CN117698730A - 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法 - Google Patents

一种防碰撞的动态智能网联车辆最优换道轨迹规划方法 Download PDF

Info

Publication number
CN117698730A
CN117698730A CN202410025717.5A CN202410025717A CN117698730A CN 117698730 A CN117698730 A CN 117698730A CN 202410025717 A CN202410025717 A CN 202410025717A CN 117698730 A CN117698730 A CN 117698730A
Authority
CN
China
Prior art keywords
vehicle
intelligent network
connected vehicle
lane change
lane
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
CN202410025717.5A
Other languages
English (en)
Other versions
CN117698730B (zh
Inventor
沈世全
可建新
李宗典
张华伟
刘玺
陈峥
申江卫
王青旺
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.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
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 Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN202410025717.5A priority Critical patent/CN117698730B/zh
Publication of CN117698730A publication Critical patent/CN117698730A/zh
Application granted granted Critical
Publication of CN117698730B publication Critical patent/CN117698730B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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

  • Traffic Control Systems (AREA)

Abstract

本发明涉及车辆自动驾驶技术领域，且公开了一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，首先建立换道轨迹方程，之后在车辆动力学约束、交通规则约束下采用序列二次规划方法求解最优换道轨迹，之后对未来一定时间步长内的潜在碰撞风险进行碰撞检测，若不存在碰撞风险，车辆根据最优换道轨迹执行换道(固定时间步长)，若存在潜在碰撞，则计算返回原始车道的最优轨迹返回原始车道，往复循环直到换道完成或返回原始车道。该方法将最优换道轨迹规划和实时碰撞检测相结合，计算出每一时间步长的最优换道轨迹，并对每一时间步长内的潜在碰撞风险进行碰撞检测，可实现换道过程的实时避撞，有利于提升换道行为的安全性与舒适性。

