一种无人驾驶车辆队列的轨迹规划方法及跟踪方法技术

本发明专利技术公开了一种无人驾驶车辆队列的轨迹规划方法及跟踪方法，包括以下步骤：步骤S1、利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹；步骤S2、利用CNN

【技术实现步骤摘要】
一种无人驾驶车辆队列的轨迹规划方法及跟踪方法


[0001]本专利技术涉及无人驾驶
，具体涉及一种无人驾驶车辆队列的轨迹规划方法及跟踪方法。

技术介绍

[0002]随着计算机技术的发展与信息化时代的进步，现代汽车行业正在朝着智能化方向发展，无人驾驶就是汽车智能化发展方向最重要的表现形式。作为信息科学和现代控制技术高度发展的产物，无人驾驶技术在运输、消防、军事、民用等许多领域都有着广阔的应用前景，是衡量一个国家科学技术和工业能力的重要标志。
[0003]无人驾驶技术中重要的技术点包括轨迹规划和轨迹跟踪，能够实现无人驾驶车辆从起始地准确到达目标地，现有技术中多涉及如何对一个车辆进行轨迹规划和轨迹的跟踪，也获得不错的研究成果，但是现有技术只能实现单个无人驾驶车辆的轨迹规划和轨迹跟踪，无法实现呈队列排布的无人驾驶车辆队列的轨迹规划和轨迹跟踪。

技术实现思路

[0004]本专利技术的目的在于提供一种无人驾驶车辆队列的轨迹规划方法及跟踪方法，以解决现有技术中只能实现单个无人驾驶车辆的轨迹规划和轨迹跟踪，无法实现呈队列排布的无人驾驶车辆队列的轨迹规划和轨迹跟踪的技术问题。
[0005]为解决上述技术问题，本专利技术具体提供下述技术方案：
[0006]一种无人驾驶车辆队列的轨迹规划方法，包括以下步骤：
[0007]步骤S1、无人驾驶车辆队列的行驶处理器利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，其中，所述无人驾驶车辆队列为多个无人驾驶车辆按照所述路径轨迹顺序排列构成的行驶队列；
[0008]步骤S2、无人驾驶车辆队列的行驶处理器利用CNN
‑
LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测，并在无人驾驶车辆队列行驶过程中基于路径轨迹的路况属性进行路径轨迹的在线修正，以使得所述无人驾驶车辆队列从起始地行驶到目标地保持最高顺畅度。
[0009]作为本专利技术的一种优选方案，所述步骤S1中，所述路径轨迹的规划方法：
[0010]将所述起始地到目标地的车行路段拓扑量化为全路径轨迹拓扑，其中，将车行路段拓扑的车行路段量化为全路径轨迹拓扑的路径节点，将所述车行路段间的连接关系量化为对应路径节点间的连接边关系，以及将车行路段的行驶代价量化为路径节点的权重；
[0011]利用A*算法在全路径轨迹网络基于行驶代价最小原则进行节点搜索得到无人驾驶车辆从起始地到目标地的行驶代价最小的所有路径节点构成的路径作为所述路径轨迹{R
i
|i∈[1,n]}，其中，所述路径轨迹上的路径节点作为轨迹节点，R
i
为第i个轨迹节点，n为轨迹节点总数，i为计量常数，无实质含义。
[0012]作为本专利技术的一种优选方案，所述CNN
‑
LSTM混合神经网络对所述路径轨迹的路况
属性进行实时预测的方法包括：
[0013]获取无人驾驶车辆队列在所述路径轨迹上所处的轨迹节点R
i
，在所述路径轨迹上标记出位于所述轨迹节点R
i
前进方向上的轨迹节点R
i+1
作为所述轨迹节点R
i
的前行节点R
i+1
，在所述全路径轨迹网络中标记出所有与轨迹节点R
i
具有连接边关系且与前行节点R
i+1
不重合的路径节点作为所述轨迹节点R
i
的候选节点其中，m为候选节点总数，为第j个候选节点，i、j为计量常数，无实质含义；
[0014]对所述候选节点和前行节点R
i+1
所对应的车行路段进行路况预测获得每个候选节点和前行节点R
i+1
的路况属性，并依据所述前行节点R
i+1
的路况属性进行轨迹实时更新，其中，
[0015]若前行节点R
i+1
的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点替换前行节点R
i+1
，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；
[0016]若前行节点R
i+1
的路况属性为适宜通行，则前行节点R
i+1
保持不变，无人驾驶车辆队列到达目标地的路径轨迹保持不变。
[0017]作为本专利技术的一种优选方案，所述车行路段进行路况预测的方法包括：
[0018]将车行路段的路况图像时序序列中每个时序序列上的路况图像以及路况图像表征的路况属性均量化为一个路况样本，将路况图像的时序序列保留为对应路况样本的时序属性，将所述路况图像表征的路况属性设置为路况样本的标签属性，并将所有路况样本按时序属性进行顺序排列构成路况时序样本，所述路况时序样本为{(x
t
,label
t
)|t∈[1,T_end]}，其中，x
t
为路况图像时序序列中第t个时序序列的路况图像，label
t
为第t个时序序列的路况图像的路况属性标签，且为车行路段在第t个时序序列上的路况属性，T_end为路况图像时序序列的时序序列总数，且为路况时序样本的时序总数，t为计量常数，无实质意义；
[0019]将所述路况时序样本运用至所述CNN
‑
LSTM混合神经网络中进行模型训练得到路况预测模型。
[0020]作为本专利技术的一种优选方案，将所述路况时序样本运用至所述CNN
‑
LSTM混合神经网络中进行模型训练的方法包括：
[0021]将所述路况时序样本中的x
t
输入CNN卷积神经网络进行图像特征提取，输出图像特征序列，其中，所述CNN卷积神经网络的训练参数设定包括：网络filter设定为128个，激活函数设定为Relu函数，池化处理设定为max
‑
poling模式，dropout概率设定为0.35；
[0022]将所述图像特征序列输入值LSTM长短期记忆网络中进行路况预测训练，输出车行路段在未来时序的路况属性，其中，所述LSTM长短期记忆网络的训练参数设定包括：网络层time step设定为图像特征序列的特征类别数目，训练方式设置为seq2seq的反向传递方式，所述LSTM长短期记忆网络的误差设定为其中，T_end为路况图像时序序列的时序序列总数，label
t
为车行路段在第t个时序序列的路
况属性，out
t
为车行路段在第t个时序序列的路况预测属性。
[0023]作为本专利技术的一种优选方案，所述CNN
‑
LSTM混合神经网络的输入为前行节点R
i+1
和候选节点对应的车行路段的路况图像时序序列{(x
t
,label
t
)|t∈[1,T_end]}，输出为前行节点R<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人驾驶车辆队列的轨迹规划方法，其特征在于，包括以下步骤：步骤S1、无人驾驶车辆队列的行驶处理器利用A*算法规划得到无人驾驶车辆队列从起始地行驶到目标地的路径轨迹，其中，所述无人驾驶车辆队列为多个无人驾驶车辆按照所述路径轨迹顺序排列构成的行驶队列；步骤S2、无人驾驶车辆队列的行驶处理器利用CNN
‑
LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测，并在无人驾驶车辆队列行驶过程中基于路径轨迹的路况属性进行路径轨迹的在线修正，以使得所述无人驾驶车辆队列从起始地行驶到目标地保持最高顺畅度。2.根据权利要求1所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：所述步骤S1中，所述路径轨迹的规划方法：将所述起始地到目标地的车行路段拓扑量化为全路径轨迹拓扑，其中，将车行路段拓扑的车行路段量化为全路径轨迹拓扑的路径节点，将所述车行路段间的连接关系量化为对应路径节点间的连接边关系，以及将车行路段的行驶代价量化为路径节点的权重；利用A*算法在全路径轨迹网络基于行驶代价最小原则进行节点搜索得到无人驾驶车辆从起始地到目标地的行驶代价最小的所有路径节点构成的路径作为所述路径轨迹{R
i
|i∈[1，n]}，其中，所述路径轨迹上的路径节点作为轨迹节点，R
i
为第i个轨迹节点，n为轨迹节点总数，i为计量常数，无实质含义。3.根据权利要求2所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：所述CNN
‑
LSTM混合神经网络对所述路径轨迹的路况属性进行实时预测的方法包括：获取无人驾驶车辆队列在所述路径轨迹上所处的轨迹节点R
i
，在所述路径轨迹上标记出位于所述轨迹节点R
i
前进方向上的轨迹节点R
i+1
作为所述轨迹节点R
i
的前行节点R
i+1
，在所述全路径轨迹网络中标记出所有与轨迹节点R
i
具有连接边关系且与前行节点R
i+1
不重合的路径节点作为所述轨迹节点R
i
的候选节点其中，m为候选节点总数，为第j个候选节点，i、j为计量常数，无实质含义；对所述候选节点和前行节点R
i+1
所对应的车行路段进行路况预测获得每个候选节点和前行节点R
i+1
的路况属性，并依据所述前行节点R
i+1
的路况属性进行轨迹实时更新，其中，若前行节点R
i+1
的路况属性为不适宜通行，则对路况属性为适宜通行的候选节点到目标地的所有路径节点中基于行驶代价最小原则进行节点搜索得到候选轨迹，并选择行驶代价最小的候选轨迹上的候选节点替换前行节点R
i+1
，行驶代价最小的候选轨迹作为无人驾驶车辆队列到达目标地的新路径轨迹；若前行节点R
i+1
的路况属性为适宜通行，则前行节点R
i+1
保持不变，无人驾驶车辆队列到达目标地的路径轨迹保持不变。4.根据权利要求3所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：所述车行路段进行路况预测的方法包括：将车行路段的路况图像时序序列中每个时序序列上的路况图像以及路况图像表征的
路况属性均量化为一个路况样本，将路况图像的时序序列保留为对应路况样本的时序属性，将所述路况图像表征的路况属性设置为路况样本的标签属性，并将所有路况样本按时序属性进行顺序排列构成路况时序样本，所述路况时序样本为{(x
t
，label
t
)|t∈[1，T_end]}，其中，x
t
为路况图像时序序列中第t个时序序列的路况图像，label
t
为第t个时序序列的路况图像的路况属性标签，且为车行路段在第t个时序序列上的路况属性，T_end为路况图像时序序列的时序序列总数，且为路况时序样本的时序总数，t为计量常数，无实质意义；将所述路况时序样本运用至所述CNN
‑
LSTM混合神经网络中进行模型训练得到路况预测模型。5.根据权利要求4所述的一种无人驾驶车辆队列的轨迹规划方法，其特征在于：将所述路况时序样本运用至所述CNN
‑
LSTM混合神经网络中进行模型训练的方法包括：将所述路况时序样本中的x
t
输入CNN卷积神经网络进行图像特征提取，输出图像特征序列，其...

【专利技术属性】
技术研发人员：刘晓明，潘振华，舒领，夏元清，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：