CN114932901A - 一种自适应速度规划方法、装置和域控制器 - Google Patents

Abstract

本发明公开了一种自适应速度规划方法、装置和域控制器，其中方法包括：判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离；基于本车与跟车目标的相对距离、本车的状态参数和跟车目标的状态参数规划出速度控制方案，以控制本车按照速度控制方案行驶，状态参数包括速度、航向与位置。本发明提供的技术方案，实现了多障碍场景下汽车自动驾驶的准确避障。

Description

一种自适应速度规划方法、装置和域控制器

技术领域

本发明涉及智能驾驶领域，具体涉及一种自适应速度规划方法、装置和域控制器。

背景技术

在无人驾驶***中，轨迹规划分为路径规划和速度规划。其中，速度规划可向下游控制模块提供参考速度和参考加速度序列，纵向控制器基于以上速度规划信息计算油门和刹车控制量，线控底盘执行控制指令，实现车辆速度控制。常用的速度规划算法包括：1、根据本车与路线正前方跟车目标的相对位置与相对速度来决定适当的本车速度和加速度；2、预测旁车的行驶轨迹，判断旁车变道时是否会与本车发生碰撞，如果发生碰撞本车根据旁车的相对距离和相对速度输出提前减速的控制曲线，控制本车速度和加速度(可参考专利文件CN108032858A)。

但是上述速度规划算法应用场景较为单一，现实场景中，道路拥堵的情况时有发生，车辆行驶轨迹上的车辆较多，例如本车不仅路线正前方有障碍车，还有不止一辆旁车向本车车道上并线，如果按照现有技术的控制方法进行速度规划，针对障碍较多的情况规划结果准确度较差，很容易发生碰撞事故。

发明内容

有鉴于此，本发明实施方式提供了一种自适应速度规划方法、装置和域控制器，从而实现了多障碍场景下汽车自动驾驶的准确避障。

根据第一方面，本发明实施例提供了一种自适应速度规划方法，所述方法包括：判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，所述相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离；基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，以控制本车按照所述速度控制方案行驶，所述状态参数包括速度、航向与位置。

可选地，所述方法还包括：在本车按照所述速度控制方案行驶时，以第一预设时间重新判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；若存在发生碰撞的障碍目标，则返回所述从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标的步骤。

可选地，所述判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞，包括：预测本车在本车规划路径上各个位置的航向，并预测当前障碍目标切入所述本车规划路径的切入点；预测所述当前障碍目标切入本车规划路径时，本车在本车规划路径上的行驶位置和行驶速度；基于所述本车在本车规划路径上各个位置的航向，确定当前障碍目标在所述切入点上的切入速度；利用碰撞检测距离、所述切入速度、所述行驶速度、本车长度以及当前障碍目标长度，确定本车是否会与当前障碍目标发生碰撞，所述碰撞检测距离是所述切入点与所述行驶位置之间的距离。

可选地，所述基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，包括：基于本车的当前状态参数和跟车目标当前预测的状态参数计算本车与所述跟车目标的相对速度；基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；利用所述本车与所述跟车目标的相对距离、所述本车与所述跟车目标的相对速度、所述期望车速和本车的当前车速进行线性规划计算，输出第一加速度控制量；利用所述第一加速度控制量计算本车在第二预设时间之后的本车预测状态参数；将所述本车预测状态参数作为所述本车的当前状态参数，将跟车目标第二预设时间之后预测的状态参数作为所述跟车目标当前预测的状态参数，返回所述基于本车的当前状态参数和跟车目标当前预测的状态参数计算本车与所述跟车目标的相对速度的步骤，进行迭代计算；基于各次迭代得到的本车预测状态参数生成所述速度控制方案。

可选地，若本车感知到的障碍目标与本车在本车规划路径上均不会发生碰撞时，所述方法还包括：基于本车规划路径上的本车路径限速信息对本车进行速度规划。

可选地，所述基于本车规划路径上的本车路径限速信息对本车进行速度规划，包括：基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；基于本车与下一限速点之间的距离、所述期望车速和本车的当前车速计算本车的第二加速度控制量；利用所述第二加速度控制量计算本车在第二预设时间之后的本车预测状态参数；将所述本车预测状态参数作为所述本车的当前状态参数，返回所述基于本车的当前状态参数和本车路径限速信息确定本车的期望车速的步骤，进行迭代计算；基于各次迭代得到的本车预测状态参数生成定速控制方案，以控制本车按照所述定速控制方案行驶。

