CN112435504B - 一种车路协同环境下的集中式协同轨迹规划方法和装置 - Google Patents
一种车路协同环境下的集中式协同轨迹规划方法和装置 Download PDFInfo
- Publication number
- CN112435504B CN112435504B CN202011254210.5A CN202011254210A CN112435504B CN 112435504 B CN112435504 B CN 112435504B CN 202011254210 A CN202011254210 A CN 202011254210A CN 112435504 B CN112435504 B CN 112435504B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- feasible set
- obstacle
- solution
- optimization problem
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/165—Anti-collision systems for passive traffic, e.g. including static obstacles, trees
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请实施例公开了一种车路协同环境下的集中式协同轨迹规划方法和装置,该方法包括:获取所处控制域内所有车辆的车辆状态信息、障碍物状态信息、车辆约束信息和目标性能指标;车辆状态信息包括初始状态和目标状态;基于凸可行集根据车辆状态信息、障碍物状态信息、车辆约束信息以及性能指标将集中式协同轨迹规划问题转化为凸优化问题求解以获取每辆车的运行轨迹及控制变量;每辆车根据该运行轨迹及控制变量运行,并在达到预设的规划时刻时采用当前每辆车的目标状态作为下一集中式协同轨迹规划过程中每辆车的初始状态迭代求解,直至获取每辆车的目标性能指标。通过该实施例方案,使车辆能快速运行,保持了车辆间的协作,实现了交通效率最大化。
Description
技术领域
本文涉及车路协同技术,尤指一种车路协同环境下的集中式协同轨迹规划方法和装置。
背景技术
智能车路协同***采用先进的无线通信和新一代互联网等技术,全方位实现车车、车路动态实时信息交互,并在全时空动态交通信息采集与融合的基础上开展车路协同安全和道路主动控制,充分实现人、车、路的有效协同,保证交通安全,提高通行效率,从而形成安全、高效和环保的道路交通***。
协同驾驶是指采用先进的自动驾驶(Automated driving)和智能网联(vehicle-to-everything,V2X)等技术,全方位实施车车、车路和人车动态实时信息交互,在全时空动态交通信息采集与融合的基础上,将整体交通管控和局部车辆调度两个层面的问题联系起来,协调智能网联汽车集群的轨迹与运动控制,使车辆运行的更加顺畅快捷,减少旅行时间、能耗和污染。
智能网联汽车是指搭载先进的车载传感器、控制器、执行器等装置,并融合现代通信与网络技术,具备复杂环境感知、智能决策、协同控制等功能的新一代汽车。
智能网联汽车的多车协同轨迹规划是智能车路协同***中协同驾驶技术的重要一环,指在满足车辆动力学约束、避撞约束、道路几何约束等约束情况下,按照给定的评价指标(例如整体交通耗时/耗能等),在有限道路空间寻找每辆车从起始状态到目标状态的时空运动轨迹。
目前多车协同轨迹规划方法可分为以下两种:集中式轨迹规划方法和分布式轨迹规划方法。
(1)集中式轨迹规划方法需在考虑所有约束条件下,同时确定所有的决策变量。其充分考虑了车辆间的协同,可实现交通效率的最大化。但是现有的基于混合整数的求解方法计算复杂度随车辆数量的组合呈指数型增长,无法满足协同规划的实时求解要求。
(2)分布式轨迹规划方法将协同轨迹问题进行分解,采用序贯模式进行求解,运行速度快,可满足协同规划的实时性的要求。但是由于采用分散序贯模式,多车轨迹规划间的协作未充分考虑,分布式求解所获得的方案通常是保守的,即远远无法最大化交通效率。
目前协同轨迹规划在实时性求解和协同效果最优上存在局限性,亟需研究一种既能快速运行,又能尽可能保持车辆间协作能力,实现交通效率最大化的协同轨迹方法。
发明内容
本申请实施例提供了一种车路协同环境下的集中式协同轨迹规划方法和装置,能够使得车辆快速运行,保持车辆间的协作能力,实现交通效率最大化。
本申请实施例提供了一种车路协同环境下的集中式协同轨迹规划方法,所述方法可以包括:
获取所处控制域内所有车辆的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标;所述车辆状态信息包括初始状态和目标状态;
基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为凸优化问题进行求解,以获取每辆车的运行轨迹及控制变量;
每辆车根据获取的所述运行轨迹及控制变量运行,并在达到预设的规划时刻时采用当前每辆车的目标状态作为下一个集中式协同轨迹规划过程中每辆车的初始状态,进行迭代求解,直至获取每辆车的目标性能指标。
在本申请的示例性实施例中,所述获取所处控制域内所有的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标可以包括:
通过车车通信和/或车路通信,实时采集所处控制域内的车辆总数I,在控制初始时刻获得每辆车i的初始状态;并收集所述控制域内的道路信息和障碍物状态信息;
设置总轨迹规划时间步长K及每辆车在规划终点时刻K时的目标状态;
根据交通效率需求设置所述目标性能指标。
在本申请的示例性实施例中,所述车辆状态信息可以包括以下任意一种或多种:车辆中心点的位置坐标、车辆速度以及车辆加速度;
所述目标性能指标可以包括以下任意一种或多种:所有车辆运行时间最短、所运行距离最短以及所有车辆的油耗最少;
所述障碍物状态信息可以包括:障碍物的位置状态信息;
所述控制变量可以包括:车辆加速度;
所述车辆约束信息可以包括:避撞约束。
在本申请的示例性实施例中,所述基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为凸优化问题进行求解,以获取每辆车的运行轨迹及控制变量包括:
采用混合整数对每辆车辆与障碍物之间的避撞约束进行表示,其中,障碍物所形成的避撞约束使得所述车辆中心点的位置坐标pi(k)所处空间为非凸可行集;
采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量。
在本申请的示例性实施例中,所述采用混合整数对车辆与障碍物之间的避撞约束进行表示可以包括:
将车辆和障碍物均采用矩形框表示,设车辆i和非车辆类障碍物o的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,po(k)=[pxo(k),pyo(k)]T;
当车辆与非车辆类障碍物不发生碰撞时,则满足所述车辆的横纵坐标在所述非车辆类障碍物之外,使得所述车辆和所述非车辆类障碍物的横纵坐标差值大于安全距离dsafex:
pxi(k)-pxo(k)≥dsafex;
∧pxo(k)-pxi(k)≥dsafex;
∧pyi(k)-pyo(k)≥dsafey;
∧pyo(k)-pyi(k)≥dsafey;
所述障碍物包括车辆类障碍物,所述车辆类障碍物为所述控制域内的同行车辆,设车辆i和车辆j的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T,当车辆i和车辆j不发生碰撞时,则满足车辆i和车辆j的横纵坐标差值要大于所述安全距离dsafex:
pxi(k)-pxj(k)≥dsafex;
∧pxj(k)-pxi(k)≥dsafex;
∧pyi(k)-pyj(k)≥dsafey;
∧pyj(k)-pyi(k)≥dsafey;
其中,pi(k)表示每辆车i在第k时间点的车辆中心点的位置坐标,i=[1,2,...,I]表示第i辆车,pj(k)表示每辆车j在第k时间点的车辆中心点的位置坐标,j=[1,2,...,I]表示第j辆车,k=[1,2,...,K]表示第k个时间点,K为总控制时间步长;下标xi表示车辆i的横坐标,下标yi表示车辆i的纵坐标,下标xo表示障碍物o的横坐标,下标yo表示障碍物o的纵坐标,下标xj表示车辆j的横坐标,下标yj表示车辆j的纵坐标;符号∧表示逻辑或。
在本申请的示例性实施例中,所述采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量可以包括:
61、根据每辆车的初始状态和目标状态进行线性插值得到关于所述性能指标的初始解;
62、在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题;
63、解是否收敛?如果否,则将所述性能优化问题的解作为新的初始状态,返回步骤61,以进行迭代计算;如果是,则进入步骤64;其中,解收敛的条件根据所述目标性能指标获得;
64、获取每辆车当前集中式协同轨迹规划过程中的运行轨迹及控制变量。
在本申请的示例性实施例中,当所述碰撞约束为车辆与非车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题可以包括:
将每一个非车辆类障碍物分别表示为一个矩形框;
获取每辆车的初始状态和目标状态进行线性插值得到的初始解i=[1,2,...,I],令表示所有车辆的初始解h0;根据凸可行集算法计算围绕该初始解h0的最初局部凸可行集ζ(h0);在所述最初局部凸可行集ζ(h0)内求得第一最优解h1,并计算围绕第一最优解x1的第一局部凸可行集ζ(h1);
进行多次迭代求解,在第n次迭代时,计算围绕第n次最优解hn在第n个局部凸可行集ζ(hn)内求得第n+1最优解hn+1,直至所述凸可行集算法收敛。
在本申请的示例性实施例中,当所述碰撞约束为车辆与车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题可包括:
当任意的车辆i和车辆j的位置分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T时,基于所述避撞约束,令qij x(k)=pxi(k)-pxj(k),qij y(k)=pyi(k)-pyj(k),则:
qij x(k)≥dsafex;
∧-qij x(k)≥dsafex;
∧qij y(k)≥dsafey;
∧-qij y(k)≥dsafey;
点[qij x(k),qij y(k)]T视为处于以[0,0]T为中心,半长和半宽分别为dsafex和dsafey的虚拟障碍物矩形外面;
定义上述的qij x(k)和qij y(k)为新的待求解变量,利用所述凸可行集算法进行迭代计算,求取关于所述新的解的局部凸可行集合。
在本申请的示例性实施例中,所述获取每辆车当前集中式协同轨迹规划过程中的运行轨迹及控制变量可以包括:
根据所述局部凸可行集合进行反推计算,获得每辆车的时空轨迹横纵坐标点,根据所述时空轨迹横纵坐标点求得每辆车所规划的运行轨迹和控制变量。
在本申请的示例性实施例中,所述性能优化问题可以包括:
在确定多个作为输入的控制变量wi(0),wi(1),...,wi(K)的情况下,在有限的时间范围[0,K]内,满足所述车辆约束信息的条件下,最小化预设的性能指标J();
其中,所述性能优化问题的关系式包括:所述wi(k)表示每辆车i在第k时间点的控制变量;该性能优化问题的解定义为h,hi代表每辆车i的解,i=[1,2,...,I],全部车辆的解h=[h1,h2,...,hI],并且hi=[pi(1),wi(1),pi(2),wi(2),...,pi(K),wi(K)]。
本申请实施例还提供了一种车路协同环境下的集中式协同轨迹规划装置,可以包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被所述处理器执行时,实现上述任意一项所述的车路协同环境下的集中式协同轨迹规划方法。
与相关技术相比,本申请实施例可以包括:获取所处控制域内所有车辆的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标;所述车辆状态信息包括初始状态和目标状态;基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为性能优化问题,以获取每辆车的运行轨迹及控制变量;每辆车根据获取的所述运行轨迹及控制变量运行,并在达到预设的规划时刻时采用当前辆车的目标状态作为下一个集中式协同轨迹规划过程中每辆车的初始状态,进行迭代求解,直至获取每辆车的目标性能指标。通过该实施例方案,加速了优化问题的求解过程,使得集中式轨迹规划优化问题可以实时求解,从而使得车辆能够快速运行,保持了车辆间的协作能力,实现了交通效率最大化。
本申请的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本申请而了解。本申请的其他优点可通过在说明书以及附图中所描述的方案来实现和获得。
附图说明
附图用来提供对本申请技术方案的理解,并且构成说明书的一部分,与本申请的实施例一起用于解释本申请的技术方案,并不构成对本申请技术方案的限制。
图1为本申请实施例的车路协同环境下的集中式协同轨迹规划方法流程图;
图2为本申请实施例的将集中式协同轨迹规划问题转化为性能优化问题的方法流程图;
图3为本申请实施例的障碍物形成的非凸可行集示意图;
图4为本申请实施例的基于凸可行集的优化问题迭代求解示意图;
图5为本申请实施例的多车协同换道示意图;
图6为本申请实施例的非结构化场景中多车协同运输示意图;
图7为本申请实施例的非结构化场景下基于凸可行集的集中式协同轨迹规划方法示意图;
图8为本申请实施例的非结构化场景下基于混合整数规划的集中式协同轨迹规划方法示意图;
图9为本申请实施例的非结构化场景下的分布式协同轨迹规划方法示意图;
图10为本申请实施例的车路协同环境下的集中式协同轨迹规划装置示意图。
具体实施方式
本申请描述了多个实施例,但是该描述是示例性的,而不是限制性的,并且对于本领域的普通技术人员来说显而易见的是,在本申请所描述的实施例包含的范围内可以有更多的实施例和实现方案。尽管在附图中示出了许多可能的特征组合,并在具体实施方式中进行了讨论,但是所公开的特征的许多其它组合方式也是可能的。除非特意加以限制的情况以外,任何实施例的任何特征或元件可以与任何其它实施例中的任何其他特征或元件结合使用,或可以替代任何其它实施例中的任何其他特征或元件。
本申请包括并设想了与本领域普通技术人员已知的特征和元件的组合。本申请已经公开的实施例、特征和元件也可以与任何常规特征或元件组合,以形成由权利要求限定的独特的发明方案。任何实施例的任何特征或元件也可以与来自其它发明方案的特征或元件组合,以形成另一个由权利要求限定的独特的发明方案。因此,应当理解,在本申请中示出和/或讨论的任何特征可以单独地或以任何适当的组合来实现。因此,除了根据所附权利要求及其等同替换所做的限制以外,实施例不受其它限制。此外,可以在所附权利要求的保护范围内进行各种修改和改变。
此外,在描述具有代表性的实施例时,说明书可能已经将方法和/或过程呈现为特定的步骤序列。然而,在该方法或过程不依赖于本文所述步骤的特定顺序的程度上,该方法或过程不应限于所述的特定顺序的步骤。如本领域普通技术人员将理解的,其它的步骤顺序也是可能的。因此,说明书中阐述的步骤的特定顺序不应被解释为对权利要求的限制。此外,针对该方法和/或过程的权利要求不应限于按照所写顺序执行它们的步骤,本领域技术人员可以容易地理解,这些顺序可以变化,并且仍然保持在本申请实施例的精神和范围内。
本申请实施例提供了一种车路协同环境下的集中式协同轨迹规划方法,如图1所示,所述方法可以包括步骤S101-S103:
S101、获取所处控制域内所有车辆的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标;所述车辆状态信息包括初始状态和目标状态;
S102、基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为凸优化问题进行求解,以获取每辆车的运行轨迹及控制变量;
S103、每辆车根据获取的所述运行轨迹及控制变量运行,并在达到预设的规划时刻时采用当前每辆车的目标状态作为下一个集中式协同轨迹规划过程中每辆车的初始状态,进行迭代求解,直至获取每辆车的目标性能指标。
在本申请的示例性实施例中,通过采用集中式轨迹规划优化框架实现了车车之间协同作用的最大化。为使集中式轨迹规划优化问题可进行实时求解,采用凸可行集算法将集中式优化问题的非凸可行集进行线性凸可行近似,即,通过利用凸可行集处理优化问题的非凸可行域,加速了优化问题的求解过程,使集中式轨迹规划优化问题可以实时求解,克服了相关技术存在的缺陷。
在本申请的示例性实施例中,所述获取所处控制域内所有的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标可以包括:
通过车车通信和/或车路通信,实时采集所处控制域内的车辆总数I,在控制初始时刻获得每辆车i的初始状态;并收集所述控制域内的道路信息和障碍物状态信息;
设置总轨迹规划时间步长K及每辆车在规划终点时刻K时的目标状态;
根据交通效率需求设置所述目标性能指标。
在本申请的示例性实施例中,控制中心可以收集所处控制域内所有车辆的初始状态的信息和协同轨迹规划每个车辆所要达到的目标状态的信息,并可以获取车辆的动力学信息、车辆的控制约束信息(车辆约束信息)以及障碍物状态信息(例如障碍物的位置状态信息),并建立所有车辆协同所要取得的最优性能目标,设置相应的性能指标(即目标性能指标)。
在本申请的示例性实施例中,所述车辆状态信息可以包括以下任意一种或多种:车辆中心点的位置坐标、车辆速度以及车辆加速度;
所述目标性能指标可以包括以下任意一种或多种:所有车辆运行时间最短、所运行距离最短以及所有车辆的油耗最少;
所述障碍物状态信息可以包括:障碍物的位置状态信息;
所述控制变量可以包括:车辆加速度;
所述车辆约束信息可以包括:避撞约束。
在本申请的示例性实施例中,控制中心可以实时数据采集,并做数据预处理,具体可以通过车车通信、车路通信实现。控制中心获得所处控制域内车辆总数I,在控制初始时刻0时获得每辆车i的起始状态(如起始时刻车辆中心点的位置、车辆速度等)。控制中心可以设置总轨迹规划时间步长K及每辆车在规划终点时刻K时的目标状态。控制中心可以根据交通效率需求,设置目标性能指标(如所有车辆运行时间最短、所行距离最短、所有车辆的油耗最少等)。此外,控制中心可以收集控制域内道路信息、障碍物状态信息等。
在本申请的示例性实施例中,如图2所示,所述基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为性能优化问题,以获取每辆车的运行轨迹及控制变量可以包括步骤S201-S202:
S201、采用混合整数对每辆车辆与障碍物之间的避撞约束进行表示,其中,障碍物所形成的避撞约束使得车辆中心点的位置坐标pi(k)所处空间为非凸可行集;
S202、采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量。
在本申请的示例性实施例中,所述性能优化问题可以包括:
在确定多个作为输入的控制变量wi(0),wi(1),...,wi(K)的情况下,在有限的时间范围[0,K]内,满足所述车辆约束信息的条件下,最小化预设的性能指标J();
其中,所述wi(k)表示每辆车i在第k时间点的控制变量。
在本申请的示例性实施例中,实现了将协同轨迹规划问题描述为集中式优化问题。每辆车i在第k时间点的状态表示为pi(k)(如车辆中心点的位置坐标,车辆速度等,下文以车辆中心点的位置坐标为例进行说明)。其中,i=[1,2,...,I]表示第i辆车的索引,I为所处控制域内车辆总数。k=[1,2,...,K]表示第k个时间点,K为总控制时间步长。每辆车i在第k时间点的控制变量(如车辆加速度)用wi(k)表示。
在本申请的示例性实施例中,协同规划的目标是通过确定一系列控制输入wi(0),wi(1),...,wi(K)在有限的时间范围内[0,K],在满足起始状态、目标状态、***动力学、避撞约束和其他约束的条件下,最小化某一性能指标J()。
在本申请的示例性实施例中,可以把这个性能优化问题表述为:该性能优化问题的解定义为h,hi代表每辆车i的解,i=[1,2,...,I],全部车辆的解h=[h1,h2,...,hI],并且hi=[pi(1),wi(1),pi(2),wi(2),...,pi(K),wi(K)]。该性能优化问题可以满足预设的一种或多种车辆约束信息。
在本申请的示例性实施例中,所述车辆约束信息包括以下任意一种或多种约束:
1)起始状态约束:要求每辆车在控制初始时刻0时为每辆车的起始状态pi 0,pi(0)=pi 0,i=[1,2,...,I];
2)目标状态约束:要求每辆车在控制最终时刻K时为每辆车的目标状态pi K,pi(K)=pi K,i=[1,2,...,I];
4)控制约束:使控制量不高于wmax且不低于wmin,wmin≤wi(k)≤wmax;
5)状态约束:φ[·]为车辆状态表达函数,Ω为状态集合,φ(pi(k),wi(k))∈Ω;
在本申请的示例性实施例中,f[·],φ[·],γ[·]是确定函数,Ω,是集合。其中5)中状态约束,一方面包括由于道路几何形状对车辆位置进行了约束,另一方面则包括由车辆运动特性对车速、加速度、转向角等的大小限制。6)中的避撞约束,一方面是要求智能网联汽车得车车之间进行避撞,另一方面则是要求在智能网联汽车与其他道路参与者、障碍物进行避撞。
在本申请的示例性实施例中,可以采用凸可行集思想对上述的性能优化问题进行求解:首先可以采用混合整数对避撞约束进行表示,然后可以采用凸可行集处理混合整数形成的非凸避撞约束。
在本申请的示例性实施例中,所述采用混合整数对车辆与障碍物之间的避撞约束进行表示可以包括:
将车辆和障碍物均采用矩形框表示,设车辆i和非车辆类障碍物o的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,po(k)=[pxo(k),pyo(k)]T;
当车辆与非车辆类障碍物不发生碰撞时,则满足所述车辆的横纵坐标在所述非车辆类障碍物之外,使得所述车辆和所述非车辆类障碍物的横纵坐标差值大于安全距离dsafex:
pxi(k)-pxo(k)≥dsafex;
∧pxo(k)-pxi(k)≥dsafex;
∧pyi(k)-pyo(k)≥dsafey;
∧pyo(k)-pyi(k)≥dsafey;
所述障碍物包括车辆类障碍物,所述车辆类障碍物为所述控制域内的同行车辆,设车辆i和车辆j的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T,当车辆i和车辆j不发生碰撞时,则满足车辆i和车辆j的横纵坐标差值要大于所述安全距离dsafex:
pxi(k)-pxj(k)≥dsafex;
∧pxj(k)-pxi(k)≥dsafex;
∧pyi(k)-pyj(k)≥dsafey;
∧pyj(k)-pyi(k)≥dsafey;
其中,pi(k)表示每辆车i在第k时间点的车辆中心点的位置坐标,i=[1,2,...,I]表示第i辆车,pj(k)表示每辆车j在第k时间点的车辆中心点的位置坐标,j=[1,2,...,I]表示第j辆车,k=[1,2,...,K]表示第k个时间点,K为总控制时间步长;下标xi表示车辆i的横坐标,下标yi表示车辆i的纵坐标,下标xo表示障碍物o的横坐标,下标yo表示障碍物o的纵坐标,下标xj表示车辆j的横坐标,下标yj表示车辆j的纵坐标;符号∧表示逻辑或。
在本申请的示例性实施例中,智能网联汽车的车车之间的避撞和车辆与其他障碍物间的避撞形成类似。
在本申请的示例性实施例中,采用混合整数求解,使计算复杂度随车辆数呈指数型增长,其为NP-hard问题,很难满足复杂场景下的多车协同轨迹规划的实时求解。另一方面如图3所示,障碍物所形成的避撞约束使得状态变量pi(k)所处空间为非凸可行集。
在本申请的示例性实施例中,车辆与障碍物之间的避撞约束也可以采用大M法转为整数规划,但是这样处理会带来计算复杂度随障碍物数量指数增长,很难进行实时求解。
在本申请的示例性实施例中,考虑到优化问题实时求解的主要难点在避撞约束形成的非凸可行集上,为使协同轨迹优化问题能满足复杂场景下的实时优化,可以采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题。
在本申请的示例性实施例中,所述采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量可以包括:
61、根据每辆车的初始状态和目标状态进行线性插值得到关于所述性能指标的初始解;
62、在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题;
63、解是否收敛?如果否,则将所述性能优化问题的解作为新的初始状态,返回步骤61,以进行迭代计算;如果是,则进入步骤64;其中,解收敛的条件根据所述目标性能指标获得;
64、获取每辆车当前集中式协同轨迹规划过程中的运行轨迹及控制变量。
在本申请的示例性实施例中,可以首先对每辆车的初始状态和目标状态进行线性插值得到初始轨迹,然后采用凸可行集算法围绕此初始轨迹获得优化问题的局部线性凸可行集,在此局部凸可行集内求解优化问题,获得解并将解作为新的初始解,重复上述步骤,直至解收敛。通过此我们迭代求解优化问题的局部线性凸可行集,并在局部凸可行集内求解相应的优化问题,迭代求解,直至找到最优解。
在本申请的示例性实施例中,下面介绍智能网联汽车与其他障碍物(如非车辆类障碍物)的避撞。
在本申请的示例性实施例中,当所述碰撞约束为车辆与非车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题可以包括:
将每一个非车辆类障碍物分别表示为一个矩形框;
获取每辆车的初始状态和目标状态进行线性插值得到的初始解i=[1,2,...,I],令表示所有车辆的初始解h0,根据凸可行集算法计算围绕该初始解h0的最初局部凸可行集ζ(h0);在所述最初局部凸可行集ζ(h0)内求得第一最优解h1,并计算围绕第一最优解h1的第一局部凸可行集ζ(h1);
进行多次迭代求解,在第n次迭代时,计算围绕第n次最优解hn在第n个局部凸可行集ζ(hn)内求得第n+1最优解hn+1,直至所述凸可行集算法收敛;n为大于或等于2的正整数。
在本申请的示例性实施例中,如图4所示,对于每一个非车辆类障碍物可以采用矩形框Bo表示,定义障碍物表示函数φo(s):其中z表示矩形框内的任意坐标点,s表示二维平面上的任意坐标点,矩形框Bo={z∈R2:φo(z)<0},矩形框边界因此避撞约束表示为解s属于可行集合Γ,其中集合Γ是由所有障碍物形成的障碍物以外区域:符号表示对所有障碍物均需满足上述不等式φo(s)>0。
在本申请的示例性实施例中,采用凸可行集算法,当给出参考解时,求得围绕该参考解的凸可行集:符号表示广义偏导;其中,当给定初始解h0时,计算出围绕该初始解h0的最初凸可行集ζ(h0);在所述最初凸可行集ζ(h0)内求得最优解h1,并求得围绕h1的凸可行集ζ(h1);
在本申请的示例性实施例中,根据上述步骤,通过不断迭代,原非凸可行集优化问题可以转为一系列的凸可行集优化问题迭代求解,在满足约束1)-5)的前提下迭代求解优化问题,直至求出的解收敛。
在本申请的示例性实施例中,下面介绍智能网联汽车与车辆类障碍物的避撞。
在本申请的示例性实施例中,当所述碰撞约束为车辆与车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题可包括:
当任意的车辆i和车辆j的位置分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T时,基于所述避撞约束,令qij x(k)=pxi(k)-pxj(k),qij y(k)=pyi(k)-pyj(k),其中符号∧表示逻辑“或”,则:
qij x(k)≥dsafex;
∧-qij x(k)≥dsafex;
∧qij y(k)≥dsafey;
∧-qij y(k)≥dsafey;
点[qij x(k),qij y(k)]T可视为处于以[0,0]T为中心,半长和半宽分别为dsafex和dsafey的虚拟障碍物矩形外面;
定义上述的qij x(k)和qij y(k)为新的待求解变量,利用所述凸可行集算法进行迭代计算,求取关于所述新的解的局部凸可行集合。
在本申请的示例性实施例中,所述获取每辆车当前集中式协同轨迹规划过程中的运行轨迹及控制变量可以包括:
根据所述局部凸可行集合进行反推计算,获得每辆车的时空轨迹横纵坐标点,根据所述时空轨迹横纵坐标点求得每辆车所规划的运行轨迹和控制变量。
在本申请的示例性实施例中,当将凸可行集算法推广到多车避撞约束处理上时,令qij x(k)=pxi(k)-pxj(k),qij y(k)=pyi(k)-pyj(k),则点[qij x(k),qij y(k)]T处于以[0,0]T为中心,半长和半宽分别为dsafex和dsafey的矩形外面,可以称这个矩形为虚拟障碍物。假设所有车辆的形状都为矩形,且大小一样,则虚拟障碍物均为以[0,0]T为中心,半长和半宽分别为dsafex和dsafey的矩形。因此定义上述的qij x(k)和qij y(k)为新的待求解变量,在虚拟障碍物旁边利用上述凸可行集算法求取关于此新变量的凸可行集合。通过迭代求解求出[qij x(k),qij y(k)]T,T为向量转置上标,反推得到每辆车的时空轨迹横纵坐标点,求得每辆车所规划的轨迹状态pi(k)和控制变量wi(k)。
在本申请的示例性实施例中,控制中心可以将集中式轨迹规划所规划出的轨迹状态pi(k)和控制变量wi(k)发送至每辆车,每辆车执行控制命令,进行轨迹规划。在下一个规划时刻,重复上述过程:用每辆车的新的目标状态作为下一个规划***每辆车的初始状态,刷新优化问题并重新求解。
在本申请的示例性实施例中,下面给出本申请实施例的一个实施例案例:瓶颈区的多车协同换道。
在本申请的示例性实施例中,由于发生事故车辆长时间占据道路或者由于道路施工或道路设计原因,造成了有一条车道封闭,高速公路可通行车道数减少,如图5所示。车辆常会在此发生集中换道行为,导致瓶颈区的交通拥堵,从而降低交通效率。在车路协同环境下,可以对每辆车进行提前规划,使车辆提前换道,减少瓶颈区的交通拥堵。可以以道路规划设计为例,说明本申请实施例的方案。本实例方案为基于车路协同环境下的基于凸可行集的集中式协同轨迹规划方法,具体步骤可以包括:
1、控制中心收集所处控制域内所有车辆(例如图5的A、B、C、D、E、F这6辆,I=6)的初始状态和协同轨迹规划每个车辆所要达到的目标状态,车辆约束信息(在道路减少时应能及时换道),并建立所有车辆协同所要取得的最优性能目标,设置目标性能指标,规划时间步长K=10;
2、根据上述收集的车辆状态信息、车辆约束信息及目标性能指标,将集中式轨迹规划形成为一个优化问题,目标函数J为所有车辆到达目标路段的总体最小时间,控制变量与车辆状态变量一致,为每辆车的所需规划的轨迹点位置坐标,性能优化问题的解用h表示:
3、需满足起始状态约束、避撞约束和车道几何限制状态约束,其中车道几何限制约束包括:1.A车和B车在三车道变为两车道之前应顺利完成换道;2.所有车辆都不应该超过车道边界限制;
4、上述优化问题因避撞约束的存在导致优化问题的可行集非凸,很难进行实时求解,因此首先连接每辆车的起点和目标位置,并对连线进行线性插值得到初始解h0,然后在非凸可行集内围绕此初始轨迹获得此优化问题的局部凸可行集ζ(h0),在此局部凸可行集内求解轨迹规划问题,求得最优解h1,将此解h1作为初始解重复上述步骤,迭代求解,在第n此迭代时,围绕hn在凸可行集ζ(hn)内求得最优解hn+1:通过不断迭代,直至解收敛,最终得到每辆车的运行轨迹及控制变量;
5、控制中心将得到的每辆车的运行轨迹及控制变量发送给个体车辆,每个车辆根据发送的信息执行相应轨迹。在下一个规划时刻,重复上述过程:用每辆车的新的目标状态作为下一个规划***每辆车的初始条件,刷新优化问题并重新求解。
在本申请的示例性实施例中,从图5可以看出,采用凸可行集算法可求解集中式协同换道轨迹规划问题,使车辆协同行驶。为使A车能顺利换道,D车会主动换道来给A车腾出空间,此外E、F、C车也会改变自身速度保证所有换道车辆能顺利换道,车辆间不发生碰撞。从图5中可以看出采用基于凸可行集的集中式协同轨迹规划方法可充分考虑车辆间的相互作用,使整体交通效率最大化。
在本申请的示例性实施例中,下面给出本申请实施例的另一个实施例案例:非结构化场景中的多车协同驾驶。
在本申请的示例性实施例中,不同于高速公路、城市道路等结构化场景,在园区等非结构化场景中无明显的道路线约束,车辆可行空间大,导致在空间搜索最优解的时间较长。可以以园区车辆协同运输为例,说明本申请实施例方案。在该实施例中,可以有4辆车在园区行驶需要协同到达对角线点,如图6所示,每条线上可以代表一个车辆。本实施例可以为基于车路协同环境下的基于凸可行集的集中式协同轨迹规划方法,具体步骤可以:
1)、控制中心收集所处控制域内所有车辆(本实施实例中有4辆车,I=4)的初始状态信息和协同轨迹规划每个车辆所要达到的目标状态意图,车辆的控制约束信息(在道路减少时应能及时换道),并建立所有车辆协同所要取得的性能最优目标,设置性能指标,规划时间步长K=13;
2)、根据上述收集的车辆状态信息、车辆约束信息及目标性能指标,将集中式轨迹规划形成为一个优化问题,目标函数J为所有车到达目标地点的总行驶轨迹长度,控制变量与车辆状态变量一致,为每辆车的所需规划的轨迹点位置坐标,优化问题的解用h表示::
3)、每辆车都需满足起始状态约束、目标状态约束、***动力学约束和避撞约束;
4)、上述优化问题因避撞约束的存在导致优化问题的可行集非凸,很难进行实时求解,因此可以首先连接每辆车的起点和目标位置,并对连线进行线性插值得到初始解h0,然后在非凸可行集内围绕此初始轨迹获得此优化问题的局部凸可行集ζ(h0),在此局部凸可行集内求解轨迹规划问题,求得最优解h1,将此解h1作为初始解重复上述步骤,迭代求解,在第n此迭代时,围绕hn在凸可行集ζ(hn)内求得最优解hn+1:通过不断迭代,直至解收敛,最终得到每辆车的运行轨迹及控制变量;
5)、控制中心将得到每辆车的运行轨迹及控制变量发送给个体车辆,每个车辆根据发送的信息执行相应轨迹。在下一个规划时刻,重复上述过程:用每辆车的新的目标状态作为下一个规划***每辆车的初始条件,刷新优化问题并重新求解。
在本申请的示例性实施例中,从图6可以看出,4辆车的轨迹长度基本一致。可见在集中式的协同轨迹规划框架下会充分考虑每个个体车辆的利益,使每个个体车辆利益都尽量平均。
在本申请的示例性实施例中,本申请实施例方案全新定义了车路协同环境下智能网联汽车多车协同轨迹规划分析方法;丰富了现有的集中式协同轨迹规划理论,提出了基于凸可行集的求解方案,解决了原始理论存在的问题,使该方法可以适应更加复杂而混合的道路环境。
在本申请的示例性实施例中,通过将协同轨迹规划问题描述成集中式优化问题,可充分考虑多车的协同使交通效率最大化,此外将优化问题的非凸可行集进行线性凸可行化,大大减少了算法计算量和难度,可实现多车在复杂密集场景中协同轨迹规划的实时求解。
在本申请的示例性实施例中,将同样非结构化场景下协同轨迹规划实验结果进行了对比:
可以将所提出的基于凸可行集的集中式协同轨迹规划方法(图7)与目前常用的基于混合整数规划的集中式协同轨迹规划(图8)和分布式协同轨迹规划(图9)在同样非结构场景下进行比较。从图7-图9和表1(非结构化场景下不同方法的协同轨迹规划计算时间与总轨迹长度对比)中可以明显看出,本申请实施例所提出的方法和目前常用的集中式协同轨迹规划集中式都可充分考虑车辆间的相互协同,每辆车的行驶轨迹长度都相同,总体轨迹长度较分布式协同轨迹规划也较短。此外本申请实施例所提出的方法计算时间与分布式协同轨迹规划计算时间类似,远远低于目前常用的集中式协同轨迹规划,可满足复杂场景下协同轨迹规划的实时性要求。
表1
本申请实施例还提供了一种车路协同环境下的集中式协同轨迹规划装置1,如图10所示,可以包括处理器11和计算机可读存储介质12,所述计算机可读存储介质12中存储有指令,当所述指令被所述处理器11执行时,实现上述任意一项所述的车路协同环境下的集中式协同轨迹规划方法。
本领域普通技术人员可以理解,上文中所公开方法中的全部或某些步骤、***、装置中的功能模块/单元可以被实施为软件、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。某些组件或所有组件可以被实施为由处理器,如数字信号处理器或微处理器执行的软件,或者被实施为硬件,或者被实施为集成电路,如专用集成电路。这样的软件可以分布在计算机可读介质上,计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的,术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外,本领域普通技术人员公知的是,通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据,并且可包括任何信息递送介质。
Claims (7)
1.一种车路协同环境下的集中式协同轨迹规划方法,其特征在于,所述方法包括:
获取所处控制域内所有车辆的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标;所述车辆状态信息包括初始状态和目标状态;
基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述目标性能指标将集中式协同轨迹规划问题转化为凸优化问题进行求解,以获取每辆车的运行轨迹及控制变量;
每辆车根据获取的所述运行轨迹及控制变量运行,并在达到预设的规划时刻时采用当前每辆车的目标状态作为下一个集中式协同轨迹规划过程中每辆车的初始状态,重新将所述集中式协同轨迹规划问题转化为凸优化问题进行求解,以重新获取每辆车的运行轨迹及控制变量;
所述获取所处控制域内所有的车辆状态信息、障碍物状态信息、车辆约束信息以及目标性能指标包括:
通过车车通信和/或车路通信,实时采集所处控制域内的车辆总数I,在控制初始时刻获得每辆车i的初始状态;并收集所述控制域内的道路信息和障碍物状态信息;所述初始状态为控制初始时刻的车辆状态信息;
设置总轨迹规划时间步长K以及每辆车在规划终点时刻K时的目标状态;所述目标状态为规划终点时刻的车辆状态信息;
根据交通效率需求设置所述目标性能指标;
所述车辆状态信息包括以下任意一种或多种:车辆中心点的位置坐标、车辆速度以及车辆加速度;
所述目标性能指标包括以下任意一种或多种:所有车辆运行时间最短、所运行距离最短以及所有车辆的油耗最少;
所述障碍物状态信息包括:障碍物的位置状态信息;
所述控制变量包括:车辆加速度;
所述车辆约束信息包括:避撞约束;
所述基于凸可行集,根据所述车辆状态信息、所述障碍物状态信息、所述车辆约束信息以及所述性能指标将集中式协同轨迹规划问题转化为凸优化问题进行求解,以获取每辆车的运行轨迹及控制变量包括:
采用混合整数对每辆车辆与障碍物之间的避撞约束进行表示,其中,障碍物所形成的避撞约束使得所述车辆中心点的位置坐标pi(k)所处空间为非凸可行集;
采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量。
2.根据权利要求1所述的车路协同环境下的集中式协同轨迹规划方法,其特征在于,所述采用混合整数对车辆与障碍物之间的避撞约束进行表示包括:
将车辆和障碍物均采用矩形框表示,设车辆i和非车辆类障碍物o的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,po(k)=[pxo(k),pyo(k)]T当车辆与非车辆类障碍物不发生碰撞时,则满足所述车辆的横坐标或纵坐标在所述非车辆类障碍物之外,使得所述车辆和所述非车辆类障碍物的横纵坐标差值大于安全距离dsafex:
pxi(k)-pxo(k)≥dsafex;
∧pxo(k)-pxi(k)≥dsafex;
∧pyi(k)-pyo(k)≥dsafey;
∧pyo(k)-pyi(k)≥dsafey;
所述障碍物包括车辆类障碍物,所述车辆类障碍物为所述控制域内的同行车辆,设车辆i和车辆j的位置坐标分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T;当车辆i和车辆j不发生碰撞时,则满足车辆i和车辆j的横纵坐标差值要大于所述安全距离dsafex:
pxi(k)-pxj(k)≥dsafex;
∧pxj(k)-pxi(k)≥dsafex;
∧pyi(k)-pyj(k)≥dsafey;
∧pyj(k)-pyi(k)≥dsafey;
其中,pi(k)表示每辆车i在第k时间点的车辆中心点的位置坐标,i=[1,2,...,I]表示第i辆车,pj(k)表示每辆车j在第k时间点的车辆中心点的位置坐标,j=[1,2,...,I]表示第j辆车,k=[1,2,...,K]表示第k个时间点,K为总控制时间步长;下标xi表示车辆i的横坐标,下标yi表示车辆i的纵坐标,下标xo表示障碍物o的横坐标,下标yo表示障碍物o的纵坐标,下标xj表示车辆j的横坐标,下标yj表示车辆j的纵坐标;符号∧表示逻辑或。
3.根据权利要求2所述的车路协同环境下的集中式协同轨迹规划方法,其特征在于,所述采用凸可行集算法进行迭代求解,以将每辆车的非凸可行集内的性能优化问题转化为凸可行集内的性能优化问题,最终得到每辆车的运行轨迹及控制变量包括:
31、根据每辆车的初始状态和目标状态进行线性插值得到关于所述性能指标的初始解;
32、在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题;
33、解是否收敛?如果否,则将所述性能优化问题的解作为新的初始状态,返回步骤31,以进行迭代计算;如果是,则进入步骤34;其中,解收敛的条件根据所述目标性能指标获得;
34、获取每辆车当前集中式协同轨迹规划过程中的运行轨迹及控制变量。
4.根据权利要求3所述的车路协同环境下的集中式协同轨迹规划方法,其特征在于,当所述碰撞约束为车辆与非车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题包括:
将每一个非车辆类障碍物分别表示为一个矩形框;
获取每辆车的初始状态和目标状态进行线性插值得到的初始解i=[1,2,...,I],令表示所有车辆的初始解h0;根据凸可行集算法计算围绕该初始解h0的最初局部凸可行集ζ(h0);在所述最初局部凸可行集ζ(h0)内求得第一最优解h1,并计算围绕第一最优解h1的第一局部凸可行集ζ(h1);
进行多次迭代求解,在第n次迭代时,计算围绕第n次最优解hn在第n个局部凸可行集ζ(hn)内求得第n+1最优解hn+1,直至所述凸可行集算法收敛;n为大于或等于2的正整数。
5.根据权利要求3所述的车路协同环境下的集中式协同轨迹规划方法,其特征在于,当所述碰撞约束为车辆与车辆类障碍物之间的碰撞约束时,所述在非凸可行集内根据所述初始解确定的初始轨迹获得所述性能优化问题的局部凸可行集,在所述局部凸可行集内求解所述性能优化问题包括:
当任意的车辆i和车辆j的位置分别为pi(k)=[pxi(k),pyi(k)]T,pj(k)=[pxj(k),pyj(k)]T时,基于所述避撞约束,令qij x(k)=pxi(k)-pxj(k),qij y(k)=pyi(k)-pyj(k),则:
qij x(k)≥dsafex;
∧-qij x(k)≥dsafex;
∧qij y(k)≥dsafey;
∧-qij y(k)≥dsafey;
点[qij x(k),qij y(k)]T视为处于以[0,0]T为中心,半长和半宽分别为dsafex和dsafey的虚拟障碍物矩形外面;
定义上述的qij x(k)和qij y(k)为新的待求解变量,利用所述凸可行集算法进行迭代计算,求取关于所述新的解的局部凸可行集合。
7.一种车路协同环境下的集中式协同轨迹规划装置,其特征在于,包括处理器和计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令被所述处理器执行时,实现如权利要求1-6任意一项所述的车路协同环境下的集中式协同轨迹规划方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254210.5A CN112435504B (zh) | 2020-11-11 | 2020-11-11 | 一种车路协同环境下的集中式协同轨迹规划方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011254210.5A CN112435504B (zh) | 2020-11-11 | 2020-11-11 | 一种车路协同环境下的集中式协同轨迹规划方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112435504A CN112435504A (zh) | 2021-03-02 |
CN112435504B true CN112435504B (zh) | 2022-07-08 |
Family
ID=74699927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011254210.5A Active CN112435504B (zh) | 2020-11-11 | 2020-11-11 | 一种车路协同环境下的集中式协同轨迹规划方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112435504B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113110489B (zh) * | 2021-04-30 | 2023-03-10 | 清华大学 | 一种轨迹规划方法、装置、电子设备和存储介质 |
CN112987762B (zh) * | 2021-05-10 | 2021-09-07 | 北京三快在线科技有限公司 | 一种轨迹规划方法、装置、存储介质及电子设备 |
CN113838285B (zh) * | 2021-09-22 | 2023-02-17 | 清华大学 | 一种车路协同环境下实现车辆群体决策的方法及装置 |
CN114049767B (zh) * | 2021-11-10 | 2023-05-12 | 刘鹏 | 一种边缘计算方法、装置及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800189A (zh) * | 2012-07-22 | 2012-11-28 | 江南大学 | 一种物联网环境下智能泊车路径优化方法 |
CN108313057A (zh) * | 2018-04-09 | 2018-07-24 | 重庆大学 | 基于mpc和凸优化算法的纯电动汽车自适应巡航控制方法 |
CN110806690A (zh) * | 2018-08-06 | 2020-02-18 | 上海交通大学 | 无人机航迹规划的无损凸优化实现方法 |
CN111325967A (zh) * | 2020-02-28 | 2020-06-23 | 清华大学 | 一种基于协同指派的智能网联汽车编队控制方法和装置 |
CN111665853A (zh) * | 2020-07-07 | 2020-09-15 | 中国人民解放军国防科技大学 | 一种面向规划控制联合优化的无人车辆运动规划方法 |
CN111885504A (zh) * | 2020-08-05 | 2020-11-03 | 广州大学 | 一种辅助移动车辆无线通信的无人机轨迹优化方法 |
-
2020
- 2020-11-11 CN CN202011254210.5A patent/CN112435504B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800189A (zh) * | 2012-07-22 | 2012-11-28 | 江南大学 | 一种物联网环境下智能泊车路径优化方法 |
CN108313057A (zh) * | 2018-04-09 | 2018-07-24 | 重庆大学 | 基于mpc和凸优化算法的纯电动汽车自适应巡航控制方法 |
CN110806690A (zh) * | 2018-08-06 | 2020-02-18 | 上海交通大学 | 无人机航迹规划的无损凸优化实现方法 |
CN111325967A (zh) * | 2020-02-28 | 2020-06-23 | 清华大学 | 一种基于协同指派的智能网联汽车编队控制方法和装置 |
CN111665853A (zh) * | 2020-07-07 | 2020-09-15 | 中国人民解放军国防科技大学 | 一种面向规划控制联合优化的无人车辆运动规划方法 |
CN111885504A (zh) * | 2020-08-05 | 2020-11-03 | 广州大学 | 一种辅助移动车辆无线通信的无人机轨迹优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112435504A (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112435504B (zh) | 一种车路协同环境下的集中式协同轨迹规划方法和装置 | |
Besselink et al. | Cyber–physical control of road freight transport | |
DE102018113926A1 (de) | Autonome Fahrzeugantriebssysteme und Verfahren für kritische Zustände | |
Li et al. | Planning and decision-making for connected autonomous vehicles at road intersections: A review | |
DE102018129079A1 (de) | Fahrbahnkorridor | |
DE102017126021A1 (de) | Prozessor-implementierte systeme und verfahren zum automatisierten fahren | |
DE102018113007A1 (de) | Trajektorienplaner zum autonomen fahren mittels bézier-kurven | |
CN107168305A (zh) | 路口场景下基于Bezier和VFH的无人车轨迹规划方法 | |
DE102019102939A1 (de) | Systeme und Verfahren für Bewegungsplanung von autonomen Fahrzeugen | |
DE102021112349A1 (de) | Fahrzeugbetrieb unter verwendung eines dynamischen belegungsrasters | |
Xu et al. | Coordinated formation control for intelligent and connected vehicles in multiple traffic scenarios | |
Zhang et al. | A trajectory optimization-based intersection coordination framework for cooperative autonomous vehicles | |
Klimke et al. | Cooperative behavior planning for automated driving using graph neural networks | |
Li et al. | Dynamically integrated spatiotemporal‐based trajectory planning and control for autonomous vehicles | |
Klimke et al. | An enhanced graph representation for machine learning based automatic intersection management | |
Zennir et al. | Comparison of PID and fuzzy controller for path tracking control of autonomous electrical vehicles | |
Su et al. | Collaborative motion planning based on the improved ant colony algorithm for multiple autonomous vehicles | |
Gao et al. | Stochastic modeling and optimal control for automated overtaking | |
Han et al. | A multi-agent reinforcement learning approach for safe and efficient behavior planning of connected autonomous vehicles | |
Duhautbout et al. | Generic trajectory planning algorithm for urban autonomous driving | |
Bian et al. | Active collision algorithm for autonomous electric vehicles at intersections | |
Fu et al. | Unmanned driving technology in coal mine based on semantic information method | |
Zhai et al. | Model for the cooperative obstacle‐avoidance of the automated vehicle swarm in a connected vehicles environment | |
Zhou et al. | Ecological predictive cruise control of connected electric vehicle with predecessor velocity prediction and road grade preview | |
Duan et al. | A heuristic trajectory planning method considering long-short term prediction-planning collaboration |
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 |