CN115857487A - 一种不确定环境下的智能汽车规划控制系统及其方法 - Google Patents

Abstract

本发明涉及一种不确定环境下的智能汽车规划控制系统及其方法，该系统包括局部轨迹规划模块及其连接的跟踪控制模块，局部轨迹规划模块根据障碍物信息，构造FOV内盲区的量化表达，并考虑感知结果因素构建多目标优化问题，以对初始参考轨迹进行调整，输出得到新轨迹、并传输至跟踪控制模块；跟踪控制模块根据新轨迹，输出相应控制信号给车辆执行机构，控制车辆的行驶轨迹。与现有技术相比，本发明在自动驾驶轨迹规划中引入信息熵，利用盲区信息实时构造信息熵优化项，并加入轨迹规划层的优化目标，以实现主动感知。通过使感知结果作用于下层规划控制，从而减小盲区内的感知不确定性、降低碰撞风险、避免保守的避障策略、有效提高车辆行驶安全性。

Description

一种不确定环境下的智能汽车规划控制系统及其方法

技术领域

本发明涉及智能汽车规划控制技术领域，尤其是涉及一种不确定环境下的智能汽车规划控制系统及其方法。

背景技术

近年来，无人驾驶汽车因能解决道路拥堵、交通事故等社会问题而成为研究热点。目前典型的无人驾驶车辆系统架构主要分为环境感知系统、决策规划系统和运动控制系统三部分，决策规划系统根据感知与定位信息输出安全无碰撞的最优期望行驶轨迹，运动控制系统则将该期望轨迹作为输入进行轨迹跟踪，得到作用于底层的控制量完成自动驾驶。无人驾驶车辆的轨迹规划大部分源于移动机器人及无人机领域的研究，定义为生成连接车辆初始位置到目标位置的路径，以及该路径上各个点对应的速度，同时要求车辆在沿该包含速度信息的路径的运动过程中满足车辆的运动学或动力学约束、碰撞约束和其它源于系统自身或外部环境的时间空间约束。

在传统的无人驾驶车辆架构体系中，感知、决策规划、控制分属三个不同的模块，随着对无人驾驶技术研究的深入，研究者们发现了将轨迹规划与跟踪控制相结合的优势和必要性，出现轨迹规划与跟踪的统一控制方法。其中考虑到轨迹规划与轨迹跟踪的特点，MPC(Model Predictive Control，模型预测控制)凭借其在利用预测信息和考虑多约束方面的巨大优势，成为了最适合于设计规划控制结合框架的算法。

无人驾驶汽车行驶的交通环境中客观、广泛、真实地存在着不确定性，可以说来自各方面不确定性的存在具有必然性。不确定性将会影响无人驾驶汽车的风险评估、决策与轨迹规划，从而给无人驾驶汽车的安全性、可靠性、舒适性带来巨大挑战。传统的轨迹规划算法难以有效应对，因此近来，针对无人驾驶不确定性的决策规划算法相继提出，总结来看，现有的研究主要针对感知不确定性和预测的不确定性，前者包括如他车位姿的不确定性，后者涉及自车与他车交互。但是上述多数研究可以视为被动规避因外界不确定性带来的风险，即属于偏保守的轨迹规划控制方法，鲜有以主动削减不确定性、改善前端感知情况为目标的研究，也就难以确保路径规划的科学性、合理性以及舒适性。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种不确定环境下的智能汽车规划控制系统及其方法，能够主动探索被遮挡区域，获得自车路径规划所需相关环境信息，削减风险，从而作出更为科学、合理、舒适的路径规划。

本发明的目的可以通过以下技术方案来实现：一种不确定环境下的智能汽车规划控制系统，包括局部轨迹规划模块及其连接的跟踪控制模块，所述局部轨迹规划模块与车辆感知模块相连接，根据车辆感知模块输出的障碍物信息，构造FOV(Field of View，视场角)内盲区的量化表达，并考虑感知结果因素构建多目标优化问题，以对初始参考轨迹进行调整，输出得到新轨迹、并传输至跟踪控制模块；所述跟踪控制模块根据新轨迹，输出相应控制信号给车辆执行机构，控制车辆的行驶轨迹。

