CN116540737A - 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 - Google Patents
一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 Download PDFInfo
- Publication number
- CN116540737A CN116540737A CN202310697792.1A CN202310697792A CN116540737A CN 116540737 A CN116540737 A CN 116540737A CN 202310697792 A CN202310697792 A CN 202310697792A CN 116540737 A CN116540737 A CN 116540737A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- planning
- driving
- obstacle avoidance
- path
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000003068 static effect Effects 0.000 title claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 38
- 238000002474 experimental method Methods 0.000 claims abstract description 4
- 230000008569 process Effects 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 16
- 230000001133 acceleration Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 15
- 238000013480 data collection Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000005312 nonlinear dynamic Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000005457 optimization Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0225—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving docking at a fixed facility, e.g. base station or loading bay
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种静态避障场景下考虑驾驶习惯的路径规划与控制方法，涉及安全驾驶技术领域，该方法包括以下步骤：通过驾驶实验平台采集不同驾驶员的仿真行车数据；通过搭建驾驶风格分类器并利用kmeans‑SVM算法进行驾驶员风格的分类，选取合适的速度作为不同风格驾驶员的驾驶期望速度，将不同类型驾驶员的期望速度作为车辆避障规划时的速度；车载传感器将障碍物的信息传给轨迹重规划控制器，结合环境信息以及不同风格的特征参数进行轨迹的重新规划；由轨迹跟踪控制器实现车辆对规划路径的跟踪。本发明基于模型预测方法建立车辆动力学模型，将路径规划问题转化为优化问题，考虑环境信息和动力学约束，直接优化出车辆状态信息，作为跟踪控制的参考。
Description
技术领域
本发明涉及安全驾驶技术领域，具体是一种静态避障场景下考虑驾驶习惯的路径规划与控制方法。
背景技术
随着智能驾驶技术的发展，在车辆中的应用越来越广泛，最基本的应用就是主动安全辅助系统在避障场景中的应用。避障过程最重要的是进行路径规划，路径规划需要考虑自车状态，周车行驶状态，交通信号状态等环境信息决策出安全行车区域，不同的驾驶员在紧急避障场景下决策行为一致性较高，但对于普通避障场景会受个人驾驶特性的影响表现出较大差异，例如有经验的驾驶员和驾驶经验不足的驾驶员对于障碍物距离速度的判定和躲避决策行为上通常差异较大。因此研究适应驾驶员驾驶风格的路径规划是非常必要的。
