标，提高某个目标函数值的性能时会引起其他一个或多个目标函数值的衰退，这几个目标之间往往是互斥的。在优化方法中采用单目标优化，或是加权的多目标优化，未能从本质体现出各个目标间的耦合关系，此类方法处理多目标问题，存在无法消除目标间的相互影响、不能反映优化目标的真实情况、加权系数难以合理选择等缺陷。
无人驾驶中的轨迹规划本质上是多目标问题，但是目前尚缺少一种考虑多目标优化思想来解决该问题的技术方案。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于多目标轨迹规划的自动驾驶换道方法、装置及介质。
本发明所采用的技术方案是：
一种基于多目标轨迹规划的自动驾驶换道方法，包括以下步骤：
以自动驾驶车辆的目标行驶路线为研究对象，构建基于动态障碍物的碰撞风险模型和通行效率模型；
获取不同交通场景的车道集，根据车道集、碰撞风险模型和通行效率模型构建多目标规划模型；
获取优化目标，根据优化目标对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集；
对比多种模式的pareto解集，确定目标车道；
获取所述目标车道对应的路径集，根据路径集生成平滑路径，作为局部轨迹规划的指引线；
根据指引线生成局部轨迹，根据局部轨迹实现自动驾驶换道。
进一步地，所述以自动驾驶车辆的目标行驶路线为研究对象，包括：
根据车辆的航行点，获取基准线，根据基准线获取样条曲线；
将样条曲线参数化为弧长，对样条曲线中所有线段的弧长进行数值计算：
Figure BDA0003811235740000021
式中，xb()、yb()表示直角坐标系下全局路径航路坐标点，s表示frenet坐标系距原点弧长，si表示第i点距原点的弧长，a、b、c、d表示三次多项式系数，可根据弧长插值取点，对应全局路径中各航路点的值通过样条曲线函数拟合以将插值点拟合连线，即可得到三次样条曲线系数。
进一步地，所述获取不同交通场景的车道集，包括：
基于交通场景对应的车道集，使用采样方法将车道集分段采样，每一车道对应一簇路径集合；
其中，采样总长度L和每段采样点间隔Δs表示为：
L＝KVV+L0
Δs＝KVV+Δs0
式中，KV为车速增益，V为当前车速，L0为采样基准长度，Δs0为采样点基准间隔。
进一步地，所述碰撞风险模型的表达式为：
Figure BDA0003811235740000022
其中，α＝sgn(sobs-si)，β＝sgn(nobs-ncl)；K11、K12、K13为碰撞风险系数；ΔSi为采样点距离最近障碍物的距离；vtars为最近障碍物在frenet坐标系s方向上的速度，vi为当前点车速；sobs为障碍物s的坐标，si为采样点的坐标；nobs为障碍物n的坐标，ncl为由采样点纵坐标ni找到该采样点所在车道中心线的纵坐标；Δθobs为障碍物航向角全局路径航向角之差。
进一步地，所述通行效率模型包括车辆通行效益和车辆换道效益；
所述车辆通行效益的表达式如下：
Figure BDA0003811235740000031
Figure BDA0003811235740000032
式中，Si为采样点i-1与采样点i之间的欧氏距离，vi为自车行驶至第i个采样点时的预期车速，vroad为当前车道推荐车速，超过障碍物之后的采样点的车速：vtars取已超过的障碍物的车速，且K2＝0；
所述车辆换道效益的表达式如下：
Figure BDA0003811235740000033
v0为车辆当前速度，vTFV为目标车道后随车的当前速度，vFV为原车道后随车的当前速度，
Figure BDA0003811235740000034
为车辆换道后在目标车道上后随车的速度；
Figure BDA0003811235740000035
为换道后在原车道上后随车的速度，ρ为礼让系数；
其中，速度
Figure BDA0003811235740000036
的表达式为：
Figure BDA0003811235740000037
速度
Figure BDA0003811235740000038
的表达式为：
Figure BDA0003811235740000039
式中，ΔSTFV为采样点与目标车道上后随车距离，ΔSFV为采样点与原车道上后随车距离；
所述通行效率模型的表达式如下：
F2＝TV+UV
进一步地，所述多目标规划模型的表达式为：
maxJ＝(J1,J2)
Figure BDA0003811235740000041
Figure BDA0003811235740000042
Figure BDA0003811235740000043
