CN110471408B - 基于决策过程的无人驾驶车辆路径规划方法 - Google Patents

Abstract

一种基于决策过程的无人驾驶车辆路径规划方法，包括如下步骤：①确定纵向最小安全距离；②建立车辆的离散运动学模型；③确定势场作用域；④设计模型预测控制代价函数；⑤当车辆到达最小换道距离时，计算道路势场函数值；⑥如果道路势场函数值在势场作用域内，则计算障碍势场函数值；⑦通过系统方程预测系统预测时域内的状态，求解优化问题，得到最优控制序列，将最优控制序列传递给下层控制器，当车辆执行机构执行控制量并进入下一个控制周期时，获得新的状态量，返回步骤③，重复步骤③‑⑦，直到到达目标点，结束循环。本发明将MPC和APF相结合，将时变安全约束作为排斥力的作用范围以减少优化过程中的约束，并设计了非对称道路势场函数来辅助决策。

Description

基于决策过程的无人驾驶车辆路径规划方法

技术领域

本发明属于无人驾驶路径规划领域，具体讲，涉及一种结合改进人工势场法和模型预测控制算法并考虑部分决策过程的无人驾驶车辆局部路径规划。

背景技术

随着人工智能的发展，自动驾驶汽车成为了一个热门话题。如今，自动驾驶汽车已经进入到生活中的很多领域中，如交通出行、货物运输，代替人类进入危险区域等等。根据早前的数据，全球每年大概有124万人死于交通事故，在这些事故中由司机导致的占大多数。而作为智能交通系统的典型应用，无人驾驶汽车能在很大程度上解决上述问题，减少甚至避免人为惨剧的发生，因此无人驾驶汽车的研究具有很强的现实意义。为了增强车辆的安全性和舒适性，许多先进的科学技术被应用在提升当前车辆已有的功能方面，其主要应用是先进驾驶辅助系统，如车道保持系统、自适应巡航系统等。与此同时，许多研究者专注于利用控制理论来解决当前面临的一些问题，他们主要方向集中在规划和跟踪两个方面。

作为无人驾驶车辆的一个典型模块，许多机器人相关的局部路径规划方法用于该领域，从而来获取一个无碰撞的路径。代表性的算法包括A*，D*，人工势场法(artificialpotential field,APF)等。前两种算法是基于图搜索的方法，在这类方法中需要首先构建规划区域的栅格地图。随着栅格地图分辨率的提高，搜索的时间也不断增加。而至于APF方法，由于其结构简单，以及生成平滑路径的能力，已经成功应用在许多场景中。随着人们对控制性能的要求提高，研究者开始采用模型预测控制算法(model predictive control,MPC)。这类方法具有很好的处理多约束多变量的能力，能通过滚动优化的过程提高控制精度。

虽然前人已提出多种无人驾驶路径规划算法，但这些方法需要首先确定目标点，忽略在规划之前的决策过程，从而增加了实际应用时的处理工作。

发明内容

为了将无人驾驶控制中的决策部分引入到路径规划过程中，并为了方便处理并减少路径规划过程中的约束，本发明将MPC和APF相结合，将时变安全约束作为排斥力的作用范围以减少优化过程中的约束，并设计了非对称道路势场函数来辅助决策。

为此，本发明采取的技术方案是，一种基于决策过程的无人驾驶车辆路径规划方法，包括如下步骤：

①确定纵向最小安全距离；

②建立车辆的离散运动学模型；

③确定势场作用域；

④设计模型预测控制代价函数；

⑤当车辆到达最小换道距离时，计算道路势场函数值；

⑥如果道路势场函数值在势场作用域内，则计算障碍势场函数值；

⑦通过系统方程预测系统预测时域内的状态，求解优化问题，得到最优控制序列，将最优控制序列传递给下层控制器，当车辆执行机构执行控制量并进入下一个控制周期时，获得新的状态量，返回步骤③，重复步骤③-⑦，直到到达目标点，结束循环。

所述步骤①的步骤是：定义最小安全距离D_s：

这里v_h表示主车的速度，v_obs表示障碍车的速度，a_max和a_obs,max表示主车和障碍车的最大减速度。t_x是响应时间，需要考虑驾驶员的反应时间和刹车的延时，d₀表示期望的两辆车之间的最小距离。

所述步骤②建立车辆的离散运动学模型是：

其中k表示某个离散时刻，

是在全局参考坐标系XOY下车辆的状态向量，[v,δ_f]^T是控制输入向量。更进一步地，(x,y)代表重心的位置，

代表航向角，v是重心的速度，δ_f是前轮的转向角，L是轮距。

所述步骤③势场作用域Ω的算法是：

其中x_r,i代表着主车与第i个障碍车之间的纵向相对距离，y_r,i表示横向相对距离；L_x表示纵向安全距离，在这里假设与之前提及的最小换道距离D_s相等，L_y表示横向安全距离；y_min,Ly(k)和y_min,Ly(k)在选择时要保证满足横向安全距离，并使得超车动作更加符合交通规则。

所述步骤④设计模型预测控制代价函数的方法是：

为了得到一条无碰撞的路径并求解决策问题，够构建如下的最优问题：

更具体地说，有如下的代价函数：

其中N_p和N_c分别代表着控制时域和预测时域。Ψ和U分别是预测的状态和控制输入:

另外定义

且Q,S,R和Γ是各项的权重。

所述步骤⑤计算道路势场函数值的方法是：

定义d_o,i(k)＝min(|x(k)-x_obs,i(k)|,d_Euc,i)表示智能车距离第i个障碍车之间的欧几里得距离，min(*)是取最小值函数。在这个区域内有如下的斥力函数：

其中：

定义γ_o是障碍的收敛系数，A_o,i是第i个障碍物的势场幅值。进一步定义道路势场函数：

则某一时刻的总道路势场函数可以表示为:

其中γ_r是道路势场的收敛系数，A_r,j是第j条车道线的势场幅值。

与已有技术相比，本发明的技术特点与效果：

本发明针对无人驾驶的路径规划问题提出了一种新的启发式方法，将MPC和APF相结合，并考虑了决策过程。将时变安全约束作为排斥力的作用范围，从而减少优化过程中的约束。并设计了非对称道路势场函数来辅助决策。

与已有技术相比，传统方法仅仅局限于简单的应用场景，比如超车场景，且仅仅计算一条从起始点到目标点的无碰撞路径，而忽略了目标点的选择，从而导致局部路径优化时工作量的增加，即在每一次规划前需要首先确定合适的目标点。而本发明提出的算法，通过启发式的方式，结合模型预测的思想，在给定全局目标和驾驶规则(左侧或者右侧超车，通过设计非对称道路势场函数实现)的前提下就能够规划出合理路径，避免上述的工作。此外，与传统算法求解多变量多约束的方法不同，本发明将部分约束转化为势场作用域，减少了在优化求解时的约束个数。

由于局部路径的规划，尤其是完成超车等动作时，产生的无碰撞路径不仅与车辆转向有关，也与车辆行驶速度有关，因此本发明方法并未假设速度恒定。另外本发明适用于静态和动态障碍物，静态障碍物在预测时域内状态保持不变，动态障碍物假设预测时域内保持采样时刻状态继续运动。该发明经过测试在直道、弯道场景下都能实现所期望的方向超车，找到一条无碰撞的可行路径。

附图说明

图1为本发明算法整体流程图。

图2为全局坐标系XOY的定义。

图3为作用域的解释说明。

具体实施方式

一种基于决策过程的无人驾驶车辆路径规划方法，具体步骤如下：

步骤1：定义最小安全距离；

这其中v_h表示主车的速度，v_obs表示障碍车的速度，a_max和a_obs,max表示主车和障碍车的最大减速度。t_x是响应时间，是考虑驾驶员的反应时间和刹车的延时，d₀表示两辆车之间的最小距离。

步骤2：建立车辆的离散运动学模型，确定系统约束：

其中k表示某个离散时刻，

是在全局参考坐标系XOY下车辆的状态向量，[v,δ_f]^T是控制输入向量。更进一步地，(x,y)代表重心的位置，

代表航向角，v是重心的速度，δ_f是前轮的转向角，L是轮距。

系统运行时应满足约束：

这里y_min和y_max是车辆允许到达的最小和最大值边界，也就是横向位移的限制。

Δv(k)＝v(k)-v(k-1)和Δδ_f(k)＝δ_f(k)-δ_f(k-1)为控制增量。其他需要注意的是v_min和v_max由交通规则来决定。

为了避免碰撞，有如下时变安全约束：

其中x_r,i代表着主车与第i个障碍车之间的纵向相对距离，y_r,i表示横向相对距离。L_x表示纵向安全距离，在这里假设与之前提及的安全换道距离D_s相等，L_y表示横向安全距离。这里如果选择左侧超车并且左侧是可行区域的话，不等式中的符号应该为-，相反的，如果是右边超车的话，符号为+。所描述的区域可以由图3表示。

步骤3：定义道路相关的势场函数与势场作用域

为了基于模型预测控制器利用人工势场法得到一条无碰撞的局部路径，设计势场函数的作用域Ω，具体描述如公式所示：

y_min,Ly(k)和y_min,Ly(k)在选择时要保证满足横向安全距离，并使得超车动作更加符合交通规则。在另一方面，定义d_o,i(k)＝min(|x(k)-x_obs,i(k)|,d_Euc,i)表示智能车距离第i个障碍车之间的欧几里得距离，min(*)是取最小值函数。在这个区域内有如下的斥力函数：

其中：

定义γ_o是障碍的收敛系数，A_o,i是第i个障碍物的势场幅值。进一步定义道路势场函数：

其中γ_r是道路势场的收敛系数，A_r,j是第j条车道线的势场幅值。需要注意的是本发明仅在到达安全换道距离d_o,i(k)≤D_s的时候使用该函数，通过这种方式来辅助决策。

总的道路势场值为：

步骤4：设计模型预测控制代价函数

为了得到一条无碰撞的路径并求解决策问题，根据之前提到的各个部分，够构建如下的最优问题：

更具体地说，有如下的代价函数：

其中N_p和N_c分别代表着控制时域和预测时域。Ψ和U分别是预测的状态和控制输入；

另外定义

并且Q,S,R和Γ是各项的权重。第一项

表示位置的偏移量，换句话说就是使得优化过后的轨迹尽可能接近全局的参考轨迹。第二项

是控制量的变化率，其目的是使轨迹尽可能平滑，并且对跟踪层是可行的。实践中可以加入参考速度的约束

其中

代表着考虑摩擦和曲率情况下的最大速度，μ是摩擦系数，κ是参考路径的曲率。v_tra是由当前道路环境和交通规则决定的最大车速。最后两项是障碍与道路势场函数的加权求和。通过这种方法可以得到每一个时刻的总势场强度大小。

步骤5：通过系统方程预测系统预测时域内的状态，求解优化问题，得到最优控制序列。将最优控制序列传递给下层控制器，当车辆执行机构执行控制量并进入下一个控制周期时，获得新的状态量，返回步骤3，重复步骤3-5，直到到达目标点，结束循环。

本发明通过设计这样的扩张状态观测器和事件触发控制器，可以使得闭环系统达到半全局稳定。本发明将MPC和APF相结合，并利用非对称道路势场函数构建启发式规划算法，以此将选取局部目标点的决策过程带入规划过程。本发明将时变安全约束作为排斥力的作用范围，从而减少优化过程中的约束。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (1)

1.一种基于决策过程的无人驾驶车辆路径规划方法，其特征在于：包括如下步骤：

①确定纵向最小安全距离；

②建立车辆的离散运动学模型；

③确定势场作用域；

④设计模型预测控制代价函数；

⑤当车辆到达最小换道距离时，计算道路势场函数值；

⑥如果道路势场函数值在势场作用域内，则计算障碍势场函数值；

⑦通过系统方程预测系统预测时域内的状态，求解优化问题，得到最优控制序列，将最优控制序列传递给下层控制器，当车辆执行机构执行控制量并进入下一个控制周期时，获得新的状态量，返回步骤③，重复步骤③-⑦，直到到达目标点，结束循环；

所述步骤①的步骤是：定义最小安全距离D_s：

这里v_h表示主车的速度，v_obs表示障碍车的速度，a_max和a_obs,max表示主车和障碍车的最大加速度；t_x是响应时间，需要考虑驾驶员的反应时间和刹车的延时，d₀表示期望的两辆车之间的最小距离；

所述步骤②建立车辆的离散运动学模型是：

其中k表示某个离散时刻，

是在全局参考坐标系XOY下车辆的状态向量，[v,δ_f]^T是控制输入向量；(x,y)代表重心的位置，

代表航向角，v是重心的速度，δ_f是前轮的转向角，L是轮距；

所述步骤③势场作用域Ω的算法是：

其中定义d_o,i(k)＝min(|x(k)-x_obs,i(k)|,d_Euc,i)

表示智能车距离第i个障碍车之间的欧几里得距离，另外x_r,i代表着主车与第i个障碍车之间的纵向相对距离，y_r,i表示横向相对距离；L_x表示纵向安全距离，在这里假设与之前提及的最小换道距离D_s相等，L_y表示横向安全距离；y_min,Ly(k)和y_max，Ly(k)在选择时要保证满足横向安全距离，并使得超车动作符合交通规则；

所述步骤④设计模型预测控制代价函数的方法是：

为了得到一条无碰撞的路径并求解决策问题，构建如下的最优问题：

其包括如下的代价函数：

其中N_p和N_c分别代表着控制时域和预测时域；Ψ和U分别是预测的状态和控制输入:

另外定义

且Q,S,R和Γ是各项的权重；

所述步骤⑤计算道路势场函数值的方法是：

定义min(*)是取最小值函数，在这个区域内有如下的斥力函数：

其中：

定义γ_o是障碍的收敛系数，A_o,i是第i个障碍物的势场幅值；定义道路势场函数：

则某一时刻的总道路势场函数可以表示为:

其中γ_r是道路势场的收敛系数，A_r,j是第j条车道线的势场幅值。

Images