确保自动车辆存在避开移动障碍机动动作的轨迹规划系统

技术领域

本公开涉及一种自动驾驶车辆的轨迹规划系统，其中轨迹规划系统确保当自动驾驶车辆行驶时避开一个或多个移动障碍物的机动动作始终存在。

背景技术

半自动驾驶和自动驾驶车辆在道路上变得越来越普遍。自动驾驶车辆可以执行各种规划任务，例如任务规划、行为规划和局部规划。一般来说，任务规划器基于自主车辆的开始位置到结束位置来确定轨迹或路线。当车辆沿着任务规划器确定的规定路线前进时，行为规划器专注于处理移动障碍物和静态物体，同时遵守任何规定的道路规则。

行为规划器目前没有利用基于动力学的预测信息来做出关于车辆轨迹的决策。因此，在某些情况下，在极端或意外事件中车辆可能无法完成及时避开移动障碍物的机动动作。极端或意外事件的一些示例包括恶劣天气、致动器不工作时或者为了避免不稳定的驾驶员。特别是，传统方法可以使用结合最坏情况加速度的运动学模型来限制车辆之间的车距。然而，运动学模型没有考虑线性和非线性轮胎动力学、较高滑移驾驶条件或车辆的横向状态和纵向状态之间的耦合运动。

因此，虽然当前的自动驾驶车辆实现了其预期目的，但是本领域中仍需要一种改进的轨迹规划系统，该轨迹规划系统通过利用保真度动力学模型来确保规避机动动作始终存在并且可在感兴趣的操作域内执行。

发明内容

根据几个方面，公开了一种自动驾驶车辆的轨迹规划系统，轨迹规划系统包括与一个或多个外部车辆网络电子通信的一个或多个控制器，一个或多个外部车辆网络收集关于位于自动驾驶车辆周围的环境中的一个或多个移动障碍物的数据。一个或多个控制器执行指令以基于自动驾驶车辆动力学模型来确定离散时间相对车辆状态。一个或多个控制器基于离散时间相对车辆状态来确定位置回避集合，位置回避集合表示自动驾驶车辆在执行机动动作时绕过一个或多个移动障碍物时所回避的相对横向位置和纵向位置。一个或多个控制器针对一组给定的速度限制和路况，确定自动驾驶车辆在不进入位置回避集合的情况下无法执行机动动作的一组自我状态。一个或多个控制器计算自动驾驶车辆的多个相对状态轨迹，其中多个相对状态轨迹避免与该组自我状态的规避集合相交。一个或多个控制器从自动驾驶车辆的多个相对状态轨迹中选择轨迹，其中自动驾驶车辆在执行机动动作时遵循该轨迹。