一种不确定环境下的智能汽车规划控制方法，包括以下步骤：

S1、获取环境及障碍物信息，构造信息熵因子；

S2、结合信息熵因子以及车辆当前的速度、航向角、位置，构建轨迹规划目标函数，求解得到新轨迹；

S3、对新轨迹进行跟踪控制，输出相应控制信号；

S4、根据控制信号，对应控制车辆的行驶轨迹。

进一步地，所述信息熵因子包括：FOV被遮挡区域面积；障碍物后固定区域内未被感知到面积；每一步实际盲区内未被感知到面积。

进一步地，所述步骤S2具体使用车辆运动学模型，并且考虑车辆动力学约束以及横向加速度约束，以构建轨迹规划目标函数。

进一步地，所述车辆运动学模型具体为：

其中，

分别为车辆在自车坐标系下的横、纵向加速度，车辆纵向加速度为零，/>

为航向角变化率，/>

和/>

分别为惯性坐标系下的车辆纵向、横向速度；

所述轨迹规划目标函数具体为：

U_min≤U_t≤U_max

|U_t|＝|a_t|＜μg

其中，J_obs,i为采样时刻i的避障函数，J_IE,i为采样时刻i的信息熵因子，U_max和U_min为控制量U_t的上下限，μ为附着系数，g为重力加速度，Q和R分别为系统状态向量和控制输入向量的半正定权重矩阵。

进一步地，当以FOV被遮挡区域面积作为优化项时，信息熵因子具体为：

J_IE,i＝S_IES_obscured,i

其中，S_IE为权重系数，S_obscured,i为自车在当前位置下因障碍物存在而造成的FOV被遮挡区域面积。

进一步地，当以障碍物后固定区域内未被感知到面积为优化项时，信息熵因子具体为：

/>

其中，S_IE为权重系数，S_inttal为自车每实际执行一步控制指令后在上一步基础上更新的固定区域内未被感知面积，S_obscured,i为预测步中每一步长固定区域中还未被感知面积。

进一步地，当以每一步实际盲区内未被感知到面积为优化项时，信息熵因子具体为：

其中，S_IE为权重系数，S_inital为自车每实际执行一步控制指令后的初始盲区面积，S_obscured,i为预测步中每一步长在初始盲区中还未被感知面积。

进一步地，所述步骤S3具体使用基于较小前轮侧偏角和线性轮胎模型假设后的车辆动力学非线性模型，并取车辆在自车坐标系下的横纵向速度、航向角及航向角变化率、车辆在大地坐标系下的横纵坐标为状态量，取前轮转角为控制量，以构建轨迹跟踪优化目标函数，进而求解出对应于新轨迹的控制信号。

进一步地，所述车辆动力学非线性模型具体为：

其中，C_lf和C_lr分别为车辆前后轮的纵向侧偏刚度，

为状态量，/>

分别为车辆在自车坐标系下的横向、纵向速度，Y与X分别为车辆在惯性坐标系下的横、纵坐标，控制量为u_dyn＝δ_f；

所述轨迹跟踪优化目标函数具体为：

s.t.ξ_dyn,k+1＝A_dyn,k+1ξ_dyn,k+B_dyn,ku_dyn,k

ΔU_dyn,min≤ΔU_dyn,t≤ΔU_dyn,max

U_dyn,min≤AΔU_dyn,t+U_dyn,t≤U_dyn,max

y_hc,min≤y_hc≤y_hc,max

y_sc,min-ε≤y_sc≤y_sc,max+ε

ε＞0

其中，

为局部参考轨迹，即新轨迹，ε为松弛因子，ΔU_dyn,t为控制量变量序列，AΔU_dyn,t+U_dyn,t为控制量，对控制量及控制量变量进行约束，y_hc为硬约束输出，y_sc为软约束输出。

