一种智能汽车类人弯道轨迹双重规划系统

技术领域

本发明涉及一种智能汽车轨迹规划系统，特别涉及一种智能汽车类人弯道轨迹双重规划系统。

背景技术

随着智能汽车技术的不断进步，越来越多的研究开始聚焦于使智能汽车具备类人驾驶能力，开发具有驾驶人特性的智能汽车轨迹规划系统已经成为智能汽车技术领域的研究热点。

面向跟驰、换道等直线道路驾驶行为而开发的类人轨迹规划系统已较为完善，而弯道工况下的类人轨迹规划研究则十分稀少，目前在该领域尚存在三方面需要解决的主要问题：

(1)现有弯道轨迹规划系统往往进行简化处理，仅将弯道的车道中心线作为目标轨迹。但实际上驾驶人在弯道上并非严格按照车道中心线行驶，因此这种简化可能会降低智能汽车的用户接受度、信任度以及社会认同度，并存在由人机差异导致的安全隐患。

(2)现有类人轨迹规划的实现，往往需要基于复杂度越来越高的学习型算法从由基础特征表征的自然驾驶数据中提取驾驶人行为特性，而缺少对驾驶人驾驶行为内在生成机制的本质性探索，导致神经网络等学习型算法的参数量和结构随着自动驾驶任务的多元化变得越发复杂，在实车部署时面临算力无法匹配和实时性较低等困难。

(3)类人轨迹规划系统中使用的黑盒化数据驱动方法一旦遇到训练数据未覆盖的工况，极易由于泛化能力不足而导致系统性能下降甚至发生误规划，存在较大安全隐患。

因此如何开发具有高度类人化特性并具备危险工况下重规划能力的弯道轨迹规划系统，已成为智能汽车领域亟待解决的关键技术难题。

发明内容

为了解决上述技术问题，本发明提供一种智能汽车类人弯道轨迹双重规划系统，包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块，所述的类人弯道轨迹预规划模块中包括驾驶人弯道视觉关注特征生成子模块和基于编码-解码架构的类人弯道轨迹预规划子模块；所述的类人弯道轨迹重规划模块中包括基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块；

(1)驾驶人弯道视觉关注特征生成子模块以车道线信息和历史时间窗内的自车运动学信息作为输入，生成历史时间窗内的驾驶人视觉关注特征TP(D

其中，TP为驾驶人在弯道上的视觉关注点，即其视线与弯道内侧的切点，D

PP为基于驾驶人弯道预瞄距离d

(2)基于编码-解码架构的类人弯道轨迹预规划子模块以历史时间窗内的驾驶人弯道视觉关注特征和历史时间窗内的自车运动信息作为输入，输出此时的预规划弯道轨迹：在当前时刻t，基于编码-解码架构的类人弯道轨迹预规划子模块的输入序列X为：

X＝[X

其中，H为历史时间窗长度，

在当前时刻t，基于编码-解码架构的类人弯道轨迹预规划子模块的输出序列即预规划轨迹Y定义为：

Y＝[Y

其中，F为规划时间窗长度，基于编码-解码架构的类人弯道轨迹预规划子模块的输出即为规划时间窗F内，每个解码时间步t

编码器使用长短期记忆(Long-short Term Memory,LSTM)单元，基于上一编码时间步t

编码器对历史时间窗H内的整条输入序列X进行编码后，得到最后一个编码时间步的隐状态

语义向量C记录着整条输入序列X的上下文历史信息，包含着输入序列中的时序依赖关系；

解码器使用LSTM单元对自车弯道轨迹进行递归规划，在每一个解码时间步t

当解码器完成整个规划时间窗F内的语义向量解码后，即得到规划时间窗F内的类人预规划弯道轨迹Y。

类人弯道轨迹预规划模块输出的预规划弯道轨迹Y输入至类人弯道轨迹重规划模块，基于非对称性风险场的预规划轨迹风险评估子模块判定此时的预规划弯道轨迹Y是否存在风险：若无风险，直接将预规划弯道轨迹Y作为此时智能汽车的弯道行驶轨迹；若存在风险，预规划弯道轨迹Y则进入基于非对称性风险场的弯道轨迹重规划子模块，利用非对称性风险场对弯道轨迹进行重规划。