在一个方面，一个或多个控制器通过以下方式选择轨迹：基于一个或多个特性为自动驾驶车辆的每个相对状态轨迹分配分数，并且选择具有最高分数的相对状态轨迹作为轨迹。

在另一个方面，一个或多个特性包括以下一项或多项：乘坐舒适性、油耗、定时和持续时间。

在又一个方面，轨迹规划系统包括与一个或多个控制器电子通信的多个传感器，其中一个或多个控制器从多个传感器接收多个动态变量作为输入。

在一个方面，一个或多个控制器基于多个动态变量、车辆底盘配置信息以及对应于自动驾驶车辆的控制输入向量来确定自动驾驶车辆的自动驾驶车辆动力学模型。

在另一个方面，位置回避集合由下式确定：

其中

在又一个方面，该组自我状态的规避集合被保存为一个或多个查找表，并且基于自动驾驶车辆当前行驶的道路的当前速度限制和一个或多个路况进行索引。

在一个方面，一个或多个控制器基于自动驾驶车辆的初始状态、自动驾驶车辆的最终状态以及一个或多个驾驶攻击性级别来确定自动驾驶车辆的多个相对状态轨迹。

在另一个方面，一个或多个驾驶攻击性级别包括保守攻击性级别、适度攻击性级别和侵略攻击性级别。

在又一个方面，一个或多个控制器在离线过程中基于模拟数据和实验数据中的一个确定该组自我状态。

在一个方面，一个或多个移动障碍物包括位于自动驾驶车辆正行驶的道路上的另一车辆。

在另一个方面，该组自我状态表示自动驾驶车辆无法在时间范围内执行机动动作以避开一个或多个移动障碍物的车辆状态。

在又一个方面，自动驾驶车辆动力学模型包括以下一项或多项:线性轮胎模型和非线性轮胎模型。

在一个方面，公开了一种包括轨迹规划系统的自动驾驶车辆，自动驾驶车辆包括确定多个动态变量的多个传感器、收集关于位于自动驾驶车辆周围的环境中的一个或多个移动障碍物的数据的一个或多个外部车辆网络、以及与一个或多个外部车辆网络和多个传感器电子通信的一个或多个控制器。一个或多个控制器执行指令以基于多个动态变量和车辆底盘配置信息来确定自动驾驶车辆的自动驾驶车辆动力学模型。一个或多个控制器基于自动驾驶车辆动力学模型来确定离散时间相对车辆状态。一个或多个控制器基于离散时间相对车辆状态来确定位置回避集合，位置回避集合表示自动驾驶车辆在执行机动动作时绕过一个或多个移动障碍物时所回避的相对横向位置和纵向位置。一个或多个控制器针对一组给定的速度限制和路况，确定自动驾驶车辆在不进入位置回避集合的情况下无法执行机动动作的一组自我状态。一个或多个控制器计算自动驾驶车辆的多个相对状态轨迹，其中多个相对状态轨迹避免与该组自我状态的规避集合相交。一个或多个控制器从自动驾驶车辆的多个相对状态轨迹中选择轨迹，其中自动驾驶车辆在执行机动动作时遵循该轨迹。

在另一个方面，一个或多个控制器通过以下方式选择轨迹：基于一个或多个特性为自动驾驶车辆的每个相对状态轨迹分配分数，并且选择具有最高分数的相对状态轨迹作为轨迹。

在又一个方面，该组自我状态的规避集合被保存为一个或多个查找表，并且基于自动驾驶车辆当前行驶的道路的当前速度限制和一个或多个路况进行索引。

在一个方面，一个或多个控制器基于自动驾驶车辆的初始状态、自动驾驶车辆的最终状态以及一个或多个驾驶攻击性级别来确定自动驾驶车辆的多个相对状态轨迹。

在另一个方面，自动驾驶车辆动力学模型包括以下一项或多项：线性轮胎模型和非线性轮胎模型。

在一个方面，一种用于选择自动驾驶车辆的轨迹的方法包括由一个或多个控制器基于自动驾驶车辆动力学模型来确定离散时间相对车辆状态，其中一个或多个控制器与一个或多个外部车辆网络电子通信，一个或多个外部车辆网络收集关于位于自动驾驶车辆周围的环境中的一个或多个移动障碍物的数据。该方法包括基于离散时间相对车辆状态确定位置回避集合，位置回避集合表示自动驾驶车辆在执行机动动作时绕过一个或多个移动障碍物时所回避的相对横向位置和纵向位置。该方法包括针对一组给定的速度限制和路况，确定自动驾驶车辆在不进入位置回避集合的情况下无法执行机动动作的一组自我状态。该方法还包括计算自动驾驶车辆的多个相对状态轨迹，其中多个相对状态轨迹避免与该组自我状态的规避集合相交。该方法还包括从自动驾驶车辆的多个相对状态轨迹中选择轨迹，其中自动驾驶车辆在执行机动动作时遵循该轨迹。

