CN117782126A - 高精地图引导的自动驾驶路径规划决策方法 - Google Patents
高精地图引导的自动驾驶路径规划决策方法 Download PDFInfo
- Publication number
- CN117782126A CN117782126A CN202311796956.2A CN202311796956A CN117782126A CN 117782126 A CN117782126 A CN 117782126A CN 202311796956 A CN202311796956 A CN 202311796956A CN 117782126 A CN117782126 A CN 117782126A
- Authority
- CN
- China
- Prior art keywords
- lane
- planning
- decision
- vehicle
- path planning
- 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
- 238000000034 method Methods 0.000 title claims abstract description 125
- 238000004364 calculation method Methods 0.000 claims abstract description 48
- 230000008447 perception Effects 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 98
- 230000006870 function Effects 0.000 claims description 28
- 238000010586 diagram Methods 0.000 claims description 18
- 230000033001 locomotion Effects 0.000 claims description 13
- 238000009499 grossing Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 12
- 230000009471 action Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000013519 translation Methods 0.000 claims description 9
- 238000013499 data model Methods 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 238000009825 accumulation Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008901 benefit Effects 0.000 claims description 4
- 230000001960 triggered effect Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 23
- 238000012360 testing method Methods 0.000 description 13
- 238000012795 verification Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 206010039203 Road traffic accident Diseases 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 210000004556 brain Anatomy 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000274965 Cyrestis thyodamas Species 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本申请的高精地图引导的自动驾驶路径规划决策方法，立足高精地图提供的大量、丰富、精准的道路静态信息基础上，基于导航应用模式,结合基于感知***与简易要素地图的路径规划决策方法,提出适用于智能汽车的路径规划决策***框架及模块和方法，并重点提出了三个方面的改进：一是高精地图引导的车道轨线级路径规划方法，二是高精地图引导的驾驶行为决策方法，三是高精地图引导的局部路径规划和选择方法，通过代价计算的方式整合影响驾驶曲线选择的决策代价、道路代价及舒适度代价三个不同指标，并通过加权求和取代价最小对轨迹线进行选择。通过以上三点改进，大幅提高了自动驾驶的可靠性、安全性、智能型和经济性。
Description
技术领域
本申请涉及一种汽车辅助驾驶路径规划决策***，特别涉及一种高精地图引导的自动驾驶路径规划决策方法，属于汽车AI智能驾驶技术领域。
背景技术
近年来，自动驾驶技术的蓬勃发展，传统的自动驾驶***来自于机器人架构的延伸,分为感知，规划决策与控制三部模块。感知是利用摄像头、雷达等各种传感器对周边环境进行检测识别，从而“看到”周围的环境，类比于人眼。规划决策是在融合了多个传感器信息的基础上，对自身与周围环境具备明确了解的前提下的工作。其模拟人工驾驶状态下,人脑对各个要素重要性的综合判断最终做出各种不同的决策，规划出不同的驾驶路径,因此自动驾驶***的规划决策模块也是最为复杂的部分。控制则是将大脑的规划落实到实际的控制***包括刹车、油门、制动去执行。
当前很大一部分交通事故是由于人工驾驶失误造成的，人工驾驶的不良***，另外，优秀的自动驾驶技术更是能较少交通事故的发生。因此，早日实现自动驾驶技术也具有重大的社会意义。
但实践证明了现有技术的自动驾驶并不可靠性。假如***中有地图的辅助，那么***可以在几公里之外即可检索到整个路口，而且通过地图来保存历史数据则很容易发现路口容易引发交通事故,那么车辆即可提前预警,减速，感知加强等等，避免事故发生。自动驾驶***屡屡出错，血的教训也让大家意识到高精地图在自动驾驶***中不可或缺,但当前对于高精地图自动驾驶应用尚处于起步阶段。
由于汽车对安全性的极端高要求,制约自动驾驶技术落地商用的最为关键的问题便是技术本身的可靠性。因此地图的加入，提升与自动驾驶***安全紧密相关的感知、定位与规划决策各模块的性能，有助于大幅加快这项技术的普及和应用，提供更好的出行服务。
当前高精地图已经实现小批量生产,但高精地图数据制作成本是普通地图数据的十倍，而目前还没有可以足够的应用领域。自动驾驶领域是高精地图应用的重点,解决高精地图在自动驾驶技术中的应用问题是当务之急。但目前来看，高精地图与自动驾驶技术的结合尚处于早期。
目前应用于智能汽车的方法已经较多，但这些方法均是基于简易要素地图，由于缺失工程化的高精地图的支持，还不能适应复杂的真实路况，因此无法真正进一步工程化。如何利用高精地图的信息来改进现有的智能汽车路径规划决策方法是当前的研究核心。
现有的智能汽车行为决策方法由于单纯依赖感知***的探测或者简易要素地图的支持，对于某些复杂的，不易被感知***识别的或者无法识别的场景下，容易出现决策失误，从而造成碰撞风险。如何利用高精地图的详细数据避免决策失误降低风险也是当前研究重点。
路径规划决策模块是智能汽车的大脑，是智能汽车领域最为关键的技术之一。这个模块的性能指标也很大程度上决定了整个***所能达到的高度。现有技术的智能汽车规划决策***分4个层级，第一级为基于常规地图数据的长距离道路级规划，是实现当前位置至目的地的规划，也即任务规划；第二级为高精地图引导的车道轨线级路径规划，是基于道路级别规划的基础上，进一步获取车道轨线级规划的信息；第三级为高精地图引导的行为决策,这一步是将车辆行车经验及交通规划抽象化并总结,辅助最终路径的选择。第四级即为局部路径规划，即解决当前车辆前方一两百米之内的行驶路径,这一步将障碍物的位置及行为预测结果以及车辆的运动限制条件均考虑在内，最终选择出一条符合车辆动力学的可执行的，无碰的最佳局部行驶轨迹。虽然路径规划方法的研究内容很多,但由于之前高精度地图的概念并没有普及，因而当前智能汽车路径规划决策***并没有很好地利用高精地图数据。
