CN115712950A - 一种用于半拖挂汽车的自动驾驶决策方法 - Google Patents
一种用于半拖挂汽车的自动驾驶决策方法 Download PDFInfo
- Publication number
- CN115712950A CN115712950A CN202211045085.6A CN202211045085A CN115712950A CN 115712950 A CN115712950 A CN 115712950A CN 202211045085 A CN202211045085 A CN 202211045085A CN 115712950 A CN115712950 A CN 115712950A
- Authority
- CN
- China
- Prior art keywords
- trailer
- semi
- vehicle
- motion state
- motion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种用于半拖挂汽车的自动驾驶决策方法,包括:获取半拖挂汽车的当前运动状态,基于半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间;基于周围交通环境信息缩小所述全部运动状态空间的范围;计算半拖挂汽车的行驶性能;基于行驶性能在所述全部运动状态空间中优选一种未来运动状态作为半拖挂汽车的未来行驶目标。本发明在运动预测、运动稳定性分析、行驶性能分析中都针对半拖挂汽车进行建模,保证了本策略模型对于半拖挂汽车的适用性,采用逐层缩减目标运动状态空间有效避免了多目标决策结果的不连续性,同时采用多层次双指标优化方法降低了对硬件***性能的依赖性。
Description
技术领域
本发明属于汽车自动控制技术领域,特别是涉及一种用于半拖挂汽车的自动驾驶决策方法。
背景技术
当前汽车工业发展的重要方向之一是智能化,业界普遍认为商用车自动驾驶将会率先落地。随着无人驾驶技术不断进步,单体式乘用车在面向基本场景的辅助驾驶技术商业化已经取得了成功,而拖挂式商用车由于运动过程更复杂,行驶稳定性低等原因,其自动驾驶技术仍需要对一些难点问题进行探索与攻克。其中,考虑行驶稳定性的拖挂汽车方向与速度综合决策是当前拖挂式汽车自动驾驶的难点问题之一。
关于无人驾驶汽车的决策与控制,申请号为201110007154.X的发明专利提出了一种无人驾驶汽车局部路径规划的装置及方法,该发明引用力学场图的方法确定未来可选择的行驶轨迹。该方法将交通规则、静态物体、动态物体、抽象事件统一考虑,提高了问题的复杂性,难以获得较为理想的决策效果。
申请号为201410221906.6的发明专利中描述了一种具有社会行为交互的无人驾驶汽车控制***,该发明将采用隐马尔科夫模型判断其他车辆的行驶意图,在此基础上进行本车最优轨迹决策。该方法需要对每个邻近交通车辆建立隐马尔可夫模型,由于实际中相邻车辆难于长时间跟踪,所建立的模型精度难以保证。
申请号为201810007699.2的发明专利中描述了一种无人驾驶汽车驾驶任务决策***及方法,该发明加入了对驾驶任务集合中的所有任务进行规则性评判,去掉驾驶任务中不符合交通规则的、不安全的以及和导航引导的方向不符的驾驶任务,以保证车辆行驶的安全性和合法性及高效性。所提出方法没有对大型多体商用汽车进行针对性设计,仅适合小型单体汽车即乘用轿车应用。
发明内容
本发明的目的是提供一种用于半拖挂汽车的自动驾驶决策方法,以解决上述现有技术存在的问题。
为实现上述目的,本发明提供了一种用于半拖挂汽车的自动驾驶决策方法,包括:
获取半拖挂汽车的当前运动状态,基于所述半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间;
基于周围交通环境信息缩小所述全部运动状态空间的范围;
计算半拖挂汽车的行驶性能;
基于所述行驶性能在所述全部运动状态空间中优选一种未来运动状态作为半拖挂汽车的未来行驶目标。
可选地,基于半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间的过程包括:
基于半拖挂汽车的轮距轴距分析横摆角速度变化范围,基于半拖挂汽车的动力规格分析加速度变化范围;
