CN115923845B - 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 - Google Patents
自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 Download PDFInfo
- Publication number
- CN115923845B CN115923845B CN202310029817.0A CN202310029817A CN115923845B CN 115923845 B CN115923845 B CN 115923845B CN 202310029817 A CN202310029817 A CN 202310029817A CN 115923845 B CN115923845 B CN 115923845B
- Authority
- CN
- China
- Prior art keywords
- collision avoidance
- vehicle
- automatic driving
- track
- 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.)
- Active
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
Abstract
本发明公开了一种自动驾驶车辆前向避撞场景下干预型共享控制方法及装置,涉及自动驾驶车辆的控制技术领域。包括:获取车辆状态数据输入到前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹;获取驾驶员转向输入数据,得到自动驾驶车辆前向避撞场景下的共享控制方法。本发明提出了在高速前向避撞场景下控制求解与风险预测的车辆模型解耦方法,兼顾了线性模型的求解效率与非线性模型的预测准确性,完成了前向避撞场景中的风险提前预估,解决了临界避撞干预时机的判定问题,并同时考虑驾驶人的实时输入,将驾驶人的方向盘转角输入信息纳入前向避撞共享控制中,实现了人机共驾在高速前向避撞场景下“碰撞‑失稳”双重安全保障。
Description
技术领域
本发明涉及自动驾驶车辆的控制技术领域,特别是指一种自动驾驶车辆前向避撞场景下干预型共享控制方法及装置。
背景技术
车辆的智能控制技术是智能化汽车的核心体现。以模型预测控制为框架设计前向避撞场景下的共享控制,能够充分考虑车辆的动力学特性,且对车辆状态的预测准确,是当前的主流控制方法。一方面,现有的业界和学术界的共享控制避撞干预策略皆遵循最小干预原则,即当系统认为驾驶人的控制不会违背安全约束时,将尽量减小对驾驶人输入的修改,以降低系统对驾驶人的侵入性,若系统能对车辆动力学和驾驶人行为进行精确建模和预测,最小干预原则是可行的然而在实际应用中难免会存在模型失配问题,此时如果系统对车辆运行和驾驶人行为进行了“乐观”预测,将可能导致车辆突破系统所预设的安全约束。另一方面,现有策略皆基于一个车辆动力学模型进行风险评估和控制求解,如果系统使用的是线性车辆动力学模型,虽然模型预测控制的优化求解效率可以得到保证,但是其对车辆状态的预测将不够准确,从而导致风险评估失真;如果系统使用的是非线性车辆动力学模型,虽然车辆状态预测风险评估会更加准确,但是模型预测控制的优化求解效率将非常慢,难以进行实际应用。
发明内容
本发明针对现有采用最小干预原则的共享控制避撞干预策略在实际应用中存在模型失配问题;同时,现有系统使用线性车辆动力学模型,存在对车辆状态的预测将不够准确,从而导致风险评估失真的问题;使用非线性车辆动力学模型,存在模型预测控制的优化求解效率将非常慢,难以进行实际应用的问题,提出了本发明。
为解决上述技术问题,本发明提供如下技术方案:
一方面,本发明提供了一种自动驾驶车辆前向避撞场景下干预型共享控制方法,该方法由电子设备实现,该方法包括:
S1、获取自动驾驶车辆的车辆状态数据。
S2、将车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹。
S3、获取驾驶员控制自动驾驶车辆的转向输入数据。
S4、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法。
可选地,S2中的基于虚拟避撞控制算法的前向避撞控制模型的构建过程,包括:
S21、获取前向避撞场景下的历史经验数据,基于历史经验数据建立自动驾驶车辆前向避撞场景。
S22、根据自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹。
S23、对多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列。
S24、采用非线性车辆动力学模型对最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹。
S25、采用风险评估算法对车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
可选地,S22中的根据自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹,包括:
S221、将自动驾驶车辆前向避撞场景中的避撞完成时间作为参数。
S222、对参数进行采样,得到采样结果。
S223、根据采样结果以及数值优化法,生成多条候选名义避撞轨迹。
可选地,S23中的对多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列,包括:
对多条候选名义避撞轨迹中的每条候选名义避撞轨迹,基于预设安全约束以及虚拟避撞控制算法,生成最优控制序列。