现有的避障思路大多采用直接规划出行车路径再对路径进行跟踪的方式进行障碍物的避障，常用的算法包括A*算法、D*算法、蚁群算法、人工势场法、RRT算法等，其中A*、D*和蚁群算法主要应用于全局路径规划，在局部路径规划方面，RRT和人工势场法应用的更广泛一些。当前避障规划存在的问题主要是识别速度不够快和准确性不够高的问题，各自对应于RRT算法和人工势场法。当输入的数据维数增加，RRT收敛速度将会大大下降。同样，人工势场法也存在会陷入局部最优而无法继续下去的问题。这些方法难在规划阶段考虑车辆动力学的问题，可能会对跟踪的效果产生影响。模型预测控制(Model PredictiveControl,MPC)是现代工业过程控制产生的一类以预测模型、滚动优化和反馈校正为控制策略的优化控制算法，其具有鲁棒性强、灵活性大、动态控制效果好等优点，能够克服外部环境、被控对象参数和结构的不确定性，适用于被控对象比较复杂、对建立的数学模型精确度要求不高的控制过程。近年来，模型预测控制以其在控制过程中处理多种约束的能力，逐渐被应用到无人驾驶车辆的轨迹规划与跟踪控制中。例如将MPC算法用于无人驾驶车辆主动转向中，对车辆模型进行在线的线性化处理，并加入各种约束条件，用非线性MPC控制器计算前轮转角。实车试验表明，该算法在高速和冰雪路面都具有良好的稳定性；或将拉盖尔函数引入模型预测控制器中，可以优化MPC控制器中大量的控制参数，在满足跟踪精度的同时还能大幅度降低计算难度，来提高计算效率。此外目前的避障大部分专注于如何避障，而忽略了考虑当前驾驶员的驾驶个性。
传统的路径规划方法主要以安全性为设计点，很少考虑驾驶员的驾驶特点，因而对于有人驾驶车辆来讲因为控制器与人决策之间的差异性增加了人车共享控制的难度。对于无人驾驶来说，无视不同驾驶风格差异也在一定程度上忽视了乘坐人员的舒适度感受。此外，智能车辆在实际环境中完成自动驾驶时，由于车辆外部环境是未知且变化的，故给定预定轨迹下的轨迹跟踪可能无法保证车辆准确地完成任何轨迹跟踪问题，当给定轨迹上存在障碍物时，车辆无法按照预定轨迹完成轨迹跟踪，车辆需要识别障碍物信息对障碍物进行判断，避开障碍物后继续完成轨迹跟踪过程。目前大多采用直接规划出行车路径再对路径进行跟踪的方式进行障碍物的避障，例如A*算法、动态窗口法、人工势场法等，这些方法很难在规划阶段考虑车辆动力学的问题，可能会对跟踪的效果产生影响。
发明内容
本发明的目的在于提供一种静态避障场景下考虑驾驶习惯的路径规划与控制方法，以解决背景技术中问题。
为实现上述目的，本发明提供如下技术方案：
一种静态避障场景下考虑驾驶习惯的路径规划与控制方法，包括以下步骤：步骤S1数据收集及处理：通过驾驶实验平台采集不同驾驶员的仿真行车数据；步骤S2：通过搭建驾驶风格分类器并利用kmeans-SVM算法进行驾驶员风格的分类，选取合适的速度作为不同风格驾驶员的驾驶期望速度，将不同类型驾驶员的期望速度作为车辆避障规划时的速度；步骤S3：将不同风格驾驶员的前轮转角范围作为车辆规划过程中的约束参考；步骤S4：车载传感器将障碍物的信息传给轨迹重规划控制器，轨迹重规划控制器结合环境信息以及不同风格的特征参数进行轨迹的重新规划；由轨迹跟踪控制器实现车辆对规划路径的跟踪。
在上述技术方案的基础上，本发明还提供以下可选技术方案：
在一种可选方案中：在所述步骤S1数据收集及处理中，数据收集的具体步骤如下：采集多位不同性别、不同年龄和不同驾龄的驾驶员行车数据并进行预处理与特征提取，建立表征驾驶风格的特征数据集；选择横纵加速度、横纵速度、横摆角速度为依据对驾驶员行车风格进行分类。
在一种可选方案中：在所述步骤S1数据收集及处理中，数据预处理的具体步骤如下：对选取的驾驶数据进行异常数据的剔除和缺失数据的补充，再用高斯滤波进行平滑化处理。
在一种可选方案中：所述搭建驾驶风格分类器的具体步骤如下：利用k-means算法提供的无监督分类结果作为训练支持向量机SVM算法的训练数据；把打上标签的数据作为训练数据传给SVM算法训练，训练好的kmeans-SVM模型即用作驾驶风格识别器。
在一种可选方案中：支持向量机SVM模型在计算时通过给予一定量的训练数据，并使用核变量的方式，把空间中不能分组的数据集投射到某个高维空间，并找到某个符合类型条件的最优超平面，使空间结构内数据点和超平面之间的间距最优化，最终完成数据集的分类。