基于所述当前运动状态,分析半拖挂汽车下一时刻的横摆角速度加速度变化范围;
对半拖挂汽车下一时刻的横摆角速度加速度变化范围进行均匀离散化,对每一种横摆角速度和加速度进行正交组合获取未来运动状态,基于所述未来运动状态获取全部运动状态空间。
可选地,基于半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间的过程还包括:
基于半拖挂汽车的纵向加速度与横摆角速度构建运动学模型,基于所述运动学模型获取半拖挂汽车的运动状态;
基于所述运动状态与正交组合的结果获取未来运动状态,基于所述未来运动状态进行半拖挂汽车的运动失效分析;
基于所述运动失效分析的结果对所述全部运动状态空间中可能导致运动失效的未来运动状态进行排除。
可选地,基于所述未来运动状态进行半拖挂汽车的运动失效分析的过程包括:
基于挂车质心与挂车轴、第五轮的距离以及轮距、到侧倾轴线的距离、拖车簧载质量、挂车总质量、侧向加速度、车身侧倾角计算拖车和挂车的横向载荷转移率;基于半拖挂汽车的运动特性与所述横向载荷转移率判断是否将要侧翻,获取侧翻分析结果;
基于拖车的横摆角速度与挂车的横摆角速度对半拖挂汽车的甩尾和折叠问题进行分析,获取甩尾折叠分析结果;
基于所述侧翻分析结果与所述甩尾折叠分析结果获取运动失效分析的结果。
可选地,基于周围交通环境信息缩小所述全部运动状态空间的范围的过程包括:
基于本车位置、速度,采用环境感知获取车道标线位置和线型以及限速标志、交通灯状态,对半拖挂汽车的违法性问题进行分析;
基于本车运动状态,采用环境感知获取道路边界以及其他交通参与物运动状态,对半拖挂汽车的危险性问题进行分析。
可选地,采用环境感知获取道路边界以及其他交通参与物运动状态的过程包括:
将拖车与挂车相邻数帧的预测结果经过多边形相连形成车辆轨迹包络,基于所述车辆轨迹包络,获取道路边界,基于所述道路边界进行车辆超出道路边界分析;
基于半拖挂汽车的车形外接圆进行外接圆粗糙碰撞检测,获取其他交通参与物运动状态,对车辆碰撞进行分析。
可选地,所述半拖挂汽车的行驶性能包括跟随性能和行驶效率,所述跟随性能包括位置跟随性和方向跟随性,所述行驶效率包括功效性和舒适性。
可选地,计算半拖挂汽车的行驶性能的过程包括:
基于拖车与挂车运动轨迹末状态对应的质心位置到推荐路径的距离获取所述位置跟随性;
基于拖车与挂车运动轨迹末状态对应的方向与推荐路径的夹角获取所述方向跟随性;
基于拖车运动轨迹末状态的纵向速度、推荐车速以及最大纵向速度和最小纵向速度获取所述功效性;
基于拖车预瞄纵向加速度与横摆角速度、当前时刻拖车的纵向加速度与横摆角速度、拖车预瞄纵向加速度与横摆角速度的最大值获取所述舒适性。
可选地,基于所述行驶性能在所述全部运动状态空间中优选一种未来运动状态作为半拖挂汽车的未来行驶目标的过程包括:
采用分层二项优选方法分别进行位置跟随性、方向跟随性、功效性、舒适性的二值寻优;
将位置跟随性、方向跟随性的二值寻优结果合并为最优路径跟随性,将功效性、舒适性二值寻优结果合并为最优行驶效率;
将所述最优路径跟随性和所述最优行驶效率二值寻优合并为最优性能,基于所述最优性能确定半拖挂汽车的未来行驶目标
本发明的技术效果为:
1、本发明在运动预测、运动稳定性分析、行驶性能分析中都针对半拖挂汽车进行建模,保证了本策略模型对于半拖挂汽车的适用性。
2、本发明采用逐层缩减目标运动状态空间,最终进行优选的决策方式,有效避免了多目标决策结果的不连续性,保证了车辆稳定行驶。
3、本发明的性能分析优选中采用多层次双指标优化方法:首先,每次优化仅确定一个权值,避免了多指标同时优化权值难于确定的技术问题;其次,每个层次的优化方法相同,提高了代买复用率,降低了本方法运行对硬件***性能的依赖性。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本发明实施例中的用于半拖挂汽车的自动驾驶决策方法流程图;
图2为本发明实施例中的半拖挂汽车运动学模型图;
图3为本发明实施例中的半拖挂汽车运动预测效果图;
图4为本发明实施例中的预期行驶区域的合法性判定示意图;
图5为本发明实施例中的多边形相连形成的多个拖车轨迹包络示意图;
图6为本发明实施例中的车形外接圆粗糙碰撞检测示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
实施例一
