CN116215569A - 一种基于行车风险评估的自动驾驶汽车规划方法及系统 - Google Patents

一种基于行车风险评估的自动驾驶汽车规划方法及系统 Download PDF

Info

Publication number
CN116215569A
CN116215569A CN202211533489.XA CN202211533489A CN116215569A CN 116215569 A CN116215569 A CN 116215569A CN 202211533489 A CN202211533489 A CN 202211533489A CN 116215569 A CN116215569 A CN 116215569A
Authority
CN
China
Prior art keywords
vehicle
lane
track
probability
surrounding vehicles
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
CN202211533489.XA
Other languages
English (en)
Other versions
CN116215569B (zh
Inventor
徐利伟
王磊
殷国栋
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202211533489.XA priority Critical patent/CN116215569B/zh
Publication of CN116215569A publication Critical patent/CN116215569A/zh
Application granted granted Critical
Publication of CN116215569B publication Critical patent/CN116215569B/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
    • 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
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic parameters
    • 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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/095—Predicting travel path or likelihood of collision
    • B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
    • 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
    • B60W30/14—Adaptive cruise control
    • B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
    • B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
    • 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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
    • 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

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

Abstract

本发明涉及一种基于行车风险评估的自动驾驶汽车规划方法及系统，包括：获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多车道模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；根据所获得的预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入车辆动力学模型，实现车辆避障和循迹行驶。本发明提高了循迹和避障的准确性和实时性。

