CN116494993A - 考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法 - Google Patents

Abstract

本发明涉及一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，由离线计算可达集和在线轨迹规划两部分组成，离线计算可达集部分通过高精度的车辆模型和轮胎模型遍历所有车辆安全状态以预测下一时刻车辆可以达到的位置集合；在线轨迹规划部分通过离线计算的下一时刻车辆可以达到的位置集合，对人工势场法的下降探索提供非线性动力约束，实现考虑高精度车辆动力特性和实时规划两个目的。与现有技术相比，本发明具有考虑了高精度车辆动力特性、在线计算量小等优点。

Description

考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法

技术领域

本发明涉及智能驾驶轨迹规划领域，尤其是涉及一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法。

背景技术

随着智能驾驶车辆的发展和普及，它必然会面临极端工况的挑挑战，比如冰雪环境下的避障。而实时规划出符合汽车动力学和轮胎动力学的可执行轨迹是智能汽车实现极限工况下安全行驶的保证。

对于实时规划方面，典型的方法有人工势场法和几何走廊法。他们都是构建场景中障碍函数，通过以障碍函数最小的方向规划轨迹。由于障碍函数固定且每一步规划方向确定，因此计算量较小。另外一方面是通过随机搜索的方式来降低探索次数，典型的有随机路标图法和随机路标图法。因为有随机探索的过程，相比全局探索的计算量得到了明显降低。尽管上述的方法有良好的实时性，并被广泛使用。但是由于并没有细致化的考虑车辆稳定边界，在冰雪环境等车辆动力学特性非线性明显的工况中，规划的轨迹会因为无法跟随而出现交通事故。

对于考虑动力学的规划方面，基于模型预测控制的轨迹规划方法被广泛使用。因为它有着为环境、车辆控制和车辆状态提供约束的便利手段。由于在冰雪环境等工况中车辆动力学特性非线性明显，现有的非线性优化问题的快速求解并没有解决。然而基于模型预测控制的轨迹规划方法本质是求解一个优化问题，这使得在车辆动力学特性非线性明显的工况中实时规划可行轨迹是困难的。另一方面，在高度动态变化的行驶环境，由于障碍物数量的变化和庞大，进一步加大了目标函数求导的难度。这使得该方法规划的轨迹有高可实施性的特点，但是实时性难以保证。

发明内容

本发明的目的就是为了提供一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，实现极限工况下的实时轨迹规划，提高智能驾驶的安全性，扩大应用范围。

本发明的目的可以通过以下技术方案来实现：

一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，包括以下步骤：

S1：考虑高精度车辆动力特性，基于车辆状态、轮胎侧向力离线计算车辆可达集；

S2：构建人工势场，并基于车辆可达集，实现考虑车辆非线性特性的在线轨迹规划。

所述S1包括以下步骤：

S11：获取车辆初始状态，基于车辆二自由模型和非线性轮胎模型离线估计当前车辆的轮胎侧向力；

S12：依据估计的当前车辆的轮胎侧向力确定输入量，并基于离散化的三自由度车辆模型离线预测下一时刻车辆状态；

S13：基于车辆初始状态和预测的下一时刻车辆状态计算下一时刻车辆的位置；

S14：遍历可行的输入量范围，重复S12和S13，得到一个初始状态下的单个车辆可达集；

S15：遍历安全的车辆状态作为车辆初始状态，重复S11-S14，得到车辆可达集，并保存在离线数据库中。

所述S2包括以下步骤：

S21：在线获取车辆初始状态，并查询车辆可达集，作为当前步规划的轨迹终点的范围；

S22：基于行驶环境，构建场景的人工势场分布；

S23：选取S21查询得到的车辆可达集中，基于人工势场法得到的障碍系数最小的点作为当前步规划的下一时刻的轨迹终点；

S24：依据规划的下一时刻的轨迹终点查询车辆可达集中对应的下一时刻车辆状态，并作为下一个预测步长规划轨迹的车辆初始状态；

S25：重复S21-S24，直至所需未来轨迹有效时间等于预测步长的累计和，完成在线轨迹规划。

所述基于车辆二自由模型和非线性轮胎模型离线估计当前车辆的轮胎侧向力的计算方法为：

式中：a和b分别为车辆前后轴距距离；m为整车质量；v_x和v_y分别为当前车辆的横、纵向车速；为车辆的横摆角速度；g为重力加速度；μ为地面附着系数；δ_f为当前状态下的前轮转角；α₁和α₂分别表示当前车辆的前、后轮侧偏角；F_yf和F_yr分别为当前车辆的前、后轮侧向力。

所述三自由度车辆模型用于表达车辆动力学特性，整体的状态方程如下：

式中：F_yf为前轮侧向力；F_yr为后轮侧向力；F_xf为前轮纵向力；F_xr为后轮纵向力；v_x和v_y分别为当前车辆的横、纵向车速；为横摆角速度；/>为横摆角加速度；m为整车质量；δ_f为前轮转角；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离；I_z为车辆的转动惯量。

所述离散化的三自由度车辆模型采用三阶三段龙格-库塔公式对三自由度车辆模型进行离散化得到，用于预测下一时刻车辆状态；

其中，定义离散化的模型的输入量为输入矩阵u＝[F_yfF_yrF_xfF_xrδ_f]，状态矩阵则递推预测过程计算公式如下：

式中：T为预测步长；f为三自由度车辆模型的微分方程替代符号；k₁、k₂和k₃为计算过程的中间变量；为预测的下一时刻车辆状态矩阵。

所述基于车辆初始状态和预测的下一时刻车辆状态计算下一时刻车辆的位置的计算方法为：

式中：ΔX、ΔY代表车辆下一时刻相对于当前位置可以到达的范围。

所述车辆可达集包括离散的车辆初始状态数据、车辆轮胎侧向力数据、车辆下一时刻状态数据、车辆下一时刻位置数据。

所述车辆可达集根据车辆轮胎力饱和情况分为三种区间：下一时刻的轮胎力小于饱和值的50％的部分定义为正常行驶区间；下一时刻轮胎力大于饱和值的50％且小于75％的部分定义为紧急行驶区间；下一时刻轮胎力大于饱和值的75％的部分定义为危险行驶区间。

所述下一时刻轮胎力和饱和值的计算公式为：

式中：为预测的下一时刻轮胎力；F_xf为前轮纵向力；/>为预测的下一时刻前轮侧向力；F_max为轮胎力饱和值；μ为地面附着系数；m为整车质量；g为重力加速度；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离。

与现有技术相比，本发明具有以下有益效果：

本发明通过高精度的车辆模型和轮胎模型遍历所有车辆安全状态以预测下一时刻车辆可以达到的位置集合，离线构建车辆可达集，可以尽可能的保留车辆非线性特征，从而考虑了高精度车辆动力特性；其后通过在线轨迹预测进行实时的车辆轨迹规划，减小了在线计算量，提高了计算效率，满足轨迹规划实时性要求，从而能够在极限工况下保证智能驾驶车辆的安全性。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例中预测的下一时刻车辆可达集示意图。

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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

在冰雪环境等工况中车辆动力学特性非线性明显，因此，通过考虑高精度车辆动力特性规划出可执行轨迹是智能汽车实现极限工况下安全行驶的保证。为此，本实施例提供一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，由离线计算可达集和在线轨迹规划两部分组成，如图1所示，包括以下步骤：

S1：考虑高精度车辆动力特性，基于车辆状态、轮胎侧向力离线计算车辆可达集。

步骤S1考虑车辆非线性动力学约束的实现方式，并且将在线求解转换为离线求解、在线查询的方式以降低在线规划过程中的计算量，具体包括以下步骤：

S11：获取车辆初始状态，基于车辆二自由模型和非线性轮胎模型离线估计当前车辆的轮胎侧向力。

本实施例中，具体的计算方法为：

式中：a和b分别为车辆前后轴距距离；m为整车质量；v_x和v_y分别为当前车辆的横、纵向车速；为车辆的横摆角速度；g为重力加速度；μ为地面附着系数；δ_f为当前状态下的前轮转角；α₁和α₂分别表示当前车辆的前、后轮侧偏角；F_yf和F_yr分别为当前车辆的前、后轮侧向力。

本步骤可以根据精度需求选择更复杂或者更简单的模型来表达车辆动力学的非线性，不仅仅局限于本实施例所提出的方法。

S12：依据估计的当前车辆的轮胎侧向力确定输入量，并基于离散化的三自由度车辆模型离线预测下一时刻车辆状态。

本实施例采用三自由度车辆模型用于表达车辆动力学特性，整体的状态方程如下：

式中：F_yf为前轮侧向力；F_yr为后轮侧向力；F_xf为前轮纵向力；F_xr为后轮纵向力；v_x和v_y分别为当前车辆的横、纵向车速；为横摆角速度；/>为横摆角加速度；m为整车质量；δ_f为前轮转角；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离；I_z为车辆的转动惯量。

