CN110908373A - 一种基于改进人工势场的智能车辆轨迹规划方法 - Google Patents

Abstract

本发明公开了一种基于改进人工势场的智能车辆轨迹规划方法，包括：获取智能车辆信息、障碍物信息、道路边界信息；确定目标点位置；建立道路直角坐标系以及车辆等效模型，以及建立智能车与道路的碰撞约束条件；根据智能车辆信息、障碍物信息以及目标点位置建立障碍物斥力势场和目标引力势场；根据智能车辆在所有障碍物斥力势场和目标点引力势场组成的复合场中所受到的力的作用，建立智能车辆的平衡方程；求解上述平衡方程，得到一系列点的坐标，将这些点用一条平滑的曲线连接起来，以得到一条智能车辆在规划周期内安全可行的行驶轨迹。本发明有效的避开静止障碍物和动态车辆障碍物，更快的向目标靠近，从而得到一条安全可行的最优轨迹。

Description

一种基于改进人工势场的智能车辆轨迹规划方法

技术领域

本发明属于车辆轨迹规划技术领域，具体指代一种基于改进人工势场的智能车辆轨迹规划方法。

背景技术

智能车辆是一个集感知、决策、控制为一体的综合***。为使智能车辆能够在实际的交通环境中行驶，车辆必须能够进行自主决策并规划出一条安全可行的轨迹。目前用于车辆轨迹规划的智能算法有遗传算法、数学形态学、神经网络等，但这些算法存在复杂度高、运算量大、规划效率低、实时性差的问题，且规划路径具有震荡现象，稳定性差。而人工算法(Artificial Potential Field，APF)规划时间短、执行效率高，非常适合实时性和安全性要求较高的路径规划。中国专利申请号为CN201610451707.3，名称为“用于智能车辆的局部轨迹规划方法和装置”中公布了一种用于智能车辆的局部规划方法和装置，该方法规划出从起始点到目标点的一系列备选轨迹，再对每条曲线进行速度匹配得到候选轨迹，然后通过评价指标选出最优的一条；但该方法没有考虑障碍物和障碍车辆对智能车辆的影响，导致规划的轨迹存在安全隐患。中国专利申请号为CN201610309717.3，名称为“一种基于新型人工势场法的车辆避障路径规划研究方法”中公布了一种基于新型人工势场的车辆避障路径规划方法，通过求解车辆在道路边界斥力势场和障碍物斥力势场组成的复合场中的平衡方程，从而得到避障路径；但该方法在路径规划过程中缺乏目的且存在局部极小值问题。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种基于改进人工势场的智能车辆轨迹规划方法，以解决现有技术中人工势场算法的局部极小值问题和目标不可达的问题；本发明有效的避开静止障碍物和动态车辆障碍物，更快的向目标靠近，从而得到一条安全可行的最优轨迹。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种基于改进人工势场的智能车辆轨迹规划方法，包括步骤如下：

步骤1：获取智能车辆信息、障碍物信息、道路边界信息；确定目标点位置(x_g,y_g)；

步骤2：建立道路直角坐标系以及车辆等效模型，以及建立智能车与道路的碰撞约束条件；

步骤3：根据智能车辆信息、障碍物信息以及目标点位置建立障碍物斥力势场和目标引力势场；

步骤4：根据智能车辆在所有障碍物斥力势场和目标点引力势场组成的复合场中所受到的力的作用，建立智能车辆的平衡方程；

步骤5：求解上述平衡方程，得到一系列点的坐标，将这些点用一条平滑的曲线连接起来，以得到一条智能车辆在规划周期内安全可行的行驶轨迹。

进一步地，所述智能车辆信息具体为车辆质心的位置(x₀,y₀)。

进一步地，所述障碍物信息为障碍物质心位置(x_obs,y_obs)。

进一步地，所述道路边界信息为道路边界的宽度W_r。

进一步地，所述步骤2具体包括：

2.1：以道路右边界为X轴，以过智能车辆质心且垂直于X轴的直线为Y轴，X轴与Y轴的交点为坐标原点，建立道路直角坐标系；

2.2：将车辆等效为一个半径为R_V的单圆模型，模型半径为：

式中，L为车辆长度，W为车辆宽度；

2.3：建立车辆与道路边界的碰撞约束条件：

R_V≤y₀≤W_r-R_V

式中，y₀为智能车质心的纵坐标，W_r为道路宽度。

进一步地，所述步骤3具体包括：

3.1障碍物斥力势场建立

将规划周期定为Δt，给障碍物设定一个作用范围d₀，当智能车辆与障碍物i间的距离大于d₀时，认为障碍物对车辆无斥力作用，即：

U_rep(d_i)＝0,d_i＞d₀

当智能车辆与障碍物i的距离小于或等于d₀时，障碍物将对智能车辆产生一个斥力作用，斥力场函数为：

式中，η为斥力场系数，d_i为智能车辆与障碍物i的距离，d_g为智能车辆与目标点的距离；

障碍物i的斥力势场函数为：

3.2目标引力势场的建立

当智能车辆与目标点的距离大于d_0g时，认为目标点对智能车辆的引力作用为一固定值，即：

式中，d_0g为目标点作用范围半径，ξ为引力场系数；

当智能车辆与目标点的距离小于或等于d_0g且大于2R_V时，引力势场函数采用电荷势场模型：

当智能车辆与目标点的距离小于或等于2R_V时，引力势场函数为：

目标点的引力势场函数为：

进一步地，所述步骤4中的智能车辆的平衡方程为：

式中，F为车辆受到的合力，U为车辆斥力场和引力场叠加的复合场，U_att为引力场，U_rep为斥力场，F_att为目标点对智能车辆的引力，F_rep为障碍物对智能车辆的斥力，n为障碍物总数。

本发明的有益效果：

本发明基于改进的人工势场法，规划过程中考虑静态障碍物和动态车辆障碍物对车辆轨迹的影响，得到一条能够有效避开上述两种障碍物的安全可行的轨迹，同时能够快速的到达目标点。

本发明改进的人工势场算法在传统算法的基础上，给势场增加了一个作用范围，根据距离对势场进行分段，解决了算法的局部极小值问题；引力势场中采用了电荷势场模型，解决了传统算法目标不可达的问题。

附图说明

图1为本发明规划方法的流程图。

图2为本发明所建道路坐标系示意图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种基于改进人工势场的智能车辆轨迹规划方法，包括步骤如下：

步骤1：通过GPS、车载雷达、车载摄像头获取智能车辆信息、障碍物信息、道路边界信息，获得目标点位置(x_g,y_g)；具体为，GPS采集智能车辆信息为车辆质心的位置(x₀,y₀)；车载雷达采集周围障碍物信息为障碍物质心位置(x_obs,y_obs)；车载摄像机采集道路边界信息为道路边界的宽度W_r。；

步骤2：建立道路直角坐标系以及车辆等效模型，以及建立智能车与道路的碰撞约束条件；

2.1：以道路右边界为X轴，以过智能车辆质心且垂直于X轴的直线为Y轴，X轴与Y轴的交点为坐标原点，建立道路直角坐标系；

2.2：将车辆等效为一个半径为R_V的单圆模型，模型半径为：

式中，L为车辆长度，W为车辆宽度；

2.3：建立车辆与道路边界的碰撞约束条件：

R_V≤y₀≤W_r-R_V

式中，y₀为智能车质心的纵坐标，W_r为道路宽度。

步骤3：根据智能车辆信息、障碍物信息以及目标点位置建立障碍物斥力势场和目标引力势场；

3.1障碍物斥力势场建立

将规划周期定为Δt，给障碍物设定一个作用范围d₀，当智能车辆与障碍物i间的距离大于d₀时，认为障碍物对车辆无斥力作用，即：

U_rep(d_i)＝0,d_i＞d₀

当智能车辆与障碍物i的距离小于或等于d₀时，障碍物将对智能车辆产生一个斥力作用，斥力场函数为：

式中，η为斥力场系数，d_i为智能车辆与障碍物i的距离，d_g为智能车辆与目标点的距离；

障碍物i的斥力势场函数为：

3.2目标引力势场的建立

当智能车辆与目标点的距离大于d_0g时，认为目标点对智能车辆的引力作用为一固定值，即：

式中，d_0g为目标点作用范围半径，ξ为引力场系数；

当智能车辆与目标点的距离小于或等于d_0g且大于2R_V时，引力势场函数采用电荷势场模型：

当智能车辆与目标点的距离小于或等于2R_V时，引力势场函数为：

目标点的引力势场函数为：

步骤4：根据智能车辆在所有障碍物斥力势场和目标点引力势场组成的复合场中所受到的力的作用，建立智能车辆的平衡方程，如下：

式中，F为车辆受到的合力，U为车辆斥力场和引力场叠加的复合场，U_att为引力场，U_rep为斥力场，F_att为目标点对智能车辆的引力，F_rep为障碍物对智能车辆的斥力，n为障碍物总数。

步骤5：求解上述平衡方程，得到一系列点的坐标，将这些点用一条平滑的曲线连接起来，以得到一条智能车辆在规划周期内安全可行的行驶轨迹。

如图2所示场景中，存在5个障碍物；通过车载雷达获取5个障碍物的质心坐标(x_ob1,y_ob1)～(x_ob5,y_ob5)。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (5)

1.一种基于改进人工势场的智能车辆轨迹规划方法，其特征在于，包括步骤如下：

步骤1：获取智能车辆信息、障碍物信息、道路边界信息；确定目标点位置(x_g,y_g)；

步骤2：建立道路直角坐标系以及车辆等效模型，以及建立智能车与道路的碰撞约束条件；

步骤3：根据智能车辆信息、障碍物信息以及目标点位置建立障碍物斥力势场和目标引力势场；

步骤4：根据智能车辆在所有障碍物斥力势场和目标点引力势场组成的复合场中所受到的力的作用，建立智能车辆的平衡方程；

步骤5：求解上述平衡方程，得到一系列点的坐标，将这些点用一条平滑的曲线连接起来，以得到一条智能车辆在规划周期内安全可行的行驶轨迹。

2.根据权利要求1所述的基于改进人工势场的智能车辆轨迹规划方法，其特征在于，所述智能车辆信息具体为车辆质心的位置(x₀,y₀)，障碍物信息为障碍物质心位置(x_obs,y_obs)，道路边界信息为道路边界的宽度W_r。

3.根据权利要求2所述的基于改进人工势场的智能车辆轨迹规划方法，其特征在于，所述步骤2具体包括：

2.1：以道路右边界为X轴，以过智能车辆质心且垂直于X轴的直线为Y轴，X轴与Y轴的交点为坐标原点，建立道路直角坐标系；

2.2：将车辆等效为一个半径为R_V的单圆模型，模型半径为：

式中，L为车辆长度，W为车辆宽度；

2.3：建立车辆与道路边界的碰撞约束条件：

R_V≤y₀≤W_r-R_V

式中，y₀为智能车质心的纵坐标。

4.根据权利要求3所述的基于改进人工势场的智能车辆轨迹规划方法，其特征在于，所述步骤3具体包括：

3.1障碍物斥力势场建立

将规划周期定为Δt，给障碍物设定一个作用范围d₀，当智能车辆与障碍物i间的距离大于d₀时，认为障碍物对车辆无斥力作用，即：

U_rep(d_i)＝0,d_i＞d₀

当智能车辆与障碍物i的距离小于或等于d₀时，障碍物将对智能车辆产生一个斥力作用，斥力场函数为：

式中，η为斥力场系数，d_i为智能车辆与障碍物i的距离，d_g为智能车辆与目标点的距离；

障碍物i的斥力势场函数为：

3.2目标引力势场的建立

当智能车辆与目标点的距离大于d_0g时，认为目标点对智能车辆的引力作用为一固定值，即：

式中，d_0g为目标点作用范围半径，ξ为引力场系数；

当智能车辆与目标点的距离小于或等于d_0g且大于2R_V时，引力势场函数采用电荷势场模型：

当智能车辆与目标点的距离小于或等于2R_V时，引力势场函数为：

目标点的引力势场函数为：

5.根据权利要求4所述的基于改进人工势场的智能车辆轨迹规划方法，其特征在于，所述步骤4中的智能车辆的平衡方程为：

式中，F为车辆受到的合力，U为车辆斥力场和引力场叠加的复合场，U_att为引力场，U_rep为斥力场，F_att为目标点对智能车辆的引力，F_rep为障碍物对智能车辆的斥力，n为障碍物总数。

Images