Description

一种基于行车风险评估的自动驾驶汽车规划方法及系统
技术领域
本发明涉及车辆运动预测技术领域，尤其是一种基于行车风险评估的自动驾驶汽车规划方法及系统。
背景技术
自动驾驶汽车和先进的驾驶辅助系统因在高效、安全和清洁的交通系统中显示出显着的优势，越来越受到关注。轨迹规划是自动驾驶汽车系统的重要组成部分，直接影响自动驾驶交通安全。但目前保证自动驾驶汽车在复杂和不确定的交通场景中做出准确、高效、安全的决策和规划仍然是一个挑战。基于碰撞风险评估的有效运动规划方法，通过对候选路径进行风险评估，实时优化获取最优路径，可有效降低行车风险。
风险评估需要对周围车辆未来时域进行运动预测。目前针对车辆运动预测主要有基于学习的和基于物理模型的方法。基于学习模型主要依赖于机器学习方法，模型需要大量数据训练并且缺乏一定的解释性；而基于物理的运动模型由于长预测范围内的准确性较低且不适合复杂交通场景中的风险评估。
轨迹规划方面，针对目前大多数规划控制方法在运动规划层采用的运动学模型和跟踪控制层中车辆非线性动力学模型不一致，这可能导致车辆的控制效果偏差、甚至失稳的缺点。
综上所述，面对当前复杂和不确定性的交通场景，提出一种能够基于行车风险评估的自动驾驶汽车运动规划控制方法极为重要。
发明内容
针对现有技术的不足，本发明提供一种基于行车风险评估的自动驾驶汽车规划方法及系统，目的是在不确定性的风险场景下实现高效的智能驾驶。
本发明采用的技术方案如下：
本申请提供一种基于行车风险评估的自动驾驶汽车规划方法，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，根据所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
进一步技术方案为：
所述采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，预测得到周围车辆下一时刻横向位置，包括：
建立车道模型：
Figure BDA0003975337740000021
式中，Sk代表k时刻各车道的状态序列，i代表车道编号，n是总车道数，
Figure BDA0003975337740000022
分别为k时刻下i车道的状态值、协方差以及置信概率；
计算混合概率和混合转移概率；
Figure BDA0003975337740000023
Figure BDA0003975337740000024
式中，混合概率
Figure BDA0003975337740000025
表示从k-1时刻至k时刻周围车辆处于j车道的概率，混合转移概率/>
Figure BDA0003975337740000026
表示从k-1时刻至k时刻周围车辆在i车道与j车道之间相互转移的概率；πij为状态转移矩阵中对应于i车道与j车道之间转移的概率，所述状态转移矩阵是由各车道两两之间的转移概率构成的矩阵；
Figure BDA0003975337740000027
计算混合状态和混合协方差：
Figure BDA0003975337740000028
Figure BDA0003975337740000029
式中，混合状态
Figure BDA00039753377400000210
混合协方差/>
Figure BDA00039753377400000211
分别表示从k-1时刻至k时刻周围车辆处于j车道的更新后的状态值、以及周围车辆处于j车道的更新后的不确定度；
获得各车道的似然估计：
Figure BDA00039753377400000212
Figure BDA00039753377400000213
式中，
Figure BDA00039753377400000214
表示j车道的似然估计，输入是混合状态/>
Figure BDA00039753377400000215
与观测值zk的差值/>
Figure BDA00039753377400000216
R为观测噪声，qk为k时刻的总状态估计值；/>
根据所述似然估计对车道模型概率更新获得后验概率
Figure BDA00039753377400000217
计算各车道的总状态估计值qk和总协方差Pk：
Figure BDA00039753377400000218
Figure BDA0003975337740000031
总状态估计值qk和总协方差Pk分别代表各车道状态值及协方差的加权平均值，上式中，T代表矩阵转置式中。
采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布时，假设纵向为匀速运动。因此根据周围车辆当前位置及下一时刻横向位置，拟合生成预测时域内的预测轨迹，包括：
采用如下三次多项式进行拟合：
Figure BDA0003975337740000032
