CN111338353A - 一种动态驾驶环境下智能车辆变道轨迹规划方法 - Google Patents

一种动态驾驶环境下智能车辆变道轨迹规划方法 Download PDF

Info

Publication number
CN111338353A
CN111338353A CN202010221708.5A CN202010221708A CN111338353A CN 111338353 A CN111338353 A CN 111338353A CN 202010221708 A CN202010221708 A CN 202010221708A CN 111338353 A CN111338353 A CN 111338353A
Authority
CN
China
Prior art keywords
vehicle
lane
track
lane change
model
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.)
Pending
Application number
CN202010221708.5A
Other languages
English (en)
Inventor
赵伟强
孙铭
宗长富
宋广昊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202010221708.5A priority Critical patent/CN111338353A/zh
Publication of CN111338353A publication Critical patent/CN111338353A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle

Landscapes

  • Engineering & Computer Science (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种动态驾驶环境下智能车辆变道轨迹规划方法，包括如下步骤：步骤一、分别确定本车的纵向参考变道轨迹和横向参考变道轨迹，作为本车参考变道轨迹模型；步骤二、根据交通环境信息以及本车的运动状态信息判断所述参考变道轨迹模型是否安全；步骤三、当判断所述参考变道轨迹模型不安全时，对所述参考变道轨迹模型进行修正，得到修正变道轨迹模型；步骤四、判断所述修正变道轨迹模型是否可行；其中：当所述修正变道轨迹模型可行时，本车按照所述修正轨迹模型完成变道；当所述修正变道轨迹模型不可行时，保持当前车道行驶。

Description

一种动态驾驶环境下智能车辆变道轨迹规划方法
技术领域
本发明属于动态驾驶环境与变道轨迹规划技术领域，特别涉及一种动态驾驶环境下智能车辆变道轨迹规划方法。
背景技术
交通事故的研究报告表明，因人为操作失误引发的交通事故达到交通事故总量的90％。其中，对交通状态估计不准确，违章操作是造成各种交通事故的主要因素。随着先进的传感和控制技术的发展，智能车辆主动变道***被认为是一种既能减轻驾驶员工作负担又能提高驾驶安全性的解决方案。车辆轨迹规划的优越与否对智能车辆安全、通畅、迅速地在道路中行驶具有决定作用。轨迹规划是行为决策的体现，也是轨迹跟踪的前提与基础。一个完整的主动变道***有四个模块：感知与通信模块、决策模块、轨迹规划模块和执行模块。基于感知与通信模块，决策模块会做出合理的指令，轨迹规划模块在收到变道需求后提供可行的参考轨迹供执行模块执行转向与纵向操作，使车辆遵循参考轨迹行驶。智能车辆主动变道***的设计必须考虑许多约束，如避免碰撞和驾驶舒适性。作为智能汽车在自动驾驶过程中的基本控制技术，轨迹跟踪控制方法要求车辆在规定时间内通过轨迹规划***预先设定的位置。然而生成计算简单、响应快速的行驶轨迹只适用于基本的结构化道路，且轨迹规划方法大多都没有考虑外界干扰以及参数变化等因素对该过程产生的影响，而这种影响在紧急工况下更加不能忽略。
一般地，车辆变道轨迹规划需要满足的要求众多且苛刻，因此没有动力学校正能力的常规轨迹规划方法仅适用于计划两个固定点之间的基准轨迹，传统的基于周围交通状态在车道变换期间生成恒定的参考规划轨迹的方法在多数复杂交通环境和周围出现随机不确定性车辆时会产生错误的判断，而这种决策往往会将突发状况转变为严重的交通事故。
发明内容
本发明设计开发了一种动态驾驶环境下智能车辆变道轨迹规划方法，包括纵向和横向的轨迹规划模型；纵向模型确定当前行驶条件下的无碰撞终点，且根据特定的交通状况更新该终点，而横向模型可以规划从车辆当前位置到变化目的地的可行轨迹；本发明的目的是基于智能车辆变道道轨迹规划能够使智能车辆成功完成变道，避免车辆沿着固定的参考轨迹行驶引起碰撞。
本发明提供的技术方案为：
一种动态驾驶环境下智能车辆变道轨迹规划方法，包括：
步骤一、分别确定本车的纵向参考变道轨迹和横向参考变道轨迹，作为本车参考变道轨迹模型；
步骤二、根据交通环境信息以及本车的运动状态信息判断所述参考变道轨迹模型是否安全；
步骤三、当判断所述参考变道轨迹模型不安全时，对所述参考变道轨迹模型进行修正，得到修正变道轨迹模型；
步骤四、判断所述修正变道轨迹模型是否可行；其中：
当所述修正变道轨迹模型可行时，本车按照所述修正轨迹模型完成变道；
当所述修正变道轨迹模型不可行时，保持当前车道行驶。
优选的是，在所述步骤一中，确定本车纵向参考变道轨迹为：
Figure BDA0002426328160000021
其中，β2＝(8π3·t-4πAB2+2π·t·A2·B2)·eA·t；
β2＝(8π3·t-4πAB2+2π·t·A2·B2)·eA·t；
Figure BDA0002426328160000022
式中，A、B和C为模型参数，t为时间，vx0为本车初始速度，x0为本车纵向初始位置；e为自然对数的底数。
优选的是，在所述步骤一中，确定本车横向参考变道轨迹，包括如下步骤：
步骤1、确定本车的初步横向移动轨迹模型：
Figure BDA0002426328160000031
式中，
Figure BDA0002426328160000032
Figure BDA0002426328160000033
为侧向偏移量函数；w为目标横向位移；tf为本车到达目标车道的时间；p和q是模型参数。
步骤2、建立第一优化目标函数，并且根据所述第一优化目标函数及其约束条件，对所述初步横向移动轨迹进行优化，得到初步优化横向移动轨迹：
其中，所述第一优化目标函数为：
J1＝min{|w1·ay(tp1)|+|w2·ay(tp2)|}；
其中，
Figure BDA0002426328160000034
Figure BDA0002426328160000035
所述第一优化目标函数的约束条件为：
Figure BDA0002426328160000036
式中，w1和w2为权重系数，tp1为横向加速度的第一峰值时刻，tp2为横向加速度的第二峰值时刻，ay(tp1)表示横向加速度的第一峰值，ay(tp2)表示横向加速度的第二峰值；
步骤3、对所述初步优化横向移动轨迹进行修正，得到所述本车横向参考变道轨迹。
优选的是，在所述步骤3中，对所述初步优化横向移动轨迹进行修正，包括如下步骤：
步骤a、建立本车横向变道轨迹的逼近函数为：
Figure BDA0002426328160000037
步骤b、建立第二优化目标函数，并根据所述第二优化目标函数及约束条件确定所述逼近函数的最终表达式，即为所述本车横向变道轨迹；
其中，所述第二优化目标函数为：
Figure BDA0002426328160000041
所述第二优化目标函数的约束条件为：
Figure BDA0002426328160000042
式中，ai(i＝1，2……6)为系数，ti表示位移时间内的等时间间隔点，ts表示位移起始时间点，yopt(t)为初步优化横向移动轨迹，Y(0)和Y(tf)分别为变道初始时刻和终止时刻的横向位移；
Figure BDA0002426328160000043
和
Figure BDA0002426328160000044
分别为变道初始时刻和终止时刻的横向速度和横向加速度；
Figure BDA0002426328160000045
和
Figure BDA0002426328160000046
分别为变道初始时刻和终止时刻的横向加速度。
优选的是，在所述步骤二中，确定参考变道轨迹模型是否安全，包括如下步骤：
步骤A、基于模糊推理，根据本车与本车道前车之间的相对车速和相对距离确定第一变道参数dm1，根据本车与本车道后车之间的相对车速和相对距离确定第二变道参数dm2，根据本车和目标车道前车之间的相对车速和相对距离确定第三变道参数dm3，根据本车和目标车道后车之间的相对车速和相对距离确定第四变道参数dm4，以及根据本车和旁车之间的相对车速和相对距离确定第五变道参数dm5；
步骤B、计算变道安全系数：
out＝α1·dm1+α2·dm2+α3·dm3+α4·dm4+α5·dm5；
式中，α1、α2、α3、α4和α5分别为权重系数；
其中，当out≤0.5时，参考变道轨迹模型不安全；当out>0.5时，参考变道轨迹模型安全。
优选的是，在所述步骤三中，对所述纵向参考变道轨迹进行修正，包括：
建立纵向修正轨迹模型：
Figure BDA0002426328160000051
以及
建立第三优化目标函数，
Figure BDA0002426328160000052
并且根据所述第三优化目标函数确定纵向修正轨迹模型的参数，得到纵向修正变道轨迹；
其中，Δxc＝xc(tcf)-x(tc)；
Figure BDA0002426328160000053
xc(tcf)为修正阶段大地坐标系下的车辆的纵向位移，vcx(tcf)为修正阶段大地坐标系下的车辆的纵向速度，vxLe(tcf)为修正阶段大地坐标系下的目标车道车辆的纵向速度；λ1和λ2为权重系数；tc为修正轨迹的开始时间，Bc为模型参数，vcx(t)为轨迹修正期间的纵向速度；
Figure BDA0002426328160000054
是纵向位移的标准差，
Figure BDA0002426328160000055
是纵向速度差的标准值。
优选的是，在所述步骤三中，对所述横向参考变道轨迹进行修正，包括如下步骤：
步骤Ⅰ、建立横向修正轨迹模型：
Figure BDA0002426328160000056
步骤Ⅱ、根据终端约束得到多个k2(p,q)轨迹簇，确定多条修正轨迹，并且确定最佳轨迹对应的(p，q)值，得到初步修正横向移动轨迹yc_opt(t)；
步骤Ⅲ、建立第四优化目标函数，并根据所述第四优化目标函数及其约束条件确定本车横向修正变道轨迹Yc(t)；
其中，所述第四优化目标函数为：
Figure BDA0002426328160000057
所述第四优化目标函数的约束条件为：
Figure BDA0002426328160000058
式中，Yc(tc)和Yc(tcf)分别表示修正阶段初始时刻和终止时刻的横向位移；
Figure BDA0002426328160000059
和
Figure BDA00024263281600000510
分别表示修正阶段初始时刻和终止时刻的横向速度；
Figure BDA00024263281600000511
和
Figure BDA00024263281600000512
分别表示修正阶段初始时刻和终止时刻的横向加速度。
优选的是，在所述步骤Ⅱ中通过寻优标准函数确定最佳轨迹对应的(p，q)值；
其中，所述寻优标准函数为：
Figure BDA0002426328160000061
式中，μ1和μ2分别为权重系数，
Figure BDA0002426328160000062
为t时刻变道时车辆的横向加速度。
本发明的有益效果是：
本发明提供的动态驾驶环境下智能车辆变道轨迹规划方法将纵向和横向运动规划脱钩，纵向轨迹规划模型通过纵向加速度和速度来确定运动的无碰撞终止点。横向轨迹规划模型以终止时间为输入，为常见的变道操作规划出最佳的参考轨迹，或重新计划变道轨迹以消除潜在事故；当交通状况具有可能导致碰撞的变化趋势时，通过纵向规划模型来更新终点，通过横向规划模型基于该纵向规划模型对预先规划的轨迹进行调整，以成功完成变道，或者返回到原始车道；从而提高智能车辆变道过程的安全性。
附图说明
图1为本发明所述的智能车辆变道轨迹规划方法的流程图。
图2为本发明所述的智能车辆变道轨迹规划整体流程图。
图3为本发明所述的变道过程中轨迹重规划流程图。
图4为本发明所述的信息感知层感知信息的交通环境示意图。
图5为本发明所述的变道轨迹重新规划的决策框架图。
图6为本车和本车道前车模糊推理输出的推理曲面。
图7为本车和本车道后车模糊推理输出的推理曲面。
图8为本车和目标车道前车模糊推理输出的推理曲面。
图9为本车和目标车道后车模糊推理输出的推理曲面。
图10为本车和旁车模糊推理输出的推理曲面。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1-3所示，本发明提供了一种动态驾驶环境下智能车辆变道轨迹规划方法：首先由智能车辆变道轨迹规划方法计算出本车的参考轨迹，若本车在车道变道过程中预测到碰撞，纵向模型会通过重新规划纵向加速度和速度来得到新的无碰撞终点。横向模型使用此终点作为输入为车辆规划平滑且连续的参考轨迹，以完成变道或返回原车道。具体规划方法如下：
一、纵向轨迹规划模型
纵向车辆的控制输入是纵向加速度，该加速度通过节气门的开度或制动踏板的压力进行调节。因此，可以直接计算变道过程中的纵向加速度。本发明提出了一种基于正弦函数的模型，该模型以指数方式减小来规划车辆的纵向加速度，即
Figure BDA0002426328160000071
其中ax(t)表示随时间变化的纵向加速度，A，B和C是模型参数，且B>0。因此，纵向速度被规划为：
Figure BDA0002426328160000072
Figure BDA0002426328160000073
其中，
Figure BDA0002426328160000074
α2＝2π·B·C·(A2·B2+4π2),vx(t)是纵向速度，vx0是初始速度。
将纵向起始位置定义为x0，纵向位移为：
Figure BDA0002426328160000075
Figure BDA0002426328160000076
其中，
Figure BDA0002426328160000077
β2＝(8π3·t-4πAB2+2π·t·A2·B2)·eA·t,
Figure BDA0002426328160000078
二、横向轨迹规划模型
本发明采用一种可以生成从起点到终点轨迹的模型，该模型源自驾驶员在转向过程中的横向加速度决策机制，其初步模型表示为：
Figure BDA0002426328160000081
其中，ey(t)表示大地坐标中的横向位移，w是目标横向位移，p和q是模型参数；车辆的横向速度在开始时为零，并且要求在终止点的横向速度为零，车辆应在tf到达目标车道，在换道过程中的横向位移为：
Figure BDA0002426328160000082
其中
Figure BDA0002426328160000083
tf是p和q的函数。当给出tf时，通过调整p和q生成轨迹簇，轨迹簇中的不同轨迹具有不同的性能，这为选择最佳轨迹提供了机会。通常，驾驶员在转向时对横向运动更为敏感。因此，可以选取具有最小横向加速度峰值的轨迹为目标来设计优化。横向加速度表示为：
Figure BDA0002426328160000084
其中，
Figure BDA0002426328160000085
ay(t)的峰值时间，表示为：
Figure BDA0002426328160000086
其中，tp1和tp2是横向加速度的峰值时刻。然后，将优化对象构造为：
J＝min{|w1·ay(tp1)|+|w2·ay(tp2)|},
Figure BDA0002426328160000087
其中，
Figure BDA0002426328160000091
Figure BDA0002426328160000092
上式中，w1和w2是权重系数。p和q是要求解的变量，以初步优化的轨迹为基线，利用函数逼近法对轨迹进行修正。轨迹的约束总数为6，因此逼近函数应至少具有7个自由度来逼近。为了避免龙格现象，应用了六阶多项式，其表示为：
Figure BDA0002426328160000093
其中，Y(t)是用于逼近的函数即换道轨迹的最终表达式。a0，…，a6是系数。将初步优化的轨迹定义为yopt(t)，近似为：
Figure BDA0002426328160000094
Figure BDA0002426328160000095
在行驶过程中，本车实时监控周围的交通状况，并将其反馈给决策模块，该决策模块在必要时为轨迹重新规划提供指令。
三、纵向参考变道轨迹修正
当预先计划的变道方案因碰撞而受阻时，需要进行轨迹校正，将tc定义为校正轨迹的开始时间，将tcf定义为校正轨迹的终止时间，纵向加速度被重新规划为：
Figure BDA0002426328160000096
其中，acx(t)是校正期间内重新计划的纵向加速度，Ac，Bc和Cc是模型参数。修正期间的纵向速度和位移计算如下：
Figure BDA0002426328160000101
Figure BDA0002426328160000102
由于周围交通状态的变化将给本车的驾驶员带来心理负担。因此，驾驶员通常希望尽快到达目标车道。另外，校正轨迹时无需考虑前后车辆。在轨迹校正中具有约束的优化对象构建如下：
Figure BDA0002426328160000103
Figure BDA0002426328160000104
J为构建的优化对象，λ1和λ2表示相应的权重系数,tc表示车辆变道开始时间，tcf是变道开始后重新规划的时间，tf表示车辆变道完成时间,
Figure BDA0002426328160000105
是纵向位移的标准差，
Figure BDA0002426328160000106
是纵向速度差的标准值，
Figure BDA0002426328160000107
代表目标车道纵向速度差，lvM表示本车车长，lvLe表示目标车道前车车长，是
Figure BDA0002426328160000108
标准安全距离，
Figure BDA0002426328160000109
表示前车视距。
其中
Figure BDA00024263281600001010
Figure BDA00024263281600001011
Figure BDA00024263281600001012
axcLe和axcLa分别表示在本车校正期间前方和后方车辆的纵向加速度；acxmax是纵向加速度的更新阈值，jcxmax是纵向跳动的更新阈值。
综上得到变道完成时间的计算公式为：
tf＝B+ts。
四、横向参考变道轨迹修正
本发明通过纵向轨迹规划模型来更新轨迹校正的终止时间，在横向轨迹规划模型中，为更正预先计划的轨迹，将初始条件更改为：
Figure BDA00024263281600001013
当车辆到达目标车道时，横向速度应为零，因此，将零点确定为校正后的变道操作终止时间，即
Figure BDA0002426328160000111
校正后的轨迹初步规划为：
Figure BDA0002426328160000112
其中，
Figure BDA0002426328160000113
Figure BDA0002426328160000114
终端约束为y(tcf)＝w，由k2(p,q)满足。通过调整p和q生成轨迹簇，当确定tcf时，确定相应的轮廓线，轨迹参数p和q分布在该轮廓线上。然后根据以下标准在该轮廓线上找到确定最佳轨迹的一对参数：
Figure BDA0002426328160000115
式中，μ1和μ2分别为权重系数，M(p,q)是生成最佳轨迹的p和q对，[Ptcf,Qtcf]是tcf确定的轮廓线中p和q的集合。初步的优化轨迹定义为yc_opt。然而，该轨迹的横向加速度也具有抖动，并且需要通过函数逼近来修改轨迹。用于逼近的多项式表示为：
Figure BDA0002426328160000116
Figure BDA0002426328160000117
由于上式是一个仅具有线性等式约束的简单优化问题，因此多项式系数可以通过fmincon函数直接求解。在规划的轨迹中如果确定车辆应提前完成换道，则tcf小于tf，否则大于tf。最后得到校正后的轨迹具有平滑且连续的横向加速度，所有加速度都限制在阈值(0.4g)以下，本发明规划的轨迹具有很好的适应能力与优越性。
五、判断所述修正变道轨迹模型是否可行；当通过上述方法可以求解时，即认为修正变道轨迹模型可行。其中：当所述修正变道轨迹模型可行时，本车按照所述修正轨迹模型完成变道；当所述修正变道轨迹模型不可行时，保持当前车道行驶。并且继续监测交通环境，准备进行下一次变道决策。
在本实施例中，采用模糊推理的方式判断是否需要进行轨迹修正，主要方法如下：
智能车辆变道轨迹动态规划的感知层从交通环境中感知所需信息进行轨迹规划，本车所感知的信息具体为：
[vx(t) ax(t) x(t) y(t)]
[vxR(t) axR(t) xR(t) yR(t)]
[vxLe(t) axLe(t) xLe(t) yLe(t)]
[vxLa(t) axLa(t) xLa(t) yLa(t)]
[vxS(t) axS(t) xS(t) yS(t)]
式中，vx(t)表示本车在大地坐标系下随时间变化的纵向速度；ax(t)表示本车在大地坐标系下随时间变化的纵向加速度；x(t)表示本车在大地坐标系下随时间变化的纵向位移；y(t)表示本车在大地坐标系下随时间变化的侧向位移。vxF(t)表示本车道前车在大地坐标[vxF(t)axF(t)xF(t)yF(t)]系下随时间变化的纵向速度；axF(t)表示本车道前车在大地坐标系下随时间变化的纵向加速度；xF(t)表示本车道前车在大地坐标系下随时间变化的纵向位移；yF(t)表示本车道前车在大地坐标系下随时间变化的侧向位移。vxR(t)表示本车道后车在大地坐标系下随时间变化的纵向速度；axR(t)表示本车道后车在大地坐标系下随时间变化的纵向加速度；xR(t)表示本车道后车在大地坐标系下随时间变化的纵向位移；yR(t)表示本车道后车在大地坐标系下随时间变化的侧向位移。vxLe(t)表示目标车道前车在大地坐标系下随时间变化的纵向速度；axLe(t)表示目标车道前车在大地坐标系下随时间变化的纵向加速度；xLe(t)表示目标车道前车在大地坐标系下随时间变化的纵向位移；yLe(t)表示目标车道前车在大地坐标系下随时间变化的侧向位移。vxLa(t)表示目标车道后车在大地坐标系下随时间变化的纵向速度；axLa(t)表示目标车道后车在大地坐标系下随时间变化的纵向加速度；xLa(t)表示目标车道后车在大地坐标系下随时间变化的纵向位移；yLa(t)表示目标车道后车在大地坐标系下随时间变化的侧向位移。vxS(t)表示旁车在大地坐标系下随时间变化的纵向速度；axS(t)表示旁车在大地坐标系下随时间变化的纵向加速度；xS(t)表示旁车在大地坐标系下随时间变化的纵向位移；yS(t)表示旁车在大地坐标系下随时间变化的侧向位移。
如图4-5所示，决策层则根据本车所获取的交通环境信息以及本车自身的运动状态信息决策出车辆的按参考变道轨迹模型变道或轨迹重新规划的指令。
轨迹重新规划的指令是根据模糊推理得到的，具体涉及到本车、目标车道前车、目标车道后车、本车道前车、本车道后车以及旁车的运动状态，因此需要具体进行五次模糊推理，将五次模糊推理的结果进行加权综合，当阈值大于某一值时则确定换道，当阈值小于某一值时则确定为车道保持,换道决策层的具体的设计方法如下所述：
(1)本车和本车道前车之间的模糊推理
对于本车和本车道前车之间的模糊推理，输入为相对车速(vMF)和相对距离(dMF)的绝对值，输出为推理结果(dm1)，各自的取值范围为：
vMF[0，10]m/s dMF[0，20]m dm1[0，1]
确定输入输出变量模糊子集：
vMF﹛零(Z)中(M)大(L)﹜
dMF﹛零(Z)中(M)大(L)﹜
dm1﹛零(Z)中(M)大(L)﹜
根据上述输入输出变量模糊子集，得到模糊推理规则如表1所示：
表1 本车和本车道前车模糊推理规则表
Figure BDA0002426328160000131
选用三角形隶属度函数，得到输入变量和输出变量的隶属度函数，根据上述模糊推理规则以及隶属度函数，得到输出的模糊推理曲面如图6所示。
(2)本车和本车道后车之间的模糊推理
对于本车和本车道后车之间的模糊推理，输入为相对车速(vMR)和相对距离(dMR)的绝对值，输出为推理结果(dm2)，各自的取值范围为：
vMR[0，15]m/s dMR[0，25]m dm2[0，1]
确定输入输出变量模糊子集：
vMR﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dMR﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dm2﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
根据上述变量的范围以及输入输出变量模糊子集，得到本车和本车道后车模糊推理规则如表2所示：
表2 本车和本车道后车模糊推理规则表
Figure BDA0002426328160000141
选用三角形隶属度函数，得到输入变量和输出变量的隶属度函数，根据上述模糊推理规则以及隶属度函数，得到输出的模糊推理曲面如图7所示。
(3)本车和目标车道前车之间的模糊推理
对于本车和目标车道前车之间的模糊推理，输入为相对车速(vMLe)和相对距离(dMLe)的绝对值，输出为推理结果(dm3)，各自的取值范围为：
vMLe[0，10]m/s dMLe[0，30]m dm3[0，1]
确定输入输出变量模糊子集：
vMLe﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dMLe﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dm3﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
根据上述变量的范围以及输入输出变量模糊子集，得到本车和目标车道前车抹灰推理规则如表3所示：
表3 本车和目标车道前车模糊推理规则表
Figure BDA0002426328160000151
选用梯形隶属度函数，得到输入变量和输出变量的隶属度函数，根据上述模糊推理规则以及隶属度函数，得到输出的模糊推理曲面如图8所示。
(4)本车和目标车道后车之间的模糊推理
对于本车和目标车道后车之间的模糊推理，输入为相对车速(vMLa)和相对距离(dMLa)的绝对值，输出为推理结果(dm4)，各自的取值范围为：
vMLa[0，15]m/s dMLa[0，20]m dm4[0，1]
确定输入输出变量模糊子集：
vMLa﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dMLa﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
dm4﹛零(Z)正小(PS)正中(PM)正大(PL)﹜
根据上述变量的范围以及输入输出变量模糊子集，得到本车和目标车道后车模糊推理规则如表4所示：
表4 本车和目标车道后车模糊推理规则表
Figure BDA0002426328160000152
选用高斯型隶属度函数，得到输入变量和输出变量的隶属度函数，根据上述模糊推理规则以及隶属度函数，得到输出的模糊推理曲面如图9所示。
(5)本车和旁车之间的模糊推理
对于本车和旁车之间的模糊推理，输入为相对车速(vMS)和相对距离(dMS)的绝对值，输出为推理结果(dm5)，各自的取值范围为：
vMS[0，8]m/s dMS[0，10]m dm5[0，1]
确定输入输出变量模糊子集：
vMS﹛零(Z)中(M)大(L)﹜
dMS﹛零(Z)中(M)大(L)﹜
dm5﹛零(Z)中(M)大(L)﹜
根据上述变量的范围以及输入输出变量模糊子集，得到本车和旁车模糊推理规则如表5所示：
表5 本车和旁车模糊推理规则表
Figure BDA0002426328160000161
选用高斯型隶属度函数，得到输入变量和输出变量的隶属度函数，根据上述模糊推理规则以及隶属度函数，得到输出的模糊推理曲面如图10所示。
(6)阈值
根据上述五项模糊推理的输出，将各项输出进行加权得到一个综合输出值，该综合输出值大于某一阈值，则认为参考变道轨迹模型安全，换道决策层输出换道指令；当该综合输出值小于某一阈值则认为参考变道轨迹模型换道存在风险，换道决策层输出车道保持指令，并且重新规划变道轨迹；
其中，综合输出值及具体判断方式为：
out＝α1·dm1+α2·dm2+α3·dm3+α4·dm4+α5·dm5；
Figure BDA0002426328160000162
式中，α1、α2、α3、α4和α5分别为权重系数。
在另一种实施例中，决策模块根据上述模糊推理方法做出是否变道的决策，只需将输出指令的决策结果更换为：
Figure BDA0002426328160000171
变道决策方法部分与轨迹重新规划的指令的决策方法相同。
本发明将纵向和横向运动规划脱钩，在常见的变道过程中实现轨迹的重新规划，以防止碰撞。纵向轨迹规划模型通过纵向加速度和速度来确定运动的无碰撞终止点。横向轨迹规划模型以终止时间为输入，为常见的变道操作规划出最佳的参考轨迹，或重新计划变道轨迹以消除潜在事故。当交通状况具有可能导致碰撞的变化趋势时，通过纵向规划模型来更新终点，通过横向规划模型基于该纵向规划模型对预先规划的轨迹进行调整，以成功完成换道，或者返回到原始车道。本发明所提出的模型不仅可以处理一般的运动轨迹的规划问题，而且可以在紧急情况下重新计算轨迹以确保安全性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (8)

1.一种动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，包括如下步骤：
步骤一、分别确定本车的纵向参考变道轨迹和横向参考变道轨迹，作为本车参考变道轨迹模型；
步骤二、根据交通环境信息以及本车的运动状态信息判断所述参考变道轨迹模型是否安全；
步骤三、当判断所述参考变道轨迹模型不安全时，对所述参考变道轨迹模型进行修正，得到修正变道轨迹模型；
步骤四、判断所述修正变道轨迹模型是否可行；其中：
当所述修正变道轨迹模型可行时，本车按照所述修正轨迹模型完成变道；
当所述修正变道轨迹模型不可行时，保持当前车道行驶。
2.根据权利要求1所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤一中，确定本车纵向参考变道轨迹为：
Figure FDA0002426328150000011
其中，β2＝(8π3·t-4πAB2+2π·t·A2·B2)·eA·t；
β2＝(8π3·t-4πAB2+2π·t·A2·B2)·eA·t；
Figure FDA0002426328150000012
式中，A、B和C为模型参数，t为时间，vx0为本车初始速度，x0为本车纵向初始位置；e为自然对数的底数。
3.根据权利要求2所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤一中，确定本车横向参考变道轨迹，包括如下步骤：
步骤1、确定本车的初步横向移动轨迹模型：
Figure FDA0002426328150000013
式中，
Figure FDA0002426328150000014
Figure FDA0002426328150000015
为侧向偏移量函数；w为目标横向位移；tf为本车到达目标车道的时间；p和q是模型参数。
步骤2、建立第一优化目标函数，并且根据所述第一优化目标函数及其约束条件，对所述初步横向移动轨迹进行优化，得到初步优化横向移动轨迹：
其中，所述第一优化目标函数为：
J1＝min{|w1·ay(tp1)|+|w2·ay(tp2)|}；
其中，
Figure FDA0002426328150000021
Figure FDA0002426328150000022
所述第一优化目标函数的约束条件为：
Figure FDA0002426328150000023
式中，w1和w2为权重系数，tp1为横向加速度的第一峰值时刻，tp2为横向加速度的第二峰值时刻，ay(tp1)表示横向加速度的第一峰值，ay(tp2)表示横向加速度的第二峰值；
步骤3、对所述初步优化横向移动轨迹进行修正，得到所述本车横向参考变道轨迹。
4.根据权利要求3所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤3中，对所述初步优化横向移动轨迹进行修正，包括如下步骤：
步骤a、建立本车横向变道轨迹的逼近函数为：
Figure FDA0002426328150000024
步骤b、建立第二优化目标函数，并根据所述第二优化目标函数及约束条件确定所述逼近函数的最终表达式，即为所述本车横向变道轨迹；
其中，所述第二优化目标函数为：
Figure FDA0002426328150000031
所述第二优化目标函数的约束条件为：
Figure FDA0002426328150000032
式中，ai(i＝1，2……6)为系数，ti表示位移时间内的等时间间隔点，ts表示位移起始时间点，yopt(t)为初步优化横向移动轨迹，Y(0)和Y(tf)分别为变道初始时刻和终止时刻的横向位移；
Figure FDA0002426328150000034
和
Figure FDA0002426328150000035
分别为变道初始时刻和终止时刻的横向速度和横向加速度；
Figure FDA0002426328150000036
和
Figure FDA0002426328150000037
分别为变道初始时刻和终止时刻的横向加速度。
5.根据权利要求3或4所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤二中，确定参考变道轨迹模型是否安全，包括如下步骤：
步骤A、基于模糊推理，根据本车与本车道前车之间的相对车速和相对距离确定第一变道参数dm1，根据本车与本车道后车之间的相对车速和相对距离确定第二变道参数dm2，根据本车和目标车道前车之间的相对车速和相对距离确定第三变道参数dm3，根据本车和目标车道后车之间的相对车速和相对距离确定第四变道参数dm4，以及根据本车和旁车之间的相对车速和相对距离确定第五变道参数dm5；
步骤B、计算变道安全系数：
out＝α1·dm1+α2·dm2+α3·dm3+α4·dm4+α5·dm5；
式中，α1、α2、α3、α4和α5分别为权重系数；
其中，当out≤0.5时，参考变道轨迹模型不安全；当out>0.5时，参考变道轨迹模型安全。
6.根据权利要求5所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤三中，对所述纵向参考变道轨迹进行修正，包括：
建立纵向修正轨迹模型：
Figure FDA0002426328150000033
以及
建立第三优化目标函数，
Figure FDA0002426328150000041
并且根据所述第三优化目标函数确定纵向修正轨迹模型的参数，得到纵向修正变道轨迹；
其中，Δxc＝xc(tcf)-x(tc)；
Figure FDA0002426328150000042
xc(tcf)为修正阶段大地坐标系下的车辆的纵向位移，vcx(tcf)为修正阶段大地坐标系下的车辆的纵向速度，vxLe(tcf)为修正阶段大地坐标系下的目标车道车辆的纵向速度；λ1和λ2为权重系数；tc为修正轨迹的开始时间，Bc为模型参数，vcx(t)为轨迹修正期间的纵向速度；
Figure FDA0002426328150000043
是纵向位移的标准差，
Figure FDA0002426328150000044
是纵向速度差的标准值。
7.根据权利要求6所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤三中，对所述横向参考变道轨迹进行修正，包括如下步骤：
步骤Ⅰ、建立横向修正轨迹模型：
Figure FDA0002426328150000045
步骤Ⅱ、根据终端约束得到多个k2(p,q)轨迹簇，确定多条修正轨迹，并且确定最佳轨迹对应的(p，q)值，得到初步修正横向移动轨迹yc_opt(t)；
步骤Ⅲ、建立第四优化目标函数，并根据所述第四优化目标函数及其约束条件确定本车横向修正变道轨迹Yc(t)；
其中，所述第四优化目标函数为：
Figure FDA0002426328150000046
所述第四优化目标函数的约束条件为：
Figure FDA0002426328150000047
式中，Yc(tc)和Yc(tcf)分别表示修正阶段初始时刻和终止时刻的横向位移；
Figure FDA0002426328150000048
和
Figure FDA0002426328150000049
分别表示修正阶段初始时刻和终止时刻的横向速度；
Figure FDA00024263281500000410
和
Figure FDA00024263281500000411
分别表示修正阶段初始时刻和终止时刻的横向加速度。
8.根据权利要求7所述的动态驾驶环境下智能车辆变道轨迹规划方法，其特征在于，在所述步骤Ⅱ中通过寻优标准函数确定最佳轨迹对应的(p，q)值；
其中，所述寻优标准函数为：
Figure FDA0002426328150000051
式中，μ1和μ2分别为权重系数，
Figure FDA0002426328150000052
为t时刻变道时车辆的横向加速度。
CN202010221708.5A 2020-03-26 2020-03-26 一种动态驾驶环境下智能车辆变道轨迹规划方法 Pending CN111338353A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010221708.5A CN111338353A (zh) 2020-03-26 2020-03-26 一种动态驾驶环境下智能车辆变道轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010221708.5A CN111338353A (zh) 2020-03-26 2020-03-26 一种动态驾驶环境下智能车辆变道轨迹规划方法

Publications (1)

Publication Number Publication Date
CN111338353A true CN111338353A (zh) 2020-06-26

Family

ID=71184625

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010221708.5A Pending CN111338353A (zh) 2020-03-26 2020-03-26 一种动态驾驶环境下智能车辆变道轨迹规划方法

Country Status (1)

Country Link
CN (1) CN111338353A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112937608A (zh) * 2021-03-31 2021-06-11 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
CN113882201A (zh) * 2021-09-09 2022-01-04 华中科技大学 一种自动驾驶车辆专用车道直线段宽度确定方法
CN113978467A (zh) * 2021-10-28 2022-01-28 江铃汽车股份有限公司 一种基于正弦函数的车辆自动变道控制方法
WO2022088380A1 (zh) * 2020-10-28 2022-05-05 重庆长安汽车股份有限公司 车辆自动变道横向路径规划方法、***、车辆及存储介质
CN114475607A (zh) * 2022-04-13 2022-05-13 清华大学 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质
CN114516331A (zh) * 2022-02-10 2022-05-20 苏州挚途科技有限公司 车辆换道控制方法、装置和电子设备
CN115830886A (zh) * 2023-02-09 2023-03-21 西南交通大学 智能网联车辆协同换道时序计算方法、装置、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150355641A1 (en) * 2014-06-05 2015-12-10 Hyundai Motor Company Lane changing apparatus and method of autonomous vehicle
CN106926844A (zh) * 2017-03-27 2017-07-07 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
CN108068817A (zh) * 2017-12-06 2018-05-25 张家港天筑基业仪器设备有限公司 一种无人驾驶汽车自动变道装置及方法
CN109213148A (zh) * 2018-08-03 2019-01-15 东南大学 一种基于深度强化学习的车辆低速跟驰决策方法
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
CN110362096A (zh) * 2019-08-13 2019-10-22 东北大学 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法
CN110356404A (zh) * 2019-05-28 2019-10-22 吉林大学 一种具有自主换道功能并提高侧向安全性的智能驾驶***
CN110389581A (zh) * 2018-04-17 2019-10-29 百度（美国）有限责任公司 用于为自动驾驶车辆生成障碍物的预测轨迹的方法
CN110398963A (zh) * 2019-07-13 2019-11-01 珠海格力智能装备有限公司 无轨导航纠偏控制方法、装置、存储介质及控制器

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150355641A1 (en) * 2014-06-05 2015-12-10 Hyundai Motor Company Lane changing apparatus and method of autonomous vehicle
CN106926844A (zh) * 2017-03-27 2017-07-07 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
CN108068817A (zh) * 2017-12-06 2018-05-25 张家港天筑基业仪器设备有限公司 一种无人驾驶汽车自动变道装置及方法
CN110389581A (zh) * 2018-04-17 2019-10-29 百度（美国）有限责任公司 用于为自动驾驶车辆生成障碍物的预测轨迹的方法
CN109213148A (zh) * 2018-08-03 2019-01-15 东南大学 一种基于深度强化学习的车辆低速跟驰决策方法
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
CN110356404A (zh) * 2019-05-28 2019-10-22 吉林大学 一种具有自主换道功能并提高侧向安全性的智能驾驶***
CN110398963A (zh) * 2019-07-13 2019-11-01 珠海格力智能装备有限公司 无轨导航纠偏控制方法、装置、存储介质及控制器
CN110362096A (zh) * 2019-08-13 2019-10-22 东北大学 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ESMAEIL BALAL，RUEY LONGCHEU，THOMPSON SARKODIE-GYAN: "A binary decision model for discretionary lane changing move based on fuzzy inference system", 《TRANSPORTATION RESEARCH PART C》 *
HONGYU ZHENG,JIAN ZHOU，QIAN SHAO，YULEI WANG: "Investigation of a Longitudinal and Lateral Lane-Changing Motion Planning Model for Intelligent Vehicles in Dynamical Driving Environments", 《IEEE ACCESS》 *
SARA MORIDPOUR, GEOFF ROSE ，MAJID SARVI: "Modelling the heavy vehicle drivers’ lane changing decision under heavy traffic conditions", 《ROAD & TRANSPORT RESEARCH》 *
项保华: "《决策管理疑难与破解》", 31 March 2011 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022088380A1 (zh) * 2020-10-28 2022-05-05 重庆长安汽车股份有限公司 车辆自动变道横向路径规划方法、***、车辆及存储介质
CN112530202B (zh) * 2020-11-23 2022-01-04 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112530202A (zh) * 2020-11-23 2021-03-19 中国第一汽车股份有限公司 一种车辆变道的预测方法、装置、设备及车辆
CN112937608A (zh) * 2021-03-31 2021-06-11 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
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
CN113882201B (zh) * 2021-09-09 2022-07-01 华中科技大学 一种自动驾驶车辆专用车道直线段宽度确定方法
CN113882201A (zh) * 2021-09-09 2022-01-04 华中科技大学 一种自动驾驶车辆专用车道直线段宽度确定方法
CN113978467A (zh) * 2021-10-28 2022-01-28 江铃汽车股份有限公司 一种基于正弦函数的车辆自动变道控制方法
CN113978467B (zh) * 2021-10-28 2023-06-20 江铃汽车股份有限公司 一种基于正弦函数的车辆自动变道控制方法
CN114516331A (zh) * 2022-02-10 2022-05-20 苏州挚途科技有限公司 车辆换道控制方法、装置和电子设备
CN114516331B (zh) * 2022-02-10 2024-04-09 苏州挚途科技有限公司 车辆换道控制方法、装置和电子设备
CN114475607A (zh) * 2022-04-13 2022-05-13 清华大学 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质
CN115830886A (zh) * 2023-02-09 2023-03-21 西南交通大学 智能网联车辆协同换道时序计算方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN111338353A (zh) 一种动态驾驶环境下智能车辆变道轨迹规划方法
CN107943071B (zh) 无人车的编队保持控制方法及***
CN111338340B (zh) 基于模型预测的无人驾驶汽车局部路径规划方法
CN106926844B (zh) 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
CN110286681B (zh) 一种变曲率弯道的动态自动驾驶换道轨迹规划方法
CN110471408B (zh) 基于决策过程的无人驾驶车辆路径规划方法
CN110703754B (zh) 一种自动驾驶车辆路径与速度高度耦合的轨迹规划方法
Wang et al. Lateral control of autonomous vehicles based on fuzzy logic
JP3956693B2 (ja) 統合型車両運動制御装置
CN110356404A (zh) 一种具有自主换道功能并提高侧向安全性的智能驾驶***
CN110329263A (zh) 自动驾驶车辆自适应换道轨迹规划方法
CN111409641A (zh) 一种基于纵横向协调的轨迹跟踪控制方法及***
CN110525436A (zh) 车辆换道控制方法、装置、车辆和存储介质
CN106915349B (zh) 一种车辆侧向控制的方法及装置
CN111081069B (zh) 一种高速公路瓶颈区域的车辆轨迹控制方法
CN111739342B (zh) 用于避让侧前方车辆的方法、装置、介质以及车辆
CN110920616A (zh) 一种智能车换道轨迹及换道轨迹跟随控制方法
WO2023024914A1 (zh) 车辆避让方法、装置、计算机设备和存储介质
CN110091868A (zh) 一种人机协同控制的纵向避撞方法及其***、智能汽车
CN114013443A (zh) 一种基于分层强化学习的自动驾驶车辆换道决策控制方法
CN110481562A (zh) 汽车自动换道最优轨迹规划、控制方法及***
CN110893850A (zh) 一种车辆纵向速度规划方法和纵向速度规划装置
CN112644488A (zh) 自适应巡航***
CN110329277B (zh) 一种智能汽车人机协同控制权重分配方法
US20220274603A1 (en) Method of Modeling Human Driving Behavior to Train Neural Network Based Motion Controllers

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200626

RJ01 Rejection of invention patent application after publication