基于状态预测的智能车T型不受控路口的运动规划方法

技术领域

本发明属于智能车运动规划领域，具体涉及一种基于状态预测的智能车T型不受控路口的运动规划方法。

背景技术

随着智能驾驶技术的不断发展，智能车在行驶过程中所需要适应的交通环境也更加多样化，这要求智能车具备良好的环境感知能力及运动规划能力。环境感知能力使智能车能够通过多传感器充分获取周围环境的信息，并将其转化为可用的数据，这些数据可以包括道路地图、障碍物位置和类型、交通标志和信号等，基于这些信息，智能车可以对当前的交通环境进行理解和分析。运动规划则是在考虑到车辆的环境感知的基础上，通过算法和决策系统准确规划车辆的运动路径和行为，包括确定车辆的行进路线、速度控制、转弯半径、保持合适的车距等，运动规划算法通常会综合考虑车辆的动力学限制、交通规则和优化目标，以实现安全、高效和符合人类驾驶习惯的行驶。

在实际的交通环境中，T型不受控路口是一种常见的路口型式，在城市道路环境中极为常见，这样的路口很少有交通信号灯或交通标志来控制车辆的行驶顺序和优先权。在有驾驶员驾驶的情况下，可以依靠驾驶员判断和交通礼让规则来决定行驶的优先权，例如，当一个车辆要直行通过T型路口，而另一个车辆要从侧路进入主路时，直行的车辆通常具有优先权，处在侧路的驾驶员就需要考虑减速或停车确保安全通行。但是当无人驾驶的智能车需要从侧路进入主路时，由于没有驾驶员来判断和决定行驶的优先权，智能车需要依靠其环境感知和运动规划能力来安全地进行决策。在这种情况下，智能车会利用车载传感器和高精度地图等技术来感知周围环境，包括检测交通流量、识别其他车辆和行人等，然后基于这些信息，通过智能车的运动规划系统综合考虑车辆的位置、速度、目标路径等因素，以决定是否可以安全地进入主路。

目前，智能车的运动规划领域已有一定的研究，例如中国发明专利申请专利号为CN202211170591.8名称为“基于改进关联函数动态分配轨迹的智能车运动规划算法”中公开了基于最大安全距离、车辆运动轨迹、障碍物相对车辆运动轨迹构建模型，在关联函数动态分配中，利用车辆在笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息得到车辆运动轨迹，利用模糊C类算法获取障碍物相对运动轨迹，并利用计算机编程获取智能车辆最优运动规划；例如中国发明专利申请专利号为CN202310091755.6名称为“基于多尺度广度优先网络在智能车高速路运动规划方法”中公开了结合改进的BFS算法与多尺度卷积神经网络(SF-RCNN)进行高速路运动避障，利用多尺度卷积神经网络进行在线实时局部路径规划，完成局部最优路径的获取。但是上述方法均未充分考虑周围车辆的行驶状态，存在环境适应性较差及运动规划结果安全性不足的问题。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于状态预测的智能车T型不受控路口运动规划方法，以解决现有技术中存在的环境适应性差、运动规划结果安全性低且未充分考虑智能车所处交通环境中其他车辆行驶状态的问题；本发明的方法确保了智能车在T型不受控路口的高效安全行驶。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于状态预测的智能车T型不受控路口的运动规划方法，步骤如下：

步骤1)：通过车载传感器获取智能车所处T型不受控路口的周围环境信息；

步骤2)：构建T型不受控路口的道路模型和虚拟驾驶员模型；

步骤3)：根据所述步骤1)中周围环境信息，基于交互多模型构建扩展卡尔曼滤波器并判断目标车辆在未来时刻的行驶意图，计算得到不同虚拟驾驶员模型概率估计结果，融合行驶意图和概率估计结果得到目标车辆的状态预测值；

步骤4)：根据所述步骤3)中的目标车辆的状态预测值对智能车进行运动规划，获得智能车在T型不受控路口的运动规划策略。

进一步地，所述步骤1)中的车载传感器包括：前视相机、激光雷达、车速传感器；所述前视相机用于获取T型不受控路口的道路场景，并通过语义分割方法获得道路可行驶区域和目标车辆；所述激光雷达用于获取目标车辆的位置和速度信息；所述车速传感器用于获取智能车行驶速度；所述目标车辆表示T型不受控路口中位于主路保持直线行驶的车辆。

进一步地，所述语义分割方法包括但不限于：DeepLabv3语义分割网络、堆叠反卷积网络SDN和金字塔场景解析网络PSPN。

进一步地，所述道路可行驶区域指智能车和目标车辆行驶的侧路和主路。

进一步地，所述步骤2)中的道路模型包括：侧路、主路、智能车、目标车辆、冲突点及冲突区域；智能车位于侧路，目标车辆位于主路；所述冲突区域指智能车汇入主路时与目标车辆可能发生冲突的位置，令侧路的道路宽度为w，智能车当前行驶方向延长线和目标车辆的行驶方向延长线的交点为冲突点p

进一步地，所述步骤2)中的虚拟驾驶员模型包括：通过模型、减速模型和停车模型；目标车辆的行驶速度为v

通过模型表达式为：

式中，v

减速模型表达式为：

式中，v

停车模型表达式为：

式中，v

进一步地，所述步骤3)具体包括以下步骤：

31)判断目标车辆行驶意图；

目标车辆在交互多模型中估算的位置和速度变量分别为p和v，智能车通过车载传感器获取目标车辆的位置和速度分别为p

交互多模型中包括三个扩展卡尔曼滤波器，分别用于判断通过模型、减速模型和停车模型的意图，令j∈[1,2,3]表示扩展卡尔曼滤波器序号且分别用于通过模型、减速模型和停车模型的状态预测和更新，k表示扩展卡尔曼滤波器时间索引，n表示扩展卡尔曼滤波器的预测次数，则任意一个扩展卡尔曼滤波器计算k时刻状态向量的预测表达式为：

式中，

其中，F

式(5)是根据k-1时刻的状态向量预测得到的k时刻的状态向量，未考虑当前时刻的观测数据，令k时刻的测量向量为z(k)，k时刻的第j个扩展卡尔曼滤波器测量向量的估计值为

式中，

式中，a,b,c,d为观测矩阵的参数值，为常数值；

第j个扩展卡尔曼滤波器测量向量在k时刻的残差r

则k时刻第j个扩展卡尔曼滤波器计算目标车辆行驶意图

式中，β表示调整系数；

32)计算虚拟驾驶员模型概率的估计值；

交互多模型中第j个扩展卡尔曼滤波器的虚拟驾驶员模型概率估计值计算表达式为：

式中，u

33)预测目标车辆的行驶状态；

根据所述步骤31)中的目标车辆的行驶意图和步骤32)中的虚拟驾驶员模型概率估计值，目标车辆行驶状态预测值计算表达式为：

式中，x

进一步地，所述步骤4)中获得智能车在T型不受控路口的运动规划策略运动规划策略具体为：

41)构建安全减速模型；

智能车当前的行驶速度为v

若智能车的速度小于第一安全速度v

42)构建智能车安全通过模型；

当智能车行驶至点p

令

式中，a'

进一步地，所述步骤42)中的安全距离阈值和安全速度阈值要求具体为：

式中，p

进一步地，所述步骤42)中的安全通行要求表示不存在目标车辆，或目标车辆和智能车是否满足不碰撞的安全距离阈值和安全速度阈值要求。

本发明的有益效果：

1、本发明根据T型不受控路口主路目标车辆不同的行驶车速建立通过、减速和停车三种虚拟驾驶员模型，基于交互多模型构建目标车辆的状态预测方法，在交互多模型中，首先通过扩展卡尔曼滤波器来推断目标车辆的行驶意图，然后计算出不同的虚拟驾驶员模型的概率估计值，最后融合两者预测出目标车辆的在未来时刻的状态值，所提出的预测方法考虑主路目标车辆的位置、车速等行驶状态因素并结合语义分割方法获得精确的道路分割模型，能很好的适应复杂的交通环境，使得目标车辆的状态预测结果准确并且提高了状态预测的效率。

2、本发明基于目标车辆的状态预测结果对智能车进行T型不受控路口的运动规划，通过安全减速模型保证智能车也合适的车速接近T型不受控路口时，通过安全通过模型来准确的判断智能车的通过方式是直接通过还是减速停车，在保证智能车安全通过T型不受控路口时提高了智能车在实际交通场景中的运动规划效率。