与现有技术相比，本发明通过构建局部轨迹规划模块及其连接的跟踪控制模块，利用局部轨迹规划模块根据车辆感知模块输出的障碍物信息，构造FOV内盲区的量化表达，并考虑感知结果因素构建多目标优化问题，以对初始参考轨迹进行调整，输出得到新轨迹、并传输至跟踪控制模块；利用跟踪控制模块根据新轨迹，输出相应控制信号给车辆执行机构，从而控制车辆的行驶轨迹。由此串联感知决策、规划控制整个自动驾驶流程，使上层感知情况影响下层路径规划，并反作用于感知，能够主动探索被遮挡区域，获得自车路径规划所需相关环境信息、削减风险，确保路径规划的科学性、合理性及舒适性。

本发明为了描述盲区内环境不确定性信息，在轨迹规划中引入信息熵的概念，根据实际行驶工况中FOV内盲区信息实时构造信息熵优化项，并加入轨迹规划的优化目标中，在面对驾驶场景中的潜在风险时，相较现有偏保守的轨迹规划控制算法，本发明在实现避障的基础上，通过主动感知缩减因障碍物遮挡造成的盲区范围，减小盲区带来的环境不确定性和潜在风险，避免了消极的避障策略，提高了安全性。

本发明设计信息熵因子包括被FOV遮挡区域面积、障碍物后固定区域内未被感知到面积、每一步实际盲区内未被感知到面积，能够对障碍物后盲区进行积极有效的探索，增大初始盲区内最终被感知面积。同时能避免过于保守的驾驶策略，提高时间效率，有效提早发现盲区内潜在障碍物的时间，增大反应距离。本发明加入对于信息熵的考虑后，在整体的感知效率上能够得到巨大提升，为后续做出更积极主动的决策规划提供有力支撑。整体效果使无人驾驶车辆为应对环境不确定性而采取的行为更拟人化，接近人类驾驶员的驾驶观察习惯。

附图说明

图1为本发明的系统结构示意图；

图2为本发明的方法流程示意图；

图3为实施例中应用框架示意图；

图4a为被FOV遮挡区域面积示意图；

图4b为障碍物后固定区域内未被感知到面积示意图；

图4c为每一步实际盲区内未被感知到面积示意图；

图5为实施例中场景一示意图；

图6为实施例中场景二示意图；

图7为实施例中可见性指标示意图；

图8为实施例中安全性指标示意图；

图9为实施例中场景一情况下考虑信息熵前后规划轨迹的对比示意图；

图10为实施例中场景二情况下考虑信息熵前后规划轨迹的对比示意图；

图中标记说明：1、车辆感知模块，2、局部轨迹规划模块，3、跟踪控制模块，4、车辆执行机构。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。

实施例

如图1所示，一种不确定环境下的智能汽车规划控制系统，包括局部轨迹规划模块2及其连接的跟踪控制模块3，局部轨迹规划模块2与车辆感知模块1相连接，根据车辆感知模块1输出的障碍物信息，构造FOV内盲区的量化表达，并考虑感知结果因素构建多目标优化问题，以对初始参考轨迹进行调整，输出得到新轨迹、并传输至跟踪控制模块3；跟踪控制模块3根据新轨迹，输出相应控制信号给车辆执行机构4，控制车辆的行驶轨迹。

本实施例中，上层局部轨迹规划模块与下层跟踪控制模块，这两个模块都基于模型预测控制(MPC)算法构造，在实际应用中，还可基于其它优化方法构造，并不局限于MPC算法，本实施例是考虑到MPC算法预测信息、滚动优化和考虑多约束方面的巨大优势，能够充分保证计算结果的及时性与可靠性。

基于上述系统，实现一种不确定环境下的智能汽车规划控制方法，如图2所示，包括以下步骤：

S1、获取环境及障碍物信息，构造信息熵因子；

S2、结合信息熵因子以及车辆当前的速度、航向角、位置，构建轨迹规划目标函数，求解得到新轨迹；

S3、对新轨迹进行跟踪控制，输出相应控制信号；

S4、根据控制信号，对应控制车辆的行驶轨迹。

本实施例应用上述技术方案，具体的应用框架如图3所示，其中，步骤S2的过程由轨迹规划模块执行，具体使用车辆运动学模型，并且考虑车辆动力学约束以及横向加速度约束，以构建轨迹规划目标函数，车辆运动学模型为：