可选地，所述基于本车的当前状态参数和本车路径限速信息确定本车的期望车速，包括：基于本车的当前状态参数和本车路径限速信息计算待行驶距离和第一减速距离，所述待行驶距离是本车与下一限速点之间的距离，所述第一减速距离是在本车的当前车速高于下一限速点的限速值时减速所需要的距离；当满足第一情况或第二情况时，所述期望车速等于下一限速点的限速值，当满足第三情况或第四情况时，所述期望车速等于当前限速值；其中，所述第一情况是下一限速点的限速值不小于本车的当前车速，并且所述待行驶距离不大于零；所述第二情况是下一限速点的限速值小于本车的当前车速，并且所述待行驶距离与所述第一减速距离的差小于预设阈值；所述第三情况是下一限速点的限速值不小于本车的当前车速，并且所述待行驶距离大于零；所述第四情况是下一限速点的限速值小于本车的当前车速，并且所述待行驶距离与所述第一减速距离的差不小于预设阈值。

可选地，所述利用碰撞检测距离、所述切入速度、所述行驶速度、本车长度以及当前障碍目标长度，确定本车是否会与当前障碍目标发生碰撞，包括：当所述切入速度大于等于所述行驶速度时，判断所述碰撞检测距离是否不大于第一安全距离，若所述碰撞检测距离不大于第一安全距离则确定本车会与当前障碍目标发生碰撞；当所述切入速度小于所述行驶速度时，判断所述碰撞检测距离是否不大于第二安全距离，若所述碰撞检测距离不大于第二安全距离则确定本车会与当前障碍目标发生碰撞；其中，所述第一安全距离通过所述障碍目标减速到所述行驶速度时的第二减速距离、所述本车长度、所述当前障碍目标长度和预设安全阈值求和计算得到；所述第二安全距离通过所述本车长度、所述当前障碍目标长度和预设安全阈值求和计算得到。

根据第二方面，本发明实施例提供了一种自适应速度规划装置，所述装置包括：碰撞检测单元，用于判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；跟车目标单元，用于从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，所述相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离；速度规划单元，用于基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，以控制本车按照所述速度控制方案行驶，所述状态参数包括速度、航向与位置。

根据第三方面，本发明实施例提供了一种域控制器，包括：感知处理单元、决策处理单元、控制处理单元和通信单元，所述感知处理单元、所述决策处理单元、所述控制处理单元和所述通信单元之间互相通信连接，所述决策处理单元中存储有计算机指令，所述决策处理单元通过执行所述计算机指令，从而执行第一方面任一项可选实施方式提供的方法。

根据第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行第一方面，或者第一方面任意一种可选实施方式中所述的方法。

本申请提供的技术方案，具有如下优点：

本申请提供的技术方案，针对多障碍的场景，本车通过雷达等感知设备感知到附近车辆等障碍目标时，首先判断感知到的障碍目标是否会在未来与本车发生碰撞，本车感知到的障碍目标可能已经位于本车的规划路径上，也可能会在未来切入本车规划路径，之后，本车从所有感知到会发生碰撞的障碍目标中选择当障碍目标位于本车路径上时与本车最近的一个，作为跟车目标，从而使本车进行自适应速度调控，在不碰撞跟车目标的情况下，同时避免了碰撞比跟车目标更远的其他目标。从而提高了多障碍场景，本车避障的成功率。

此外，在一实施例中，当本车按照规划的速度控制方案行驶时，还不断进行碰撞检测，考虑到本来不发生碰撞的其他车辆，很可能会在本车减速的过程中发生追尾或被追尾。因此，一旦本车重新判断出本车感知到的障碍目标与本车会在本车规划路径上发生新的碰撞事故，本车会返回跟车目标选取的步骤，重新选择跟车目标并重新生成新的速度控制方案，进而实现准确、可靠的多障碍避障功能。另外，在本申请的一个实施例中，不论发生碰撞与否，本车进行速度规划时，均引入本车规划路径上各路段的本车路径限速信息，从而在不超过上述本车路径限速信息、也不发生碰撞的条件下，使车速达到最高，节省行驶时间。

附图说明

通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，在附图中：

图1示出了本发明一个实施方式中一种自适应速度规划方法的步骤示意图；

图2示出了本发明一个实施方式中一种自适应速度规划方法的流程示意图；

图3示出了本发明一个实施方式中一种多障碍目标场景示意图；

图4示出了本发明一个实施方式中一种自适应速度规划装置的结构示意图；

图5示出了本发明一个实施方式中一种域控制器的结构示意图。

具体实施方式

为使本发明实施方式的目的、技术方案和优点更加清楚，下面将结合本发明实施方式中的附图，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施方式，都属于本发明保护的范围。

请参阅图1，在一个实施方式中，一种自适应速度规划方法，具体包括以下步骤：

步骤S101：判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞。

步骤S102：从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离。

步骤S103：基于本车与跟车目标的相对距离、本车的状态参数和跟车目标的状态参数规划出速度控制方案，以控制本车按照速度控制方案行驶，状态参数包括速度、航向与位置。

具体地，本发明实施例预先通过本车上的定位雷达、传感雷达、摄像头、信号采集器等感知设备获取本车的状态参数以及障碍目标的状态参数，包括但不限于本车与障碍目标的速度、航向、位置，本发明实施例还预先通过路径规划单元预先获取本车规划路径，对本车附近障碍目标的行驶路径也可通过上述感知设备与本车域控制器内的决策处理单元配合，进行实时预测得到。上述相关数据在本发明实施例中均视为已知，具体获取方法可参考现有技术，在此不再赘述。

基于此，本发明实施例通过上述本车的状态参数、获取的本车规划路径、预测的各个障碍目标的状态参数、预测的障碍目标的路径等数据，可以对本车与本车感知到的附近的障碍目标是否会发生碰撞进行判断(碰撞方式包括但不限于本车追尾障碍目标和障碍目标追尾本车，其中，本车以当前速度或者以稳定加速的方案行驶，能够安全超越障碍目标的场景也属于不会发生碰撞的情况)，若本车判断出有至少一个障碍目标会与本车发生碰撞，本车则进入自适应速度规划流程。在本车进入自适应速度规划流程后，首先分析当前会发生碰撞的车辆的数量，在实际应用场景中，障碍目标(假设是障碍车)可能已经在本车规划路径上行驶，也可能从旁边进行并线，未来会切入本车规划路径行驶。从而本实施例基于本车与障碍目标的相对距离(相对距离包括当前已经位于本车规划路径上的障碍目标和本车的距离，以及未来要切入本车规划路径的其他障碍目标切入点与本车的距离)，选定相对距离最近的障碍目标作为跟车目标，然后根据本车与跟车目标的相对距离、本车的状态参数和跟车目标的状态参数进行线性规划计算，以实现加速度以及速度的调控，从而生成在不碰撞跟车目标的条件下，速度最快的速度控制方案。按照上述速度控制方案进行行驶，在本车不与跟车目标碰撞的情况下，则其他相对距离较远、且可能发生碰撞的障碍目标也不会发生碰撞，从而大幅度提高了多障碍场景下智能汽车自动避障的稳定性和准确性。

具体地，在一实施例中，本发明实施例提供的一种自适应速度规划方法，还包括如下步骤：

步骤一：在本车按照速度控制方案行驶时，以第一预设时间重新判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞。

步骤二：若存在发生碰撞的障碍目标，则返回从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标的步骤。

具体地，在本实施例中，当本车按照规划的速度控制方案行驶时，考虑到本来不发生碰撞的其他车辆，很可能会在本车减速的过程中发生追尾或被追尾。因此，本车还不断以第一预设时间进行碰撞检测，一旦本车重新判断出本车感知到的障碍目标与本车会在本车规划路径上发生新的碰撞事故，本车会返回跟车目标选取的步骤，重新选择跟车目标并重新生成新的速度控制方案。本实施例将碰撞和追尾检测迭代进行，直至选出最优跟车目标，进而实现准确、可靠的多障碍避障功能。并且，相比传统基于凸优化理论寻找全局最优的速度规划方法有如下优势：本实施例提出的方法，为非凸优化，每次的迭代过程只需考虑局部最优，只有再次检测出碰撞时才重新进行速度规划，本实施提供的方法求解运算比现有技术简便，计算资源占用低。

具体地，在一实施例中，上述步骤S101，具体包括如下步骤：

步骤三：预测本车在本车规划路径上各个位置的航向，并预测当前障碍目标切入本车规划路径的切入点。

具体地，本车从感知设备获取各个障碍目标的状态参数以及其他相关信息，包括障碍目标的运动速度v_obs、航向θ_obs、位置(x_obs，y_obs)，以及本车的当前航向θ_ego，本车当前位置(x_ego，y_ego)，本车速度信息v_ego。然后，本实施例基于上述数据建立障碍目标预测轨迹方程：

y＝tanθ_obs*x+(y_obs-tanθ_obs*x_obs)

之后，从决策处理单元获取本车规划出的本车规划路径信息，包括各个时刻的位置坐标((x₀，y₀)，(x₁，y₁)，...，(x_n，y_n))，并通过多项式拟合获取本车规划路径表达式：

y＝a₀+a₁x+a₂x^z+…+a_kx^k

通过联立上述障碍目标预测轨迹方程和本车规划路径表达式，可计算出本车在本车规划路径上每点的航向θ1、障碍目标切入规划路径的时刻t_in，以及切入点位置(x_in，y_in)，s_in。

步骤四：预测当前障碍目标切入本车规划路径时，本车在本车规划路径上的行驶位置和行驶速度。

具体地，利用上述步骤三计算的切入点，可对应计算出当前障碍目标切入本车规划路径时，本车如果按照当前速度方案在本车规划路径上继续行驶对应的行驶位置和行驶速度。

步骤五：基于本车在本车规划路径上各个位置的航向，确定当前障碍目标在切入点上的切入速度。

具体地，利用上述步骤三计算出本车在本车规划路径上各个位置的航向，可以计算出障碍目标在切入点上的切入速度。其中障碍目标切入本车规划路径时与路径切线方向夹角为α₁＝θ_obs-θ1，之后计算障碍物在切入点s_in方向上(即切入点切线方向)的切入速度v_{obs_s}为：

v_{obs_s}＝v_obs*cosα₁

步骤六：利用碰撞检测距离、切入速度、行驶速度、本车长度以及当前障碍目标长度，确定本车是否会与当前障碍目标发生碰撞，碰撞检测距离是切入点与行驶位置之间的距离。

具体地，利用上述步骤三至步骤五计算得到的障碍目标的切入速度、本车的行驶速度、本车长度、当前障碍目标长度、障碍目标到达切入点时与本车对应行驶位置的距离(碰撞检测距离)进行安全距离的分析和判断，基本可以实现准确的碰撞检测(本实施例中的碰撞情况包括但不限于：本车追尾障碍目标；本车直接与障碍目标在切入时碰撞；本车在超越障碍目标之后，障碍目标切入本车规划路径再追尾本车)。与现有技术的碰撞检测方法相比算法更加简便，节省计算资源。

具体地，在本实施例中，步骤六具体包括如下步骤：

步骤七：当切入速度大于等于行驶速度时，判断碰撞检测距离是否不大于第一安全距离，若碰撞检测距离不大于第一安全距离则确定本车会与当前障碍目标发生碰撞；

步骤八：当切入速度小于行驶速度时，判断碰撞检测距离是否不大于第二安全距离，若碰撞检测距离不大于第二安全距离则确定本车会与当前障碍目标发生碰撞；其中，第一安全距离通过障碍目标减速到行驶速度时的第二减速距离、本车长度、当前障碍目标长度和预设安全阈值求和计算得到；第二安全距离通过本车长度、当前障碍目标长度和预设安全阈值求和计算得到。

具体地，上述步骤七与步骤八的碰撞检测判断过程，以如下具体公式描述：

若v_{obs_s}≥v_{ego_predict}，当

时，本车会和障碍目标发生碰撞或引起障碍目标追尾本车；

若v_{obs_s}＜v_{ego_predict}，当s_{ego_predict}-s_in≤k₂*L_EGO+k₃*L_obs+dis-safe时，本车会和障碍目标发生碰撞或引起障碍目标追尾本车；

式中，k₂、k₃、k₄是算法应用时配置的比例参数，dis-safe为算法应用时配置的预设安全阈值，可根据实际情况调整。v_{obs_s}为障碍目标的切入速度，L_EGO为本车长度，L_obs为障碍目标长度，v_{ego_predict}为障碍目标切入本车规划路径时，本车对应的行驶速度；s_{ego_predict}为障碍目标切入本车规划路径时，本车对应的行驶位置；s_in为障碍目标的切入位置；s_{ego_predict}-s_in即障碍目标切入本车规划路径时与本车的距离(碰撞检测距离)；

用于表征当障碍目标比本车运动快时，障碍目标减速到本车速度且达到本车速度时与本车距离为零，所需要的第二减速距离。可见，本实施例判断障碍目标是否与本车发生碰撞的算法只需将碰撞检测距离与两种安全距离的进行简单比较，在保证碰撞检测准确率的前提下，降低算法复杂度，提高整体算法计算效率。

具体地，在一实施例中，上述步骤S103，具体包括如下步骤：

步骤九：基于本车的当前状态参数和跟车目标当前预测的状态参数计算本车与跟车目标的相对速度。

步骤十：基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；

步骤十一：利用本车与跟车目标的相对距离、本车与跟车目标的相对速度、期望车速和本车的当前车速进行线性规划计算，输出第一加速度控制量；

步骤十二：利用第一加速度控制量计算本车在第二预设时间之后的本车预测状态参数；

步骤十三：将本车预测状态参数作为本车的当前状态参数，将跟车目标第二预设之间之后预测的状态参数作为跟车目标当前预测的状态参数，返回步骤九，进行迭代计算；

步骤十四：基于各次迭代得到的本车预测状态参数生成速度控制方案。

具体地，在本实施例中，当本车确定了跟车目标之后，根据感知设备实时获取的本车状态参数和预先预测的跟车目标的状态参数，可以计算出本车与跟车目标的相对速度。此外，本发明实施例为了满足不碰撞以及不超过本车规划路径上各段道路限速的双重条件，使得本车车速达到最优，还基于本车的当前状态参数和本车路径限速信息确定本车的期望车速。然后，利用本车与跟车目标的相对距离、本车与跟车目标的相对速度、期望车速和本车的当前车速进行线性规划计算，输出第二预设时间之后(例如下一时刻)的第一加速度控制量，之后利用第一加速度控制量计算本车在第二预设时间之后的本车预测状态参数，即下一时刻的车速、位置、航向等。具体公式如下：

式中，x和y表征汽车的方向位置变化，s表示本车所处位置到本车规划路径起点的距离，T表示第二预设时间。

步骤十一涉及到的线性规划计算过程可通过滑模、插值表、PID等算法实现，输出结果使用本车最大加速度约束和本车最大减速度约束限制加速度控制量，线性规划计算的具体数学运算过程为现有技术，在此不再赘述。然后，将下一时刻的加速度控制量和预测状态参数作为输入值返回步骤九，迭代计算下一时刻再下一时刻的加速度控制量和预测状态参数，从而基于反复迭代的结果生成速度控制方案(s_0，s₁......s_t)，(v_0，v₁......v_t)，(a_0，a₁......a_t)。本实施例速度规划算法原理简便，计算量小，易于实现。

需要注意的是，本实施例考虑到由于车辆自身硬件的原因，通常具有响应延时，本实施例在计算本车的预测状态参数之前，还将第一加速度控制量输入一阶惯性环节(惯性环节-纵向运动学模型)模拟车辆响应延时，从而获取车辆实际响应的加速度，并按照车辆实际响应的加速度计算本车的预测状态参数，进一步提高了本车响应速度规划结果时的准确性，提高避障成功率。本实施例提出的一阶惯性环节模型如下：

式中，u表示第一加速度控制量(同理，u还可以应用于无障碍时计算的第二加速度控制量)，a_t-1表示上一时刻的实际响应的加速度，a_t表示当前时刻的实际响应的加速度，

可转换为

的形式，ts表示惯性时间常数。

最后，选取速度规划方案中第k个时刻参考加速度，经过预先标定的关系表转化为刹车、油门控制量实现无人驾驶速度规划和纵向控制；本发明实施例基于实时控制论，第1时刻的参考加速度即基于当前真实车辆状态计算出的控制量；从第2时刻开始均为惯性环节-纵向运动学模型迭代出来的控制量，一般情况下直接使用实时控制量即可(即第1时刻)，在实际车辆调试时也可使用第k个参考加速度控制，用于作为补偿***响应延时的手段。

具体地，在一实施例中，本发明实施例提供的自适应速度规划方法，还包括如下步骤：

步骤十五：若本车感知到的障碍目标与本车在本车规划路径上均不会发生碰撞时，基于本车规划路径上的限速信息对本车进行速度规划。

具体地，在本实施例中，当本车感知到的障碍目标与本车均不会发生碰撞，本车则进入定速规划流程，定速规划流程则不考虑碰撞情况，只基于本车规划路径上的限速信息进行线性规划计算，从而在不超过各路段限速值的情况下，达到最优车速。具体规划步骤如下：

1.基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；

2.基于本车与下一限速点之间的距离、期望车速和本车的当前车速计算本车的第二加速度控制量；

3.利用第二加速度控制量计算本车在第二预设时间之后的本车预测状态参数；

4.将本车预测状态参数作为本车的当前状态参数，返回步骤1，进行迭代计算；

5.基于各次迭代得到的本车预测状态参数生成定速控制方案，以控制本车按照定速控制方案行驶。

具体地，生成定速控制方案的具体步骤与上述自适应速度规划流程中生成速度控制方案的步骤类似，区别在于定速控制方案的线性规划计算过程无需考虑障碍目标，无需引入相对速度等参数。其他步骤描述参考上述步骤九至步骤十四的相关描述，在此不再赘述。

需要注意的是，在定速控制方案中，同样考虑车辆硬件自身因素带来的响应延时，从而引入一阶惯性环节模型对第二加速度控制量进行调整。另外，在本车按照定速控制方案行驶过程中，本车同样以第一预设时间进行碰撞检测，若发现能够碰撞的障碍目标，则返回上述步骤S102，进行自适应速度规划。

具体地，在一实施例中，上述步骤十以及步骤1，具体包括如下步骤：

步骤十六：基于本车的当前状态参数和本车路径限速信息计算待行驶距离和第一减速距离，待行驶距离是本车与下一限速点之间的距离，第一减速距离是在本车的当前车速高于下一限速点的限速值时减速所需要的距离；

步骤十七：当满足第一情况或第二情况时，期望车速等于下一限速点的限速值，当满足第三情况或第四情况时，期望车速等于当前限速值。其中，第一情况是下一限速点的限速值不小于本车的当前车速，并且待行驶距离不大于零；第二情况是下一限速点的限速值小于本车的当前车速，并且待行驶距离与第一减速距离的差小于预设阈值；第三情况是下一限速点的限速值不小于本车的当前车速，并且待行驶距离大于零；第四情况是下一限速点的限速值小于本车的当前车速，并且待行驶距离与第一减速距离的差不小于预设阈值。

具体地，在本实施例中，基于本车规划路径各个路段的限速信息生成期望车速的总结为：

若下一个限速点比本车当前速度慢，需要根据限速值计算基于当前减速度从当前车速减速到限速值需要的第一减速距离，并判断：如果本车到下一限速点的待行驶距离刚好等于或小于第一减速距离时，就要把定速巡航的期望车速更改为下一个限速值，并开始减速，确保到达限速点时减速到位；反之，下一个限速点速度比当前速度大时，则要到达限速点再开始加速，避免提前加速超过当前路段限速。

计算期望车速的表达式如下：

dis＝s_{hext_limit}-s_now

dis_need＝k*(v_{next_limit} ²-v_ego ²)/(2*a_min)

式中，dis为待行驶距离，s_{next_limit}为下一限速点的位置，s_now为本车当前位置，dis_need是第一减速距离，v_ego是本车当前车速，v_{next_limit}是下一限速点的限速值，a_min是最大减速度约束。

式中，v_des为期望车速，

是当前限速值，k₁是限速位置调整值，用于衡量待行驶距离和第一减速距离之间的差值，通常为0，但是实际应用时，公式并没有那么精确，所以调试时根据实际情况调整k₁值，例如改为1，意味在第一减速距离基础上提前1m开始减速。

具体地，如图2和图3所示，在一实际应用场景实施例中，对上述步骤，进一步解释如下：

本车的本车规划路径、各个时刻的车速、航向、位置均是已知的，本车可以通过感知设备感知附近的障碍目标，障碍目标包括但不限于汽车、行人和路障。本车可以通过决策处理单元预测障碍目标各个时刻的速度、航向和位置。

基于此，本车在行驶的过程中，以第一预设时间不断进行障碍目标检测，如果没有检测到障碍目标，则执行定速规划流程，本车按照上述步骤十五的方法，结合本车路径上各个路段的限速信息计算本车各个时刻的期望车速，然后在不超过期望车速的条件下，进行本车的速度规划，并且在速度规划的计算过程中，引入一阶惯性环节模型，避免由于车辆自身硬件的响应延时导致输出的加速度控制量不准确。如果感知到附近出现障碍目标，首先判断本车与各个障碍目标是否会发生碰撞，如果检测到会与一个或多个障碍目标发生碰撞，本车则进入自适应速度规划流程，本车从各个障碍目标中选出相对距离最近的障碍目标，并将该障碍目标作为跟车目标计算相对速度，然后利用相对距离、相对速度、期望车速、本车与障碍目标的状态参数进行线性规划计算，得到即不碰撞也不超速的最优速度运行曲线，即速度规划方案，在本车按照速度规划方案行驶的过程中，本车依然不断进行碰撞检测，以免原先不碰撞的障碍目标在本车减速的过程中发生新的碰撞，一旦本车检测到新的碰撞目标，则从新的碰撞目标中重新选取跟车目标，并进行速度规划，在上述反复迭代的过程中，输出最优的速度控制方案。

本发明实施例把自适应控制方法应用到无人驾驶速度规划领域，提出了一套基于自适应控制的速度规划方法，可实现起步、跟车、停车、定速巡航功能。同时相对传统基于凸优化理论的速度规划方法，本发明实施例提供的技术方案无复杂求解运算，计算资源占用低；基于实时控制理论，无求解失败问题；速度规划结果无需二次平滑处理；规划控制一体化设计，精简算法结构。在引入障碍物预测信息基础上，还引入路径规划信息和全局限速信息作为速度规划先验信息进一步提高速度规划的实用性。考虑了控制器响应约束和车辆指令执行延时问题，本发明实施例建立了惯性环节-纵向运动学模型模拟车辆实时响应反馈，在预测周期内输出控制量经过惯性环节-纵向运动学模型反馈生成下一时刻状态量，进而迭代预测出本车未来的状态参数，可以为碰撞检测提供更准确的依据，避免控制器误响应，影响控制效果；本实施例通过迭代碰撞检测直至选出最优跟车目标，考虑了超越即将进入行驶轨迹的障碍目标后，可能导致障碍目标车追尾本车的问题。

如图4所示，本实施例还提供了一种自适应速度规划装置，该装置包括：

碰撞检测单元101，用于判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞。详细内容参见上述方法实施例中步骤S101的相关描述，在此不再进行赘述。

跟车目标单元102，用于从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离。详细内容参见上述方法实施例中步骤S102的相关描述，在此不再进行赘述。

速度规划单元103，用于基于本车与跟车目标的相对距离、本车的状态参数和跟车目标的状态参数规划出速度控制方案，以控制本车按照速度控制方案行驶，状态参数包括速度、航向与位置。详细内容参见上述方法实施例中步骤S103的相关描述，在此不再进行赘述。

本发明实施例提供的自适应速度规划装置，用于执行上述实施例提供的自适应速度规划方法，其实现方式与原理相同，详细内容参见上述方法实施例的相关描述，不再赘述。

图5示出了本发明实施例的一种域控制器，该域控制器至少包括感知处理单元901、决策处理单元902、控制处理单元903和通信单元904，其中感知处理单元901、决策处理单元902、控制处理单元903和通信单元904之间可以通过总线或者其他方式互相通信连接，图5中以总线方式为例。

在本实施例中，感知处理单元901和决策处理单元902分别包括独立的处理器，感知处理单元901和决策处理单元902可以分别包括独立的存储器，也可以使用共享的存储器。

在本发明实施例中，感知处理单元901主要应用于工程机械场景，主要作用为：对从摄像头获取的图像数据进行感知融合处理，得到当前工程机械所处环境的环境信息，然后根据环境信息信号的数据类型将环境信息发送至控制处理单元903或者决策处理单元902。

决策处理单元902主要用于结合周边环境、作业场景、车辆状态等信息融合之后，制定驾驶或作业策略，最终发出控制命令。通信单元904的主要用于与云端服务器进行通信，将设备相关状态以及信息上传到云端服务，请求云端服务器协助计算处理。控制处理单元903主要用于信号之间通信协议的转换。

本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，实现的程序可存储于一计算机可读取存储介质中，通过决策处理单元902执行，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-State Drive，SSD)等；存储介质还可以包括上述种类的存储器的组合。

由于决策处理单元902的计算任务比较繁重，尤其涉及到人工智能、神经网络、数据训练的处理，在本实施例中，决策处理的过程还可以借助云端的计算资源来完成。换言之，存储上述方法实施例中的方法所对应的程序指令/模块的存储介质的位置包括域控制器和云服务器，云服务器中接收到域控制器发送的相关图像数据，然后通过运行存储在云服务器的存储介质中的可执行程序，实现上述方法实施例中场景图像特征提取的方法。在本实施例中，云服务可以是中心服务器，也可以是边缘服务器。

虽然结合附图描述了本发明的实施例，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (11)

1.一种自适应速度规划方法，其特征在于，所述方法包括：

判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；

从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，所述相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离；

基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，以控制本车按照所述速度控制方案行驶，所述状态参数包括速度、航向与位置。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

在本车按照所述速度控制方案行驶时，以第一预设时间重新判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；

若存在发生碰撞的障碍目标，则返回所述从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标的步骤。

3.根据权利要求1所述的方法，其特征在于，所述判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞，包括：

预测本车在本车规划路径上各个位置的航向，并预测当前障碍目标切入所述本车规划路径的切入点；

预测所述当前障碍目标切入本车规划路径时，本车在本车规划路径上的行驶位置和行驶速度；

基于所述本车在本车规划路径上各个位置的航向，确定当前障碍目标在所述切入点上的切入速度；

利用碰撞检测距离、所述切入速度、所述行驶速度、本车长度以及当前障碍目标长度，确定本车是否会与当前障碍目标发生碰撞，所述碰撞检测距离是所述切入点与所述行驶位置之间的距离。

4.根据权利要求1所述的方法，其特征在于，所述基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，包括：

基于本车的当前状态参数和跟车目标当前预测的状态参数计算本车与所述跟车目标的相对速度；

基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；

利用所述本车与所述跟车目标的相对距离、所述本车与所述跟车目标的相对速度、所述期望车速和本车的当前车速进行线性规划计算，输出第一加速度控制量；

利用所述第一加速度控制量计算本车在第二预设时间之后的本车预测状态参数；

将所述本车预测状态参数作为所述本车的当前状态参数，将跟车目标第二预设时间之后预测的状态参数作为所述跟车目标当前预测的状态参数，返回所述基于本车的当前状态参数和跟车目标当前预测的状态参数计算本车与所述跟车目标的相对速度的步骤，进行迭代计算；

基于各次迭代得到的本车预测状态参数生成所述速度控制方案。

5.根据权利要求1所述的方法，其特征在于，若本车感知到的障碍目标与本车在本车规划路径上均不会发生碰撞时，所述方法还包括：

基于本车规划路径上的本车路径限速信息对本车进行速度规划。

6.根据权利要求5所述的方法，其特征在于，所述基于本车规划路径上的本车路径限速信息对本车进行速度规划，包括：

基于本车的当前状态参数和本车路径限速信息确定本车的期望车速；

基于本车与下一限速点之间的距离、所述期望车速和本车的当前车速计算本车的第二加速度控制量；

利用所述第二加速度控制量计算本车在第二预设时间之后的本车预测状态参数；

将所述本车预测状态参数作为所述本车的当前状态参数，返回所述基于本车的当前状态参数和本车路径限速信息确定本车的期望车速的步骤，进行迭代计算；

基于各次迭代得到的本车预测状态参数生成定速控制方案，以控制本车按照所述定速控制方案行驶。

7.根据权利要求4或6所述的方法，其特征在于，所述基于本车的当前状态参数和本车路径限速信息确定本车的期望车速，包括：

基于本车的当前状态参数和本车路径限速信息计算待行驶距离和第一减速距离，所述待行驶距离是本车与下一限速点之间的距离，所述第一减速距离是在本车的当前车速高于下一限速点的限速值时减速所需要的距离；

当满足第一情况或第二情况时，所述期望车速等于下一限速点的限速值，当满足第三情况或第四情况时，所述期望车速等于当前限速值；

其中，所述第一情况是下一限速点的限速值不小于本车的当前车速，并且所述待行驶距离不大于零；所述第二情况是下一限速点的限速值小于本车的当前车速，并且所述待行驶距离与所述第一减速距离的差小于预设阈值；所述第三情况是下一限速点的限速值不小于本车的当前车速，并且所述待行驶距离大于零；所述第四情况是下一限速点的限速值小于本车的当前车速，并且所述待行驶距离与所述第一减速距离的差不小于预设阈值。

8.根据权利要求3所述的方法，其特征在于，所述利用碰撞检测距离、所述切入速度、所述行驶速度、本车长度以及当前障碍目标长度，确定本车是否会与当前障碍目标发生碰撞，包括：

当所述切入速度大于等于所述行驶速度时，判断所述碰撞检测距离是否不大于第一安全距离，若所述碰撞检测距离不大于第一安全距离则确定本车会与当前障碍目标发生碰撞；

当所述切入速度小于所述行驶速度时，判断所述碰撞检测距离是否不大于第二安全距离，若所述碰撞检测距离不大于第二安全距离则确定本车会与当前障碍目标发生碰撞；

其中，所述第一安全距离通过所述障碍目标减速到所述行驶速度时的第二减速距离、所述本车长度、所述当前障碍目标长度和预设安全阈值求和计算得到；所述第二安全距离通过所述本车长度、所述当前障碍目标长度和预设安全阈值求和计算得到。

9.一种自适应速度规划装置，其特征在于，所述装置包括：

碰撞检测单元，用于判断本车感知到的障碍目标与本车是否会在本车规划路径上发生碰撞；

跟车目标单元，用于从会发生碰撞的障碍目标中选择相对距离最近的障碍目标作为跟车目标，所述相对距离是在各个障碍目标位于本车规划路径上时与本车当前位置的距离；

速度规划单元，用于基于本车与所述跟车目标的相对距离、本车的状态参数和所述跟车目标的状态参数规划出速度控制方案，以控制本车按照所述速度控制方案行驶，所述状态参数包括速度、航向与位置。

10.一种域控制器，其特征在于，包括：

感知处理单元、决策处理单元、控制处理单元和通信单元，所述感知处理单元、所述决策处理单元、所述控制处理单元和所述通信单元之间互相通信连接，所述决策处理单元中存储有计算机指令，所述决策处理单元通过执行所述计算机指令，从而执行如权利要求1-8任一项所述的方法。

11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机从而执行如权利要求1-8任一项所述的方法。

Images