一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法技术

本发明专利技术开发了一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法。方法包括：(1)基于无信号交叉口车辆轨迹预测模型完成对无信号交叉口内其它运动车辆行驶轨迹预测；(2)通过无信号交叉口风险场模型构建该无信号交叉口中随时空变化的动态风险场；(3)基于无信号交叉口车辆期望轨迹分布模型得到自车期望轨迹分布；(4)将动态风险场与自车期望轨迹分布相结合，确定不同期望轨迹对应的风险值；(5)根据自动驾驶车辆可接受风险水平模型得到自动驾驶车辆的可接受风险水平；(6)将不同期望轨迹对应的风险值与可接受风险水平进行比较，得到自动驾驶车辆可接受风险轨迹分布；(7)通过综合收益函数从可接受风险轨迹分布选择综合收益最高的轨迹。

【技术实现步骤摘要】
一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法
本专利技术涉及交通安全领域，特别是一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法。
技术介绍
随着人工智能、无线通信、信息化等技术的快速发展，载运工具进入了智能化时代。在自动驾驶众多核心技术模块中，运动规划模块是体现自动驾驶车辆智能水平的关键因素，直接决定了自动驾驶车辆的具体行为，而对行车安全风险建模则是自动驾驶汽车自主决策与运动规划的基础，直接影响着运动规划路径的安全与效率。国内外对行车安全风险建模进行了大量的研究。其中主要是使用时间距离和空间距离描述车辆之间相对运动关系，评估横纵向行车风险。时间距离常用的指标包括TTC(TimetoCollision)、TH(TimeHeadway)及其衍生指标。Charly等人使用一种基于TTC改进的行车风险指标，来识别不同类型车辆之间可能存在的冲突。Ali等人在网联环境下使用最小间隙时间量化换道过程中的安全性。鲁光泉等人在车车信息交互条件下，设计了一种衍生指标安全裕度，量化了驾驶人跟驰过程中主观感受到的危险程度。Ryan等人本文档来自技高网...

【技术保护点】
1.一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法，其特征在于，包括以下步骤：/n步骤1，通过自动驾驶车辆自身传感器以及通过车联网获取无信号交叉口内静态环境要素信息以及其它运动车辆状态数据，结合无信号交叉口车辆轨迹预测模型完成无信号交叉口中的其它车辆行驶轨迹预测；/n步骤2，基于无信号交叉口风险场模型，结合步骤1获得的无信号交叉口内静态环境要素信息和其它运动车辆行驶轨迹数据，构建该无信号交叉口内随时空变化的动态风险场；/n步骤3，基于无信号交叉口车辆期望轨迹分布模型，结合自车期望和步骤1获得的无信号交叉口内静态环境要素信息，得到自动驾驶车辆在该无信号交叉口中的期望轨迹分布；/n步骤4，...

【技术特征摘要】
1.一种基于风险动态平衡的无信号交叉口自动驾驶运动规划方法，其特征在于，包括以下步骤：
步骤1，通过自动驾驶车辆自身传感器以及通过车联网获取无信号交叉口内静态环境要素信息以及其它运动车辆状态数据，结合无信号交叉口车辆轨迹预测模型完成无信号交叉口中的其它车辆行驶轨迹预测；
步骤2，基于无信号交叉口风险场模型，结合步骤1获得的无信号交叉口内静态环境要素信息和其它运动车辆行驶轨迹数据，构建该无信号交叉口内随时空变化的动态风险场；
步骤3，基于无信号交叉口车辆期望轨迹分布模型，结合自车期望和步骤1获得的无信号交叉口内静态环境要素信息，得到自动驾驶车辆在该无信号交叉口中的期望轨迹分布；
步骤4，将步骤3获得的自动驾驶车辆在该无信号交叉口中的期望轨迹分布代入步骤2获得的动态风险场，确定期望轨迹分布中不同期望轨迹对应的风险值；
步骤5，基于车辆可接受风险水平模型，考虑到通信延迟，其它运动车辆轨迹预测误差等因素的影响，确定自动驾驶车辆的可接受风险水平；
步骤6，将步骤4获得的不同期望轨迹对应的风险值与步骤5获得的自动驾驶车辆的可接受风险水平进行比较，筛选得到自动驾驶车辆可接受风险轨迹分布；
步骤7，通过综合收益函数确定步骤6获得的自动驾驶车辆可接受风险轨迹分布不同轨迹的综合收益，并选择其中综合收益最高的一条轨迹作为本次基于风险动态平衡理论的无信号交叉口自动驾驶的运动轨迹规划。


2.根据权利要求1所述的方法，其特征在于，步骤1中的“车辆行驶轨迹预测”的获得方法包括如下步骤：
步骤11，通过自动驾驶车辆自身传感器以及通过车联网获取所需的基本数据，包括该无信号交叉口的形状，大小，以及交叉口内运动物体在初始时刻的横纵向位置，横纵向速度，横纵向加速度以及横摆角；
步骤12，建立如下的无信号交叉口车辆轨迹预测模型：
SP(xp,yp,vp,x,vp,y,ap,x,ap,y,ψp,t)＝fP(type,x(t0),y(t0),vx(t0),vy(t0),ax(t0),ay(t0),ψ(t0))
式中，type是指预测车辆的类型，(x(t0),y(t0))是指初始t0时刻预测车辆所在的横纵向位置，(vx(t0),vy(t0))是指初始t0时刻预测车辆的横纵向速度，(ax(t0),ay(t0))是指初始t0时刻预测车辆的横纵向加速度，ψ(t0)是指初始t0时刻预测车辆的横摆角；
步骤13，将获取的基本数据与无信号交叉口车辆轨迹预测模型结合，得到该无信号交叉口内所有其它运动车辆的行驶轨迹SP。


3.根据权利要求1所述的方法，其特征在于，步骤2中的“动态风险场”的获得方法包括如下步骤：
步骤21，考虑无信号交叉口中的静态交通环境要素对自动驾驶车辆的约束形式、约束强度和约束范围，建立如下的无信号交叉口内静态交通环境要素周围风险场模型：
Re(xe,ye,t)＝fe(type,length,width,height)
式中，type是指该静态环境要素的类型，length是指该静态环境要素的长度，width是指该静态环境要素的宽度，height是指该静态环境要素的高度；
步骤22，考虑无信号交叉口中的其它车辆对自动驾驶车辆的约束形式、约束强度和约束范围，建立如下的无信号交叉口内运动物体周围风险场模型：
Rv(xv,yv,t)＝fv(length,width,x(t),y(t),vx(t),vy(t),ax(t),ay(t),ψ(t))
式中，length是指该车辆的长度，width是指该车辆的宽度，(x(t),y(t))是指该车辆随时间变化的空间位置，(vx(t),vy(t))是指该车辆随时间变化的运动速度，(ax(t),ay(t))是指该车辆随时间变化的加速度，ψ(t)是指该车辆随时间变化的横摆角；
步骤23，将上述步骤得到的风险场模型根据如下坐标系变化公式转移到同一坐标系中：



式中，(xi,yi)是指坐标点在第i个单独要素风险场模型坐标系中的坐标位置，(x,y)为坐标点在最终统一的xoy坐标系下的坐标位置，(Δx(i),Δ...

【专利技术属性】
技术研发人员：鲁光泉，谭海天，陈发城，丁川，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：北京;11