设置起始和终端航向角边界条件如下：
Figure BDA0003975337740000033
式中，(xk,yk)表示k时刻周围车辆的当前位置，
Figure BDA0003975337740000034
表示k时刻周围车辆偏航角，(xp,yp)表示p时刻预测的周围车辆位置，ai为系数。
所述自动驾驶车辆模型的非线性目标函数：
Figure BDA0003975337740000035
Figure BDA0003975337740000036
式中，第一项是指通过最小化参考路径跟踪误差来跟踪参考轨迹，ye(t+k,t)为本车预测时域的横向坐标，ydes(t+k,t)为全局路径，t代表当前时刻，k代表未来采样时刻。第二项表示最小化本车和周围车辆之间的碰撞风险，N表示周围车辆总数，Np总数表示预测步长，
Figure BDA0003975337740000037
为风险碰撞评估函数,/>
Figure BDA0003975337740000038
分别为本车和周围车辆之间的纵向距离、横向距离，γ为衰减因子，α1、α2分别权重因子，ζ为系数，第三项是指最小化控制输入量消耗u。
所述运动控制目标函数及其约束条件为：
Figure BDA0003975337740000039
其中，yref,local(t+i)为局部参考轨迹序列，Δu(t+i)表示控制增量，Q、R、P为权重矩阵，ε为权重因子，AΔUt+Ut，Umax，Umin分别为控制量及其上、下限，ΔUt，ΔUmax，ΔUmin分别为控制量增加量及其上、下限，yhc、yhc,max、yhc,min分别是输出量横向位置及其上、下限。
本申请还提供一种基于行车风险评估的自动驾驶汽车规划系统，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，根据所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
本发明的有益效果如下：
通过对复杂行驶场景提出一种碰撞风险评估算法，建立本车安全高效的运行规划策略，从而有效考虑到场景的不确定性对本车运动控制及安全的影响。
将运动规划层和跟踪控制层分层处理的汽车规划框架，可分别进行任务处理和目标优化，提高算法的解算实时性和拓展性能。
本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。
附图说明
图1为本发明实施例的方法流程图。
图2为本发明实施例采用的交互式多模型算法的原理图。
具体实施方式
以下结合附图说明本发明的具体实施方式。
参见图1，本申请提供一种基于行车风险评估的自动驾驶汽车规划方法，包括：
一种基于行车风险评估的自动驾驶汽车规划方法，其特征在于，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，根据所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
本申请的规划方法将周围车辆的横向位置预测转化为对各车道模型的概率识别，采用交互式多模型算法分析周围车辆未来预测时域的各车道概率分布，进而预测横向位置，继而获得周围车辆的预测轨迹；基于周围车辆的预测轨迹，将全局路径偏差、碰撞风险、控制量变化作为轨迹重规划层中的控制目标，采用非线性二次规划生成安全可靠的局部轨迹；采用以模型预测控制为框架的运动控制目标函数来进行跟踪控制。本申请的规划方法基于周围车辆的预测轨迹进行轨迹规划和跟踪控制，提高了循迹和避障的准确性和实时性。
本申请中“周围车辆”是指周围的某一车辆，“本车”是指待规划路径的自动驾驶车辆。
参见图2，所述采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，预测得到周围车辆下一时刻横向位置，包括模型初始化、过滤、模型概率更新和估计融合，具体步骤为：
建立车道模型：
Figure BDA0003975337740000051
式中，Sk代表k时刻各车道的状态序列，i代表车道编号，n是总车道数，
Figure BDA0003975337740000052
分别为k时刻下i车道的状态值、协方差以及置信概率，其中，状态值代表车道的横向坐标，协方差代表车道的不确定度；
计算混合概率和混合转移概率；
Figure BDA0003975337740000053
Figure BDA0003975337740000054
式中，混合概率
Figure BDA0003975337740000055
表示从k-1时刻至k时刻周围车辆处于j车道的概率，混合转移概率/>
Figure BDA0003975337740000056
表示从k-1时刻至k时刻周围车辆在i车道与j车道之间相互转移的概率；πij为状态转移矩阵中对应于i车道与j车道之间转移的概率，所述状态转移矩阵是由所有车道两两之间的转移概率构成的矩阵；
