无人车轨迹规划方法技术

本发明专利技术公开了一种无人车轨迹规划方法，所述方法包括：训练超车决策模型、绕行决策模型和冲突点通过决策模型，并将其布设在车辆自动驾驶系统；确定车辆的可行空间，使用超车决策模型和绕行决策模型对可行空间进行压缩得到凸空间；在凸空间内进行车辆轨迹规划，确定车辆的位置约束，基于此对车辆的速度进行规划；本发明专利技术的轨迹规划效率较高、灵活、准确，且安全性高。性高。性高。

Trajectory planning method of unmanned vehicle

【技术实现步骤摘要】
无人车轨迹规划方法


[0001]本专利技术属于汽车轨迹规划
，特别是涉及一种无人车轨迹规划方法。

技术介绍

[0002]在传感器性能、计算机性能、无人驾驶算法都在飞速提升的今天，自动驾驶拥有更加广阔的前景，与人类司机相比，自动驾驶车辆的稳定性更强、成本更低、可复制性更好，将成为人类重大的技术创新，然而决策算法面临场景复杂的难题，传统的基于规划方法难以覆盖所有场景，且规则参数的调节十分困难，常常面临更改规则后提升了部分场景的自动驾驶能力，但削弱了另一部分场景下自动驾驶能力的困境，而基于数据驱动的方法也面临数据质量低，决策结果不稳定，决策死板，泛化能力不足，决策造成危险等各种问题。

技术实现思路

[0003]本专利技术实施例的目的在于提供一种无人车轨迹规划方法，可以模拟不同风格驾驶员的驾驶规划策略，使无人驾驶更加贴合人的思维模式，在各类场景下的轨迹规划更加灵活，安全性更高。
[0004]为解决上述技术问题，本专利技术所采用的技术方案是，无人车轨迹规划方法，包括以下步骤：
[0005]训练超车决策模型、绕行决策模型和冲突点通过决策模型，并将其布设在车辆自动驾驶系统；
[0006]确定车辆的可行空间，使用超车决策模型和绕行决策模型对可行空间进行压缩得到凸空间；
[0007]在凸空间内进行车辆轨迹规划，并将车辆轨迹规划与各障碍物轨迹进行碰撞检测，根据冲突点通过决策模型确定车辆的位置约束，基于位置约束对车辆进行速度规划。
[0008]进一步的，所述超车决策模型、绕行决策模型和冲突点通过决策模型均为生成
‑
对抗网络，所述生成
‑
对抗网络的训练过程如下：
[0009]S1，采集车辆行驶过程中的感知信息、道路信息和车辆状态信息，提取其中的特征字段得到特征数据；
[0010]S2，根据若干秒后车辆的行驶位置反推车辆当前时刻做出的决策，将所述决策作为专家决策，对各特征数据进行标注；
[0011]S3，对标注后的特征数据进行切片和均衡化处理得到训练样本；
[0012]S4，搭建生成
‑
对抗网络，对网络参数进行随机初始化，固定生成器，将训练样本中的特征数据输入生成器得到对应的学徒决策，将特征数据
‑
专家决策和特征数据
‑
学徒决策分别作为判别器的输入训练判别器；
[0013]待判别器收敛后，将生成器的输出与判别器的决策输入串联，将特征数据分别输入生成器和判别器，对生成器进行训练；
[0014]重复对判别器和生成器进行更新，使生成器产生的学徒决策与专家决策一致。
[0015]进一步的，所述压缩过程如下：
[0016]对于可行空间内的每个障碍物，判断自车相对于各障碍物是否具备超车条件，若不具备超车条件，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；若具备超车条件，则使用超车决策模型进行超车决策，若决策结果为不超车，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；
[0017]若决策结果为超车，则判断车辆是否满足左绕行条件和右绕行条件，若均不满足，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；若满足其一，则直接做出满足条件的绕行决策，并将自车的可行空间压缩为满足条件一侧；若两者均满足，则使用绕行决策模型进行绕行决策，决策结果为左绕行或右绕行，基于此对可行空间进行相应压缩。
[0018]进一步的，压缩时还会对超车决策和绕行决策进行滤波处理，具体如下：
[0019]定义初始值为0的计数器，在超车决策和绕行决策时，实时采集自车和障碍物的状态数据，将其输入超车决策模型和绕行决策模型，得到当前状态数据对应的决策结果，当该决策结果与前一组状态数据的决策结果相同时，计数器归零，反之计数器加一，执行前一组状态数据的决策结果，当两个决策结果相反且计数器数值大于3时，执行当前状态数据对应的决策结果。
[0020]进一步的，所述车辆轨迹规划过程如下：
[0021]提取道路信息，以道路中心线为基准建立Frenet坐标系，将车辆、道路边界和凸空间边界投影到坐标系中，在凸空间内选取轨迹点构成状态量，各轨迹点在道路中心线上的投影之间的间距相同；
[0022]状态量x＝[l
I
，
…
，l
i
，
…
，l0，l
I
′
，
…
，l
i
′
，
…
，l0′
，l
I
″
，
…
，l
i
″
，
…
，l0″
]T
，其中i表示轨迹点的数目变量，I表示轨迹点总数，i＝0,1,
…
,I，l0、l
i
、l
I
分别表示第1个、第i个、第I个轨迹点与道路中心线之间的偏移距离，l0′
、l
i
′
、l
I
′
分别表示第1个、第i个、第I个轨迹点处曲线的一阶导，l
i
″
分别表示第1个、第i个、第I个轨迹点处曲线的二阶导，T表示矩阵的转置；
[0023]建立二次优化，令目标函数最小化，得到各轨迹点相对道路中心线的偏移距离序列，组成自车的规划轨迹；
[0024]其中目标函数的可行域为l≤Ax≤u，A表示轨迹规划的约束矩阵，P表示轨迹规划的二次项系数，q表示轨迹规划的一次项系数，l表示轨迹规划的可行域下界，u表示轨迹规划的可行域上界。
[0025]进一步的，所述速度规划过程如下：
[0026]构建状态量y，y＝[s
I
,
…
,s
i
,
…
,s0,s
I
′
,
…
,s
i
′
,
…
,s0′
,s
I
″
,
…
,s
i
″
,
…
,s0″
]T
，其中i表示轨迹点的数目变量，I表示轨迹点总数，i＝0,1,
…
,I，s0、s
i
、s
I
分别表示第1个、第i个、第I个轨迹点的位置，s0′
、s
i
′
、s
I
′
分别表示第1个、第i个、第I个轨迹点处车辆的速度，s0″
、s
i
″
、s
I
″
分别表示第1个、第i个、第I个轨迹点处自车的加速度，T表示矩阵的转置；
[0027]对状态量y建立二次优化，令目标函数最小化，获得各时刻自车在凸空间内各位置处的速度、加速度；
[0本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.无人车轨迹规划方法，其特征在于，包括以下步骤：训练超车决策模型、绕行决策模型和冲突点通过决策模型，并将其布设在车辆自动驾驶系统；确定车辆的可行空间，使用超车决策模型和绕行决策模型对可行空间进行压缩得到凸空间；在凸空间内进行车辆轨迹规划，并将车辆轨迹规划与各障碍物轨迹进行碰撞检测，根据冲突点通过决策模型确定车辆的位置约束，基于位置约束对车辆进行速度规划。2.根据权利要求1所述的无人车轨迹规划方法，其特征在于，所述超车决策模型、绕行决策模型和冲突点通过决策模型均为生成
‑
对抗网络，所述生成
‑
对抗网络的训练过程如下：S1，采集车辆行驶过程中的感知信息、道路信息和车辆状态信息，提取其中的特征字段得到特征数据；S2，根据若干秒后车辆的行驶位置反推车辆当前时刻做出的决策，将所述决策作为专家决策，对各特征数据进行标注；S3，对标注后的特征数据进行切片和均衡化处理得到训练样本；S4，搭建生成
‑
对抗网络，对网络参数进行随机初始化，固定生成器，将训练样本中的特征数据输入生成器得到对应的学徒决策，将特征数据
‑
专家决策和特征数据
‑
学徒决策分别作为判别器的输入训练判别器；待判别器收敛后，将生成器的输出与判别器的决策输入串联，将特征数据分别输入生成器和判别器，对生成器进行训练；重复对判别器和生成器进行更新，使生成器产生的学徒决策与专家决策一致。3.根据权利要求1所述的无人车轨迹规划方法，其特征在于，所述压缩过程如下：对于可行空间内的每个障碍物，判断自车相对于各障碍物是否具备超车条件，若不具备超车条件，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；若具备超车条件，则使用超车决策模型进行超车决策，若决策结果为不超车，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；若决策结果为超车，则判断车辆是否满足左绕行条件和右绕行条件，若均不满足，则将自车的可行空间压缩为障碍物与自车最近的边界所在超平面的后方；若满足其一，则直接做出满足条件的绕行决策，并将自车的可行空间压缩为满足条件一侧；若两者均满足，则使用绕行决策模型进行绕行决策，决策结果为左绕行或右绕行，基于此对可行空间进行相应压缩。4.根据权利要求3所述的无人车轨迹规划方法，其特征在于，压缩时还会对超车决策和绕行决策进行滤波处理，具体如下：定义初始值为0的计数器，在超车决策和绕行决策时，实时采集自车和障碍物的状态数据，将其输入超车决策模型和绕行决策模型，得到当前状态数据对应的决策结果，当该决策结果与前一组状态数据的决策结果相同时，计数器归零，反之计数器加一，执行前一组状态数据的决策结果，当两个决策结果相反且计数器数值大于3时，执行当前状态数据对应的决策结果。5.根据权利要求1所述的无人车轨迹规划方法，其特征在于，所述车辆轨迹规划过程如
下：提取道路信息，以道路中心线为基准建立Frenet坐标系，将车辆、道路边界和凸空间边界投影到坐标系中，在凸空间内选取轨迹点构成状态量，各轨迹点在道路中心线上的投影之间的间距相同；状态量x＝[l
I
，
…
，l
i
，
…
，l0，l
I
′
，

【专利技术属性】
技术研发人员：张喆，李星辰，张素民，白日，丁慧祥，
申请(专利权)人：吉林大学，
类型：发明
国别省市：