可选地,预设安全约束,包括碰撞安全性约束和稳定性安全约束。
可选地,S24中的采用非线性车辆动力学模型对最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹,包括:
S241、构建非线性轮胎模型,非线性轮胎模型用于描述自动驾驶车辆的轮胎侧偏特性。
S242、构建非线性车辆动力学方程,非线性车辆动力学方程用于描述自动驾驶车辆的动力学。
S243、根据非线性轮胎模型、非线性车辆动力学方程以及轮胎侧偏角估算公式,得到自动驾驶车辆的非线性车辆动力学模型。
S244、采用四阶龙格-库塔方法,对非线性车辆动力学模型进行离散化,并对最优控制序列进行车辆状态轨迹预测,得到与每条候选名义避撞轨迹相对应的车辆状态轨迹。
可选地,S4中的根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法,包括:
S41、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法。
S42、根据前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列。
S43、根据转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
另一方面,本发明提供了一种自动驾驶车辆前向避撞场景下干预型共享控制装置,该装置应用于实现自动驾驶车辆前向避撞场景下干预型共享控制方法,该装置包括:
车辆状态获取模块,用于获取自动驾驶车辆的车辆状态数据。
输入模块,用于将车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹。
转向输入获取模块,用于获取驾驶员控制自动驾驶车辆的转向输入数据。
输出模块,用于根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法。
可选地,输入模块,进一步用于:
S21、获取前向避撞场景下的历史经验数据,基于历史经验数据建立自动驾驶车辆前向避撞场景。
S22、根据自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹。
S23、对多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列。
S24、采用非线性车辆动力学模型对最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹。
S25、采用风险评估算法对车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
可选地,输入模块,进一步用于:
S221、将自动驾驶车辆前向避撞场景中的避撞完成时间作为参数。
S222、对参数进行采样,得到采样结果。
S223、根据采样结果以及数值优化法,生成多条候选名义避撞轨迹。
可选地,输入模块,进一步用于:
对多条候选名义避撞轨迹中的每条候选名义避撞轨迹,基于预设安全约束以及虚拟避撞控制算法,生成最优控制序列。
可选地,预设安全约束,包括碰撞安全性约束和稳定性安全约束。
可选地,输入模块,进一步用于:
S241、构建非线性轮胎模型,非线性轮胎模型用于描述自动驾驶车辆的轮胎侧偏特性。
S242、构建非线性车辆动力学方程,非线性车辆动力学方程用于描述自动驾驶车辆的动力学。
S243、根据非线性轮胎模型、非线性车辆动力学方程以及轮胎侧偏角估算公式,得到自动驾驶车辆的非线性车辆动力学模型。
S244、采用四阶龙格-库塔方法,对非线性车辆动力学模型进行离散化,并对最优控制序列进行车辆状态轨迹预测,得到与每条候选名义避撞轨迹相对应的车辆状态轨迹。
可选地,输出模块,进一步用于:
S41、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法。
S42、根据前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列。
S43、根据转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
一方面,提供了一种电子设备,所述电子设备包括处理器和存储器,所述存储器中存储有至少一条指令,所述至少一条指令由所述处理器加载并执行以实现上述自动驾驶车辆前向避撞场景下干预型共享控制方法。
一方面,提供了一种计算机可读存储介质,所述存储介质中存储有至少一条指令,所述至少一条指令由处理器加载并执行以实现上述自动驾驶车辆前向避撞场景下干预型共享控制方法。
本发明实施例提供的技术方案带来的有益效果至少包括:
上述方案中,提供了一种自动驾驶车辆在高速前向避撞场景下的干预型共享控制方法,提出了高速前向避撞场景下的综合风险评估方法及避撞干预策略,针对人机共驾高速前向避撞场景,打破了之前研究所遵循的最小干预原则,指出引入名义避撞参考轨迹可进一步降低车辆在避撞过程中的碰撞风险。提出了控制求解与风险预测的车辆模型解耦方法,兼顾了线性模型的求解效率与非线性模型的预测准确性。将名义避撞轨迹优化与综合风险评估在模型预测控制框架下进行了统一,实现了前向避撞场景中的风险提前预估,解决了临界避撞干预时机的判定问题。基于上述结果,构建了可将驾驶人控制权进行隐式表征的避撞干预控制策略,实现了人机共驾在高速前向避撞场景下“碰撞-失稳”双重安全保障。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的自动驾驶车辆前向避撞场景下干预型共享控制方法流程示意图;
图2是本发明实施例提供的前向避撞场景及名义避撞轨迹规划示意图;
图3是本发明实施例提供的总体框架和流程图;