在另一个方面，该方法包括通过以下方式选择轨迹：基于一个或多个特性为自动驾驶车辆的每个相对状态轨迹分配分数，以及选择具有最高分数的相对状态轨迹作为轨迹。

根据本文提供的描述，进一步的适用领域将变得显而易见。应该理解，说明书和具体示例仅仅是为了说明的目的，而不是旨在限制本公开的范围。

附图说明

本文描述的附图仅用于说明目的，并不旨在以任何方式限制本公开的范围。

图1是根据示例性实施例的包括所公开的轨迹规划系统的自动驾驶车辆的示意图，其中轨迹规划系统包括与多个传感器电子通信的一个或多个控制器；

图2是根据示例性实施例的沿着道路行驶的自动驾驶车辆和另一车辆的图示；

图3是根据示例性实施例的图1所示的一个或多个控制器的框图；以及

图4是示出根据示例性实施例的用于选择图1所示的自动驾驶车辆的轨迹的方法的过程流程图。

具体实施方式

以下描述本质上仅仅是示例性的，并不旨在限制本公开、应用或用途。

参考图1，示出了自动驾驶车辆12的示例性轨迹规划系统10。轨迹规划系统10确保自动驾驶车辆12始终存在避开一个或多个移动障碍物的机动动作。应当理解，自动驾驶车辆12可以是任何类型的车辆，例如但不限于轿车、卡车、运动型多用途车、面包车或房车。自动驾驶车辆12可以是包括用于执行所有驾驶任务的自动驾驶系统(ADS)的全自动驾驶车辆，或者包括用于辅助驾驶员转向、制动和/或加速的高级驾驶辅助系统(ADAS)的半自动驾驶车辆。

轨迹规划系统10包括与多个传感器22电子通信的一个或多个控制器20，多个传感器22被配置为监测指示自动驾驶车辆12的动态状态的数据和指示位于车辆12周围的环境52(图2)中的障碍物的数据。在如图1所示的非限制性实施例中，多个传感器22包括用于测量自动驾驶车辆12的一个或多个车轮40的车轮角速度的一个或多个车轮速度传感器30、一个或多个摄像头32、惯性测量单元(IMU)34、全球定位系统(GPS)36和激光雷达38，然而，应当理解，也可以使用额外的传感器。一个或多个控制器20还与多个车辆系统24电子通信。在一个非限制性实施例中，车辆系统24包括制动系统42、转向系统44、动力总成系统46和悬架系统48，然而，应当理解，也可以包括其他车辆系统。一个或多个控制器20还与一个或多个外部车辆网络26电子通信。一个或多个外部车辆网络26可以包括但不限于蜂窝网络、专用短程通信(DSRC)网络和车辆到基础设施(V2X)网络。

图2是在自动驾驶车辆12周围的环境52中沿着道路50在行驶的自动驾驶车辆12的图示，其中环境52包括沿着道路50设置的一个或多个移动障碍物54。在如图2所示的示例中，移动障碍物54是位于自动驾驶车辆12正在行驶的道路50上的另一车辆，然而，应当理解，图2本质上只是示例性的。实际上，移动障碍物54可以是自动驾驶车辆12避免接触的任何移动物体，例如自行车、行人和动物。一个或多个控制器20(图1)可以经由一个或多个外部车辆网络26接收关于移动障碍物54的信息。如图2所示，感兴趣区域60存在于移动障碍物54和自动驾驶车辆12之间。感兴趣区域60表示自动驾驶车辆12无法在避免与移动障碍物54接触的同时在时间范围内执行机动动作的沿着道路50的区域。在一个非限制性实施例中，机动动作是为了避免与移动障碍物54发生交通事故而执行的规避机动动作。当自动驾驶车辆12位于感兴趣区域60之外时，保证自动驾驶车辆12能够执行避免接触移动障碍物54的机动动作。如果自动驾驶车辆12在感兴趣区域60内，不再保证自动驾驶车辆12能够执行避免与移动障碍物54接触的机动动作。这是因为一旦自动驾驶车辆12进入感兴趣区域60，现在避开障碍物的能力不再仅仅由自动驾驶车辆12所执行的规划和控制算法来确定，而是也基于移动障碍物54的动作来影响或确定。

