基于二次型规划和神经网络的自动驾驶换道轨迹规划方法技术

本发明专利技术属于智能交通领域，提出一种基于二次型规划和神经网络的自动驾驶换道轨迹规划方法。本发明专利技术利用信息感知模块获取换道车辆及其周围车辆的行驶信息；基于车辆行驶信息，横向偏移推荐模块给出横向偏移值，从而确定换道车辆的起终点位置信息；基于车辆行驶信息及横向偏移为输入，路径规划模块经计算得出换道车辆的平面坐标系静态换道路径；最后，轨迹规划模块给出换道车辆及周围车辆运动轨迹随时间的变化规律，完成换道过程规划的目标。本发明专利技术可以在保障换道车辆安全性前提下，综合考虑换道车辆及其周围车辆的运动轨迹，利用二次型规划快速求解，提高换道过程的速度和舒适度，从而满足自动驾驶对换道子任务优化性，求解快速性的要求。

【技术实现步骤摘要】
基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
本专利技术涉及智能交通领域，特别涉及一种基于二次型规划和神经网络的自动驾驶换道轨迹规划方法。
技术介绍
随着中国城市化进程的深入，城市车辆激增带来的交通事故和交通拥堵进一步加剧。自动驾驶在减少交通事故和缓解交通拥堵等方面展现出巨大的潜力，已成为各大汽车厂商研究热点。换道行为，作为车辆行驶中基本行为之一，其研究对提高车辆的智能化驾驶水平和增加道路通行能力有重要意义。换道轨迹规划是指车辆，为获取速度优势或由于行驶需求等，综合考虑自身及周围车辆位置、速度和加速度等因素，在给定的未来时间段内计算时空行驶轨迹，以保证变更车道行为的顺利安全地进行。一般而言，将换道过程划分为三个阶段：首先为信息感知，即通过传感器或V2I等硬件设施获取自身车辆和周围车辆的位置、速度和加速度等信息，为轨迹规划过程作底层输入；其次为轨迹规划，基于感知的信息计算未来给定时间段内的时空轨迹信息，该时空轨迹信息可进一步表现为空间位置信息和随时间变化的速度信息；最后为执行换道，车辆基于底层的控制模块沿着规划的时空轨迹完成车道变更本文档来自技高网...

【技术保护点】
1.基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述方法包括：/n通过信息感知模块获取换道车辆及周围车辆关于位置、速度、加速度、加加速度的行驶信息；/n通过横向偏移推荐模块获取换道车辆在换道路径结束时的横坐标的横向偏移，进而获得换道路径结束时换道车辆的位置，为路径规划模块提供基础输入；/n基于信息感知模块获取的车辆行驶信息及横向偏移推荐模块给出的横向偏移，通过路径规划模块，对换道车辆建立五次多项式的路径模型，构建换道路径起终点约束条件，采用高斯消元法求解联立方程组，获得五次多项式的参数，进而生成给定最优横向偏移的路径；/n通过轨迹规划模块将轨迹规划时间段离散化处理，得到若干...

【技术特征摘要】
1.基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述方法包括：
通过信息感知模块获取换道车辆及周围车辆关于位置、速度、加速度、加加速度的行驶信息；
通过横向偏移推荐模块获取换道车辆在换道路径结束时的横坐标的横向偏移，进而获得换道路径结束时换道车辆的位置，为路径规划模块提供基础输入；
基于信息感知模块获取的车辆行驶信息及横向偏移推荐模块给出的横向偏移，通过路径规划模块，对换道车辆建立五次多项式的路径模型，构建换道路径起终点约束条件，采用高斯消元法求解联立方程组，获得五次多项式的参数，进而生成给定最优横向偏移的路径；
通过轨迹规划模块将轨迹规划时间段离散化处理，得到若干子时间段，建立不同子时间段下的行驶距离、速度、加速度、加加速度变量，以运动学约束、防碰撞约束、目标车道后车加加速度约束、跟驰模型约束为约束条件，以最小化加加速度和行驶距离为目标函数，利用二次型规划方法求解，获得换道车辆的轨迹信息。


2.根据权利要求1所述基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述信息感知模块获取换道车辆0、当前车道前车1、目标车道后车2、目标车道前车3，即车0、车1、车2、车3的位置、速度和加速度行驶信息：
车辆k在时间t＝0时的行驶信息表示为：
vehk，t＝0，k＝{0，1，2，3}
vehk，t＝0＝[xk，t＝0，yk，t＝0，vk，t＝0，ak，t＝0，jk，t＝0]；
其中xk，t＝0，yk，t＝0，vk，t＝0，ak，t＝0，jk，t＝0分别代表车辆k在时间t＝0的横坐标值、纵坐标值、速度、加速度和加加速度；
在时间t＝0时，车0和车1处于当前车道，车2和车3在目标车道，以当前车道为基准建立坐标系，D为单个车道的宽度，车0、车1、车2、车3的位置关系符合：





3.根据权利要求1所述基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述横向偏移推荐模块给出换道车辆0在换道路径结束时的横向偏移Δxf，进而获得换道路径结束时，即t＝f时刻换道车辆0的绝对坐标：
x0，t＝f＝x0，t＝0+Δxf，y0，t＝f＝D
其中，所述横向偏移推荐模块给出横向偏移Δxf的方法具体为：
(1)生成一定数量的随机情景，所述随机情景包括换道车辆0、当前车道前车1、目标车道后车2、目标车道前车3在初始时刻的行驶信息vehk，t＝0，k＝{0，1，2，3}；
(2)设置横向偏移Δxf的下界为av0，t＝0，上界是bv3，t＝0，其中a和b为与时间相关的变量；
将区间[av0，t＝0，bv3，t＝0]均匀等间隔划分为Nx份，对其中的每份输入路径规划模块和轨迹规划模块，并采用目标函数模块建立的二次型规划模型，求解目标函数值遍历i∈[0，Nx]，得出最小目标函数zi对应的令最小目标函数zi对应的为最优横向偏移Δxf，即：



构建获得以车辆集合行驶信息[veh0，t＝0，veh1，t＝0，veh2，t＝0，veh3，t＝0]为输入，最优横向偏移Δxf为输出的样本；
(3)搜集包含一定数量随机情景及最优横向偏移的数据构建训练集和测试集；采用神经网络进行训练，从而实现给定某个特殊随机情景，经神经网络预测，快速给出横向偏移的目标。


4.根据权利要求1所述基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述路径规划模块对换道车辆的路径建立的五次多项式的路径模型，公式化表达为：



式中，x0，t，y0，t分别表示换道车辆0在时间段t＝[0，f]的横纵坐标值，t＝0代表换道路径开始时刻，t＝f代表换道路径结束时刻；αi是五次多项式的参数，i∈[0，1，2，3，4，5]；
αi能够通过换道车辆0换道路径的起始时刻t＝0和终止时刻t＝f的车辆信息，利用高斯消元法求解相应的值，具体为：
换道车辆0起始时刻t＝0和终止时刻t＝f的状态方程如下：



其中τ0，t，κ0，t分别代表换道车辆0在不同时刻t的导数及曲率，根据换道过程平稳性要求可知，在换道初始时刻t＝0和终点时刻t＝f的路径导数及曲率为：τ0，t＝0＝0，κ0，t＝0＝0，τ0，t＝f＝0，κ0，t＝f＝0；
采用高斯消元法求解联立方程组，进而得到五次多项式的参数αi，生成给定最优横向偏移Δxf的路径。


5.根据权利要求1所述基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述轨迹规划模块用于给出随时间变化的换道车辆0的行驶信息和目标车道后车2的行驶信息；
所述轨迹规划模块将轨迹规划的时间段[0，tmax]离散化为I个子时间段，第i个时刻表示为ti，其中，i∈{0，1，2，...，I}；其中子时间段的长度为Δt＝tmax/I；
假设规划时间段tmax已知，换道时间f未知；用sd表示在规划时间段tmax内最远可能距离，sf表示在换道时间f内的换道路径距离，由sf到sd的行驶过程称为换道路径延伸区，则：









所述轨迹规划模块包括变量确定模块、约束构建模块、目标函数构建模块、二次型规划求解模块；所述约束构建模块包括运动学约束模块、防碰撞约束模块、目标车道后车2加加速度约束模块和跟驰模型约束模块；
通过所述变量确定模块构建以下变量：换道车辆0的行驶距离s0，i、速度v0，i、加速度a0，i、冲击度j0，i、目标车道后车2的加加速度j2、换道车辆0加速度惩罚项Δa0，I；通过所述约束构建模块中的运动学约束模块、防碰撞模块、目标车道后车2冲击度约束模块和跟驰模型约束模块分别构建运动学约束条件、防碰撞约束条件、目标车道后车2冲击度约束条件、跟驰模型约束条件；通过所述目标函数构建模块构建目标函数，并通过所述二次型规划求解模块进行求解换道车辆的轨迹信息。


6.根据权利要求5所述基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述运动学约束模块用于建立换道车辆0行驶距离s0，i、速度v0，i、加速度a0，i和加加速度a0，i之间的联系，运动学约束构建为：









Δt＝tmax/I为子时间段的长度；
在车辆换道过程中，换道车辆0的行驶速度v0，i、加速度a0，i、加加速度j0，i不可以超出一定范围之内，有以下不等式约束：
0＜v0，i＜vub，i＝1，2，...，I
alb＜a0，i＜aub，i＝1，2，...，I
jlb＜j0，i＜jub，i＝1，2，...，I
其中vub，aub，jub分别代表换道车辆0的行驶速度v0，i、加速度a0，i、加加速度j0，i的上限，alb，jlb分别代表车辆的加速度a0，i、加加速度j0，i的下限；
所述目标车道后车2加加速度约束模块用于以目标车道后车2随着换道车辆0换道过程的加加速度为变量，进而得出目标车道后车2的运动轨迹，反映换道过程中换道车辆0与目标车道后车...

【专利技术属性】
技术研发人员：卫翀，李殊荣，马路，闫学东，邵春福，王莹，
申请(专利权)人：北京交通大学，
类型：发明
国别省市：北京;11