式中，

分别为车辆在自车坐标系下的横、纵向加速度，车辆纵向加速度为零，/>

为航向角变化率，/>

和/>

分别为惯性坐标系下的车辆纵向、横向速度；

取状态量为车辆在自车坐标系y和x方向的车速、车辆航向角、车辆位置在大地坐标系下的纵坐标和横坐标。取状态量为横向加速度a_y。将上式简写为

考虑到车辆的动力学约束，且由于车辆模型纵向加速度为零，还需加入约束条件|a_y|＜μg。构造轨迹规划目标函数为：

U_min≤U_t≤U_max

|U_t|＝|a_y|＜μg

式中，J_obs,i为采样时刻i的避障函数，J_IE,i为采样时刻i的信息熵因子，U_max和U_min为控制量U_t的上下限，μ为附着系数，g为重力加速度，Q和R分别为系统状态向量和控制输入向量的半正定权重矩阵。

本技术方案设计信息熵因子包括：FOV被遮挡区域面积；障碍物后固定区域内未被感知到面积；每一步实际盲区内未被感知到面积。

1)以FOV被遮挡区域面积作为优化项

考虑信息熵的目标在于要使FOV不可探知区域的面积尽早、尽量地缩减，以减小因遮挡带来不确定性的风险，因此最直接的想法便是将FOV被遮挡面积作为优化项。该形式的信息熵函数如下：

J_IE,i＝S_IES_obscured,i

其中S_IE为权重系数，S_obscured,i为自车在当前位置下因障碍物存在而造成的FOV被遮挡区域面积，如图4a所示。

2)以障碍物后固定区域内未被感知到面积为优化项

为了使自车规划轨迹更专注于削减障碍物后遮挡区域，如图4b所示，一旦检测到障碍物临界点及FOV存在遮挡区域，选取障碍物角点后固定矩形空间进行信息熵的计算。信息熵函数如下：

其中，S_IE为权重系数，S_inital为自车每实际执行一步控制指令后在上一步基础上更新的固定区域内未被感知面积，S_obscured,i为预测步中每一步长固定区域中还未被感知面积。

3)以每一步实际盲区内未被感知到面积为优化项

该形式信息熵函数可视为前两种思路的结合，信息熵函数表达式如下：

其中，S_IE为权重系数，S_inital为自车每实际执行一步控制指令后的初始盲区面积，如图4c左边所示，S_obscured,i为预测步中每一步长在初始盲区中还未被感知面积，如图4c右边所示。

步骤S3的过程由轨迹跟踪控制模块执行，具体使用基于较小前轮侧偏角和线性轮胎模型假设后的车辆动力学非线性模型，并取车辆在自车坐标系下的横纵向速度、航向角及航向角变化率、车辆在大地坐标系下的横纵坐标为状态量，取前轮转角为控制量，以构建轨迹跟踪优化目标函数，进而求解出对应于新轨迹的控制信号。

其中，车辆动力学非线性模型具体为：

式中，C_lf和C_lr分别为车辆前后轮的纵向侧偏刚度，

为状态量，/>

分别为车辆在自车坐标系下的横向、纵向速度，Y与X分别为车辆在惯性坐标系下的横、纵坐标，控制量为u_dyn＝δ_f；

轨迹跟踪优化目标函数具体为：

s.t.ξ_dyn,k+1＝A_dyn,k+1ξ_dyn,k+B_dyn,ku_dyn,k

ΔU_dyn,min≤ΔU_dyn,t≤ΔU_dyn,max

U_dyn,min≤AΔU_dyn,t+U_dyn,t≤U_dyn,max

y_hc,min≤y_hc≤y_hc,amx

y_sc,min-ε≤y_sc≤y_sc,max+ε

ε＞0

式中，

为局部参考轨迹，即新轨迹，ε为松弛因子，ΔU_dyn,t为控制量变量序列，AΔU_dyn,t+U_dyn,t为控制量，对控制量及控制量变量进行约束，y_hc为硬约束输出，y_sc为软约束输出。

为验证本技术方案的有效性，本实施例在图5和图6所示的两个典型交通场景中进行测试对比，其中场景一为自车超越到站停靠的公交车，车头后方有可能存在走出的行人；场景二为地库、小区等非结构化道路拐弯情景，盲区内原始参考轨迹附近可能存在他车或其他障碍物，初始参考轨迹如图中车辆正前方虚线所示。

本实施例假设FOV完整区域为一个有固定视角90°的等腰三角形。测试在CarSim与Simulink联合仿真环境下进行，测试中评价指标包括：

1)可见性指标。取如图7所示障碍物后一矩形评价区域，因为在实际情况中，这一区域内潜在危险对自车的影响较大。可见性指标为：

其中，S为每一评价区域的初始面积，S_vis为评价区域中最终被感知的面积；

2)安全性指标。针对不同交通场景，如图8所示有针对性地在障碍物后盲区内取一点，假设为另一潜在障碍物的坐标位置，比较感知到该点的时间t_found与距离d_found。

当不考虑信息熵，仅考虑避障功能时，两个场景下仿真的可见性指标p_vis分别为72.56％及29.43％。当取每一步实际盲区内未被感知到面积为优化项时，仿真结果如表1及表2所示。由表1及表2可知，增大S_IE能使自车轨迹远离障碍物角点，而引入信息熵使自车对盲区的探索效果更为明显。

表1场景一不同权重组合p_vis对比

表2场景二不同权重组合p_vis对比

仅考虑避障功能时，在场景一下的评价指标t_found≈6.7s，d_found≈4.24m，在场景二下t_found≈5.4s，d_found≈2.39m。加入信息熵后结果如表3和表4所示，由表3可知，在场景一中虽然在时间上无法让自车提早观察到障碍物点，但观察到的位置距障碍物点大大增加，在实际情况中对于自车做出决策规划调整至关重要；在表4中，可以看到规划问题加入对于信息熵的考虑后，在t_found与d_found上均有影响，提早观察到时间，增大反应距离，若障碍物点存在真实物体，能有效规避。

表3场景一下S_obs＝100时不同S_IE对比

S<sub>IE</sub>	4000	40000	400000
				t<sub>found</sub>/s	6.801	6.701	6.701
d<sub>found</sub>/m	11.6738	10.8883	10.9445

表4场景二下S_obs＝100时不同S_IE对比

S<sub>IE</sub>	4000	40000	400000
				t<sub>found</sub>/s	5.201	5.101	5.101
d<sub>found</sub>/m	6.527	6.9381	7.1501

由图9和图10可知，在考虑信息熵进行轨迹规划控制以后，车辆在场景一和场景二情况下明显能够实现更好的主动避障，从而减小盲区带来的环境不确定性和潜在风险、有效提高安全性。

综上可知，本技术方案中，上层轨迹规划模块根据障碍物信息与FOV内盲区对初始参考轨迹进行调整，得到新轨迹送至跟踪控制层，输出控制信号。为了描述盲区内环境不确定性信息，本技术方案在自动驾驶轨迹规划中引入信息熵的概念，将其作为优化项加入轨迹规划层的优化目标中，从而实现以感知结果对轨迹规划进行引导。与现有规划控制算法相比，本技术方案在面对存在障碍物的驾驶场景时，能够在实现避障的基础上，通过主动感知缩减因障碍物遮挡造成的盲区范围，减小盲区带来的环境不确定性和潜在风险，避免消极的避障策略，有效提高车辆行驶安全性。

Claims (10)

1.一种不确定环境下的智能汽车规划控制系统，其特征在于，包括局部轨迹规划模块及其连接的跟踪控制模块，所述局部轨迹规划模块与车辆感知模块相连接，根据车辆感知模块输出的障碍物信息，构造FOV内盲区的量化表达，并考虑感知结果因素构建多目标优化问题，以对初始参考轨迹进行调整，输出得到新轨迹、并传输至跟踪控制模块；所述跟踪控制模块根据新轨迹，输出相应控制信号给车辆执行机构，控制车辆的行驶轨迹。