(3)基于非对称性风险场的弯道轨迹重规划子模块中，所述非对称性风险场分为非对称性交通车风险场、非对称性静态障碍物风险场以及非对称性车道线风险场；

①非对称性交通车风险场如下：

其中，

②非对称性静态障碍物风险场如下：

静态障碍物p产生的场强

③非对称性车道线风险场如下：

对于直道车道线产生的场强E

d

其中，K

对于弯道车道线产生的风险场E

d

其中，d

基于非对称性风险场的预规划轨迹风险评估子模块将按照上述方式计算非对称性交通车风险场场强

基于非对称性风险场的预规划轨迹风险评估子模块将计算整个预规划弯道轨迹Y上自车j承受的平均合场强即平均风险

(4)基于非对称性风险场的弯道轨迹重规划子模块以预规划轨迹Y为输入，输出重规划轨迹Y′，弯道轨迹重规划的过程为：

其中，Y′(t

其中，δ

进一步的，

①重型车辆的

②在附着系数低、不平度等级高、坡度大等行驶条件较差的应用场景中，

③面向激进型驾驶人的

本发明的有益效果：

(1)本发明不直接以弯道车道中心线作为弯道轨迹规划系统的参考轨迹，而是基于驾驶人真实转弯数据训练类人弯道轨迹预规划模块，使预规划弯道轨迹能够匹配驾驶人特性，降低人机差异，增加智能汽车的用户接受度、信任度和社会认同度。

(2)本发明从驾驶人弯道视觉关注机制入手，对驾驶人的弯道驾驶行为生成机制进行有效表征，进而建立驾驶人弯道视觉关注特征并将其引入类人弯道轨迹预规划，在不增加数据驱动方法复杂度的前提下实现了预规划弯道轨迹与驾驶人真实弯道轨迹的高度匹配。

(3)本发明评估预规划弯道轨迹风险，在预规划轨迹存在风险时基于本发明所建立的非对称性风险场对预规划轨迹进行重规划，从而降低甚至避免由于数据驱动方法黑盒化程度高、泛化性差产生的安全隐患；并进一步通过设置一系列面向不同车型、不同场景以及不同用户群体的个性化参数，使本发明所述系统具有良好的泛化能力和移植能力，能够有效降低重复性开发带来的成本浪费。

(4)本发明完全基于现有智能汽车环境感知技术构建，确保搭载本发明所述系统的智能汽车不需增加额外的传感器和感知技术。

附图说明

图1为本发明所述的一种智能汽车类人弯道轨迹双重规划系统整体架构示意图。

图2为驾驶人弯道视觉关注机制示意图。

图3为本发明中驾驶人视觉关注特征生成子模块原理示意图。

图4为本发明中基于编码-解码架构的类人弯道轨迹预规划子模块结构示意图。

图5为本发明所述的类人弯道轨迹预规划模块所规划的轨迹与驾驶人真实轨迹的对比示意图。

图6为本发明中建立的非对称性交通车风险场示意图。

图7为本发明中建立的非对称性车道线风险场示意图。

图8为本发明中弯道轨迹重规划效果示意图。

具体实施方式

如图1所示，本发明提供的一种智能汽车类人弯道轨迹双重规划系统包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块，所述的类人弯道轨迹预规划模块中包括驾驶人弯道视觉关注特征生成子模块和基于编码-解码架构的类人弯道轨迹预规划子模块；所述的类人弯道轨迹重规划模块包含基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块；

本发明基于智能汽车车载摄像头采集车道线信息；基于自车传感器采集并记录自车运动学信息；基于智能汽车车载摄像头和雷达采集自车周围交通车的运动学信息。其中，车道线信息和历史时间窗内的自车运动学信息输入类人弯道轨迹预规划模块；车道线信息和自车周围运动学信息输入类人弯道轨迹重规划模块。