图4是本发明实施例提供的自动驾驶车辆前向避撞场景下干预型共享控制装置框图;
图5是本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
如图1所示,本发明实施例提供了一种自动驾驶车辆前向避撞场景下干预型共享控制方法,该方法可以由电子设备实现。如图1所示的自动驾驶车辆前向避撞场景下干预型共享控制方法流程图,该方法的处理流程可以包括如下的步骤:
S1、获取自动驾驶车辆的车辆状态数据。
一种可行的实施方式中,本发明研究的前向避撞场景如图2所示,在某时刻前方突然出现紧急情况(例如前车紧急刹车),此时驾驶人通过制动已经来不及阻止碰撞,因此车辆必须通过向左边车道进行快速换道来规避前方障碍。
S2、将车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹。
可选地,上述步骤S2中的基于虚拟避撞控制算法的前向避撞控制模型的构建过程,可以包括如下步骤S21-S25:
S21、获取前向避撞场景下的历史经验数据,基于历史经验数据建立自动驾驶车辆前向避撞场景。
一种可行的实施方式中,可以根据以往的前向避撞场景经验数据,建立一个大体上的自动驾驶车辆前相避撞场景。总体框架和流程图如图3所示。
S22、将自动驾驶车辆前向避撞场景中的避撞完成时间作为参数,对参数进行采样,得到采样结果,根据采样结果以及数值优化法,生成多条候选名义避撞轨迹。
一种可行的实施方式中,以避撞完成时间为参数进行采样,并基于采样利用数值优化法进行候选名义避撞轨迹生成。
具体地,图2中前向避撞场景中的名义碰撞轨迹规划问题,在换道避撞过程中,车辆必须不能越过横向安全边界(上边界记为yupp、下边界记为ylow)以避免碰撞。在每一时刻k,系统基于当前车辆状态x(k),根据当前车速U和控制采样周期T s 向前方进行等间隔采样,并规划出一系列在未来需到达的期望横向位移{yr(k+1)}i=1,。。。,No作为名义避撞轨迹,其中N o 是换道避撞步长,N o · T s 即换道避撞时间,不同的N o 对应不同的候选名义避撞轨迹。本发明将每一个轨迹点的值视为优化变量,通过对某种目标函数进行优化来一次性求解所有轨迹点,即使用直接数值优化生成候选名义避撞轨迹(式1):
式(1)中,包含车辆沿轨迹行驶的累积横向加速度和累积横向加加速度,由权重系数和/>进行权衡。使用该目标函数可以确保优化出来的轨迹满足一定的平滑性要求。式(2)至式(8)为式(1)的约束条件:约束(2)用于确保参考轨迹为递增序列。约束(3)中/>为道路附着系数,g为重力加速度常数。该约束用于确保车辆沿轨迹行驶的横向加速度不超过路面所能提供的最大值。约束(4)用于确保车辆沿轨迹行驶不会发生碰撞,式中/>为考虑车宽因素所设置的缓冲区宽度(因为y表示车辆质心的横向位移),/>和分别表示/>时刻的上下安全边界(本发明假定系统可以通过车载传感器获取换道避撞步长内的安全边界位置信息)。式(5)和式(6)用于对车辆的初始位置和终止位置进行约束:约束(5)表明参考轨迹始于车辆当前位置,约束(6)则将换道避撞终止位置限制于末端上下安全边界的中间,以确保避撞终止时车辆尽量远离障碍。式(7)和式(8)用于对车辆的初始横向速度和终止横向速度进行约束:约束(7)表示参考轨迹的初始横向加速度等于车辆当前横向加速度,而约束(8)要求避撞结束时车辆的横向速度为零,以确保名义避撞轨迹与避撞结束后的车道保持轨迹为二阶连续。通过对避撞步长参数/>进行采样,便能生成多条候选名义避撞轨迹。当/>小于系统的预测控制时域时,可对轨迹尾端进行补齐处理。至此,完成/>时刻状态下的候选名义避撞轨迹/>的生成。
S23、对多条候选名义避撞轨迹中的每条候选名义避撞轨迹,基于预设安全约束以及虚拟避撞控制算法,生成最优控制序列。
可选地,预设安全约束,可以包括碰撞安全性约束和稳定性安全约束。
进一步地,本发明使用虚拟避撞控制算法预测在给定环境障碍位置信息与名义避撞轨迹时系统自主控制车辆避撞所采用的控制序列,此控制序列最后并不会用于实际避撞控制,而只会用于对名义避撞轨迹进行风险评估。
进一步地,控制车辆进行高速前向避撞时,为兼顾车辆的动力学稳定性和碰撞性安全性,本发明于此引入碰撞安全性约束(式9)和稳定性安全约束(式10):
时刻车辆的碰撞性安全约束(式9)为将可行驶区域的上边界记为/>,下边界记/>,/>为考虑车辆尺寸所设置的缓冲区宽度。本发明中为保证模型预测控制中线性车辆模型的有效性,进而防止因模型失配控制性能下降,将轮胎侧偏角约束进线性区作为稳定性安全约束,车辆轮胎特性曲线已知且对称,/>时刻车辆的稳定性安全约束(式10)中/>为轮胎侧偏角的线性工作区范围。
进一步地,对车辆的碰撞性和稳定性安全约束进行设计之后,对于一条给定的候选名义避撞轨迹,使用模型预测虚拟避撞控制算法(式11):
式中,上标(0)表示临界危险工况,用于与车道保持工况下的控制器参数进行区分。代价函数(式11)第一项为候选名义避撞轨迹的跟踪误差,其中表示以/>为避撞步长参数的候选名义避撞轨迹;第二项为输出调节项,用于抑制控制输出振荡;第三项和第四项分别惩罚车辆状态对碰撞性安全包络与稳定性安全包络的越界程度,其中/>和/>为表征越界程度的松弛变量,相应的权重系数为/>和/>。式(12)与式(13)为系统进行避撞时所用车辆模型,此处使用线性二自由度车辆模型。式(17)用于对避撞过程中的方向盘转角变化率进行约束,其中/>为方向盘的最大允许角速度。式(18)是碰撞性安全约束,这里通过添加松弛变量/>将无碰撞要求表示为软约束形式,防止优化问题无解。式(19)和式(20)分别是前后轮的稳定性安全约束,同样进行了松弛处理,其中为车辆横向速度的观测矩阵,/>是车辆横摆角速度的观测矩阵。针对该模型预测虚拟避撞控制算法的构造形式,作如下几点说明:
(1)在每一时刻,系统需通过车载传感器在线观测的量(或通过在线观测数据进行间接计算的量、以及可通过缓存加载的量)包括:车辆当前状态/>、系统上一时刻输入/>、系统在预测时域内的候选名义避撞路径/>、车辆在预测时域内可行区域上下边界/>和/>,其余参数则可以通过离线计算提前存储。
(2) 松弛变量和/>被视为优化变量将随系统输入序列/>共同进行优化。若/>和/>可以被优化至零,则说明车辆状态在预测时域内不会违背碰撞性与稳定性安全约束;否则,车辆状态对两种安全约束的跨越程度将通过权重系数/>和/>进行惩罚。
(3)约束方程中对系统控制输入变化率进行了约束,未对控制输入绝对值进行饱和约束。这是因为在控制变化率约束和代价函数中输出调节器的共同作用下,优化控制量一般很难达到执行器饱和极限。因此从计算效率角度出发,没有添加控制量饱和约束。
综上,虚拟避撞控制算法(式11)由于所有优化变量之间都呈线性约束关系,且其中的代价函数是优化变量的二次型函数,二次型函数问题可以用成熟的求解器进行快速求解,因此比较容易满足实际应用中的实时性要求。
S24、采用非线性轮胎模型描述自动驾驶车辆的轮胎侧偏特性,采用非线性车辆动力学方程描述自动驾驶车辆的动力学,根据非线性轮胎模型、非线性车辆动力学方程以及轮胎侧偏角估算公式,得到自动驾驶车辆的非线性车辆动力学模型,采用四阶龙格-库塔方法,对非线性车辆动力学模型进行离散化,并对最优控制序列进行车辆状态轨迹预测,得到与每条候选名义避撞轨迹相对应的车辆状态轨迹。
具体地,本发明提出使用非线性车辆模型对虚拟避撞控制算法所求出的最优控制序列进行车辆状态轨迹预测,以准确评估候选名义避撞轨迹的真实风险。本发明采用/>非线性轮胎模型(式22)描述轮胎的侧偏特性进行风险估计:
“#”可取“f ”或“r”分别表示前轮或后轮,C#为侧偏刚度,µ为路面附着系数,fz#为轮胎所受垂向载荷,αs为轮胎饱和侧偏角。
进一步地,本发明认为在前向避撞场景下方向盘转角与车辆横摆角也不再符合小角度假设,因此使用非线性方程组(式23)描述车辆动力学:
结合非线性轮胎模型(式22)与非线性车辆动力学方程(式23),并代入轮胎侧偏角估算公式,可得车辆的非线性动力学模型(式24):
本发明使用四阶龙格-库塔(Runge-Kutta)方法在给定控制序列的情况下对车辆的非线性动力学模型(式24)进行离散化并预测给定控制序列/>下的未来状态,表1给出了四阶龙格-库塔(Runge-Kutta)方法的算法流程:
表 1
至此,完成了使用非线性车辆动力学模型预测一条候选名义避撞轨迹的最优控制序列u(k) 相对应的车辆状态轨迹。
S25、采用风险评估算法对车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
一种可行的实施方式中,针对所预测的车辆状态轨迹,使用风险评估算法对候选名义避撞轨迹进行碰撞/稳定性综合风险评估,选出最优名义避撞轨迹。
具体地,车辆在前向避撞过程中的风险主要包含碰撞风险和动力学失稳风险。碰撞风险可以由车辆离障碍物的最近距离进行度量,而动力学失稳风险可以通过轮胎侧偏角超出线性工作区的程度进行判断。本发明提出风险评估函数对车辆的一条候选名义避撞轨迹进行综合风险评估(式25):
综合风险最小的候选名义避撞轨迹将被选为当前时刻的最优名义避撞轨迹(式27):
对于本发明中的风险评估值:一方面,其可以决定系统最晚进行避撞干预的时机。当系统在车辆高速行驶时监测到前方障碍,便开始通过名义避撞轨迹优化进行综合风险评估。若系统所评估风险尚处于较低值时驾驶人便开始进行换道避撞,则系统在识别其换道避撞意图的基础上选择最优名义避撞轨迹协助驾驶人顺利完成平稳避撞任务;若系统所评估风险已达到预先设定的临界值而驾驶人仍没有对前方障碍做出反应,则系统将主动介入干预完成前向避撞工作(仍选择当前最优名义避撞轨迹为避撞参考轨迹),以确保车辆的安全性。另一方面,系统的风险评估值也与人机协同避撞过程中的驾驶人控制权挂钩。若驾驶人在车辆风险较低时便提前开始换道避撞,则系统会在共享控制中赋予驾驶人更高的控制权以减少对其操作干预;如果车辆在风险较高时才进入换道避撞模式,此时由于情况较紧急驾驶人能否顺利完成避撞操作难以预料,因此系统将削弱驾驶人在协同避撞中的控制权以保证避撞过程的平稳顺利。
至此,完成对候选名义避撞轨迹进行碰撞/稳定性综合风险评估,并选出最优名义避撞轨迹,选出最优名义避撞轨迹也将有利于本发明中步骤S4的风险干预型共享控制策略的开展。
S3、获取驾驶员控制自动驾驶车辆的转向输入数据。
一种可行的实施方式中,可以是获取驾驶人的方向盘转角输入信息。
S4、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法。
可选地,上述步骤S4可以包括如下步骤S41-S43:
S41、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法。
S42、根据前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列。
S43、根据转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
一种可行的实施方式中,以虚拟避撞控制算法为基础进行控制方法构建,并将驾驶人的方向盘转角输入信息纳入前向避撞共享控制中,确保驾驶人的控制意图受到一定程度的尊重。在此方法的基础上进行人机共驾情况下的共享控制。
具体地,基于在预测控制构造中添加驾驶人模型可能使系统对车辆避撞能力产生“乐观”估计,从而危及行车安全的考虑,同时也考虑到若以线性加权作为避撞共享控制律,则人机权重分配会随风险评估频繁变化,可能导致车辆失稳而引起无法预料的后果,本发明将驾驶人的控制权隐式定义在代价构造函数(式11)中,在此基础上,风险干预型前向避撞共享控制方法构造如下(式28):
