技术领域
本发明属于智能汽车技术领域,更为具体地讲,涉及一种结合障碍物行为意图的车辆动态轨迹规划方法。
背景技术
关于车辆轨迹规划,主要是负责产生一条从当前状态到下一个目标状态的运动轨迹,并且在规划轨迹的时候应该考虑到行驶空间的约束条件,以及满足车辆运动学约束与乘坐舒适性。无人驾驶车辆的路径规划算法主要有,一类是基于随机采样的算法,一类是基于优化理论的算法。
随机采样方法主要是通过在空间中通过随机生成目标可能性的状态,来通过概率的方法对生成的状态进行更新迭代。随机抽样方法是随机的去采样。也就是说,只要对当前状态下的运动计划问题有一个理论上的解决方案,算法就需要在无数次迭代之后找到一个理论上的解决方案。随机采样方法通常包括PRM(概率路线图方法)算法和RRT(快速搜索随机树)算法。
但PRM算法无法用于情况较为复杂的环境,如障碍物较多时,同时该算法生成的路径一般可行性比较差,众多学者对其方法进行改进变种算法。原始的RRT算法采用的是均匀采样的方法,从而该方法效率较差,且规划的结果是不连续的,众多专家学者对其进行了改进优化,提出了很多变种算法,如RRT-Connect算法通过在起点与目标同时构建随机树,当两棵树相遇时便找到了解。启发式RRT算法,使用启发函数引导RRT节点的生长方向,从而提高算法的收敛速度。PCL-RRT算法结合交通场景下其他车辆的不确定性,通过将碰撞概率做为启发函数,从而找出最优路径。RRT算法及其变种算法在原有的基础上提高了规划效率,但存在求解结果不稳定等缺陷。
基于优化理论的算法的一种思路是将运动计划问题分为两个步骤。首先,对地图进行随机采样以获取粗略的路径,然后使用优化的路径曲率生成满足道路几何约束的路径。顾天宇等提出了一种基于最优控制理论的轨迹规划,并改进了轨迹评估功能,使当前驾驶环境下的轨迹成为最优轨迹。基于优化理论的运动计划算法可以生成适合于驾驶场景的最优轨迹,但是存在效率低下的问题。
以上车俩轨迹规划算法虽考虑轨迹规划的安全性、可行性,但均仅仅将驾驶环境中行人或者其他车辆障碍物静态信息直接输入,没有考虑到的障碍物动态信息(如障碍物的意图,和可能的未来轨迹),存在一定的缺陷(如行人在将要横穿马路时,和行人将要继续向前行走或者停止,车辆规划出的最优轨迹是不一样的)。目前有人虽提出障碍物的可能碰撞半径或者采用引力势场等方法来减少动态障碍物对汽车碰撞的可能,但仍未考虑行人、其他车辆的动作意图和未来可能的轨迹情况。针对以上问题,本发明针对动态障碍物避让领域,基于车载移动计算平台,结合行人、车辆的动作意图信息,以车辆和障碍物在横纵向轨迹的分解再融合的方法来规划轨迹,来减少碰撞的可能,从而实现一种结合障碍物动作意图的轨迹规划方法,提高无人驾驶的安全性。
发明内容
本发明的目的在于克服现有技术的不足,提供一种结合障碍物行为意图的车辆动态轨迹规划方法,以轨迹的横纵向解耦为基础,通过障碍物的动作意图,规划出车辆的行驶轨迹,以提高车辆行驶的安全性。
为实现上述发明目的,本发明一种结合障碍物行为意图的车辆动态轨迹规划方法,其特征在于,包括以下步骤:
(1)、利用全局路径模块获取车辆行驶过程中的全局路径;
(2)、车辆解耦
(2.1)、车辆横向解耦
(2.1.1)、利用车辆的车载组合惯导传感器获取t
将t
其中,
(2.1.2)、通过车辆决策节点提供t
将t
(2.1.3)、令t
(2.1.4)、构建车辆的横向行驶轨迹方程:
(2.2)、车辆纵向解耦
(2.2.1)、利用车辆的车载组合惯导传感器获取t
将t
其中,
(2.2.2)、通过车辆决策节点提供t
将t
(2.2.3)、令t
(2.2.4)、构建车辆的纵向行驶轨迹方程:
(3)、障碍物解耦
(3.1)、障碍物的横向解耦
(3.1.1)、利用车辆的障碍物感知模块获取t
将t
其中,
(3.1.2)、利用车辆的障碍物预测模块获取t
将t
(3.1.3)、令t
(3.1.4)、构建障碍物的横向轨迹方程:
(3.2)、障碍物纵向解耦
(3.2.1)、利用车辆的障碍物感知模块获取t
将t
其中,
(3.2.2)、利用车辆的障碍物预测模块获取t
将t
(3.2.3)、令t
(3.2.4)、构建障碍物的纵向轨迹方程:
(4)、分别对横、纵轨迹方程进行碰撞检测,生成车辆的横、纵向的备选轨迹集;
(4.1)、将车辆横向行驶轨迹方程d(t)与障碍物的横向轨迹方程d
(4.2)、判断步骤(4.1)中t时刻的解是否也为车辆纵向行驶轨迹方程s(t)与障碍物的纵向轨迹方程s
(5)、确定车辆最终的行驶轨迹
(5.1)、利用损失函数计算备选轨迹集中每个时刻d(t)与s(t)的总损失值C
