CN115755885A - 一种自动驾驶车辆动态路径规划方法 - Google Patents

一种自动驾驶车辆动态路径规划方法 Download PDF

Info

Publication number
CN115755885A
CN115755885A CN202211312060.8A CN202211312060A CN115755885A CN 115755885 A CN115755885 A CN 115755885A CN 202211312060 A CN202211312060 A CN 202211312060A CN 115755885 A CN115755885 A CN 115755885A
Authority
CN
China
Prior art keywords
path
vehicle
target vehicle
vehicle speed
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.)
Pending
Application number
CN202211312060.8A
Other languages
English (en)
Inventor
袁小芳
王金磊
李哲
孟步敏
王耀南
孙增光
刘昕
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.)
Hunan Mogao Zhijia Technology Co ltd
Hunan University
Original Assignee
Hunan Mogao Zhijia Technology Co ltd
Hunan 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 Hunan Mogao Zhijia Technology Co ltd, Hunan University filed Critical Hunan Mogao Zhijia Technology Co ltd
Priority to CN202211312060.8A priority Critical patent/CN115755885A/zh
Publication of CN115755885A publication Critical patent/CN115755885A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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

  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)

Abstract

本发明公开了一种自动驾驶车辆动态路径规划方法。其具体内容为：1、建立包括路面状况、车辆速度和位置信息的驾驶环境模型；2、结合驾驶环境模型，设计层次模糊推理系统，判断出当下位置需要规划的路径类型；3、构建基于B‑样条曲线的车辆行驶路径，得到需要优化的待定参数；4、考虑距离和曲率两个因素，设计基于粒子群的优化求解方法，用来求解最优路径；5、利用模糊拟合的方法，计算出上述最优路径对应的参考速度。本发明所进行的规划路径工作，可以完成自动驾驶车辆在动态环境中的驾驶决策，适应了不同的路面状况和车辆速度，并提高了车辆行驶中的横向动力学稳定性。