在一种可选方案中：所述轨迹重规划控制器和轨迹跟踪控制器组成加入重规划层的轨迹跟踪控制系统，该系统从轨迹重规划的角度出发，在轨迹跟踪层之上建立轨迹重规划层，该规划层能够根据车载传感器获得的障碍物信息和参考路径信息重新规划可绕开障碍物的局部期望路线，再将局部期望轨迹信息输入跟踪控制层，在实现避让障碍物的同时，实现对全局参考路径的跟踪。
在一种可选方案中：在轨迹重规划控制器轨迹重规划过程中，将不同风格驾驶员的前轮转角范围作为车辆规划过程中的约束参考，设计不同的避障功能函数；避障功能函数为其中，S为权重系数，vdes为提取驾驶行车特征参数选取出的不同驾驶风格下的不同期望速度，vdes通过影响避障功能函数，(xi,yi)为障碍物点的坐标，(x0,y0)为车辆的质心坐标，β是防止函数分母为零的正数。
在一种可选方案中：所述重规划层的模型预测控制器具体形式如下：
Upmin≤Up≤Upmax
其中，ηp是输出值，为重规划路径的横向位置Yp和横摆角ηpref是期望输出值，为期望路径，Up是控制量，Jobs为避障功能函数，ε、z分别是输出权重矩阵和控制量权重矩阵。
在一种可选方案中：所述轨迹跟踪控制器采用模型预测控制算法进行设计，模型预测采用由非线性模型进行线性化得到的线性时变模型；其中，车辆非线性动力学模型如下：
式中，m为车辆质量，为车身横摆角，/>为车辆横摆角速度，Iz为车辆绕z轴的转动惯量，X、Y为车辆在惯性坐标系下X、Y轴方向的位置，/>为惯性坐标系下车辆在X、Y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的加速度，Ccf、Ccr分别为车辆前、后轮胎的侧偏刚度，Clf、Clr分别为车辆前、后轮胎的纵向刚度，sf、sr分别为车辆前后轮的滑移率。
在一种可选方案中：非线性模型进行线性化的具体步骤是：构建车辆横向控制的状态空间方程：
ηc＝C*M
状态变量输出量/>控制量uc＝δf，C为系数矩阵，其中δf为车辆前轮转角，/>Yc分别为车辆行驶轨迹的横摆角与横向位置；
将非线性动力学模型线性化，得到：
运用前向欧拉法对其进行离散化处理，离散化的系统如下：
M(k+1)＝AkM(k)+Bkuc(k)+d(k)
ηc(k)＝C*M(k)。
相较于现有技术，本发明的有益效果如下：
本发明将采集的驾驶员行车数据通过kmeans-SVM算法进行驾驶风格分类，并选取不同类型驾驶员的纵向最大速度的平均值作为该对应风格驾驶员的期望速度以及不同风格驾驶员的前轮转角范围作为规划过程中的约束量，再通过结合基于模型预测控制算法的轨迹重规划模块和轨迹轨迹跟踪模块，设计不同风格的避障功能函数，在进行躲避障碍物时规划出满足不同驾驶风格的避障参考路径，避开障碍物后继续跟踪期望路径，通过路径跟踪验证避障过程受驾驶风格影响的车辆行为差异。
本发明划出满足不同驾驶风格的避障路径，对于加强智能汽车在避障过程中对人类驾驶员行为的理解具有应用意义，不仅是保证安全和充分的性能的必要条件，而且是调整司机的需求，提高司机的接受度，并最终在安全的环境中满足司机的偏好的必要条件。
附图说明
图1为本发明中驾驶风格的避障规划设计流程图。
图2为本发明中驾驶员数据采集流程示意图。
图3为本发明中高斯滤波流程示意图。
图4为本发明中驾驶风格分类流程图。
图5为本发明中避障模块方案图。
图6为本发明中k-means算法聚类结果示意图。
图7为本发明中SVM算法聚类结果示意图。
图8为本发明中避障轨迹跟踪验证示意图
图9为本发明中不同风格避障路径对比示意图
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。本发明所列举的各实施例仅用以说明本发明，并非用以限制本发明的范围。对本发明所作的任何显而易知的修饰或变更都不脱离本发明的精神与范围。
如图1所示，本发明提供了一种静态避障场景下考虑驾驶习惯的路径规划与控制方法，该方法步骤如下：
首先通过驾驶实验平台采集不同驾驶员的仿真行车数据，通过搭建驾驶风格分类器将驾驶员分成三种类型，将不同类型驾驶员的期望速度作为车辆避障规划时的速度，将不同风格驾驶员的前轮转角范围作为车辆规划过程中的约束参考，在后续轨迹重规划过程中设计出不同的避障惩罚函数。车载传感器将环境信息，即障碍物的信息传给轨迹重规划控制器，控制器结合环境信息以及不同风格的特征参数进行轨迹的重新规划，再由轨迹跟踪控制器实现车辆对规划路径的跟踪。
该方法的具体步骤如下：
1.驾驶风格分类
1.1驾驶数据采集与数据处理
首先基于SCANeRTM studio软件设计了实验道路模型，实验道路为基础的驾驶环境，为了让模拟驾驶道路更贴近于现实生活的驾驶道路，在驾驶环境中加入了树木、建筑物等静态的事物和行人、汽车、电动车和自行车等动态的事物，综合考虑交通参与者、道路条件等因素。通过采集28位不同性别、不同年龄、不同驾龄的驾驶员行车数据，进行预处理与特征提取，建立表征驾驶风格的特征数据集，为驾驶风格的定量和分类提供数据支持。遵循能揭示驾驶风格的属性特征原则和能在较大程度上区分不同风格类型的特性原则，最终决定选择横纵加速度、横纵速度、横摆角速度这五个维度对驾驶员行车风格进行分类。数据采集方案如图2所示：
数据处理就是对选取的驾驶数据进行异常数据的剔除，缺失数据的补充，再用高斯滤波进行平滑化处理。本发明将数据集中将均值与相差三倍标准差的元素定义为离群值并进行剔除。最后，用高斯滤波对经过处理后的信息得到了平稳的处理，数据完成预处理得到了可以直接用于驾驶风格识别器的输入数据，数据处理流程如图3所示。
1.2搭建驾驶风格识别器
本发明采用半监督支持向量机算法，利用k-means算法提供的无监督分类结果作为训练支持向量机SVM(support vectormachines)算法的训练数据，然后把打上标签的数据作为训练数据传给SVM算法训练，训练好的kmeans-SVM模型即用作驾驶风格识别器，流程如图4所示。
如图6和图7所示，k-means算法采用时间来作为相似性指数，在给定数据集上的k个类型，各个类型的核心都是通过类型中每个信息的平均得出的，因此各个类型的核心可以用聚类中心来表示。支持向量机SVM模型，在计算时通过给予一定量的训练数据，并使用核变量的方式，把空间中不能分组的数据集投射到某个高维空间，并找到某个符合类型条件的最优超平面，使空间结构内数据点和超平面之间的间距最优化，最终完成数据集的分类。Kmeans-SVM算法聚类后，将4、19、20、21、27号驾驶员归为激进型驾驶员，把1、2、3、5、7、8、9、12、13、17、18、22、24、26号驾驶员归为普通型驾驶员，把6、10、11、14、15、16、23、25号驾驶员归为稳健型驾驶员。
2.加入重规划层的轨迹跟踪控制系统
车辆在实际环境中进行自主驾驶时，给定期望轨迹下的跟踪控制并不能保证车辆准确地处理任何轨迹跟踪问题，当所给定的期望轨迹存在静态障碍物时，车辆必须根据障碍物信息进行重新规划，绕开障碍物后再继续跟踪期望轨迹。从轨迹重规划的角度出发，在轨迹跟踪层之上建立轨迹重规划层即局部规划层，该规划层能够根据传感器获得的障碍物信息和参考路径信息重新规划可绕开障碍物的局部期望路线，再将局部期望轨迹信息输入跟踪控制层，在实现避让障碍物的同时，实现对全局参考路径的跟踪，控制系统如图5所示，首先在多学科领域复杂系统建模仿真平台CarSim下搭建研究汽车整车模型，然后与simulink进行联合仿真，来验证研究方法的可行性。
2.1轨迹重规划控制器设计
采用模型预测控制算法设计轨迹重规划控制器的目的是使规划结果满足车辆的动力学约束来提高跟踪的稳定性，但规划算法本身计算量比较大，为了减少计算量不宜选用太过精确的模型，因此在轨迹重规划控制器中选择忽略车身尺寸的点质量模型。此部分最重要的是设计合理的评价函数，在满足各种约束的条件下，结合不同驾驶风格的期望速度与参数约束，实现避障功能且尽量减小车辆与全局参考路径的偏差，最后以合理的方式输出给跟踪控制层。
车辆的点质量模型如下
其中x、y为车辆坐标系下车辆在x、y轴方向的位置，为车辆坐标系下车辆在x轴的速度，/>为车辆坐标系下车辆在x、y轴方向的加速度，X、Y是车辆在惯性坐标系下X、Y轴方向的位置，/>为惯性坐标系下车辆在X、Y轴方向的速度，/>为车辆横摆角，/>为车辆横摆角速度，ay为车辆侧向加速度。
构建状态空间方程为：
系统的状态变量为μ(k)代表控制量，此处为侧向加速度ay；输出量/>其中/>Yp分别为重规划路径的横摆角与横向位置。
对其进行离散化处理，离散化的系统如下所示，对于每一个采样时刻有
I(k+1)＝I(k)+T*f(I(k),μ(k))
在车辆行驶过程中，主要通过车载传感器来传递障碍物的信息。因而避障函数要针对每一个障碍物进行设计，惩罚函数主要是根据障碍物点与目标点的差值来调节函数值的大小，距离越远，函数值越小。结合车辆期望速度与惩罚函数，选择如下形式的避障功能函数：
其中，S为权重系数，权重系数的增大会使规划结果趋于保守。激进型驾驶员驾驶车速较快，通常提前感知到障碍物进行躲避；稳健型驾驶员驾驶车速较慢，会较慢感知到障碍物进行躲避；普通型驾驶员则介于两者之间。因此对于不同风格的驾驶员，可以加入不同的权重系数来体现驾驶风格的差异对规划曲线的影响。vdes为提取驾驶行车特征参数选取出的不同驾驶风格下的不同期望速度，vdes通过影响避障功能函数，来体现不同风格的驾驶员在面对避障的场景下做出的不同反应。式中(xi,yi)为障碍物点的坐标，(x0,y0)为车辆的质心坐标，β是防止函数分母为零的正数。