式(28)中的符号定义与虚拟避撞控制算法(式11)中的符号定义一致,且其约束条件也相同,同为式(12)至式(21)。该避撞共享控制方法基本与虚拟避撞控制算法(式11)一样,但存在两点不同:首先,系统的避撞参考轨迹不再是参数化的候选名义避撞轨迹,而是根据风险优化最终选出的最优名义避撞轨迹/>;此外,代价函数中添加了一项系统控制输入序列与驾驶人当前输入/>的误差,并通过权重系数/>进行惩罚。该代价函数可使系统的优化控制序列一定程度地符合当前观测到的驾驶人转角输入/>,即对驾驶人行为进行了非常保守的零阶预测:假设驾驶人的方向盘转角在预测时域内,保持不变且不致车辆突破安全约束,则系统的优化控制序列将等于驾驶人当前输入。权重系数/>实际上隐式表征了驾驶人的控制权:若/>,则系统进行滚动优化求解时将不会考虑驾驶人当前输入,相当于系统进行完全自主避撞控制;当时,系统的滚动优化结果将无限趋近于驾驶人的当前方向盘转角,相当于车辆完全由驾驶人进行人工避撞操作。在实际应用中隐式控制权/>可与避撞开始时的风险评估值挂钩:若当前总体风险较小可以赋予驾驶人足够的控制权使其自行规避前方障碍,减少对驾驶人的操作干预与侵入性;若开始避撞时系统的综合风险已经比较大,则系统应尽量剥夺驾驶人的控制权来确保避撞过程的平稳与安全。
本发明至此,完成自动驾驶车辆在前向避撞场景下的基于名义避撞轨迹优化的综合风险评估和基于人机共驾模式的风险干预型前向避撞共享控制。
本发明基于模型预测控制框架,通过进行车辆风险综合评估及提前干预实现人机共驾模式的车辆风险全时可控和安全平稳避撞。本发明包括基于名义避撞轨迹优化的综合风险评估方法和风险干预型前向避撞共享控制方法。基于名义避撞轨迹优化的综合风险评估方法是基于线性车辆模型求解最优预测控制序列,使用非线性模型对最优预测控制序列作用下的车辆状态进行预测和风险评估,该方法可以兼顾线性模型预测控制的计算效率与基于非线性模型的风险评估的准确性。风险干预型前向避撞共享控制方法将实时考虑驾驶人的实时输入,将驾驶人的方向盘转角输入信息纳入前向避撞共享控制中,确保驾驶人的控制意图受到一定程度的尊重,并在总体风险较小时赋予驾驶人足够的控制权使其自行规避前方障碍,减少对驾驶人的操作干预与侵入性,在综合风险较大时,尽量剥夺驾驶人的控制权以确保避撞过程的平稳与安全。
本发明实施例中,提供了一种自动驾驶车辆在高速前向避撞场景下的干预型共享控制方法,提出了高速前向避撞场景下的综合风险评估方法及避撞干预策略,针对人机共驾高速前向避撞场景,打破了之前研究所遵循的最小干预原则,指出引入名义避撞参考轨迹可进一步降低车辆在避撞过程中的碰撞风险。提出了控制求解与风险预测的车辆模型解耦方法,兼顾了线性模型的求解效率与非线性模型的预测准确性。将名义避撞轨迹优化与综合风险评估在模型预测控制框架下进行了统一,实现了前向避撞场景中的风险提前预估,解决了临界避撞干预时机的判定问题。基于上述结果,构建了可将驾驶人控制权进行隐式表征的避撞干预控制策略,实现了人机共驾在高速前向避撞场景下“碰撞-失稳”双重安全保障。
如图4所示,本发明实施例提供了一种自动驾驶车辆前向避撞场景下干预型共享控制装置400,该装置400应用于实现自动驾驶车辆前向避撞场景下干预型共享控制方法,该装置400包括:
车辆状态获取模块410,用于获取自动驾驶车辆的车辆状态数据。
输入模块420,用于将车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹。
转向输入获取模块430,用于获取驾驶员控制自动驾驶车辆的转向输入数据。
输出模块440,用于根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法。
可选地,输入模块420,进一步用于:
S21、获取前向避撞场景下的历史经验数据,基于历史经验数据建立自动驾驶车辆前向避撞场景。
S22、根据自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹。
S23、对多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列。
S24、采用非线性车辆动力学模型对最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹。
S25、采用风险评估算法对车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
可选地,输入模块420,进一步用于:
S221、将自动驾驶车辆前向避撞场景中的避撞完成时间作为参数。
S222、对参数进行采样,得到采样结果。
S223、根据采样结果以及数值优化法,生成多条候选名义避撞轨迹。
可选地,输入模块420,进一步用于:
对多条候选名义避撞轨迹中的每条候选名义避撞轨迹,基于预设安全约束以及虚拟避撞控制算法,生成最优控制序列。
可选地,预设安全约束,包括碰撞安全性约束和稳定性安全约束。
可选地,输入模块420,进一步用于:
S241、构建非线性轮胎模型,非线性轮胎模型用于描述自动驾驶车辆的轮胎侧偏特性。
S242、构建非线性车辆动力学方程,非线性车辆动力学方程用于描述自动驾驶车辆的动力学。
S243、根据非线性轮胎模型、非线性车辆动力学方程以及轮胎侧偏角估算公式,得到自动驾驶车辆的非线性车辆动力学模型。
S244、采用四阶龙格-库塔方法,对非线性车辆动力学模型进行离散化,并对最优控制序列进行车辆状态轨迹预测,得到与每条候选名义避撞轨迹相对应的车辆状态轨迹。
可选地,输出模块440,进一步用于:
S41、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法。
S42、根据前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列。
