一种考虑前车遭遇的自动驾驶决策控制的系统技术方案

本发明专利技术公开了一种考虑前车遭遇的自动驾驶决策控制的系统，包括：根据前车类别建立前车“人

【技术实现步骤摘要】
一种考虑前车遭遇的自动驾驶决策控制的系统


[0001]本专利技术属于智能网联车辆、自动驾驶
，尤其涉及一种考虑前车遭遇的自动驾驶决策控制的系统。

技术介绍

[0002]驾驶中能对行驶路径上的前方路况及时感知，是行车安全的基本保证。然而，因为前方突发紧急路况，例如城市道路的凹坑、高速道路突然刹车的车辆，由于后车未能及时发现、估计与预测路况，极有可能造成后车的侧翻或追尾事故。在城市拥堵路况下，由于跟车距离短，如同向相邻车道的前方公交车遮挡了斑马线，本车由于无法观察到斑马线行人，极有可能酿成严重的人车事故。因此，前方车辆的驾驶行为、运动状态是前车驾驶员面对前方路况的直接反映，前车遭遇就是本车的“前车之鉴”，对于本车的决策控制有借鉴意义。
[0003]提高安全性、舒适性是自适应巡航(ACC，Adaptive Cruise Control)、前方碰撞预警系统(FCW,Forward Collision Warning)、自动紧急避撞(AEB，Autonomous Emergency Braking)等高级驾驶辅助系统(ADAS，Advanc本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种考虑前车遭遇的自动驾驶决策控制的系统，其特征在于，包括感知模块、前车人车路动力学建模模块、实际路况前车响应计算模块、非紧急路况前车响应计算模块、前车异常驾驶行为判断模块、前车操纵输入和干扰输入估计模块、前车遭遇预测模块和自动驾驶决策与控制模块。所述感知模块通过传感器获取交通路况信息、本车状态数据和前车状态数据。其中，交通路况信息包括障碍物、路面附着系数、车道宽度、车道坡度、车道曲率、道路标线、交通指示牌、信号灯状态、交通流信息和天气条件；本车状态数据包括本车相对路面的车身六自由度动力学状态Y_ego和本车操纵输入；前车状态数据包括前车相对本车的车身六自由度动力学状态Y_relative、车辆外形参数、尾灯状态、转向指示灯状态、警示喇叭声音、轮胎噪声、动力传动系统噪声和撞击噪声等。其中，车身六自由度动力学状态包括车辆车身刚体六个运动自由度的线速度、角速度、线加速度、角加速度、位置及姿态角；操纵输入包括转向、制动、驱动、指示灯、警示喇叭的操纵。所述前车人车路动力学建模模块包括车型识别子模块和人车路建模子模块。其中，车型识别子模块基于感知模块输出的前车状态数据中的车辆外形参数，结合车辆型别数据库确定前车车辆型别。人车路建模子模块建立前车“人
‑
车
‑
路”动力学模型：X(k+1)＝F(X(k),Uk,Wk)Y(k)＝H(X(k),Uk,Wk)其中，X(k)为k时刻的前车状态数据；Uk为0～k时刻内的前车操纵输入；Wk为0～k时刻内的干扰输入；Y(k)为k时刻的输出响应；F为状态转移函数，H为输出响应函数。所述实际路况前车响应计算模块基于感知模块输出的本车状态数据及前车状态数据，将Y_ego与Y_relative进行叠加，得到在实际路况下前车相对路面的车身六自由度动力学状态Yreal。所述非紧急路况前车响应计算模块基于感知模块获取的交通路况信息和前车人车路动力学建模模块中的前车“人
‑
车
‑
路”动力学模型，计算前车在非紧急路况时相对路面的车身六自由度动力学状态Ynormal。其中，非紧急路况是指在干燥平整路面上前车行驶中未遭遇到本车感知能力范围外的任何障碍物的情况。所述前车异常驾驶行为判断模块对Yreal和Ynormal各维度做差得到多维度的运动差异，根据运动差异判断前车驾驶行为是否异常。所述前车操纵输入和干扰输入估计模块在前车异常驾驶行为判断模块判定前车驾驶行为异常后，基于前车人车路动力学建模模块中的前车“人
‑
车
‑
路”动力学模型以及感知模块获得的交通路况信息，根据Yreal对前车操纵输入Uk及前车干扰输入Wk进行估计。所述前车遭遇预测模块在判定前车驾驶行为异常时，基于感知模块输出的交通路况信息及前车状态数据、前车操纵输入和干扰输入估计模块估计的前车操纵输入及前车干扰输入，预测前车遭遇的障碍物属性θ，包括障碍物的种类、位置、与前车的碰撞力，静态障碍物的深度或高度、长度、宽度，路面不平度和动态障碍物的速度、轨迹。所述自动驾驶决策与控制模块具体为，首先根据感知模块获取的交通路况信息Info_traffic，自动驾驶算法给出未考虑前车遭遇的初始的本车决策控制策略Policy_init＝[Vx；Vy；Yawrate；FuturePath；SusMode]，包括未来一段时间内本车的纵向速度Vx、侧向速度Vy、横摆角速度Yawrate、未来行驶轨迹FuturePath、悬架控制模式SusMode；悬架控制模
式包括舒适性模式、常规模式和操控性模式，对应的赋值依次为
‑
1、0、1。然后，根据前车遭遇预测模块预测到的前车遭遇障碍物属性θ和感知模块输出的交通路况信息，利用修正策略计算本车决策控制策略的修正ΔPolicy＝[ΔVx；ΔVy；ΔYawrate；ΔFuturePath；ΔSusMode]。最后，根据Δpolicy对Policy_init进行修正，实施本车的期望运动。2.如权利要求1所述考虑前车遭遇的自动驾驶决策控制的系统，其特征在于，所述前车异常驾驶行为判断模块中的判断方法为基于设定阈值的方法、基于机器学习的分类方法或基于机器学习的回归方法。基于设定阈值的方法具体为，当某一维度的运动差异大于对应设定的阈值时，表示前车对应维度的动力学状态异常，只要出现一个维度的前车动力学状态异常，则表示前车驾驶行为异常；否则前车动力学状态不存在异常，本车决策控制无需修正。基于机器学习的分类方法具体为，将运动差异输入至机器学习分类模型中，对前车的驾驶行为进行分类，分类结果包括异常和正常。基于机器学习的回归方法具体为，将运动差异作为机器学习回归模型的输入，输出为异常度向量λ，λ与车身六自由度动力学状态各维度一一对应，且向量λ的元素均在[0,1]；当某一维度的异常度大于对应设定的阈值时表示对应维度的动力学状态异常，只要出现一个维度的前车动力学状态异常，则表示前车驾驶行为异常；否则前车动力学状态不存在异常，本车决策控制无需修正；其中，机器学习回归模型的训练具体为，通过车辆动力学模型仿真前车遭遇不同紧急路况时与非紧急路况的运动差异，基于不同运动差异对应的异常度向量训练机器学习回归模型；将发生事故时的异常度向量λ各维度定义为1，将正常驾驶时的异常度λ各维度定义为0；统计前车遭遇紧急路况且避让成功时做出对应减速、转向操作引起的车身六自由度动力学状态变化，获得动力学状态各维度的最大变化量，构成向量Δysimmax；定义动力学状态异常度向量各维度λ
i
为：其中，Ysimreal为仿真中实际路况前车相对路面的车身六自...

【专利技术属性】
技术研发人员：李道飞，肖斌，李侯剑，陈林辉，潘豪，刘关明，
申请(专利权)人：浙江大学，
类型：发明
国别省市：