一种基于精准轨迹预测的车辆避撞动态安全路径规划方法技术

本发明专利技术涉及一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，包括：获取本车及障碍车车辆状态信息及参数信息；基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；对步骤5获取的最优避撞路径进行速度、加速度实时匹配。与现有技术相比，本发明专利技术具有精度高、兼顾安全性、可行性和舒适性等优点。

【技术实现步骤摘要】
一种基于精准轨迹预测的车辆避撞动态安全路径规划方法
本专利技术涉及高级辅助驾驶及自动驾驶
，尤其是涉及一种基于精准轨迹预测的车辆避撞动态安全路径规划方法。
技术介绍
高级辅助驾驶及自动驾驶技术是解决道路拥堵、交通事故频发等问题的一种有效手段，其研发与推广对于保障行车安全、提高通行效率以及构建智慧交通体系具有重要意义。车辆行驶时，当纵向车间距小于制动避撞所需最短距离，通过转向避撞仍有可能避免事故的发生，但在此避撞工况下，如何快速准确地规划出最优避撞路径是研究的重点和难点。为保证车辆准确地避开障碍车辆，首先需要预测自身车辆及障碍车辆运动轨迹，才可为避撞路径规划提供依据；其次需要基于行驶轨迹预测结果，动态规划出安全可行的避撞路径，进而规避危险场景。因此，轨迹预测的精度与路径规划的实时性和可行性，直接影响着车辆的行驶安全性。专利号CN109885066A公开了一种运动轨迹预测方法及装置，该方法基于车辆运动学模型进行短时域行驶轨迹预测，结合车道线信息进行长时域预测，并对预测结果进行融合得到目标障碍物预测行驶轨迹。但该方法在进行长时域行驶轨迹预测时仅结合车道线信息，预测精度有限；且在融合时采用基于规则的权重系数，对于提高预测结果的精度作用有限。专利号CN105974917A公开了一种基于新型人工势场法的车辆避障路径规划研究方法，该方法通过叠加道路边界斥力势场和障碍物斥力势场建立平衡方程，求解出避障路径，并在本车进入障碍物影响范围时减小车速。但该方法未对本车及障碍车的行驶轨迹进行预测，且在规划出避障路径后仅对速度进行约束，缺少对速度与加速度的规划。综上，在本车与障碍车辆的轨迹预测方面，仍存在无法兼顾短时域与长时域内轨迹预测精度同时最优的问题，最终导致车辆轨迹预测的精度不高，路径规划结果缺乏合理性；此外，在路径规划方面，多数方法仅规划出避撞路径，缺少对速度与加速度的规划或者仅对速度、加速进行约束，无法保证避撞路径的跟踪可行性。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种精度高、兼顾安全性、可行性和舒适性的基于精准轨迹预测的车辆避撞动态安全路径规划方法。本专利技术的目的可以通过以下技术方案来实现：一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，包括：步骤1：获取本车及障碍车车辆状态信息及参数信息；步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。优选地，所述的车辆状态信息包括车辆实时位置、速度、加速度、横摆角速度和前轮转向角；所述的车辆参数信息包括本车及障碍车的整备质量、转动惯量和前后轴到整车质心的距离。