S43、根据转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
本发明实施例中,提供了一种自动驾驶车辆在高速前向避撞场景下的干预型共享控制方法,提出了高速前向避撞场景下的综合风险评估方法及避撞干预策略,针对人机共驾高速前向避撞场景,打破了之前研究所遵循的最小干预原则,指出引入名义避撞参考轨迹可进一步降低车辆在避撞过程中的碰撞风险。提出了控制求解与风险预测的车辆模型解耦方法,兼顾了线性模型的求解效率与非线性模型的预测准确性。将名义避撞轨迹优化与综合风险评估在模型预测控制框架下进行了统一,实现了前向避撞场景中的风险提前预估,解决了临界避撞干预时机的判定问题。基于上述结果,构建了可将驾驶人控制权进行隐式表征的避撞干预控制策略,实现了人机共驾在高速前向避撞场景下“碰撞-失稳”双重安全保障。
图5是本发明实施例提供的一种电子设备500的结构示意图,该电子设备500可因配置或性能不同而产生比较大的差异,可以包括一个或一个以上处理器(centralprocessing units,CPU)501和一个或一个以上的存储器502,其中,存储器502中存储有至少一条指令,至少一条指令由处理器501加载并执行以实现下述自动驾驶车辆前向避撞场景下干预型共享控制方法:
S1、获取自动驾驶车辆的车辆状态数据。
S2、将车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹。
S3、获取驾驶员控制自动驾驶车辆的转向输入数据。
S4、根据最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法。
在示例性实施例中,还提供了一种计算机可读存储介质,例如包括指令的存储器,上述指令可由终端中的处理器执行以完成上述自动驾驶车辆前向避撞场景下干预型共享控制方法。例如,计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成,也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,上述提到的存储介质可以是只读存储器,磁盘或光盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种自动驾驶车辆前向避撞场景下干预型共享控制方法,其特征在于,所述方法包括:
S1、获取自动驾驶车辆的车辆状态数据;
S2、将所述车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹;
S3、获取驾驶员控制所述自动驾驶车辆的转向输入数据;
S4、根据所述最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法;
所述S2中的基于虚拟避撞控制算法的前向避撞控制模型的构建过程,包括:
S21、获取前向避撞场景下的历史经验数据,基于所述历史经验数据建立自动驾驶车辆前向避撞场景;
S22、根据所述自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹;
S23、对所述多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列;
S24、采用非线性车辆动力学模型对所述最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹;
S25、采用风险评估算法对所述车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
2.根据权利要求1所述的方法,其特征在于,所述S22中的根据所述自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹,包括:
S221、将所述自动驾驶车辆前向避撞场景中的避撞完成时间作为参数;
S222、对所述参数进行采样,得到采样结果;
S223、根据所述采样结果以及数值优化法,生成多条候选名义避撞轨迹。
3.根据权利要求1所述的方法,其特征在于,所述S23中的对所述多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列,包括:
对所述多条候选名义避撞轨迹中的每条候选名义避撞轨迹,基于预设安全约束以及虚拟避撞控制算法,生成最优控制序列。
4.根据权利要求3所述的方法,其特征在于,所述预设安全约束,包括碰撞安全性约束和稳定性安全约束。
5.根据权利要求1所述的方法,其特征在于,所述S24中的采用非线性车辆动力学模型对所述最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹,包括:
S241、构建非线性轮胎模型,所述非线性轮胎模型用于描述自动驾驶车辆的轮胎侧偏特性;
S242、构建非线性车辆动力学方程,所述非线性车辆动力学方程用于描述自动驾驶车辆的动力学;
S243、根据所述非线性轮胎模型、非线性车辆动力学方程以及轮胎侧偏角估算公式,得到自动驾驶车辆的非线性车辆动力学模型;
S244、采用四阶龙格-库塔方法,对所述非线性车辆动力学模型进行离散化,并对所述最优控制序列进行车辆状态轨迹预测,得到与每条候选名义避撞轨迹相对应的车辆状态轨迹。
6.根据权利要求1所述的方法,其特征在于,所述S4中的根据所述最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法,包括:
S41、根据所述最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法;
