CN114670837B - 一种智能汽车类人弯道轨迹双重规划*** - Google Patents
一种智能汽车类人弯道轨迹双重规划*** Download PDFInfo
- Publication number
- CN114670837B CN114670837B CN202210435145.9A CN202210435145A CN114670837B CN 114670837 B CN114670837 B CN 114670837B CN 202210435145 A CN202210435145 A CN 202210435145A CN 114670837 B CN114670837 B CN 114670837B
- Authority
- CN
- China
- Prior art keywords
- curve
- planning
- track
- risk
- vehicle
- 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
- 230000009977 dual effect Effects 0.000 title claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012502 risk assessment Methods 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 27
- 230000001133 acceleration Effects 0.000 claims description 16
- 238000005516 engineering process Methods 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 3
- 239000002699 waste material Substances 0.000 abstract description 2
- 230000006399 behavior Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 8
- 230000007246 mechanism Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 3
- 230000001149 cognitive effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000012549 training 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
- 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
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18145—Cornering
-
- 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
- B60W30/0953—Predicting travel path or likelihood of collision the prediction being responsive to vehicle dynamic 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
- 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
- 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
- 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
- B60W50/0097—Predicting future 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
-
- 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
- B60W60/0011—Planning or execution of driving tasks involving control alternatives for a single driving scenario, e.g. planning several paths to avoid obstacles
-
- 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
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
-
- 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
- B60W2050/0019—Control system elements or transfer functions
- B60W2050/0028—Mathematical models, e.g. for simulation
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/10—Longitudinal speed
- B60W2520/105—Longitudinal acceleration
-
- 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
- B60W2520/00—Input parameters relating to overall vehicle dynamics
- B60W2520/14—Yaw
-
- 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
- B60W2530/00—Input parameters relating to vehicle conditions or values, not covered by groups B60W2510/00 or B60W2520/00
- B60W2530/201—Dimensions of vehicle
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/18—Steering angle
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/225—Direction of gaze
-
- 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
- B60W2540/00—Input parameters relating to occupants
- B60W2540/30—Driving style
-
- 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
- B60W2552/15—Road slope, i.e. the inclination of a road segment in the longitudinal direction
-
- 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
- B60W2552/30—Road curve radius
-
- 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
- B60W2552/35—Road bumpiness, e.g. potholes
-
- 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
- B60W2552/40—Coefficient of friction
-
- 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
- B60W2552/00—Input parameters relating to infrastructure
- B60W2552/53—Road markings, e.g. lane marker or crosswalk
-
- 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
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/20—Ambient conditions, e.g. wind or rain
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种智能汽车类人弯道轨迹双重规划***,包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块,进一步包括驾驶人弯道视觉关注特征生成子模块、基于编码‑解码架构的类人弯道轨迹预规划子模块、基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块。本发明建立驾驶人弯道视觉关注特征并将其引入类人弯道轨迹预规划,实现了预规划弯道轨迹与驾驶人真实弯道轨迹的高度匹配;通过非对称性风险场评估预规划弯道轨迹风险并基于风险进行弯道轨迹重规划,降低由于数据驱动方法黑盒化程度高、泛化性差产生的安全隐患;本发明具有良好的泛化能力和移植能力,能够有效降低重复性开发带来的成本浪费。
Description
技术领域
本发明涉及一种智能汽车轨迹规划***,特别涉及一种智能汽车类人弯道轨迹双重规划***。
背景技术
随着智能汽车技术的不断进步,越来越多的研究开始聚焦于使智能汽车具备类人驾驶能力,开发具有驾驶人特性的智能汽车轨迹规划***已经成为智能汽车技术领域的研究热点。
面向跟驰、换道等直线道路驾驶行为而开发的类人轨迹规划***已较为完善,而弯道工况下的类人轨迹规划研究则十分稀少,目前在该领域尚存在三方面需要解决的主要问题:
(1)现有弯道轨迹规划***往往进行简化处理,仅将弯道的车道中心线作为目标轨迹。但实际上驾驶人在弯道上并非严格按照车道中心线行驶,因此这种简化可能会降低智能汽车的用户接受度、信任度以及社会认同度,并存在由人机差异导致的安全隐患。
(2)现有类人轨迹规划的实现,往往需要基于复杂度越来越高的学习型算法从由基础特征表征的自然驾驶数据中提取驾驶人行为特性,而缺少对驾驶人驾驶行为内在生成机制的本质性探索,导致神经网络等学习型算法的参数量和结构随着自动驾驶任务的多元化变得越发复杂,在实车部署时面临算力无法匹配和实时性较低等困难。
(3)类人轨迹规划***中使用的黑盒化数据驱动方法一旦遇到训练数据未覆盖的工况,极易由于泛化能力不足而导致***性能下降甚至发生误规划,存在较大安全隐患。
因此如何开发具有高度类人化特性并具备危险工况下重规划能力的弯道轨迹规划***,已成为智能汽车领域亟待解决的关键技术难题。
发明内容
为了解决上述技术问题,本发明提供一种智能汽车类人弯道轨迹双重规划***,包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块,所述的类人弯道轨迹预规划模块中包括驾驶人弯道视觉关注特征生成子模块和基于编码-解码架构的类人弯道轨迹预规划子模块;所述的类人弯道轨迹重规划模块中包括基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块;
(1)驾驶人弯道视觉关注特征生成子模块以车道线信息和历史时间窗内的自车运动学信息作为输入,生成历史时间窗内的驾驶人视觉关注特征TP(DTP,θTP)和PP(DPP,θPP);
其中,TP为驾驶人在弯道上的视觉关注点,即其视线与弯道内侧的切点,DTP为TP与自车几何中心V的距离,θTP为TP-V连线与车辆前进方向的夹角,θTP=arccos(R1/R2);其中,R1为弯道内侧车道线曲率半径,R2为车辆几何中心V与弯道曲率中心O的距离,DTP以及R1、R2均为基于现有智能汽车传感技术能够获得的信息;
PP为基于驾驶人弯道预瞄距离dPreview确定的弯道车道中心线上的预瞄点,表征驾驶人用于控制车辆不过多偏离车道中心线的预瞄信息;DPP为点PP与自车几何中心V的距离,θPP为PP-V连线与车辆前进方向的夹角,θPP=arctan(ye/dPreview);其中,ye为点PP与自车前进方向的距离,ye以及DPP均为基于现有智能汽车传感技术能够获得的信息;dPreview为驾驶人在弯道上的预瞄距离,属于***的人工设定值,可根据驾驶人习惯和车辆几何参数自由调节。
(2)基于编码-解码架构的类人弯道轨迹预规划子模块以历史时间窗内的驾驶人弯道视觉关注特征和历史时间窗内的自车运动信息作为输入,输出此时的预规划弯道轨迹:在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输入序列X为:
X=[Xt-H+1,Xt-H+2,...,Xt]
在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输出序列即预规划轨迹Y定义为:
Y=[Yt+1,Yt+2,...,Yt+F]
语义向量C记录着整条输入序列X的上下文历史信息,包含着输入序列中的时序依赖关系;
解码器使用LSTM单元对自车弯道轨迹进行递归规划,在每一个解码时间步tf,解码器接收上一个解码时间步tf-1的弯道轨迹预规划值上一个解码时间步tf-1解码器LSTM单元的隐状态输出以及编码器输出的语义向量C,进而解码得到解码时间步tf的弯道轨迹预规划值
当解码器完成整个规划时间窗F内的语义向量解码后,即得到规划时间窗F内的类人预规划弯道轨迹Y。
类人弯道轨迹预规划模块输出的预规划弯道轨迹Y输入至类人弯道轨迹重规划模块,基于非对称性风险场的预规划轨迹风险评估子模块判定此时的预规划弯道轨迹Y是否存在风险:若无风险,直接将预规划弯道轨迹Y作为此时智能汽车的弯道行驶轨迹;若存在风险,预规划弯道轨迹Y则进入基于非对称性风险场的弯道轨迹重规划子模块,利用非对称性风险场对弯道轨迹进行重规划。
(3)基于非对称性风险场的弯道轨迹重规划子模块中,所述非对称性风险场分为非对称***通车风险场、非对称性静态障碍物风险场以及非对称性车道线风险场;
①非对称***通车风险场如下:
其中,为在交通车i的Frenet坐标系下自车j与交通车i之间的距离矢量,kd为车距放缩因子;和分别为交通车i沿其前进方向的加速度矢量和法向加速度矢量,μR为风险场的场强峰值,场强峰值出现在交通车i的质心位置;和分别为与交通车i前进方向和法向的夹角,pX′和pY′为加速度系数;
②非对称性静态障碍物风险场如下:
静态障碍物p产生的场强是将中的取为0得到;静态障碍物p的Frenet坐标系是以静态障碍物p的几何中心为原点,利用静态障碍物p膨胀后的椭圆的长对称轴和短对称轴建立的,其中该膨胀后的椭圆刚好完全包裹静态障碍物p的原始几何边界。
③非对称性车道线风险场如下:
对于直道车道线产生的场强ESL,j(tf)定义为:
dSL,j=(0,yj(tf)-ySL),
其中,KL为车道线类型系数,双实线的KL大于单实线的KL;μL为车道线场强的峰值,场强峰值位于车道线上;dSL,j(tf)为自车j与车道线之间的距离向量,ysl为车道线在全局坐标系下的侧向位置,yj(tf)为自车j在全局坐标系下的侧向位置;σL的直观意义为高斯分布的集中程度,用于表征车道线场强的变化速率;
对于弯道车道线产生的风险场ECL,j(tf)定义为:
dC,j(tf)=(xj(tf)-xC,yj(tf)-yC),
其中,dC,j(tf)为从弯道车道线曲率中心C到自车j的距离向量,(xC,yC)为弯道车道线曲率中心在全局坐标系下的位置,rCL为弯道车道线的曲率半径,dCL,j(tf)为自车j与弯道车道线的距离向量。
基于非对称性风险场的预规划轨迹风险评估子模块将按照上述方式计算非对称***通车风险场场强非对称性静态障碍物风险场场强以及非对称性车道线风险场场强ECL,j(tf)或ESL,j(tf),进而求得自车j按照预规划弯道轨迹Y行驶时,在Y上的每个时刻t所承担的合场强Etotal,j(tf):
基于非对称性风险场的预规划轨迹风险评估子模块将计算整个预规划弯道轨迹Y上自车j承受的平均合场强即平均风险并将与驾驶人风险承受阈值进行比较:若则说明此时驾驶人能够承受预规划轨迹的风险,***将直接输出预规划轨迹Y;若则说明此时的预规划轨迹Y的风险已经超出驾驶人的承受范围,必须将预规划轨迹Y输入基于非对称性风险场的弯道轨迹重规划子模块进行重规划。
(4)基于非对称性风险场的弯道轨迹重规划子模块以预规划轨迹Y为输入,输出重规划轨迹Y′,弯道轨迹重规划的过程为:
其中,Y′(tf)和Y(tf)分别代表预规划轨迹Y和重规划轨迹Y′在时间步tf的位置点;由上式可知,弯道轨迹重规划的基本原理为:对于预规划轨迹Y上每个时间步tf的位置点Y(tf)沿着合场强梯度的下降方向移动一段距离,得到重规划轨迹上的对应位置点Y′(tf);delta(Etotal,j(tf))为预规划轨迹的距离移动系数:
其中,δ1和δ2为大于0的常数项。
本发明的有益效果:
(1)本发明不直接以弯道车道中心线作为弯道轨迹规划***的参考轨迹,而是基于驾驶人真实转弯数据训练类人弯道轨迹预规划模块,使预规划弯道轨迹能够匹配驾驶人特性,降低人机差异,增加智能汽车的用户接受度、信任度和社会认同度。
(2)本发明从驾驶人弯道视觉关注机制入手,对驾驶人的弯道驾驶行为生成机制进行有效表征,进而建立驾驶人弯道视觉关注特征并将其引入类人弯道轨迹预规划,在不增加数据驱动方法复杂度的前提下实现了预规划弯道轨迹与驾驶人真实弯道轨迹的高度匹配。
(3)本发明评估预规划弯道轨迹风险,在预规划轨迹存在风险时基于本发明所建立的非对称性风险场对预规划轨迹进行重规划,从而降低甚至避免由于数据驱动方法黑盒化程度高、泛化性差产生的安全隐患;并进一步通过设置一系列面向不同车型、不同场景以及不同用户群体的个性化参数,使本发明所述***具有良好的泛化能力和移植能力,能够有效降低重复性开发带来的成本浪费。
(4)本发明完全基于现有智能汽车环境感知技术构建,确保搭载本发明所述***的智能汽车不需增加额外的传感器和感知技术。
附图说明
图1为本发明所述的一种智能汽车类人弯道轨迹双重规划***整体架构示意图。
图2为驾驶人弯道视觉关注机制示意图。
图3为本发明中驾驶人视觉关注特征生成子模块原理示意图。
图4为本发明中基于编码-解码架构的类人弯道轨迹预规划子模块结构示意图。
图5为本发明所述的类人弯道轨迹预规划模块所规划的轨迹与驾驶人真实轨迹的对比示意图。
图6为本发明中建立的非对称***通车风险场示意图。
图7为本发明中建立的非对称性车道线风险场示意图。
图8为本发明中弯道轨迹重规划效果示意图。
具体实施方式
如图1所示,本发明提供的一种智能汽车类人弯道轨迹双重规划***包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块,所述的类人弯道轨迹预规划模块中包括驾驶人弯道视觉关注特征生成子模块和基于编码-解码架构的类人弯道轨迹预规划子模块;所述的类人弯道轨迹重规划模块包含基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块;
本发明基于智能汽车车载摄像头采集车道线信息;基于自车传感器采集并记录自车运动学信息;基于智能汽车车载摄像头和雷达采集自车周围交通车的运动学信息。其中,车道线信息和历史时间窗内的自车运动学信息输入类人弯道轨迹预规划模块;车道线信息和自车周围运动学信息输入类人弯道轨迹重规划模块。
(1)驾驶人弯道视觉关注特征生成子模块以车道线信息和历史时间窗内的自车运动学信息作为输入,生成历史时间窗内的驾驶人视觉关注特征TP(DTP,θTP)和PP(DPP,θPP)。
图2分别给出了驾驶人在左转弯和右转弯时的视觉关注机制。驾驶人在通过弯道时具有视觉关注引导转向行为的常识性规律,因此本发明认为驾驶人弯道驾驶行为生成机制的本质即为驾驶人弯道视觉关注机制。本发明将驾驶人的弯道视觉关注机制描述为:通过弯道时,驾驶人的视线往往会与弯道内侧车道线相切,驾驶人视线与弯道内侧车道线的切点即为驾驶人转弯时的视觉关注点,该视觉关注点随着车辆的行驶在弯道的内侧车道线上不断滑动,从而引导驾驶人的弯道转向行为。
基于上述分析可知,实现类人弯道轨迹规划的关键在于表征驾驶人的弯道视觉关注点。如图3所示,驾驶人在弯道上的视觉关注点为其视线与弯道内侧的切点TP,本发明通过TP与自车几何中心V的距离DTP、TP-V连线与车辆前进方向的夹角θTP来表征切点TP与自车的空间关系,即TP(DTP,θTP),其中:
θTP=arccos(R1/R2)
其中,R1为弯道内侧车道线曲率半径,R2为车辆几何中心V与弯道曲率中心O的距离,DTP以及R1、R2均为基于现有智能汽车传感技术能够获得的信息。
此外考虑到若仅使用切点TP的相关信息,可能会导致车辆过多偏向弯道内侧,因此本发明建立了另一组视觉关注特征PP(DPP,θPP)。点PP为基于驾驶人弯道预瞄距离dPreview确定的弯道车道中心线上的预瞄点,表征驾驶人用于控制车辆不过多偏离车道中心线的预瞄信息;DPP为点PP与自车几何中心V的距离,θPP为PP-V连线与车辆前进方向的夹角,其中:
θPP=arctan(ye/dPreview)
其中,ye为点PP与自车前进方向的距离,ye以及DPP均为基于现有智能汽车传感技术能够获得的信息;dPreview为驾驶人在弯道上的预瞄距离,属于***的人工设定值,可根据驾驶人习惯和车辆几何参数自由调节。
综上,本发明所述的驾驶人弯道视觉关注特征生成子模块基于车道线信息和历史时间窗内的自车运动学信息,可生成历史时间窗内的驾驶人视觉关注特征TP(DTP,θTP)和PP(DPP,θPP)。
(2)如图1所示,基于编码-解码架构的类人弯道轨迹预规划子模块以历史时间窗内的驾驶人弯道视觉关注特征和历史时间窗内的自车运动信息作为输入,输出此时的预规划弯道轨迹。在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输入序列X为:
X=[Xt-H+1,Xt-H+2,...,Xt]
在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输出序列即预规划轨迹Y定义为:
Y=[Yt+1,Yt+2,...,Yt+F]
语义向量C记录着整条输入序列X的上下文历史信息,包含着输入序列中的时序依赖关系。
解码器使用LSTM单元对自车弯道轨迹进行递归规划。在每一个解码时间步tf,解码器接收上一个解码时间步tf-1的弯道轨迹预规划值上一个解码时间步tf-1解码器LSTM单元的隐状态输出以及编码器输出的语义向量C,进而解码得到解码时间步tf的弯道轨迹预规划值
当解码器完成整个规划时间窗F内的语义向量解码后,基于编码-解码架构的类人弯道轨迹预规划子模块即可得到规划时间窗F内的类人预规划弯道轨迹Y。
实际上,对于弯道轨迹规划而言,车辆在行驶过程中的侧向位置分布相比绝对坐标系下的纵、侧向位置更能直观反应转弯轨迹特性,因此图5中给出了本发明所述的类人弯道轨迹预规划模块所规划的弯道轨迹与驾驶人真实轨迹的侧向偏移率对比。侧向偏移率定义为车辆几何中心和车道分界线的侧向距离与单条车道宽度的比值,能够有效表征车辆偏离当前车道中心的程度,也能够直观反应车辆在转弯过程中的侧向位置变化趋势。
图5包含在4种不同弯道上,本发明的基于编码-解码架构的类人弯道轨迹预规划子模块输出的预规划弯道轨迹Y与驾驶人真实轨迹的对比,可以看到两者极为接近,误差范围为[-0.0887,0.0982],充分说明了本发明所述***在再现驾驶人转弯特性上的性能,有能力为使用该***的驾乘用户提供舒适、可靠的驾乘体验。此外从图5也可以看到,驾驶人在转弯过程中并不是按照车道中心线行驶的,若沿车道中心线行驶侧向偏移率应为0.5,这充分说明了现有的以车道中心线作为参考轨迹的智能汽车弯道轨迹规划***的不完善,也证明了本发明所述的类人弯道轨迹规划***在类人弯道驾驶上的性能提升。
所述类人弯道轨迹预规划模块输出的预规划弯道轨迹Y输入至类人弯道轨迹重规划模块,基于非对称性风险场的预规划轨迹风险评估子模块将判定此时的预规划轨迹Y是否存在风险:若无风险,本发明所述***将直接将预规划轨迹Y作为此时智能汽车的弯道行驶轨迹;若存在风险,预规划轨迹Y将进入基于非对称性风险场的弯道轨迹重规划子模块,利用非对称性风险场对弯道轨迹进行重规划。
(3)按照车辆弯道行驶时的风险来源,所述非对称性风险场分为非对称***通车风险场、非对称性静态障碍物风险场以及非对称性车道线风险场。其中非对称***通车风险场和非对称性静态障碍物风险场分别用于描述自车与周围交通车和静态障碍物发生碰撞的风险,非对称性车道线风险场用于描述自车的越线风险:
①非对称***通车风险场:
交通车对自车产生的风险场不仅与交通车和自车的距离有关,还与交通车和自车的相对运动状态有关,基于此,本发明构建了如下形式的交通车风险场:
其中,为在交通车i的Frenet坐标系下,自车j与交通车i之间的距离矢量,kd为车距放缩因子;和分别为交通车i沿其前进方向的加速度矢量和法向加速度矢量,μR为风险场的场强峰值,场强峰值出现在交通车i的质心位置;和分别为与交通车i前进方向和法向的夹角,pX′和pY′为加速度系数。
图6给出了本发明所建立的非对称***通车风险场场强分布,可以看到该风险场模型能够有效表征交通车在周围环境中产生的风险分布,且能够通过场强形状的变化反应交通车加减速以及转向行为对风险分布的影响:加速行驶的交通车在其车头前方产生的场强大于后方;减速行驶的交通车在其车尾产生的场强大于前方;转弯车辆则在其转向向心加速度方向上呈现出更大的场强,由此可见本发明建立的非对称***通车风险场符合驾驶人对交通车风险的认知特性。
②非对称性静态障碍物风险场:
自车在弯道上行驶时,还会受到静态障碍物产生的风险。对于静态障碍物p产生的场强只需将中的取为0即可。而对于静态障碍物p的Frenet坐标系,可将静态障碍物p膨胀为椭圆形状,该椭圆刚好完全包裹静态障碍物p的原始几何边界,再以静态障碍物p的几何中心以及该椭圆的长对称轴和短对称轴建立障碍物p的Frenet坐标系即可。
③非对称性车道线风险场;
本发明考虑到交通规则的约束,双向车道分界线(双实线)产生的场强应当显著大于同向道路分界线(单实线)产生的场强,这即是车道线风险场的非对称性。本发明通过高斯分布描述车道线的场强分布。
直道车道线产生的场强ESL,j(tf)定义为:
dSL,j=(0,yj(tf)-ySL),
其中,KL为车道线类型系数,双实线的KL大于单实线的KL;μL为车道线场强的峰值,场强峰值位于车道线上;dSL,j(tf)为自车j与车道线之间的距离向量,ysl为车道线在全局坐标系下的侧向位置,yj(tf)为自车j在全局坐标系下的侧向位置;σL的直观意义为高斯分布的集中程度,用于表征车道线场强的变化速率。
弯道车道线产生的风险场ECL,j(tf)定义为:
dC,j(tf)=(xj(tf)-xC,yj(tf)-yC),
其中,dC,j(tf)为从弯道车道线曲率中心C到自车j的距离向量,(xC,yC)为弯道车道线曲率中心在全局坐标系下的位置,rCL为弯道车道线的曲率半径,dCL,j(tf)为自车j与弯道车道线的距离向量。图7给出了弯道车道线所产生的场强分布,可以清晰的看到车道线场强关于不同的车道线类型呈现出非对称分布,符合驾驶人对车道线约束的认知特性。
基于非对称性风险场的预规划轨迹风险评估子模块将按照上述方式计算非对称***通车风险场场强非对称性静态障碍物风险场场强以及非对称性车道线风险场场强或进而求得自车j按照预规划弯道轨迹Y行驶时,在Y上的每个时间步tf所承担的合场强Etotal,j(tf):
基于非对称性风险场的预规划轨迹风险评估子模块将计算整个预规划弯道轨迹Y上自车j承受的平均合场强即平均风险并将与驾驶人风险承受阈值进行比较:若则说明此时驾驶人能够承受预规划轨迹的风险,本发明所述的***将直接输出预规划轨迹Y;若则说明此时的预规划轨迹Y的风险已经超出驾驶人的承受范围,必须将预规划轨迹Y输入基于非对称性风险场的弯道轨迹重规划子模块进行重规划。按照本发明其他参数设置,取
(4)基于非对称性风险场的弯道轨迹重规划子模块以预规划轨迹Y为输入,输出重规划轨迹Y′。弯道轨迹重规划的过程可写作:
其中,Y′(tf)和Y(tf)分别代表预规划轨迹Y和重规划轨迹Y′在时间步tf的位置点。由上式可知,弯道轨迹重规划的基本原理为:对于预规划轨迹Y上每个时间步tf的位置点Y(tf)沿着合场强梯度的下降方向移动一段距离,得到重规划轨迹上的对应位置点Y′(tf)。delta(Etotal,j(tf))为预规划轨迹的距离移动系数:
其中,δ1和δ2为大于0的常数项。由上式可知,delta(Etotal,j(tf))并不是一个固定的常数,而可以根据风险Etotal,j(tf)超出风险阈值的程度而不断变化,从而改变风险影响自车预规划轨迹的强度以及自车预规划轨迹移动的幅度,实现面向风险的轨迹自适应动态调节。经过本发明所述的基于非对称性风险场的弯道轨迹重规划子模块的重规划后,相比于预规划轨迹Y,重规划轨迹Y′通过沿合场强梯度下降方向的合理移动,能够在不大幅改变具有驾驶人特性的预规划轨迹Y的前提下,最大限度的降低弯道轨迹风险。
图8给出了在某次弯道轨迹规划中,本发明所述的一种智能汽车弯道轨迹双重规划***的效果。从图8可以看到,完全匹配驾驶人特性的预规划轨迹的平均风险为0.5171,高于驾驶人风险承受阈值,若车辆按这两种轨迹行驶,则会造成驾乘人员的恐慌和对智能汽车信任度的下降。而经过本发明的双重轨迹规划后,轨迹风险低至0.3160,在驾驶人的风险承受范围内,证明了本发明所述的双重轨迹规划***的有效性。
①重型车辆的以及δ1,δ2应当低于常规车辆的以及δ1,δ2。因为重型车辆的车辆动力学特性较为复杂,相较于常规车辆更难操控,故需要更早地开始对风险做出响应,并以更平缓的方式调节预规划轨迹,避免过于快速激烈的调整造成的行车风险。
②在附着系数低、不平度等级高、坡度大等行驶条件较差的应用场景中,以及δ1,δ2应当低于行驶条件良好的应用场景的以及δ1,δ2。因为行驶条件较差的应用场景不确定性较高,车辆动力学稳定性更难得到有效保障,故需更早地开始对风险做出响应,并以更平缓的方式调节预规划轨迹,避免过于快速激烈的调整造成的车辆失稳。
③面向激进型驾驶人的以及δ1,δ2应当大于面向保守型驾驶人的以及δ1,δ2。因为激进型驾驶人往往具有更高的风险接受能力,且在需要做出风险响应时更倾向于以更大的幅度使车辆迅速摆脱风险,因此需要为其匹配更大的以及δ1,δ2,而保守型驾驶人则恰恰相反。
个性化参数的设置能够保障本发明所述***具有面向不同车型、不同场景以及不同用户群体的良好匹配能力,保障了本发明所述***的泛化性和可移植性,通过简单的参数标定即可代替繁琐的***重复开发,能够有效降低人力、物力以及时间成本。
Claims (4)
1.一种智能汽车类人弯道轨迹双重规划***,其特征在于:包括类人弯道轨迹预规划模块和类人弯道轨迹重规划模块,所述的类人弯道轨迹预规划模块中包括驾驶人弯道视觉关注特征生成子模块和基于编码-解码架构的类人弯道轨迹预规划子模块;所述的类人弯道轨迹重规划模块中包括基于非对称性风险场的预规划轨迹风险评估子模块和基于非对称性风险场的弯道轨迹重规划子模块;
(1)驾驶人弯道视觉关注特征生成子模块以车道线信息和历史时间窗内的自车运动学信息作为输入,生成历史时间窗内的驾驶人视觉关注特征TP(DTP,θTP)和PP(DPP,θPP);
其中,TP为驾驶人在弯道上的视觉关注点,即驾驶人视线与弯道内侧的切点,DTP为TP与自车几何中心V的距离,θTP为TP-V连线与车辆前进方向的夹角,θTP=arccos(R1/R2);其中,R1为弯道内侧车道线曲率半径,R2为车辆几何中心V与弯道曲率中心O的距离,DTP以及R1、R2均为基于现有智能汽车传感技术能够获得的信息;
PP为基于驾驶人弯道预瞄距离dPreview确定的驾驶人在弯道车道中心线上的预瞄点,表征驾驶人用于控制车辆不过多偏离车道中心线的预瞄信息;DPP为点PP与自车几何中心V的距离,θPP为PP-V连线与车辆前进方向的夹角,θPP=arctan(ye/dPreview);其中,ye为点PP与自车前进方向的距离,ye以及DPP均为基于现有智能汽车传感技术能够获得的信息;dPreview为驾驶人在弯道上的预瞄距离,属于***的人工设定值,可根据驾驶人习惯和车辆几何参数自由调节;
(2)基于编码-解码架构的类人弯道轨迹预规划子模块以历史时间窗内的驾驶人弯道视觉关注特征和历史时间窗内的自车运动信息作为输入,输出此时的预规划弯道轨迹Y:在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输入序列X为:
X=[Xt-H+1,Xt-H+2,...,Xt]
在当前时刻t,基于编码-解码架构的类人弯道轨迹预规划子模块的输出序列即预规划轨迹Y定义为:
Y=[Yt+1,Yt+2,...,Yt+F]
类人弯道轨迹预规划模块输出的预规划弯道轨迹Y输入至类人弯道轨迹重规划模块,基于非对称性风险场的预规划轨迹风险评估子模块判定此时的预规划弯道轨迹Y是否存在风险:若无风险,直接将预规划弯道轨迹Y作为此时智能汽车的弯道行驶轨迹;若存在风险,预规划弯道轨迹Y则进入基于非对称性风险场的弯道轨迹重规划子模块,利用非对称性风险场对弯道轨迹进行重规划;
(3)基于非对称性风险场的弯道轨迹重规划子模块中,所述非对称性风险场分为非对称***通车风险场、非对称性静态障碍物风险场以及非对称性车道线风险场;
对于预规划弯道轨迹Y上的每个时间步tf,基于非对称性风险场的预规划轨迹风险评估子模块计算非对称***通车风险场场强非对称性静态障碍物风险场场强以及非对称性车道线风险场场强ECL,j(tf)或ESL,j(tf),进而求得自车j按照预规划弯道轨迹Y行驶时,在Y上的每个时间步tf所承担的合场强Etotal,j(tf):
基于非对称性风险场的预规划轨迹风险评估子模块将计算整个预规划弯道轨迹Y上自车j承受的平均合场强即平均风险并将与驾驶人风险承受阈值进行比较:若则说明此时驾驶人能够承受预规划轨迹的风险,***将直接输出预规划轨迹Y;若则说明此时的预规划轨迹Y的风险已经超出驾驶人的承受范围,必须将预规划轨迹Y输入基于非对称性风险场的弯道轨迹重规划子模块进行重规划;
(4)基于非对称性风险场的弯道轨迹重规划子模块以预规划轨迹Y为输入,输出重规划轨迹Y′,弯道轨迹重规划的过程为:
其中,Y′(tf)和Y(tf)分别代表预规划轨迹Y和重规划轨迹Y′在时间步tf的位置点;由上式可知,弯道轨迹重规划的基本原理为:对于预规划轨迹Y上每个时间步tf的位置点Y(tf)沿着合场强梯度的下降方向移动一段距离,得到重规划轨迹上的对应位置点Y′(tf);delta(Etotal,j(tf))为预规划轨迹的距离移动系数:
其中,δ1和δ2为大于0的常数项。
2.根据权利要求1所述的一种智能汽车类人弯道轨迹双重规划***,其特征在于:(2)基于编码-解码架构的类人弯道轨迹预规划子模块中,编码器使用长短期记忆LSTM单元,基于上一编码时间步th-1的隐状态对编码时间步th的输入特征进行编码,得到编码时间步th的隐状态
语义向量C记录着整条输入序列X的上下文历史信息,包含着输入序列中的时序依赖关系;
解码器使用LSTM单元对自车弯道轨迹进行递归规划,在每一个解码时间步tf,解码器接收上一个解码时间步tf-1的弯道轨迹预规划值上一个解码时间步tf-1解码器LSTM单元的隐状态输出以及编码器输出的语义向量C,进而解码得到解码时间步tf的弯道轨迹预规划值
当解码器完成整个规划时间窗F内的语义向量解码后,即得到规划时间窗F内的类人预规划弯道轨迹Y。
其中,为在交通车i的Frenet坐标系下自车j与交通车i之间的距离矢量,kd为车距放缩因子;和分别为交通车i沿其前进方向的加速度矢量和法向加速度矢量,μR为风险场的场强峰值,场强峰值出现在交通车i的质心位置;和分别为与交通车i前进方向和法向的夹角,pX′和pY′为加速度系数;
静态障碍物p产生的场强是将中的取为0得到;静态障碍物p的Frenet坐标系是以静态障碍物p的几何中心为原点,利用静态障碍物p膨胀后的椭圆的长对称轴和短对称轴建立的,其中该膨胀后的椭圆刚好完全包裹静态障碍物p的原始几何边界;
所述的非对称性车道线风险场场强ESL,j(tf)为直道车道线产生的场强,定义为:
dSL,j=(0,yj(tf)-ySL),
其中,KL为车道线类型系数,双实线的KL大于单实线的KL;μL为车道线场强的峰值,场强峰值位于车道线上;dSL,j(tf)为自车j与车道线之间的距离向量,ysl为车道线在全局坐标系下的侧向位置,yj(tf)为自车j在全局坐标系下的侧向位置;σL的直观意义为高斯分布的集中程度,用于表征车道线场强的变化速率;
所述的非对称性车道线风险场场强ECL,j(tf)为弯道车道线产生的场强,定义为:
dC,j(tf)=(xj(tf)-xC,yj(tf)-yC),
其中,dC,j(tf)为从弯道车道线曲率中心C到自车j的距离向量,(xC,yC)为弯道车道线曲率中心在全局坐标系下的位置,rCL为弯道车道线的曲率半径,dCL,j(tf)为自车j与弯道车道线的距离向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210435145.9A CN114670837B (zh) | 2022-04-24 | 2022-04-24 | 一种智能汽车类人弯道轨迹双重规划*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210435145.9A CN114670837B (zh) | 2022-04-24 | 2022-04-24 | 一种智能汽车类人弯道轨迹双重规划*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114670837A CN114670837A (zh) | 2022-06-28 |
CN114670837B true CN114670837B (zh) | 2023-05-16 |
Family
ID=82080050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210435145.9A Active CN114670837B (zh) | 2022-04-24 | 2022-04-24 | 一种智能汽车类人弯道轨迹双重规划*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114670837B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116142216B (zh) * | 2023-04-06 | 2024-03-29 | 吉林大学 | 一种驾驶人认知驱动的智能汽车类人行车风险管理*** |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101734252A (zh) * | 2009-12-23 | 2010-06-16 | 合肥工业大学 | 一种用于智能车辆视觉导航的预瞄跟踪控制器 |
DE102019113114A1 (de) * | 2018-06-19 | 2019-12-19 | Nvidia Corporation | Verhaltensgesteuerte wegplanung in autonomen maschinenanwendungen |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11112498B2 (en) * | 2018-02-12 | 2021-09-07 | Magna Electronics Inc. | Advanced driver-assistance and autonomous vehicle radar and marking system |
DE112021000216T5 (de) * | 2020-02-19 | 2022-11-03 | Nvidia Corporation | Verhaltensplanung für autonome Fahrzeuge |
US20210309261A1 (en) * | 2021-06-21 | 2021-10-07 | Intel Corporation | Driver and environment monitoring to predict human driving maneuvers and reduce human driving errors |
-
2022
- 2022-04-24 CN CN202210435145.9A patent/CN114670837B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101734252A (zh) * | 2009-12-23 | 2010-06-16 | 合肥工业大学 | 一种用于智能车辆视觉导航的预瞄跟踪控制器 |
DE102019113114A1 (de) * | 2018-06-19 | 2019-12-19 | Nvidia Corporation | Verhaltensgesteuerte wegplanung in autonomen maschinenanwendungen |
Also Published As
Publication number | Publication date |
---|---|
CN114670837A (zh) | 2022-06-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11161502B2 (en) | Cost-based path determination | |
WO2021077725A1 (zh) | 一种基于驾驶意图的周围车辆运动状态预测***及方法 | |
US11851050B2 (en) | Collision prediction and avoidance for vehicles | |
US8260515B2 (en) | Adaptive vehicle control system with driving style recognition | |
US8170725B2 (en) | Vehicle stability enhancement control adaptation to driving skill based on highway on/off ramp maneuver | |
CN110471408A (zh) | 基于决策过程的无人驾驶车辆路径规划方法 | |
CN106275066B (zh) | 一种智能车转向控制方法及装置 | |
EP4034440A1 (en) | Blocking object avoidance | |
Zhao et al. | Modeling driver behavior at roundabouts: Results from a field study | |
US20100209881A1 (en) | Driving skill recognition based on behavioral diagnosis | |
US20100209891A1 (en) | Driving skill recognition based on stop-and-go driving behavior | |
US20100209892A1 (en) | Driving skill recognition based on manual transmission shift behavior | |
US20100209884A1 (en) | Driving skill recognition based on vehicle left and right turns | |
US20100209885A1 (en) | Vehicle stability enhancement control adaptation to driving skill based on lane change maneuver | |
US11433922B1 (en) | Object uncertainty detection | |
Liu et al. | Enabling safe freeway driving for automated vehicles | |
US20100209887A1 (en) | Vehicle stability enhancement control adaptation to driving skill based on vehicle backup maneuver | |
CN114013443B (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 | |
US11801864B1 (en) | Cost-based action determination | |
CN114670837B (zh) | 一种智能汽车类人弯道轨迹双重规划*** | |
US20230097121A1 (en) | Optimization based planning system | |
CN111896004A (zh) | 一种狭窄通道车辆轨迹规划方法及*** | |
Jiang et al. | A lateral control assistant for the dynamic model of vehicles subject to state constraints | |
Mardiati et al. | Motorcycle movement model based on markov chain process in mixed traffic | |
Zhang et al. | A path planning approach for tractor-trailer system based on semi-supervised learning |
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 |