其中，J1和J2分别表示安全性与通行效率；F1[k]表示第k阶段的碰撞风险；F2[k]表示第k阶段的通行效率；se[k]表示第k阶段行驶距离，se_min和se_max表示每阶段行驶距离的最小值与最大值；ve[k]表示第k阶段自车速度，ve_min＝0,ve_max为车道限速；statee_min[k]为第k阶段车辆位置的横向偏移量的最小值，statee[k]为第k阶段车辆位置的横向偏移量，statee-max[k]为第k阶段车辆位置的横向偏移量的最大值，controle_min[k]为第k阶段控制变量的最小值，controle[k]为第k阶段控制变量的值，controle_max[k]为第k阶段控制变量的最大值，第k阶段控制变量为第k阶段到第k+1阶段的采样点之间的连线与s轴之间的夹角θ。
进一步地，所述获取优化目标，根据优化目标对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集，包括：
采用碰撞风险、舒适性、通行效率、前后时刻路径一致性作为优化目标；
根据优化目标，采用非支配排序动态规划算法，对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集。
进一步地，所述根据路径集生成平滑路径，包括：
根据路径集，采用二次规划方法生成平滑路径；
所述根据指引线生成局部轨迹，包括：
根据指引线，采用lattice算法生成局部轨迹。
本发明所采用的另一技术方案是：
一种基于多目标轨迹规划的自动驾驶换道装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种计算机可读存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明提出轨迹规划的多目标优化，构建轨迹规划的多目标优化问题，针对多目标同时进行优化、得到最优路径解集。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中使用三次样条参数来定义基于航路点构建的基准线的参数曲线示意图；
图2是本发明实施例中车辆在曲线坐标系下的定位示意图；
图3是本发明实施例中基于曲线坐标系的车辆数学模型表达示意图；
图4是本发明实施例中采样点设置与分段采样示意图；
图5是本发明实施例中非支配排序动态规划法求解结果，得到帕累托解集示意图；
图6是本发明实施例中所规划出的换道轨迹示意图；
图7是本发明实施例中一种基于多目标轨迹规划的自动驾驶换道方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例，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，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
本发明提出一种基于多目标轨迹规划的换道决策方法，运用多目标方法，摈弃了现有决策大多采用调整权重的低自由度选择单一优解的方式，通过某一车道中一系列路径所表征的优解集合，较充分预测行驶至该车道时数个目标的优劣表现，作为车道选择的依据，以提高换道决策的合理性，实现更加安全和高效的通行效果。
如图7所示，本实施例提供一种基于多目标轨迹规划的自动驾驶换道方法，该方法运用多目标方法，通过某一车道中一系列路径所表征的优解集合，充分预测行驶至该车道时数个目标的优劣表现，为车道选择提供依据；弥补了决策层与轨迹规划算法缺乏交互、决策层有效信息缺乏的不足，提高换道决策的合理性，实现更加安全和高效的驾驶功能。该方法具体包括以下步骤：
S1、以自动驾驶车辆的目标行驶路线为研究对象，构建基于动态障碍物的碰撞风险模型和通行效率模型。
参见图2和图3，以自动驾驶车辆的目标行驶路线为研究对象，建立Frenet坐标系、车辆数学模型，搭建基于动态障碍物的碰撞风险模型、通行效率模型。
其中，参见图1，以自动驾驶车辆的目标行驶路线为研究对象，建立Frenet坐标系、车辆数学模型的表达式为：
Figure BDA0003811235740000061
式中，xb(s)、yb(s)表示直角坐标系下全局路径航路坐标点，s表示frenet坐标系距原点弧长，si表示附图1中第i点距原点的弧长，a、b、c、d表示三次多项式系数，可根据弧长插值取点，对应全局路径中各航路点的值通过样条曲线函数拟合以将插值点拟合连线，即可得到三次样条曲线系数。
参见图4，基于交通场景对应的车道集，使用采样方法将车道集分段采样，每车道都有一簇路径集合：
L＝KVV+L0
Δs＝KVV+Δs0