S42、根据所述前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列;
S43、根据所述转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
7.一种自动驾驶车辆前向避撞场景下干预型共享控制装置,其特征在于,所述装置包括:
车辆状态获取模块,用于获取自动驾驶车辆的车辆状态数据;
输入模块,用于将所述车辆状态数据输入到构建好的基于虚拟避撞控制算法的前向避撞控制模型,得到自动驾驶车辆的最优名义避撞轨迹;
转向输入获取模块,用于获取驾驶员控制所述自动驾驶车辆的转向输入数据;
输出模块,用于根据所述最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,得到自动驾驶车辆前向避撞场景下的共享控制方法;
输入模块,进一步用于:
S21、获取前向避撞场景下的历史经验数据,基于所述历史经验数据建立自动驾驶车辆前向避撞场景;
S22、根据所述自动驾驶车辆前向避撞场景,采样生成多条候选名义避撞轨迹;
S23、对所述多条候选名义避撞轨迹中的每条候选名义避撞轨迹生成最优控制序列;
S24、采用非线性车辆动力学模型对所述最优控制序列进行车辆状态轨迹预测,得到车辆状态轨迹;
S25、采用风险评估算法对所述车辆状态轨迹进行风险评估,得到自动驾驶车辆的最优名义避撞轨迹。
8.根据权利要求7所述的装置,其特征在于,输出模块,进一步用于:
S41、根据所述最优名义避撞轨迹、转向输入数据以及虚拟避撞控制算法,构造前向避撞共享控制算法;
S42、根据所述前向避撞共享控制算法,得到最优名义避撞轨迹的最优共享控制序列;
S43、根据所述转向输入数据、最优共享控制序列以及预设安全约束,得到自动驾驶车辆前向避撞场景下的共享控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029817.0A CN115923845B (zh) | 2023-01-09 | 2023-01-09 | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310029817.0A CN115923845B (zh) | 2023-01-09 | 2023-01-09 | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115923845A CN115923845A (zh) | 2023-04-07 |
CN115923845B true CN115923845B (zh) | 2023-05-23 |
Family
ID=85836850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310029817.0A Active CN115923845B (zh) | 2023-01-09 | 2023-01-09 | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115923845B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116495014B (zh) * | 2023-06-28 | 2023-09-01 | 北京理工大学 | 一种自进化非博弈自动驾驶车辆人机共驾方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2990290B1 (en) * | 2014-09-01 | 2019-11-06 | Honda Research Institute Europe GmbH | Method and system for post-collision manoeuvre planning and vehicle equipped with such system |
US10324469B2 (en) * | 2017-03-28 | 2019-06-18 | Mitsubishi Electric Research Laboratories, Inc. | System and method for controlling motion of vehicle in shared environment |
WO2021053474A1 (en) * | 2019-09-17 | 2021-03-25 | Kpit Technologies Limited | System and method for dynamic evasive maneuver trajectory planning of a host vehicle |
CN111717282B (zh) * | 2020-07-07 | 2021-12-03 | 中国人民解放军国防科技大学 | 一种基于模型预测控制的人机共享驾驶辅助转向方法 |
CN112109704B (zh) * | 2020-09-22 | 2022-04-01 | 同济大学 | 一种基于精准轨迹预测的车辆避撞动态安全路径规划方法 |
CN114429008A (zh) * | 2022-02-07 | 2022-05-03 | 重庆大学 | 一种基于模型预测控制的拟人化自动驾驶策略 |
CN114912693A (zh) * | 2022-05-23 | 2022-08-16 | 重庆大学 | 一种基于多模态预测的自动驾驶汽车运动规划方法 |
CN115454086A (zh) * | 2022-09-27 | 2022-12-09 | 江苏大学 | 一种基于模型预测控制算法的车辆主动避撞控制方法 |
CN115534938A (zh) * | 2022-11-03 | 2022-12-30 | 江苏大学 | 一种基于附加横摆力矩的人机共驾汽车紧急避撞控制方法及系统 |