优选地，所述的步骤2具体为：步骤2-1：根据车辆参数信息搭建三自由度车辆动力学模型；步骤2-2：根据三自由度车辆动力学模型，并结合CTRA运动学模型进行短时域内车辆行驶轨迹精准预测，即CTRA模型在每隔Δt时间进行迭代运算时，采用三自由度车辆动力学计算结果更新公式中的纵、横向加速度和横摆角速度值；步骤2-3：输入本车及障碍车车辆信息，通过三自由度车辆动力学模型与CTRA运动学模型迭代计算，输出本车及障碍车行驶轨迹预测数据；步骤2-4：搭建LSTM神经网络，用于长时域内精准预测本车及障碍车的行驶轨迹，输出本车及障碍车行驶轨迹预测数据；步骤2-5：基于粒子群算法在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，根据优化得到的权重对短时域和长时域的预测结果进行融合，对车辆行驶轨迹进行精准预测。更加优选地，所述的三自由度车辆动力学模型具体为：其中，m为整车整备质量；Iz为车辆绕z轴的转动惯量；lf和lr分别为前后轴到整车质心的距离；vx和vy分别表示车辆横纵向速度；ax和ay分别表示车辆纵向加速度和横向加速度；Fxf、Fyf、Fxr、Fyr分别表示前后轮纵向力和侧向力；δf为前轮转向角；为横摆角速度；在轮胎力的计算过程中，假设转向避撞过程中车辆侧向加速度ay≤0.4g，轮胎工作在线性区域内，使用线性简化轮胎模型，其表达式为：其中，Cc为轮胎侧偏刚度；Cl为轮胎纵向刚度；α为轮胎侧偏角；S为纵向滑移率；采用前轮较小侧偏角假设可得：其中，为横摆角速度变化率；Ccf和Ccr分别为前、后轮侧偏刚度；Clf和Clr分别为前、后轮纵向刚度；Sf和Sr分别为前、后轮纵向滑移率；假设轨迹预测时域内方向盘转δf不变，令可得：其中，更加优选地，所述的CTRA运动学模型为恒定加速度和横摆角速度模型，令具体公式为：其中，x为车辆纵向位置；y为车辆横向位置；为车辆横摆角，v为车辆行驶速度；为车辆加速度。更加优选地，所述的步骤2-4具体为：步骤2-4-1：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；步骤2-4-2：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；所述的NGSIM数据集为开源数据集包括车辆位置、速度、加速度、车辆类型和车道编号等信息；步骤2-4-3：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测长时域内本车及障碍车的行驶轨迹；所述预测均方根误差RMSE具体计算公式为：其中，xd和yd分别为LSTM预测的车辆纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；步骤2-4-4：基于所获取得本车及障碍车车辆信息，输入到LSTM神经网络中，输出本车及障碍车行驶轨迹预测数据。更加优选地，所述的步骤2-5具体为：步骤2-5-1：基于之前的预测结果与实际车辆行驶轨迹，以预测均方根误差RMSE最小为优化目标，在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，并作为下一时刻的权重系数；所述优化目标具体为：其中，xint和yint分别为预测结果融合后车辆的纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；所述xint和yint具体计算公式为：其中，ω(i)为权重系数；xp和yp分别为基于三自由度车辆动力学模型预测的车辆纵向和横向位置；步骤2-5-2：基于优化得到的权重系数，对短时域和长时域的预测结果进本文档来自技高网...

【技术保护点】
1.一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，包括：/n步骤1：获取本车及障碍车车辆状态信息及参数信息；/n步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；/n步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；/n步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；/n步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；/n步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。/n

【技术特征摘要】
1.一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，包括：
步骤1：获取本车及障碍车车辆状态信息及参数信息；
步骤2：基于三自由度车辆动力学模型与长短时记忆递归神经网络LSTM构建车辆轨迹预测模型；
步骤3：基于步骤1获取的车辆状态及参数信息，使用车辆轨迹预测模型对本车及障碍车的行驶轨迹进行预测，获取本车及障碍车的行驶轨迹预测数据；
步骤4：融合网格划分、人工势场法与高次多项式曲线拟合法构建车辆动态安全路径规划模型；
步骤5：基于步骤3获取的本车及障碍车的行驶轨迹预测数据，使用车辆动态安全路径规划模型获取本车的最优避撞路径；
步骤6：对步骤5获取的最优避撞路径进行速度、加速度实时匹配。


2.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的车辆状态信息包括车辆实时位置、速度、加速度、横摆角速度和前轮转向角；
所述的车辆参数信息包括本车及障碍车的整备质量、转动惯量和前后轴到整车质心的距离。


3.根据权利要求1所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2具体为：
步骤2-1：根据车辆参数信息搭建三自由度车辆动力学模型；
步骤2-2：根据三自由度车辆动力学模型，并结合CTRA运动学模型进行短时域内车辆行驶轨迹精准预测，即CTRA模型在每隔Δt时间进行迭代运算时，采用三自由度车辆动力学计算结果更新公式中的纵、横向加速度和横摆角速度值；
步骤2-3：输入本车及障碍车车辆信息，通过三自由度车辆动力学模型与CTRA运动学模型迭代计算，输出本车及障碍车行驶轨迹预测数据；
步骤2-4：搭建LSTM神经网络，用于长时域内精准预测本车及障碍车的行驶轨迹，输出本车及障碍车行驶轨迹预测数据；
步骤2-5：基于粒子群算法在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，根据优化得到的权重对短时域和长时域的预测结果进行融合，对车辆行驶轨迹进行精准预测。


4.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的三自由度车辆动力学模型具体为：



其中，m为整车整备质量；Iz为车辆绕z轴的转动惯量；lf和lr分别为前后轴到整车质心的距离；vx和vy分别表示车辆横纵向速度；ax和ay分别表示车辆纵向加速度和横向加速度；Fxf、Fyf、Fxr、Fyr分别表示前后轮纵向力和侧向力；δf为前轮转向角；为横摆角速度；
在轮胎力的计算过程中，假设转向避撞过程中车辆侧向加速度ay≤0.4g，轮胎工作在线性区域内，使用线性简化轮胎模型，其表达式为：



其中，Cc为轮胎侧偏刚度；Cl为轮胎纵向刚度；α为轮胎侧偏角；S为纵向滑移率；
采用前轮较小侧偏角假设可得：



其中，为横摆角速度变化率；Ccf和Ccr分别为前、后轮侧偏刚度；Clf和Clr分别为前、后轮纵向刚度；Sf和Sr分别为前、后轮纵向滑移率；
假设轨迹预测时域内方向盘转δf不变，令可得：



其中，


5.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的CTRA运动学模型为恒定加速度和横摆角速度模型，令具体公式为：






其中，x为车辆纵向位置；y为车辆横向位置；为车辆横摆角，v为车辆行驶速度；为车辆加速度。


6.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2-4具体为：
步骤2-4-1：搭建LSTM神经网络，其结构包含遗忘门、输入门、输出门及记忆单元；
步骤2-4-2：对NGSIM原始数据集及实车试验数据进行滤波处理，用于模型训练和测试；
所述的NGSIM数据集为开源数据集包括车辆位置、速度、加速度、车辆类型和车道编号等信息；
步骤2-4-3：选择预测均方根误差RMSE作为衡量标准，对模型的性能进行分析，用于精准预测长时域内本车及障碍车的行驶轨迹；
所述预测均方根误差RMSE具体计算公式为：



其中，xd和yd分别为LSTM预测的车辆纵向和横向位置；xa和ya分别为车辆实际的纵向和横向位置；N为轨迹点数量；
步骤2-4-4：基于所获取得本车及障碍车车辆信息，输入到LSTM神经网络中，输出本车及障碍车行驶轨迹预测数据。


7.根据权利要求3所述的一种基于精准轨迹预测的车辆避撞动态安全路径规划方法，其特征在于，所述的步骤2-5具体为：
步骤2-5-1：基于之前的预测结果与实际车辆行驶轨迹，以预测均方根误差RMSE最小为优化目标，在线优化基于三自由度车辆动力学模型的行驶轨迹预测结果与基于LSTM神经网络的行驶轨迹预测结果所占权重，并作为下一时刻的权重系数；
所述...

【专利技术属性】
技术研发人员：赵治国，梁凯冲，陈晓蓉，
申请(专利权)人：同济大学，
类型：发明
国别省市：上海;31