CN109283843A - 一种基于多项式与粒子群算法融合的换道轨迹规划方法 - Google Patents

Abstract

本发明公开了一种基于多项式与粒子群算法融合的换道轨迹规划方法，包括步骤：车载传感器探测出道路信息、本车信息与障碍物信息；数据采集，通过PreScan搭建了仿真数据采集平台得到换道纵向位移与目标车速的可行数据集；粒子群算法模块，设定合适的评价指标J，利用粒子群算法的寻优能力在数据集中进行迭代寻优，得到最优的换道纵向位移与目标车速；边界条件的获取，确定初始状态和目标状态的各项数值；将上一步骤中获得的边界条件数值带入五次多项式，求出最优的换道轨迹。本发明所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，能够确定理想的边界条件，使规划过程简单、合理，同时可以使智能车换道高效且兼具舒适性。

Description

一种基于多项式与粒子群算法融合的换道轨迹规划方法

技术领域

本发明涉及智能车的轨迹规划领域，特别涉及一种基于多项式与粒子群算法融合的换道轨迹规划方法。

背景技术

随着全球汽车的普及，交通安全问题也日益突出。据统计，因驾驶员导致的交通事故占到90％以上，因此智能车辆得到越来越多的关注。近年来，车辆换道行为已经成为国内外学者研究的热点，而换道轨迹的生成是实现车道变换的前提条件，换道轨迹的性能决定了车辆在换道过程中能否高效、舒适、安全地运行。

然而，现有当中的换道轨迹规划方法都存在缺陷，过于理想化，脱离实际，并且规划出的轨迹无法满足高效和舒适性的要求。

发明内容

本发明的目的：针对现有技术的不足，本发明提供一种基于多项式与粒子群算法融合的换道轨迹规划方法。在现有技术中换道轨迹规划的基础上加以改进，融合粒子群算法。一方面，本发明提出的方法所规划出的换道轨迹在满足安全性条件的前提下具有较好的性能指标，能够较好地满足乘坐舒适性要求且兼顾效率。另一方面，利用粒子群算法解决了多项式轨迹规划算法的边界条件选取问题，大大降低了换道纵向位移与目标车速的不确定性，提高了算法的可靠性，有利于实现智能汽车对所规划轨迹的精准跟随。

本发明的技术方案：一种基于多项式与粒子群算法融合的换道轨迹规划方法，包括以下步骤：

第一步，车载传感器探测出道路信息，障碍物信息，本车自身运行状态包括车身位姿信息、速度、加速度等。

第二步，数据采集，通过PreScan搭建了仿真数据采集平台，得到换道纵向位移L与目标车速v_xfin的可行数据集。

第三步，利用粒子群算法在数据集中寻找最理想的数值：利用粒子群算法设定目标函数，从随机解出发，通过迭代寻找最优解。。

第四步，获取边界条件：利用前面步骤所得信息，确定初始状态和目标状态中各项的数值。

第五步，规划最优换道轨迹，将上一步骤中获得的边界条件数值带入五次多项式，求出高效且兼顾舒适性的换道轨迹。

进一步，所述第一步的车身传感器，包括融合相机、1线激光雷达、4线激光雷达、ESR毫米波雷达、64线激光雷达、GPS组合导航***。融合相机分布在车辆前后挡风玻璃上负责采集车道线、交通灯、标志牌等信息；1线激光雷达分布在车头处，用于采集正前方障碍物信息；4线激光雷达安装在车身周围，用于近距离障碍物检测，减少视觉死角的出现；毫米波雷达安装在车辆前保险杠中间位置，用于采集障碍物与本车辆的相对距离和速度信息；64线激光雷达安装在车辆顶部中间位置，检测范围较大，用于车辆周围中远距离障碍物检测；GPS导航***用于获得车辆实时位置信息；