Description

一种自动驾驶车辆动态路径规划方法
技术领域
本发明属于路径规划领域，涉及一种自动驾驶车辆动态路径规划方法。
背景技术
安全始终是汽车驾驶时的首要任务。统计研究显示，94％的交通事故是由驾驶故障， 包括分心、疲劳和情绪驾驶导致的。自动驾驶技术为解决这些问题提供了一个有效的技术 方案。特别是先进驾驶辅助系统(ADAS)的研发和应用大大减少潜在的交通事故，提高驾 驶安全。因此，业界和学术界一直积极参与自动驾驶汽车的开发，这些技术提高了车辆安 全性，缓解交通拥堵，优化驾驶行为。然而，仍然存在许多困难需要克服，主要包括感知、规划和控制。
其中，路径规划是最关键、最复杂的问题之一。但是，当前的路径规划算法没有考虑 过路面摩擦系数以及车速对车辆的影响。然而，当摩擦系数较低或自动驾驶车辆车速较高 时，很容易失去横向动力学稳定性，使车辆失去控制，导致严重的交通事故。
有鉴于此，本发明提供了一种自动驾驶车辆动态路径规划方法，以此适应不同的路面 状况和车辆速度，并提高了车辆行驶中的横向动力学稳定性。
发明内容
本发明实施例提供了一种自动驾驶车辆动态路径规划方法，包括：
步骤S1、对驾驶环境因素进行归一化处理，建立驾驶环境模型；
步骤S2、结合驾驶环境模型，构建层次模糊推理系统，动态更新环境参数，并计算出 当下位置需要规划的路径类型和路径规划的起点位置，路径类型包括执行转向或者直行；
步骤S3、根据车辆动力学特性，构建基于B-样条曲线的车辆行驶路径，得到需要优化的待定参数；
步骤S4、考虑距离和曲率两个因素，设计基于粒子群的优化方法，对车辆路径优化模 型中的待定参数进行优化求解，得到最优路径；
步骤S5、利用模糊拟合的方法，计算出不同路面状况下的车辆行驶路径以及对应的参 考速度。
优选的，所述驾驶环境因素至少包括：路面摩擦、目标车辆速度、目标车辆速度与环 境车辆速度差。
优选的，所述步骤S1中，所述驾驶环境模型通过对路面摩擦、目标车辆速度、目标车辆速度与环境车辆速度差进行归一化处理得到，其中，所述目标车辆速度归一化方法为:
Figure BDA0003907405930000021
式中，vmin和vmax是目标车辆的最小速度和最大速度，被设定为0km/h和120km/h，v'subj是目标车辆速度，vsubj是归一化处理后的目标车辆速度；
所述目标车辆速度与环境车辆速度差归一化方法为:
Figure BDA0003907405930000022
式中，Δv是归一化处理后的目标车辆与环境车辆速度差，vsur是环境车辆速度；
因为路面摩擦系数的范围一般在0-1之间，因此不需要归一化处理。
优选的，所述步骤S2中的层次模糊推理系统的第一层输入包括路面摩擦系数μ和归 一化目标车辆速度vsubj，输出为危险因子E；第二层输入为危险因子E和环境车辆速度vsur，输出为转向决策Ddec；所述层次模糊推理系统的构建步骤包括：
步骤a：根据步骤S1中的方法将路面摩擦系数μ、目标车辆速度v'subj以及标车辆速度 与环境车辆速度差Δv归一化，归一化的范围设置为[0,1]；
步骤b：建立第一隶属度函数、第二隶属度函数、第三隶属度函数、第四隶属度函数和第五隶属度函数，第一隶属度函数、第二隶属度函数分别用于将路面摩擦系数μ、归一 化目标车辆速度vsubj转变为对应的模糊变量
Figure BDA0003907405930000023
和
Figure BDA0003907405930000024
步骤c：以模糊变量
Figure BDA0003907405930000025
和
Figure BDA0003907405930000026
为第一层模糊推理系统的输入，对车辆驾驶的一般经验进 行细化，得到危险因子E的推理规则表，根据第三隶属度函数将危险因子E推理为模糊变 量
Figure BDA0003907405930000027
此处一般经验为：
当
Figure BDA0003907405930000028
小而
Figure BDA0003907405930000029
大时，
Figure BDA00039074059300000210
取大值；
当
Figure BDA00039074059300000211
小而
Figure BDA00039074059300000212
小时，
Figure BDA00039074059300000213
取中值；
当
Figure BDA00039074059300000214
大而
Figure BDA00039074059300000215
小时，
Figure BDA00039074059300000216
取小值；
当
Figure BDA00039074059300000217
大而
Figure BDA00039074059300000218
大时，
Figure BDA00039074059300000219
取中值；
步骤d：根据第四隶属度函数，将归一化处理后的目标车辆与环境车辆速度差Δv转变 为对应的模糊变量
Figure BDA00039074059300000220
以
Figure BDA00039074059300000221
和
Figure BDA00039074059300000222
的模糊变量为第二层模糊推理系统的输入，对车辆驾驶 的一般经验进行细化，得到转向决策Ddec的推理规则表，根据第五隶属度函数将转向决策Ddec推理为模糊变量
Figure BDA0003907405930000031
此处一般经验为：
当
Figure BDA0003907405930000032
小而
Figure BDA0003907405930000033
大时，
Figure BDA0003907405930000034
取中值；
当
Figure BDA0003907405930000035
小而
Figure BDA0003907405930000036
小时，
Figure BDA0003907405930000037
取小值；
当
Figure BDA0003907405930000038
大而
Figure BDA0003907405930000039
小时，
Figure BDA00039074059300000310
取中值；
当
Figure BDA00039074059300000311
大而
Figure BDA00039074059300000312
大时，
Figure BDA00039074059300000313
取大值；
步骤e：将模糊变量
Figure BDA00039074059300000314
逆归一化到
Figure BDA00039074059300000315
逆归一化公式如下：
Figure RE-GDA00039971797500000325
Figure BDA00039074059300000317
式中，
Figure BDA00039074059300000318
是决策距离，Ds是安全距离，asubj是目标车辆的加速度，asur是环境车辆的加速度，tx是制动系统的时延，do是车辆之间的最短安全距离；
步骤e：在每一个迭代周期，将目标车辆与环境车辆距离d与Ddec进行对比，当d≤Ddec， 目标车辆进行转向操作，否则目标车辆直行。
优选的，所述步骤S3中，基于B-样条曲线的车辆行驶路径构建步骤包括：
步骤A：建立基于B-样条曲线的车辆路径模型，表达式如下：
Figure BDA00039074059300000320
其中，Bi,k(u)是第i个k阶B样条基函数，与控制点Pi,k≥1,τ是自变量；
基函数具有如下Cox-deBoor递推式：
Figure BDA00039074059300000319
式中，τi是一组被称为节点矢量的非递减序列的连续变化值，首末值定义为0和1，τi组成的序列如下：
[τ0,τ1,…,τk,τk+1,…,τn,τn+1,…,τn+k]；
步骤B:根据以上递推式，三次(4阶)准均匀B样条曲线可由6个控制点(A,B,C,D,E,F)生成。
优选的，设起点和终点的曲率为0，且ABC∥DEF∥车道中心线，令AB＝BC＝DE＝EF；ABCDEF6个控制点的自由度降为2，分别为C点相对A点的距离k1、O点相对A点的距 离k2。
优选的，所述步骤S4中，所述粒子群优化方法步骤如下：
步骤一：设计粒子群优化算法，整个群体由D维搜索空间中移动的S个粒子组成；第i个粒子的位置用向量表示为：
Figure BDA0003907405930000041
其中，Xmin,m和Xmax,m分别是第m维的上下界。
其速度更新公式为：
Vi(k+1)＝wVi(k)+c1r1[pbest-Xi(k+1)]+c2r2[gbest-Xi(k)]
其位置更新公式为：
Xi(k+1)＝Xi(k)+Vi(k+1)
其中，pbest为该粒子的历史最优位置；gb4st是整个粒子群的最优位置；k为当前迭代次数；w为惯性参照，可以用来调节收敛方向；c1和c2分别是局部学习因子和全局学习因 子，c1学习因子的作用是调节粒子向pbest学习的步长，c2主要负责调节粒子向gbest学习的 步长，二者都为非负数；r1和r2为[0,1]之间的随机数；
步骤二：设计目标函数，为了衡量这些粒子的质量，优化的目标函数用路径长度与路 径平均曲率定义：
f＝ω1flength+ω2fcurvature
Figure BDA0003907405930000042
Figure BDA0003907405930000043
其中，f是代价函数，flength表示路径长度，fcurvature表示路径的平均曲率，ω1和ω2是 权重系数；n是需要优化路径的所有采样点数，Ki为每个采样点的曲率；
步骤三：对车辆路径优化模型中的待定参数k1和k2进行优化求解，得到最优路径的 转向路径。
优选的，所述步骤S5中的参考速度规划包括以下步骤：
步骤E1：设置当路面摩擦系数μ为0.25、0.35、0.45、0.55、0.65、0.75、0.85以及0.95 时对应的模糊变量为S1、S2、S3、S4、S5、S6、S7和S8；
步骤E2：通过随机的双车道变道实验进行采样，得出不同摩擦系数下的最优转向速度；
步骤E3：基于以上数据，通过高斯形隶属度函数进行模糊化处理，建立映射关系不同 路面摩擦系数和最优转向速度之间的映射关系。
本发明的有益效果：
为了在不同的路面情况以及车辆速度下完成动态路径规划，提高车辆横向动力学稳定 性，本发明提出了一种自动驾驶车辆动态路径规划方法，该方法考虑了路面摩擦系数，目 标车辆以及环境车辆运动状态，采用分层模糊推理，粒子群优化等方法，计算出每个时刻 车辆应该选择的驾驶行为，驾驶路径以及相对应的理想速度。该规划方法为复杂驾驶环境 中的的路径规划问题提出一个新的解决方案，为该行业的发展提供新的推动力。
附图说明
图1为本发明一种自动驾驶车辆动态路径规划方法实施流程图；
图2为本发明一种自动驾驶车辆动态路径规划方法设计框图；
图3为路径优化简化模型；
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的 附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本 发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没 有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面结合附图及具体实施例对本发明再作进一步详细的说明。
参见图1，本申请实例提供一种自动驾驶车辆动态路径规划方法，包括下步骤：
步骤S1、对路面摩擦、目标车辆速度、目标车辆速度与环境车辆速度差等驾驶环境因 素进行归一化处理，建立驾驶环境模型；
步骤S2、结合驾驶环境模型，构建层次模糊推理系统，动态更新环境参数，并计算出 当下位置需要规划的路径类型和路径规划的起点位置，路径类型包括执行转向或者直行；
步骤S3、根据车辆动力学特性，构建基于B-样条曲线的车辆行驶路径，得到需要优化的待定参数；
步骤S4、考虑距离和曲率两个因素，设计基于粒子群的优化方法，对车辆路径优化模 型中的待定参数进行优化求解，得到最优路径；
步骤S5、利用模糊拟合的方法，计算出不同路面状况下的车辆行驶路径以及对应的参 考速度。
所述步骤S1中，所述驾驶环境模型通过对路面摩擦、目标车辆速度、目标车辆速度与环境车辆速度差进行归一化处理得到，其中，所述目标车辆速度归一化方法为:
Figure BDA0003907405930000061
式中，vmin和vmax是目标车辆的最小速度和最大速度，被设定为0km/h和120km/h，v'subj是目标车辆速度，vsubj是归一化处理后的目标车辆速度；
所述目标车辆速度与环境车辆速度差归一化方法为:
Figure BDA0003907405930000062
式中，Δv是归一化处理后的目标车辆与环境车辆速度差，vsur是环境车辆速度；
因为路面摩擦系数的范围一般在0-1之间，因此不需要归一化处理。
所述步骤S2中的层次模糊推理系统的第一层输入包括路面摩擦系数μ和归一化目标 车辆速度vsubj，输出为危险因子E；第二层输入为危险因子E和环境车辆速度vsur，输出为转向决策Ddec；所述层次模糊推理系统的构建步骤包括：
步骤a：根据步骤S1中的方法将路面摩擦系数μ、目标车辆速度v'subj以及标车辆速度 与环境车辆速度差Δv归一化，归一化的范围设置为[0,1]；
步骤b：建立第一隶属度函数、第二隶属度函数、第三隶属度函数、第四隶属度函数和第五隶属度函数，第一隶属度函数、第二隶属度函数分别用于将路面摩擦系数μ、归一 化目标车辆速度vsubj转变为对应的模糊变量
Figure BDA0003907405930000063
和
Figure BDA0003907405930000064
步骤c：以模糊变量
Figure BDA0003907405930000065
和
Figure BDA0003907405930000066
为第一层模糊推理系统的输入，对车辆驾驶的一般经验进 行细化，得到危险因子E的推理规则表，根据第三隶属度函数将危险因子E推理为模糊变 量
Figure BDA0003907405930000067
此处一般经验为：
当
Figure BDA0003907405930000068
小而
Figure BDA0003907405930000069
大时，
Figure BDA00039074059300000610
取大值；
当
Figure BDA00039074059300000611
小而
Figure BDA00039074059300000612
小时，
Figure BDA00039074059300000613
取中值；
当
Figure BDA00039074059300000614
大而
Figure BDA00039074059300000615
小时，
Figure BDA00039074059300000616
取小值；
当
Figure BDA0003907405930000071
大而
Figure BDA0003907405930000072
大时，
Figure BDA0003907405930000073
取中值；
步骤d：根据第四隶属度函数，将归一化处理后的目标车辆与环境车辆速度差Δv转变 为对应的模糊变量
Figure BDA0003907405930000074
以
Figure BDA0003907405930000075
和
Figure BDA0003907405930000076
的模糊变量为第二层模糊推理系统的输入，对车辆驾驶 的一般经验进行细化，得到转向决策Ddec的推理规则表，根据第五隶属度函数将转向决策 Ddec推理为模糊变量
Figure BDA0003907405930000077
此处一般经验为：
当
Figure BDA0003907405930000078
小而
Figure BDA0003907405930000079
大时，
Figure BDA00039074059300000710
取中值；
当
Figure BDA00039074059300000711
小而
Figure BDA00039074059300000712
小时，
Figure BDA00039074059300000713
取小值；
当
Figure BDA00039074059300000714
大而
Figure BDA00039074059300000715
小时，
Figure BDA00039074059300000716
取中值；
当
Figure BDA00039074059300000717
大而
Figure BDA00039074059300000718
大时，
Figure BDA00039074059300000719
取大值；
步骤e：将模糊变量
Figure BDA00039074059300000720
逆归一化到
Figure BDA00039074059300000721
逆归一化公式如下：
Figure RE-GDA00039971797500000736
Figure BDA00039074059300000723
式中，
Figure BDA00039074059300000724
是决策距离，Ds是安全距离，asubj是目标车辆的加速度，asur是环境车辆的加速度，tx是制动系统的时延，do是车辆之间的最短安全距离；
步骤e：在每一个迭代周期，将目标车辆与环境车辆距离d与Ddec进行对比，当d≤Ddec， 目标车辆进行转向操作，否则目标车辆直行。
参见图3，B-样条曲线是参数曲线，是Bezier曲线的一种特殊情况，曲线的形状由一 组按顺序连接的控制点确定，这些控制点形成一个控制多边形，B-样条曲线逼近控制多边 形。B-样条曲线既满足路径曲率满足连续变化的要求，又保证了转向点和归并点的曲率为 零，更适合驾驶需求。
基于B-样条曲线的车辆路径优化模型构建步骤如下：
步骤A：建立基于B-样条曲线的车辆路径模型，表达式如下：
Figure BDA00039074059300000725
其中，Bi,k(u)是第i个k阶B样条基函数，与控制点Pi,k≥1,τ是自变量。
基函数具有如下Cox-deBoor递推式
Figure BDA0003907405930000081