Figure BDA0003975337740000057
计算混合状态和混合协方差：
Figure BDA0003975337740000058
Figure BDA0003975337740000059
式中，混合状态
Figure BDA00039753377400000510
混合协方差/>
Figure BDA00039753377400000511
分别表示从k-1时刻至k时刻周围车辆处于j车道的更新后的状态值、以及周围车辆处于j车道的更新后的不确定度；
获得各车道的似然估计：
Figure BDA00039753377400000512
Figure BDA0003975337740000061
式中，
Figure BDA0003975337740000062
表示j车道的似然估计，输入是混合状态/>
Figure BDA0003975337740000063
与观测值zk的差值/>
Figure BDA0003975337740000064
R为观测噪声，qk为k时刻的总状态估计值。由于混合状态/>
Figure BDA0003975337740000065
和观测值zk均服从高斯分布，因此差值/>
Figure BDA0003975337740000066
的协方差为混合状态值协方差/>
Figure BDA0003975337740000067
与观测值协方差R之和，但这里本申请注重对车道模型概率的估计，假设从传感器获得的观测值zk不存在噪声方差R，固本实施例假设R为0。
根据所述似然估计对车道模型概率更新获得后验概率
Figure BDA0003975337740000068
Figure BDA0003975337740000069
计算各车道的总状态估计值qk和总协方差Pk：
Figure BDA00039753377400000610
Figure BDA00039753377400000611
总状态估计值qk和总协方差Pk分别代表各车道状态值及协方差的加权平均值，式中，T代表矩阵转置。
其中，采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，预测得到周围车辆下一时刻横向位置时，假使纵向为匀速运动。
所述根据周围车辆当前位置及下一时刻横向位置，拟合生成预测时域内的预测轨迹，包括：
采用如下三次多项式进行拟合：
Figure BDA00039753377400000612
/>
设置起始和终端航向角边界条件如下：
Figure BDA00039753377400000613
式中，(xk,yk)表示k时刻周围车辆的当前位置，
Figure BDA00039753377400000614
表示k时刻周围车辆偏航角，(xp,yp)表示p时刻预测的周围车辆位置，ai为系数。
所述自动驾驶车辆模型的非线性目标函数：
Figure BDA00039753377400000615
Figure BDA00039753377400000616
式中，第一项是指通过最小化参考路径跟踪误差来跟踪参考轨迹，ye(t+k,t)为本车预测时域的横向坐标，ydes(t+k,t)为全局路径,t代表当前时刻，k代表未来采样时刻。第二项表示最小化本车和周围车辆之间的碰撞风险，N表示周围车辆总数，Np总数表示预测步长，
Figure BDA0003975337740000071
为风险碰撞评估函数,/>
Figure BDA0003975337740000072
分别为本车和周围车辆之间的纵向距离、横向距离，γ为衰减因子，α1、α2分别权重因子，ζ为系数，防止分母为零造成计算问题，第三项是指最小化控制输入量消耗u。
所述运动控制目标函数及其约束条件为：
Figure BDA0003975337740000073
其中，yref,local(t+i)为局部参考轨迹序列，Δu(t+i)表示控制增量，Q、R、P为权重矩阵，ε为权重因子，AΔUt+Ut，Umax，Umin分别为控制量及其上、下限，ΔUt，ΔUmax，ΔUmin分别为控制量增加量及其上、下限，yhc、yhc,max、yhc,min分别是输出量横向位置及其上、下限
本申请还提供一种基于行车风险评估的自动驾驶汽车规划系统，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，根据所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
本领域普通技术人员可以理解：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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 (7)