-
2023
- 2023-01-09 CN CN202310029817.0A patent/CN115923845B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN115923845A (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dang et al. | Coordinated adaptive cruise control system with lane-change assistance | |
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 | |
CN111775949B (zh) | 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法 | |
Wang et al. | A framework of vehicle trajectory replanning in lane exchanging with considerations of driver characteristics | |
US9180862B2 (en) | Vehicle dynamic control apparatus and vehicle dynamic control system using the same | |
Gray et al. | Semi-autonomous vehicle control for road departure and obstacle avoidance | |
EP3530535A1 (en) | Vehicle movement control device, vehicle movement control method, and vehicle movement control program | |
CN111260956B (zh) | 一种基于模型预测控制的车辆自动换道规划与控制方法 | |
CN103754221A (zh) | 一种车辆自适应巡航控制系统 | |
CN106828493A (zh) | 一种自动驾驶车辆分层式纵向规划控制系统及方法 | |
JP6315827B2 (ja) | 運転支援装置 | |
CN115923845B (zh) | 自动驾驶车辆前向避撞场景下干预型共享控制方法及装置 | |
CN110262229B (zh) | 基于mpc的车辆自适应路径追踪方法 | |
Ghazali et al. | Vehicle trajectory challenge in predictive active steering rollover prevention | |
Ackermann et al. | Collision avoidance with combined braking and steering | |
Wang et al. | Predictive safety control for road vehicles after a tire blowout | |
Zhang et al. | Real-time nonlinear predictive controller design for drive-by-wire vehicle lateral stability with dynamic boundary conditions | |
Tran et al. | Improved responsibility-sensitive safety algorithm through a partially observable Markov decision process framework for automated driving behavior at non-signalized intersection | |
Zhou et al. | Vehicle stabilisation in response to exogenous impulsive disturbances to the vehicle body | |
KR101930163B1 (ko) | 차로 유지 제어 장치 및 방법 | |
CN116714578A (zh) | 一种车辆换道避障方法、系统、装置及存储介质 | |
Nilsson et al. | Automated highway lane changes of long vehicle combinations: A specific comparison between driver model based control and non-linear model predictive control | |
CN112937551B (zh) | 一种考虑驾驶员输入特征的车辆控制方法及系统 | |
Ali et al. | Multi-objective collision avoidance | |
Boyraz et al. | Active accident avoidance case study: integrating drowsiness monitoring system with lateral control and speed regulation in passenger 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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |