CN111845774A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN111845774A CN111845774A CN202010701188.8A CN202010701188A CN111845774A CN 111845774 A CN111845774 A CN 111845774A CN 202010701188 A CN202010701188 A CN 202010701188A CN 111845774 A CN111845774 A CN 111845774A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- longitudinal
- planning
- transverse
- track
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000003068 static effect Effects 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims description 26
- 238000005457 optimization Methods 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 19
- 230000001133 acceleration Effects 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 238000013507 mapping Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000036461 convulsion Effects 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 4
- 206010048669 Terminal state Diseases 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005096 rolling process Methods 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000012938 design process Methods 0.000 claims 1
- 230000004888 barrier function Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000006467 substitution reaction Methods 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 102200159389 rs58999456 Human genes 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W10/00—Conjoint control of vehicle sub-units of different type or different function
- B60W10/20—Conjoint control of vehicle sub-units of different type or different function including control of steering systems
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
- B60W30/095—Predicting travel path or likelihood of collision
- B60W30/0956—Predicting travel path or likelihood of collision the prediction being responsive to traffic or environmental parameters
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0027—Planning or execution of driving tasks using trajectory prediction for other traffic participants
- B60W60/00276—Planning or execution of driving tasks using trajectory prediction for other traffic participants for two or more other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0043—Signal treatments, identification of variables or parameters, parameter estimation or state estimation
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/50—Barriers
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2710/00—Output or target parameters relating to a particular sub-units
- B60W2710/20—Steering systems
Landscapes
- Engineering & Computer Science (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Chemical & Material Sciences (AREA)
- Combustion & Propulsion (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Steering Control In Accordance With Driving Conditions (AREA)
Abstract
本发明涉及一种基于横纵向协调的自动驾驶汽车轨迹动态规划及跟踪方法,首先在车辆行驶的Frenet空间中对运动状态进行密集采样,完成横、纵向的局部轨迹重规划。在横纵向轨迹协调规划中,考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率等轨迹评价指标体系对轨迹质量进行评估。在轨迹跟踪阶段,采用Brush轮胎模型设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
Description
技术领域
本发明属于智能交通自动驾驶汽车领域,具体涉及一种基于横纵向协调的自动驾驶汽车轨迹动态规划及跟踪方法。
背景技术
自动驾驶车辆作为智能交通***的重要组成环节,把传统车辆驾驶过程中“人-车-环境”的闭环变成了“车-环境”***,通过赋予汽车足够的智能,使车辆部分地乃至完全地取代人类驾驶者的操作,避免了人类驾驶者的操作失误,可有效提高交通***的效率和安全性,自动驾驶车辆的研发已经逐渐受到国内外各大汽车厂商和研究机构的重视。
自动驾驶汽车通过摄像头、雷达等外部传感器感知与识别周围环境并做出相应的决策规划反应,再利用先进的硬件设备和电子信息技术控制车辆的自动运行。轨迹规划算法是自动驾驶技术的关键之一,与人类正常驾驶的汽车一样,自动驾驶汽车的轨迹规划主要是拟规划出一条从起始位置抵达目标位置,能够避开障碍物的安全、可靠可行路径,其性能的好坏将直接影响汽车的行驶安全性和无人驾驶汽车的智能化程度。目前存在的轨迹规划算法大致可以分为图搜索、数值优化和采样等三类;大多数研究集中于前两类轨迹规划方法。事实上,基于图搜索的方法将环境空间映射到加权图上从而将避障路径规划转换为图搜索问题,其计算时间会随着地图规模的增大快速增长。基于数值优化的算法是把目标函数和约束条件转化成凸优化形式,然后使用数值优化迭代器计算出其最优解,该方法最大的优点在于最优解空间是连续的,然而要将周围环境抽象成凸优化的目标函数这一条件难以满足,同时求解最优解往往依赖于计算开销较大的梯度迭代;这两类方法难以满足自动驾驶的高实时性要求。
另外,目前自动驾驶车辆的轨迹规划方法多针对横向运动规划的静态障碍物场景,但在自动驾驶实际行驶场景复杂,会随机存在临时障碍物以及动态障碍物,基于静态障碍物场景的单一横向轨迹规划难以满足自动驾驶的高可靠性要求,如何在综合交通环境中规划出能应对动、静态障碍物的横纵向协调的自动驾驶汽车动态轨迹,且满足无人驾驶车辆行驶的安全性、舒适性和通行效率等条件。同时,规划所得的轨迹跟踪还需要考虑自动驾驶车辆动力学操纵极限约束,保证其可执行性,也是应该对待的重要问题。
发明内容
本发明的目的是针对已有技术的不足,提供一种基于横纵向协调的自动驾驶汽车轨迹动态规划及跟踪方法,首先进行车辆轨迹Frenet坐标映射,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划,然后引入超平面理论进行障碍物碰撞检测,综合考虑横纵向协调的轨迹并对轨迹的平顺性、舒适性、行使效率进行评估,在设计轨迹操纵动力学极限约束规则下采用AFS+DYC集成***对轨迹进行MPC跟踪控制,具有高实时、安全、可靠的优点。
为了实现上述目的,本发明提供如下方案:
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,包括如下步骤:
S1、车辆行驶状态空间轨迹采样:
将自动驾驶车辆轨迹规划问题从笛卡尔坐标系映射至Frenet坐标系下进行,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划;
S2、横纵向轨迹协调规划与车辆轨迹评估:
在横纵向轨迹协调规划中,考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物的形状、大小、朝向,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率轨迹评价指标体系对轨迹质量进行评估;
S3、车辆操纵极限约束下的轨迹跟踪控制:
在轨迹跟踪阶段,为保证自动驾驶车辆在自身物理条件限制之内轨迹跟踪行驶可达,采用Brush轮胎模型设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
优选地,一种基于横纵向协调的自动驾驶汽车轨迹动态规划及跟踪方法,包括如下步骤:
(1)车辆行驶状态空间轨迹采样:
将自动驾驶车辆轨迹位置从笛卡尔坐标系映射至Frenet坐标系,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划。
优选地,上述步骤(1)中,所建立的将自动驾驶车辆轨迹位置从笛卡尔坐标系[nx,tx]映射至Frenet坐标系[nc,tc]转换关系表达式如下:
x(s(t),d(t))=r(s(t))+d(s)nc(s(t))
其中,计算主车的横向运动速度vlat和纵向运动速度vlon,表达式为:
计算主车的横向运动加速度alat和纵向运动加速度alon,表达式为:
上述步骤(1)中,所通过采样得横向规划轨迹簇轨迹集合为:
dset=Ψ(t,d0,d1),t={t0,t1,t2,…,tN-1}
式中,Ψ(t,d0,d1)代表所有横向规划所得的轨迹集合,t表示N个时刻采样点,Ψ(ti,d0,d1),0≤i≤N-1表示某一条状态确定的横向运动轨迹,车辆按该轨迹行驶,将使其从初始状态d0转移至末状态d1。
在横向轨迹规划中使用的五次多项式表达式为:
d(t)=cd1+cd2t+cd3t2+cd4t3+cd5t4+cd6t5
d(t0)=cd1+cd2t0+cd3t0 2+cd4t0 3+cd5t0 4+cd6t0 5
d(t1)=cd1+cd2t1+cd3t1 2+cd4t1 3+cd5t1 4+cd6t1 5
求解矩阵条件及方式如下:
C=M-1O
其中C=[cd1,cd2,cd3,cd4,cd5,cd6]T
车辆在横向规划时间段内的规划轨迹求解结果表达式为:
令T=t1-t0,则剩下的三个系数可以通过求解如下矩阵方程得到:
优选地,上述步骤(1)中,所通过采样得纵向规划轨迹簇轨迹集合为:
sset=Φ(t,s0,s1),t={t0,t1,t2,…,tN-1}
式中,Φ(t,s0,s1)代表所有纵向规划所得的轨迹集合,t表示N个时刻采样点,Φ(ti,s0,s1),0≤i≤N-1表示某一条状态确定的纵向运动轨迹,车辆按该轨迹行驶,将使其从初始状态s0转移至末状态s1。
在纵向轨迹规划使用的是四次多项式轨迹表达式为:
s(t)=cs1+cs2t+cs3t2+cs4t3+cs5t4
令T=t1-t0,求解矩阵方程就可解得四次多项式曲线的五个系数。
将具有相同规划时域和插值点的横、纵向轨迹曲线按时刻点ti∈[t0,t1],i=1,2,...,N一一对应组合,得到[s(ti),d(ti)],再根据转换关系表达式完成从Frenet坐标系到笛卡尔坐标系的映射及轨迹合成。
(2)横纵向轨迹协调规划与车辆轨迹评估:
在横纵向轨迹协调规划中,设置轨迹曲线的平顺性代价、安全性代价、行驶效率等代价对规划轨迹质量进行评价,并引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,选择最优规划轨迹用于底层的跟踪参考。
优选地,上述步骤(2)中,所设计的横纵向轨迹协调规划过程为:
评价横向规划轨迹的指标设置包括以下的两项:
其中kj为权重系数,此项意在使横向规划轨迹jerk最小,保证舒适性。
Ce=ke(d(t))2
其中ke为权重系数,此项意在使横向规划接近参考车道中心线,即让主车完成避障后能够回到初始参考车道行驶。
评价纵向规划轨迹的指标设置包括以下的三项:
其中kj为权重系数,与横向轨迹的该指标一样,此项意在使纵向规划轨迹jerk最小,保证舒适性。
其中ke为权重系数,vtarget为目标车速,在车速跟随模式下需要使车速接近并保持目标速度时,纵向轨迹的末端速度参考采用上式所示的表达式。
其中starget为目标距离,在车距跟随模式下需要使主车与移动的交通车辆保持一定的车距时,纵向轨迹的末端距离采用如上所示的表达式。
在对横纵向轨迹规划进行单独初步评价后,进一步设计评价横、纵向合成协调轨迹的指标包括以下的四项:
优选地,考虑车辆及环境静、动态障碍物都不能简单地等效为质点,它们的形状、大小、朝向等均可能给行驶带来风险,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物,引入超平面理论进一步确定这些车辆轨迹是否与周围交通环境中的静态或者动态的障碍物发生干涉及是否有发生碰撞风险如下:
定义车辆与障碍物不发生干涉及不发生碰撞风险的条件为
优选引入轨迹避碰的超平面为
则自动驾驶车辆矩形顶点可以描述为
其中,T(τ)为坐标旋转矩阵,定义为
进一步推导超平面中的车辆与障碍物不发生干涉及不发生碰撞风险的条件得
定义横纵向协调轨迹的行驶效率指标为
Ct=ktTi
其中kt为权重系数,此项为轨迹覆盖的时间,与行驶效率有关。
定义横纵向协调轨迹的舒适性指标为
其中
其中ka为权重系数,此项描述了规划轨迹的合加度,与舒适性有关。
定义横纵向协调轨迹的平顺性指标为
其中kk为权重系数,此项描述了转换至大地坐标系下的合成轨迹曲率,与行驶平顺性有关。
(3)车辆操纵极限约束下的轨迹跟踪控制:
在轨迹跟踪阶段,采用Brush轮胎模型等设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
优选地,上述步骤(3)中,所设计的轨迹跟踪过程为:
在设计车辆跟踪动力学操纵极限物理约束规则时,用于描述车辆物理特征的车辆动力学模型表达式如下:
式中,为车身坐标系下的横向加速度,为车身纵坐标下的纵向加速度,为横摆角,为横摆角速度,为横摆角加速度,为车辆的纵向速度,为车辆的横向速度,δf为前轮转角,Mz为直接横摆力矩,a,b分别为前、后轴到质心的距离,Iz为车辆的转动惯量,为全局坐标系下的纵向速度,为全局坐标系下的横向速度,X为全局坐标系下的纵向位置,Y为全局坐标系下的横向位置,m为车辆的总质量。
采用的Brush轮胎模型刻画运动的自动驾驶车辆与地面交互作用及路面附着约束如下如下
上式中
其中前后轮胎侧偏角为:
上述式,μ为地面附着系数,κi为滑移率,Cα,Cx分别为轮胎侧偏、纵向刚度,Fz,i为轮胎的垂直载荷。
采用稳态车辆质心侧偏角与横摆角速度来设计自动驾驶车辆动力学操纵极限,首先假设在转弯过程中纵向力作用很小,则稳态横摆角速度满足
为改善驾驶员前轮转向角输入激励下的车辆横摆角速度的瞬态响应,理想的横摆角速度极限修正为
同时,自动驾驶车辆动力学操纵极限严重受制于地面条件约束,导致的轮胎-路面交互作用的饱和效应,则后轮Brush轮胎模型产生临界侧向侧偏角进一步推导得
进一步可以推导车辆行使过程的横向速度极限为
其中,η为制动的依赖系数,可以表示为
利用模型预测控制(MPC)原理完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制如下:
定义第输入向量分别为u=[δf,Mz]
因此用于车辆路径跟踪的预测模型表达式写作:
其中
定义模型预测控制的最优化问题的代价函数设计为:
其中,J(ξ(t),u(t-1),ΔU(t))为优化指标,Δu(t+i|t),t=0,1,...,Nc-1为输入控制增量向量,Np为预测时域,Nc为控制时域,ηr(t+i|t),i=1,2,...,Np为参考输出量,Q,R,ρ分别为权重矩阵。
模型预测控制的约束条件设计为:
ΔUmin≤ΔU(t)≤ΔUmax
Umin-U(t-1)≤MΔU(t)≤Umax-U(t-1)
0<ε<εmax
上述式中,Ycmin(t),Ycmax(t)分别为硬约束输出量的下限和上限,Yscmin(t),Yscmax(t)分别为软约束输出量的下限和上限,Ξ=ε1pn,其中1pn为pu维列向量。
在当前时刻,求解上述优化问题得到最优控制增量序列,将控制增量序列的第一个量与上一时刻的控制量累积,得到实际控制量,作为被控***的输入。舍弃除第一个控制增量以外的序列中的其他控制增量。下一个优化时刻到来时,重复以上过程,实现滚动优化。在下一个规划周期更新车辆的初状态,重复步骤(1)至步骤(3)的操作,实现实时重规划与主动转向及直接横摆力矩集成跟踪控制。
本发明与现有技术相比较,具有如下显而易见的突出实质性特点和显著的技术进步:
1.本发明将自动驾驶车辆轨迹规划问题由笛卡尔坐标系映射至Frenet坐标系下进行,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划,能满足自动驾驶的高实时性要求;
2.在横纵向轨迹协调规划中,本发明考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物的形状、大小、朝向,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率等轨迹评价指标体系对轨迹质量进行评估;
3.本发明在轨迹跟踪阶段,为保证自动驾驶车辆在自身物理条件限制之内轨迹跟踪行驶可达,采用Brush轮胎模型等设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
附图说明
图1是本发明一种基于横纵向协调的自动驾驶汽车动态轨迹规划方法的算法流程图。
图2是本发明中采用的Frenet坐标映射及跟踪控制动力学模型示意图。
图3是本发明的一种变道场景采样规划结果轨迹图。
具体实施方式
下面结合附图和优选实施例对本发明详细说明:
实施例一:
参见图1,一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,步骤如下:
S1、车辆行驶状态空间轨迹采样:
将自动驾驶车辆轨迹规划问题从笛卡尔坐标系映射至Frenet坐标系下进行,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划。
S2、横纵向轨迹协调规划与车辆轨迹评估:
在横纵向轨迹协调规划中,考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物的形状、大小、朝向,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率轨迹评价指标体系对轨迹质量进行评估。
S3、车辆操纵极限约束下的轨迹跟踪控制:
在轨迹跟踪阶段,为保证自动驾驶车辆在自身物理条件限制之内轨迹跟踪行驶可达,采用Brush轮胎模型等设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
实施例二:
本实施例与实施一基本相同,特别之处在于:
如图1所示,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,包括以下步骤:
1.车辆行驶状态空间轨迹采样:
将车辆位置从笛卡尔坐标系映射至Frenet坐标系,具体包括以下步骤:
计算主车的横向运动加速度alat和纵向运动加速度alon,表达式为:
找出全局坐标点(xi,yi),i∈N中与主车的位置坐标(x0,y0)最近的点作为自动驾驶主车的全局定位点。将在笛卡尔坐标系中的信息映射至Frenet坐标系中,如图2所示,笛卡尔坐标系[nx,tx]到Frenet坐标系[nc,tc]的转换关系为:
x(s(t),d(t))=r(s(t))+d(s)nc(s(t))
2.横纵向轨迹协调规划与车辆轨迹评估:
根据交通环境和行驶需要,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划。具体包括:
在横向规划时域中配置末端运动位置d(t1),运动速度运动加速度一般地,将和设为0,这样可使得最终的规划轨迹末端朝向与车道平行,有利于行驶;在纵向规划时域中配置末端运动位置s(t1),运动速度运动加速度
利用规划时域内车辆的初状态和采样所得的末状态计算多项式曲线系数,用时刻点插值分别完成横、纵向轨迹的规划,并进行轨迹合成。具体步骤为:
在横向规划中,横向轨迹使用五次多项式描述,其表达式为:
d(t)=cd1+cd2t+cd3t2+cd4t3+cd5t4+cd6t5
d(t0)=cd1+cd2t0+cd3t0 2+cd4t0 3+cd5t0 4+cd6t0 5
d(t1)=cd1+cd2t1+cd3t1 2+cd4t1 3+cd5t1 4+cd6t1 5
将式转换为矩阵形式,令:
则有:
C=M-1O
其中,C=[cd1,cd2,cd3,cd4,cd5,cd6]T,可求解得到无人驾驶车辆在规划时间段内的规划轨迹表达式。
令T=t1-t0,则剩下的三个系数可以通过求解如下矩阵方程得到:
通过采样得横向规划轨迹簇轨迹集合为:
dset=Ψ(t,d0,d1),t={t0,t1,t2,…,tN-1}
式中,Ψ(t,d0,d1)代表所有纵向规划所得的轨迹集合,t表示N个时刻采样点,Ψ(ti,d0,d1),0≤i≤N-1表示某一条状态确定的纵向运动轨迹,车辆按该轨迹行驶,将使其从初始状态d0转移至末状态d1。
纵向轨迹规划使用的是四次多项式描述其轨迹,其表达式为:
s(t)=cs1+cs2t+cs3t2+cs4t3+cs5t4
令T=t1-t0,求解矩阵方程就可解得四次多项式曲线的五个系数。
通过采样得纵向规划所得轨迹集合为:
sset=Φ(t,s0,s1),t={t0,t1,t2,…,tN-1}
式中,Φ(t,s0,s1)代表所有横向规划所得的轨迹集合,t表示N个时刻采样点,Φ(ti,s0,s1),0≤i≤N-1表示某一条状态确定的横向运动轨迹,车辆按该轨迹行驶,将使其从初始状态s0转移至末状态s1。
将具有相同规划时域和插值点的横、纵向轨迹曲线按时刻点ti∈[t0,t1],i=1,2,...,N一一对应组合,得到[s(ti),d(ti)],再根据步骤1中转换关系表达式完成从Frenet坐标系到笛卡尔坐标系的映射及轨迹合成。
设置轨迹曲线的平顺性代价、安全性代价、行驶效率等代价对规划轨迹质量进行评价,并校核轨迹的碰撞的风险,选择最优规划轨迹用于底层的跟踪参考,具体的轨迹代价包括:
评价横向规划轨迹的指标设置包括以下的两项:
其中kj为权重系数,此项意在使横向规划轨迹jerk最小,保证舒适性。
Ce=ke(d(t))2
其中ke为权重系数,此项意在使横向规划接近参考车道中心线,即让主车完成避障后能够回到初始参考车道行驶。
评价纵向规划轨迹的指标设置包括以下的三项:
其中kj为权重系数,与横向轨迹的该指标一样,此项意在使纵向规划轨迹jerk最小,保证舒适性。
其中ke为权重系数,vtarget为目标车速,在车速跟随模式下需要使车速接近并保持目标速度时,纵向轨迹的末端速度参考采用上式所示的表达式。
其中starget为目标距离,在车距跟随模式下需要使主车与移动的交通车辆保持一定的车距时,纵向轨迹的末端距离采用如上所示的表达式。
在对横纵向轨迹规划进行单独初步评价后,进一步设计评价横、纵向合成协调轨迹的指标包括以下的四项:
针对前面横向、纵向规划轨迹的指标设置生成的局部车辆运动参考轨迹簇,对规划轨迹进行碰撞检测以进一步保证安全性,本发明中采用了不同于其他轨迹规划算法中检测碰撞的方法,在本方案中,考虑车辆及环境静、动态障碍物都不能简单地等效为质点,它们的形状、大小、朝向等均可能给行驶带来风险,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物,引入超平面理论进一步确定这些车辆轨迹是否与周围交通环境中的静态或者动态的障碍物发生干涉及是否有发生碰撞风险如下:
定义车辆与障碍物不发生干涉及不发生碰撞风险的条件为
进一步引入轨迹避碰的超平面为
则自动驾驶车辆矩形顶点可以描述为
其中,T(τ)为坐标旋转矩阵,定义为
进一步推导超平面中的车辆与障碍物不发生干涉及不发生碰撞风险的条件得
定义横纵向协调轨迹的行驶效率指标为
Ct=ktTi
其中kt为权重系数,此项为轨迹覆盖的时间,与行驶效率有关。
定义横纵向协调轨迹的舒适性指标为
其中
其中ka为权重系数,此项描述了规划轨迹的合加度,与舒适性有关。
定义横纵向协调轨迹的平顺性指标为
其中kk为权重系数,此项描述了转换至大地坐标系下的合成轨迹曲率,与行驶平顺性有关。
根据设计的轨迹评价指标,每条规划生成的备选轨迹都具有对应的评价分值,首先根据各备选轨迹的分值,对其升序排列后从第一条轨迹开始依次进行碰撞检测,通过检测则该轨迹成为最终的参考轨迹,不通过则删除该轨迹后检测次优的轨迹,如此循环直至通过。这样,就无需对每一条备选规划轨迹都进行碰撞检测,而仅检测其中的一部分,减小了计算量。
3.车辆操纵极限约束下的轨迹跟踪控制:
设计车辆跟踪动力学操纵极限物理约束规则,建立如图2所示的车辆动力学模型用于描述车辆物理特征,具体的车辆动力学模型表达式如下:
式中,为车身坐标系下的横向加速度,为车身纵坐标下的纵向加速度,为横摆角,为横摆角速度,为横摆角加速度,为车辆的纵向速度,为车辆的横向速度,δf为前轮转角,Mz为直接横摆力矩,a,b分别为前、后轴到质心的距离,Iz为车辆的转动惯量,为全局坐标系下的纵向速度,为全局坐标系下的横向速度,X为全局坐标系下的纵向位置,Y为全局坐标系下的横向位置,m为车辆的总质量。
车辆的轨迹跟踪控制需要考虑车辆动力学操纵极限,以保证自动驾驶车辆在自身物理条件限制之内轨迹行驶可达。为刻画运动的自动驾驶车辆与地面交互作用及路面附着约束,采用Brush轮胎模型来建立轮胎模型如下
上式中
其中前后轮胎侧偏角为:
上述式,μ为地面附着系数,κi为滑移率,Cα,Cx分别为轮胎侧偏、纵向刚度,Fz,i为轮胎的垂直载荷。
进一步采用稳态车辆质心侧偏角与横摆角速度来推导自动驾驶车辆动力学操纵极限,首先假设在转弯过程中纵向力作用很小,则稳态横摆角速度满足
为改善驾驶员前轮转向角输入激励下的车辆横摆角速度的瞬态响应,理想的横摆角速度
极限修正为
同时,自动驾驶车辆动力学操纵极限严重受制于地面条件约束,导致的轮胎-路面交互作用的饱和效应,则后轮Brush轮胎模型产生临界侧向侧偏角进一步推导得
进一步可以推导车辆行使过程的横向速度极限为
其中,η为制动的依赖系数,可以表示为
利用模型预测控制(MPC)原理完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
定义输入向量分别为u=[δf,Mz]
将该非线性***在任意点(ξr,ur)处进行泰勒展开,仅保留一阶项,忽略高阶项,可以得到:
考虑到该状态表达式是连续的,为进一步模型预测控制器的设计,采用近似离散化方法对其进行离散化后可得到:
式中,k=t,t+1,…,t+N-1。
根据之前定义状态向量如下:
因此用于车辆路径跟踪的预测模型表达式写作:
定义模型预测控制的最优化问题的代价函数设计为:
其中,J(ξ(t),u(t-1),ΔU(t))为优化指标,Δu(t+i|t),t=0,1,...,Nc-1为输入控制增量向量,Np为预测时域,Nc为控制时域,ηr(t+i|t),i=1,2,...,Np为参考输出量,Q,R,ρ分别为权重矩阵。
模型预测控制的约束条件设计为:
ΔUmin≤ΔU(t)≤ΔUmax
Umin-U(t-1)≤MΔU(t)≤Umax-U(t-1)
0<ε<εmax
上述式中,Ycmin(t),Ycmax(t)分别为硬约束输出量的下限和上限,Yscmin(t),Yscmax(t)分别为软约束输出量的下限和上限,Ξ=ε1pn,其中1pn为pu维列向量。
在当前时刻,求解上述优化问题得到最优控制增量序列,将控制增量序列的第一个量与上一时刻的控制量累积,得到实际控制量,作为被控***的输入。舍弃除第一个控制增量以外的序列中的其他控制增量。下一个优化时刻到来时,重复以上过程,实现滚动优化。在下一个规划周期更新车辆的初状态,重复步骤1至步骤5的操作,实现实时重规划与主动转向及直接横摆力矩集成跟踪控制。根据具体实施方式进行仿真验证,仿真结果如图3所示:
综合上述实施例可知,本发明涉及一种基于横纵向协调的自动驾驶汽车轨迹动态规划及跟踪方法,首先将自动驾驶车辆轨迹规划问题从笛卡尔坐标系映射至Frenet坐标系下进行,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划。在横纵向轨迹协调规划中,考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,分别采用移动的矩形及圆描述运行中的自动驾驶车辆及障碍物的形状、大小、朝向,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率等轨迹评价指标体系对轨迹质量进行评估。在轨迹跟踪阶段,为保证自动驾驶车辆在自身物理条件限制之内轨迹跟踪行驶可达,采用Brush轮胎模型等设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。本发明方法能满足自动驾驶的高实时性要求,具有高实时、安全、可靠的优点。
上面对本发明实施例结合附图进行了说明,但本发明不限于上述实施例,还可以根据本发明的发明创造的目的做出多种变化,凡依据本发明技术方案的精神实质和原理下做的改变、修饰、替代、组合或简化,均应为等效的置换方式,只要符合本发明的发明目的,只要不背离本发明的技术原理和发明构思,都属于本发明的保护范围。
Claims (7)
1.一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,其特征在于,包括如下步骤:
S1、车辆行驶状态空间轨迹采样:
将自动驾驶车辆轨迹规划问题从笛卡尔坐标系映射至Frenet坐标系下进行,在车辆行驶的状态空间中对规划时域内车辆末端运动状态进行密集采样,分别利用五次和四次多项式曲线对车辆的状态转移过程进行插值完成横、纵向的局部轨迹重规划;
S2、横纵向轨迹协调规划与车辆轨迹评估:
在横纵向轨迹协调规划中,考虑复杂交通环境中车辆及环境中的静、动态障碍物都不能简单地等效为质点,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物的形状、大小、朝向,引入超平面理论评估车辆轨迹是否与周围交通环境中的静、动态障碍物发生干涉及发生碰撞的风险,并设计轨迹的平顺性、舒适性、行使效率轨迹评价指标体系对轨迹质量进行评估;
S3、车辆操纵极限约束下的轨迹跟踪控制:
在轨迹跟踪阶段,为保证自动驾驶车辆在自身物理条件限制之内轨迹跟踪行驶可达,采用Brush轮胎模型设计自动驾驶车辆动力学操纵极限约束规则,利用模型预测控制(MPC)完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制。
3.根据权利要求1所述的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,其特征在于,在所述步骤S1中,通过采样得横向规划轨迹簇轨迹集合为:
dset=Ψ(t,d0,d1),t={t0,t1,t2,…,tN-1}
式中,Ψ(t,d0,d1)代表所有横向规划所得的轨迹集合,t表示N个时刻采样点,Ψ(ti,d0,d1),0≤i≤N-1表示某一条状态确定的横向运动轨迹,车辆按该轨迹行驶,将使其从初始状态d0转移至末状态d1;
在横向轨迹规划中使用的五次多项式表达式为:
d(t)=cd1+cd2t+cd3t2+cd4t3+cd5t4+cd6t5
d(t0)=cd1+cd2t0+cd3t0 2+cd4t0 3+cd5t0 4+cd6t0 5
d(t1)=cd1+cd2t1+cd3t1 2+cd4t1 3+cd5t1 4+cd6t1 5
求解矩阵条件及方式如下:
C=M-1O
其中C=[cd1,cd2,cd3,cd4,cd5,cd6]T
车辆在横向规划时间段内的规划轨迹求解结果表达式为:
4.根据权利要求1所述的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,其特征在于,在所述步骤S1中,通过采样得纵向规划轨迹簇轨迹集合为:
sset=Φ(t,s0,s1),t={t0,t1,t2,…,tN-1}
式中,Φ(t,s0,s1)代表所有纵向规划所得的轨迹集合,t表示N个时刻采样点,Φ(ti,s0,s1),0≤i≤N-1表示某一条状态确定的纵向运动轨迹,车辆按该轨迹行驶,将使其从初始状态s0转移至末状态s1;
在纵向轨迹规划使用的是四次多项式轨迹表达式为:
s(t)=cs1+cs2t+cs3t2+cs4t3+cs5t4
将具有相同规划时域和插值点的横、纵向轨迹曲线按时刻点ti∈[t0,t1],i=1,2,...,N一一对应组合,得到[s(ti),d(ti)],再根据转换关系表达式完成从Frenet坐标系到笛卡尔坐标系的映射及轨迹合成。
5.根据权利要求1所述的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,其特征在于,在所述步骤S2中,横纵向轨迹协调规划设计过程为:
评价横向规划轨迹的指标设置包括以下的两项:
其中kj为权重系数,此项意在使横向规划轨迹jerk最小,保证舒适性;
Ce=ke(d(t))2
其中ke为权重系数,此项意在使横向规划接近参考车道中心线,即让主车完成避障后能够回到初始参考车道行驶;
评价纵向规划轨迹的指标设置包括以下的三项:
其中kj为权重系数,与横向轨迹的该指标一样,此项意在使纵向规划轨迹jerk最小,保证舒适性;
其中ke为权重系数,vtarget为目标车速,在车速跟随模式下需要使车速接近并保持目标速度时,纵向轨迹的末端速度参考采用上式所示的表达式;
其中starget为目标距离,在车距跟随模式下需要使主车与移动的交通车辆保持一定的车距时,纵向轨迹的末端距离采用如上所示的表达式;
在对横纵向轨迹规划进行单独初步评价后,进一步设计评价横、纵向合成协调轨迹的指标包括以下的四项:
考虑车辆及环境静、动态障碍物都不能简单地等效为质点,它们的形状、大小、朝向均可能给行驶带来风险,分别采用移动的矩形及圆描述运行中的自动驾驶车辆、障碍物,引入超平面理论进一步确定这些车辆轨迹是否与周围交通环境中的静态或者动态的障碍物发生干涉及是否有发生碰撞风险如下:
定义车辆与障碍物不发生干涉及不发生碰撞风险的条件为:
进一步引入轨迹避碰的超平面为:
则自动驾驶车辆矩形顶点描述为:
其中,T(τ)为坐标旋转矩阵,定义为:
进一步推导超平面中的车辆与障碍物不发生干涉及不发生碰撞风险的条件得
定义横纵向协调轨迹的行驶效率指标为:
Ct=ktTi
其中kt为权重系数,此项为轨迹覆盖的时间,与行驶效率有关;
定义横纵向协调轨迹的舒适性指标为
其中
其中ka为权重系数,此项描述了规划轨迹的合加度,与舒适性有关;
定义横纵向协调轨迹的平顺性指标为:
其中kk为权重系数,此项描述了转换至大地坐标系下的合成轨迹曲率,与行驶平顺性有关。
6.根据权利要求1所述的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,其特征在于,在所述步骤S3中,在轨迹跟踪阶段,所设计的轨迹跟踪过程为:
在设计车辆跟踪动力学操纵极限物理约束规则时,用于描述车辆物理特征的车辆动力学模型表达式如下:
式中,为车身坐标系下的横向加速度,为车身纵坐标下的纵向加速度,为横摆角,为横摆角速度,为横摆角加速度,为车辆的纵向速度,为车辆的横向速度,δf为前轮转角,Mz为直接横摆力矩,a,b分别为前、后轴到质心的距离,Iz为车辆的转动惯量,为全局坐标系下的纵向速度,为全局坐标系下的横向速度,X为全局坐标系下的纵向位置,Y为全局坐标系下的横向位置,m为车辆的总质量;
采用的Brush轮胎模型刻画运动的自动驾驶车辆与地面交互作用及路面附着约束如下
上式中
其中前后轮胎侧偏角为:
上述式,μ为地面附着系数,κi为滑移率,Cα,Cx分别为轮胎侧偏、纵向刚度,Fz,i为轮胎的垂直载荷;
采用稳态车辆质心侧偏角与横摆角速度来设计自动驾驶车辆动力学操纵极限,首先假设在转弯过程中纵向力作用很小,则稳态横摆角速度满足
为改善驾驶员前轮转向角输入激励下的车辆横摆角速度的瞬态响应,理想的横摆角速度极限修正为
同时,自动驾驶车辆动力学操纵极限严重受制于地面条件约束,导致的轮胎-路面交互作用的饱和效应,则后轮Brush轮胎模型产生临界侧向侧偏角进一步推导得
推导车辆行使过程的横向速度极限为:
其中,η为制动的依赖系数,表示为:
7.根据权利要求1所述的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,其特征在于,在所述步骤S3中,在轨迹跟踪阶段,利用模型预测控制(MPC)原理完成自动驾驶车辆主动转向(AFS)与直接横摆力矩(DYC)集成轨迹跟踪控制如下:
定义第输入向量分别为u=[δf,Mz]
因此用于车辆路径跟踪的预测模型表达式写作:
其中
定义模型预测控制的最优化问题的代价函数设计为:
其中,J(ξ(t),u(t-1),ΔU(t))为优化指标,Δu(t+i|t),t=0,1,...,Nc-1为输入控制增量向量,Np为预测时域,Nc为控制时域,ηr(t+i|t),i=1,2,...,Np为参考输出量,Q,R,ρ分别为权重矩阵;
模型预测控制的约束条件设计为:
ΔUmin≤ΔU(t)≤ΔUmax
Umin-U(t-1)≤MΔU(t)≤Umax-U(t-1)
0<ε<εmax
上述式中,Ycmin(t),Ycmax(t)分别为硬约束输出量的下限和上限,Yscmin(t),Yscmax(t)分别为软约束输出量的下限和上限,Ξ=ε1pn,其中1pn为pu维列向量;
在当前时刻,求解上述优化问题得到最优控制增量序列,将控制增量序列的第一个量与上一时刻的控制量累积,得到实际控制量,作为被控***的输入;舍弃除第一个控制增量以外的序列中的其他控制增量;下一个优化时刻到来时,重复以上过程,实现滚动优化;在下一个规划周期更新车辆的初状态,重复步骤S1至步骤S3的操作,实现实时重规划与主动转向及直接横摆力矩集成跟踪控制。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701188.8A CN111845774B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010701188.8A CN111845774B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111845774A true CN111845774A (zh) | 2020-10-30 |
CN111845774B CN111845774B (zh) | 2021-12-03 |
Family
ID=73002324
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010701188.8A Active CN111845774B (zh) | 2020-07-20 | 2020-07-20 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111845774B (zh) |
Cited By (33)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112550287A (zh) * | 2020-12-16 | 2021-03-26 | 重庆大学 | 一种面向结构化道路的驾驶风险评估方法 |
CN112810630A (zh) * | 2021-02-05 | 2021-05-18 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及*** |
CN112906542A (zh) * | 2021-02-08 | 2021-06-04 | 北京理工大学 | 一种基于强化学习的无人车避障方法及装置 |
CN112907944A (zh) * | 2021-01-18 | 2021-06-04 | 陈潇潇 | 局部交通段的自动驾驶智能交通方法 |
CN112965489A (zh) * | 2021-02-05 | 2021-06-15 | 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 |
CN113110489A (zh) * | 2021-04-30 | 2021-07-13 | 清华大学 | 一种轨迹规划方法、装置、电子设备和存储介质 |
CN113247023A (zh) * | 2021-06-30 | 2021-08-13 | 上海商汤临港智能科技有限公司 | 一种行驶规划方法、装置、计算机设备及存储介质 |
CN113479105A (zh) * | 2021-07-20 | 2021-10-08 | 钟求明 | 一种基于自动驾驶车辆的智能充电方法及智能充电站 |
CN113515125A (zh) * | 2021-07-05 | 2021-10-19 | 中国石油大学(华东) | 一种无人驾驶汽车全工况避障控制方法及性能评价方法 |
CN113561994A (zh) * | 2021-08-13 | 2021-10-29 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质及电子设备 |
CN113741450A (zh) * | 2021-08-31 | 2021-12-03 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN113886764A (zh) * | 2021-10-28 | 2022-01-04 | 哈尔滨工业大学 | 一种基于Frenet坐标系的智能车辆多场景轨迹规划方法 |
CN113928338A (zh) * | 2021-10-08 | 2022-01-14 | 南京航空航天大学 | 一种纵横向耦合的智能车辆轨迹规划方法及*** |
CN113978465A (zh) * | 2021-09-28 | 2022-01-28 | 阿波罗智能技术(北京)有限公司 | 一种变道轨迹规划方法、装置、设备以及存储介质 |
CN114167906A (zh) * | 2021-12-08 | 2022-03-11 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶的加速度控制方法 |
CN114162115A (zh) * | 2022-02-10 | 2022-03-11 | 北京宏景智驾科技有限公司 | 用于智能驾驶的车辆碰撞风险监控方法及域控制器 |
CN114235441A (zh) * | 2021-12-31 | 2022-03-25 | 深兰人工智能(深圳)有限公司 | 无人车实时碰撞检测方法及相关装置 |
CN114228748A (zh) * | 2022-02-10 | 2022-03-25 | 重庆大学 | 一种基于几何路径生成的类人化自动驾驶轨迹规划方法 |
CN114291112A (zh) * | 2021-12-30 | 2022-04-08 | 同济大学 | 一种应用于自动驾驶汽车的决策规划协同增强方法 |
CN114407925A (zh) * | 2022-01-20 | 2022-04-29 | 江苏大学 | 一种基于时空鸟瞰图和策略梯度算法的自动驾驶轨迹规划***及方法 |
CN114435389A (zh) * | 2020-11-02 | 2022-05-06 | 上海汽车集团股份有限公司 | 一种车辆控制方法、装置及车辆 |
CN114537435A (zh) * | 2022-03-03 | 2022-05-27 | 湖州快飞智能科技有限公司 | 一种自动驾驶中的实时整车轨迹规划方法 |
CN114590274A (zh) * | 2022-03-25 | 2022-06-07 | 奥特酷智能科技(南京)有限公司 | 用于驾驶辅助***的路径规划方法及驾驶辅助*** |
CN114995415A (zh) * | 2022-05-25 | 2022-09-02 | 武汉理工大学 | 一种基于时空可达集理论的自动驾驶汽车轨迹规划方法 |
CN115140048A (zh) * | 2022-06-28 | 2022-10-04 | 哈尔滨工业大学 | 一种自动驾驶行为决策与轨迹规划模型与方法 |
CN115447616A (zh) * | 2022-10-26 | 2022-12-09 | 重庆长安汽车股份有限公司 | 车辆驾驶客观指标的生成方法及装置 |
CN115525047A (zh) * | 2022-03-21 | 2022-12-27 | 江苏集萃清联智控科技有限公司 | 一种具备多型避障方式的车辆局部轨迹规划方法及*** |
WO2023147769A1 (en) * | 2022-02-01 | 2023-08-10 | Huawei Technologies Co., Ltd. | Systems, methods, and computer-readable media for spatio-temporal motion planning |
CN116909268A (zh) * | 2023-06-30 | 2023-10-20 | 广东省机场管理集团有限公司工程建设指挥部 | 基于5g的代步机器人路径规划方法、装置、设备及介质 |
CN117032201A (zh) * | 2023-03-07 | 2023-11-10 | 山西省智慧交通研究院有限公司 | 一种基于车路协同的矿井下自动驾驶车辆协调规划方法 |
GB2619774A (en) * | 2022-06-17 | 2023-12-20 | Horiba Mira Ltd | A control system and method |
CN117308964A (zh) * | 2023-11-24 | 2023-12-29 | 陕西欧卡电子智能科技有限公司 | 智能游船的路径规划方法、装置、无人船及介质 |
WO2024036580A1 (zh) * | 2022-08-18 | 2024-02-22 | 华为技术有限公司 | 运动轨迹规划的方法、装置以及智能驾驶设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110687908A (zh) * | 2019-09-25 | 2020-01-14 | 南京理工大学 | 基于ros的园区无人车轨迹生成***及其控制方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和*** |
CN111258323A (zh) * | 2020-03-30 | 2020-06-09 | 华南理工大学 | 一种智能车辆轨迹规划与跟踪的联合控制方法 |
CN111273668A (zh) * | 2020-02-18 | 2020-06-12 | 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 |
US20200189573A1 (en) * | 2018-12-12 | 2020-06-18 | Zoox, Inc. | Collision avoidance system with trajectory validation |
CN111338335A (zh) * | 2019-12-31 | 2020-06-26 | 清华大学 | 一种结构化道路场景下的车辆局部轨迹规划方法 |
-
2020
- 2020-07-20 CN CN202010701188.8A patent/CN111845774B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200189573A1 (en) * | 2018-12-12 | 2020-06-18 | Zoox, Inc. | Collision avoidance system with trajectory validation |
CN110687908A (zh) * | 2019-09-25 | 2020-01-14 | 南京理工大学 | 基于ros的园区无人车轨迹生成***及其控制方法 |
CN111002980A (zh) * | 2019-12-10 | 2020-04-14 | 苏州智加科技有限公司 | 基于深度学习的道路障碍物轨迹预测方法和*** |
CN111338335A (zh) * | 2019-12-31 | 2020-06-26 | 清华大学 | 一种结构化道路场景下的车辆局部轨迹规划方法 |
CN111273668A (zh) * | 2020-02-18 | 2020-06-12 | 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 |
CN111258323A (zh) * | 2020-03-30 | 2020-06-09 | 华南理工大学 | 一种智能车辆轨迹规划与跟踪的联合控制方法 |
Cited By (51)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114435389B (zh) * | 2020-11-02 | 2024-01-30 | 上海汽车集团股份有限公司 | 一种车辆控制方法、装置及车辆 |
CN114435389A (zh) * | 2020-11-02 | 2022-05-06 | 上海汽车集团股份有限公司 | 一种车辆控制方法、装置及车辆 |
CN112550287A (zh) * | 2020-12-16 | 2021-03-26 | 重庆大学 | 一种面向结构化道路的驾驶风险评估方法 |
CN112907944A (zh) * | 2021-01-18 | 2021-06-04 | 陈潇潇 | 局部交通段的自动驾驶智能交通方法 |
CN112965489A (zh) * | 2021-02-05 | 2021-06-15 | 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 |
CN112810630A (zh) * | 2021-02-05 | 2021-05-18 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及*** |
CN112810630B (zh) * | 2021-02-05 | 2022-03-04 | 山东大学 | 一种自动驾驶车辆轨迹规划方法及*** |
CN112906542A (zh) * | 2021-02-08 | 2021-06-04 | 北京理工大学 | 一种基于强化学习的无人车避障方法及装置 |
CN112906542B (zh) * | 2021-02-08 | 2023-11-24 | 北京理工大学 | 一种基于强化学习的无人车避障方法及装置 |
CN113110489A (zh) * | 2021-04-30 | 2021-07-13 | 清华大学 | 一种轨迹规划方法、装置、电子设备和存储介质 |
CN113247023A (zh) * | 2021-06-30 | 2021-08-13 | 上海商汤临港智能科技有限公司 | 一种行驶规划方法、装置、计算机设备及存储介质 |
WO2023273067A1 (zh) * | 2021-06-30 | 2023-01-05 | 上海商汤临港智能科技有限公司 | 一种行驶规划方法、装置、计算机设备及存储介质 |
CN113515125A (zh) * | 2021-07-05 | 2021-10-19 | 中国石油大学(华东) | 一种无人驾驶汽车全工况避障控制方法及性能评价方法 |
CN113479105A (zh) * | 2021-07-20 | 2021-10-08 | 钟求明 | 一种基于自动驾驶车辆的智能充电方法及智能充电站 |
CN113561994B (zh) * | 2021-08-13 | 2022-04-05 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质及电子设备 |
CN113561994A (zh) * | 2021-08-13 | 2021-10-29 | 北京三快在线科技有限公司 | 轨迹规划方法、装置、存储介质及电子设备 |
CN113741450A (zh) * | 2021-08-31 | 2021-12-03 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN113741450B (zh) * | 2021-08-31 | 2023-11-21 | 的卢技术有限公司 | 一种车辆自动驾驶横向自适应控制方法 |
CN113978465A (zh) * | 2021-09-28 | 2022-01-28 | 阿波罗智能技术(北京)有限公司 | 一种变道轨迹规划方法、装置、设备以及存储介质 |
CN113928338A (zh) * | 2021-10-08 | 2022-01-14 | 南京航空航天大学 | 一种纵横向耦合的智能车辆轨迹规划方法及*** |
CN113886764A (zh) * | 2021-10-28 | 2022-01-04 | 哈尔滨工业大学 | 一种基于Frenet坐标系的智能车辆多场景轨迹规划方法 |
CN113886764B (zh) * | 2021-10-28 | 2024-05-03 | 哈尔滨工业大学 | 一种基于Frenet坐标系的智能车辆多场景轨迹规划方法 |
CN114167906A (zh) * | 2021-12-08 | 2022-03-11 | 安徽江淮汽车集团股份有限公司 | 一种自动驾驶的加速度控制方法 |
CN114291112A (zh) * | 2021-12-30 | 2022-04-08 | 同济大学 | 一种应用于自动驾驶汽车的决策规划协同增强方法 |
CN114291112B (zh) * | 2021-12-30 | 2023-08-04 | 同济大学 | 一种应用于自动驾驶汽车的决策规划协同增强方法 |
CN114235441A (zh) * | 2021-12-31 | 2022-03-25 | 深兰人工智能(深圳)有限公司 | 无人车实时碰撞检测方法及相关装置 |
CN114407925A (zh) * | 2022-01-20 | 2022-04-29 | 江苏大学 | 一种基于时空鸟瞰图和策略梯度算法的自动驾驶轨迹规划***及方法 |
CN114407925B (zh) * | 2022-01-20 | 2024-05-14 | 江苏大学 | 一种基于时空鸟瞰图和策略梯度算法的自动驾驶轨迹规划***及方法 |
US11999376B2 (en) | 2022-02-01 | 2024-06-04 | Huawei Technologies Co., Ltd. | Systems, methods, and computer-readable media for spatio-temporal motion planning |
WO2023147769A1 (en) * | 2022-02-01 | 2023-08-10 | Huawei Technologies Co., Ltd. | Systems, methods, and computer-readable media for spatio-temporal motion planning |
CN114162115B (zh) * | 2022-02-10 | 2022-06-14 | 北京宏景智驾科技有限公司 | 用于智能驾驶的车辆碰撞风险监控方法及域控制器 |
CN114228748B (zh) * | 2022-02-10 | 2024-06-25 | 重庆大学 | 一种基于几何路径生成的类人化自动驾驶轨迹规划方法 |
CN114162115A (zh) * | 2022-02-10 | 2022-03-11 | 北京宏景智驾科技有限公司 | 用于智能驾驶的车辆碰撞风险监控方法及域控制器 |
CN114228748A (zh) * | 2022-02-10 | 2022-03-25 | 重庆大学 | 一种基于几何路径生成的类人化自动驾驶轨迹规划方法 |
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 |
CN114537435A (zh) * | 2022-03-03 | 2022-05-27 | 湖州快飞智能科技有限公司 | 一种自动驾驶中的实时整车轨迹规划方法 |
CN115525047A (zh) * | 2022-03-21 | 2022-12-27 | 江苏集萃清联智控科技有限公司 | 一种具备多型避障方式的车辆局部轨迹规划方法及*** |
CN114590274A (zh) * | 2022-03-25 | 2022-06-07 | 奥特酷智能科技(南京)有限公司 | 用于驾驶辅助***的路径规划方法及驾驶辅助*** |
CN114995415A (zh) * | 2022-05-25 | 2022-09-02 | 武汉理工大学 | 一种基于时空可达集理论的自动驾驶汽车轨迹规划方法 |
CN114995415B (zh) * | 2022-05-25 | 2024-05-31 | 武汉理工大学 | 一种基于时空可达集理论的自动驾驶汽车轨迹规划方法 |
GB2619774A (en) * | 2022-06-17 | 2023-12-20 | Horiba Mira Ltd | A control system and method |
CN115140048A (zh) * | 2022-06-28 | 2022-10-04 | 哈尔滨工业大学 | 一种自动驾驶行为决策与轨迹规划模型与方法 |
WO2024036580A1 (zh) * | 2022-08-18 | 2024-02-22 | 华为技术有限公司 | 运动轨迹规划的方法、装置以及智能驾驶设备 |
CN115447616B (zh) * | 2022-10-26 | 2024-05-17 | 重庆长安汽车股份有限公司 | 车辆驾驶客观指标的生成方法及装置 |
CN115447616A (zh) * | 2022-10-26 | 2022-12-09 | 重庆长安汽车股份有限公司 | 车辆驾驶客观指标的生成方法及装置 |
CN117032201B (zh) * | 2023-03-07 | 2024-04-12 | 山西省智慧交通研究院有限公司 | 一种基于车路协同的矿井下自动驾驶车辆协调规划方法 |
CN117032201A (zh) * | 2023-03-07 | 2023-11-10 | 山西省智慧交通研究院有限公司 | 一种基于车路协同的矿井下自动驾驶车辆协调规划方法 |
CN116909268B (zh) * | 2023-06-30 | 2024-05-28 | 广东省机场管理集团有限公司工程建设指挥部 | 基于5g的代步机器人路径规划方法、装置、设备及介质 |
CN116909268A (zh) * | 2023-06-30 | 2023-10-20 | 广东省机场管理集团有限公司工程建设指挥部 | 基于5g的代步机器人路径规划方法、装置、设备及介质 |
CN117308964B (zh) * | 2023-11-24 | 2024-02-13 | 陕西欧卡电子智能科技有限公司 | 智能游船的路径规划方法、装置、无人船及介质 |
CN117308964A (zh) * | 2023-11-24 | 2023-12-29 | 陕西欧卡电子智能科技有限公司 | 智能游船的路径规划方法、装置、无人船及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111845774B (zh) | 2021-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
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 | |
CN111258323B (zh) | 一种智能车辆轨迹规划与跟踪的联合控制方法 | |
Altché et al. | High-speed trajectory planning for autonomous vehicles using a simple dynamic model | |
CN113276848B (zh) | 一种智能驾驶换道避障轨迹规划、跟踪控制方法及*** | |
Chen et al. | MPC-based path tracking with PID speed control for high-speed autonomous vehicles considering time-optimal travel | |
Hernandez et al. | Steering control of automated vehicles using absolute positioning GPS and magnetic markers | |
CN107357168B (zh) | 一种基于机会约束模型预测控制的无人车避障方法 | |
CN113581201B (zh) | 一种基于势场模型的无人汽车避撞控制方法及*** | |
Kapania | Trajectory planning and control for an autonomous race vehicle | |
Khalifa et al. | Vehicles platooning in urban environment: Consensus-based longitudinal control with limited communications capabilities | |
CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
CN114684199A (zh) | 一种机理分析-数据驱动的车辆动力学串联混合模型、智能汽车轨迹跟踪控制方法及控制器 | |
CN116048081A (zh) | 一种考虑安全边界约束的自动驾驶车辆决策与规控方法 | |
Li et al. | Path planning and obstacle avoidance control for autonomous multi-axis distributed vehicle based on dynamic constraints | |
Khan et al. | A model predictive control strategy for lateral and longitudinal dynamics in autonomous driving | |
CN112596516B (zh) | 基于Dubins曲线的多车队形切换方法 | |
Vilca et al. | An overall control strategy based on target reaching for the navigation of an urban electric vehicle | |
CN113602278B (zh) | 四轮独立驱动电动汽车分布式模型预测路径跟踪控制方法 | |
Hegedüs et al. | Hybrid trajectory planning for autonomous vehicles using neural networks | |
CN114995426A (zh) | 一种基于神经网络动力学模型的无人驾驶车辆轨迹跟踪控制方法、***及车载控制设备 | |
Chen et al. | An overtaking obstacle algorithm for autonomous driving based on dynamic trajectory planning | |
CN114940164A (zh) | 一种面向泊车场景的无人驾驶车辆行驶轨迹优化方法及*** | |
Yang et al. | Model predictive motion planning for autonomous vehicle in mid-high overtaking scene | |
Khalifa et al. | Vehicles platooning in urban environments: Integrated consensus-based longitudinal control with gap closure maneuvering and collision avoidance capabilities |
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 |