如图2-6所示,本实施例中提供一种用于半拖挂汽车的自动驾驶决策方法,包括以下步骤:
步骤一、可到达空间分析:根据被控车辆的动力学特性以及当前运动状态,分析下一决策周期本车可能实现的所有运动状态空间,即可到达空间。
步骤二、可行驶空间分析:根据周围交通环境信息,在可到达空间的基础上排除导致车辆进入不可行驶地区的运动状态,进一步缩小运动状态空间。
步骤三、行驶性能分析:综合考虑车辆行驶性能,在运动状态空间中优选决策某一种运动状态,作为本车未来行驶目标,从决策策略输出。
为实现未来行驶目标决策,本模型在执行前须获得基于目的地点和到达时间所规划出来的宏观路径及速度分布方案。
为实现未来行驶目标决策,在步骤一中,首先进行机动性分析,其方法为:首先依据本车的轮距轴距进行横摆角速度变化范围分析,依据本车动力规格进行加速度变化范围分析;其次,基于当前车辆运动状态,分析在下一决策周期中本车横摆角速度和加速度可能变化范围;最后,均匀离散化上述变化范围,正交组合每一种横摆角速度和加速度作为车辆未来的一种运动状态,形成初始运动状态空间。
为实现未来行驶目标决策,在步骤一中,在初始运动状态空间基础上,需要排除可能导致车辆运动失效(如侧翻、甩尾、折叠)的运动状态,其方法为:
首先,建立本车(半拖挂汽车)的运动学模型(图2),如下式所示,该模型的输入为拖车的纵向加速度ah和横摆角速度ωh,输出为拖车与拖挂车铰接点位置xh,yh,拖车速度vh,拖车航向角挂车后轴中心点位置xt,yt,挂车航向角合称为车辆运动状态
针对车辆侧翻问题分析,如下式计算拖车和挂车的横向载荷转移率R1和R2,根据半拖挂汽车的运动特性,若R1>0.6或R2>0.7,则判定为侧翻失效。其中,d和e分别为挂车质心与挂车轴、第五轮的距离,g为重力加速度。T1和T2分别为拖车和挂车的轮距。h1与h2分别为拖车和挂车到侧倾轴线的距离。m1s为拖车簧载质量,m2为挂车总质量。aym1和aym2为分别为拖车与挂车的侧向加速度,与为拖车与挂车车身侧倾角。
针对车辆甩尾和折叠问题分析,由于甩尾可以看作挂车相对于转向中心向外侧滑,折叠可以看作挂车相对于转向中心向内侧滑,故二者统一用下式进行分析。其中为铰接角绝对值的约束。对拖车与挂车之间的铰接角进行限制可间接避免在两结构单元在运动过程中发生机械碰撞。为拖车的横摆角速度,为挂车的横摆角速度,为铰接角横摆角速度绝对值的约束。对拖车与挂车之间的铰接角速度之差进行限制可降低造成拖车后轴轮胎侧向力饱和或挂车车轴的侧向力饱和的概率,从而降低发生折叠与甩尾摆振失稳的可能。
最后,将排除掉上述可能导致失效的运动状态后的运动状态空间中所有运动状态对应的空间位置xh,yh,xt,yt集合,作为可达空间。
为实现未来行驶目标决策,在步骤二中,对于可达空间中每一个位置点,需要同时进行违法性和违法性判断并排除,形成可行空间,以保证车辆能够安全、合法行驶。其方法如下:
针对车辆违法性问题分析,主要违法形式为越线违法和超速违法,分别通过本车位置和速度与环境感知获得的车道标线位置和线型以及限速标志、交通灯状态进行对比确定。其特征为:采用如下多项式形式描述车道标线,采用双矩形包围盒描述本车,以减少计算量。合法性判断如图4所示。
y=A3x3+A2x2+A1x+A0
针对车辆危险性问题分析,主要有超出道路边界和与其他交通参与物碰撞两种危险形式,分别通过本车运动状态与环境感知获得的道路边界以及其他交通参与物运动状态进行对比确定。为进一步保证安全性,道路边界以及其他交通参与物运动状态应乘以安全系数后进行分析。其特征为:为进一步降低计算量,将拖车与挂车相邻数帧的预测结果经过多边形相连形成车辆轨迹包络,即整段车辆轨迹由数段轨迹包络组成,进行道路边界越界分析如图5所示;通过车形外接圆进行粗糙碰撞检测,外接圆粗糙碰撞检测首先分别对需要进行计算的两车辆轨迹包络取尾帧车辆的左右前角点与头帧车辆的左右后角点组成矩形,由于矩形较为狭长,因此需要以多个圆形包围矩形,如图6所示,然后分别计算圆心的距离与与相应的半径之和,若前者大于后者时,该时段轨迹包络不发生碰撞,反之则发生碰撞。
为实现未来行驶目标决策,在步骤三中,通过如下指标对所有可行空间内位置进行评估,选取最优值为目标位置-运动状态。第一层次指标为跟随性能和行驶效率:
跟随性能包括两个子性能,分别为位置跟随性和方向跟随性:
位置跟随性体现所评估位置-运动状态与预先规划的宏观路径的位置符合程度:
式中,dh,ep为轨迹末状态对应的拖车车辆质心位置到推荐路径的距离,dt,ep为轨迹末状态对应的挂车车辆质心位置到推荐路径的距离。min与max分别表示取最大值与最小值。
方向跟随性体现所评估位置-运动状态与预先规划的宏观路径的切向方向的符合程度:
式中,θh为轨迹末状态对应的拖车车辆方向与推荐路径的夹角,θt为轨迹末状态对应的挂车车辆方向与推荐路径的夹角。min与max分别表示取最大值与最小值。
行驶效率包括两个子性能,分别为功效性和舒适性:
功效性体现所评估位置-运动状态令驾驶任务完成的快慢,主要考虑在预期车速与道路限速之间的平衡能力:
式中,up为轨迹末状态对应的拖车纵向速度,uep为推荐车速,up,max,up,min分别代表轨迹簇末状态中拖车的最大纵向速度和最小纵向速度。
舒适性体现所评估位置-运动状态令车内人员的身心舒适程度,主要考虑车辆的加速度与与横摆角速度变化量与人类承受能力的比值。
式中,Jh,lon为纵向舒适度评价指标,ax,p为拖车预瞄纵向加速度,ax为当前时刻拖车的纵向加速度,ax,pmax为拖车预瞄纵向加速度的最大值;Jh,lat为侧向舒适度评价指标,rhp为拖车预瞄横摆角速度,rh为当前时刻拖车的横摆角速度,rh,pmax为拖车预瞄横摆角速度的最大值。
采用分层二项优选方法,逐层进行优选:第一层,分别进行位置跟随性、方向跟随性、功效性、舒适性的二值寻优;第二层,将位置、速度跟随性二值寻优合并为路径跟随性最优,将功效性、舒适性二值寻优合并为行驶效率最优;第三层,将路径跟随性和行驶效率二值寻优合并为性能最优,最终优选确定未来行驶目标。二值寻优方法其特点在于:每次二值比较,只确定一个权值,避免多权值同时确定没有方法支持;多层次采用相同方法寻优,既保证方法稳定性又提高了代码复用率,降低对硬件计算和存储单元的依赖。二值寻优方法如下式所示,X*为本模型最终输出结果,用于指导车辆运动控制单元工作,以实现自动驾驶功能:
x*=argmin(J)=argmin[λ·J1+(1-λ)·J2]
本模型采用了可到达空间分析、可行驶空间分析逐层缩减目标运动状态空间,最终通过行驶性能分析优选决策未来运动状态的策略,实现了自动驾驶***中的运动决策功能。通过引入半拖挂汽车运动学模型令运动预测更加准确,加入侧翻、甩尾和折叠等半拖挂汽车典型运动失效形式的分析,保证了运动的稳定性。性能分析中同时考虑拖车和挂车的行为,对跟随性能和行驶效率进行综合评价,保证汽车兼顾实现宏观规划目标的同时合理驾驶汽车。
实施例二
如图1所示,本实施例中提供一种用于半拖挂汽车的自动驾驶决策方法的应用实例,包括:
步骤0,准备工作:在车辆行驶之前,基于行驶目的地和时间要求完成宏观路径和速度或事件分配的规划,并需要将被控车辆的轮距、轴距及动力规格输入***;在车辆开始行驶后,实时向***输入交通信号、道路边界、交通参与物的感知结果,同时向***实时反馈本车的运动状态。
步骤1,原始机动能力分析:基于本车轮距、轴距及动力规格,分析本车合适的加、减速度和横摆角速度变化范围。
步骤2,当前机动能力分析:基于实0时反馈的当前车辆运动状态,分析未来一个控制周期内可能的加、减速度和横摆角速度变化范围,并对其进行等间隔离散,正交组合每个加/减速度和横摆角速度,形成原始运动状态空间。
步骤3,建立半拖挂汽车运动学模型,针对原始运动状态空间中的每组运动状态预测其未来轨迹和姿态,并分别进行侧翻、甩尾和折叠等运动失效形式判断,剔除可能导致失效的运动状态,形成可到达空间。
步骤4,对可到达空间中的每组运动状态分别进行违法性判断和危险性判断,其中违法性判断包含位置导致的超越车道标线违法和速度导致的超速违法,危险性包含超越道路物理边界的危险和与其他交通参与物的碰撞危险,剔除可能导致违法和危险的运动状态,从而缩小可到达空间,形成可行驶空间。
步骤5,对可行驶空间中的每组运动状态分别进行行驶性能评价,评价分三个层次进行:第一层次分别进行拖车和挂车位置与宏观路径接近程度的位置评价,拖车和挂车航向与宏观路径切向一致程度的方向评价,速度与期望车速一致性和与法规限速一致性的综合功效性评价,加速度和横摆角速度与驾乘人员承受能力一致性的舒适性评价;第二层次分别进行综合位置和方向的跟随性能评价,综合功效性和舒适性的行驶效率评价;第三层次为综合跟随性能和行驶效率的行驶性能评价。
步骤6,通过对比可行驶空间中每组运动状态的行驶性能,选出最优运动状态以及其对应的位置和姿态,作为目标运动状态输出,完成本决策模型工作。
以上所述,仅为本申请较佳的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种用于半拖挂汽车的自动驾驶决策方法,其特征在于,包括以下步骤:
获取半拖挂汽车的当前运动状态,基于所述半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间;
基于周围交通环境信息缩小所述全部运动状态空间的范围;
计算半拖挂汽车的行驶性能;
基于所述行驶性能在所述全部运动状态空间中优选一种未来运动状态作为半拖挂汽车的未来行驶目标。
2.根据权利要求1所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,基于半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间的过程包括:
基于半拖挂汽车的轮距轴距分析横摆角速度变化范围,基于半拖挂汽车的动力规格分析加速度变化范围;
基于所述当前运动状态,分析半拖挂汽车下一时刻的横摆角速度加速度变化范围;
对半拖挂汽车下一时刻的横摆角速度加速度变化范围进行均匀离散化,对每一种横摆角速度和加速度进行正交组合获取未来运动状态,基于所述未来运动状态获取全部运动状态空间。
3.根据权利要求2所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,基于半拖挂汽车的动力学特性与所述当前运动状态预测半拖挂汽车的全部运动状态空间的过程还包括:
基于半拖挂汽车的纵向加速度与横摆角速度构建运动学模型,基于所述运动学模型获取半拖挂汽车的运动状态;
基于所述运动状态与正交组合的结果获取未来运动状态,基于所述未来运动状态进行半拖挂汽车的运动失效分析;
基于所述运动失效分析的结果对所述全部运动状态空间中可能导致运动失效的未来运动状态进行排除。
4.根据权利要求3所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,基于所述未来运动状态进行半拖挂汽车的运动失效分析的过程包括:
基于挂车质心与挂车轴、第五轮的距离以及轮距、到侧倾轴线的距离、拖车簧载质量、挂车总质量、侧向加速度、车身侧倾角计算拖车和挂车的横向载荷转移率;基于半拖挂汽车的运动特性与所述横向载荷转移率判断是否将要侧翻,获取侧翻分析结果;
基于拖车的横摆角速度与挂车的横摆角速度对半拖挂汽车的甩尾和折叠问题进行分析,获取甩尾折叠分析结果;
基于所述侧翻分析结果与所述甩尾折叠分析结果获取运动失效分析的结果。
5.根据权利要求1所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,基于周围交通环境信息缩小所述全部运动状态空间的范围的过程包括:
基于本车位置、速度,采用环境感知获取车道标线位置和线型以及限速标志、交通灯状态,对半拖挂汽车的违法性问题进行分析;
基于本车运动状态,采用环境感知获取道路边界以及其他交通参与物运动状态,对半拖挂汽车的危险性问题进行分析。
6.根据权利要求5所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,采用环境感知获取道路边界以及其他交通参与物运动状态的过程包括:
将拖车与挂车相邻数帧的预测结果经过多边形相连形成车辆轨迹包络,基于所述车辆轨迹包络,获取道路边界,基于所述道路边界进行车辆超出道路边界分析;
基于半拖挂汽车的车形外接圆进行外接圆粗糙碰撞检测,获取其他交通参与物运动状态,对车辆碰撞进行分析。
7.根据权利要求1所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,所述半拖挂汽车的行驶性能包括跟随性能和行驶效率,所述跟随性能包括位置跟随性和方向跟随性,所述行驶效率包括功效性和舒适性。
8.根据权利要求7所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,计算半拖挂汽车的行驶性能的过程包括:
基于拖车与挂车运动轨迹末状态对应的质心位置到推荐路径的距离获取所述位置跟随性;
基于拖车与挂车运动轨迹末状态对应的方向与推荐路径的夹角获取所述方向跟随性;
基于拖车运动轨迹末状态的纵向速度、推荐车速以及最大纵向速度和最小纵向速度获取所述功效性;
基于拖车预瞄纵向加速度与横摆角速度、当前时刻拖车的纵向加速度与横摆角速度、拖车预瞄纵向加速度与横摆角速度的最大值获取所述舒适性。
9.根据权利要求1所述的用于半拖挂汽车的自动驾驶决策方法,其特征在于,基于所述行驶性能在所述全部运动状态空间中优选一种未来运动状态作为半拖挂汽车的未来行驶目标的过程包括:
采用分层二项优选方法分别进行位置跟随性、方向跟随性、功效性、舒适性的二值寻优;
将位置跟随性、方向跟随性的二值寻优结果合并为最优路径跟随性,将功效性、舒适性二值寻优结果合并为最优行驶效率;
将所述最优路径跟随性和所述最优行驶效率二值寻优合并为最优性能,基于所述最优性能确定半拖挂汽车的未来行驶目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045085.6A CN115712950A (zh) | 2022-08-30 | 2022-08-30 | 一种用于半拖挂汽车的自动驾驶决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211045085.6A CN115712950A (zh) | 2022-08-30 | 2022-08-30 | 一种用于半拖挂汽车的自动驾驶决策方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115712950A true CN115712950A (zh) | 2023-02-24 |
Family
ID=85230708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211045085.6A Pending CN115712950A (zh) | 2022-08-30 | 2022-08-30 | 一种用于半拖挂汽车的自动驾驶决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115712950A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742316A (zh) * | 2023-11-28 | 2024-03-22 | 上海友道智途科技有限公司 | 一种基于带挂车模型的最优轨迹规划方法 |
-
2022
- 2022-08-30 CN CN202211045085.6A patent/CN115712950A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117742316A (zh) * | 2023-11-28 | 2024-03-22 | 上海友道智途科技有限公司 | 一种基于带挂车模型的最优轨迹规划方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111123952B (zh) | 一种轨迹规划方法及装置 | |
CN108256233B (zh) | 基于驾驶员风格的智能车轨迹规划及跟踪方法和*** | |
Urmson | Self-driving cars and the urban challenge | |
CN106926844A (zh) | 一种基于实时环境信息的动态自动驾驶换道轨迹规划方法 | |
Maroto et al. | Real-time traffic simulation with a microscopic model | |
US11975725B2 (en) | Systems and methods for updating the parameters of a model predictive controller with learned external parameters generated using simulations and machine learning | |
CN116499486B (zh) | 一种复杂越野环境路径规划方法、***及电子设备 | |
CN114117829B (zh) | 极限工况下人-车-路闭环***动力学建模方法及*** | |
US20220242401A1 (en) | Systems and methods for updating the parameters of a model predictive controller with learned controls parameters generated using simulations and machine learning | |
Shi et al. | Trajectory planning of autonomous trucks for collision avoidance with rollover prevention | |
CN108897216A (zh) | 一种基于区域虚拟力场的智能汽车模型预测决策方法 | |
Aryal | Optimization of geometric road design for autonomous vehicle | |
CN114987538A (zh) | 一种网联自动驾驶环境下考虑多目标优化的协同换道方法 | |
Oh et al. | Safe decision and control of connected automated vehicles for an unprotected left turn | |
Lin et al. | Adaptive prediction-based control for an ecological cruise control system on curved and hilly roads | |
Kim et al. | Trajectory planning for autonomous highway driving using the adaptive potential field | |
Chen et al. | MPC based path tracking control for autonomous vehicle with multi-constraints | |
Zhang et al. | Simulation research on driving behaviour of autonomous vehicles on expressway ramp under the background of vehicle-road coordination | |
CN115712950A (zh) | 一种用于半拖挂汽车的自动驾驶决策方法 | |
US20220242441A1 (en) | Systems and methods for updating the parameters of a model predictive controller with learned operational and vehicle parameters generated using simulations and machine learning | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN114889589A (zh) | 一种智能汽车转向与制动协同避撞控制***及方法 | |
Choi et al. | Coordinated steering angle and yaw moment distribution to increase vehicle regenerative energy in autonomous driving | |
Fan et al. | Intelligent vehicle lane-change trajectory planning on slippery road surface using nonlinear programming | |
Choi et al. | Energy-Saving Algorithm Considering Cornering Resistance of a Four-Wheel Independent Drive Electric Vehicle With Vehicle-to-Vehicle (V2V) Information |
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 |