1.一种基于行车风险评估的自动驾驶汽车规划方法，其特征在于，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹，采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，基于所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
2.根据权利要求1所述的基于行车风险评估的自动驾驶汽车规划方法，其特征在于，所述采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，预测得到周围车辆下一时刻横向位置，包括：
建立车道模型：
Figure FDA0003975337730000011
式中，Sk代表k时刻各车道的状态序列，i代表车道编号，n是总车道数，
Figure FDA0003975337730000012
分别为k时刻下i车道的状态值、协方差以及置信概率；
计算混合概率和混合转移概率：
Figure FDA0003975337730000013
Figure FDA0003975337730000014
式中，混合概率
Figure FDA0003975337730000015
表示从k-1时刻至k时刻周围车辆处于j车道的概率，混合转移概率/>
Figure FDA0003975337730000016
表示从k-1时刻至k时刻周围车辆在i车道与j车道之间相互转移的概率；πij为状态转移矩阵中对应于i车道与j车道之间转移的概率，所述状态转移矩阵是由各车道两两之间的转移概率构成的矩阵；
Figure FDA0003975337730000017
计算混合状态和混合协方差：
Figure FDA0003975337730000018
Figure FDA0003975337730000019
/>
式中，混合状态
Figure FDA0003975337730000021
混合协方差/>
Figure FDA0003975337730000022
分别表示从k-1时刻至k时刻周围车辆处于j车道的更新后的状态值、以及周围车辆处于j车道的更新后的不确定度；
获得各车道的似然估计：
Figure FDA0003975337730000023
Figure FDA0003975337730000024
式中，
Figure FDA0003975337730000025
表示j车道的似然估计，输入是混合状态/>
Figure FDA0003975337730000026
与观测值zk的差值/>
Figure FDA0003975337730000027
R为观测噪声，qk为k时刻的总状态估计值；
根据所述似然估计对车道模型概率更新获得后验概率
Figure FDA0003975337730000028
计算各车道的总状态估计值qk和总协方差Pk：
Figure FDA0003975337730000029
Figure FDA00039753377300000210
总状态估计值qk和总协方差Pk分别代表各车道状态值及协方差的加权平均值，上式中，T代表矩阵转置式中。
3.根据权利要求2所述的基于行车风险评估的自动驾驶汽车规划方法，其特征在于，采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布时，假设纵向为匀速运动。
4.根据权利要求1所述的基于行车风险评估的自动驾驶汽车规划方法，其特征在于，根据周围车辆当前位置及下一时刻横向位置，拟合生成预测时域内的预测轨迹，包括：
采用如下三次多项式进行拟合：
Figure FDA00039753377300000211
设置起始和终端航向角边界条件如下：
Figure FDA00039753377300000212
式中，(xk,yk)表示k时刻周围车辆的当前位置，
Figure FDA00039753377300000213
表示k时刻周围车辆偏航角，(xp,yp)表示p时刻预测的周围车辆位置，ai为系数。
5.根据权利要求1所述的基于行车风险评估的自动驾驶汽车规划方法，其特征在于，所述自动驾驶车辆模型的非线性目标函数：
Figure FDA00039753377300000214
Figure FDA0003975337730000031
式中，第一项是指通过最小化参考路径跟踪误差来跟踪参考轨迹，ye(t+k,t)为本车预测时域的横向坐标，ydes(t+k,t)为全局路径,t代表当前时刻，k代表未来采样时刻。第二项表示最小化本车和周围车辆之间的碰撞风险，N表示周围车辆总数，Np总数表示预测步长，
Figure FDA0003975337730000032
为风险碰撞评估函数,/>
Figure FDA0003975337730000033
分别为本车和周围车辆之间的纵向距离、横向距离，γ为衰减因子，α1、α2分别权重因子，ζ为系数，第三项是指最小化控制输入量消耗u。
6.根据权利要求1所述的基于行车风险评估的自动驾驶汽车规划方法，其特征在于，所述运动控制目标函数及其约束条件为：
Figure FDA0003975337730000034
s.t.ΔUmin≤ΔUt≤ΔUmax
Umin≤AΔUt+Ut≤Umax
yhc,min≤yhc≤yhc,max
其中，yref,local(t+i)为局部参考轨迹序列，Δu(t+i)表示控制增量，Q、R、P为权重矩阵，ε为权重因子，AΔUt+Ut，Umax，Umin分别为控制量及其上、下限，ΔUt，ΔUmax，ΔUmin分别为控制量增加量及其上、下限，yhc、yhc,max、yhc,min分别是输出量横向位置及其上、下限。
7.一种基于行车风险评估的自动驾驶汽车规划系统，其特征在于，包括：
感知预测层，获取周围车辆在世界坐标系下的历史运动轨迹,采用交互式多模型算法分析周围车辆预测时域内在各车道的概率分布，融合计算出车辆的目标位置；根据周围车辆当前位置及下一时刻目标位置，拟合生成预测时域内的预测轨迹；
轨迹重规划层，根据所述预测轨迹，将预测时域内的全局路径跟踪偏差、碰撞风险、本车车辆控制转角的变化作为代价目标建立自动驾驶车辆模型的非线性优化函数，求解获得局部最优轨迹；
跟踪控制层，采用运动控制目标函数来进行局部最佳轨迹跟踪控制，将计算的当前时刻最优车辆转角输入所述车辆动力学模型，实现车辆避障和循迹行驶。
CN202211533489.XA 2022-12-01 2022-12-01 一种基于行车风险评估的自动驾驶汽车规划方法及系统 Active CN116215569B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211533489.XA CN116215569B (zh) 2022-12-01 2022-12-01 一种基于行车风险评估的自动驾驶汽车规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211533489.XA CN116215569B (zh) 2022-12-01 2022-12-01 一种基于行车风险评估的自动驾驶汽车规划方法及系统