重规划层的模型预测控制器具体形式如下：
Upmin≤Up≤Upmax
目标函数中，ηp是输出值，为重规划路径的横向位置Yp和横摆角ηpref是期望输出值，为期望路径，第一项的目的是要在避开障碍物的同时，尽量减小车辆行驶轨迹与期望路径之间的偏差；Up是控制量，为车辆的侧向加速度，第二项的目的是使车辆尽量平稳行驶，以保证行驶的安全性；第三项Jobs为避障功能函数，目的是躲避障碍物；式中ε、z分别是输出权重矩阵和控制量权重矩阵。
不同风格的驾驶员对车辆转向的处理方式和转向力度不同，因此驾驶风格还可以在前轮转角体现出来。激进型驾驶员通常倾向于更快速更大幅度的转动方向盘，以迅速改变车辆的方向，在转弯时可能倾向于使用大的转向角度；温和型的驾驶员通常会更加谨慎地处理转向操作，他们可能更加平缓地转动方向盘，以确保车辆稳定和安全，在转弯时可能会使用较小的转向角度以求平稳驾驶；普通型则介于两者之间。因此在轨迹重新规划的过程中，为了规划出能够体现不同风格的避障曲线，需要对不同风格驾驶员提取出的特征参数中的前轮转角一项，通过转换关系，转换成为对于控制量，即车辆侧向加速度的约束范围。
根据前轮转角与侧向加速度的转换关系，将前轮转角的约束范围转化为对控制量侧向加速度的约束范围，设R为转弯半径、L为车辆轴距、δ为前轮转角，有如下关系：
重新规划的新轨迹是以预测时域内的离散点给出的，包含轨迹信息的离散点的数量伴随着预测时域增加而增加。直接将这些点输入到控制层中，会占用很多数据输入接口，从而造成控制器设计复杂化。因此需要对局部轨迹信息进行处理，以实现规划层和控制层的对接。对离散点的处理大多使用曲线拟合的方式，所采用曲线的不同，有条样曲线拟合、多项式拟合以及幂指数拟合等。
本发明车辆设计了车辆动力学上的约束，车辆位置曲线要求是连续的，横摆角曲线要求是一阶连续的，加速度曲线要求是二阶连续的，综合考虑选用五次多项式方法对离散点进行拟合，形式如下：
Yp＝a0t5+a1t4+a2t3+a3t2+a4t+a5
由于规划层的实时性要求比控制层低，点质量模型相对于非线性动力学模型也进行了较大程度的简化，具备更高求解精度的非线性模型预测控制算法完全能够满足轨迹重规划的要求，而非线性目标函数的采用也能给后续惩罚函数的设计带来便利。因此不再对式(2.5)进行线性化，而是直接基于非线性模型求解。将拟合后的重规划路径的横向位置Yp和横摆角输出，作为轨迹跟踪控制器的输入，以实现对新轨迹的跟踪。
2.2轨迹跟踪控制器设计
轨迹跟踪控制器采用模型预测控制算法进行设计，选择经典三自由度车辆动力学模型，由于车辆在避撞的过程中对控制器的实时性要求比较严格，非线性模型预测控制难以满足，所以将非线性模型进行线性化，得到线性时变模型。
车辆非线性动力学模型如下
式中，m为车辆质量，为车身横摆角，/>为车辆横摆角速度，Iz为车辆绕z轴的转动惯量，X、Y为车辆在惯性坐标系下X、Y轴方向的位置，/>为惯性坐标系下车辆在X、Y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的加速度，Ccf、Ccr分别为车辆前、后轮胎的侧偏刚度，Clf、Clr分别为车辆前、后轮胎的纵向刚度，sf、sr分别为车辆前后轮的滑移率。
首先构建车辆横向控制的状态空间方程为：
ηc＝C*M
状态变量输出量/>控制量uc＝δf，C为系数矩阵。其中δf为车辆前轮转角，/>Yc分别为车辆行驶轨迹的横摆角与横向位置。
将非线性动力学模型线性化，得到：
运用前向欧拉法对其进行离散化处理，离散化的系统如下，对于每一个采样时刻有：
M(k+1)＝AkM(k)+Bkuc(k)+d(k)
ηc(k)＝C*M(k)
上式所示的系统的控制量是前轮转角，如果对以上系统进行控制，只能对前轮转角进行约束，不能对前轮转角增量进行约束，在实际控制中希望前轮转角的变化量尽量平缓以满足对舒适性指标的要求，因此构造以前轮转角变化量作为控制量的新状态空间：
定义Δuc(k)，即前轮转角增量为k时刻的控制量增量，NP为预测时域，Nc为控制时域，且Np＞Nc，迭代推导得：
式中
系统中既要考虑车辆的跟随性能，还需要考虑是否适宜乘坐，定义如下性能指标目标函数
