自动驾驶轨迹生成方法及装置制造方法及图纸

一种自动驾驶轨迹生成方法及装置，其中方法包括如下步骤，建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。上述技术方案通过设计控制器模型对目的地进行路径求解，并根据节点优化、安全性评估、采样策略优化等方式达到了根据采样节点自动规划行驶轨迹的目的。

【技术实现步骤摘要】

本专利技术涉及无人车设计领域，尤其涉及一种自动驾驶轨迹生成方法及装置。
技术介绍
无人驾驶汽车是一种智能汽车，也可以称之为轮式移动机器人，主要依靠车内的 以计算机系统为主的智能驾驶仪来实现无人驾驶。无人驾驶汽车集自动控制、体系结构、人 工智能、视觉计算等众多技术于一体，是计算机科学、模式识别和智能控制技术高度发展的 产物，也是衡量一个国家科研实力和工业水平的一个重要标志，在国防和国民经济领域具 有广阔的应用前景。无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线 并控制车辆到达预定目标的智能汽车。它是利用车载传感器来感知车辆周围环境，并根据 感知所获得的道路、车辆位置和障碍物信息，控制车辆的转向和速度，从而使车辆能够安 全、可靠地在道路上行驶。
技术实现思路
为此，需要提供一种新的驾驶轨迹生成方法，达到安全可靠地为车辆规划路径的 效果， 为实现上述目的，专利技术人提供了一种自动驾驶轨迹生成方法，包括如下步骤，建立 控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采 集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所 述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。 优选地，所述采样步骤采用的策略包括物理环境偏置策略或逻辑环境偏置策略。 进一步地，所述可行性检查和风险评估具体包括步骤，为采样数据划分不可行区 域、限定区域和惩罚区域，所述惩罚区域还包括风险系数属性;对自动驾驶轨迹的惩罚系数 的路径积分和总时间进行相加。 优选地，还包括节点连接优化步骤，具体包括:利用车辆最小转向距离得到Dubins 路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义的特殊距离，根据 Dub ins路径长度排序来选择最优节点。 进一步地，所述安全性评价步骤具体包括，确保树结构中的所有叶节点处于安全 状态，当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的 节点会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。 -种自动驾驶轨迹生成装置，包括模型建立模块、采样模块、扩展树模块、评估模 块， 所述模型建立模块用于建立控制器模型、所述控制器模型用于根据期望目的地计 算路径，并根据路径计算控制指令；所述采样模块用于采集采样数据；所述扩展树模块用于根据采样数据中得到的节点位置利用扩展树算法计算所有 的潜在轨迹； 所述评估模块用于对所述轨迹进行可行性检查和风险评估、代价估算和安全性评 价。 优选地，所述采样模块还用于采用包括物理环境偏置策略或逻辑环境偏置策略进 行米样。 进一步地，所述评估模块具体还用于，为采样数据划分不可行区域、限定区域和惩 罚区域，所述惩罚区域还包括风险系数属性;还用于对自动驾驶轨迹的惩罚系数的路径积 分和总时间进行相加。 优选地，还包括节点连接优化模块，所述节点连接优化模块用于:利用车辆最小 转向距离得到Dubins路径长度，用Dubins路径长度来度量车辆由于其转弯限制所需要定义 的特殊距离，根据Dub ins路径长度排序来选择最优节点。 进一步地，所述评估模块具体还用于，确保树结构中的所有叶节点处于安全状态， 当传播轨迹只有最后部分是不可行时，轨迹的可行部分会添加到树结构中；新添加的节点 会标记为不安全节点，若不安全节点后有一个安全轨迹，该节点也会被标记为安全。 区别于现有技术，上述技术方案通过设计控制器模型对目的地进行路径求解，并 根据节点优化、安全性评估、采样策略优化等方式达到了根据采样节点自动规划行驶轨迹 的目的。【附图说明】 图1为本专利技术【具体实施方式】所述的自动驾驶轨迹生成方法流程图； 图2为本专利技术【具体实施方式】所述的运动规划器层级示意图；图3为本专利技术【具体实施方式】所述的扩展树路径计算示意图；图4a为本专利技术【具体实施方式】所述的市区环境的路口采样云示意图；图4b为本专利技术【具体实施方式】所述的市区环境的停车场采样云示意图；图4c为本专利技术【具体实施方式】所述的市区环境的掉头采样云示意图； 图5为本专利技术【具体实施方式】所述的可行驶区域示意图； 图6为本专利技术【具体实施方式】所述的Dubins距离中f(0的成立范围示意图； 图7为本专利技术【具体实施方式】所述的自动驾驶轨迹生成装置模块图。 附图标记说明： 700、模型建立模块； 702、采样模块；[00311 704、扩展树模块； 706、评估模块； 708、节点优化连接模块。【具体实施方式】 为详细说明技术方案的
技术实现思路
、构造特征、所实现目的及效果，以下结合具体实 施例并配合附图详予说明。 1、总体思路 本文的重点是介绍运动规划子系统(或称运动规划器)的总体思路 运动规划器是一个中层的规划器。其输入主要来高层规划器:决策系统，其输出由 低层的控制器执行，见图2所示。 基于最新的环境信息和车辆状态，运动规划器计算出一个可行的轨迹，以到达导 航指定的目标点。这个轨迹必须在以下意义里是"可行"（feasible)的：轨迹要绕过静态障 碍物和其他车辆，而且同时遵守交通规则。运动规划器的输出然后会被发送到控制器里。控 制器可以直接控制车辆，并负责运动规划的执行。 设计汽车运动规划子系统的主要挑战源于以下因素： 1.复杂和不稳定的车辆动态，特别是由于大量的滑移导致的非动力学乃至非线性 的性质。 2.在一个不确定且随时间变化的环境里感知能力有限的问题，如感知范围、能见 度。 3.从交通规则引起的对车辆行为的时间和逻辑约束关于复杂和不稳定的车辆动 态，我们会在另外的文章里给予详细的阐述。简单总结，对于运动规划系统而言，二维平面 内的汽车并不像某些其他机器人一样，满足所谓的完整约束条件（hoi onomic constraint)。这是因为，汽车的输入量（油门刹车、方向盘转角）少于二维汽车的状态数目 (X坐标、 y坐标、姿势角度炉）。 运动规划产生的轨迹必须在有显著一些不确定的情况下证明其健壮性。这些不 确定性不仅包括系统内部的不确定性(例如传感/过程噪声、定位误差、模型不确定性），也 包括了环境的不确定。 2、数学模型本节定义上述的运动规划问题。车辆具有以下非线性动力学特性： 其中，X(t) E； RWx为状态(汽车的位置、朝向等）。而u(t) e RWh为系统的输入(油 门、刹车、方向盘）。知6 则是系统在t = 0时的初始状态。输入u(t)则定义在某个尚未 指定的有限范围内。而状态必须满足不同驾驶状况下的要求，例如静态和动态障碍 物的回避和交通规则等。而系统输入自然也有范围的限制。这些限制可以表述为： x(t)eXfree(t)，u(t)eU (2) Xfree表示状态可行取值组成的集合。Xfree对时间的依赖用以描述会运动的障碍所 造成的约束。 而运动规划的目标区域Xg0)alC： RWx (终点）则有上级的规划器给定。（在这里就是 上级的决策系统。）考虑车辆的轨迹倘若太近制约因素（例如说车道边界），那就应该招致惩罚。这是 这种惩罚可以表示为函数 Ψ(Xfree(t),x(t)) 最终，我们其实要解决一个最优化控制问题。我们要找到一个最优的目标轨迹 Xc>ptimal(t)满足上述约束，并使得下列目标本文档来自技高网...

【技术保护点】
一种自动驾驶轨迹生成方法，其特征在于，包括如下步骤，建立控制器模型、所述控制器模型用于根据期望目的地计算路径，并根据路径计算控制指令，采集采样数据、根据采样数据中得到的节点位置利用扩展树算法计算所有的潜在轨迹，对所述潜在轨迹进行可行性检查和风险评估、代价估算和安全性评价。

【技术特征摘要】

【专利技术属性】
技术研发人员：潘晨劲，赵江宜，
申请(专利权)人：福州华鹰重工机械有限公司，
类型：发明
国别省市：福建;35