CN110362096B - 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 - Google Patents
一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 Download PDFInfo
- Publication number
- CN110362096B CN110362096B CN201910746277.1A CN201910746277A CN110362096B CN 110362096 B CN110362096 B CN 110362096B CN 201910746277 A CN201910746277 A CN 201910746277A CN 110362096 B CN110362096 B CN 110362096B
- Authority
- CN
- China
- Prior art keywords
- unmanned vehicle
- vehicle
- track
- obstacle
- unmanned
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 57
- 230000006870 function Effects 0.000 claims description 76
- 230000001133 acceleration Effects 0.000 claims description 28
- 230000004888 barrier function Effects 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 14
- 238000013461 design Methods 0.000 claims description 13
- 238000006073 displacement reaction Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 6
- 238000009825 accumulation Methods 0.000 claims description 5
- 230000008450 motivation Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000005484 gravity Effects 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- NRNCYVBFPDDJNE-UHFFFAOYSA-N pemoline Chemical compound O1C(N)=NC(=O)C1C1=CC=CC=C1 NRNCYVBFPDDJNE-UHFFFAOYSA-N 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
- G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- General Physics & Mathematics (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Aviation & Aerospace Engineering (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明属于无人驾驶汽车路径规划技术领域,尤其涉及一种基于局部最优性的无人驾驶车辆动态轨迹规划方法。该方法根据道路上障碍物车辆的不同位置与其不同相应的工况,来进行最优参考轨迹的选取并进行动态的轨迹规划。分析无人车换道意图的产生与换道可执行的条件,根据对周围障碍车位置以及速度的预测在决定避障换道的初始时刻拟合出局部最优换道轨迹,进而把这条最优轨迹作为局部参考轨迹。生成无人车可行驶的轨迹簇,并将设计出的速度距离成本代价函数与损失函数相结合,利用非线性模型预测控制筛选出轨迹簇中的最优轨迹。该方法能够在多种复杂工况下实现避障、换道与超车,而且兼顾了无人车中乘客的舒适性与道路行驶效率等性能。
Description
技术领域
本发明属于无人驾驶汽车路径规划技术领域,尤其涉及一种基于局部最优性的无人驾驶车辆动态轨迹规划方法。
背景技术
伴随着时代的进步与发展,无人驾驶技术从根本上带来了社会的变革,无人驾驶可以从本质上改变人们的生活方式与出行方式,十分智能化。无人驾驶车辆是智能交通***中的重要组成部分,由于无人驾驶车辆融合了环境感知、定位、决策、跟踪控制等众多领域,具有反应灵敏、行驶安全可靠等优点,可以有效降低交通事故发生率,提高道路的车辆行驶效率。目前,很多国内外高端科技公司致力于无人车技术的研发,如百度、谷歌、通用、特斯拉等都投入了巨大的精力。
轨迹规划是车辆实现无人驾驶的关键技术之一。轨迹规划可以在车路协同的基础上规划出有效的行驶路径,以此来实现无人车的超车与避障功能。一般而言,无人车的路径规划分为全局路径规划与局部路径规划,全局路径规划是规划了全局范围的、从起点到终点的行驶路径;而局部路径规划则是根据无人车辆在行驶过程中根据道路等周围环境信息以及动态的变化来进行重新规划局部路径。由于无人车的路径规划算法都是从机器人相关领域而来并进行了一定的改进,所以目前主要应用的算法有A*算法、Dijkstra算法、启发式算法、RRT算法、人工势场法等。
现有的无人车路径规划算法中,一般都是基于给定的障碍物车辆工况进行的轨迹规划研究,而且很少考虑无人驾驶车辆在避障换道时乘客的舒适性与道路行驶效率。
发明内容
(一)要解决的技术问题
针对现有存在的技术问题,本发明提供一种基于局部最优性的无人驾驶车辆动态轨迹规划方法,能够在多种复杂工况下实现避障、换道与超车,而且兼顾了无人车中乘客的舒适性与道路行驶效率等性能。
(二)技术方案
本发明提供一种基于局部最优性的无人驾驶车辆动态轨迹规划方法,包括如下步骤:
A1、分别获取无人车和障碍车的状态参数,根据所述状态参数判断无人车是否达到产生换道动机的条件,若达到产生换道动机的条件,则继续判断是否满足换道条件,若满足换道条件,则执行步骤A2;若达不到产生换道动机的条件,或不满足换道条件,则无人车减速或保持当前跟驰状态;
A2、根据所述无人车的状态参数和预设的无人车左侧待换道车道无障碍车辆的距离范围,并结合无人车的动力性能指标,得到局部最优换道轨迹,作为参考轨迹;
A3、根据所述障碍车的状态参数,结合汽车动力学响应,预测无人车左侧待换道车道障碍车的行驶轨迹;
A4、根据所述无人车的状态参数和无人车左侧待换道车道障碍车的行驶轨迹,预测无人车的换道行驶轨迹;
A5、基于所述参考轨迹,结合车辆动力学约束和成本代价函数值最小的原则,利用非线性模型预测控制对所述无人车的换道行驶轨迹进行重规划,得到最优换道轨迹;
A6、将步骤A3-A5不断进行迭代计算,得到最终换道轨迹。
进一步地,所述状态参数包括无人车和障碍车的位置、运动方向、行驶速度和加速度。
进一步地,所述产生换道动机的条件满足以下公式:
式中:D为无人车与正前方障碍车的距离;Diss(k)为无人车当前采样时刻k的速度不满累积度值,其中,Diss(k-1)为无人车上一时刻k-1的速度不满累计度值,vd为当前采样时刻正前方障碍车的速度,vp为当前采样时刻对正前方障碍车的期望速度值,T为采样间隔;Dissp为不满累积度阈值;
所述换道条件满足以下公式:
式中:Dsf、Dsb分别为无人车与左前方、左后方障碍车的车距。
进一步地,所述步骤A2中,所述参考轨迹(X(t),Y(t))满足以下公式:
式中:X(t)、Y(t)为以无人车在坐标系下的纵向坐标和侧向坐标;ai、bi为五次多项式的系数;t为时间;i为系数变量,取值为1、2...、n,n=5,其中:
式中:ts为无人车换道初始时刻;tf为无人车换道终止时刻;X(ts)、和分别为无人车在换道初始时刻纵向的位移、速度和加速度;X(tf)、和分别为无人车在换道终止时刻纵向的位移、速度和加速度;Y(ts)、和分别为无人车在换道初始时刻侧向的位移、速度和加速度;Y(tf)、和分别为无人车在换道终止时刻侧向的位移、速度和加速度。
进一步地,所述步骤A3中,障碍车的行驶轨迹满足以下公式:
式中:(xk、yk)为采样时刻障碍车的位置坐标;(x0、y0)为初始时刻障碍车的位置坐标;v0,x、v0,y分别为初始时刻障碍车的纵向速度和侧向速度;Δt为规划周期。
进一步地,所述步骤A4中,无人车的换道行驶轨迹满足以下公式:
式中:(Xk、Yk)为采样时刻无人车的位置坐标,即无人车预估状态轨迹点位置坐标;θk为采样时刻无人车的车辆航向角;(X0、Y0)为初始时刻无人车的位置坐标;θ0为初始时刻无人车的车辆航向角;δ为无人车的车辆前轮转角;u为无人车的纵向速度;L为无人车的车辆轴距;K为稳定性系数,K=m(a/k1-b/k2)/L2,其中m为无人车整备质量,a、b分别为无人车的前后轴距,k1、k2分别为无人车前后轮胎的外倾刚度。
进一步地,所述步骤A5中,成本代价函数Jobs,c由惩罚函数Ctotal和速度距离避障函数Jobs,i共同决定,成本代价函数满足如下公式:
式中:Jobs,i为工况下所有障碍车辆的速度距离避障功能函数值,i为周围障碍车辆,i的取值为1、2...n,n=4;Ctotal为惩罚函数;
成本代价函数Jobs,c值越小,换道轨迹越安全,无人车的舒适性越高。
进一步地,所述速度距离避障函数Jobs,i满足如下公式:
式中:Jobs,f为无人车与目标车道前方障碍车的避障功能函数值;Jobs,r为无人车与目标车道后方障碍车的避障功能函数值;Sobs为权重系数,权重系数越大则轨迹规划结果就越趋于保守;vc,x、vc,y分别为无人车的纵向、侧向速度;vo,x、vo,y分别为障碍车的纵向、侧向速度;vc、vo分别为无人车和障碍车的速度;(Xk,Yk)、(xk,yk)分别为无人车、障碍车的位置坐标;ζ为一个正数,防止发生无解的情况。
进一步地,所述惩罚函数Ctotal满足如下公式:
Ctotal=klatCd+klonCs
式中:klat、klon分别为纵向、侧向惩罚函数的权重系数;
其中,纵向惩罚函数Cd满足如下公式:
Cd=kj1Jt(d(t))+kd1d1 2
式中:kj1Jt(d(t))为稳定性的备选轨迹集的惩罚项,其中tks、tkf分别为每个规划周期的起始时间和结束时间;kdd1 2为不偏离局部最优参考轨迹惩罚项;d1为纵向规划轨迹与局部最优换道轨迹的间距;kj1、kd1分别为两个惩罚项的权重值,权重值的大小决定优化偏向方向;
侧向惩罚函数Cs满足如下公式:
式中:kj2Jt(d(t))为稳定性的备选轨迹集的惩罚项,其中 为车速保持惩罚项,其中分别为换道时的实际车速与设定的目标纵向速度;kj2、kd2分别为两个惩罚项的权重值,权重值的大小决定优化偏向方向。
进一步地,所述非线性模型预测控制满足如下公式:
式中:(Xk,Yk)为无人车换道行驶轨迹的位置坐标;(X(t),Y(t))为无人车参考轨迹的位置坐标;Np为预测时域;Q、R'均为权重系数;U为车辆动力学约束量。
(三)有益效果
本发明提供的基于局部最优性的无人驾驶车辆动态轨迹规划方法,可适用于存在多障碍车辆工况下的道路环境场景,有效实现避障、换道与超车等操作。采用分层决策架构,基于局部最优性进行动态轨迹规划,设计筛选轨迹的评价指标来保证无人车乘客的舒适性与道路的行驶效率,以此优化的无干扰换道轨迹作为局部最优换道参考轨迹。设计距离速度避障函数,在FRENET坐标系下设计损失函数分别对纵、横向轨迹进行优化,结合NMPC控制算法进行求解,不断基于最优参考轨迹进行重规划,提高了动态轨迹规划的计算效率与精确性,可有效地规划出安全、稳定、舒适的行驶路径,所规划出来的行驶路径能够为车辆控制的稳定性与精确性奠定基础,不仅可有效避免因驾驶员的操作不当或反应迟钝而引起交通事故,而且避免了无人车在行驶过程中由于周围环境的变化对规划路径产生不可预知的危险。
附图说明
图1为本发明提供的无人驾驶车辆动态轨迹规划方法的流程图;
图2为本发明中的双车道模型示意图;
图3为本发明中在无障碍车意外干扰工况下预估的参考轨迹;
图4为本发明中的搜索空间示意图;
图5为本发明中在每一规划周期内,预测的无人车运动轨迹示意图;
图6为本发明中FRENET轨迹优化算法中的初始配置与目标配置的惩罚函数值仿真图;
图7为本发明中经过优化的局部最优换道参考轨迹仿真图;
图8为本发明中基于局部最优换道参考轨迹的单个轨迹重规划窗口的可行轨迹簇与最优轨迹选取的示意图;
图9为本发明中无人车基于前方障碍车意外干扰的最终换道轨迹仿真图。
具体实施方式
为了更好的解释本发明,以便于理解,下面结合附图,通过具体实施方式,对本发明作详细描述。
本发明假设无人车在结构化道路上行驶,在三车道模型中,为了严谨性假设无人车的相邻车道与本车道的前后方都有障碍车辆。由于无论无人车处于哪条车道,根据交通规则换道时选择的目标车道必须是相邻车道,即无人车处于中间车道时,只能向左或者向右换道,具有对称性,所以可以简化成如图2所示的双车道模型。
本发明提供的一种基于局部最优性的无人驾驶车辆动态轨迹规划方法,如图1所示,该方法包括如下步骤:
A1、通过无人驾驶车辆(以下简称无人车)的车载传感器等设备获取无人车与周围障碍车的位置、运动方向、速度、加速度等状态参数。根据状态参数判断无人车是否达到产生换道动机的条件,若达到产生换道动机的条件,则继续判断是否满足换道条件,若满足换道条件,则执行步骤A2;若达不到产生换道动机的条件,或不满足换道条件,则无人车减速或保持当前跟驰状态。
具体地,无人车的紧急制动安全距离Sebd,如公式(1)所示:
Sebd=(τ'2+τ”2/2)μ0/3.6+μ0 2/25.92abmax+ξ (1)
式中:τ'2为无人车制动器反应时间;τ”2为无人车制动力增长时间;abmax为无人车制动加速度(为负值);ξ为距离修正量(考虑无人车在实际的工况下各种传感器误差与不可抗性因素);μ0为无车人制动前的行驶速度。
无人车与周围障碍车的最小安全距离MSD(C,*),如公式(2)所示:
式中:C为无人车;Cf为无人车正前方的障碍车;Cr为无人车正后方的障碍车;Clf为无人车左前方的障碍车;Clr为无人车左后方的障碍车;MSD(C,*)为无人车与障碍车的最小安全距离;为无人车决定换道时无人车或障碍车的行驶速度;为无人车或障碍车的每一时刻瞬间加速度;t为换道时间;τ为时间变量。
由此,无人车产生换道动机的条件如公式(3)所示:
式中:D为无人车与正前方障碍车的距离;Diss(k)为无人车当前采样时刻k的速度不满累积度值,其中,Diss(k-1)为无人车上一时刻k-1的速度不满累计度值,vd为当前采样时刻正前方障碍车的速度,vp为当前采样时刻对正前方障碍车的期望速度值,T为采样间隔;Dissp为不满累积度阈值。
换道条件如公式(4)所示:
式中:Dsf、Dsb分别为无人车与左前方、左后方障碍车的车距。
由公式(3)、(4)可知,当无人车与正前方障碍车的距离小于最小安全距离并且距离逐渐趋于下降,或者速度不满累积度Diss(k)≥Dissp时,如果相邻车道满足换道条件,则无人车开始执行换道操作,否则减速或保持跟驰状态。
优选地,在步骤A2之前建立表征无人车运动环境的动态环境模型,包括:以无人车为坐标原点建立的坐标系。
A2、根据步骤A1,无人车产生换道动机且满足换道条件后,根据无人车的状态参数和预设的无人车左侧待换道车道无障碍车辆的距离范围,利用五次多项式并结合无人车的动力性能指标,拟合无人车在无障碍车意外干扰工况下的局部最优换道轨迹,作为参考轨迹,如图3所示。
具体地,当无人车产生换道意图时,假设无人车及周围障碍车以当前的状态行驶,即行驶方向及速度不变,应用五次多项式拟合无人车在无障碍车意外干扰工况下轨迹。
设无人车在换道初始时刻ts和终止时刻tf的状态分别为qs和qf。其中,
X(ts)、和分别为无人车在换道初始时刻纵向的位移、速度和加速度;X(tf)、和分别为无人车在换道终止时刻纵向的位移、速度和加速度;Y(ts)、和分别为无人车在换道初始时刻侧向的位移、速度和加速度;Y(tf)、和分别为无人车在换道终止时刻侧向的位移、速度和加速度。
无人车的局部最优换道轨迹(参考轨迹)如公式(5)所示:
式中:(X(t)、Y(t))为无人车参考轨迹的位置坐标;ai、bi为五次多项式的系数;i为系数变量,取值为1、2...、n,n=5,其中:
所规划出来的换道轨迹在一定的程度上影响着无人车的动力学性能,如行驶稳定性、舒适性、道路行驶效率等。显然,无人车的侧向加速度与纵向加速度越大,则行驶稳定性、舒适性越差;换道时间越久,则道路行驶效率越低。当无人车在换道时与周围障碍车辆有足够的安全距离时,就可以考虑以上影响因素,为更好地量化上述性能参数,本发明提出来评价指标J,如公式(6)所示:
评价指标J越小,无人车的动力学性能越好。对公式(6)的最小值进行求解,得到无人车在无障碍车意外干扰工况下最优的综合加速度a*、换道时间τ*和纵向位移值D*,如公式(7)所示:
结合公式(5)~(7),在由无障碍车意外干扰工况下得到综合考虑了道路车辆行驶效率与车辆动力学的换道轨迹,把此轨迹作为无障碍车意外干扰工况下的参考轨迹。由于一个完整的超车轨迹是对称的,故无人车由目标车道返回到本车道的轨迹拟合不再赘述。
A3、如果无人车在换道过程中周围障碍车出现突然加减速、换道、停车等意外干扰时,无人车就需要根据障碍车的状态参数,结合汽车动力学响应,对基于步骤A2所规划出来的参考轨迹进行轨迹重规划。在每一个规划周期,对周围障碍车进行轨迹预测。
建立搜索空间,由于考虑到实际环境中车辆尺寸不同,因此对无人车和障碍车进行膨胀处理,以同一规格的矩形来包络车辆。综合前述,以无人车行驶方向为x轴的正方向,开始换道点作为坐标原点,得到如图4所示的搜索空间。
汽车动力学响应满足公式(8):
式中:x(0)为采样时刻障碍车的初始状态值;x(r)为r时刻障碍车的状态值;f函数为汽车的动力学特性方程;x(τ)为障碍车的状态变量;u(τ)为障碍车输入变量。
基于上式,假设障碍车在每一个比较短的规划周期内,其速度大小和方向是不变的,规划周期越短,精度越高,预测障碍车的轨迹坐标点如公式(9)所示:
式中:(xk、yk)为采样时刻障碍车的位置坐标;(x0、y0)为初始时刻障碍车的位置坐标;v0,x、v0,y分别为初始时刻障碍车的纵向速度和侧向速度;Δt为规划周期。
A4、预测无人车在一个规划周期内轨迹簇。由于在进行轨迹规划时,需要保证相关算法的实时有效性,所以应用稳态的车辆运动学描述轨迹簇,但是考虑到无人车在换道过程中可能纵向速度有一定的变化,则规定在一个轨迹规划周期内,把纵向速度看为常量,纵向速度的取值为规划周期的预估速度平均值,因此规划周期时间越短,则精确度越高。
车辆的稳态横摆角速度ωr如公式(10)所示:
式中:δ为无人车的车辆前轮转角;u为无人车的纵向速度;L为无人车的车辆轴距;K为稳定性系数,K=m(a/k1-b/k2)/L2,其中m为无人车整备质量,a、b分别为无人车的前后轴距,k1、k2分别为无人车前后轮胎的外倾刚度。
由于需要保证无人车的横向稳定性,近似推出稳态转向过程中的转弯时的相关参数,如公式(11)所示:
式中:ay,max为无人车最大横向加速度;μ为路面摩擦系数;g为重力加速度;R为无人车在每一个规划周期的稳态转向轨迹半径。
如图5所示,在每一规划周期Δt内,预测无人车的运动轨迹,得到重规划的轨迹簇,如公式(12)所示:
式中:(Xk、Yk)为采样时刻无人车的位置坐标,即无人车预估状态轨迹点位置坐标;θk为采样时刻无人车的车辆航向角;(X0、Y0)为初始时刻无人车的位置坐标;θ0为初始时刻无人车的车辆航向角。
A5、设计优化的避障成本代价函数,结合车辆动力学约束,利用非线性模型预测控制(NMPC)获得最终轨迹。
A51、设计优化轨迹惩罚函数
本发明使用坐标转换并解耦的方式,在FRENET坐标系下建立损失函数对重规划的轨迹簇进行优化。由于引入FRENET坐标系,因此可以将其优化问题分介成纵向s,侧向d两个方向的独立优化问题,且表示为关于时间t的函数为s(t),d(t)。
在每一规划周期同样使用五次多次多项式对轨迹优化问题进行求解,如公式(13)所示:
p(t)=a0+a1t+a2t2+a3t3+a4t4+a5t5 (13)
假设tks=0,简化公式(14),得到公式(15)、(16):
基于上述,对于纵向轨迹研究,惩罚函数Cd如公式(17)所示:
Cd=kj1Jt(d(t))+kd1d1 2 (17)
式中:惩罚函数Cd包括两个惩罚项,kjJt(d(t))为稳定性的备选轨迹集的惩罚项,其中tks、tkf分别为每个规划周期的起始时间和结束时间;kdd1 2为不偏离局部最优参考轨迹惩罚项;d1为纵向规划轨迹与局部最优换道轨迹的间距;kj1、kd1分别为两个惩罚项的权重值,权重值的大小决定优化偏向方向。
同理,对于侧向轨迹研究,惩罚函数Cs如公式(18)所示:
式中:惩罚函数Cs包括两个损失项,kjJt(d(t))为稳定性的备选轨迹集的惩罚项,其中 为车速保持惩罚项,其中 分别为换道滚动优化每一时刻的实际车速与设定的目标纵向速度;kj2、kd2分别为两个惩罚项的权重值,权重值的大小决定优化偏向方向。
结合纵侧向轨迹,得到最终的优化轨迹惩罚函数Ctotal,如公式(19)所示:
Ctotal=klatCd+klonCs (19)
式中:klat、klon分别为纵向、侧向惩罚函数的权重系数。
通过最小化优化惩罚函数Ctotal,可得到最优轨迹集合。
A52、设计速度距离避障功能函数
无人车的动态轨迹重规划在设计避障功能函数时,需要把障碍车实时的位置与速度考虑进去。惩罚函数数值的大小与障碍车和无人车之间的位置偏差、速度等量有关。因此综合以上的分析,对于多障碍车的复杂工况,避障功能函数设计主要分为两类:一类是处在无人车本车道与目标车道前方的车辆避障功能函数设计,另一类是处在无人车本车道与目标车道后方车辆的避障功能函数设计。速度距离避障功能函数如公式(20)所示:
式中:Jobs,f为无人车与目标车道前方障碍车的避障功能函数值;Jobs,r为无人车与目标车道后方障碍车的避障功能函数值;Sobs为权重系数,权重系数越大则轨迹规划结果就越趋于保守;vc,x、vc,y分别为无人车的纵向、侧向速度;vo,x、vo,y分别为障碍车的纵向、侧向速度;vc、vo分别为无人车和障碍车的速度;(Xk,Yk)、(xk,yk)分别为无人车、障碍车的位置坐标;ζ为一个较小的正数,防止发生无解的情况。
由式(20)可以看出,当障碍车处于无人车前方时,若障碍车速度较快,则避障功能函数为0;当障碍车处于无人车后方时,若障碍车速度较慢,则避障功能函数为0。避障功能函数值越大,则危险程度越高。为了保证无人车的安全性,需对车距进行修正,预留紧急制动距离Sebd。
A53、得到成本代价函数
结合优化轨迹惩罚函数和速度距离避障功能函数,得到成本代价函数Jobs,c,如公式(21)所示:
式中:Jobs,i为工况下所有障碍车辆的速度距离避障功能函数值,i为周围障碍车辆,i的取值为1、2...n,n=4。
成本代价函数值越小,换道轨迹越安全,无人车的舒适性也越高。如图6所示,为给定FRENET轨迹优化算法中的初始配置与目标配置的惩罚函数值仿真图,其数值大小主要由其相对速度与坐标下位置关系决定。由于无人车与后方障碍车的安全距离由后方障碍车掌握,本发明不作讨论。
A54、结合车辆动力学约束,利用非线性模型预测控制(NMPC)获得最终轨迹。
为保证无人车在每一个规划周期的换道安全,应该在所有轨迹触须中选择能够使避障功能函数最小而且距离局部最优轨迹最近的触须。另外,为了保证无人车在换道过程中行驶稳定性与控制的鲁棒性,本发明考虑车辆动力学约束,对纵向加速度ay、转角δ与转角角速度做出如下约束,如公式(22)所示:
综上,可得到无人车基于最小安全距离的滚动优化轨迹规划器,当规划层产生换道意图后,开始根据周围环境信息规划出一条最优轨迹。每一个规划窗口,在满足约束条件下与局部最优轨迹最为接近的点为可行驶的安全轨迹点。本发明利用指标Jtra来表示滚动优化轨迹与参考轨迹的相似度,如公式(23)所示:
式中:(Xk,Yk)为无人车轨迹重规划的位置坐标;(X(t),Y(t))为无人车参考轨迹的位置坐标;Np为预测时域。
由于非线性模型预测控制对于轨迹重规划具备更高的求解精度,完全满足无人车轨迹规划的要求,而且非线性目标函数也能给后续的成本代价函数的设计带来方便。因此,可以得到基于非线性模型预测控制求解的轨迹重规划控制器J',如公式(24)所示:
式中:Q、R'均为权重系数;U为车辆动力学约束量。
将步骤A3-A5不断进行迭代、计算优化,将得到的轨迹点作为下一步预测的输入,直到得到一条完整的最终换道轨迹。
基于上述工况设定和步骤,进行仿真验证。如图7所示,为经过优化的局部最优换道参考轨迹仿真图,图8为基于局部最优换道参考轨迹的单个轨迹重规划窗口的可行轨迹簇与最优轨迹选取的示意图,图9为无人车基于前方障碍车意外干扰的最终换道轨迹仿真图。
以上结合具体实施例描述了本发明的技术原理,这些描述只是为了解释本发明的原理,不能以任何方式解释为对本发明保护范围的限制。基于此处解释,本领域的技术人员不需要付出创造性的劳动即可联想到本发明的其它具体实施方式,这些方式都将落入本发明的保护范围之内。
Claims (3)
1.一种基于局部最优性的无人驾驶车辆动态轨迹规划方法,其特征在于,包括如下步骤:
A1、分别获取无人车和障碍车的状态参数,根据所述状态参数判断无人车是否达到产生换道动机的条件,若达到产生换道动机的条件,则继续判断是否满足换道条件,若满足换道条件,则执行步骤A2;若达不到产生换道动机的条件,或不满足换道条件,则无人车减速或保持当前跟驰状态;
A2、根据所述无人车的状态参数和预设的无人车左侧待换道车道无障碍车辆的距离范围,并结合无人车的动力性能指标,得到无人车的局部最优换道轨迹,作为参考轨迹;
A3、根据所述障碍车的状态参数,结合汽车动力学响应,预测无人车左侧待换道车道障碍车的行驶轨迹;
A4、根据所述无人车的状态参数和无人车左侧待换道车道障碍车的行驶轨迹,预测无人车的换道行驶轨迹;
A5、基于所述参考轨迹,结合车辆动力学约束和成本代价函数值最小的原则,利用非线性模型预测控制对所述无人车的换道行驶轨迹进行重规划,得到最优换道轨迹;
A6、将步骤A3-A5不断进行迭代计算,得到最终换道轨迹;
所述状态参数包括无人车和障碍车的位置、运动方向、行驶速度和加速度;
所述产生换道动机的条件满足以下公式:
式中:D为无人车与正前方障碍车的距离;Diss(k)为无人车当前采样时刻k的速度不满累积度值,其中,Diss(k-1)为无人车上一时刻k-1的速度不满累计度值,vd为当前采样时刻正前方障碍车的速度,vp为当前采样时刻对正前方障碍车的期望速度值,T为采样间隔;Dissp为不满累积度阈值;
C为无人车;
Cf为无人车正前方的障碍车;
Clf为无人车左前方的障碍车;
Clr为无人车左后方的障碍车;
MSD(C,Cf)为无人车与正前方的障碍车的最小安全距离;
所述换道条件满足以下公式:
式中:Dsf、Dsb分别为无人车与左前方、左后方障碍车的车距;
所述步骤A2中,所述参考轨迹(X(t),Y(t))满足以下公式:
式中:X(t)、Y(t)为以无人车在坐标系下的纵向坐标和侧向坐标;ai、bi为五次多项式的系数;t为时间;i为系数变量,取值为1、2...、n,n=5,其中:
式中:ts为无人车换道初始时刻;tf为无人车换道终止时刻;X(ts)、和分别为无人车在换道初始时刻纵向的位移、速度和加速度;X(tf)、和分别为无人车在换道终止时刻纵向的位移、速度和加速度;Y(ts)、和分别为无人车在换道初始时刻侧向的位移、速度和加速度;Y(tf)、和分别为无人车在换道终止时刻侧向的位移、速度和加速度;
所述步骤A3中,障碍车的行驶轨迹满足以下公式:
式中:(xk、yk)为采样时刻障碍车的位置坐标;(x0、y0)为初始时刻障碍车的位置坐标;v0,x、v0,y分别为初始时刻障碍车的纵向速度和侧向速度;Δt为规划周期;
所述步骤A4中,无人车的换道行驶轨迹满足以下公式:
式中:(Xk、Yk)为采样时刻无人车的位置坐标,即无人车预估状态轨迹点位置坐标;θk为采样时刻无人车的车辆航向角;(X0、Y0)为初始时刻无人车的位置坐标;θ0为初始时刻无人车的车辆航向角;δ为无人车的车辆前轮转角;u为无人车的纵向速度;L为无人车的车辆轴距;K为稳定性系数,K=m(a/k1-b/k2)/L2,其中m为无人车整备质量,a、b分别为无人车的前后轴距,k1、k2分别为无人车前后轮胎的外倾刚度;
所述步骤A5中,成本代价函数Jobs,c由惩罚函数Ctotal和速度距离避障函数Jobs,i共同决定,成本代价函数满足如下公式:
式中:Jobs,i为工况下所有障碍车辆的速度距离避障功能函数值,i为周围障碍车辆,i的取值为1、2...n,n=4;Ctotal为惩罚函数;
成本代价函数Jobs,c值越小,换道轨迹越安全,无人车的舒适性越高;
所述速度距离避障函数Jobs,i满足如下公式:
式中:Jobs,f为无人车与目标车道前方障碍车的避障功能函数值;Jobs,r为无人车与目标车道后方障碍车的避障功能函数值;Sobs为权重系数,权重系数越大则轨迹规划结果就越趋于保守;vc,x、vc,y分别为无人车的纵向、侧向速度;vo,x、vo,y分别为障碍车的纵向、侧向速度;vc、vo分别为无人车和障碍车的速度;(Xk,Yk)、(xk,yk)分别为无人车、障碍车的位置坐标;ζ为一个正数,防止发生无解的情况。
2.根据权利要求1所述的无人驾驶车辆动态轨迹规划方法,其特征在于,所述惩罚函数Ctotal满足如下公式:
Ctotal=klatCd+klonCs
式中:klat、klon分别为纵向、侧向惩罚函数的权重系数;
其中,纵向惩罚函数Cd满足如下公式:
Cd=kj1Jt(d(t))+kd1d1 2
式中:kj1Jt(d(t))为稳定性的备选轨迹集的惩罚项,其中tks、tkf分别为每个规划周期的起始时间和结束时间;kd1d1 2为不偏离局部最优参考轨迹惩罚项;d1为纵向规划轨迹与局部最优换道轨迹的间距;kj1、kd1分别为两个惩罚项的权重值,权重值的大小决定优化偏向方向;
侧向惩罚函数Cs满足如下公式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910746277.1A CN110362096B (zh) | 2019-08-13 | 2019-08-13 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910746277.1A CN110362096B (zh) | 2019-08-13 | 2019-08-13 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110362096A CN110362096A (zh) | 2019-10-22 |
CN110362096B true CN110362096B (zh) | 2021-05-18 |
Family
ID=68223588
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910746277.1A Active CN110362096B (zh) | 2019-08-13 | 2019-08-13 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110362096B (zh) |
Families Citing this family (42)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110320916A (zh) * | 2019-07-24 | 2019-10-11 | 上海交通大学 | 考虑乘员感受的自动驾驶汽车轨迹规划方法及*** |
CN112799384A (zh) * | 2019-10-24 | 2021-05-14 | 比亚迪股份有限公司 | 车辆及其行驶轨迹规划方法和规划装置 |
CN110703763A (zh) * | 2019-11-05 | 2020-01-17 | 武汉理工大学 | 无人车路径跟踪及避障方法 |
CN112882460A (zh) * | 2019-11-30 | 2021-06-01 | 天津大学 | 基于模型预测控制的无人驾驶车辆动态避障轨迹规划方法 |
CN114489044A (zh) * | 2019-12-31 | 2022-05-13 | 华为技术有限公司 | 一种轨迹规划方法及装置 |
CN111240187B (zh) * | 2020-01-16 | 2023-01-13 | 南京理工大学 | 一种基于车辆误差模型的车辆轨迹跟踪控制算法 |
CN111681452B (zh) * | 2020-01-19 | 2022-05-31 | 重庆大学 | 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法 |
CN111273668B (zh) * | 2020-02-18 | 2021-09-03 | 福州大学 | 针对结构化道路的无人驾驶汽车运动轨迹规划***及方法 |
CN111338340B (zh) * | 2020-02-21 | 2022-05-10 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
CN111338353A (zh) * | 2020-03-26 | 2020-06-26 | 吉林大学 | 一种动态驾驶环境下智能车辆变道轨迹规划方法 |
CN111580493B (zh) * | 2020-04-14 | 2022-08-30 | 吉利汽车研究院(宁波)有限公司 | 一种自动驾驶仿真方法、***及介质 |
CN112585557A (zh) * | 2020-04-26 | 2021-03-30 | 深圳市大疆创新科技有限公司 | 控制无人机的方法、装置和无人机 |
CN113673919A (zh) * | 2020-05-15 | 2021-11-19 | 北京京东乾石科技有限公司 | 多车协同路径确定方法及装置、电子设备和存储介质 |
CN111862682A (zh) * | 2020-06-24 | 2020-10-30 | 东软睿驰汽车技术(沈阳)有限公司 | 一种模型确定方法和相关装置 |
CN111874007B (zh) * | 2020-08-06 | 2021-03-16 | 中国科学院自动化研究所 | 基于知识与数据驱动的无人车分层决策方法、***、装置 |
CN113778071A (zh) * | 2020-09-17 | 2021-12-10 | 北京京东乾石科技有限公司 | 无人车路径规划方法、装置、电子设备、无人车及介质 |
CN112269384B (zh) * | 2020-10-23 | 2021-09-14 | 电子科技大学 | 一种结合障碍物行为意图的车辆动态轨迹规划方法 |
CN113625702B (zh) * | 2020-10-28 | 2023-09-22 | 北京科技大学 | 基于二次规划的无人车同时路径跟踪与避障方法 |
CN112572473B (zh) * | 2020-12-09 | 2022-06-10 | 北京三快在线科技有限公司 | 一种无人驾驶设备的控制方法及装置 |
CN112748733B (zh) * | 2020-12-16 | 2024-05-07 | 广东电网有限责任公司 | 电缆放线车路径规划方法、装置、设备及存储介质 |
CN112783161B (zh) * | 2020-12-29 | 2023-04-25 | 广东嘉腾机器人自动化有限公司 | 一种基于贝塞尔曲线的agv避障方法 |
CN112965489B (zh) * | 2021-02-05 | 2022-04-08 | 北京理工大学 | 一种基于碰撞检测的智能车高速换道规划方法 |
CN112947447B (zh) * | 2021-02-10 | 2023-11-24 | 大连理工大学 | 一种基于同步规划-控制策略的水面无人舰艇自主导航方法 |
CN113009912A (zh) * | 2021-02-20 | 2021-06-22 | 中国重汽集团济南动力有限公司 | 一种基于混合a星的低速商用无人车路径规划算法 |
CN112937608B (zh) * | 2021-03-31 | 2022-06-21 | 吉林大学 | 一种基于轨迹预测的冰雪环境无人驾驶车辆一体化滚动决策方法、装置及存储介质 |
CN113276848B (zh) * | 2021-04-09 | 2022-09-13 | 江苏大学 | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** |
CN112947492B (zh) * | 2021-04-14 | 2023-09-22 | 北京车和家信息技术有限公司 | 车辆控制方法、装置、存储介质、电子设备及车辆 |
CN113253608B (zh) * | 2021-06-25 | 2021-10-01 | 北京国电通网络技术有限公司 | 基于人工智能的无人驾驶行吊设备轨迹生成方法和装置 |
CN113654556A (zh) * | 2021-07-05 | 2021-11-16 | 的卢技术有限公司 | 一种基于改进em算法的局部路径规划方法、介质及设备 |
CN113561972B (zh) * | 2021-08-25 | 2023-03-07 | 京东鲲鹏(江苏)科技有限公司 | 一种避障控制方法、装置、车辆和存储介质 |
CN113602273B (zh) * | 2021-08-27 | 2024-07-12 | 环形山(武汉)科技有限公司 | 考虑车辆动力学的换道轨迹规划方法 |
CN113848869B (zh) * | 2021-10-20 | 2023-03-07 | 北京三快在线科技有限公司 | 一种无人设备控制方法、装置、存储介质及电子设备 |
EP4406794A1 (en) * | 2021-10-25 | 2024-07-31 | Huawei Technologies Co., Ltd. | Trajectory planning method and apparatus for vehicle, and vehicle |
CN113954838B (zh) * | 2021-11-24 | 2023-04-07 | 上海安亭地平线智能交通技术有限公司 | 车辆换道的控制方法和装置、电子设备和存储介质 |
CN114234993A (zh) * | 2021-12-15 | 2022-03-25 | 北京福田戴姆勒汽车有限公司 | 车辆局部路径规划方法、自动驾驶***和自动驾驶车辆 |
CN114194215B (zh) * | 2021-12-30 | 2024-05-10 | 江苏大学 | 一种智能车辆避障换道轨迹规划方法及*** |
CN114537435B (zh) * | 2022-03-03 | 2024-06-07 | 浙江大学 | 一种自动驾驶中的实时整车轨迹规划方法 |
CN114442491A (zh) * | 2022-04-08 | 2022-05-06 | 杭州国辰机器人科技有限公司 | 室内机器人的局部路径规划和跟踪控制方法、装置及介质 |
CN115339516B (zh) * | 2022-08-31 | 2024-03-19 | 中国第一汽车股份有限公司 | 转向盘旋转角度确定方法、装置及电子设备 |
CN116805445B (zh) * | 2023-07-21 | 2024-04-02 | 交通运输部公路科学研究所 | 车辆换道行驶控制方法及*** |
CN116880492A (zh) * | 2023-07-25 | 2023-10-13 | 云创智行科技(苏州)有限公司 | 一种用于无人驾驶运动规划的时空轮换优化方法及装置 |
CN117111610A (zh) * | 2023-09-04 | 2023-11-24 | 南京航空航天大学 | 基于自适应势场的智能车动态环境轨迹规划***及方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102609765A (zh) * | 2012-03-22 | 2012-07-25 | 北京工业大学 | 基于多项式及rbf神经网络的智能车辆换道路径规划方法 |
US10303166B2 (en) * | 2016-05-23 | 2019-05-28 | nuTonomy Inc. | Supervisory control of vehicles |
CN106874597B (zh) * | 2017-02-16 | 2019-12-13 | 北理慧动(常熟)车辆科技有限公司 | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 |
CN106926844B (zh) * | 2017-03-27 | 2018-10-19 | 西南交通大学 | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 |
CN107215339B (zh) * | 2017-06-26 | 2019-08-23 | 地壳机器人科技有限公司 | 自动驾驶车辆的换道控制方法和装置 |
CN108594812A (zh) * | 2018-04-16 | 2018-09-28 | 电子科技大学 | 一种结构化道路的智能车辆平滑轨迹规划方法 |
CN108445886B (zh) * | 2018-04-25 | 2021-09-21 | 北京联合大学 | 一种基于高斯方程的自动驾驶车辆换道规划方法及*** |
CN109032131B (zh) * | 2018-07-05 | 2021-07-27 | 东南大学 | 一种应用于无人驾驶汽车的动态超车避障方法 |
CN109131326B (zh) * | 2018-08-08 | 2020-04-14 | 大连理工大学 | 一种具有换道辅助功能的自适应巡航控制器及其工作方法 |
CN109855639B (zh) * | 2019-01-15 | 2022-05-27 | 天津大学 | 基于障碍物预测与mpc算法的无人驾驶轨迹规划方法 |
CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
-
2019
- 2019-08-13 CN CN201910746277.1A patent/CN110362096B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110362096A (zh) | 2019-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110362096B (zh) | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 | |
CN113386795B (zh) | 一种自动驾驶车辆智能决策及局部轨迹规划方法及其决策*** | |
CN110471408B (zh) | 基于决策过程的无人驾驶车辆路径规划方法 | |
CN111845774B (zh) | 一种基于横纵向协调的自动驾驶汽车动态轨迹规划及跟踪方法 | |
CN109669461B (zh) | 一种复杂工况下自动驾驶车辆决策***及其轨迹规划方法 | |
US20220379893A1 (en) | Intelligent vehicle platoon lane change performance evaluation method | |
CN107161207B (zh) | 一种基于主动安全的智能汽车轨迹跟踪控制***及控制方法 | |
US20210325197A1 (en) | Vehicle control apparatus | |
CN110716562A (zh) | 基于强化学习的无人驾驶汽车多车道行驶的决策方法 | |
CN111750866B (zh) | 基于区域虚拟力场的智能汽车横纵向耦合路径规划方法 | |
CN109835336B (zh) | 一种基于模糊算法的带约束方波状车速规划方法 | |
CN116499486B (zh) | 一种复杂越野环境路径规划方法、***及电子设备 | |
CN116513246B (zh) | 一种越野环境速度规划方法、***及设备 | |
CN114585548A (zh) | 在使用关于第二交通工具的轨迹信息的情况下基于mpc确定第一交通工具的轨迹 | |
Li et al. | Automatic lane change maneuver in dynamic environment using model predictive control method | |
CN109677403B (zh) | 一种基于微分平坦的智能车避障控制方法 | |
CN113978462B (zh) | 自适应巡航***的主目标筛选方法、轨迹规划方法及*** | |
Li et al. | Autonomous lateral maneuvers for self-driving vehicles in complex traffic environment | |
CN117141489A (zh) | 一种基于最小作用量原理的智能车辆轨迹分层规划方法 | |
Chen et al. | MPC based path tracking control for autonomous vehicle with multi-constraints | |
CN112706770B (zh) | 一种考虑线控转向迟滞的车辆汇入控制***及方法 | |
Zhang et al. | Automated braking decision and control for pedestrian collision avoidance based on risk assessment | |
CN115042770A (zh) | 一种基于分布式鲁棒模型预测的车辆队列横向控制方法 | |
US12030491B2 (en) | Ascertaining a trajectory for a first vehicle while taking into consideration the drive behavior of a second vehicle | |
Choi et al. | Coordinated steering angle and yaw moment distribution to increase vehicle regenerative energy in autonomous driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |