CN116465427A - 一种基于时空风险量化的智能车辆换道避障路径规划方法 - Google Patents

一种基于时空风险量化的智能车辆换道避障路径规划方法 Download PDF

Info

Publication number
CN116465427A
CN116465427A CN202310731309.7A CN202310731309A CN116465427A CN 116465427 A CN116465427 A CN 116465427A CN 202310731309 A CN202310731309 A CN 202310731309A CN 116465427 A CN116465427 A CN 116465427A
Authority
CN
China
Prior art keywords
vehicle
obstacle
risk
field generated
obstacle avoidance
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
Application number
CN202310731309.7A
Other languages
English (en)
Other versions
CN116465427B (zh
Inventor
刘科
付尧
雷雨龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202310731309.7A priority Critical patent/CN116465427B/zh
Publication of CN116465427A publication Critical patent/CN116465427A/zh
Application granted granted Critical
Publication of CN116465427B publication Critical patent/CN116465427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3446—Details of route searching algorithms, e.g. Dijkstra, A*, arc-flags, using precalculated routes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3461—Preferred or disfavoured areas, e.g. dangerous zones, toll or emission zones, intersections, manoeuvre types, segments such as motorways, toll roads, ferries
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
    • G01C21/26—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00 specially adapted for navigation in a road network
    • G01C21/34—Route searching; Route guidance
    • G01C21/3453—Special cost functions, i.e. other than distance or default speed limit of road segments
    • G01C21/3492—Special cost functions, i.e. other than distance or default speed limit of road segments employing speed data or traffic data, e.g. real-time or historical
    • 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

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于时空风险量化的智能车辆换道避障路径规划方法，包括：步骤一、获取当前时刻车辆位置及车辆周边的交通环境；确定避障路径的终点位置；步骤二、构建时空风险场，包括：静态障碍物产生的风险场、动态障碍物产生的风险场、车道线产生的风险场及终点位置产生的驱动场；确定车辆在时空风险场受到的合力；步骤三、根据车辆在时空风险场内受到的合力确定车辆目标航向角，并根据所述车辆目标航向角更新下一时刻的车辆位置；步骤四、重复进行步骤二至步骤三，直到车辆达到避障路径的终点位置；将得到的车辆位置集合作为避障路径点集；步骤五、以所述避障路径点集中的离散路径点作为初始解，基于二次规划方法优化得到平滑的避障路径。

Description

一种基于时空风险量化的智能车辆换道避障路径规划方法
技术领域
本发明属于汽车智能驾驶技术技术领域，特别涉及一种基于时空风险量化的智能车辆换道避障路径规划方法。
背景技术
智能驾驶技术的发展对于增强驾驶安全、提升出行效率、缓解交通拥堵、提高驾乘舒适性具有重要意义。在智能车辆的诸多核心技术中，局部路径规划负责将驾驶行为决策序列转化为车辆控制器可执行的局部运动路径或轨迹，是决定车辆行驶质量和保障车辆运行安全的关键因素，在智能车辆研究中占有重要地位。智能车辆的避障路径规划是指在具有动态和静态障碍物的环境中，以运行安全性、驾驶平顺性、乘坐舒适性等性能为目标，在满足车辆运动学、动力学、道路几何和交通法规等约束前提下，实时地生成从起始点到目标终点的无碰撞运动路径，属于具有多约束的多目标耦合优化问题。
针对路径规划问题，国内外学者开展了广泛研究，目前常用的局部路径规划方法大致可分为五类：图搜索法、采样法、几何曲线法、人工势场法和最优控制法。其中，人工势场法是由Khatib在1986年提出，并将其引入到机器人路径规划领域。但该方法存在目标点不可达、易出现局部极值、未考虑障碍物运动状态和车辆运动约束等问题，大大降低了采用人工势场法的智能车辆在实际避障过程中的安全性和避障路径规划问题的求解成功率。
发明内容
本发明的目的是克服现有技术的缺陷，提供了一种基于时空风险量化的智能车辆换道避障路径规划方法，其综合考虑考虑人、车、路等交通要素的对避障路径规划的综合影响，不仅能够生成无碰撞且曲率平滑的路径，而且能够适应自车运动状态变化，满足复杂行驶环境中智能车辆的实时避障需求，保证运动车辆有足够的纵横向安全距离完成避障任务。
本发明提供的技术方案为：
一种基于时空风险量化的智能车辆换道避障路径规划方法，包括：
步骤一、获取当前时刻车辆位置及车辆周边的交通环境；确定避障路径的终点位置；
步骤二、构建时空风险场，包括：静态障碍物产生的风险场、动态障碍物产生的风险场、车道线产生的风险场及终点位置产生的驱动场；确定当前时刻车辆分别在所述静态障碍物产生的风险场、所述动态障碍物产生的风险场、所述车道线产生的风险场及所述终点位置产生的驱动场中受到的力，得到车辆在所述时空风险场受到的合力；
步骤三、根据车辆在所述时空风险场内受到的合力确定车辆目标航向角，并根据所述车辆目标航向角更新下一时刻的车辆位置；
步骤四、重复进行步骤二至步骤三，直到车辆达到避障路径的终点位置；将得到的车辆位置集合作为避障路径点集；
步骤五、以所述避障路径点集中的离散路径点作为初始解，基于二次规划方法优化得到平滑的避障路径。
优选的是，在所述步骤三中，还包括：
如果所述目标航向角与当前时刻车辆航向角之差大于车辆最大转向角，以车辆最大转向角作为车辆目标转向角，得到下一时刻车辆目标位置；
并且判断车辆从当前位置移动到下一时刻车辆目标位置是否发生碰撞；
如果不会发生碰撞，则将下一时刻的车辆位置更新为下一时刻车辆目标位置；
如果会发生碰撞，则重新确定避障路径的终点位置，并重复进行步骤二至步骤五。
优选的是，在所述步骤二中，车辆在所述静态障碍物产生的风险场中受到排斥力，计算公式为：
；
其中， ；
式中， 为车辆在静态障碍物产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为静态障碍物产生的风险场中车辆所在位置点的场强矢量； />为从静态障碍物质心位置指向车辆所在位置点的距离矢量；/>是静态障碍物的虚拟质量； />为障碍物类型对风险大小的影响因子； />和 />为常数。
优选的是，在所述步骤二中，车辆在所述动态障碍物产生的风险场中受到排斥力，计算公式为：
；
其中， ；
式中，为车辆在动态障碍物产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子； />为动态障碍物产生的风险场中车辆所在位置点的场强矢量；/>为从动态障碍物质心位置指向车辆所在位置点的距离矢量；/>为动态障碍物的虚拟质量；/>为动态障碍物类型对风险大小的影响因子；/>、/>和 />为常数；/>为车辆与动态障碍物相对速度；/>为车辆与动态障碍物速度夹角。
优选的是，在所述步骤二中，车辆在所述车道线产生的风险场中受到排斥力 ，计算公式为：
；
其中， ；
；
；
式中，为车辆在车道线产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为车道线产生的风险场中车辆所在位置点的场强矢量；/>为从车道线指向车辆所在位置点的距离矢量；/>表示车辆质心距离车道线的横向距离；/>为车道宽度；/>为车道线类型对风险大小的影响因子；/>为常数；/>为道路内障碍物所在位置点的纵坐标；/>为车辆所在位置点的纵坐标；/>为障碍物风险场最大作用距离；为车辆最短制动距离。
优选的是，在所述步骤二中，车辆在所述终点位置产生的驱动场中受到吸引力 ，计算公式为：
；
其中，；
；
；
式中，为车辆在终点位置产生的驱动场中受到的吸引力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为终点位置产生的驱动场中车辆所在位置点的场强矢量；/>为从终点位置点指向车辆所在位置点的距离矢量；/>为从终点位置点指向车辆所在位置点的距离标量；（/>，/>）为终点位置的坐标；/>为车辆当前车速；/>车辆当前所在车道最高限速；/>为重力加速度；/>为车辆当前位置纵坐标；/>为车道宽度；/>为路面附着影响因子；/>、/>都是常数。
优选的是，在所述步骤五中，基于二次规划方法优化得到平滑的避障路径，包括：离散路径点的平滑和对平滑路径点进行分段拟合。
优选的是，采用五次多项式对平滑路径点进行分段拟合，方法为：
将平滑的离散路径点中相邻两点之间的路径作为一个区间路径，对每个区间采用2个五次多项式表示，第个区间多项式为：
；
；
第个区间待优化变量为：
；
；
采用二次规划方法求解各区间多项式的曲线参数，得到各区间的曲线方程。
优选的是，用二次规划方法求解各区间多项式的曲线参数的过程中，采用如下目标函数：
；
其中，为定义在区间[0，1]上的连续变量。
本发明的有益效果是：
本发明提供的基于时空风险量化的智能车辆换道避障路径规划方法，不仅能够实现对静止和移动障碍物的主动规避，而且生成的换道避障路径曲率平滑，换道避障的起点和终点能够保证车辆沿道路中心线行驶，换道避障开始时刻随车速变化，车速越大，换道开始时刻距离障碍物纵向距离越远，能够预留足够的纵向空间提高换道过程的安全性。
附图说明
图1为本发明所述的基于时空风险量化智能车辆换道避障路径规划框架图。
图2为本发明所述的基于时空风险量化的路径预规划流程图。
图3为本发明所述的时空风险场中自车航向角计算原理图。
图4为本发明所述的离散路径点的平滑原理示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供了一种基于时空风险量化的智能车辆换道避障路径规划方法，首先是基于时空风险量化的路径预规划，以环境感知模块提供的可行驶区域和行为决策模块提供的目标驾驶行为为输入，综合考虑车辆运动学和动力学约束，基于时空风险量化规划一条从当前位置到目标位置满足车辆运动特性的无碰撞路径，然后是基于二次规划的路径平滑，以预规划路径离散路径点为初始解，基于二次规划方法优化得到平滑的安全避障路径，并将平滑路径信息输出给路径跟踪模块。
一、基于时空风险量化的路径预规划
基于时空风险量化的路径预规划流程如图2所示。在避障路径规划初始时刻，以感知和定位信息为输入选择自车驾驶行为（换道、停车或跟车等），根据驾驶行为选择目标位置（路径规划终点位置）点，目标位置点通常在目标车道中心线上；基于行车安全场理论，以驾驶场景信息和目标位置建立避障场景行车时空风险量化模型；计算自车在所构建的时空风险场中合力的大小及方向，综合考虑车辆运动学和动力学约束，计算车辆目标航向角，若目标航向角与当前航向角之差大于车辆转向***所决定的限值，将以车辆最大转向角作为下一步目标转向角，并更新下一步位置，此时需要进行碰撞检测以保证规划路径的安全性，若满足碰撞约束，则执行下一步，若不满足碰撞约束，则需要重新选择位置点并构建行车安全场，重新从自车当前位置开始规划路径；若目标航向角与当前航向角之差小于或等于车辆转向***所决定的限值，则无需进行碰撞检测，直接判断是否到达目标点，若未到达目标点，则需要预测障碍物轨迹更新行车安全场信息，继续规划下一步的位置，若到达目标点则完成当前周期的换道避障路径规划。
1.1目标位置点选择
根据换道避障开始时刻运动车辆（自车）周边的交通环境，定义换道避障终点纵向位置点为，其中，/>为运动车辆（自车）初始速度（m/s），/>为目标车道前车的初始速度（m/s），/>为考虑驾驶风格的换道避障影响因子，其取值区间为；换道终点横向位置位于目标车道中心线上。
1.2时空风险场建模
构建人工势场时，如果不考虑车辆属性、行驶车辆与障碍物之间的相对运动状态以及道路条件等因素，当运动车辆车速较高时，所规划的换道行驶轨迹无法保证运动车辆有足够的纵向安全距离完成避障任务。
根据行车安全场理论，本发明中构建的时空风险场包含静态障碍、车道线、动态障碍物产生的风险场，以及目标位置产生的驱动场。具体如下：
（1）静态障碍物产生的风险场
静态障碍物形成的风险场具有阻止运动车辆靠近造成碰撞事故的作用，受静态障碍物风险场影响的区域内任意位置点的场强矢量/>与障碍物类型、质量、距离障碍物的距离等参数有关，计算式如下：
；
式中，为从静态障碍物质心位置指向运动车辆所在位置点 />的距离矢量；/>为从静态障碍物质心位置指向运动车辆所在位置点/>的距离标量；/>是静态障碍物的虚拟质量；/>为障碍物类型对风险大小的影响因子，其取值与静态障碍物尺寸有关，静态障碍物尺寸越大其取值越大，且/>，一般/>；/>和/>是待定常数，需根据实际场景中静态障碍物属性进行标定，两者的取值范围为/> ，一般/>，/>取值区间为[3，10]。
在一种实施例中，将驾驶中常见静态障碍物类型、质量及尺寸数据存储在智能驾驶***中，根据感知***实时检测得到的静态障碍物类型及基本尺寸，与预先存储的数据进行对比，提取同类型障碍物相关参数，据此可以估计当前场景中静态障碍物的质量，即为静态障碍物的虚拟质量。
（2）车道线产生的风险场
本发明中将道路边界和道路交通标志线统称为车道线，车道线形成的风险场具有约束运动车辆横向行为作用，受车道线风险场影响的区域内任意位置点的场强矢量与车道线类型、车道宽度、距离车道线的横向距离等参数有关，计算式如下：
；
式中，为从车道线指向运动车辆所在位置点/>的距离矢量，其与车道线的方向矢量正交，则/>代表运动车辆质心距离车道线的横向距离；/>是车道宽度；/>为车道线类型对风险大小的影响因子，取值大于等于1，其大小根据交通法规确定（例如，实线比虚线对应的/>值更大），一般实线/>，虚线/>；/>是待定常数，需根据实际场景中交通法规规定的车道线属性进行标定，取值范围为/>。一般/>取值区间为[1，10]。
当道路存在障碍物或其他低速车辆时，运动车辆通常会选择换道实现避障，此时运动车辆所在车道和目标车道之间道路交通标志线所产生的风险场将不再对运动车辆形成横向运动约束，车道线形成的风险场将受障碍物位置影响，如下式所述：
；
式中，的作用是当运动车辆（自车）前方有障碍物时，使车道线风险场形成横跨当前车道和目标车道的低势场区域，驱使运动车辆（自车）换道超车实现避撞。/>计算式如下：
；
为障碍物坐标；/>为障碍物风险场最大作用距离；/>为运动车辆（自车）最短制动距离，对于前方障碍物为移动的障碍物时，/>可表达为：
；
式中：为运动车辆（自车）车速；/>为前方低速移动的障碍物的速度；/>为反应时间时间；/>为运动车辆（自车）轴距；/>为运动车辆（自车）最大制动减速度。
（3）动态障碍物产生的风险场
动态障碍物形成的风险场具有阻止运动车辆靠近造成碰撞事故的作用，受动态障碍物风险场影响的区域内任意位置点 的场强矢量/>与动态障碍物类型、质量、相对运动状态、距离动态障碍物的距离等参数有关，计算式如下：
；
式中，为从动态障碍物质心位置指向运动车辆（自车）所在位置点/>的距离矢量；/>是动态障碍物的虚拟质量；/>为运动车辆（自车）与动态障碍物相对速度；/>为运动车辆（自车）与动态障碍物速度夹角；/>为动态障碍物类型对风险大小的影响因子，其取值与运动障碍物尺寸有关，显然卡车比乘用车对应的/>取值更大，且/>，一般/>取值区间为[1，10]，例如：乘用车TD取值为1，卡车TD取值3。；/>、/>和/>是待定常数，需根据实际场景中动态障碍物属性及运动状态进行标定，三者的取值范围为/> 。一般/>，/>取值区间为[1，10]，/>取值区间为[0.01，0.1]。
在一种实施例中，将驾驶中常见动态障碍物类型、质量及尺寸数据存储在智能驾驶***中，根据感知***实时检测得到的动态障碍物类型及基本尺寸，与预先存储的数据进行对比，提取同类型动态障碍物相关参数，据此可以估计当前场景中动态障碍物的质量，即为动态障碍物的虚拟质量。
（4）目标位置产生的驱动场
驱动场源于运动车辆（自车）完成驾驶任务的需求，为高效、安全到达目标点，运动车辆（自车）动力驱动***产生驱动力和转向***产生转向角驱动车辆前进。运动车辆（自车）为完成驾驶任务形成的驱动场场强大小和方向主要由运动车辆（自车）位置、目标位置（与驾驶行为有关）、运动车辆（自车）运动状态和道路条件决定。位于处的目标位置所形成的驱动场在其影响范围内任意位置点/>的场强矢量/>计算式如下：
；
；
；
计算运动车辆（自车）所在位置的场强矢量/>时，/>，则公式简化为 />。
式中，为从目标位置点指向运动车辆（自车）所在位置点 />的距离矢量；/>为运动车辆（自车）当前车速；/>当前所在车道最高限速；/>为重力加速度；/>运动车辆（自车）当前位置纵坐标；/>为车道宽度；/>为从目标位置点指向运动车辆（自车）所在位置点/>的距离标量；/>、/>都是大于零的待定常数，一般/>，/>取值区间为[0.1，1]，/>取值区间为[0.1，1]。
1.3合力大小及方向
运动车辆（自车）在前述步骤所构建的时空风险场中，将受到不同交通要素所形成风险场的场力作用，通过计算运动车辆（自车）在各类风险场中受到场力大小，根据物理中力的合成原理，就可以得到运动车辆（自车）在所构建的时空风险场中合力大小及方向。具体计算如下：
运动车辆（自车）在静态障碍物产生的风险场中受到排斥力，距离静态障碍物越近则斥力就越大，阻止运动车辆（自车）靠近障碍物，所受到排斥力的方向沿着运动车辆（自车）质心位置点与障碍物质心连线指向运动车辆（自车）质心位置点，计算式如下：
；
其中，为自车质量；/>为自车当前位置的路面附着影响因子，其取值与路面附着系数有关，由路面和轮胎决定。当驱动轮的附着率/>小于等于路面附着系数/>时，/>；当驱动轮的附着率/>大于路面附着系数/>时，/>，且/>，/>的值越大，则/>取值越大。
运动车辆（自车）在动态障碍物产生的风险场中受到排斥力，距离动态障碍物越近则斥力就越大，阻止运动车辆（自车）靠近障碍物，所受到排斥力的方向沿着运动车辆（自车）质心位置点与障碍物质心连线指向运动车辆（自车）质心位置点，计算式如下：
；
运动车辆（自车）在车道线产生的风险场中受到排斥力，距离车道线越近则斥力就越大，约束运动车辆（自车）按照交通规则要求在车道内行驶，所受到排斥力的方向沿着与车道线垂直方向指向运动车辆（自车）质心位置点，计算式如下：
；
运动车辆（自车）在目标位置产生的驱动场中受到吸引力，距离目标位置越远则吸引力就越大，保证自车能够快速运动到预定目标位置，所受到吸引力的方向沿着运动车辆（自车）质心位置点与目标位置点连线指向目标位置点，计算式如下：
。
1.4航向角计算
运动车辆（自车）在所构建的时空风险场中合力的方向与大地坐标系的/>轴夹角即为航向角。以图3所示驾驶场景为例说明航向角具体计算原理。
图3中，为运动车辆（自车）原行驶车道前方低速运动或静止障碍车形成的风险场对自车的作用力，方向沿两车质心连线并远离障碍车，属于排斥力；/>为目标车道的车道线形成的风险场对自车的作用力，方向垂直于车道线并约束车辆沿道路中心线行驶，属于排斥力；/>为换道避障目标位置形成的动能场对自车的作用力，方向沿着自车质心与目标位置连线并指向目标位置点，属于吸引力，驱动车辆向目标位置运动。三类行车安全场力的合力为/>，其与道路中心线之间的夹角为车辆航向角/>。随着车辆运动状态的变化，质心合力方向也跟随变化。
1.5预规划路径生成
根据车辆运动学模型，若不考虑质心侧偏角的影响，则车辆质心位置的速度方向和航向角保持一致。运动车辆（自车）在时空风险场中受到的合力作用改变车辆质心速度大小，并确定车辆下一阶段的航向角，即质心速度方向。假设换道避障过程，运动车辆（自车）沿道路纵向的质心速度分量保持恒定，在时空风险场合力作用下，车辆质心速度横向分量/>可根据航向角按照如下公式进行计算：
；
其中，为换道避障路径规划过程第/>阶段，/>为第/>阶段车辆质心受到时空风险场合力方向，即航向角。
在路径规划过程中，采用等时间间隔方式更新下一步运动车辆（自车）位置，根据第/>阶段运动车辆（自车）质心位置和速度估算车辆第/>阶段的位置，计算式如下：
。
1.6碰撞检测
运动车辆（自车）在整个换道避障过程应避免发生碰撞。潜在的碰撞风险可能发生于各运动车辆、静止障碍物以及道路边界之间。如何建立碰撞检测判断条件，取决于实际行驶场景中以什么样的模型描述车辆轮廓：当车辆以较低车速行驶在狭窄道路场景时，对车辆外形轮廓描述精度要求较高；在车辆以高速行驶在宽阔道路场景时，则需要在车辆外形轮廓外增加合适的安全裕度，降低碰撞风险。
本发明采用采用两个半径相同的圆均匀覆盖车辆轮廓最小外接矩形，实现对车辆形状的近似描述。基于双圆描述车辆轮廓的两车之间碰撞检测则可以简化为判断覆盖自车的两个圆与覆盖周围其他车辆的任意圆是否存在重叠区域。两圆之间是否存在重叠可根据两圆心之间的距离判断。此外，还需要满足车辆沿规划路点行驶过程始终保持在道路边界内，可以通过覆盖车辆的两个圆与车道边界是否相交进行判断。
在其他实施例中，可以使用多个圆来覆盖车辆轮廓最小外接矩形，在保证车辆轮廓最小外接矩形全覆盖的前提下，尽可能减少多余的覆盖区域，以提高喷桩检测的准确度。此外，还可以采用轴对齐包围矩形法、分离轴碰撞检测法、凸多边形碰撞检测法等进行碰撞检测。
二、基于二次规划的路径平滑方法
假设步骤一中获取的换道避障路径点集为 。为生成平滑换道避障路径，降低路径跟踪控制要求，还需对/>进行平滑处理。平滑处理主要包含两个步骤，首先是离散路径点的平滑，然后是平滑路径生成。
（1）离散路径点的平滑
本发明中离散路径点的平滑问题所建立的目标函数考虑路径的平滑性、与原始路径的相似性两个方面。离散路径点的平滑原理如图4所示，为平滑后避障路径对应的路点集，/>和/>分别为平滑前后对应路点坐标。
离散路径点的平滑问题的目标函数中路径平滑性定义如下：
；
离散路径点的平滑问题的目标函数中几何相似性定义如下：
；
其中，为路点数量。
离散路径点平滑问题的综合目标函数为：
；
其中，、/>为各子目标函数的权重系数。
离散路径点平滑考虑了车辆转向***物理约束及原始路径点的位置约束。
根据几何关系，车辆转向***物理约束表示如下：
；
其中，为车辆最小转弯半径。
平滑后的路点应该位于原始路点附近，原始路径点的位置约束表示如下：
；
；
其中，、/>为大于零的阈值，二者取值随道路曲率增加而增加
综上，目标函数COST和两项约束条件构成了离散路径点平滑问题数学模型，可将该平滑问题转化为标准的二次规划形式进行优化求解，即可获得平滑的离散路径点集。
（2）平滑路径生成
作为一种优选，本发明采用五次多项式对平滑路径点进行分段拟合，进而生成平滑的路径。如果采用一条平滑曲线连全部路点的方式，复杂场景将需要复杂的高阶次多项式曲线才能平滑连接，待求参数较多，且易出现规划轨迹曲率波动大等问题。
已知平滑后的离散路径点集包含/>个路径点，则避障路径可划分为/>个区间，针对每个区间的路径采用2个五次多项式表示，例如第/>个子区间多项式表示如下：
；
；
第个子区间待优化变量表示如下：/>
；
；
为求解各区间多项式曲线参数，本发明采用二次规划方法进行求解，优化目标函数定义如下：
；
式中，t表示定义在区间[0，1]上的连续变量。
多项式曲线参数求解过程中，为确保各段多项式曲线连接形成的局部参考路径连续且平滑，需满足起始点和终点的位置、速度、加速度约束，中间路点（除去起点和终点）的位置约束，以及相邻多项式曲线连接点处连续性约束，且所有约束条件均为线性约束。
本发明采用五次多项式对平滑路径点进行分段拟合，相对于采用一条平滑曲线连全部路点的方式避免了待求参数多，规划轨迹曲率波动大等问题。
本发明提供的方法不仅能够实现对静止和移动障碍物的主动规避，而且生成的换道避障路径曲率平滑，换道避障的起点和终点能够保证车辆沿道路中心线行驶，换道避障开始时刻随车速变化，车速越大，换道开始时刻距离障碍物纵向距离越远，能够预留足够的纵向空间提高换道过程的安全性。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (9)

1.一种基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，包括：
步骤一、获取当前时刻车辆位置及车辆周边的交通环境；确定避障路径的终点位置；
步骤二、构建时空风险场，包括：静态障碍物产生的风险场、动态障碍物产生的风险场、车道线产生的风险场及终点位置产生的驱动场；确定当前时刻车辆分别在所述静态障碍物产生的风险场、所述动态障碍物产生的风险场、所述车道线产生的风险场及所述终点位置产生的驱动场中受到的力，得到车辆在所述时空风险场受到的合力；
步骤三、根据车辆在所述时空风险场内受到的合力确定车辆目标航向角，并根据所述车辆目标航向角更新下一时刻的车辆位置；
步骤四、重复进行步骤二至步骤三，直到车辆达到避障路径的终点位置；将得到的车辆位置集合作为避障路径点集；
步骤五、以所述避障路径点集中的离散路径点作为初始解，基于二次规划方法优化得到平滑的避障路径。
2.根据权利要求1所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤三中，还包括：
如果所述目标航向角与当前时刻车辆航向角之差大于车辆最大转向角，以车辆最大转向角作为车辆目标转向角，得到下一时刻车辆目标位置；
并且判断车辆从当前位置移动到下一时刻车辆目标位置是否发生碰撞；
如果不会发生碰撞，则将下一时刻的车辆位置更新为下一时刻车辆目标位置；
如果会发生碰撞，则重新确定避障路径的终点位置，并重复进行步骤二至步骤五。
3.根据权利要求2所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤二中，车辆在所述静态障碍物产生的风险场中受到排斥力 ，计算公式为：
；
其中，；
式中，为车辆在静态障碍物产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为静态障碍物产生的风险场中车辆所在位置点的场强矢量；/>为从静态障碍物质心位置指向车辆所在位置点的距离矢量；/>是静态障碍物的虚拟质量；/>为障碍物类型对风险大小的影响因子；/>和/>为常数。
4.根据权利要求3所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤二中，车辆在所述动态障碍物产生的风险场中受到排斥力 ，计算公式为：
；
其中，；
式中，为车辆在动态障碍物产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为动态障碍物产生的风险场中车辆所在位置点的场强矢量；/>为从动态障碍物质心位置指向车辆所在位置点的距离矢量；/>为动态障碍物的虚拟质量；/>为动态障碍物类型对风险大小的影响因子；/>、/>和/>为常数；/>为车辆与动态障碍物相对速度； />为车辆与动态障碍物速度夹角。
5.根据权利要求3或4所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤二中，车辆在所述车道线产生的风险场中受到排斥力 ，计算公式为：
；
其中，；
；
；
式中，为车辆在车道线产生的风险场中受到的排斥力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为车道线产生的风险场中车辆所在位置点的场强矢量；为从车道线指向车辆所在位置点的距离矢量；/>表示车辆质心距离车道线的横向距离；/>为车道宽度；/>为车道线类型对风险大小的影响因子；/>为常数；/>为道路内障碍物所在位置点的纵坐标；/>为车辆所在位置点的纵坐标；/>为障碍物风险场最大作用距离；/>为车辆最短制动距离。
6.根据权利要求5所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤二中，车辆在所述终点位置产生的驱动场中受到吸引力 ，计算公式为：
；
其中，；
；
；
式中，为车辆在终点位置产生的驱动场中受到的吸引力；/>为车辆质量；/>为车辆所处位置的路面附着影响因子；/>为终点位置产生的驱动场中车辆所在位置点的场强矢量；/>为从终点位置点指向车辆所在位置点的距离矢量；/>为从终点位置点指向车辆所在位置点的距离标量；（/>，/>）为终点位置的坐标；/>为车辆当前车速；/>车辆当前所在车道最高限速；/>为重力加速度；/>为车辆当前位置纵坐标；/>为车道宽度；/>为路面附着影响因子；/>、/>都是常数。
7.根据权利要求6所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，在所述步骤五中，基于二次规划方法优化得到平滑的避障路径，包括：离散路径点的平滑和对平滑路径点进行分段拟合。
8.根据权利要求7所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，采用五次多项式对平滑路径点进行分段拟合，方法为：
将平滑的离散路径点中相邻两点之间的路径作为一个区间路径，对每个区间采用2个五次多项式表示，第个区间多项式为：
；
；
第个区间待优化变量为：
；
；
采用二次规划方法求解各区间多项式的曲线参数，得到各区间的曲线方程。
9.根据权利要求8所述的基于时空风险量化的智能车辆换道避障路径规划方法，其特征在于，用二次规划方法求解各区间多项式的曲线参数的过程中，采用如下目标函数：
；
其中，为定义在区间[0，1]上的连续变量。
CN202310731309.7A 2023-06-20 2023-06-20 一种基于时空风险量化的智能车辆换道避障路径规划方法 Active CN116465427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310731309.7A CN116465427B (zh) 2023-06-20 2023-06-20 一种基于时空风险量化的智能车辆换道避障路径规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310731309.7A CN116465427B (zh) 2023-06-20 2023-06-20 一种基于时空风险量化的智能车辆换道避障路径规划方法

Publications (2)

Publication Number Publication Date
CN116465427A true CN116465427A (zh) 2023-07-21
CN116465427B CN116465427B (zh) 2023-09-08

Family

ID=87182877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310731309.7A Active CN116465427B (zh) 2023-06-20 2023-06-20 一种基于时空风险量化的智能车辆换道避障路径规划方法

Country Status (1)

Country Link
CN (1) CN116465427B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093005A (zh) * 2023-10-16 2023-11-21 华东交通大学 一种智能汽车自主避障方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016205442A1 (de) * 2016-04-01 2017-10-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Optimierung einer Pfadplanung eines Fahrzeugs
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
WO2021196977A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 路径规划的方法、装置、控制器及移动物体
CN114610016A (zh) * 2022-01-25 2022-06-10 合肥工业大学 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法
CN115328152A (zh) * 2022-09-05 2022-11-11 北京理工大学 基于改进人工势场法的无人车局部实时避障路径规划方法
CN115432005A (zh) * 2022-09-23 2022-12-06 吉林大学 一种冰雪环境下的虚拟行车场权重滚动优化决策方法
CN115503700A (zh) * 2022-11-07 2022-12-23 江苏大学 一种基于多元风险融合势场的主动避撞方法及车载电子设备
CN115683145A (zh) * 2022-11-03 2023-02-03 北京踏歌智行科技有限公司 一种基于轨迹预测的自动驾驶安全避障方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016205442A1 (de) * 2016-04-01 2017-10-05 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Optimierung einer Pfadplanung eines Fahrzeugs
WO2021196977A1 (zh) * 2020-03-31 2021-10-07 华为技术有限公司 路径规划的方法、装置、控制器及移动物体
CN112947469A (zh) * 2021-03-16 2021-06-11 安徽卡思普智能科技有限公司 汽车换道轨迹规划与动态轨迹跟踪控制方法
CN114610016A (zh) * 2022-01-25 2022-06-10 合肥工业大学 基于障碍物动态虚拟膨胀的智能车辆避碰路径规划方法
CN115328152A (zh) * 2022-09-05 2022-11-11 北京理工大学 基于改进人工势场法的无人车局部实时避障路径规划方法
CN115432005A (zh) * 2022-09-23 2022-12-06 吉林大学 一种冰雪环境下的虚拟行车场权重滚动优化决策方法
CN115683145A (zh) * 2022-11-03 2023-02-03 北京踏歌智行科技有限公司 一种基于轨迹预测的自动驾驶安全避障方法
CN115503700A (zh) * 2022-11-07 2022-12-23 江苏大学 一种基于多元风险融合势场的主动避撞方法及车载电子设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
任;郑玲;张巍;杨威;熊周兵;: "基于模型预测控制的智能车辆主动避撞控制研究", 汽车工程, no. 04 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117093005A (zh) * 2023-10-16 2023-11-21 华东交通大学 一种智能汽车自主避障方法
CN117093005B (zh) * 2023-10-16 2024-01-30 华东交通大学 一种智能汽车自主避障方法

Also Published As

Publication number Publication date
CN116465427B (zh) 2023-09-08

Similar Documents

Publication Publication Date Title
CN109960261B (zh) 一种基于碰撞检测的动态障碍物避让方法
CN109375632B (zh) 自动驾驶车辆实时轨迹规划方法
CN110597245B (zh) 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN110471408B (zh) 基于决策过程的无人驾驶车辆路径规划方法
EP3829958B1 (en) Method for steering a vehicle and apparatus therefor
CN110286681B (zh) 一种变曲率弯道的动态自动驾驶换道轨迹规划方法
US9868443B2 (en) Reactive path planning for autonomous driving
Papadimitriou et al. Fast lane changing computations using polynomials
CN113276848B (zh) 一种智能驾驶换道避障轨迹规划、跟踪控制方法及***
CN111338340A (zh) 基于模型预测的无人驾驶汽车局部路径规划方法
CN113932823A (zh) 基于语义道路地图的无人驾驶多目标点轨迹并行规划方法
CN112965476B (zh) 一种基于多窗口模型的高速无人车轨迹规划***及方法
CN109270933A (zh) 基于圆锥曲线的无人驾驶避障方法、装置、设备及介质
CN116465427B (zh) 一种基于时空风险量化的智能车辆换道避障路径规划方法
CN113895463B (zh) 一种适用于自动驾驶车辆掉头的路径规划方法
CN112644486A (zh) 一种基于新型驾驶安全场的智能车避障轨迹规划方法
CN117141489B (zh) 一种基于最小作用量原理的智能车辆轨迹分层规划方法
CN116394979A (zh) 一种基于路侧融合感知的自动驾驶决策控制方法
CN114889643A (zh) 一种运动障碍物的三元素自主避障方法
CN112596516B (zh) 基于Dubins曲线的多车队形切换方法
CN115782904A (zh) 一种基于非合作博弈的智能汽车换道轨迹规划方法
CN112706770B (zh) 一种考虑线控转向迟滞的车辆汇入控制***及方法
CN115140048A (zh) 一种自动驾驶行为决策与轨迹规划模型与方法
Zhu et al. Trajectory planning algorithm using Gauss pseudo-spectral method based on vehicle-infrastructure cooperative system
CN116300970B (zh) 车辆自主编队方法及装置

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