2.一种不确定环境下的智能汽车规划控制方法，其特征在于，包括以下步骤：

S1、获取环境及障碍物信息，构造信息熵因子；

S2、结合信息熵因子以及车辆当前的速度、航向角、位置，构建轨迹规划目标函数，求解得到新轨迹；

S3、对新轨迹进行跟踪控制，输出相应控制信号；

S4、根据控制信号，对应控制车辆的行驶轨迹。

3.根据权利要求2所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，所述信息熵因子包括：FOV被遮挡区域面积；障碍物后固定区域内未被感知到面积；每一步实际盲区内未被感知到面积。

4.根据权利要求3所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，所述步骤S2具体使用车辆运动模型，并且考虑车辆动力学约束以及横向加速度约束，以构建轨迹局部规划目标函数。

5.根据权利要求4所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，所述车辆运动学模型具体为：

其中，

分别为车辆在自车坐标系下的横、纵向加速度，车辆纵向加速度为零，

为航向角变化率，/>

和/>

分别为惯性坐标系下的车辆纵向、横向速度；

所述轨迹局部规划目标函数具体为：

U_min≤U_t≤U_max

|U_t|＝|a_y|＜μg

其中，J_obs,i为采样时刻i的避障函数，J_IE,为采样时刻i的信息熵因子，U_max和U_min为控制量U_t的上下限，μ为附着系数，g为重力加速度，Q和R分别为系统状态向量和控制输入向量的半正定权重矩阵。

6.根据权利要求5所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，当以FOV被遮挡区域面积作为优化项时，信息熵因子具体为：

J_IE,i＝S_IES_obscured,i

其中，S_IE为权重系数，S_obscured,i为自车在当前位置下因障碍物存在而造成的FOV被遮挡区域面积。

7.根据权利要求5所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，当以障碍物后固定区域内未被感知到面积为优化项时，信息熵因子具体为：

其中，S_IE为权重系数，S_inttal为自车每实际执行一步控制指令后在上一步基础上更新的固定区域内未被感知面积，S_obscured,i为预测步中每一步长固定区域中尚未被感知面积。

8.根据权利要求5所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，当以每一步实际盲区内未被感知到面积为优化项时，信息熵因子具体为：

其中，S_IE为权重系数，S_inital为自车每实际执行一步控制指令后的初始盲区面积，S_obscured,i为预测步中每一步长在初始盲区中还未被感知面积。

9.根据权利要求5所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，所述步骤S3具体使用基于较小前轮侧偏角和线性轮胎模型假设后的车辆动力学非线性模型，并取车辆在自车坐标系下的横纵向速度、航向角及航向角变化率、车辆在大地坐标系下的横纵坐标为状态量，取前轮转角为控制量，以构建轨迹跟踪优化目标函数，进而求解出对应于新轨迹的控制信号。

10.根据权利要求9所述的一种不确定环境下的智能汽车规划控制方法，其特征在于，所述车辆动力学非线性模型具体为：

其中，C_lf和C_lr分别为车辆前后轮的纵向侧偏刚度，

为状态量，

分别为车辆在自车坐标系下的横向、纵向速度，Y与X分别为车辆在惯性坐标系下的横、纵坐标，控制量为u_dyn＝δ_f；

所述轨迹跟踪优化目标函数具体为：

s.t.ξ_dyn,k+1＝A_dyn,k+1ξ_dyn,k+B_dyn,ku_dyn,k

ΔU_dyn,min≤ΔU_dyn,t≤ΔU_dyn,max

U_dyn,min≤AΔU_dyn,t+U_dyn,t≤U_dyn,max

y_hc,min≤y_hc≤y_hc,max

y_sc,min-ε≤y_sc≤y_sc,max+ε

ε＞0

其中，

为局部参考轨迹，即新轨迹，ε为松弛因子，ΔU_dyn,t为控制量变量序列，AΔU_dyn,t+U_dyn,t为控制量，对控制量及控制量变量进行约束，y_hc为硬约束输出，y_sc为软约束输出。/>

Images