整个表达式的功能是使系统快速且平稳地跟踪上期望轨迹，其中是预测输出值，即预测车辆行驶轨迹的横摆角与横向位置，ηcref是期望输出值，即重规划轨迹的横摆角与横向位置，目标函数的第一项反映了系统对参考轨迹的跟随能力；ΔUc是控制时域内的控制量增量，即车辆前轮转角的增量，第二项反映了对控制量平稳变化的要求；由于系统是实时系统，可能会出现有的时刻目标函数出现无解现象，因此第三项加入松弛因子ε以防止系统出现目标函数无解的现象，避免系统出现因无解而卡死崩溃。式中Q、R、ρ分别是输出权重、控制量权重和松弛因子权重。
在车辆高速行驶或转弯时，前轮转向角度的变化能直接影响车辆的曲线行驶半径，前轮转角约束可以限制车辆在转向和曲线行驶时的转向半径，因此对前轮转角进行限制可以有效地避免车辆超出曲线行驶范围，以满足安全性与舒适性要求，其中，ucmin和ucmax分别代表前轮转角最小值与最大值。
此外，在车辆轨迹跟踪过程中，需要将车辆较大的前轮转角变化分解为较小的增量，以保证车辆在轨迹上行驶的准确度和控制的平滑性，帮助车辆更好地遵循既定轨迹。同时，过度的前轮转角变化容易导致车辆在运动中出现震荡，对前轮转角增量进行约束可以有效地防止这种情况的发生，提高车辆控制的稳定性。控制增量约束如下：
其中，Δucmin和Δucmax分别代表前轮转角增量的最小值与最大值。
根据图8和图9，在轨迹重规划控制器中，已将不同风格下的前轮转角约束转化为对侧向加速度的约束，在轨迹跟踪控制器中，同样根据不同的驾驶风格，加入对应的前轮转角上下限约束，以保证车辆平稳安全行驶的前提下，车辆能够跟踪不同风格的重规划路线。
以上所述，仅为本公开的具体实施方式，但本公开的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本公开揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本公开的保护范围之内。因此，本公开的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，包括以下步骤：步骤S1数据收集及处理：通过驾驶实验平台采集不同驾驶员的仿真行车数据；步骤S2：通过搭建驾驶风格分类器并利用kmeans-SVM算法进行驾驶员风格的分类，选取合适的速度作为不同风格驾驶员的驾驶期望速度，将不同类型驾驶员的期望速度作为车辆避障规划时的速度；步骤S3：将不同风格驾驶员的前轮转角范围作为车辆规划过程中的约束参考；步骤S4：车载传感器将障碍物的信息传给轨迹重规划控制器，轨迹重规划控制器结合环境信息以及不同风格的特征参数进行轨迹的重新规划；由轨迹跟踪控制器实现车辆对规划路径的跟踪。
2.根据权利要求1所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，在所述步骤S1数据收集及处理中，数据收集的具体步骤如下：采集多位不同性别、不同年龄和不同驾龄的驾驶员行车数据并进行预处理与特征提取，建立表征驾驶风格的特征数据集；选择横纵加速度、横纵速度、横摆角速度为依据对驾驶员行车风格进行分类。
3.根据权利要求2所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，在所述步骤S1数据收集及处理中，数据预处理的具体步骤如下：对选取的驾驶数据进行异常数据的剔除和缺失数据的补充，再用高斯滤波进行平滑化处理。
4.根据权利要求1所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，所述搭建驾驶风格分类器的具体步骤如下：利用k-means算法提供的无监督分类结果作为训练支持向量机SVM算法的训练数据；把打上标签的数据作为训练数据传给SVM算法训练，训练好的kmeans-SVM模型即用作驾驶风格识别器。
5.根据权利要求4所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，支持向量机SVM模型在计算时通过给予一定量的训练数据，并使用核变量的方式，把空间中不能分组的数据集投射到某个高维空间，并找到某个符合类型条件的最优超平面，使空间结构内数据点和超平面之间的间距最优化，最终完成数据集的分类。
6.根据权利要求1所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，所述轨迹重规划控制器和轨迹跟踪控制器组成加入重规划层的轨迹跟踪控制系统，该系统从轨迹重规划的角度出发，在轨迹跟踪层之上建立轨迹重规划层，该规划层能够根据车载传感器获得的障碍物信息和参考路径信息重新规划可绕开障碍物的局部期望路线，再将局部期望轨迹信息输入跟踪控制层，在实现避让障碍物的同时，实现对全局参考路径的跟踪。