本实施例采用三阶三段龙格-库塔公式对三自由度车辆模型进行离散化，用于预测下一时刻车辆状态：

其中，定义离散化的模型的输入量为输入矩阵u＝[F_yfF_yrF_xfF_xrδ_f]，状态矩阵则递推预测过程计算公式如下：

式中：T为预测步长；f为三自由度车辆模型的微分方程替代符号；k₁、k₂和k₃为计算过程的中间变量；为预测的下一时刻车辆状态矩阵。

S13：基于车辆初始状态和预测的下一时刻车辆状态计算下一时刻车辆的位置：

式中：ΔX、ΔY代表车辆下一时刻相对于当前位置可以到达的范围。

S14：遍历可行的输入量范围，重复S12和S13，得到一个初始状态下的单个车辆可达集。

S15：遍历安全的车辆状态作为车辆初始状态，重复S11-S14，得到车辆可达集，并保存在离线数据库中。

车辆可达集中，包括离散的车辆初始状态数据、车辆轮胎侧向力数据、车辆下一时刻状态数据、车辆下一时刻位置数据，因此，车辆可达集的计算包括三个部分：

1)车辆初始轮胎力估计，依据车辆初始状态，即估计当前状态下的前、后轮侧向力F_yf和F_yr。需要注意的是，为了覆盖车辆安全行驶的区间，这里需要遍历合理的初始状态。其中v_x取最大值为120，遍历步长为5；v_y取最大值为1，遍历步长为0.1；/>取最大值为3，遍历步长为0.1。

2)依据车辆状态预测，通过给定的输入状态，即u＝[F_yfF_yrF_xfF_xrδ_f]，估计下一时刻的车辆状态值得注意的是可达集是一个集合，需要遍历合理的输入状态。其中F_yf和F_yr时由1)计算获得；F_xf和F_xr取决于车辆加速性能，这里最大值和最小值分别取1000和-1000，遍历的步长为10；δ_f取决与车辆转向机构的设计，这里取最大值和最小值分别取20和-20，遍历的步长为1。

3)车辆可达集预测：通过2)获得的车辆状态计算车辆下一时刻的车位置可以到达的范围。

以输入状态x＝[0 0 0]为例，获得的车辆可达集示意图如图2所示，其中，根据车辆轮胎力饱和情况可以分为三种区间：下一时刻的轮胎力小于饱和值的50％的部分定义为正常行驶区间(对应图2中最中心的深灰色区域)；下一时刻轮胎力大于饱和值的50％且小于75％的部分定义为紧急行驶区间(对应图2中中间的浅灰色区域)；下一时刻轮胎力大于饱和值的75％的部分定义为危险行驶区间(对应图2中最外圈的黑色区域)。

其中，下一时刻轮胎力和饱和值的计算公式为：

式中：为预测的下一时刻轮胎力；F_xf为前轮纵向力；/>为预测的下一时刻前轮侧向力；F_max为轮胎力饱和值；μ为地面附着系数；m为整车质量；g为重力加速度；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离。

车辆可达集的精确程度与计算平台能力有关，可以依据实际情况提高或者降低模型精度。

S2：构建人工势场，并基于车辆可达集，实现考虑车辆非线性特性的在线轨迹规划。

步骤S2是实时运行的，基于人工势场法和S1计算并保存的车辆可达集来实现考虑车辆非线性特性的同时快速规划轨迹，具体包括以下步骤：

S21：在线获取车辆初始状态，并查询车辆可达集，作为当前步规划的轨迹终点的范围。

S21保证了规划的下一步轨迹是符合车辆非线性特性的，从而确保了轨迹的可实施性。

S22：基于行驶环境，构建场景的人工势场分布。

S23：选取S21查询得到的车辆可达集中，基于人工势场法得到的障碍系数最小的点作为当前步规划的下一时刻的轨迹终点。

S24：依据规划的下一时刻的轨迹终点查询车辆可达集中对应的下一时刻车辆状态，并作为下一个预测步长规划轨迹的车辆初始状态；

S25：重复S21-S24，直至所需未来轨迹有效时间等于预测步长的累计和，完成在线轨迹规划。本实施例中，未来轨迹有效时间取3秒，预测步长取0.1秒。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依据本发明的构思在现有技术的基础上通过逻辑分析、推理、或者有限的实验可以得到的技术方案，皆应在权利要求书所确定的保护范围内。

Claims (10)

1.一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，包括以下步骤：

S1：考虑高精度车辆动力特性，基于车辆状态、轮胎侧向力离线计算车辆可达集；

S2：构建人工势场，并基于车辆可达集，实现考虑车辆非线性特性的在线轨迹规划。

2.根据权利要求1所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述S1包括以下步骤：

S11：获取车辆初始状态，基于车辆二自由模型和非线性轮胎模型离线估计当前车辆的轮胎侧向力；

S12：依据估计的当前车辆的轮胎侧向力确定输入量，并基于离散化的三自由度车辆模型离线预测下一时刻车辆状态；

S13：基于车辆初始状态和预测的下一时刻车辆状态计算下一时刻车辆的位置；

S14：遍历可行的输入量范围，重复S12和S13，得到一个初始状态下的单个车辆可达集；

S15：遍历安全的车辆状态作为车辆初始状态，重复S11-S14，得到车辆可达集，并保存在离线数据库中。

3.根据权利要求2所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述S2包括以下步骤：

S21：在线获取车辆初始状态，并查询车辆可达集，作为当前步规划的轨迹终点的范围；

S22：基于行驶环境，构建场景的人工势场分布；

S23：选取S21查询得到的车辆可达集中，基于人工势场法得到的障碍系数最小的点作为当前步规划的下一时刻的轨迹终点；

S24：依据规划的下一时刻的轨迹终点查询车辆可达集中对应的下一时刻车辆状态，并作为下一个预测步长规划轨迹的车辆初始状态；

S25：重复S21-S24，直至所需未来轨迹有效时间等于预测步长的累计和，完成在线轨迹规划。

4.根据权利要求2所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述基于车辆二自由模型和非线性轮胎模型离线估计当前车辆的轮胎侧向力的计算方法为：

式中：a和b分别为车辆前后轴距距离；m为整车质量；v_x和v_y分别为当前车辆的横、纵向车速；为车辆的横摆角速度；g为重力加速度；μ为地面附着系数；δ_f为当前状态下的前轮转角；α₁和α₂分别表示当前车辆的前、后轮侧偏角；F_yf和F_yr分别为当前车辆的前、后轮侧向力。

5.根据权利要求2所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述三自由度车辆模型用于表达车辆动力学特性，整体的状态方程如下：

式中：F_yf为前轮侧向力；F_yr为后轮侧向力；F_xf为前轮纵向力；F_xr为后轮纵向力；v_x和v_y分别为当前车辆的横、纵向车速；为横摆角速度；/>为横摆角加速度；m为整车质量；δ_f为前轮转角；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离；I_z为车辆的转动惯量。

6.根据权利要求5所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述离散化的三自由度车辆模型采用三阶三段龙格-库塔公式对三自由度车辆模型进行离散化得到，用于预测下一时刻车辆状态；

其中，定义离散化的模型的输入量为输入矩阵u＝[F_yf F_yr F_xf F_xr δ_f]，状态矩阵则递推预测过程计算公式如下：

式中：T为预测步长；f为三自由度车辆模型的微分方程替代符号；k₁、k₂和k₃为计算过程的中间变量；为预测的下一时刻车辆状态矩阵。

7.根据权利要求6所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述基于车辆初始状态和预测的下一时刻车辆状态计算下一时刻车辆的位置的计算方法为：

式中：ΔX、ΔY代表车辆下一时刻相对于当前位置可以到达的范围。

8.根据权利要求2所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述车辆可达集包括离散的车辆初始状态数据、车辆轮胎侧向力数据、车辆下一时刻状态数据、车辆下一时刻位置数据。

9.根据权利要求1所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述车辆可达集根据车辆轮胎力饱和情况分为三种区间：下一时刻的轮胎力小于饱和值的50％的部分定义为正常行驶区间；下一时刻轮胎力大于饱和值的50％且小于75％的部分定义为紧急行驶区间；下一时刻轮胎力大于饱和值的75％的部分定义为危险行驶区间。

10.根据权利要求9所述的一种考虑高精度车辆动力特性的智能驾驶实时轨迹规划方法，其特征在于，所述下一时刻轮胎力和饱和值的计算公式为：

式中：为预测的下一时刻轮胎力；F_xf为前轮纵向力；/>为预测的下一时刻前轮侧向力；F_max为轮胎力饱和值；μ为地面附着系数；m为整车质量；g为重力加速度；L_f为车辆质心到前轴的距离；L_r为车辆质心到后轴的距离。