一种自动驾驶车辆变道轨迹规划方法
文献发布时间:2023-06-19 19:30:30
技术领域
本发明涉及车辆变道轨迹规划技术领域,具体为一种自动驾驶车辆变道轨迹规划方法。
背景技术
自动驾驶技术是提升车辆主动安全的关键技术,在过去十几年里已经得到蓬勃发展。作为自动驾驶系统的核心模块,规划模块综合考虑传感器感知的信息,包括驾驶环境信息和车辆状态,然后生成一条安全、平滑、可行的轨迹,并输入控制模块。但在动态场景下,实现完全的自动驾驶仍面临许多挑战。
变道问题是最典型的动态场景,当自动驾驶车辆想要离开公路或在下一个十字路口左转时,车辆必须进行换道,此时自动驾驶车辆的轨迹更易受周围车辆的影响。针对变道场景,尽管人们提出了许多轨迹规划算法,但是生成良好的轨迹仍然是困难的,而且这些方法并不是在所有情况下都是有效和通用的。
变道场景下的轨迹规划问题是一个典型的时空耦合问题,由于障碍物的空间位置随时间动态变化,不仅要考虑空间维度,还要考虑时间维度。为了降低问题的复杂度,一些研究,提出了解耦的方法,其中包括路径-速度解耦(PV)和横向-纵向解耦(LL)。PV方法将一个三维时空规划问题,转化为一个二维路径规划和一维速度规划。路径规划只考虑静态障碍物,找到一条空间最优路径。速度规划沿着已经规划好的路径,通过规划车辆的速度来避免动态障碍物。PV适合静态场景和障碍物速度较小的变道场景。与路径-速度解耦(PV)对应的是横向-纵向解耦(LL),LL将轨迹规划问题分解纵向和横向轨迹规划,LL分别考虑汽车横向轨迹和纵向轨迹随时间的变化,从而生成更加符合动态场景的轨迹。
文献[1]首先将当前帧和历史帧的特征信息输入神经网络模型,得到变道粗轨迹,然后使用二次规划(QP)做轨迹优化,得到更加精细的轨迹。该方法需要大量的数据训练网络模型,而且神经网络输出的粗轨迹缺乏必要的可解释性,很难满足车辆的动力学要求。
文献[2]采用多项式构建变道轨迹,通过对末状态多次采样得到候选轨迹簇,使用预先设计好的代价函数选择最优轨迹,最后在已有的轨迹上分配速度。该方法受限于末状态采样次数和多项式的形式,同时这种路径-速度解耦的方式,也难以得到全局最优解。
文献[3]也采样了路径-速度解耦的方式,与大多数不同的是,它首先进行纵向的速度规划,当前车辆在预设变道时间内的最优纵向速度序列。在已有速度规划的基础上将路径规划转化为一个二次规划问题(QP)。该方法将变道过程太过理想化,得到的变道过程速度序列很难保证满足之后能准确求出路径,也难以保证路径-速度两个子优化能得到全局解。
文献[4]该方法首先确定变道的开始点和终止点,以此得到变道汇入区域。通过对汇入区域的分析判断是否可以变道,但该方法并没有给出具体的轨迹变道算法,缺乏变道参考轨迹和变道优化轨迹的构建过程。
文献[5]包含变道过程中轨迹的生成和车辆的控制,但该方法只能采用预先规定的几种轨迹模式,通过调整参数来适应不同的路况。该方法实现简单,但由于轨迹模式是有限的,无法满足复杂路况,同时也很难根据场景信息来判断使用何种轨迹曲线。
通过研究上述若干方法,可以发现目前已知的变道方法存在很多不足。路径-速度解耦的方法,难以满足得到全局最优解的要求,路径-速度耦合的方法又存在计算量大,难以满足实时性要求高的场合,为此,我们提出一种实用性更高的自动驾驶车辆变道轨迹规划方法。
发明内容
本发明的目的在于提供一种自动驾驶车辆变道轨迹规划方法,解决了现有的问题。
为实现上述目的,本发明提供如下技术方案:一种自动驾驶车辆变道轨迹规划方法,包括以下步骤:
S1、启发阶段;
S11、目标车道Gap选择;
S12、汇入区域计算和静态车道边界约束;
S13、启发式参考轨迹生成;
S2、优化阶段;
S21、标称轨迹生成;
S22、约束条件添加:规划得到的变道轨迹应道考虑障车辆运动学约束、车道边界约束,障碍物约束;
S221、车辆运动学约束;
S222、车道边界约束;
S223、障碍物约束;
S23、代价函数建立;
S24、反向过程更新控制序列;
S25、正向过程更新状态序列;
S26、计算新的状态序列和控制序列对应的代价。
优选的,所述步骤S11具体包括以下步骤:
根据目标车道内车辆与当前主车的相对位置,将目标车道内的Gap分为三类:后方Gap、当前Gap、前方Gap,根据每个Gap的长度和Gap车辆与主车的相对速度、相对位置,选择一个最佳Gap,做为主车将要汇入的Gap。
优选的,所述步骤S12具体包括以下步骤:
计算主车变道的汇入开始点start和汇入结束点end,以及根据汇入区域进行车道边界约束设置;
S121、在start_s之前,仅受原车道边界约束;
S122、在start_s和end_s之间,打开到目标车道的边界;
S123、在end_s之后,仅受目标车道边界约束。
优选的,所述步骤S13具体包括以下步骤:
在start_s之前,主车沿原车道行驶,在start_s和end_s之前,主车开始变道。
优选的,所述步骤S21具体包括以下步骤:
S211、将不同时刻的状态变量离散化表示:S={s
S212、将不同时刻的控制变量离散化表述:U={u
根据车辆动力学模型,可以得到车辆的状态方程:
计算得到第一次迭代的标称轨迹:
s
s
优选的,所述步骤S221具体包括以下步骤:
为满足车辆的运动控制要求,规定:
g
g
g
g
其中a
与现有技术相比,本发明的有益效果如下:
本发明的启发式轨迹生成,具体包括变道Gap的选择,和正弦变道曲线生成,可以在极短时间内生成参考轨迹,为后续优化提供依据;
本发明的优化阶段采用屏障函数将带约束的优化问题,转化为无约束优化问题,从而可以使用无约束iLQR算法求解;
本发明提出屏障函数可以调节参数以满足不同类型约束,具有极高的普适性;
本发明的车道边界约束构建,本发明将主车与车道边界的投影距离作为约束条件,而不是直接构建车道边界函数,可以适用任意曲率的车道;
本发明提出的方法不同与任何一种解耦的轨迹规划方法,而是直接对控制量进行优化,采用路径和速度耦合的方式,求解得到满足动态场景要求的轨迹,更容易得到全局最优解;
本发明控制量为加速度和横摆角速度,符合车辆的运动学模型,在笛卡尔坐标系下的优化过程,也更容易得到满足车辆运动学约束的可行解。
附图说明
图1为本发明变道流程示意图;
图2为本发明Gap选择示意图;
图3为本发明汇入车道示意图;
图4为本发明车道边界约束示意图;
图5为本发明简化椭圆车辆示意图;
图6为本发明简化圆形车辆示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
如图1所示,一种自动驾驶车辆变道轨迹规划方法,包括以下步骤:
S1、启发阶段;
S11、目标车道Gap选择:
如图2所示,根据目标车道内车辆与当前主车的相对位置,将目标车道内的Gap分为三类:后方Gap、当前Gap、前方Gap,根据每个Gap的长度和Gap车辆与主车的相对速度、相对位置,选择一个最佳Gap,做为主车将要汇入的Gap;
S12、汇入区域计算和静态车道边界约束:
如图3所示,计算主车变道的汇入开始点start(start_s,start_l)和汇入结束点end(end_s,end_l),以及根据汇入区域(start_s,end_s)进行车道边界约束设置;
S121、在start_s之前,仅受原车道边界约束;
S122、在start_s和end_s之间,打开到目标车道的边界;
S123、在end_s之后,仅受目标车道边界约束;
S13、启发式参考轨迹生成:
在start_s之前,主车沿原车道行驶,在start_s和end_s之前,主车开始变道;
预设变道的启发式粗轨迹为正弦曲线
S2、优化阶段;
S21、标称轨迹生成:
S211、将不同时刻的状态变量离散化表示:S={s0,s1,s2,...,sN},其中s
S212、将不同时刻的控制变量离散化表述:U={u
根据车辆动力学模型,可以得到车辆的状态方程:
计算得到第一次迭代的标称轨迹:
s
s
S22、约束条件添加:规划得到的变道轨迹应道考虑障车辆运动学约束、车道边界约束,障碍物约束;
S221、车辆运动学约束:
为满足车辆的运动控制要求,规定:
g
g
g
g
其中ak,ωk为tk时刻的加速度和横摆角速度,a
S222、车道边界约束:
如图4所示,根据在启发阶段创建的静态车道边界,建立车道边界约束,在任意t
S223、障碍物约束:
将障碍车辆简化为椭圆形,如图5,将主车简化为两个圆形,如图6。
在任意tk时刻,障碍车辆中心坐标
/>
其中
本发明建立屏障函数,将带约束的优化问题,转化为无约束问题,从而使用无约束的iLQR进行迭代求解。
屏障函数:
通过调整参数k
S23、代价函数建立:
tk时刻的代价函数:
L
Cost(s
S24、反向过程更新控制序列:
在已有标称轨迹的基础上,采用无约束得iLQR反向动态规划更新控制序列;
S25、正向过程更新状态序列:正向过程更新状态序列,根据初始状态和新的控制序列,更新状态序列,得到新的标称轨迹;
s
s
S26、计算新的状态序列和控制序列对应的代价J
背景技术的参考文献:
[1]基于无人驾驶的车辆自动变道方法、装置、设备及介质:202211128210.X[P]2022.10.18
[2]一种多车复杂交通环境下的智能客车动态变道轨迹规划方法:202210548395.3[P]2022.05.20
[3]一种变道行车轨迹规划方法、装置、设备和介质:202210386283.2[P]2022.07.08
[4]用于自动驾驶车辆的变道方法:202111639588.1[P]2022.03.15
[5]一种车辆的变道控制系统、控制方法:202010237235.8[P]2021.10.22。