3、本发明通过提高智能车的运动规划能力，有助于降低T型不受控路口的交通事故率、减少交通拥堵，提高道路通行效率和安全性，此外，本发明还可以为智能车的自主驾驶、车队协同以及城市交通管理等方面的发展提供重要的技术支持与研究思路。

附图说明

图1为本发明的T型不受控路口示意图；

图2为本发明方法的流程图；

图中：p

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1、图2所示，本发明的一种基于状态预测的智能车T型不受控路口的运动规划方法，步骤如下：

步骤1)：通过车载传感器获取智能车所处T型不受控路口的周围环境信息；

车载传感器包括：前视相机、激光雷达、车速传感器；所述前视相机用于获取T型不受控路口的道路场景，并通过语义分割方法获得道路可行驶区域和目标车辆；所述激光雷达用于获取目标车辆的位置和速度信息；所述车速传感器用于获取智能车行驶速度；所述目标车辆表示T型不受控路口中位于主路保持直线行驶的车辆。

语义分割方法包括但不限于：DeepLabv3语义分割网络、堆叠反卷积网络SDN和金字塔场景解析网络PSPN。

其中，所述道路可行驶区域指智能车和目标车辆行驶的侧路和主路。

步骤2)：构建T型不受控路口的道路模型和虚拟驾驶员模型；

道路模型包括：侧路、主路、智能车、目标车辆、冲突点及冲突区域；智能车位于侧路，目标车辆位于主路；所述冲突区域指智能车汇入主路时与目标车辆可能发生冲突的位置，令侧路的道路宽度为w，智能车当前行驶方向延长线和目标车辆的行驶方向延长线的交点为冲突点p

虚拟驾驶员模型包括：通过模型、减速模型和停车模型；目标车辆的行驶速度为v

通过模型表达式为：

式中，v

减速模型表达式为：

式中，v

停车模型表达式为：

式中，v

步骤3)：根据所述步骤1)中周围环境信息，基于交互多模型构建扩展卡尔曼滤波器并判断目标车辆在未来时刻的行驶意图，计算得到不同虚拟驾驶员模型概率估计结果，融合行驶意图和概率估计结果得到目标车辆的状态预测值；具体包括以下步骤：

31)判断目标车辆行驶意图；

目标车辆在交互多模型中估算的位置和速度变量分别为p和v，智能车通过车载传感器获取目标车辆的位置和速度分别为p

交互多模型中包括三个扩展卡尔曼滤波器，分别用于判断通过模型、减速模型和停车模型的意图，令j∈[1,2,3]表示扩展卡尔曼滤波器序号且分别用于通过模型、减速模型和停车模型的状态预测和更新，k表示扩展卡尔曼滤波器时间索引，n表示扩展卡尔曼滤波器的预测次数，则任意一个扩展卡尔曼滤波器计算k时刻状态向量的预测表达式为：

式中，

其中，F

式(5)是根据k-1时刻的状态向量预测得到的k时刻的状态向量，未考虑当前时刻的观测数据，令k时刻的测量向量为z(k)，k时刻的第j个扩展卡尔曼滤波器测量向量的估计值为

式中，

式中，a,b,c,d为观测矩阵的参数值，取值分别为1.4，0.1，0.1，1.3；

第j个扩展卡尔曼滤波器测量向量在k时刻的残差r

则k时刻第j个扩展卡尔曼滤波器计算目标车辆行驶意图

式中，β表示调整系数，取值为1.7；

32)计算虚拟驾驶员模型概率的估计值；

交互多模型中第j个扩展卡尔曼滤波器的虚拟驾驶员模型概率估计值计算表达式为：

式中，u

33)预测目标车辆的行驶状态；

根据所述步骤31)中的目标车辆的行驶意图和步骤32)中的虚拟驾驶员模型概率估计值，目标车辆行驶状态预测值计算表达式为：

式中，x

步骤4)：根据所述步骤3)中的目标车辆的状态预测值对智能车进行运动规划，获得智能车在T型不受控路口的运动规划策略；具体为：

41)构建安全减速模型；

智能车当前的行驶速度为v

若智能车的速度小于第一安全速度v

42)构建智能车安全通过模型；

当智能车行驶至点p

令

式中，a'

其中，所述安全距离阈值和安全速度阈值要求具体为：

式中，p

其中，所述安全通行要求表示不存在目标车辆，或目标车辆和智能车是否满足不碰撞的安全距离阈值和安全速度阈值要求。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。