Description

一种防碰撞的动态智能网联车辆最优换道轨迹规划方法
技术领域
本发明涉及车辆自动驾驶技术领域，具体为一种防碰撞的动态智能网联车辆最优换道轨迹规划方法。
背景技术
随着全球经济的不断发展和城市化进程的加快，道路交通拥堵已成为一个普遍存在的问题，换道作为智能网联车辆最常见的驾驶行为之一，在很大程度上影响道路的流通性和安全性。安全、快速且平稳的换道行为可提高通行效率，减少交通事故的发生。合理的换道轨迹是智能网联车辆安全完成换道任务的前提，同时其性能也决定了换道过程的安全性、高效性和舒适性。
自动换道由决策模块、轨迹规划模块、执行模块组成，决策模块利用传感器、V2V通信获取智能网联车辆周围信息进行换道决策判断，轨迹规划模块针对换道决策规划无碰撞、满足车辆动力学约束的换道轨迹，执行模块依据换道轨迹进行换道。
现有方法的缺点：将换道看作静态的过程，没有考虑到换道过程中周围车辆的加速、减速，未考虑到实时碰撞的问题，容易造成车辆追尾，不能代表真实的驾驶场景。
发明内容
(一)解决的技术问题
针对现有技术的不足，本发明提供了一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，具备换道舒适安全等优点，解决了上述技术问题。
(二)技术方案
为实现上述目的，本发明提供如下技术方案：一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，包括以下步骤：
S1、建立智能网联车辆M基于五次多项式的换道轨迹规划方程；
S2、构建智能网联车辆M换道舒适度函数、换道效率函数以及总成本函数；
S3、构建智能网联车辆M换道的车辆动力学约束和交通规则约束；
S4、通过步骤S2建立的函数与步骤S1建立的轨迹规划方程进行配合，并在步骤S3的约束下，采用序列二次方法求解非线性规划问题，计算出最优换道轨迹；
S5、智能网联车辆M执行碰撞检测，判断下一时间步长是否存在碰撞风险；若下一时间步长不存在碰撞风险，则执行步骤S6；若下一时间步长存在碰撞风险，则执行步骤S7；
S6、智能网联车辆M以固定时间步长依据最优换道轨迹执行换道并判断换道是否完成，若换道完成，则智能网联车辆M完成车道变更；若换道未完成，则智能网联车辆M以所在位置为起点，执行步骤S1-S4，重新规划最优换道轨迹；
S7、智能网联车辆M以当前位置为起点，执行步骤S1-S4，计算智能网联车辆M返回原始车道的最优换道轨迹，依据返回原始车道的最优换道轨迹返回原始车道。
作为本发明的优选技术方案，所述步骤S1的轨迹方程建立过程具体步骤如下：
S1.1、换道运动解耦为两个正交方向：纵向(X方向)和横向(Y方向)，利用五次多项式构建智能网联车辆M每个方向上的轨迹规划方程；
S1.2、建立智能网联车辆M在换道初始时刻ti和最终时刻tf的位移、速度和加速度方程；
S1.3、对相关变量进行初始化；
S1.4、对步骤S1中的轨迹规划方程系数进行计算。
作为本发明的优选技术方案，所述步骤S1.1中的轨迹规划方程表达式：
其中，x(t)和y(t)分别表示车辆在t时刻的纵向位置和横向位置，ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)表示待确定系数，所述步骤S1.2中位移、速度和加速度方程表达式如下：
其中，x(ti)、分别表示x方向车辆换道初始时刻ti的位置、速度、加速度，x(tf)、/>分别表示x方向车辆换道最终时刻tf的位置、速度、加速度，y(ti)、分别表示y方向车辆换道初始时刻ti的位置、速度、加速度，y(tf)、分别表示y方向车辆换道最终时刻tf的位置、速度、加速度。
作为本发明的优选技术方案，所述步骤S1.3的初始化表达式如下：
其中，xf为x方向上车辆的最终位置，Wlane为车道宽度，vM、vC分别表示当前车辆和车辆目标车道前车的速度，所述步骤S1.4对ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)进行求解。
作为本发明的优选技术方案，所述步骤S2中的换道舒适度函数Jcomfort的表达式如下：
其中，w1和w2为权重系数，jx(t)为t时刻x方向加加速度，jy(t)为t时刻y方向加加速度，jx,max、jy,max分别表示x方向、y方向的最大加加速度，ti、tf分别表示车辆换道初始时刻、换道最终时刻，ax,max、ay,max分别表示x方向、y方向的最大加速度，表示对内部函数进行积分，所述步骤S2中的换道效率函数Jefficiency的表达式如下：
Jefficiency＝w3(xf-xi)+w4(tf-ti)
其中，w3和w4为权重系数，xi、xf分别表示智能网联车辆M换道初始时刻的x方向位置、换道最终时刻的x方向位置，所述步骤S2中的总成本函数Cost(xf，xi)的表达式如下：
Cost(xf，xi)＝Jefficiency+Jcomfort
作为本发明的优选技术方案，所述步骤S3中的车辆动力学约束和交通规则约束的具体表达式如下：
其中，vx,max、vy,max分别为x方向、y方向的最大速度，ax,max、ay,max分别为x方向、y方向的最大加速度，jx,max、jy,max分别为x方向、y方向的最大加加速度，s.t.表示约束，表示对内部函数取最小值。
作为本发明的优选技术方案，所述步骤S5碰撞检测的过程具体如下：