(1)驾驶人弯道视觉关注特征生成子模块以车道线信息和历史时间窗内的自车运动学信息作为输入，生成历史时间窗内的驾驶人视觉关注特征TP(D

图2分别给出了驾驶人在左转弯和右转弯时的视觉关注机制。驾驶人在通过弯道时具有视觉关注引导转向行为的常识性规律，因此本发明认为驾驶人弯道驾驶行为生成机制的本质即为驾驶人弯道视觉关注机制。本发明将驾驶人的弯道视觉关注机制描述为：通过弯道时，驾驶人的视线往往会与弯道内侧车道线相切，驾驶人视线与弯道内侧车道线的切点即为驾驶人转弯时的视觉关注点，该视觉关注点随着车辆的行驶在弯道的内侧车道线上不断滑动，从而引导驾驶人的弯道转向行为。

基于上述分析可知，实现类人弯道轨迹规划的关键在于表征驾驶人的弯道视觉关注点。如图3所示，驾驶人在弯道上的视觉关注点为其视线与弯道内侧的切点TP，本发明通过TP与自车几何中心V的距离D

θ

其中，R

此外考虑到若仅使用切点TP的相关信息，可能会导致车辆过多偏向弯道内侧，因此本发明建立了另一组视觉关注特征PP(D

θ

其中，y

综上，本发明所述的驾驶人弯道视觉关注特征生成子模块基于车道线信息和历史时间窗内的自车运动学信息，可生成历史时间窗内的驾驶人视觉关注特征TP(D

(2)如图1所示，基于编码-解码架构的类人弯道轨迹预规划子模块以历史时间窗内的驾驶人弯道视觉关注特征和历史时间窗内的自车运动信息作为输入，输出此时的预规划弯道轨迹。在当前时刻t，基于编码-解码架构的类人弯道轨迹预规划子模块的输入序列X为：

X＝[X

其中，H为历史时间窗长度，

在当前时刻t，基于编码-解码架构的类人弯道轨迹预规划子模块的输出序列即预规划轨迹Y定义为：

Y＝[Y

其中，F为规划时间窗长度，基于编码-解码架构的类人弯道轨迹预规划子模块的输出即为规划时间窗F内，每个解码时间步t

如图4所示，编码器使用长短期记忆(Long-short Term Memory,LSTM)单元，基于上一编码时间步t

编码器对历史时间窗H内的整条输入序列X进行编码后，得到最后一个编码时间步的隐状态

语义向量C记录着整条输入序列X的上下文历史信息，包含着输入序列中的时序依赖关系。

解码器使用LSTM单元对自车弯道轨迹进行递归规划。在每一个解码时间步t

当解码器完成整个规划时间窗F内的语义向量解码后，基于编码-解码架构的类人弯道轨迹预规划子模块即可得到规划时间窗F内的类人预规划弯道轨迹Y。

实际上，对于弯道轨迹规划而言，车辆在行驶过程中的侧向位置分布相比绝对坐标系下的纵、侧向位置更能直观反应转弯轨迹特性，因此图5中给出了本发明所述的类人弯道轨迹预规划模块所规划的弯道轨迹与驾驶人真实轨迹的侧向偏移率对比。侧向偏移率定义为车辆几何中心和车道分界线的侧向距离与单条车道宽度的比值，能够有效表征车辆偏离当前车道中心的程度，也能够直观反应车辆在转弯过程中的侧向位置变化趋势。

图5包含在4种不同弯道上，本发明的基于编码-解码架构的类人弯道轨迹预规划子模块输出的预规划弯道轨迹Y与驾驶人真实轨迹的对比，可以看到两者极为接近，误差范围为[-0.0887,0.0982]，充分说明了本发明所述系统在再现驾驶人转弯特性上的性能，有能力为使用该系统的驾乘用户提供舒适、可靠的驾乘体验。此外从图5也可以看到，驾驶人在转弯过程中并不是按照车道中心线行驶的，若沿车道中心线行驶侧向偏移率应为0.5，这充分说明了现有的以车道中心线作为参考轨迹的智能汽车弯道轨迹规划系统的不完善，也证明了本发明所述的类人弯道轨迹规划系统在类人弯道驾驶上的性能提升。