式中，τi是一组被称为节点矢量的非递减序列的连续变化值，首末值一般定义为0和 1，τi组成的序列如下：
[τ0,τ1,…,τk,τk+1,…,τn,τn+1,…,τn+k]；
步骤B:根据以上递推式，三次(4阶)准均匀B-样条曲线可由6个控制点(A,B,C, D,E,F)生成。为了简化模型，且保证起点和终点的曲率为0，有以下几点考虑：
1)起始点和结束点的曲率为零，前提是起始点和结束点的三个连续控制点在一条直线 上。
2)为了使车辆在起始点和结束点的航向角为零，根据B-样条曲线特征，ABC线和DEF 线需要平行中心线。
3)为了保证路径的前半部分(点O的左侧)和后半部分(点O的右侧)是中心对称的，需 要满足ABC＝DEF。
综上，令AB＝BC＝DE＝EF。
因此，ABCDEF6个控制点的自由度降为2，分别为C点相对A点的距离k1、O点相 对A点的距离k2。
所述步骤S4中，所述粒子群优化方法步骤如下：
步骤一：设计粒子群优化算法，整个群体由D维搜索空间中移动的S个粒子组成；第i个粒子的位置用向量表示为：
Figure BDA0003907405930000082
其中，Xmin,m和Xmax,m分别是第m维的上下界。
其速度更新公式为：
Vi(k+1)＝wVi(k)+c1r1[pbest-Xi(k+1)]+c2r2[gbest-Xi(k)]
其位置更新公式为：
Xi(k+1)＝Xi(k)+Vi(k+1)
其中，pbest为该粒子的历史最优位置；gbest是整个粒子群的最优位置；k为当前迭代次数；w为惯性参照，可以用来调节收敛方向；c1和c2分别是局部学习因子和全局学习因 子，c1学习因子的作用是调节粒子向pbest学习的步长，c2主要负责调节粒子向gbest学习的 步长，二者都为非负数；r1和r2为[0,1]之间的随机数；
步骤二：设计目标函数，为了衡量这些粒子的质量，优化的目标函数用路径长度与路 径平均曲率定义：
f＝ω1flength+ω2fcurvature
Figure BDA0003907405930000091
Figure BDA0003907405930000092
其中，f是代价函数，flength表示路径长度，fcurvature表示路径的平均曲率，ω1和ω2是 权重系数；n是需要优化路径的所有采样点数，Ki为每个采样点的曲率；
步骤三：对车辆路径优化模型中的待定参数k1和k2进行优化求解，得到最优路径的 转向路径。
所述步骤S5中的参考速度规划包括以下步骤：
步骤E1：设置当路面摩擦系数μ为0.25、0.35、0.45、0.55、0.65、0.75、0.85以及0.95 时对应的模糊变量为S1、S2、S3、S4、S5、S6、S7和S8；
步骤E2：通过随机的双车道变道实验进行采样，得出不同摩擦系数下的最优转向速度；
步骤E3：基于以上数据，通过高斯形隶属度函数进行模糊化处理，建立映射关系不同 路面摩擦系数和最优转向速度之间的映射关系。
本发明设计了一种基于分级模糊推理系统的多维动态状态融合推理方法，根据主车辆 速度，环境车辆速度，路面摩擦系数以及车辆间动态距离等信息推理出当下位置需要规划 的路径类型；当车辆应该转向时，根据车辆动力学特性，构建基于B-样条曲线的车辆路径 优化模型，得到需要优化的待定参数；考虑距离和曲率两个因素，设计基于粒子群的优化 方法，对车辆路径优化模型中的待定参数进行优化求解，得到最优转向路径；通过实验得 出的不同路面摩擦系数所对应的理想转向速度，并利用模糊拟合的方法，计算出上述最优 路径对应的参考速度。在CarSim中对所得路径进行跟踪，得到的实时数据输入转向决策 模块进行实时推理，完成循环。
由上所述，本发明所进行的规划路径工作，可以完成自动驾驶车辆在动态环境中的驾 驶决策，适应了不同的路面状况和车辆速度，并提高了车辆行驶中的横向动力学稳定性。 具体的，为了在不同的路面情况以及车辆速度下完成动态路径规划，提高车辆横向动力学 稳定性，本发明提出了一种自动驾驶车辆动态路径规划方法，该方法考虑了路面摩擦系数， 目标车辆以及环境车辆运动状态，采用分层模糊推理，粒子群优化等方法，计算出每个时 刻车辆应该选择的驾驶行为，驾驶路径以及相对应的理想速度。该规划方法为复杂驾驶环 境中的的路径规划问题提出一个新的解决方案，为该行业的发展提供新的推动力。
虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精 神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定 的范围之内。