C
其中,K
(5.2)、选出备选轨迹集中总损失值最小时对应的轨迹d(t)与s(t),并作为最终规划的行驶轨迹。
本发明的发明目的是这样实现的:
本发明一种结合障碍物行为意图的车辆动态轨迹规划方法,利用传感器获得车辆当前的位置状态信息,利用感知模块获取当前环境的障碍物周围环境信息,利用决策模块获得车辆下一时刻期望的位置状态,利用预测模块获取障碍物在下一时刻的可能位置状态信息。将获取到的车辆和障碍物在当前时刻和下一时刻的信息作为约束,采用在横纵向分别建立五次、四项多项式的方式,对车辆和障碍物分别进行横纵向的解耦;随后分别对车辆和障碍物的横纵向轨迹进行碰撞检测,将没有发生碰撞的轨迹逐个进行损失评价,选出损失最小的车辆轨迹并输出。
同时,本发明一种结合障碍物行为意图的车辆动态轨迹规划方法还具有以下有益效果:
(1)、在进行车辆轨迹规划的时候不仅仅使用车辆的信息和障碍物的位置信息,还加入障碍物的行为意图,来从车辆的横纵向轨迹两个方面分别进行分析,提升轨迹规划的适应性安全性,为自动驾驶的车辆控制的提供可靠轨迹,提高自动驾驶车辆的安全性;
(2)、本方法利用车辆与障碍物信息来构建多项式的方式来求解轨迹,多项式的待定系数的阶数较低,便于求解,相对于其他轨迹规划方式,如利用深度学习等方式过程中的计算量,可以提高整个规划系统的实时性;
(3)、本方法还设计了针对横纵向轨迹不同的损失函数,来对横纵向轨迹进行评价,这种评价机制可以进一步的量化轨迹规划结果的好坏,方便其他工作人员在本轨迹规划方法的基础上进行调优,通过对损失函数中不同系数的调整,来使该算法适应更多的不同的行驶环境。
附图说明
图1是本发明一种结合障碍物行为意图的车辆动态轨迹规划方法流程图;
图2是车辆、障碍物解耦的流程图;
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种结合障碍物行为意图的车辆动态轨迹规划方法流程图。
在本实施例中,如图1所示,本发明一种结合障碍物行为意图的车辆动态轨迹规划方法,包括以下步骤:
S1、利用全局路径模块获取车辆行驶过程中的全局路径;
S2、车辆解耦,具体过程如图2所示;
S2.1、车辆横向解耦;
S2.1.1、利用车辆的车载组合惯导传感器获取t
将t
其中,
S2.1.2、通过车辆决策节点提供t
将t
S2.1.3、令t
S2.1.4、构建车辆的横向行驶轨迹方程:
S2.2、车辆纵向解耦;
S2.2.1、利用车辆的车载组合惯导传感器获取t
将t
其中,
S2.2.2、通过车辆决策节点提供t
将t
S2.2.3、令t
S2.2.4、构建车辆的纵向行驶轨迹方程:
S3、障碍物解耦,具体过程如图2所示;
S3.1、障碍物的横向解耦;
S3.1.1、利用车辆的障碍物感知模块获取t
将t
S3.1.2、利用车辆的障碍物预测模块获取t
将t
S3.1.3、令t
S3.1.4、构建障碍物的横向轨迹方程:
S3.2、障碍物纵向解耦;
S3.2.1、利用车辆的障碍物感知模块获取t
将t
S3.2.2、利用车辆的障碍物预测模块获取t
将t
S3.2.3、令t
S3.2.4、构建障碍物的纵向轨迹方程:
S4、分别对横、纵轨迹方程进行碰撞检测,生成车辆的横、纵向的备选轨迹集;
S4.1、将车辆横向行驶轨迹方程d(t)与障碍物的横向轨迹方程d
S4.2、判断步骤S4.1中t时刻的解是否也为车辆纵向行驶轨迹方程s(t)与障碍物的纵向轨迹方程s
S5、确定车辆最终的行驶轨迹;
S5.1、利用损失函数计算备选轨迹集中每个时刻d(t)与s(t)的总损失值C
C
其中,K
其中,横向损失值C
C
其中,K
纵向损失值C
其中,K
S5.2、选出备选轨迹集中总损失值最小时对应的轨迹d(t)与s(t),并作为最终规划的行驶轨迹。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
机译: 用于检测车辆中驾驶员意图的方法,包括从驾驶员行为的存储模型与当前检测到的驾驶员行为之间的比较中得出驾驶员意图。
机译: 可用空间,例如停车空间,一种确定车辆的方法,涉及执行信号运行时间测量以测量车辆附近的物体,并将物体概率分布与障碍物分布相结合
机译: 一种威慑和强制解决方案,用于解决驾驶时因手机引起的问题。这种创新的解决方案结合了使用高可见性的车辆来监视道路网络的功能,该车辆将在驾驶时向公众传递有关使用手机的法律信息,从而阻止行为。该解决方案还利用移动视频监视驾驶员在其车辆内的活动,并且在感觉到车辆发生任何电话使用的情况下,将从视频记录中将其提供给相关机构,以供其执行决策。