S5.1、采用动态矩形对智能网联车辆M进行建模；矩形模型的中心作为智能网联车辆M的偏转中心，偏转中心坐标为(XM(t),YM(t))，智能网联车辆M偏转前的矩形顶点坐标表示为(Xo(t),Yo(t)),o＝1,2,3,4，偏转后的矩形顶点坐标表示为(Xo'(t),Yo'(t))，o＝1,2,3,4，其中o＝1对应的点表示智能网联车辆M矩形模型的右前方顶点，o＝2对应的点表示智能网联车辆M矩形模型的左前方顶点，o＝3对应的点表示智能网联车辆M矩形模型的左后方顶点，o＝4对应的点表示智能网联车辆M矩形模型的右后方顶点；
S5.2、对各个点的坐标进行计算；
S5.3、对智能网联车辆M矩形模型的边框定点进行设置并定义；
S5.4、对智能网联车辆M和智能网联车辆M原始车道前车A之间的安全约束进行计算；
S5.5、对智能网联车辆M和智能网联车辆M目标车道前车C之间的安全约束进行计算；
S5.6、对智能网联车辆M与智能网联车辆M目标车道后车B之间的安全约束进行计算。
作为本发明的优选技术方案，所述步骤S5.2的计算公式如下：
其中，R表示偏转中心与每个矩形顶点之间的距离，L是智能网联车辆长度，W是智能网联车辆宽度，θ(t)表示智能网联车辆的偏离角，a为矩形模型(X1(t),Y1(t))与水平方向之间夹角，cos(*)表示余弦函数，sin(*)表示正弦函数，所述步骤S5.3中矩形模型的参数设置如下：
偏转后智能网联车辆M矩形模型的左侧边框为L2，右侧边框为L5，前侧边框为L4，智能网联车辆M原始车道前车A矩形模型的后侧边框为L1，智能网联车辆M目标车道前车C矩形模型的左侧边框为L3，智能网联车辆M目标车道后车B矩形模型的前侧边框为L6，假设偏转后智能网联车辆M矩形模型的左前侧顶点为点1，右前侧顶点为点3，右后侧顶点为点6，偏转后智能网联车辆M原始车道前车A矩形模型的右后侧顶点为点2，偏转后智能网联车辆M目标车道前车C矩形模型的左后侧顶点为点4，偏转后智能网联车辆M目标车道后车B矩形模型的左前侧顶点为点5。
作为本发明的优选技术方案，所述步骤S5.4中的智能网联车辆M和智能网联车辆M原始车道前车A之间的安全约束表达式如下：
其中，XM(t)、YM(t)为智能网联车辆M的中心坐标，XA(t)、YA(t)为智能网联车辆M原始车道前车A的中心坐标，tanα表示对偏转角α的正切函数，LA表示智能网联车辆M原始车道前车A长度，dM,safe1(t)为智能网联车辆M与智能网联车辆M原始车道前车A的最小安全距离，所述步骤S5.5智能网联车辆M和智能网联车辆M目标车道前车C之间的安全约束表达式如下：
其中，XC(t)、YC(t)为智能网联车辆M目标车道前车C的中心坐标，dM,safe2(t)表示智能网联车辆M与智能网联车辆M目标车道前车C的最小安全距离，表示对进行正切运算，所述步骤S5.6中的智能网联车辆M与智能网联车辆M目标车道后车B之间安全约束表达式如下：
其中XB(t)、YB(t)智能网联车辆M目标车道后车B的中心坐标，dM,safe3(t)为智能网联车辆M与智能网联车辆M目标车道后车B的最小安全距离。
作为本发明的优选技术方案，所述步骤S5中的碰撞检测存在不满足安全约束的情况下，智能网联车辆M将立即中止换道，并开始规划最优换道轨迹以返回原始车道。
与现有技术相比，本发明提供了一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，具备以下有益效果：
1、本发明将最优换道轨迹规划和实时碰撞检测相结合，计算出每一时间步长的最优换道轨迹，并对每一时间步长内的潜在碰撞风险进行碰撞检测，若存在潜在碰撞，则计算返回原始车道的最优轨迹返回原始车道；可实现换道过程的实时避撞，有利于提升换道行为的安全性与舒适性。
2、本发明通过用五次多项式曲线建立换道轨迹，该曲线具有四阶平滑度，智能网联车辆的位置、速度、加速度和加加速度在整个换道过程中是连续的，换道轨迹具有很好的舒适性。
附图说明
图1为本发明流程示意图；
图2为本发明矩形车辆模型的动态偏转示意图；
图3为本发明防碰撞检测分析场景示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1-3，一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，包括以下步骤：
S1、建立智能网联车辆M基于五次多项式的换道轨迹规划方程，换道运动解耦为两个正交方向：纵向(X方向)和横向(Y方向)，利用五次多项式构建智能网联车辆M每个方向上的轨迹规划方程
其中，x(t)和y(t)分别表示车辆在t时刻的纵向位置和横向位置，ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)表示待确定系数，之后建立智能网联车辆M在换道初始时刻ti和最终时刻tf的位移、速度和加速度方程：
其中，x(ti)、分别表示x方向车辆换道初始时刻ti的位置、速度、加速度，x(yf)、/>分别表示x方向车辆换道最终时刻tf的位置、速度、加速度，y(ti)、分别表示y方向车辆换道初始时刻ti的位置、速度、加速度，y(tf)、分别表示y方向车辆换道最终时刻tf的位置、速度、加速度，智能网联车辆M在y方向上的初始位置和最终位置的速度和加速度为零，并且智能网联车辆M在x方向上的初始位置和最终位置的加速度均为零，可以推导出以下方程：
其中，xf为x方向上车辆的最终位置，Wlane为车道宽度，vM、vC分别表示当前车辆M和车辆M目标车道前车C的速度；
最后将位移、速度和加速度方程代入到轨迹规划方程中，则系数，ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)可以用xf和tf如下表示：
S2、构建智能网联车辆M换道舒适度函数、换道效率函数以及总成本函数，换道舒适度函数Jcomfort的表达式如下：
其中，w1和w2为权重系数，jx(t)为t时刻x方向加加速度，jy(t)为t时刻y方向加加速度，jx,max、jy,max分别表示x方向、y方向的最大加加速度，ti、tf分别表示车辆换道初始时刻、换道最终时刻，ax,max、ay,max分别表示x方向、y方向的最大加速度，表示对内部函数进行积分，所述步骤S2中的换道效率函数Jefficiency的表达式如下：
Jefficiency＝w3(xf-xi)+w4(tf-ti)
其中，w3和w4为权重系数，xi、xf分别表示智能网联车辆M换道初始时刻的x方向位置、换道最终时刻的x方向位置，所述步骤S2中的总成本函数Cost(xf，xi)的表达式如下：
Cost(xf，xi)＝Jefficiency+Jcomfort
S3、构建智能网联车辆M换道的车辆动力学约束和交通规则约束，具体表达式如下：
其中，vx,max、vy,max分别为x方向、y方向的最大速度，ax,max、ay,max分别为x方向、y方向的最大加速度，jx,max、jy,max分别为x方向、y方向的最大加加速度，s.t.表示约束，表示对内部函数取最小值；
S4、通过步骤S2建立的函数与步骤S1建立的轨迹规划方程进行配合，并在步骤S3的约束下，采用序列二次方法求解非线性规划问题，计算出最优换道轨迹；
S5、智能网联车辆M执行碰撞检测，判断下一时间步长是否存在碰撞风险；若下一时间步长不存在碰撞风险，则执行步骤S6；若下一时间步长存在碰撞风险，则执行步骤S7；
S5.1、采用动态矩形对智能网联车辆M进行建模；矩形模型的中心作为智能网联车辆M的偏转中心，偏转中心坐标为(XM(t),YM(t))，智能网联车辆M偏转前的矩形顶点坐标表示为(Xo(t),Yo(t)),o＝1,2,3,4，偏转后的矩形顶点坐标表示为(Xo'(t),Yo'(t))，o＝1,2,3,4，其中o＝1对应的点表示智能网联车辆M矩形模型的右前方顶点，o＝2对应的点表示智能网联车辆M矩形模型的左前方顶点，o＝3对应的点表示智能网联车辆M矩形模型的左后方顶点，o＝4对应的点表示智能网联车辆M矩形模型的右后方顶点；
S5.2、对各个点的坐标进行计算，计算公式如下：
其中，R表示偏转中心与每个矩形顶点之间的距离，L是智能网联车辆长度，W是智能网联车辆宽度，θ(t)表示智能网联车辆的偏离角，a为矩形模型(X1(t),Y1(t)与水平方向之间夹角，cos(*)表示余弦函数，sin(*)表示正弦函数；
S5.3、对智能网联车辆M矩形模型的边框定点进行设置并定义，偏转后智能网联车辆M矩形模型的左侧边框为L2，右侧边框为L5，前侧边框为L4，智能网联车辆M原始车道前车A矩形模型的后侧边框为L1，智能网联车辆M目标车道前车C矩形模型的左侧边框为L3，智能网联车辆M目标车道后车B矩形模型的前侧边框为L6，假设偏转后智能网联车辆M矩形模型的左前侧顶点为点1，右前侧顶点为点3，右后侧顶点为点6，偏转后智能网联车辆M原始车道前车A矩形模型的右后侧顶点为点2，偏转后智能网联车辆M目标车道前车C矩形模型的左后侧顶点为点4，偏转后智能网联车辆M目标车道后车B矩形模型的左前侧顶点为点5；
S5.4、对智能网联车辆M和智能网联车辆M原始车道前车A之间的安全约束进行计算，表达式如下：
其中，XM(t)、YM(t)为智能网联车辆M的中心坐标，XA(t)、YA(t)为智能网联车辆M原始车道前车A的中心坐标，tanα表示对偏转角α的正切函数，LA表示智能网联车辆M原始车道前车A长度，dM,safe1(t)为智能网联车辆M与智能网联车辆M原始车道前车A的最小安全距离；
S5.5、对智能网联车辆M和智能网联车辆M目标车道前车C之间的安全约束进行计算，表达式如下：
其中，XC(t)、YC(t)为智能网联车辆M目标车道前车C的中心坐标，dM,safe2(t)表示智能网联车辆M与智能网联车辆M目标车道前车C的最小安全距离，表示对进行正切运算；
S5.6、对智能网联车辆M与智能网联车辆M目标车道后车B之间的安全约束进行计算，表达式如下：
其中XB(t)、YB(t)智能网联车辆M目标车道后车B的中心坐标，dM,safe3(t)为智能网联车辆M与智能网联车辆M目标车道后车N的最小安全距离。
S6、智能网联车辆M以固定时间步长依据最优换道轨迹执行换道并判断换道是否完成，若换道完成，则智能网联车辆M完成车道变更；若换道未完成，则智能网联车辆M以所在位置为起点，执行步骤S1-S4,重新规划最优换道轨迹；
S7、智能网联车辆M以当前位置为起点，执行步骤S1-S4，计算智能网联车辆M返回原始车道的最优换道轨迹，依据返回原始车道的最优换道轨迹返回原始车道。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (10)

1.一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：包括以下步骤：
S1、建立智能网联车辆M基于五次多项式的换道轨迹规划方程；
S2、构建智能网联车辆M换道舒适度函数、换道效率函数以及总成本函数；
S3、构建智能网联车辆M换道的车辆动力学约束和交通规则约束；
S4、通过步骤S2建立的函数与步骤S1建立的轨迹规划方程进行配合，并在步骤S3的约束下，采用序列二次方法求解非线性规划问题，计算出最优换道轨迹；
S5、智能网联车辆M执行碰撞检测，判断下一时间步长是否存在碰撞风险；若下一时间步长不存在碰撞风险，则执行步骤S6；若下一时间步长存在碰撞风险，则执行步骤S7；
S6、智能网联车辆M以固定时间步长依据最优换道轨迹执行换道并判断换道是否完成，若换道完成，则智能网联车辆完成车道变更，若换道未完成，则智能网联车辆M以所在位置为起点，执行步骤S1-S4，重新规划最优换道轨迹；
S7、智能网联车辆M以当前位置为起点，执行步骤S1-S4，计算智能网联车辆M返回原始车道的最优换道轨迹，依据返回原始车道的最优换道轨迹返回原始车道。
2.根据权利要求1所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S1的轨迹方程建立过程具体步骤如下：
S1.1、换道运动解耦为两个正交方向：纵向(X方向)和横向(Y方向)，利用五次多项式构建智能网联车辆M每个方向上的轨迹规划方程；
S1.2、建立智能网联车辆M在换道初始时刻ti和最终时刻tf的位移、速度和加速度方程；
S1.3、对相关变量进行初始化；
S1.4、对步骤S1中的轨迹规划方程系数进行计算。
3.根据权利要求2所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S1.1中的轨迹规划方程表达式：
其中，x(t)和y(t)分别表示车辆在t时刻的纵向位置和横向位置，ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)表示待确定系数，所述步骤S1.2中位移、速度和加速度方程表达式如下：
其中，x(ti)、分别表示x方向车辆换道初始时刻ti的位置、速度、加速度，x(tf)、/>分别表示x方向车辆换道最终时刻tf的位置、速度、加速度，y(ti)、分别表示y方向车辆换道初始时刻ti的位置、速度、加速度，y(tf)、分别表示y方向车辆换道最终时刻tf的位置、速度、加速度。
4.根据权利要求3所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S1.3的初始化表达式如下：
其中，xf为x方向上车辆的最终位置，Wlane为车道宽度，vM、vC分别表示当前车辆和车辆目标车道前车的速度，所述步骤S1.4对ai(i＝1,2,3,4,5)和bi(i＝1,2,3,4,5)进行求解。
5.根据权利要求1所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S2中的换道舒适度函数Jcomfort的表达式如下：
其中，w1和w2为权重系数，jx(t)为t时刻x方向加加速度，jy(t)为t时刻y方向加加速度，jx,max、jy,max分别表示x方向、y方向的最大加加速度，ti、tf分别表示车辆换道初始时刻、换道最终时刻，ax,max、ay,max分别表示x方向、y方向的最大加速度，表示对内部函数进行积分，所述步骤S2中的换道效率函数Jefficiency的表达式如下：
Jefficiency＝w3(xf-xi)+w4(tf-ti)
其中，w3和w4为权重系数，xi、xf分别表示智能网联车辆M换道初始时刻的x方向位置、换道最终时刻的x方向位置，所述步骤S2中的总成本函数Cost(xf，xi)的表达式如下：
Cost(xf，xi)＝jefficiency+Jcomfort。
6.根据权利要求5所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S3中的车辆动力学约束和交通规则约束的具体表达式如下：
其中，vx,max、vy,max分别为x方向、y方向的最大速度，ax,max、ay,max分别为x方向、y方向的最大加速度，jx,max、jy,max分别为x方向、y方向的最大加加速度，s.t.表示约束，表示对内部函数取最小值。
7.根据权利要求1所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S5碰撞检测的过程具体如下：
S5.1、采用动态矩形对智能网联车辆M进行建模；矩形模型的中心作为智能网联车辆M的偏转中心，偏转中心坐标为(XM(t),YM(t))，智能网联车辆M偏转前的矩形顶点坐标表示为(Xo(t),Yo(t)),o＝1,2,3,4，偏转后的矩形顶点坐标表示为(Xo'(t),Yo'(t))，o＝1,2,3,4，其中o＝1对应的点表示智能网联车辆M矩形模型的右前方顶点，o＝2对应的点表示智能网联车辆M矩形模型的左前方顶点，o＝3对应的点表示智能网联车辆M矩形模型的左后方顶点，o＝4对应的点表示智能网联车辆M矩形模型的右后方顶点；
S5.2、对各个点的坐标进行计算；
S5.3、对智能网联车辆M矩形模型的边框定点进行设置并定义；
S5.4、对智能网联车辆M和智能网联车辆M原始车道前车A之间的安全约束进行计算；
S5.5、对智能网联车辆M和智能网联车辆M目标车道前车C之间的安全约束进行计算；
S5.6、对智能网联车辆M与智能网联车辆M目标车道后车B之间的安全约束进行计算。
8.根据权利要求7所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S5.2的计算公式如下：
其中，R表示偏转中心与每个矩形顶点之间的距离，L是智能网联车辆长度，W是智能网联车辆宽度，θ(t)表示智能网联车辆的偏离角，a为矩形模型(X1(t),Y1(t))与水平方向之间夹角，cos(*)表示余弦函数，sin(*)表示正弦函数，所述步骤S5.3中矩形模型的参数设置如下：
偏转后智能网联车辆M矩形模型的左侧边框为L2，右侧边框为L5，前侧边框为L4，智能网联车辆M原始车道前车A矩形模型的后侧边框为L1，智能网联车辆M目标车道前车C矩形模型的左侧边框为L3，智能网联车辆M目标车道后车B矩形模型的前侧边框为L6，假设偏转后智能网联车辆M矩形模型的左前侧顶点为点1，右前侧顶点为点3，右后侧顶点为点6，偏转后智能网联车辆M原始车道前车A矩形模型的右后侧顶点为点2，偏转后智能网联车辆M目标车道前车C矩形模型的左后侧顶点为点4，偏转后智能网联车辆M目标车道后车B矩形模型的左前侧顶点为点5。
9.根据权利要求8所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S5.4中的智能网联车辆M和智能网联车辆M原始车道前车A之间的安全约束表达式如下：
其中，XM(t)、YM(t)为智能网联车辆M的中心坐标，XA(t)、YA(t)为智能网联车辆M原始车道前车A的中心坐标，tanαa表示对偏转角α的正切函数，LA表示智能网联车辆M原始车道前车A长度，dM,safe1(t)为智能网联车辆M与智能网联车辆原始车道前车A的最小安全距离，所述步骤S5.5智能网联车辆M和智能网联车辆M目标车道前车C之间的安全约束表达式如下：
其中，XC(t)、YC(t)为智能网联车辆M目标车道前车C的中心坐标，dM,safe2(t)表示智能网联车辆M与智能网联车辆M目标车道前车C的最小安全距离，表示对进行正切运算，所述步骤S5.6中的智能网联车辆M与智能网联车辆M目标车道后车B之间安全约束表达式如下：
其中XB(t)、YB(t)智能网联车辆M目标车道后车B的中心坐标，dM,safe3(t)为智能网联车辆M与智能网联车辆M目标车道后车B的最小安全距离，tan[θ(t)]表示对θ(t)进行正切运算。
10.根据权利要求9所述的一种防碰撞的动态智能网联车辆最优换道轨迹规划方法，其特征在于：所述步骤S5中的碰撞检测存在不满足安全约束的情况下，智能网联车辆M将立即中止换道，并开始规划最优换道轨迹以返回原始车道。
CN202410025717.5A 2024-01-08 2024-01-08 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法 Active CN117698730B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410025717.5A CN117698730B (zh) 2024-01-08 2024-01-08 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410025717.5A CN117698730B (zh) 2024-01-08 2024-01-08 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法

Publications (2)

Publication Number Publication Date
CN117698730A true CN117698730A (zh) 2024-03-15
CN117698730B CN117698730B (zh) 2024-05-31

Family

ID=90144491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410025717.5A Active CN117698730B (zh) 2024-01-08 2024-01-08 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法

Country Status (1)

Country Link
CN (1) CN117698730B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073663A1 (en) * 2013-09-12 2015-03-12 Volvo Car Corporation Manoeuver generation for automated driving
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 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
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法
CN111681452A (zh) * 2020-01-19 2020-09-18 重庆大学 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法
CN112965489A (zh) * 2021-02-05 2021-06-15 北京理工大学 一种基于碰撞检测的智能车高速换道规划方法
WO2022148282A1 (zh) * 2021-01-07 2022-07-14 腾讯科技（深圳）有限公司 一种车辆轨迹规划方法、装置、存储介质及设备
CN115140093A (zh) * 2022-07-18 2022-10-04 东南大学 一种实时轨迹规划方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150073663A1 (en) * 2013-09-12 2015-03-12 Volvo Car Corporation Manoeuver generation for automated driving
CN106926844A (zh) * 2017-03-27 2017-07-07 西南交通大学 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
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN109501799A (zh) * 2018-10-29 2019-03-22 江苏大学 一种车联网条件下的动态路径规划方法
CN111681452A (zh) * 2020-01-19 2020-09-18 重庆大学 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法
WO2022148282A1 (zh) * 2021-01-07 2022-07-14 腾讯科技（深圳）有限公司 一种车辆轨迹规划方法、装置、存储介质及设备
CN112965489A (zh) * 2021-02-05 2021-06-15 北京理工大学 一种基于碰撞检测的智能车高速换道规划方法
CN115140093A (zh) * 2022-07-18 2022-10-04 东南大学 一种实时轨迹规划方法

Also Published As

Publication number Publication date
CN117698730B (zh) 2024-05-31

Similar Documents

Publication Publication Date Title
Ersal et al. Connected and automated road vehicles: state of the art and future challenges
EP4141736A1 (en) Lane tracking method and apparatus
CN111653113B (zh) 车辆的局部路径确定方法、装置、终端和存储介质
WO2017022447A1 (ja) 車両制御装置、車両制御方法、および車両制御プログラム
CN108088456A (zh) 一种具有时间一致性的无人驾驶车辆局部路径规划方法
CN108919795A (zh) 一种自动驾驶汽车换道决策方法及装置
US20230286536A1 (en) Systems and methods for evaluating domain-specific navigation system capabilities
EP4030403A1 (en) Method and device for predicting exit for vehicle
CN108446463B (zh) 微观交通流协同仿真平台、仿真方法及安全评价方法
CN113689735B (zh) 一种车辆换道碰撞预警方法及装置
CN114945959B (zh) 行驶轨迹确定方法、装置、计算机设备和存储介质
Jayawardana et al. Learning eco-driving strategies at signalized intersections
CN112046484A (zh) 一种基于q学习的车辆变道超车路径规划方法
WO2023231569A1 (zh) 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法
US20240174221A1 (en) Vehicle decision-making planning method and apparatus, device and medium
CN113848914A (zh) 动态环境下碰撞系数人工势场法局部路径规划方法
Zhang et al. Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles
Lattarulo et al. Real-time trajectory planning method based on n-order curve optimization
Malayjerdi et al. Practical path planning techniques in overtaking for autonomous shuttles
Aoki et al. Multicruise: eco-lane selection strategy with eco-cruise control for connected and automated vehicles
Weisswange et al. Intelligent traffic flow assist: Optimized highway driving using conditional behavior prediction
Guo et al. Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic
CN117698730B (zh) 一种防碰撞的动态智能网联车辆最优换道轨迹规划方法
CN113815645B (zh) 一种适用于环形交叉口的自动驾驶行为决策***与运动规划方法
CN113682300B (zh) 避让障碍物的决策方法、装置、设备及介质

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