搭建基于动态障碍物的碰撞风险模型、通行效率模型。碰撞风险模型的表达式为：
Figure BDA0003811235740000071
其中，α＝sgn(sobs-si)，β＝sgn(nobs-ncl)。K11、K12、K13为碰撞风险系数。ΔSi为该点距离最近目标车的距离。vtars为最近目标车s方向上的车速，vi为当前点车速。sobs为障碍物s坐标，si为采样点s坐标。nobs为障碍物n坐标，ncl为由采样点纵坐标ni找到该采样点所在车道中心线的纵坐标。Δθobs为障碍车航向角全局路径航向角之差。
车辆通行效益的表达式如下：
Figure BDA0003811235740000072
Figure BDA0003811235740000073
vroad为当前车道推荐车速。超过障碍物之后的采样点的车速：vtars取第一次超过的障碍物的车速，且K2＝0。
车辆换道效益的表达式如下：
Figure BDA0003811235740000074
v0为车辆当前速度，vTFV为目标车道后随车的当前速度，vFV为原车道后随车的当前速度，
Figure BDA0003811235740000075
为车辆换道后在目标车道上后随车的速度；
Figure BDA0003811235740000076
为换道后在原车道上后随车的速度，ρ为礼让系数。
速度
Figure BDA0003811235740000077
的表达式为：
Figure BDA0003811235740000078
速度
Figure BDA0003811235740000079
的表达式为：
Figure BDA00038112357400000710
通行效率模型的表达式如下：
F2＝TV+UV
S2、获取不同交通场景的车道集，根据车道集、碰撞风险模型和通行效率模型构建多目标规划模型。
基于交通场景对应的车道集，使用采样方法将车道集分段采样，结合多目标构建多目标规划模型，这里的多目标包括碰撞风险和通行效率。
多目标规划模型的表达式为：
maxJ＝(J1,J2)
Figure BDA0003811235740000081
Figure BDA0003811235740000082
Figure BDA0003811235740000083
其中，J1和J2分别表示安全性与通行效率。F1[k]表示第k阶段的碰撞风险，即该阶段碰撞风险的瞬时代价函数。F2[k]表示第k阶段的通行效率，即该阶段通行效率的瞬时代价函数。se[k]表示第k阶段行驶距离，se_min和se_max表示每段行驶距离的最小与最大。ve_min＝0,ve_max为车道限速。state[0]为车辆当前位置的横向偏移量。
S3、获取优化目标，根据优化目标对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集。
以碰撞风险、舒适性、通行效率、前后时刻路径一致性作为多优化目标，用非支配排序动态规划算法，求解出满足多目标优化、多模式的pareto解集。
参见图5，作为一种可选的实施方式，基于非支配排序动态规划的换道决策多目标优化问题求解，包括：
以第k阶段为例，假设第k阶段可能出现的状态变量总数为m，在状态变量下可能采取的控制变量总数为n。计算状态变量在控制变量作用下所产生的瞬时代价函数。对比第k阶段状态下所有控制变量的目标函数值，并找出最优控制变量。顺序输出各阶段最优决策控制序列以及最优状态变量轨迹。
计算状态变量AK采用控制变量进行控制后所对应的第k+1阶段的状态值AK+1。将第k+1阶段的状态值AK+1所对应的非支配前沿中的每一个点的目标函数值向量JK+1与瞬时代价函数值向量LK进行向量相加，然后将计算结果放入集合QK中。对于状态变量中的每一个控制变量均进行上述计算，得到状态变量所对应的目标函数值向量集合QK。对集合QK进行非支配排序，选取出其中的非支配解集PK。
S4、对比多种模式的pareto解集，确定目标车道。
S5、获取所述目标车道对应的路径集，根据路径集生成平滑路径，作为局部轨迹规划的指引线。
S6、根据指引线生成局部轨迹，根据局部轨迹实现自动驾驶换道。
对比多种模式的pareto解集，确定目标模式。根据所得目标模式，结合该模式中的路径集，采用二次规划方法进行平滑路径的生成，作为局部轨迹规划的指引线。局部轨迹规划利用该指引线采用lattice算法生成局部轨迹。实现车辆换道决策。
参见图6，作为可选的一种实施方式，根据所得目标车道，结合该车道对应的路径集，采用二次规划方法进行平滑路径的生成与车速插值，完成轨迹规划，包括：
确定换道后，对该车道的帕累托解集，取左下角小范围的前沿，得到对应的路径。取前1/3路径点，对每阶段的采样点用贝塞尔曲线进行路径拟合。根据中间两拟合后的采样点，找到与起终点关于车道中心线切线相交的点作为控制点，得到拟合路径。
综上所述，本实施例相对于相应技术，具有如下优点及有益效果：
(1)本发明创新性提出轨迹规划的多目标优化，构建轨迹规划的多目标优化问题，针对多目标同时进行优化、得到最优路径解集。
(2)本发明创新性地使用多目标规划支持决策，淘汰劣选、综合选优。从车辆行驶的中期维度，采用数据量化的方式做出车道选择与清晰描述换道标准。
(3)本发明对换道问题进行非支配排序动态规划法求解，提供换道多目标求解的可行方案。
(4)本发明构建出换道路径集，以集合的结果作为局部路径规划的指引，提前规划以弥补局部路径规划的不足。
本实施例还提供一种基于多目标轨迹规划的自动驾驶换道装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图7所示方法。
本实施例的一种基于多目标轨迹规划的自动驾驶换道装置，可执行本发明方法实施例所提供的一种基于多目标轨迹规划的自动驾驶换道方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图7所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种基于多目标轨迹规划的自动驾驶换道方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明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，多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。例如，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(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，包括以下步骤：
以自动驾驶车辆的目标行驶路线为研究对象，构建基于动态障碍物的碰撞风险模型和通行效率模型；
获取不同交通场景的车道集，根据车道集、碰撞风险模型和通行效率模型构建多目标规划模型；
获取优化目标，根据优化目标对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集；
对比多种模式的pareto解集，确定目标车道；
获取所述目标车道对应的路径集，根据路径集生成平滑路径，作为局部轨迹规划的指引线；
根据指引线生成局部轨迹，根据局部轨迹实现自动驾驶换道。
2.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述以自动驾驶车辆的目标行驶路线为研究对象，包括：
根据车辆的航行点，获取基准线，根据基准线获取样条曲线；
将样条曲线参数化为弧长，对样条曲线中所有线段的弧长进行数值计算：
Figure FDA0003811235730000011
式中，xb(s)、yb(s)表示直角坐标系下全局路径航路坐标点，s表示frenet坐标系距原点弧长，si表示第i点距原点的弧长，a、b、c、d表示三次多项式系数。
3.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述获取不同交通场景的车道集，包括：
基于交通场景对应的车道集，使用采样方法将车道集分段采样，每一车道对应一簇路径集合；
其中，采样总长度L和每段采样点间隔Δs表示为：
L＝KVV+L0
Δs＝KVV+Δs0
式中，KV为车速增益，V为当前车速，L0为采样基准长度，Δs0为采样点基准间隔。
4.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述碰撞风险模型的表达式为：
Figure FDA0003811235730000021
其中，α＝sgn(sobs-si)，β＝sgn(nobs-ncl)；K11、K12、K13为碰撞风险系数；ΔSi为采样点距离最近障碍物的距离；vtars为最近障碍物在frenet坐标系s方向上的速度，vi为当前点车速；sobs为障碍物s的坐标，si为采样点的坐标；nobs为障碍物n的坐标，ncl为由采样点纵坐标ni找到该采样点所在车道中心线的纵坐标；Δθobs为障碍物航向角全局路径航向角之差。
5.根据权利要求4所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述通行效率模型包括车辆通行效益和车辆换道效益；
所述车辆通行效益的表达式如下：
Figure FDA0003811235730000022
Figure FDA0003811235730000023
式中，Si为采样点i-1与采样点i之间的欧氏距离，vi为自车行驶至第i个采样点时的预期车速，vroad为当前车道推荐车速，超过障碍物之后的采样点的车速：vtars取已超过的障碍物的车速，且K2＝0；
所述车辆换道效益的表达式如下：
Figure FDA0003811235730000024
v0为车辆当前速度，vTFV为目标车道后随车的当前速度，vFV为原车道后随车的当前速度，
Figure FDA0003811235730000025
为车辆换道后在目标车道上后随车的速度；
Figure FDA0003811235730000026
为换道后在原车道上后随车的速度，ρ为礼让系数；
其中，速度
Figure FDA0003811235730000027
的表达式为：
Figure FDA0003811235730000028
速度
Figure FDA0003811235730000029
的表达式为：
Figure FDA00038112357300000210
式中，ΔSTFV为采样点与目标车道上后随车距离，ΔSFV为采样点与原车道上后随车距离；所述通行效率模型的表达式如下：
F2＝TV+UV。
6.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述多目标规划模型的表达式为：
maxJ＝(J1,J2)
Figure FDA0003811235730000031
Figure FDA0003811235730000032
Figure FDA0003811235730000033
其中，J1和J2分别表示安全性与通行效率；F1[k]表示第k阶段的碰撞风险；F2[k]表示第k阶段的通行效率；se[k]表示第k阶段行驶距离，se_min和se_max表示每阶段行驶距离的最小值与最大值；ve[k]表示第k阶段自车速度，ve_min＝0,ve_max为车道限速；statee-min[k]为第k阶段车辆位置的横向偏移量的最小值，statee[k]为第k阶段车辆位置的横向偏移量，statee_max[k]为第k阶段车辆位置的横向偏移量的最大值，controle_min[k]为第k阶段控制变量的最小值，controle[k]为第k阶段控制变量的值，controle_max[k]为第k阶段控制变量的最大值，第k阶段控制变量为第k阶段到第k+1阶段的采样点之间的连线与s轴之间的夹角θ。
7.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述获取优化目标，根据优化目标对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集，包括：
采用碰撞风险、舒适性、通行效率、前后时刻路径一致性作为优化目标；
根据优化目标，采用非支配排序动态规划算法，对多目标规划模型进行求解，获得满足多目标优化、多模式的pareto解集。
8.根据权利要求1所述的一种基于多目标轨迹规划的自动驾驶换道方法，其特征在于，所述根据路径集生成平滑路径，包括：
根据路径集，采用二次规划方法生成平滑路径；
所述根据指引线生成局部轨迹，包括：
根据指引线，采用lattice算法生成局部轨迹。
9.一种基于多目标轨迹规划的自动驾驶换道装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-8任一项所述方法。
10.一种计算机可读存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-8任一项所述方法。
CN202211011870.XA 2022-08-23 2022-08-23 基于多目标轨迹规划的自动驾驶换道方法、装置及介质 Pending CN115416656A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211011870.XA CN115416656A (zh) 2022-08-23 2022-08-23 基于多目标轨迹规划的自动驾驶换道方法、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211011870.XA CN115416656A (zh) 2022-08-23 2022-08-23 基于多目标轨迹规划的自动驾驶换道方法、装置及介质

Publications (1)

Publication Number Publication Date
CN115416656A true CN115416656A (zh) 2022-12-02

Family

ID=84198456

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211011870.XA Pending CN115416656A (zh) 2022-08-23 2022-08-23 基于多目标轨迹规划的自动驾驶换道方法、装置及介质

Country Status (1)

Country Link
CN (1) CN115416656A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117284297A (zh) * 2023-11-27 2023-12-26 福思(杭州)智能科技有限公司 车辆控制方法、装置及域控制器

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170364083A1 (en) * 2016-06-21 2017-12-21 Baidu Online Network Technology (Beijing) Co., Ltd. Local trajectory planning method and apparatus for smart vehicles
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
CN113932823A (zh) * 2021-09-23 2022-01-14 同济大学 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法
US20220121213A1 (en) * 2020-10-21 2022-04-21 Automotive Research & Testing Center Hybrid planning method in autonomous vehicle and system thereof

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170364083A1 (en) * 2016-06-21 2017-12-21 Baidu Online Network Technology (Beijing) Co., Ltd. Local trajectory planning method and apparatus for smart vehicles
CN110749333A (zh) * 2019-11-07 2020-02-04 中南大学 基于多目标优化的无人驾驶车辆运动规划方法
US20220121213A1 (en) * 2020-10-21 2022-04-21 Automotive Research & Testing Center Hybrid planning method in autonomous vehicle and system thereof
CN113932823A (zh) * 2021-09-23 2022-01-14 同济大学 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117284297A (zh) * 2023-11-27 2023-12-26 福思(杭州)智能科技有限公司 车辆控制方法、装置及域控制器
CN117284297B (zh) * 2023-11-27 2024-02-27 福思(杭州)智能科技有限公司 车辆控制方法、装置及域控制器

Similar Documents

Publication Publication Date Title
CN110749333B (zh) 基于多目标优化的无人驾驶车辆运动规划方法
Van De Hoef et al. Fuel-optimal centralized coordination of truck platooning based on shortest paths
Pérez et al. Trajectory generator for autonomous vehicles in urban environments
CN112249008B (zh) 针对复杂动态环境的无人驾驶汽车预警方法
US20050240330A1 (en) System for influencing the speed of a motor vehicle
CN113851006B (zh) 基于多源数据融合的交叉口实时交通状态估计方法及系统
Jayawardana et al. Learning eco-driving strategies at signalized intersections
Gadepally et al. Driver/vehicle state estimation and detection
CN113895463B (zh) 一种适用于自动驾驶车辆掉头的路径规划方法
CN111459159A (zh) 一种路径跟随控制系统及控制方法
CN115416656A (zh) 基于多目标轨迹规划的自动驾驶换道方法、装置及介质
Bertolazzi et al. Efficient re-planning for robotic cars
CN115140096A (zh) 一种基于样条曲线与多项式曲线的自动驾驶轨迹规划方法
Althoff et al. Stochastic reachable sets of interacting traffic participants
Aoki et al. Multicruise: eco-lane selection strategy with eco-cruise control for connected and automated vehicles
CN113110489B (zh) 一种轨迹规划方法、装置、电子设备和存储介质
CN117141489B (zh) 一种基于最小作用量原理的智能车辆轨迹分层规划方法
CN112026772B (zh) 一种智能网联汽车的路径实时规划与分布式控制方法
CN113978462A (zh) 自适应巡航系统的主目标筛选方法、轨迹规划方法及系统
Koller et al. Fuel-efficient control of merging maneuvers for heavy-duty vehicle platooning
CN115320589B (zh) 跟车速度规划方法、装置、芯片、终端、电子设备及介质
CN115683140A (zh) 代客泊车循迹的过弯车速规划方法、系统、设备及介质
Chen et al. Research and application of improved pure pursuit algorithm in low-speed driverless vehicle system
Németh et al. Impact of automated vehicles using eco-cruise control on the traffic flow
Dokur et al. Platoon Formation Based on DSRC Basic Safety Messages

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