综合来看，现有技术仍然存在若干问题和缺陷，自动驾驶路径规划决策***的关键技术难点有以下几点：
(1)现有技术自动驾驶***屡屡出错，无法满足汽车对安全性极端高的要求,制约自动驾驶技术落地商用的最为关键的问题便是技术本身的可靠性，当前自动驾驶***与安全紧密相关的感知、定位与规划决策模块都存在若干问题，不利于这项技术的普及和应用，当前高精地图数据制作成本高，高精地图与自动驾驶技术的结合尚不成熟。现有技术应用于智能汽车的方法均是基于简易要素地图，由于缺失工程化的高精地图的支持，还不能适应复杂的真实路况，因此无法真正进一步工程化，无法利用高精地图的信息来改进现有的智能汽车路径规划决策方法。现有的智能汽车行为决策方法由于单纯依赖感知***的探测或者简易要素地图的支持，对于某些复杂的，不易被感知***识别的或者无法识别的场景下，容易出现决策失误，从而造成碰撞风险，无法利用高精地图的详细数据避免决策失误降低风险。现有技术的自动驾驶无论是可靠性、安全性，还是智能型、经济性都无法满足要求。
(2)现有技术自动驾驶缺少高精地图引导的车道轨线级路径规划方法，车道轨线级路径规划方法是高精度地图数据精确到车道轨线级的背景下所需要进行的必要步骤，现有技术常规的车道轨线级规划方法由于对应的地图相对简单，只是单纯地进行了车道轨线级拓扑计算的问题，缺少高精细、要素齐全的高精度地图，无法进一步计算每一个车道轨线级规划路段的同类车道，缺少精准描述结构化道路的可行驶区域范围，从而无法为车辆的变道以及局部规划轨迹簇的生成提供有效支持，这对于自动驾驶***是致命的，无法提供安全经济的路径规划决策，最终导致自动驾驶失去大规模推广应用价值。
(3)自动驾驶缺少高精地图引导的决策方法，现有技术的决策方法是依据感知的信息来进行决策，但由于某些信息(比如说车道线的颜色和类型及超视距信息)并不容易被感知识别到，但对于决策具有重大的意义(双黄线、白色实线不能变道，视距外的路口容易发生事故)，因此造成一定的决策失误概率，针对感知***的不确定性可能带来的决策风险的问题,由于缺少高精度地图提供准确的地面静态信息,无法规避由于感知的不确定性带来的决策失误,造成巨大的安全性和可靠性潜在风险，造成自动驾驶决策不仅安全性差，而且也缺乏科学性和权威性。
(4)自动驾驶缺少高精地图引导的局部路径规划，现有技术的自动驾驶团队技术多源于智能汽车比赛，因而局部路径规划方法都是基于路网文件来实现的(国内外团队均基于DARPA定义的RNDF文件)，但路网文件信息稀疏且数据模型过于简单，不能适应较为复杂的道路场景，从而会给局部规划带来额外的困难。针对路网文件带来的局部道路表达困境和规划边界模糊的问题,现有技术缺少结合高精地图详细的道路表达模型及精确的车道几何与拓扑信息,无法解决局部路径规划方法的道路边界去模糊问题。同时,路径选择结果无法完全匹配结构化道路行驶规则，缺少结合高精地图的车道与车道线数据，缺少路径选择的代价计算,无法解决路径选择尽可能确保车辆行驶在结构化道路的中心，使得自动驾驶存在严重的安全隐患，也容易影响道路交通的整体秩序，这样的自动驾驶模型失去了实际利用价值。
发明内容
针对当前自动驾驶技术并不能达到足够的安全度，其仅依靠感知***，而不采用地图的辅助稳定性不够，本申请将高精地图与高级自动驾驶***的多层级结合后，高精地图的作用不仅可以辅助车辆的感知***,定位***也能辅助车辆的路径规划决策***，在整体上使得自动驾驶稳定性升级了一大步。并具体通过高精地图引导的车道轨线级路径规划、高精地图引导的行为决策方法、高精地图引导的局部路径规划及选择，大幅提高了自动驾驶决策的安全性、科学性和权威性，测试证明，本申请自动驾驶作为人工驾驶的替代,不仅能大幅度降低交通事故的发生率，也能极大地提升城市公路交通的运行效率，市场价值以及社会价值巨大，有效解决了制约自动驾驶技术商用落地最直接的安全性问题。
为实现以上技术效果，本申请所采用的技术方案如下：
高精地图引导的自动驾驶路径规划决策方法，首先构建高精地图的要素及数据模型,并通过典型的地图数据模型实例解析高精地图的数据建模方法，然后，将高精地图引导的路径规划决策***划分成三层：第一层为车道轨线级路径规划层，第二层为行为决策层，第三层为局部路径规划层，每一层方法都对高精地图数据进行自动驾驶应用方向路径规划决策解析；
1)高精地图引导的车道轨线级路径规划方法：首先改进迪杰斯特拉方法进行高精地图车道轨线级路径规划，然后利用地图中道路与车道的对应关系进行反向计算同类车道表达规划的可通行区域以满足车辆的避障、变道需求，再通过余弦函数构建虚拟车道从而对规划车道进行切向平滑以解决地图划分引起的车道轨线级规划车道跳变问题，满足路径规划平滑性的需求，最后基于短距离内地图拓扑关系计算消耗资源极少的优势,构建车道轨线级路径规划方法触发方式包含规划距离不足及变道行车两项；
2)高精地图引导的驾驶行为决策方法：首先解析结构化道路面条件下的动作决策项，通过有限状态机的状态切换机制进行表达，然后解析状态机各个状态项之间的切换条件，重要的状态机切换条件包括：利用地图进行障碍物的映射、通过地图对障碍物的行为进行预判，将左右变道划归于横向决策，其余决策项划归于纵向决策；针对横向决策，划分变道意图生成起始点判断和变道意图生成及变道条件判断三个步骤，其中通过期望车速与当前车速的绝对差大于一定临界值作为变道意图生成的起始点，通过累积行车效率损失大于一定临界值来生成变道意图，最后通过变道意图结合地图数据进行变道条件判断，最终生成决策；
3)高精地图引导的局部路径规划和选择方法：首先提出局部路径规划方法的步骤，然后抽取地图车道轨线级规划车道中心线作为规划基线，可行驶区域的边界作为轨迹簇最大边距，在规划曲线跨越宽度不一的可行驶区域的情况下，以最窄的可行驶区域边界作为轨迹簇最大边距，最后通过代价计算的方式整合影响驾驶曲线选择的决策代价、道路代价及舒适度代价三个不同指标，并通过加权求和取代价最小的方法对轨迹线进行选择，其中道路代价通过抽取车道线类型获得。
优选地，车道轨线级规划方法：
在最优车道规划的基础上，得出多个次优备选车道综合方案，方案包括三个部分，第一部分是在道路级规划基础上,基于道路级规划LinkID序列以及道路LinkID与车道LaneID的一对多的包含关系进行车道轨线级拓扑计算，确保连通性；第二部分是在车道轨线级LaneID序列完全得到，确保车道连通基础上，层层反溯，利用车道之间属性的差异进行同类车道的计算；第三部分是基于高精地图数据本身，对道路段的切分针对道路的切向，针对阶跃部分制作虚拟车道连接进行平滑；
对车道轨线级路径规划进行两点细化：
(1)同类车道的提出，车道轨线级规划得出的车道ID序列之外，还提供其同类车道，保证局部路径规划及变道的需求，将真实道路的情况反映给车辆，供其参考；
(2)针对检索结果进行了切点检索并利用余弦函数进行切向平移，确保平滑衔接两条车道中心线。
优选地，高精地图车道轨线级拓扑计算：
通过高精度定位，匹配出当前的s_lane以及终点的e_lane，每次长距离的规划由道路级规划计算完毕，每次车道轨线级规划仅需要负责计算前方1至2km的数据即可；
基于车道轨线级拓扑信息,变道动作必须通过打通从属于同一个LinkID下的多条LaneID的连接来实现；
变道本身与车道长度一样，换算成距离代价，参与到路径计算中，车道的代价是直接的车道距离,变换车道的代价通过估算得到，生成一条虚拟的变道路线,并计算虚拟变道路线的距离并乘以一个权值：
Cost＝dst*p式1
假设虚拟车道长度为行驶速度与变道时间的乘积,本申请采用的缺省值为120km/h下，6s变道时间，即216m，权值可调，本申请采用的缺省值为1.5。
优选地，变车道跳变处平滑：在车道中心线切向跳变处利用余弦函数生成虚拟车道的方案,通过在现有路段的切面处的点不断平移接驳两个切向平移的车道，从而减小跳变的力度；
车道轨线级路径规划触发机制包括：
(1)车道轨线级路径规划单次长度超过2km，是其基于静态信息的规划，第一个触发条件是车辆即将到达单次车道轨线级路径规划的结果数据的临界值，自动触发车道轨线级路径规划再往前进一步规划；
(2)当车辆通过变道方式离开当前车道轨线级路径规划的推荐车道时,自动触发车道轨线级路径规划。
优选地，基于结构化道路交规的行为决策项：
(1)车道直行―常规决策，保持当前车道行驶：不论当前车道是否有障碍，车辆保持车道行驶，直到新的决策导致状态切换；
(2)路口左转—常规决策,路口的情况下会遇到：在路口后车辆进入缓慢运行，适应更快的规划的频率和感知的频率所带来的更多的计算延迟，另外一些转弯过程中的属性也会逐渐添加上去应用起来；
(3)路口右转—常规决策，路口的情况下会遇到：路口车辆进入预定车道后不再判断红绿灯信息，直接进入变道状态；
(4)路口直行—常规决策，路口的情况下会遇到：车辆将进入路口内缓慢运行，适应更快的规划和感知频率带来的更多的计算延时；
(5)路口驻车—常规决策，即将到达路口的时候会遇到：车辆进入缓行，跟车的状态；
(6)左变道—常规决策，在保持车道的情况下遇到：左侧道路的权重加大；
(7)右变道―常规决策，在保持车道的情况下遇到：右侧道路的权重加大。
(8)掉头行驶—常规决策：区分掉头车道，并加重掉头车道的权重；
结合地图车道属性信息的障碍物行为预判方法：进一步利用其几何信息对障碍物侧向运动进行估计，尽可能及时发现突然变道的情况，对车辆侧向运动进行建模，针对车速做车道方向和车道切向的速度分解，并获得切向车速Vx；同时，通过车辆中心点与车道中心点进行匹配，并获得匹配距离D1，得到车辆中心点与车道边界的切向距离为半车道宽度减去D1，获得侧向穿越车道时间计算式为：
V表示车辆真实速度，Vx表示车速V在道路切向上的分量，δ表示车速方向与车道方向的夹角，LanePt.Heading表示车道方向，Vehicle.Heading表示车辆行驶方向，LanePt表示车辆中心在车道中心线上的匹配点，Width表示车宽；预测穿越车道线的时间，对小型车取1.5至2秒之间，大型车为2.5秒，认定车辆发生侧向运动，在决策上做出约束。
优选地，变道车辆横向决策：变道决策包括：一是变道意图的生成，二是变道意图起算时机或放弃条件，三是变道决策的判断；
(1)生成变道意图：基于行车效率损失累计LCDT描述，首先，变道意图产生是当前车速小于期望速度；其次，这个低效需累积一段时间；利用当前速度小于期望速度的值对时间的积分与事先设定的临界值进行比较,判断是否达到变道意图的生成条件；
(2)变道意图起算时机或放弃条件：确定开始累计计算行车效率损失累计值的时间点，采用期望速度与当前速度之差大于设定的临界值之后，即开始启动行车效率损失累计计算，当期望速度与当前行车速度差小于设定的临界值时，及放弃已经计算的累计值，并将累计值归零，等待下一次启动；
(3)变道决策的判断：当行车效率损失累计值大于设定的临界值时，即启动变道可行性判断。
优选地，实时局部路径轨迹簇规划：
第一步，获取规划base基线：获得轨迹所跟随道路的一条中心线base线，起到基线作用，轨迹簇中所有的轨迹线都以轨迹中心线为规划基线，继而在基线附近根据方法生成一系列的轨迹线，基线既是轨迹簇的核心线也提供轨迹线末端的运动方向；
第二步，基线平滑：每一次轨迹的生成都保证尽可能的平滑且曲率变化线性，基线是一系列散列点所组成，对于轨迹生成还需要进一步进行函数表达；
第三步，获取切向边缘限制条件：给轨迹簇的切向发散限定有效，边界合理确保规划有效性并确保计算量可控；
第四步，轨迹簇的生成：通过侧偏函数，并与基线进行叠加，同时调节最大侧偏距离，同时生成一定侧向间距的一系列轨迹数据，这些轨迹簇的每一条轨迹都满足车辆运动学约束并与当前的车辆位置与姿态相关。
优选地，基于高精地图抽取边界限制条件：引入高精地图，通过利用高精地图引导的车道轨线级路径规划后，得到一条车道轨线级路径规划结果以及每一段车道中，可供变道避障采用的同类车道，同类车道的获得即为路径侧向规划的最大偏移；
具体方法如下：每次通过车道轨线级路径规划得到的LaneID提取规划的车道中心线散列点串之后，进一步通过车道轨线级路径规划的结果获得每一段车道轨线级规划LaneID的同类车道，这些同类车道都支持车辆变道行驶的车道，最大侧偏距离由同类车道数据决定，假设每条正常车道宽度一致的情况下，最大侧偏距离q的计算：
qleft/right＝NumofBrotherLanesleft/right*Width 式3
NumofBrotherLaneSleft/right表示同类车道数量，Width表示车道宽度，最大侧偏距离q必须为单次规划距离内，以车道轨线级规划为中心的条件下，侧向距离的最小值。
优选地，生成轨迹簇：获得车道的中心线作为轨迹簇的base基线以及车辆的侧偏距离限制参数qleft和qright之后，即获得车辆的可行驶区域，在这片空间中生成一系列的可行驶轨迹，这些轨迹的生成保证车辆具有足够的机动能力，也使得驾驶行为更加安全舒适，轨迹簇的生成步骤包括：
步骤一，定位与base线进行匹配：通过匹配过程将车辆从笛卡尔坐标系映射到基线的曲线坐标系中，利用base基线的航向信息；
步骤二，确定单次局部路径规划长度：决定车辆在多长的距离内去修正当前车辆与基线之间存在的航向及偏移误差；
步骤三，构建侧偏变化函数并生成轨迹簇
单次路径规划的长度包含两个部分，第一部分是航向偏差与侧向距离偏差的调整阶段，采用三次样条曲线来模拟调整阶段的曲线，并通过下式解决：
Δs＝s-si 式7
其中，q(s)为调整阶段的三次样条函数，si表示车辆通过匹配得到的基线上的映射点，sf表示调整阶段的弧长，qf为轨迹簇中某条轨迹线的侧向偏移值，通过同类车道计算所得；qi表示当前点匹配计算得到的车辆与基线的侧向距离，a、b、c表示对应参数，s表示函数弧长变量。
优选地，舒适性代价路径选择：
采用代价计算方式，为轨迹簇中的所有备选轨迹分别计算一个代价，将影响轨迹选择的多个因素归一化，最终形成一个统一的标准，而将各个因素归一化是通过给予各个影响代价的因素一个定量的测度值并分别赋予权值,从而最终获得代价计算函数；
采用累计计算整条轨迹线上的曲率和作为轨迹线的舒适性代价，基于曲率的影响因素是指数级，将曲率值的平方作为积分条件：
上式中，ki代表第i个点的曲率，s是沿着轨迹线的弧长；
最后，假设三类代价分别cost1，cost2，cost3，各类代价值对最终选择的影响因子不同，还要加入一个权值，得到最终代价计算式为：
cost＝q1*cost1+q2*cost2+q3*cost3 式9
得到最终代价示意图。
与现有技术相比，本申请的创新点和优势在于：
第一，本申请立足于真正的高精地图提供的大量、丰富、精准的道路静态信息基础上，基于导航应用模式,结合了基于感知***与简易要素地图的路径规划决策方法,提出了基于高精度地图的适用于智能汽车的路径规划决策***框架及模块和方法，并重点提出了三个方面的改进：一是高精地图引导的车道轨线级路径规划方法：改进迪杰斯特拉方法进行高精地图车道轨线级路径规划，利用地图中道路与车道的对应关系进行反向计算同类车道表达规划的可通行区域以满足车辆的避障、变道需求，通过余弦函数构建虚拟车道从而对规划车道进行切向平滑以解决地图划分引起的车道轨线级规划车道跳变问题，满足路径规划平滑性的需求，构建车道轨线级路径规划方法触发方式包含规划距离不足及变道行车两项；二是高精地图引导的驾驶行为决策方法：通过有限状态机的状态切换机制进行表达，然后解析状态机各个状态项之间的切换条件，将左右变道划归于横向决策，其余决策项划归于纵向决策；三是高精地图引导的局部路径规划和选择方法：抽取地图车道轨线级规划车道中心线作为规划基线，可行驶区域的边界作为轨迹簇最大边距，以最窄的可行驶区域边界作为轨迹簇最大边距，通过代价计算的方式整合影响驾驶曲线选择的决策代价、道路代价及舒适度代价三个不同指标，并通过加权求和取代价最小的方法对轨迹线进行选择。通过以上三点改进，大幅提高了自动驾驶的可靠性、安全性、智能型和经济性，具有巨大的实用价值。
第二，针对当前自动驾驶技术并不能达到足够的安全度，其仅依靠感知***，而不采用地图的辅助稳定性不够，本申请将高精地图与高级自动驾驶***的多层级结合后，高精地图的作用不仅可以辅助车辆的感知***,定位***也能辅助车辆的路径规划决策***，在整体上使得自动驾驶稳定性升级了一大步。并具体通过高精地图引导的车道轨线级路径规划、高精地图引导的行为决策方法、高精地图引导的局部路径规划及选择，大幅提高了自动驾驶决策的安全性、科学性和权威性，测试证明，本申请自动驾驶作为人工驾驶的替代,不仅能大幅度降低交通事故的发生率，也能极大地提升城市公路交通的运行效率，市场价值以及社会价值巨大，有效解决了制约自动驾驶技术商用落地最直接的安全性问题。
第三，针对常规车道轨线级路径规划方法无法表达智能汽车所需要的完整的可行驶区域的问题，本申请提出了同类车道的概念及计算方法，改进了基于感知***与简易要素地图的常规智能汽车车道轨线级路径规划方法。通过同类车道组合表达实际的可行驶区域,一方面是在常规路段上将应急车道等非常规车道纳入到智能汽车可行驶区域,从而使得智能汽车在紧急情况下可以选择在应急车道行驶或停靠；另一方面在道路分叉口的场景下，滤除与车道轨线级规划行驶方向不同的同一道路段上的某些正常车道，从而避免了干扰，有利于改善道路交通整体秩序，有助于大幅加快这项技术的普及和应用，提供更好的出行服务。
第四，针对纯粹依赖智能汽车感知***及简易要素地图进行可行驶区域检测带来的车道属性缺失、标线属性检测错误、障碍物所属车道ID映射错误引起车道路权计算错误等问题带来的决策失误的风险,本申请通过提取高精地图的几何与车道和标线属性信息降低了决策条件判断失误风险,同时提出了高精地图引导的障碍物映射方法及借鉴国标LDW预警条件发展而来的路权变化预期计算方法，不仅能很好地适应大弯道路段的障碍物车道轨线级映射问题,也能实时计算由于障碍车的变道行为导致的道路行驶条件变化问题，使得真个自动驾驶的智能型和灵活性提高，对道路交通的负面和不确定性影响减小，自动驾驶更加成熟可靠。
附图说明
图1是高精地图引导的车道轨线级路径规划结果示意图。
图2是多车道间拓扑连接关系和起止点匹配后车道级规划结果图。
图3是车道中心线跳变示意图。
图4是跳变车道中心线切向平滑算法流程图。
图5是障碍物横向运动预测示意图。
图6是本申请行车效率损失累计示意图。
图7是路口决策问题抽象示意图。
图8是高精地图引导的局部路径规划流程示意图。
图9是基线和生成的轨迹簇的关系示意图。
图10是道路边界限制条件参数示意图。
图11是生成的轨迹簇和舒适性代价示意图。
图12是高精地图测绘制备流程图。
图13是无障碍物时的仿真验证路径选择示意图。
图14是加入障碍物时的仿真验证路径选择示意图。
具体实施方式
下面结合附图，对本申请提供的高精地图引导的自动驾驶路径规划决策方法的技术方案进行进一步的描述，使本领域的技术人员能够更好的理解本申请并能够予以实施。
随着近年来AI与大数据相关技术的突破性发展，自动驾驶技术作为具有重大商业潜力的热点技术，越来越受到社会的关注。自动驾驶技术核心是解决如何让机器具有驾驶员的能力，包括对环境的感知认知能力，自身定位定姿能力以及规划决策能力。高精地图是实现高级自动驾驶的必要条件路径之一。目前自动驾驶采用精简版高精地图进行开发，类似RNDF路网文件，但由于路网文件信息量极少，因此高精地图的应用潜力还有进一步发掘的空间。本申请立足于真正的高精地图提供的大量、丰富、精准的道路静态信息基础上，基于导航应用模式,提出适用于智能汽车的高精地图引导的路径规划决策***。
本申请首先构建高精地图的要素及数据模型,并通过典型的地图数据模型实例解析高精地图的数据建模方法，然后，将高精地图引导的路径规划决策***划分成三层：第一层为车道轨线级路径规划层，第二层为行为决策层，第三层为局部路径规划层，每一层方法都对高精地图数据进行自动驾驶应用方向路径规划决策解析，分别为：
(1)高精地图引导的车道轨线级路径规划方法：首先改进迪杰斯特拉方法进行高精地图车道轨线级路径规划，然后利用地图中道路与车道的对应关系进行反向计算同类车道表达规划的可通行区域以满足车辆的避障、变道需求，再通过余弦函数构建虚拟车道从而对规划车道进行切向平滑以解决地图划分引起的车道轨线级规划车道跳变问题，满足路径规划平滑性的需求，最后基于短距离内地图拓扑关系计算消耗资源极少的优势,构建车道轨线级路径规划方法触发方式包含规划距离不足及变道行车两项；
(2)高精地图引导的驾驶行为决策方法：首先解析结构化道路面条件下的动作决策项，通过有限状态机的状态切换机制进行表达，然后解析状态机各个状态项之间的切换条件，重要的状态机切换条件包括：利用地图进行障碍物的映射、通过地图对障碍物的行为进行预判，最后，将左右变道划归于横向决策，其余决策项划归于纵向决策；针对横向决策，划分变道意图生成起始点判断和变道意图生成及变道条件判断三个步骤，其中通过期望车速与当前车速的绝对差大于一定临界值作为变道意图生成的起始点，通过累积行车效率损失大于一定临界值来生成变道意图，最后通过变道意图结合地图数据进行变道条件判断，最终生成决策；
(3)高精地图引导的局部路径规划和选择方法：首先提出局部路径规划方法的步骤，然后抽取地图车道轨线级规划车道中心线作为规划基线，可行驶区域的边界作为轨迹簇最大边距，在规划曲线跨越宽度不一的可行驶区域的情况下，以最窄的可行驶区域边界作为轨迹簇最大边距，最后通过代价计算的方式整合影响驾驶曲线选择的决策代价、道路代价及舒适度代价三个不同指标，并通过加权求和取代价最小的方法对轨迹线进行选择，其中道路代价通过抽取车道线类型获得。
一、高精地图引导的车道轨线级路径规划方法
传统导航方式是由导航仪计算得到道路级计算结果,当车辆行驶到特定区域后，由导航仪播报相对应的语音信息提醒驾驶员变更车道进而变更道路。但自动驾驶***中，传统的语义信息并不足以被车辆很好的采用，同一个道路上的多个车道通向不同的方向,仅仅道路级导航结果很可能造成自动驾驶车辆走错车道进而走错道路。因此，针对自动驾驶需求，精细到车道轨线级别的数据信息以及基于数据的车道轨线级导航计算结果不可缺少。
(一)车道轨线级规划方法
在最优车道规划的基础上，得出多个次优备选车道综合方案，方案包括三个部分，第一部分是在道路级规划基础上,基于道路级规划LinkID序列以及道路LinkID与车道LaneID的一对多的包含关系进行车道轨线级拓扑计算，确保连通性；第二部分是在车道轨线级LaneID序列完全得到，确保车道连通基础上，层层反溯，利用车道之间属性的差异进行同类车道的计算；第三部分是基于高精地图数据本身，对道路段的切分针对道路的切向，车道轨线级规划的结果很可能造成车道的横向阶跃，因此针对阶跃部分制作虚拟车道连接进行平滑。如图1所示完整的车道轨线级规划结果示意图。越接近路口，车道轨线级规划的车道就越靠近最右侧车道，直至进入最右侧车道，当车辆行驶到即将出匝道的交换区时，即便车道轨线级规划车道左侧依然还有好几条车道的空余，但都不会算成同类车道，因为此处已不容许左侧变道了。
本申请对车道轨线级路径规划进行了两点细化：
(1)同类车道的提出，车道轨线级规划得出的车道ID序列之外，还提供其同类车道，保证局部路径规划及变道的需求，将真实道路的情况反映给车辆，供其参考；
(2)针对检索结果进行了切点检索并利用余弦函数进行切向平移，确保平滑衔接两条车道中心线。
1.高精地图车道轨线级拓扑计算
通过高精度定位，匹配出当前的s_lane以及终点的e_lane，每次长距离的规划由道路级规划计算完毕，每次车道轨线级规划仅需要负责计算前方1至2km的数据即可，从而大幅降低了计算的复杂度。
车道轨线级拓扑信息由图2(a)可知,车道数不变的情况下,不同路段之间，前后接的车道没有一对多的关系，在拓扑关系上不支持变道。但实际规划中，变道动作必须通过打通从属于同一个LinkID下的多条LaneID的连接来实现。如图2所示。
变道本身与车道长度一样，换算成距离代价，参与到路径计算中，车道的代价是直接的车道距离,变换车道的代价通过估算得到，生成一条虚拟的变道路线,并计算虚拟变道路线的距离并乘以一个权值：
Cost＝dst*p 式1
假设虚拟车道长度为行驶速度与变道时间的乘积,本申请采用的缺省值为120km/h下，6s变道时间，即216m，权值可调，本申请采用的缺省值为1.5。如图2(b)所示，为车道规划计算结果。
2.变车道跳变处平滑
如图3所示,车道轨线级拓扑计算的结果不可能避免变道的产生,而变道需求的产生则会造成道路中心线数据发生切向平移。
本申请提出在车道中心线切向跳变处利用余弦函数生成虚拟车道的方案,通过在现有路段的切面处的点不断平移接驳两个切向平移的车道，从而减小跳变的力度。方法流程图如图4所示。
3.车道轨线级路径规划触发机制
(1)车道轨线级路径规划单次长度超过2km，是其基于静态信息的规划，并没有时变特性，第一个触发条件是车辆即将到达单次车道轨线级路径规划的结果数据的临界值，自动触发车道轨线级路径规划再往前进一步规划；
(2)车道轨线级路径规划其中得出了推荐车道，对于规划模块的决策和局部路径规划都具有重要作用。而车道轨线级路径规划对推荐车道切向平移处采取了虚拟车道平滑。考虑到以上两个原因，当车辆通过变道方式离开当前车道轨线级路径规划的推荐车道时,自动触发车道轨线级路径规划。
二、高精地图引导的驾驶行为决策方法
(一)基于结构化道路交规的行为决策项
(1)车道直行―常规决策，保持当前车道行驶：不考虑纵向内容，即不论当前车道是否有障碍物(甚至障碍物速度为0)，车辆保持车道行驶，直到新的决策导致状态切换；
(2)路口左转—常规决策,路口的情况下会遇到：在路口后车辆进入缓慢运行，适应更快的规划的频率和感知的频率所带来的更多的计算延迟，另外一些转弯过程中的属性也会逐渐添加上去应用起来。
(3)路口右转—常规决策，路口的情况下会遇到：路口车辆进入预定车道后不再判断红绿灯信息(除非右转车道也有指示灯属性)，直接进入变道状态；
(4)路口直行—常规决策，路口的情况下会遇到：车辆将进入路口内缓慢运行，适应更快的规划和感知频率带来的更多的计算延时；
(5)路口驻车—常规决策，即将到达路口的时候会遇到：车辆进入缓行，跟车的状态；
(6)左变道—常规决策，在保持车道的情况下遇到：左侧道路的权重加大；
(7)右变道―常规决策，在保持车道的情况下遇到：右侧道路的权重加大。
(8)掉头行驶—常规决策：区分掉头车道，并加重掉头车道的权重。
(二)结合地图车道属性信息的障碍物行为预判方法
除通过高精地图的车道轨线级属性对障碍物进行行为预判外,进一步利用其几何信息对障碍物侧向运动进行估计，尽可能及时发现突然变道的情况。如图5所示，为障碍车横向运动估计。
如图5所示，对车辆侧向运动进行建模，针对车速做车道方向和车道切向的速度分解，并获得切向车速Vx；同时，通过车辆中心点与车道中心点进行匹配，并获得匹配距离D1，得到车辆中心点与车道边界的切向距离为半车道宽度减去D1，获得侧向穿越车道时间计算式为：
V表示车辆真实速度，Vx表示车速V在道路切向上的分量，δ表示车速方向与车道方向的夹角，LanePt.Heading表示车道方向，Vehicle.Heading表示车辆行驶方向，LanePt表示车辆中心在车道中心线上的匹配点，Width表示车宽；预测穿越车道线的时间，对小型车取1.5至2秒之间，大型车为2.5秒，认定车辆发生侧向运动，在决策上做出约束。
(三)变道车辆横向决策
变道决策影响车辆在切向上的车道选择，横向变换车道的行为在车辆行驶中是个不可避免但是风险较高的决策。变道决策包括：一是变道意图的生成，二是变道意图起算时机或放弃条件，三是变道决策的判断。
(1)生成变道意图：基于行车效率损失累计LCDT描述，首先，变道意图产生是当前车速小于期望速度；其次，这个低效需累积一段时间；利用当前速度小于期望速度的值对时间的积分与事先设定的临界值进行比较,判断是否达到变道意图的生成条件。如图6所示为行车效率损失累计示意图。
(2)变道意图起算时机或放弃条件：确定开始累计计算行车效率损失累计值的时间点，采用期望速度与当前速度之差大于设定的临界值之后，即开始启动行车效率损失累计计算，当期望速度与当前行车速度差小于设定的临界值时，及放弃已经计算的累计值，并将累计值归零，等待下一次启动。
(3)变道决策的判断：当行车效率损失累计值大于设定的临界值时，即启动变道可行性判断。
(四)速度控制纵向决策
保持车道状态下只影响速度的控制，如图7所示，高精地图为路口构建车道轨线级的拓扑连接关系，在逻辑关系的基础上，进一步构建虚拟的车道几何信息。
如图7中,车道L6为虚拟车道,将车道轨线级规划的LaneID序列抽离出来，与非路口的情况并没有本质区别，唯一的差别是L6车道作为虚拟车道，具有路口情况下一些特殊的车道属性，但车辆并无变道能力。
三、高精地图引导的局部路径规划和选择方法
采用离散优化法结合高精地图的先验信息，与高精地图进行衔接,并得出高精地图的一种应用方式。计算具体流程如图8所示。
(一)实时局部路径轨迹簇规划
图9是基线与生成的轨迹簇示意图，轨迹簇的生成方式如下：
第一步，获取规划base基线：获得轨迹所跟随道路的一条中心线base线，起到基线作用，轨迹簇中所有的轨迹线都以轨迹中心线为规划基线，继而在基线附近根据方法生成一系列的轨迹线，基线既是轨迹簇的核心线也提供轨迹线末端的运动方向。如图9所示是基线和轨迹簇的关系示意图；
第二步，基线平滑：每一次轨迹的生成都保证尽可能的平滑且曲率变化线性，基线是一系列散列点所组成，对于轨迹生成还需要进一步进行函数表达；
第三步，获取切向边缘限制条件：给轨迹簇的切向发散限定有效，边界合理确保规划有效性并确保计算量可控；
第四步，轨迹簇的生成：通过侧偏函数，并与基线进行叠加，同时调节最大侧偏距离，同时生成一定侧向间距的一系列轨迹数据，这些轨迹簇的每一条轨迹都满足车辆运动学约束并与当前的车辆位置与姿态相关。
(二)基于高精地图车道中线的选择及抽取
首先基于一条引导方向的base基线进行规划，基线不仅是保证车辆在路上行驶，不偏离车道，也要可导，曲率变化平滑，高精度地图每个车道线都具备高精度的道路中心线数据，复现真实道路情况下的曲率弯度，高精地图的车道中心线点列数据替代RNDF的路网点列用作轨迹簇生成的基线，直接抽取当前车道轨线级路径规划所在车道ID的车道中心线点列数据即可。
(三)基于高精地图抽取边界限制条件
如图10所示，道路边界限制条件参数示意图。传统地利用RNDF文件来定义最大侧偏q参数的方法具有以下几个问题：一是侧偏参数q的值比较滞后，不能非常及时地随着车道的变化而变化。二是在驾驶过程中，有些道路面即便宽度足够，但这些可行驶区域也往往不能成为车辆真正可行驶的地方，在即将出匝道口的情况下,并不建议在匝道口的路段依然在中间道甚至超车道上行驶,应该及时变道至最右侧车道轨线级规划道路。
本申请引入高精地图，通过利用高精地图引导的车道轨线级路径规划后，得到一条车道轨线级路径规划结果以及每一段车道中，可供变道避障采用的同类车道，同类车道的获得即为路径侧向规划的最大偏移。
具体方法如下：每次通过车道轨线级路径规划得到的LaneID提取规划的车道中心线散列点串之后，进一步通过车道轨线级路径规划的结果获得每一段车道轨线级规划LaneID的同类车道，这些同类车道有些在车道轨线级规划车道的左侧，有些在右侧，但都支持车辆变道行驶的车道，最大侧偏距离由同类车道数据决定，假设每条正常车道宽度一致的情况下，最大侧偏距离q的计算：
qleft/right＝NumofBrotherLanesleft/right*Width 式3
NumofBrotherLaneSleft/right表示同类车道数量，Width表示车道宽度，最大侧偏距离q必须为单次规划距离内，以车道轨线级规划为中心的条件下，侧向距离的最小值。
(四)生成轨迹簇
获得车道的中心线作为轨迹簇的base基线以及车辆的侧偏距离限制参数qleft和qright之后，即获得车辆的可行驶区域，在这片空间中生成一系列的可行驶轨迹，这些轨迹的生成保证车辆具有足够的机动能力，也使得驾驶行为更加安全舒适，轨迹簇的生成步骤包括：
步骤一，定位与base线进行匹配：通过匹配过程将车辆从笛卡尔坐标系映射到基线的曲线坐标系中，利用base基线的航向信息；
步骤二，确定单次局部路径规划长度：决定车辆在多长的距离内去修正当前车辆与基线之间存在的航向及偏移误差；
步骤三，构建侧偏变化函数并生成轨迹簇
单次路径规划的长度包含两个部分，第一部分是航向偏差与侧向距离偏差的调整阶段，采用三次样条曲线来模拟调整阶段的曲线，并通过下式解决：
Δs＝s-si 式7
其中，q(s)为调整阶段的三次样条函数，si表示车辆通过匹配得到的基线上的映射点，sf表示调整阶段的弧长，qf为轨迹簇中某条轨迹线的侧向偏移值，通过同类车道计算所得；qi表示当前点匹配计算得到的车辆与基线的侧向距离，a、b、c表示对应参数，s表示函数弧长变量。
(五)舒适性代价路径选择
采用代价计算方式，为轨迹簇中的所有备选轨迹分别计算一个代价，将影响轨迹选择的多个因素归一化，最终形成一个统一的标准，而将各个因素归一化是通过给予各个影响代价的因素一个定量的测度值并分别赋予权值,从而最终获得代价计算函数。
车辆行驶的舒适性取决于局部路径规划的轨迹是否足够平滑，轨迹上的每一个点的曲率半径，曲率越大，车辆转弯半径就最小，弯就越急，为综合考量整条轨迹的弯曲程度，本申请选用累计计算整条轨迹线上的曲率和作为轨迹线的舒适性代价，基于曲率的影响因素是指数级，将曲率值的平方作为积分条件。如图11所示为选取一段直线路段，生成轨迹簇后进行代价计算。
上式中，ki代表第i个点的曲率，s是沿着轨迹线的弧长；
最后，假设三类代价分别cost1，cost2，cost3，各类代价值对最终选择的影响因子不同，还要加入一个权值，得到最终代价计算式为：
cost＝q1*cost1+q2*cost2+q3*cost3 式9
得到最终代价示意图。
四、实验测试及分析
(一)测试背景
前期利用MATLAB仿真验证路径规划方法，后期将方法移植到自有的自动驾驶汽车作为验证平台对所选方案进行了验证。验证地点选取了北京公路院交通试验场内的大圆形跑道。场地大外环是双向四车道的正式道路，中间还建设了路口、单行道等常见道路，并设置了多种不同的交通标牌供验证测试。
实验场地的高精度地图的制备，采用专业的高精地图采集车对实地进行了测绘，并按照高精地图的格式对数据进行了分层，分块的处理，如图12。
(二)测试方案项目
(1)MATLAB仿真验证方式：从高精地图数据中随机抽取了一条车道的中心线，并基于中心线进行局部路径规划方法的验证。轨迹簇生成方法可以实施后，再随机引入一些障碍物，并查看代价计算之后的轨迹选择方法是否可行。如图13和图14所示。
(2)智能汽车实地验证平台：采用东风AX7改装的试验车，试验车采用了高精度组合定位设备及RTK差分服务，通过人工驾驶采集了中心车道的车道中心线轨迹数据，然后利用专用地图编辑工具对车道中心线数据进行平移，打断，添加属性，划分车道等等编辑操作，生成了一份高精度地图数据。在通州公路试验场进行了进行验证。
(三)测试分析
Matlab室内仿真测试中,道路基线是将高精地图中的一个车道中心线抽取出之后获得。如图13所示，作为轨迹簇生成的中心线，在放大观察之后具有很大的锯齿行驶，并不如想象中的平滑。而且为了降低车道中线数据量的大小，实验中对从高精地图中心线数据抽取出的数据进行了抽希,从而更加大了基线的不平滑。而由于基线不够平滑，生成的轨迹簇的轨迹均具有类似过度拟合的趋势，往往不能很好地反映真实场景下的车辆运行轨迹。此外，从图14所示，未引入障碍物的情况下,最终选取的车道线的轨迹基本为平行于轨迹中心线的那条轨迹，这个情况是由于代价计算的时候，对舒适性代价与沿轨迹线中线行驶代价的综合反映。图14所示，引入不同形状和大小的障碍物之后，轨迹的选择正确。
(四)测试总结
针对高精地图引导的路径规划决策方案，本申请进行了仿真及实地测试，在流程上验证了高精地图辅助规划的可行性。在实际过程中，由于有了高精地图的辅助，整体***的采用性和灵活性得到了进一步的提高。特别是针对特定场景下，利用高精地图的辅助,满足限定条件下的自动驾驶***所需要的稳定性和可靠性是完全可实现的。
Claims (10)
1.高精地图引导的自动驾驶路径规划决策方法，其特征在于，首先构建高精地图的要素及数据模型,并通过典型的地图数据模型实例解析高精地图的数据建模方法，然后，将高精地图引导的路径规划决策***划分成三层：第一层为车道轨线级路径规划层，第二层为行为决策层，第三层为局部路径规划层，每一层方法都对高精地图数据进行自动驾驶应用方向路径规划决策解析；
1)高精地图引导的车道轨线级路径规划方法：首先改进迪杰斯特拉方法进行高精地图车道轨线级路径规划，然后利用地图中道路与车道的对应关系进行反向计算同类车道表达规划的可通行区域以满足车辆的避障、变道需求，再通过余弦函数构建虚拟车道从而对规划车道进行切向平滑以解决地图划分引起的车道轨线级规划车道跳变问题，满足路径规划平滑性的需求，最后基于短距离内地图拓扑关系计算消耗资源极少的优势,构建车道轨线级路径规划方法触发方式包含规划距离不足及变道行车两项；
2)高精地图引导的驾驶行为决策方法：首先解析结构化道路面条件下的动作决策项，通过有限状态机的状态切换机制进行表达，然后解析状态机各个状态项之间的切换条件，重要的状态机切换条件包括：利用地图进行障碍物的映射、通过地图对障碍物的行为进行预判，将左右变道划归于横向决策，其余决策项划归于纵向决策；针对横向决策，划分变道意图生成起始点判断和变道意图生成及变道条件判断三个步骤，其中通过期望车速与当前车速的绝对差大于一定临界值作为变道意图生成的起始点，通过累积行车效率损失大于一定临界值来生成变道意图，最后通过变道意图结合地图数据进行变道条件判断，最终生成决策；
3)高精地图引导的局部路径规划和选择方法：首先提出局部路径规划方法的步骤，然后抽取地图车道轨线级规划车道中心线作为规划基线，可行驶区域的边界作为轨迹簇最大边距，在规划曲线跨越宽度不一的可行驶区域的情况下，以最窄的可行驶区域边界作为轨迹簇最大边距，最后通过代价计算的方式整合影响驾驶曲线选择的决策代价、道路代价及舒适度代价三个不同指标，并通过加权求和取代价最小的方法对轨迹线进行选择，其中道路代价通过抽取车道线类型获得。
2.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，车道轨线级规划方法：
在最优车道规划的基础上，得出多个次优备选车道综合方案，方案包括三个部分，第一部分是在道路级规划基础上,基于道路级规划LinkID序列以及道路LinkID与车道LaneID的一对多的包含关系进行车道轨线级拓扑计算，确保连通性；第二部分是在车道轨线级LaneID序列完全得到，确保车道连通基础上，层层反溯，利用车道之间属性的差异进行同类车道的计算；第三部分是基于高精地图数据本身，对道路段的切分针对道路的切向，针对阶跃部分制作虚拟车道连接进行平滑；
对车道轨线级路径规划进行两点细化：
(1)同类车道的提出，车道轨线级规划得出的车道ID序列之外，还提供其同类车道，保证局部路径规划及变道的需求，将真实道路的情况反映给车辆，供其参考；
(2)针对检索结果进行了切点检索并利用余弦函数进行切向平移，确保平滑衔接两条车道中心线。
3.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，高精地图车道轨线级拓扑计算：
通过高精度定位，匹配出当前的s_lane以及终点的e_lane，每次长距离的规划由道路级规划计算完毕，每次车道轨线级规划仅需要负责计算前方1至2km的数据即可；
基于车道轨线级拓扑信息,变道动作必须通过打通从属于同一个LinkID下的多条LaneID的连接来实现；
变道本身与车道长度一样，换算成距离代价，参与到路径计算中，车道的代价是直接的车道距离,变换车道的代价通过估算得到，生成一条虚拟的变道路线,并计算虚拟变道路线的距离并乘以一个权值：
Cost＝dst*p 式1
假设虚拟车道长度为行驶速度与变道时间的乘积,本申请采用的缺省值为120km/h下，6s变道时间，即216m，权值可调，本申请采用的缺省值为1.5。
4.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，变车道跳变处平滑：在车道中心线切向跳变处利用余弦函数生成虚拟车道的方案,通过在现有路段的切面处的点不断平移接驳两个切向平移的车道，从而减小跳变的力度；
车道轨线级路径规划触发机制包括：
(1)车道轨线级路径规划单次长度超过2km，是其基于静态信息的规划，第一个触发条件是车辆即将到达单次车道轨线级路径规划的结果数据的临界值，自动触发车道轨线级路径规划再往前进一步规划；
(2)当车辆通过变道方式离开当前车道轨线级路径规划的推荐车道时,自动触发车道轨线级路径规划。
5.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，基于结构化道路交规的行为决策项：
(1)车道直行―常规决策，保持当前车道行驶：不论当前车道是否有障碍，车辆保持车道行驶，直到新的决策导致状态切换；
(2)路口左转—常规决策,路口的情况下会遇到：在路口后车辆进入缓慢运行，适应更快的规划的频率和感知的频率所带来的更多的计算延迟，另外一些转弯过程中的属性也会逐渐添加上去应用起来；
(3)路口右转—常规决策，路口的情况下会遇到：路口车辆进入预定车道后不再判断红绿灯信息，直接进入变道状态；
(4)路口直行—常规决策，路口的情况下会遇到：车辆将进入路口内缓慢运行，适应更快的规划和感知频率带来的更多的计算延时；
(5)路口驻车—常规决策，即将到达路口的时候会遇到：车辆进入缓行，跟车的状态；
(6)左变道—常规决策，在保持车道的情况下遇到：左侧道路的权重加大；
(7)右变道―常规决策，在保持车道的情况下遇到：右侧道路的权重加大；
(8)掉头行驶—常规决策：区分掉头车道，并加重掉头车道的权重；
结合地图车道属性信息的障碍物行为预判方法：进一步利用其几何信息对障碍物侧向运动进行估计，尽可能及时发现突然变道的情况，对车辆侧向运动进行建模，针对车速做车道方向和车道切向的速度分解，并获得切向车速Vx；同时，通过车辆中心点与车道中心点进行匹配，并获得匹配距离D1，得到车辆中心点与车道边界的切向距离为半车道宽度减去D1，获得侧向穿越车道时间计算式为：
V表示车辆真实速度，Vx表示车速V在道路切向上的分量，δ表示车速方向与车道方向的夹角，LanePt.Heading表示车道方向，Vehicle.Heading表示车辆行驶方向，LanePt表示车辆中心在车道中心线上的匹配点，Width表示车宽；预测穿越车道线的时间，对小型车取1.5至2秒之间，大型车为2.5秒，认定车辆发生侧向运动，在决策上做出约束。
6.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，变道车辆横向决策：变道决策包括：一是变道意图的生成，二是变道意图起算时机或放弃条件，三是变道决策的判断；
(1)生成变道意图：基于行车效率损失累计LCDT描述，首先，变道意图产生是当前车速小于期望速度；其次，这个低效需累积一段时间；利用当前速度小于期望速度的值对时间的积分与事先设定的临界值进行比较,判断是否达到变道意图的生成条件；
(2)变道意图起算时机或放弃条件：确定开始累计计算行车效率损失累计值的时间点，采用期望速度与当前速度之差大于设定的临界值之后，即开始启动行车效率损失累计计算，当期望速度与当前行车速度差小于设定的临界值时，及放弃已经计算的累计值，并将累计值归零，等待下一次启动；
(3)变道决策的判断：当行车效率损失累计值大于设定的临界值时，即启动变道可行性判断。
7.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，实时局部路径轨迹簇规划：
第一步，获取规划base基线：获得轨迹所跟随道路的一条中心线base线，起到基线作用，轨迹簇中所有的轨迹线都以轨迹中心线为规划基线，继而在基线附近根据方法生成一系列的轨迹线，基线既是轨迹簇的核心线也提供轨迹线末端的运动方向；
第二步，基线平滑：每一次轨迹的生成都保证尽可能的平滑且曲率变化线性，基线是一系列散列点所组成，对于轨迹生成还需要进一步进行函数表达；
第三步，获取切向边缘限制条件：给轨迹簇的切向发散限定有效，边界合理确保规划有效性并确保计算量可控；
第四步，轨迹簇的生成：通过侧偏函数，并与基线进行叠加，同时调节最大侧偏距离，同时生成一定侧向间距的一系列轨迹数据，这些轨迹簇的每一条轨迹都满足车辆运动学约束并与当前的车辆位置与姿态相关。
8.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，基于高精地图抽取边界限制条件：引入高精地图，通过利用高精地图引导的车道轨线级路径规划后,得到一条车道轨线级路径规划结果以及每一段车道中，可供变道避障采用的同类车道，同类车道的获得即为路径侧向规划的最大偏移；
具体方法如下：每次通过车道轨线级路径规划得到的LaneID提取规划的车道中心线散列点串之后,进一步通过车道轨线级路径规划的结果获得每一段车道轨线级规划LaneID的同类车道，这些同类车道都支持车辆变道行驶的车道，最大侧偏距离由同类车道数据决定，假设每条正常车道宽度一致的情况下，最大侧偏距离q的计算：
qleft/right＝NumofBrotherLanesleft/right*Width 式3
NumofBrotherLaneSleft/right表示同类车道数量，Width表示车道宽度,最大侧偏距离q必须为单次规划距离内，以车道轨线级规划为中心的条件下，侧向距离的最小值。
9.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，生成轨迹簇：获得车道的中心线作为轨迹簇的base基线以及车辆的侧偏距离限制参数qleft和qright之后，即获得车辆的可行驶区域，在这片空间中生成一系列的可行驶轨迹，这些轨迹的生成保证车辆具有足够的机动能力，也使得驾驶行为更加安全舒适，轨迹簇的生成步骤包括：
步骤一，定位与base线进行匹配：通过匹配过程将车辆从笛卡尔坐标系映射到基线的曲线坐标系中，利用base基线的航向信息；
步骤二，确定单次局部路径规划长度：决定车辆在多长的距离内去修正当前车辆与基线之间存在的航向及偏移误差；
步骤三，构建侧偏变化函数并生成轨迹簇
单次路径规划的长度包含两个部分，第一部分是航向偏差与侧向距离偏差的调整阶段，采用三次样条曲线来模拟调整阶段的曲线，并通过下式解决：
Δs＝s-si 式7
其中，q(s)为调整阶段的三次样条函数，si表示车辆通过匹配得到的基线上的映射点，sf表示调整阶段的弧长，qf为轨迹簇中某条轨迹线的侧向偏移值，通过同类车道计算所得；qi表示当前点匹配计算得到的车辆与基线的侧向距离，a、b、c表示对应参数，s表示函数弧长变量。
10.根据权利要求1所述高精地图引导的自动驾驶路径规划决策方法，其特征在于，舒适性代价路径选择：
采用代价计算方式，为轨迹簇中的所有备选轨迹分别计算一个代价，将影响轨迹选择的多个因素归一化，最终形成一个统一的标准，而将各个因素归一化是通过给予各个影响代价的因素一个定量的测度值并分别赋予权值,从而最终获得代价计算函数；
采用累计计算整条轨迹线上的曲率和作为轨迹线的舒适性代价，基于曲率的影响因素是指数级，将曲率值的平方作为积分条件：
上式中，ki代表第i个点的曲率，s是沿着轨迹线的弧长；
最后，假设三类代价分别cost1，cost2，cost3，各类代价值对最终选择的影响因子不同，还要加入一个权值，得到最终代价计算式为：
cost＝q1*cost1+q2*cost2+q3*cost3 式9
得到最终代价示意图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311796956.2A CN117782126A (zh) | 2023-12-25 | 2023-12-25 | 高精地图引导的自动驾驶路径规划决策方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311796956.2A CN117782126A (zh) | 2023-12-25 | 2023-12-25 | 高精地图引导的自动驾驶路径规划决策方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117782126A true CN117782126A (zh) | 2024-03-29 |
Family
ID=90388489
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311796956.2A Pending CN117782126A (zh) | 2023-12-25 | 2023-12-25 | 高精地图引导的自动驾驶路径规划决策方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117782126A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
| CN111489578A (zh) * | 2020-04-01 | 2020-08-04 | 北京理工大学 | 一种基于车道时空间隙的高速道路无人驾驶决策规划方法 |
| CN112747762A (zh) * | 2020-12-28 | 2021-05-04 | 深兰人工智能(深圳)有限公司 | 局部可行驶路径规划方法、装置、电子设备及存储介质 |
| CN113932823A (zh) * | 2021-09-23 | 2022-01-14 | 同济大学 | 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 |
| WO2022100835A1 (en) * | 2020-11-12 | 2022-05-19 | Automotive Artificial Intelligence (Aai) Gmbh | Computing system and method for trajectory planning in a simulation road driving environment |
| WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及*** |
-
2023
- 2023-12-25 CN CN202311796956.2A patent/CN117782126A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992050A (zh) * | 2017-12-20 | 2018-05-04 | 广州汽车集团股份有限公司 | 无人驾驶汽车局部路径运动规划方法和装置 |
| CN111489578A (zh) * | 2020-04-01 | 2020-08-04 | 北京理工大学 | 一种基于车道时空间隙的高速道路无人驾驶决策规划方法 |
| WO2022100835A1 (en) * | 2020-11-12 | 2022-05-19 | Automotive Artificial Intelligence (Aai) Gmbh | Computing system and method for trajectory planning in a simulation road driving environment |
| CN112747762A (zh) * | 2020-12-28 | 2021-05-04 | 深兰人工智能(深圳)有限公司 | 局部可行驶路径规划方法、装置、电子设备及存储介质 |
| WO2022193584A1 (zh) * | 2021-03-15 | 2022-09-22 | 西安交通大学 | 一种面向多场景的自动驾驶规划方法及*** |
| CN113932823A (zh) * | 2021-09-23 | 2022-01-14 | 同济大学 | 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112964271B (zh) | 一种面向多场景的自动驾驶规划方法及*** | |
| 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 | |
| CN110796856B (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
| CN109263639B (zh) | 基于状态栅格法的驾驶路径规划方法 | |
| US11554785B2 (en) | Driving scenario machine learning network and driving environment simulation | |
| CN108932840B (zh) | 基于强化学习的无人驾驶车辆城市交叉口通行方法 | |
| CN106114507B (zh) | 用于智能车辆的局部轨迹规划方法和装置 | |
| CN104700617B (zh) | 基于低精度gps轨迹数据的高精度车道信息提取方法 | |
| CN106598055B (zh) | 一种智能车局部路径规划方法及其装置、车辆 | |
| CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
| CN110531770B (zh) | 一种基于改进的rrt路径规划方法和*** | |
| CN109084798B (zh) | 网络下发带有道路属性的控制点的路径规划方法 | |
| CN107813820A (zh) | 一种仿优秀驾驶员的无人车换道路径规划方法 | |
| Zhao et al. | Dynamic motion planning for autonomous vehicle in unknown environments | |
| CN104537834A (zh) | 一种智能车在城市道路行驶中的路口识别与路口轨迹规划的方法 | |
| CN105371859B (zh) | 基于安全驾驶地图的车道级别的导航引导***和方法 | |
| CN104897168A (zh) | 基于道路危险评估的智能车路径搜索方法及*** | |
| CN112577506B (zh) | 一种自动驾驶局部路径规划方法和*** | |
| CN107310550A (zh) | 道路交通工具行驶控制方法和装置 | |
| Rodrigues et al. | Autonomous navigation in interaction-based environments—A case of non-signalized roundabouts | |
| CN114005280A (zh) | 一种基于不确定性估计的车辆轨迹预测方法 | |
| CN104573390A (zh) | 基于认知规律的时空轨迹融合方法及路网拓扑生成方法 | |
| CN114861514A (zh) | 一种车辆行驶方案的规划方法、装置和存储介质 | |
| WO2022173880A9 (en) | System, method, and computer program product for topological planning in autonomous driving using bounds representations | |
| CN110254422A (zh) | 一种基于多目标增强学习及贝塞尔曲线的汽车避障方法 |
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 |