7.根据权利要求6所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，在轨迹重规划控制器轨迹重规划过程中，将不同风格驾驶员的前轮转角范围作为车辆规划过程中的约束参考，设计不同的避障功能函数；避障功能函数为其中，S为权重系数，vdes为提取驾驶行车特征参数选取出的不同驾驶风格下的不同期望速度，vdes通过影响避障功能函数，(xi,yi)为障碍物点的坐标，(x0,y0)为车辆的质心坐标，β是防止函数分母为零的正数。
8.根据权利要求7所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，所述重规划层的模型预测控制器具体形式如下：
Upmin≤Up≤Upmax
其中，ηp是输出值，为重规划路径的横向位置Yp和横摆角ηpref是期望输出值，为期望路径，Up是控制量，Jobs为避障功能函数，ε、z分别是输出权重矩阵和控制量权重矩阵。
9.根据权利要求6所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，所述轨迹跟踪控制器采用模型预测控制算法进行设计，模型预测采用由非线性模型进行线性化得到的线性时变模型；其中，车辆非线性动力学模型如下：
式中，m为车辆质量，为车身横摆角，/>为车辆横摆角速度，Iz为车辆绕z轴的转动惯量，X、Y为车辆在惯性坐标系下X、Y轴方向的位置，/>为惯性坐标系下车辆在X、Y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的速度，/>为车辆坐标系下车辆在x、y轴方向的加速度，Ccf、Ccr分别为车辆前、后轮胎的侧偏刚度，Clf、Clr分别为车辆前、后轮胎的纵向刚度，sf、sr分别为车辆前后轮的滑移率。
10.根据权利要求9所述的静态避障场景下考虑驾驶习惯的路径规划与控制方法，其特征在于，非线性模型进行线性化的具体步骤是：构建车辆横向控制的状态空间方程：
ηc＝C*M
状态变量输出量/>控制量uc＝δf，C为系数矩阵，其中δf为车辆前轮转角，/>Yc分别为车辆行驶轨迹的横摆角与横向位置；
将非线性动力学模型线性化，得到：
运用前向欧拉法对其进行离散化处理，离散化的系统如下：
M(k+1)＝AkM(k)+Bkuc(k)+d(k)
ηc(k)＝C*M(k)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697792.1A CN116540737A (zh) | 2023-06-13 | 2023-06-13 | 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310697792.1A CN116540737A (zh) | 2023-06-13 | 2023-06-13 | 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116540737A true CN116540737A (zh) | 2023-08-04 |
Family
ID=87447276
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310697792.1A Pending CN116540737A (zh) | 2023-06-13 | 2023-06-13 | 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116540737A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118478909A (zh) * | 2024-07-15 | 2024-08-13 | 华东交通大学 | 一种融合多样化驾驶习惯的智能汽车自主避障方法 |
-
2023
- 2023-06-13 CN CN202310697792.1A patent/CN116540737A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118478909A (zh) * | 2024-07-15 | 2024-08-13 | 华东交通大学 | 一种融合多样化驾驶习惯的智能汽车自主避障方法 |
| CN118478909B (zh) * | 2024-07-15 | 2024-09-24 | 华东交通大学 | 一种融合多样化驾驶习惯的智能汽车自主避障方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110187639B (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
| Tang et al. | An improved kinematic model predictive control for high-speed path tracking of autonomous vehicles | |
| 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 | |
| CN112389427B (zh) | 车辆轨迹优化方法、装置、电子设备和存储介质 | |
| CN110703754B (zh) | 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法 | |
| CN108569336B (zh) | 在动力学约束下基于车辆运动学模型转向控制方法 | |
| CN108646763A (zh) | 一种自主行驶轨迹跟踪控制方法 | |
| Hima et al. | Trajectory tracking for highly automated passenger vehicles | |
| CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
| CN107561942A (zh) | 基于模型补偿的智能车辆轨迹跟踪模型预测控制方法 | |
| CN107015477A (zh) | 基于状态反馈的车辆路径跟踪h∞控制方法 | |
| Li et al. | State-of-the-art trajectory tracking of autonomous vehicles | |
| CN104181923A (zh) | 一种基于直线控制器的智能车辆曲线跟踪方法 | |
| Hima et al. | Controller design for trajectory tracking of autonomous passenger vehicles | |
| CN109835336B (zh) | 一种基于模糊算法的带约束方波状车速规划方法 | |
| CN112238856B (zh) | 一种基于混合粒子群算法的智能车超车轨迹优化方法 | |
| CN116540737A (zh) | 一种静态避障场景下考虑驾驶习惯的路径规划与控制方法 | |
| CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及系统 | |
| CN118269984A (zh) | 一种考虑驾驶员驾驶习惯的个性化换道轨迹规划方法 | |
| Zhang et al. | A novel simultaneous planning and control scheme of automated lane change on slippery roads | |
| Miao et al. | Intelligent vehicle obstacle avoidance path-tracking control based on adaptive model predictive control | |
| CN114537435B (zh) | 一种自动驾驶中的实时整车轨迹规划方法 | |
| CN116331256A (zh) | 分布式驱动电动汽车换道轨迹规划方法、设备及存储介质 | |
| Li et al. | Path tracking control based on the prediction of tire state stiffness using the optimized steering sequence | |
| CN112115554B (zh) | 一种降低智能车辆碰撞伤害的控制方法和系统 |
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 |