一种智能车GPU并行加速轨迹规划方法技术

本发明专利技术公开了一种智能车GPU并行加速轨迹规划方法，在CPU端，获取实时感知障碍物栅格图、全局参考路径、智能车实时GPS信息和上层决策指令，沿参考路径采样，从而获取一系列目标采样终端；在GPU端，从CPU端获取采样终端序列、智能车实时状态信息、感知环境栅格以及历史帧规划轨迹参数，设计轨迹生成内核函数，为每一个目标采样终端生成一条连接初始状态和终端状态的智能车可稳定跟踪轨迹，设计轨迹评估内核函数，评估每条轨迹的代价。回传轨迹数据到CPU端，选取最优轨迹并匹配速度值，得到轨迹规划结果传输给控制执行机构。本发明专利技术用于提高智能车轨迹实时规划效率，达到实时高效生成大量轨迹，进一步改善轨迹规划结果的目的。

A Parallel Acceleration Trajectory Planning Method for Intelligent Vehicle GPU

The invention discloses a parallel acceleration trajectory planning method for GPU of intelligent vehicle. At the CPU end, real-time perception obstacle raster graph, global reference path, real-time GPS information of intelligent vehicle and upper decision instructions are acquired, and a series of target sampling terminals are acquired along the reference path. At the GPU end, sampling terminal sequence, real-time state information of intelligent vehicle and perception environment grid are acquired from the CPU end. Lattice and historical frame plan trajectory parameters, design trajectory generation kernel function, generate a stable tracking trajectory for each target sampling terminal, design trajectory evaluation kernel function, and evaluate the cost of each trajectory. Return the trajectory data to the CPU, select the optimal trajectory and match the velocity value, and get the trajectory planning results and transmit them to the control actuator. The invention is used to improve the efficiency of real-time trajectory planning of intelligent vehicles, to generate large numbers of trajectories in real time and efficiently, and to further improve the results of trajectory planning.

【技术实现步骤摘要】
一种智能车GPU并行加速轨迹规划方法
本专利技术涉及智能交通系统
，尤其涉及一种智能车GPU并行加速轨迹规划方法，特别涉及无人驾驶系统中的实时轨迹规划方法，具体为在cuda架构中实现轨迹生成和代价评估的并行设计，用于提高轨迹规划效率，在满足智能车实时性的前提下规划出尽可能多的轨迹以改善最终的规划结果。
技术介绍
近年来，大量的工作致力于解决无人驾驶车辆的运动规划问题。这些方法大致可以分为两类：基于图搜索的方法和基于轨迹生成的方法。基于图搜索的方法关注于使用确定性图搜索计算无碰撞路径，如混合A*，状态栅格法，随机采样算法(如快速搜索随机树(RRT))。这些图搜索方法大多数能够在混乱的环境中计算长期无碰撞路径，并防止车辆陷入局部最小值,但仅适用于在复杂的未知环境中的低速情况。图搜索法通常在计算上过于复杂，无法实时运行或在城市环境中对典型的动态交通状况做出反应，且采样盲目性大、生成路径迂回曲折，易造成控制跟踪震荡。基于轨迹生成的方法大多数遵循离散优化方案，即轨迹生成、碰撞检测和代价评估。部分研究人员采用线性和非线性模型预测控制(MPC)方法来解决车辆轨迹生成和跟踪问题。由于其在长期预测层面上解决连续控制空间中的约束优化问题，通常涉及复杂的优化过程，包括矩阵运算和数值迭代运算，容易导致过多的计算负担，实时环境中不规则的障碍物分布所施加的限制也难以处理，难以达到实时轨迹规划需求。
技术实现思路
本专利技术目的就是为了弥补已有技术的缺陷，提供一种智能车GPU并行加速轨迹规划方法。本专利技术是通过以下技术方案实现的：一种智能车GPU并行加速轨迹规划方法，包括如下步骤：步骤1：离线构建轨迹初始猜测参数查找表，为每条轨迹建立索引，存储轨迹索引以及轨迹生成参数；步骤2：在线并行轨迹规划，在CPU端，获取系统信息，沿参考路径分层采样终端状态，通过查找表获取轨迹初始猜测参数，将系统信息和轨迹初始猜测参数拷贝至GPU端；步骤3：在GPU端读入数据，设计轨迹生成核函数，并行加速模型预测方法生成大量轨迹，存储轨迹参数到显存；步骤4：在GPU端设计轨迹评估核函数，并行评估轨迹的障碍物代价、一致性代价、横向偏移代价和长度代价；步骤5:CPU端从GPU显存中拷贝结果，释放GPU显存空间,CPU端归一化轨迹代价并筛选代价最小轨迹作为最佳轨迹，并为最优轨迹匹配速度值。步骤1所述的离线构建轨迹初始猜测参数查找表，为每条轨迹建立索引，存储轨迹索引以及轨迹生成参数，具体方法如下：基于以自车车身为中心的坐标框架，坐标框架中每个点被描述为四维状态[x,y,θ,κ0]，其中x、y分别为x轴和y轴坐标值，θ为智能车航向，κ为曲率，车身状态坐标作为初始状态X0＝[0,0,0,κ0]，κ0为初始曲率，在状态空间中均匀采样终端状态Xf＝[xf,yf,θf,κf]，其中，xf、yf分别为终端的坐标值，θf是相对于初始航向的航向变化量，κf是智能车辆终端状态的曲率值，对于空间I＝[κ0,xf,yf,θf,κf]进行均匀稀疏采样，使用模型预测方法连接初始状态和终端状态生成轨迹，为每一条轨迹建立索引，存储每条轨迹的索引值和轨迹生成参数到查找表。轨迹索引值index表示如下：index＝xf*1012+yf*109+θf*106+κf*103+κ0步骤2所述的在线并行轨迹规划，在CPU端，获取系统信息，沿参考路径分层采样终端状态，通过查找表获取轨迹初始猜测参数，将系统信息和轨迹初始猜测参数拷贝至GPU端，具体如下：在CPU端，加载查找表到内存，采用串行方式读入CPU端的全局参考路径、实时感知环境栅格、GPS信息和上层决策指令，上层决策指令作为车道级规划结果，根据上层决策指令对全局参考路径进行处理，全局参考路径L是四维状态序列，具有以下形式：L＝{xi,yi,κi,κi|i＝1,2,…,total}，i为参考路径的total个状态点里第i个状态点,xi、yi、θi、κi分别为第i个状态点的坐标值、航向和曲率；沿参考路径在不同预瞄距离下纵向采样，并沿纵向采样点进行横向采样，来避开意外障碍物，采样点的航向和曲率状态设置为参考路径上对应点的状态，确保生成的轨迹和参考路径对齐；对所有的初始状态和终端状态点对：[x0,y0,θ0,κ0]和[xf,yf,θf,κf]进行坐标变换，使起点成为[0,0,0,κ0]的形式，并将终点改为[xf,yf,θf′,κf],其中θ′f＝rad(θf-θ0)，使用五维数据[κ0,xf,yf,θf′,κf]作为查找索引，利用最近邻查找方法kd树在查找表中进行模糊查找，以匹配距离查找索引最近的轨迹，获取该轨迹的生成参数作为初始猜测；从CPU端拷贝采样终端状态集、轨迹初始猜测集、车辆初始状态、全局参考路径、上一帧的执行轨迹、实时感知栅格数据到GPU显存中，若当前帧为第一帧，则上一帧的执行轨迹为空。步骤3所述的在GPU端读入数据，设计轨迹生成核函数，并行加速模型预测方法生成大量轨迹，存储轨迹参数到显存，具体如下：在GPU端分配线程块，为每条轨迹分配一个线程，每个线程从显存中读取一个终端状态和对应的初始猜测，以及车辆的初始状态作为核心处理函数的输入，核心处理函数采用模型预测方法迭代优化初始猜测，得到该轨迹的参数；所述的加速模型预测方法生成大量轨迹的具体方法为：利用车辆运动学模型作为预测运动模型，为确保每条轨迹曲率和曲率速度的连续性，曲率模型表示为弧长s的三次多项式函数，并约束曲率和曲率速度的上界：κ(s)＝κ0+κ1s+κ2s2+κ3s3其中，κmax表示车辆最大转向曲率值；|κ(s)|表示曲率函数的绝对值；表示曲率函数一阶导数即曲率速度的绝对值；v表示车辆速度；表示车辆转向曲率速度的最大值；轨迹上任意弧长s处的车身航向计算公式为：其中κ(s)为轨迹上任意弧长s处的曲率，轨迹上任意弧长s处的车身横坐标x和纵坐标y的计算公式分别为：则轨迹的生成参数表示为P＝[κ1,κ2,κ3,sf]，sf为路径长度，使用牛顿迭代法对方程进行数值求解，使得误差值ΔXP(k))小于预定阈值，迭代过程如下：ΔX(P(k))←XF-XF(P(k))(1)P(k+1)←P(k)+ΔP(3)其中，k表示当前是第k次迭代过程；XF表示轨迹实际终端状态；XF(P(k))表示使用轨迹参数代入轨迹公式计算得到的计算终端状态；ΔX(P(k))表示计算终端状态值和实际终端状态值之间的误差，式(2)和式(3)利用牛顿迭代法使ΔX(P(k))值趋近于0；ΔP表示参数变化量；参数变化量ΔP用于更新当前参数P(k)得到新的参数P(k+1)；其中，雅各比矩阵是4*4阶矩阵，ΔX(P(k))和ΔP是4*1阶矩阵，GPU为每条线程分配的寄存器大小是有限的，没有为矩阵的加法和乘法运算额外分配线程，运算过程中的中间矩阵空间由全局存储器分配。涉及4*4阶矩阵求逆运算，在轨迹生成核函数内调用动态并行，分配4*4数量的子线程利用高斯消元法求解；雅各比矩阵表示为：其中，元素没有封闭解，使用复合辛普森规则进行数值积分：其中,h＝(b-a)/n；a、b分别表示积分的上下限；n表示积分区间等分点数、h表示积分步长、m表示积分区间的第m个等分点。步骤4所述的在GPU端设计轨迹评估核函数，并行评估轨迹的障碍物代价、横向偏移代价、长度代本文档来自技高网...

【技术保护点】
1.一种智能车GPU并行加速轨迹规划方法，其特征在于：包括如下步骤：步骤1：离线构建轨迹初始猜测参数查找表，为每条轨迹建立索引，存储轨迹索引以及轨迹生成参数；步骤2：在线并行轨迹规划，在CPU端，获取系统信息，沿参考路径分层采样终端状态，通过查找表获取轨迹初始猜测参数，将系统信息和轨迹初始猜测参数拷贝至GPU端；步骤3：在GPU端读入数据，设计轨迹生成核函数，并行加速模型预测方法生成大量轨迹，存储轨迹参数到显存；步骤4：在GPU端设计轨迹评估核函数，并行评估轨迹的障碍物代价、一致性代价、横向偏移代价和长度代价；步骤5:CPU端从GPU显存中拷贝结果，释放GPU显存空间,CPU端归一化轨迹代价并筛选代价最小轨迹作为最优轨迹，并为最优轨迹匹配速度值。

【技术特征摘要】
1.一种智能车GPU并行加速轨迹规划方法，其特征在于：包括如下步骤：步骤1：离线构建轨迹初始猜测参数查找表，为每条轨迹建立索引，存储轨迹索引以及轨迹生成参数；步骤2：在线并行轨迹规划，在CPU端，获取系统信息，沿参考路径分层采样终端状态，通过查找表获取轨迹初始猜测参数，将系统信息和轨迹初始猜测参数拷贝至GPU端；步骤3：在GPU端读入数据，设计轨迹生成核函数，并行加速模型预测方法生成大量轨迹，存储轨迹参数到显存；步骤4：在GPU端设计轨迹评估核函数，并行评估轨迹的障碍物代价、一致性代价、横向偏移代价和长度代价；步骤5:CPU端从GPU显存中拷贝结果，释放GPU显存空间,CPU端归一化轨迹代价并筛选代价最小轨迹作为最优轨迹，并为最优轨迹匹配速度值。2.根据权利要求1所述的一种智能车GPU并行加速轨迹规划方法，其特征在于：步骤1所述的离线构建轨迹初始猜测参数查找表，为每条轨迹建立索引，存储轨迹索引以及轨迹生成参数，具体方法如下：基于以自车车身为中心的坐标框架，坐标框架中每个点被描述为四维状态[x,y,θ,κ0]，其中x、y分别为x轴和y轴坐标值，θ为智能车航向，κ为曲率，车身状态坐标作为初始状态X0＝[0,0,0,κ0]，κ0为初始曲率，在状态空间中均匀采样终端状态Xf＝[xf,yf,θf,κf]，其中，xf、yf分别为终端的坐标值，θf是相对于初始航向的航向变化量，κf是智能车辆终端状态的曲率值，对于空间I＝[κ0,xf,yf,θf,κf]进行均匀稀疏采样，使用模型预测方法连接初始状态和终端状态生成轨迹，为每一条轨迹建立索引，存储每条轨迹的索引值和轨迹生成参数到查找表，轨迹索引值index表示如下：index＝xf*1012+yf*109+θf*106+κf*103+κ0。3.根据权利要求2所述的一种智能车GPU并行加速轨迹规划方法，其特征在于：步骤2所述的在线并行轨迹规划，在CPU端，获取系统信息，沿参考路径分层采样终端状态，通过查找表获取轨迹初始猜测参数，将系统信息和轨迹初始猜测参数拷贝至GPU端，具体如下：在CPU端，加载查找表到内存，采用串行方式读入CPU端的全局参考路径、实时感知环境栅格、GPS信息和上层决策指令，上层决策指令作为车道级规划结果，根据上层决策指令对全局参考路径进行处理，全局参考路径L是四维状态序列，具有以下形式：L＝{xi,yi,θi,κi|i＝1,2,…,total}，i为参考路径的total个状态点里第i个状态点,xi、yi、θi、κi分别为第i个状态点的坐标值、航向和曲率；沿参考路径在不同预瞄距离下纵向采样，并沿纵向采样点进行横向采样，采样点的航向和曲率状态设置为参考路径上对应点的状态，确保生成的轨迹和参考路径对齐；对所有的初始状态和终端状态点对：[x0,y0,θ0,κ0]和[xf,yf,θf,κf]进行坐标变换，使起点成为[0,0,0,κ0]的形式，并将终点改为[xf,yf,θf′,κf],其中θ′f＝rad(θf-θ0)，使用五维数据[κ0,xf,yf,θf′,κf]作为查找索引，利用最近邻查找方法kd树在查找表中进行模糊查找，以匹配距离查找索引最近的轨迹，获取该轨迹的生成参数作为初始猜测；从CPU端拷贝采样终端状态集、轨迹初始猜测集、车辆初始状态、全局参考路径、上一帧的执行轨迹、实时感知栅格数据到GPU显存中，若当前帧为第一帧，则上一帧的执行轨迹为空。4.根据权利要求3所述的一种智能车GPU并行加速轨迹规划方法，其特征在于：步骤3所述的在GPU端读入数据，设计轨迹生成核函数，并行加速模型预测方法生成大量轨迹，存储轨迹参数到显存，具体如下：在GPU端分配线程块，为每条轨迹分配一个线程，每个线程从显存中读取一个终端状态和对应的初始猜测，以及车辆的初始状态作为核心处理函数的输入，核心处理函数采用模型预测方法迭代优化初始猜测，得到该轨迹的参数；所述的加速模型预测方法生成大量轨迹的具体方法为：利用车辆运动学模型作为预测运动模型，为确保每条轨迹曲率和曲率速度的连续性，曲率模型表示为弧长s的三次多项式函数，并约束曲率和曲率速度的上界：κ(s)＝κ0+κ1s+κ2s2+κ3s3|κ(s)|≤κmax，其中，κmax表示车辆最大转向曲率值；|κ(s)|表示曲率函数的绝对值；表示曲...

【专利技术属性】
技术研发人员：梁华为，周妍，余彪，李碧春，王杰，赵盼，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：安徽,34