Claims (8)

1.一种自动驾驶车辆动态路径规划方法，其特征在于，所述方法包括以下步骤：
步骤S1、对驾驶环境因素进行归一化处理，建立驾驶环境模型；
步骤S2、结合驾驶环境模型，构建层次模糊推理系统，动态更新环境参数，并计算出当下位置需要规划的路径类型，路径类型包括执行转向或者直行；
步骤S3、根据车辆动力学特性，构建基于B-样条曲线的车辆行驶路径，得到需要优化的待定参数；
步骤S4、考虑距离和曲率两个因素，设计基于粒子群的优化方法，对车辆路径优化模型中的待定参数进行优化求解，得到最优路径；
步骤S5、利用模糊拟合的方法，计算出上述最优路径对应的参考速度。
2.根据权利要求1所述的自动驾驶车辆动态路径规划方法，其特征在于，所述驾驶环境因素至少包括：路面摩擦、目标车辆速度、目标车辆速度与环境车辆速度差。
3.根据权利要求2所述的自动驾驶车辆动态路径规划方法，其特征在于，所述步骤S1中，所述驾驶环境模型通过对路面摩擦、目标车辆速度、目标车辆速度与环境车辆速度差进行归一化处理得到，其中，所述目标车辆速度归一化方法为:
Figure FDA0003907405920000011
式中，vmin和vmax是目标车辆的最小速度和最大速度，被设定为0km/h和120km/h，v'subj是目标车辆速度，vsubj是归一化处理后的目标车辆速度；
所述目标车辆速度与环境车辆速度差归一化方法为:
Figure FDA0003907405920000012
式中，Δv是归一化处理后的目标车辆与环境车辆速度差，vsur是环境车辆速度；
路面摩擦系数μ的范围在0-1之间。
4.根据权利要求3所述的自动驾驶车辆动态路径规划方法，其特征在于，所述步骤S2中的层次模糊推理系统的第一层输入包括路面摩擦系数μ和归一化目标车辆速度vsubj，输出为危险因子E；第二层输入为危险因子E和环境车辆速度vsur，输出为转向决策Ddec；所述层次模糊推理系统的构建步骤包括：
步骤a：根据步骤S1中的方法将路面摩擦系数μ、目标车辆速度v'subj以及标车辆速度与环境车辆速度差△v归一化，归一化的范围设置为[0,1]；
步骤b：建立第一隶属度函数、第二隶属度函数、第三隶属度函数、第四隶属度函数和第五隶属度函数，第一隶属度函数、第二隶属度函数分别用于将路面摩擦系数μ、归一化目标车辆速度vsubj转变为对应的模糊变量
Figure RE-FDA0003997179740000021
和
Figure RE-FDA0003997179740000022
步骤c：以模糊变量
Figure RE-FDA0003997179740000023
和
Figure RE-FDA0003997179740000024
为第一层模糊推理系统的输入，对车辆驾驶的一般经验进行细化，得到危险因子E的推理规则表，根据第三隶属度函数将危险因子E推理为模糊变量
Figure RE-FDA0003997179740000025
步骤d：根据第四隶属度函数，将归一化处理后的目标车辆与环境车辆速度差△v转变为对应的模糊变量
Figure RE-FDA0003997179740000026
以
Figure RE-FDA0003997179740000027
和
Figure RE-FDA0003997179740000028
的模糊变量为第二层模糊推理系统的输入，对车辆驾驶的一般经验进行细化，得到转向决策Ddec的推理规则表，根据第五隶属度函数将转向决策Ddec推理为模糊变量
Figure RE-FDA0003997179740000029
步骤e：将模糊变量
Figure RE-FDA00039971797400000210
逆归一化到
Figure RE-FDA00039971797400000211
逆归一化公式如下：
Figure RE-FDA00039971797400000212
Figure RE-FDA00039971797400000213
式中，
Figure RE-FDA00039971797400000214
是决策距离，Ds是安全距离，asubj是目标车辆的加速度，asur是环境车辆的加速度，tx是制动系统的时延，do是车辆之间的最短安全距离；
步骤e：在每一个迭代周期，将目标车辆与环境车辆距离d与Ddec进行对比，当d≤Ddec，目标车辆进行转向操作，否则目标车辆直行。
5.根据权利要求4所述的自动驾驶车辆动态路径规划方法，其特征在于，所述步骤S3中，基于B-样条曲线的车辆行驶路径构建步骤包括：
步骤A：建立基于B-样条曲线的车辆路径模型，表达式如下：
Figure FDA00039074059200000215
其中，Bi,k(u)是第i个k阶B样条基函数，与控制点Pi,k≥1,τ是自变量；
基函数具有如下Cox-deBoor递推式：
Figure FDA00039074059200000216
式中，τi是一组被称为节点矢量的非递减序列的连续变化值，首末值一般定义为0和1，τi组成的序列如下：
[τ0,τ1,…,τk,τk+1,…,τn,τn+1,…,τn+k]；
步骤B:根据以上递推式，三次准均匀B样条曲线可由6个控制点(A,B,C,D,E,F)生成。
6.根据权利要求5所述的自动驾驶车辆动态路径规划方法，其特征在于，设起点和终点的曲率为0，且ABC连线∥DEF连线∥车道中心线，令AB＝BC＝DE＝EF；ABCDEF6个控制点的自由度降为2，分别为C点相对A点的距离k1、O点相对A点的距离k2。
7.根据权利要求6所述的自动驾驶车辆动态路径规划方法，其特征在于，所述步骤S4中，所述粒子群优化方法步骤如下：
步骤一：设计粒子群优化算法，整个群体由D维搜索空间中移动的S个粒子组成；第i个粒子的位置用向量表示为：
Figure FDA0003907405920000031
其中，Xmin,m和Xmax,m分别是第m维的上下界。
其速度更新公式为：
Vi(k+1)＝wVi(k)+c1r1[pbest-Xi(k+1)]+c2r2[gbest-Xi(k)]
其位置更新公式为：
Xi(k+1)＝Xi(k)+Vi(k+1)
其中，pbest为该粒子的历史最优位置；gbest是整个粒子群的最优位置；k为当前迭代次数；w为惯性参照，可以用来调节收敛方向；c1和c2分别是局部学习因子和全局学习因子，c1学习因子的作用是调节粒子向pbest学习的步长，c2主要负责调节粒子向gbest学习的步长，二者都为非负数；r1和r2为[0,1]之间的随机数；
步骤二：设计目标函数，为了衡量这些粒子的质量，优化的目标函数用路径长度与路径平均曲率定义：
f＝ω1flength+ω2fcurvature
Figure FDA0003907405920000032
Figure FDA0003907405920000041
其中，f是代价函数，flength表示路径长度，fcurvature表示路径的平均曲率，ω1和ω2是权重系数；n是需要优化路径的所有采样点数，Ki为每个采样点的曲率；
步骤三：对车辆路径优化模型中的待定参数k1和k2进行优化求解，得到最优路径的转向路径。
8.根据权利要求7所述的自动驾驶车辆动态速度规划方法，其特征在于，所述步骤S5中的参考速度规划包括以下步骤：
步骤E1：设置当路面摩擦系数μ为0.25、0.35、0.45、0.55、0.65、0.75、0.85以及0.95时对应的模糊变量为S1、S2、S3、S4、S5、S6、S7和S8；
步骤E2：通过随机的双车道变道实验进行采样，得出不同摩擦系数下的最优转向速度；
步骤E3：基于以上数据，通过高斯形隶属度函数进行模糊化处理，建立映射关系不同路面摩擦系数和最优转向速度之间的映射关系。
CN202211312060.8A 2022-10-25 2022-10-25 一种自动驾驶车辆动态路径规划方法 Pending CN115755885A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211312060.8A CN115755885A (zh) 2022-10-25 2022-10-25 一种自动驾驶车辆动态路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211312060.8A CN115755885A (zh) 2022-10-25 2022-10-25 一种自动驾驶车辆动态路径规划方法

Publications (1)

Publication Number Publication Date
CN115755885A true CN115755885A (zh) 2023-03-07

Family

ID=85353283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211312060.8A Pending CN115755885A (zh) 2022-10-25 2022-10-25 一种自动驾驶车辆动态路径规划方法

Country Status (1)

Country Link
CN (1) CN115755885A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118387142A (zh) * 2024-06-27 2024-07-26 广汽埃安新能源汽车股份有限公司 一种车辆自动驾驶的速度控制方法、装置及车辆

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118387142A (zh) * 2024-06-27 2024-07-26 广汽埃安新能源汽车股份有限公司 一种车辆自动驾驶的速度控制方法、装置及车辆

Similar Documents

Publication Publication Date Title
Li et al. Shared control driver assistance system based on driving intention and situation assessment
Wang et al. A reinforcement learning based approach for automated lane change maneuvers
Huang et al. Personalized trajectory planning and control of lane-change maneuvers for autonomous driving
CN110471408B (zh) 基于决策过程的无人驾驶车辆路径规划方法
CN111338340B (zh) 基于模型预测的无人驾驶汽车局部路径规划方法
CN110187639B (zh) 一种基于参数决策框架的轨迹规划控制方法
Wang et al. Lateral control of autonomous vehicles based on fuzzy logic
Huang et al. Toward safe and personalized autonomous driving: Decision-making and motion control with DPF and CDT techniques
Shim et al. Autonomous vehicle collision avoidance system using path planning and model-predictive-control-based active front steering and wheel torque control
CN110286681A (zh) 一种变曲率弯道的动态自动驾驶换道轨迹规划方法
Song et al. A vehicle trajectory tracking method with a time-varying model based on the model predictive control
Gu et al. On-road trajectory planning for general autonomous driving with enhanced tunability
CN115683145A (zh) 一种基于轨迹预测的自动驾驶安全避障方法
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
CN115755885A (zh) 一种自动驾驶车辆动态路径规划方法
Aoki et al. Comparative study of prediction models for model predictive path-tracking control in wide driving speed range
Wang et al. Dynamic trajectory planning of autonomous lane change at medium and low speeds based on elastic soft constraint of the safety domain
Hang et al. Brain-inspired modeling and decision-making for human-like autonomous driving in mixed traffic environment
Fan et al. A lane changing time point and path tracking framework for autonomous ground vehicle
Németh et al. Design of learning-based control with guarantees for autonomous vehicles in intersections
Nan et al. Interaction-aware planning with deep inverse reinforcement learning for human-like autonomous driving in merge scenarios
Rath et al. A lane keeping assist design: Adaptation to driving style based on aggressiveness
CN113200054A (zh) 一种自动驾驶接管的路径规划方法及系统
Alika et al. A modified sliding mode controller based on fuzzy logic to control the longitudinal dynamics of the autonomous vehicle
Wan et al. Lane-changing tracking control of automated vehicle platoon based on ma-ddpg and adaptive mpc

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