参考图1和图2，轨迹规划系统10选择自动驾驶车辆12所遵循的轨迹62，其中轨迹62在时间范围内不与感兴趣区域60相交或避开感兴趣区域60。如上所述，在一些实施例中，可以执行轨迹62以故意规避或避开移动障碍物54。自动驾驶车辆12在执行机动动作时遵循轨迹62，同时避开一个或多个移动障碍物54。应当理解，在一些实施例中，轨迹62可以沿着其边界66略微侵占感兴趣区域60。在时间范围内，移动障碍物54也移动，其中由移动障碍物54产生的移动区域由移动障碍物区域64表示。当自动驾驶车辆12避免进入感兴趣区域60时，随之而来的是自动驾驶车辆12可以避免进入移动障碍物区域64。

图3是图1所示的一个或多个控制器20的图示。一个或多个控制器20包括离线模块70、状态监测系统模块72和实时模块74，实时模块74在自动驾驶车辆12行驶时实时选择自动驾驶车辆12的轨迹62。离线模块70确定对应于自动驾驶车辆12的一组自我状态

离线模块70考虑对应于自动驾驶车辆12的控制输入向量

参考图1-图3，离线模块70从一个或多个传感器22接收多个动态变量90作为输入，其中动态变量90各自表示指示自动驾驶车辆12的动态状态和驾驶环境条件的操作参数。驾驶环境条件的一些示例包括但不限于道路类型、路面和天气条件。应当理解，动态变量90是基于实验数据或模拟数据确定的。离线模块70还接收车辆底盘配置信息92作为输入，其中车辆底盘配置信息92指示诸如但不限于车轮数量、从动轮数量和转向轮数量的信息。离线模块70基于动态变量90、自动驾驶车辆12的车辆底盘配置信息92和自动驾驶车辆12的控制输入向量

离线模块70还从一个或多个外部车辆网络26接收动力学变量98和关于位于自动驾驶车辆12周围的环境52中的一个或多个车辆的车辆底盘配置信息100。离线模块70基于动力学变量98、车辆底盘配置信息100和对应于位于环境52中的一个或多个移动障碍物54的控制输入向量

离线模块70基于自动驾驶车辆12的自动驾驶车辆动力学模型和位于环境52中的一个或多个移动障碍物54的障碍物动力学模型来确定离散时间相对车辆状态e，其中离散时间相对车辆状态e表示预测自动驾驶车辆12在下一时间步长k相对于移动障碍物54的相对状态的函数。应当理解，离散时间相对车辆状态e的横向位移和纵向位移都以Frenet坐标系表示。

离线模块70通过首先确定对应于自动驾驶车辆12的自动驾驶车辆动力学模型和位于环境52中的一个或多个移动障碍物54的障碍物动力学模型之间的位置和速度差来确定离散时间相对车辆状态e，以确定相对非线性动力学模型。如上所述，自动驾驶车辆12的自动驾驶车辆动力学模型和位于环境52中的一个或多个移动障碍物54的障碍物动力学模型都包括线性轮胎模型、非线性轮胎模型、或线性和非线性轮胎模型。相应地，相对非线性动力学模型的非线性轮胎模型关于感兴趣操作条件被线性化。感兴趣操作条件的一个示例是沿着车道中心线的恒定速度，然而，应当理解，也可以使用其他操作条件。将非线性轮胎模型线性化导致与相对非线性动力学模型相关联的连续时间设备和输入矩阵。然后将线性化的相对非线性动力学模型从连续时间模型离散化为离散时间模型。在一个实施例中，线性化的相对非线性动力学模型由零阶保持模型或一阶保持模型离散化，这产生了离散时间相对车辆状态e，然而，也可以使用其他离散化方法。

离线模块70然后基于离散时间相对车辆状态e确定位置回避集合

其中e

其中s是一个或多个车辆的纵向位置，d是一个或多个车辆的横向位置，s

离线模块70然后针对一组给定的速度限制和路况，确定自动驾驶车辆12在感兴趣范围内在不进入位置回避集合

其中e

一旦离线模块70求解了该组自我状态

离线模块70确定一组多元参与者状态

一旦离线模块70确定了该组多元参与者状态

离线模块70然后确定多个占用率集合

其中P表示容许位置子空间(即，容许驾驶区域或道路几何形状)，

状态监测系统模块72估计车辆状态120，其中车辆状态120指示自动驾驶车辆12的当前位置和速度。状态监测系统模块72还估计障碍物状态122，其中障碍物状态122指示位于环境52中的一个或多个移动障碍物54的当前位置和速度。应当理解，车辆状态120和障碍物状态122都以Frenet坐标系表示。车辆状态120和障碍物状态122都是基于任何估计技术来估计的，例如，线性和非线性卡尔曼滤波器或物体检测和跟踪系统。

实时模块74基于对应于该组自我状态的规避集合

实时模块74然后基于自动驾驶车辆12的初始状态、自动驾驶车辆12的最终状态和一个或多个驾驶攻击性级别来计算自动驾驶车辆12的多个相对状态轨迹p

实时模块74然后通过以下方式选择轨迹62：基于一个或多个特性为自动驾驶车辆12的每个相对状态轨迹p

图4是示出用于通过轨迹规划系统10确定自动驾驶车辆12的轨迹62的方法200的过程流程图。通常参考图1-图4，方法200可以开始于步骤202。在步骤202中，一个或多个控制器20的离线模块70基于动态变量90、自动驾驶车辆12的车辆底盘配置信息92和自动驾驶车辆12的控制输入向量

在步骤204中，一个或多个控制器20的离线模块70基于自动驾驶车辆12的自动驾驶车辆动力学模型来确定离散时间相对车辆状态e。方法200然后可以进行到步骤206。

在步骤206中，一个或多个控制器20的离线模块70基于离散时间相对车辆状态e来确定位置回避集合

在步骤208中，一个或多个控制器20的离线模块70针对一组给定的速度限制和路况，确定自动驾驶车辆12在不进入位置规避集合

在步骤210中，一个或多个控制器20的离线模块70确定该组自我状态的规避集合

在步骤212中，一个或多个控制器20的实时模块74计算自动驾驶车辆12的相对状态轨迹p

在步骤214中，一个或多个控制器20的实时模块74从自动驾驶车辆12的多个相对状态轨迹p

通常参考附图，所公开的轨迹规划系统提供了各种技术效果和益处。具体地，本公开提供了一种方法和架构，该方法和架构确保用于避开移动障碍物的机动动作总是存在并且可由自动驾驶车辆在感兴趣的操作域内执行。应当理解，可以通过应用外部车辆网络(例如V2X)来与位于自动驾驶车辆周围的环境内的其他移动障碍物通信来增强轨迹规划系统。此外，当前的方法可依赖于运动学模型来确定车辆之间的车距，然而，运动学模型没有考虑线性和非线性轮胎动力学或者车辆的横向和纵向状态的运动之间的耦合。相比之下，所公开的轨迹规划系统捕获线性和非线性轮胎动力学以及车辆的耦合的横向和纵向运动。

控制器可以指或者是电子电路、组合逻辑电路、现场可编程门阵列(FPGA)、执行代码的处理器(共享处理器、专用处理器或分组处理器)的一部分，或者上述的一些或全部的组合，例如在片上系统中。此外，控制器可以是基于微处理器的，例如具有至少一个处理器、存储器(RAM和/或ROM)以及相关联的输入和输出总线的计算机。处理器可以在驻留在存储器中的操作系统的控制下运行。操作系统可以管理计算机资源，使得体现为一个或多个计算机软件应用程序(例如驻留在存储器中的应用程序)的计算机程序代码可以具有由处理器执行的指令。在替代实施例中，处理器可以直接执行应用程序，在这种情况下可以省略操作系统。

本公开的描述本质上仅仅是示例性的，并且不脱离本公开的主旨的变化旨在落入本公开的范围内。这种变化不应被视为背离本公开的方案和范围。