所述类人弯道轨迹预规划模块输出的预规划弯道轨迹Y输入至类人弯道轨迹重规划模块，基于非对称性风险场的预规划轨迹风险评估子模块将判定此时的预规划轨迹Y是否存在风险：若无风险，本发明所述系统将直接将预规划轨迹Y作为此时智能汽车的弯道行驶轨迹；若存在风险，预规划轨迹Y将进入基于非对称性风险场的弯道轨迹重规划子模块，利用非对称性风险场对弯道轨迹进行重规划。

(3)按照车辆弯道行驶时的风险来源，所述非对称性风险场分为非对称性交通车风险场、非对称性静态障碍物风险场以及非对称性车道线风险场。其中非对称性交通车风险场和非对称性静态障碍物风险场分别用于描述自车与周围交通车和静态障碍物发生碰撞的风险，非对称性车道线风险场用于描述自车的越线风险：

①非对称性交通车风险场：

交通车对自车产生的风险场不仅与交通车和自车的距离有关，还与交通车和自车的相对运动状态有关，基于此，本发明构建了如下形式的交通车风险场：

其中，

通过引入固连在交通车i上的Frenet坐标系，同时实现了场强

图6给出了本发明所建立的非对称性交通车风险场场强分布，可以看到该风险场模型能够有效表征交通车在周围环境中产生的风险分布，且能够通过场强形状的变化反应交通车加减速以及转向行为对风险分布的影响：加速行驶的交通车在其车头前方产生的场强大于后方；减速行驶的交通车在其车尾产生的场强大于前方；转弯车辆则在其转向向心加速度方向上呈现出更大的场强，由此可见本发明建立的非对称性交通车风险场符合驾驶人对交通车风险的认知特性。

②非对称性静态障碍物风险场：

自车在弯道上行驶时，还会受到静态障碍物产生的风险。对于静态障碍物p产生的场强

③非对称性车道线风险场；

本发明考虑到交通规则的约束，双向车道分界线(双实线)产生的场强应当显著大于同向道路分界线(单实线)产生的场强，这即是车道线风险场的非对称性。本发明通过高斯分布描述车道线的场强分布。

直道车道线产生的场强E

d

其中，K

弯道车道线产生的风险场E

d

其中，d

基于非对称性风险场的预规划轨迹风险评估子模块将按照上述方式计算非对称性交通车风险场场强

基于非对称性风险场的预规划轨迹风险评估子模块将计算整个预规划弯道轨迹Y上自车j承受的平均合场强即平均风险

(4)基于非对称性风险场的弯道轨迹重规划子模块以预规划轨迹Y为输入，输出重规划轨迹Y′。弯道轨迹重规划的过程可写作：

其中，Y′(t

其中，δ

图8给出了在某次弯道轨迹规划中，本发明所述的一种智能汽车弯道轨迹双重规划系统的效果。从图8可以看到，完全匹配驾驶人特性的预规划轨迹的平均风险为0.5171，高于驾驶人风险承受阈值，若车辆按这两种轨迹行驶，则会造成驾乘人员的恐慌和对智能汽车信任度的下降。而经过本发明的双重轨迹规划后，轨迹风险低至0.3160，在驾驶人的风险承受范围内，证明了本发明所述的双重轨迹规划系统的有效性。

需要补充说明的是，

①重型车辆的

②在附着系数低、不平度等级高、坡度大等行驶条件较差的应用场景中，

③面向激进型驾驶人的

个性化参数的设置能够保障本发明所述系统具有面向不同车型、不同场景以及不同用户群体的良好匹配能力，保障了本发明所述系统的泛化性和可移植性，通过简单的参数标定即可代替繁琐的系统重复开发，能够有效降低人力、物力以及时间成本。