Publications (2)

Publication Number Publication Date
CN116215569A true CN116215569A (zh) 2023-06-06
CN116215569B CN116215569B (zh) 2024-01-19

Family

ID=86571950

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211533489.XA Active CN116215569B (zh) 2022-12-01 2022-12-01 一种基于行车风险评估的自动驾驶汽车规划方法及系统

Country Status (1)

Country Link
CN (1) CN116215569B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630765A (zh) * 2023-07-24 2023-08-22 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统
CN117492447A (zh) * 2023-12-28 2024-02-02 苏州元脑智能科技有限公司 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质
CN118013856A (zh) * 2024-03-13 2024-05-10 江苏大学 基于hm-trw和hagenn结构搜索的应急救援自动驾驶车辆碰撞风险预测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180074505A1 (en) * 2016-09-14 2018-03-15 Qualcomm Incorporated Motion planning and intention prediction for autonomous driving in highway scenarios via graphical model-based factorization
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
CN114670867A (zh) * 2022-01-13 2022-06-28 上海交通大学 基于分层学习和潜在风险模型的多车轨迹预测系统
CN114872727A (zh) * 2022-04-11 2022-08-09 中国路桥工程有限责任公司 一种应用于自动驾驶车辆的周围车辆轨迹预测方法
CN115195772A (zh) * 2021-04-08 2022-10-18 现代自动车株式会社 用于预测周围车辆的轨迹的装置和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180074505A1 (en) * 2016-09-14 2018-03-15 Qualcomm Incorporated Motion planning and intention prediction for autonomous driving in highway scenarios via graphical model-based factorization
US20210056713A1 (en) * 2018-01-08 2021-02-25 The Regents On The University Of California Surround vehicle tracking and motion prediction
US20200172093A1 (en) * 2018-11-29 2020-06-04 291, Daehak-ro Lane-based probabilistic motion prediction of surrounding vehicles and predictive longitudinal control method and apparatus
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
CN115195772A (zh) * 2021-04-08 2022-10-18 现代自动车株式会社 用于预测周围车辆的轨迹的装置和方法
CN114670867A (zh) * 2022-01-13 2022-06-28 上海交通大学 基于分层学习和潜在风险模型的多车轨迹预测系统
CN114872727A (zh) * 2022-04-11 2022-08-09 中国路桥工程有限责任公司 一种应用于自动驾驶车辆的周围车辆轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
JAEHWAN KIM: "Collision Risk Assessment Algorithm via Lane-Based Probabilistic Motion Prediction of Surrounding Vehicles", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》, vol. 19, no. 9, pages 2965, XP011690017, DOI: 10.1109/TITS.2017.2768318 *
LIJUN ZHANG: "Surrounding Vehicles Motion Prediction for Risk Assessment and Motion Planning of Autonomous Vehicle in Highway Scenarios", 《IEEE ACCESS》, vol. 8, pages 209356, XP011823214, DOI: 10.1109/ACCESS.2020.3039789 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116630765A (zh) * 2023-07-24 2023-08-22 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统
CN116630765B (zh) * 2023-07-24 2023-09-26 济南卓伦智能交通技术有限公司 一种基于多元信息的单车融合感知系统
CN117492447A (zh) * 2023-12-28 2024-02-02 苏州元脑智能科技有限公司 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质
CN117492447B (zh) * 2023-12-28 2024-03-26 苏州元脑智能科技有限公司 自动驾驶车辆行驶轨迹规划方法、装置、设备及存储介质
CN118013856A (zh) * 2024-03-13 2024-05-10 江苏大学 基于hm-trw和hagenn结构搜索的应急救援自动驾驶车辆碰撞风险预测方法及系统

Also Published As

Publication number Publication date
CN116215569B (zh) 2024-01-19

Similar Documents

Publication Publication Date Title
CN116215569B (zh) 一种基于行车风险评估的自动驾驶汽车规划方法及系统
CN112347567B (zh) 一种车辆意图和轨迹预测的方法
Petrich et al. Map-based long term motion prediction for vehicles in traffic environments
Cesari et al. Scenario model predictive control for lane change assistance and autonomous driving on highways
CN110610271B (zh) 一种基于长短记忆网络的多重车辆轨迹预测方法
Min et al. RNN-based path prediction of obstacle vehicles with deep ensemble
CN114005280B (zh) 一种基于不确定性估计的车辆轨迹预测方法
McKinnon et al. Learn fast, forget slow: Safe predictive learning control for systems with unknown and changing dynamics performing repetitive tasks
US11300663B2 (en) Method for predicting a motion of an object
CN112015842B (zh) 自行车轨迹预测的自动驾驶车辆风险评估方法及系统
CN112965476A (zh) 一种基于多窗口抽样的高速无人车轨迹规划系统及方法
Ben-Messaoud et al. Smooth obstacle avoidance path planning for autonomous vehicles
Gadepally et al. Driver/vehicle state estimation and detection
Berrio et al. Identifying robust landmarks in feature-based maps
CN116337045A (zh) 一种基于karto和teb的高速建图导航方法
Jeong Predictive lane change decision making using bidirectional long shot-term memory for autonomous driving on highways
Bonzanini et al. Perception-aware chance-constrained model predictive control for uncertain environments
CN114442630A (zh) 一种基于强化学习和模型预测的智能车规划控制方法
Guo et al. Adaptive vehicle longitudinal trajectory prediction for automated highway driving
WO2023242223A1 (en) Motion prediction for mobile agents
CN113158415B (zh) 一种基于误差分析的车辆轨迹相似度评估方法
US20240202393A1 (en) Motion planning
CN115373383A (zh) 一种垃圾回收无人艇的自主避障方法、装置及相关设备
Yoon et al. Trajectory Prediction Using Graph-Based Deep Learning for Longitudinal Control of Autonomous Vehicles: A Proactive Approach for Autonomous Driving in Urban Dynamic Traffic Environments
Emamifar et al. Modeling and state estimation of autonomous vehicles in signalized intersections

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