进一步，所述第二步的数据采集环节，为了得到合理、有效的换道纵向位移L与目标车速v_xfin的可信范围，本发明首先基于PreScan搭建了仿真数据采集平台，然后邀请具备代表性的不同样本人群，每人操作数次，从而得到一个数据集。

进一步，所述第三步利用粒子群算法在数据集中寻找最理想的数值，通过追随当前搜索到的最优值来寻找全局最优。本发明提出的这种算法易于实现、精度高且收敛快。本发明的粒子群算法不需要编码，直接利用粒子的位置来表示自变量，每个粒子的位置都由自变量的个数和取值范围决定，而速度由自变量的个数和速度限制决定，形式如下，其中d代表空间维数(自变量数)。

速度和位置更新是粒子群算法的核心，其原理表达式和更新方式设置如下:

其中，w是惯性权重；c₁，c₂是学习因子；r₁，r₂是比例系数；p_id表示第i个变量的个体极值的第d维，p_gd表示全局最优解的第d维；v_id表示更新的速度信息，x_id表示更新的位置信息。

本发明引入评价指标J来确定更适合的参数v_xfin和L。针对最大加速度a_m越大，换道时的舒适感越差，换道时的纵向位移L越大，换道效率越低这两类问题，为了弥补两个指标在数量级上的差异，对两者均进行无量纲归一化处理，针对轨迹规划的目标将目标函数定义为如下表达式；

其中a_m是车辆总的最大加速度，a_mx是车辆纵向最大加速度，a_my是车辆横向最大加速度，且a_mx由换道的始末速度决定，而换道初始速度v_xin为已知，所以a_mx由换道结束时的纵向速度v_xfin决定。

其中β₁+β₂＝1。根据驾驶需求来调整β₁和β₂的值，若对换道舒适度要求较高，则提高β₁的值；若对换道效率要求较高，则提高β₂的值。

通过粒子群算法的寻优特性，来求得当轨迹评价指标最小时所对应的L与v_xfin。

进一步，所述第四步，其中x_in，和分别表示换道初始时刻在世界坐标系下沿X方向的位置、速度和加速度；x_fin，和分别表示换道完成时刻在世界坐标系下沿X方向的位置、速度和加速度；y_in，和分别表示换道初始时刻在世界坐标系下沿Y方向的位置、速度和加速度信息：y_fin，和分别表示换道完成时刻在世界坐标系下沿Y方向的位置、速度和加速度信息。

进一步，所述第五步，为了满足车辆动力学，本发明获得一个加速度连续的轨迹，位置和速度需要合适的初始和终止条件，也需要合适的初始和终止加速度值。如此共设置六个边界条件，采用的五次多项式换道轨迹模型如下：

设t＝0时开始换道且此时车辆质心位于坐标系原点，t＝t₀时完成换道。若初始状态和目标状态中各项数值为已知，即可求解出轨迹方程，从而获得换道轨迹。

本发明的有益效果在于：

1.本发明所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，所规划出的换道轨迹在满足安全性条件的前提下具有较好的性能指标，能够较好地满足乘坐舒适性要求且兼顾效率。

2.本发明所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，由于本发明利用粒子群算法解决了多项式轨迹规划算法的边界条件选取问题，大大降低了换道纵向位移与目标车速的不确定性，提高了算法的可靠性，有利于实现智能汽车对所规划轨迹的精准跟随。

附图说明

图1为本发明的原理示意框图。

图2为本发明中粒子群算法仿真结果图。

(a)表示迭代次数与最优值J的关系。

(b)表示迭代次数与纵向位移L的关系。

(c)表示迭代次数与纵向速度v_xfin的关系。

图3为本发明提出换道轨迹的加速度与时间的关系图。

(a)表示本发明提出换道轨迹的纵向加速度与时间的关系图。

(b)表示本发明提出换道轨迹的横向加速度与时间的关系图。

图4为本发明换道轨迹与传统多项式换道轨迹的对比图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明。

如图1所示，一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于包括车载传感器、数据采集、轨迹规划模块、边界条件的获取、规划最优换道轨迹。

本发明的具体实施方案为：

第一步，车载传感器探测出道路信息，障碍物信息，本车自身运行状态包括车身位姿信息、速度、加速度等。实时获取数据：本车换道起始时刻的位置坐标(x_in,y_in)，速度v_xin、加速度a_in的具体数值。

第二步，数据采集，通过PreScan搭建了仿真数据采集平台，得到换道纵向位移L与目标车速v_xfin的可行数据集。此处实验邀请10位已获取驾照的同学，每人操作十次换道过程且要求在5s左右完成，共得到100组数据(下文的仿真也用同样的数值)，可根据实际需求调整样本的数量。经统计L∈(40m,96m),v_xfin∈(0.78v_xin,1.23v_xin)。

第三步，粒子群算法模块；利用粒子群算法的寻优能力在数据集中寻找最理想的数值。本发明引入评价指标J来确定更适合的参数v_xfin和L。针对最大加速度a_m越大，换道时的舒适感越差；换道时的纵向位移L越大，换道效率越低这两类问题，为弥补两个指标在数量级上的差异，对两者均进行无量纲归一化处理，针对轨迹规划的目标将目标函数定义为如下表达式：

分析得出，J的值越小，换道性能越好。其中β₁+β₂＝1。根据驾驶需求来调整β₁和β₂的值，若对换道舒适度要求较高，则提高β₁的值；若对换道效率要求较高，则提高β₂的值。本发明取β₁＝β₂＝0.5。代入粒子群算法进行仿真验证。仿真结果如图2所示，J_min＝0.43265，L＝46.78m,v_xfin＝8.09m/s。即当换道纵向位移为46.78m、换道结束时的纵向速度为8.09m/s时，换道性能指标最优，最优值为0.43265，此时可以获取最优的换道轨迹。

第四步，边界条件的获取，在换道初始和结束的时刻，汽车应只有纵向速度，横向速度为0，且横向、纵向加速度均为0，这样才能满足车辆运动学特性。v_xin表示换道初始时刻汽车的纵向速度，可由车载传感器测得，此处取v_xin＝10m/s，h表示车道宽，此处取3.75m，设t＝0时，开始换道且此时车辆质心位于坐标系原点，t＝t₀＝5s时完成换道，前文中粒子群算法求得L＝46.78m,v_xfin＝8.09m/s。因此，可表示为：初始状态(0，10，0，0，0，0)，目标状态(46.78，8.09，0，3.75，0，0)。

第五步，规划最优换道轨迹，将上一步骤中获得的边界条件数值带入五次多项式，函数模型为：

求解即可得到最优的换道轨迹。

图3(a)和图3(b)分别为纵向加速度、横向加速度与换道时间的关系图。由图3可知，轨迹的加速度曲线变化平稳，波动幅度小，并且将加速度的极值控制在较小的范围内，满足汽车动力学约束。

图4为本发明提出的换道轨迹与传统多项式换道轨迹的对比图。由图可知，在满足车辆动力学约束和舒适性要求的前期下，本发明提出的换道轨迹效率更高。可见融合粒子群算法的换道轨迹优于传统多项式的换道轨迹。

综上所述，本发明提出一种基于多项式与粒子群算法融合的换道轨迹规划方法，解决了传统多项式算法边界条件随意人为给定的缺陷。通过引入粒子群算法，迭代寻优得到最理想的换道纵向位移L与目标车速v_xfin，从而得到高效且兼顾舒适性的最优换道轨迹。

以上对本发明所提供的一种基于多项式与粒子群算法融合的换道轨迹规划方法进行了详细介绍，以上所述仅为本发明较佳实施例，仅用于说明本发明的设计思想和特点，并不用于限制本发明，凡在本发明技术思想下所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，包括如下步骤：

步骤1，利用车载传感器探测出道路信息、障碍物信息、以及本车自身运行状态，包括车身位姿信息、速度、加速度；

步骤2，数据采集：利用数据采集平台，得到换道纵向位移L与目标车速v_xfin的数据集；

步骤3，利用粒子群算法在得到的可行数据集中寻找最理想的数值：利用粒子群算法设定目标函数，从随机解出发，通过迭代寻找最优解；

步骤4，获取边界条件：利用前面步骤所得信息，确定初始状态和目标状态中各项的数值；

步骤5，规划最优换道轨迹：将上一步骤中获得的边界条件数值带入五次多项式换道轨迹方程，求出高效且兼顾舒适性的换道轨迹。

2.根据权利要求1所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，所述步骤1的车身传感器包括：融合相机、1线激光雷达、4线激光雷达、ESR毫米波雷达、64线激光雷达、GPS组合导航***。

3.根据权利要求2所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，所述融合相机分布在车辆前后挡风玻璃上负责采集车道线、交通灯、标志牌等信息；1线激光雷达分布在车头处，用于采集正前方障碍物信息；4线激光雷达安装在车身周围，用于近距离障碍物检测，减少视觉死角的出现；毫米波雷达安装在车辆前保险杠中间位置，用于采集障碍物与本车辆的相对距离和速度信息；64线激光雷达安装在车辆顶部中间位置，检测范围较大，用于车辆周围中远距离障碍物检测；GPS导航***用于获得车辆实时位置信息。

4.根据权利要求1所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，步骤2的具体实现：首先基于PreScan搭建仿真数据采集平台，然后邀请具备代表性的不同样本人群，每人操作数次，得到合理、有效的换道纵向位移L与目标车速v_xfin的数据集。

5.根据权利要求1所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，步骤3的具体实现包括：

通过追随当前搜索到的最优值来寻找全局最优；利用粒子的位置来表示自变量，每个粒子的位置都由自变量的个数和取值范围决定，而速度由自变量的个数和速度限制决定，具体形式如下，其中d代表空间维数，即自变量数：

速度和位置更新的表达式和更新方式设置如下:

利用评价指标J来确定适合的参数v_xfin和L；针对最大加速度a_m越大，换道时的舒适感越差，换道时的纵向位移L越大，换道效率越低这两类问题，为弥补两个指标在数量级上的差异，对两者均进行无量纲归一化处理，针对轨迹规划的目标将评价指标目标函数定义为如下表达式；

其中a_m是车辆总的最大加速度，a_mx是车辆纵向最大加速度，a_my是车辆横向最大加速度，且a_mx由换道的始末速度决定，而换道初始速度v_xin为已知，所以a_mx由换道结束时的纵向速度v_xfin决定。

其中β₁+β₂＝1，根据驾驶需求来调整β₁和β₂的值，若对换道舒适度要求较高，则提高β₁的值；若对换道效率要求较高，则提高β₂的值。

通过粒子群算法的寻优特性，求得当轨迹评价指标J最小时所对应的L与v_xfin。

6.根据权利要求1所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，步骤4中：x_in，和分别表示换道初始时刻在世界坐标系下沿X方向的位置、速度和加速度；x_fin，和分别表示换道完成时刻在世界坐标系下沿X方向的位置、速度和加速度；y_in，和分别表示换道初始时刻在世界坐标系下沿Y方向的位置、速度和加速度信息：y_fin，和分别表示换道完成时刻在世界坐标系下沿Y方向的位置、速度和加速度信息。

7.根据权利要求1所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，步骤5中：

采用的五次多项式的换道轨迹模型如下：

设t＝0时开始换道且此时车辆质心位于坐标系原点，t＝t₀时完成换道；若初始状态和目标状态中各项数值为已知，即可求解出轨迹方程，从而获得换道轨迹。

8.根据权利要求7所述的一种基于多项式与粒子群算法融合的换道轨迹规划方法，其特征在于，还包括设置六个边界条件：满足车辆动力学要求，加速度连续的轨迹，位置和速度合适的初始和终止条件，合适的初始和终止加速度值。