一种分阶段的自动驾驶车辆轨迹规划方法技术

本发明专利技术涉及自动驾驶技术领域，具体公开了一种分阶段的自动驾驶车辆轨迹规划方法。本发明专利技术通过在搜索阶段，进行Frenet坐标系下的采样，使用五次多项式连结采样点，动态规划搜索得到参考轨迹，构建可行驶通道；在优化阶段，建立车辆运动学模型，构建代价函数和边界约束，使用ILQR算法进行时空联动优化，输出最优轨迹。结合了基于采样和基于优化两种方法的优点，同时也兼顾到Frenet坐标系和笛卡尔坐标系的优势，解决了时空联合轨迹规划中计算复杂，难以满足实时性的问题，更容易满足动态场景的要求，解决了解耦类方法容易陷入局部最优解，甚至无解的问题，也解决了Frenet坐标系下无法建立车辆运动学模型的问题。建立车辆运动学模型的问题。建立车辆运动学模型的问题。

【技术实现步骤摘要】
一种分阶段的自动驾驶车辆轨迹规划方法


[0001]本专利技术属于自动驾驶
，尤其涉及一种分阶段的自动驾驶车辆轨迹规划方法。

技术介绍

[0002]规划模块是自动驾驶的关键模块，需要综合考虑感知、预测、地图信息以及车辆状态，输出安全且舒适的轨迹。目前有很多关于自动驾驶车辆轨迹规划的研究工作，根据侧重点的不同，也会有不同的分类方式。
[0003]根据轨迹生成方式的不同，轨迹规划可以分为基于采样的方法和基于优化的方法，基于采样的方法通过对状态空间进行采样生成大量候选轨迹，然后根据预先设计的评价指标选择一条最优的轨迹。基于采样的方法实现简单，实时性高，但规划的结果容易受到采样间隔的影响，采样间隔过大则生成的轨迹过于粗糙，采样间隔过过小，则计算量显著增加，不利于满足实时性要求。与之相对应的是基于优化的方法，该方法通过建立具有约束条件的最小代价问题，通过对该问题的求解得到满足约束条件的轨迹。基于优化的方法不受采样方式的限制，代价函数和约束条件可以根据场景的不同而调整，具有更高的灵活性，所以更适合应对复杂场景。然而，基于优化的方法往往需要求解复杂的非线性规划问题，需要更多的计算资源才能得到最优解，所以当问题的规模较大时，很难保证满足实时性的要求。
[0004]根据坐标系的不同，轨迹规划可以分为基于Frenet坐标系的方法和基于笛卡尔坐标系的方法。Frenet坐标系是一种曲线坐标系，Frenet坐标系能够很好地简化道路曲率，从而使表述更为简介、直观。由于Frenet忽略了道路曲率，在曲率较大的场景下无法准确描述车辆的运动学模型。而在笛卡尔坐标系下虽然可以准确描述车辆的运动学模型，得到更符合车辆与运动学模型的轨迹，但车道边界和障碍物在笛卡尔坐标系下的描述复杂，不够简洁，使得规划的约束求解困难，计算量显著增加。

技术实现思路

[0005]本专利技术实施例的目的在于提供一种分阶段的自动驾驶车辆轨迹规划方法，旨在解决
技术介绍
中提出的问题。
[0006]为实现上述目的，本专利技术实施例提供如下技术方案：
[0007]一种分阶段的自动驾驶车辆轨迹规划方法，所述方法具体包括以下步骤：
[0008]搜索阶段，在Frenet坐标系下进行采样，使用五次多项式连结采样点，形成有向无环图，动态规划搜索得到参考轨迹，构建可行驶通道；
[0009]优化阶段，建立车辆运动学模型，根据所述可行驶通道，构建代价函数，建立边界约束，使用ILQR算法进行时空联动优化，输出最优轨迹。
[0010]作为本专利技术实施例技术方案进一步的限定，所述搜索阶段，在Frenet坐标系下进行采样，使用五次多项式连结采样点，形成有向无环图，动态规划搜索得到参考轨迹，构建可行驶通道具体包括以下步骤：
[0011]获取自动驾驶车辆的处地图信息，构建Frenet坐标系，获取障碍物信息和自动驾驶车辆信息，并投影至所述Frenet坐标系；
[0012]在所述Frenet坐标系进行采样，得到采样点，使用五次多项式连结采样点，并根据预设的代价函数，计算相应的代价；
[0013]进行动态规划搜索，得到搜索阶段的最优路径，进行膨胀得到可行驶通道，并转化为笛卡尔坐标系。
[0014]作为本专利技术实施例技术方案进一步的限定，所述使用五次多项式连结采样点的公式为：
[0015]s∈[0,Δs][0016]其中，是五次多项式的参数，是五次多项式的自变量。
[0017]作为本专利技术实施例技术方案进一步的限定，所述代价函数为：
[0018]c
path
＝c
ref
+c
smooth
+c
obs
[0019]其中，c
path
为路径代价，c
ref
为参考线偏移代价，c
smooth
为平滑性代价，c
obs
为障碍物代价。
[0020]作为本专利技术实施例技术方案进一步的限定，所述参考线偏移代价的公式为：
[0021][0022]其中，w0为权重系数，l(s)为偏移程度。
[0023]作为本专利技术实施例技术方案进一步的限定，所述平滑性代价的公式为：
[0024][0025]其中，w1,w2,w3均为权重系数，分别是l(s)的一阶，二阶，三阶导数。
[0026]作为本专利技术实施例技术方案进一步的限定，所述障碍物代价的公式为：
[0027][0028]作为本专利技术实施例技术方案进一步的限定，所述车辆运动学模型中车辆的运动状态方程为：
[0029]v
i+1
＝v
i
+a
i
δ
t
[0030]θ
i+1
＝θ
i
+ω
i
δ
t
[0031][0032][0033]其中，为t
i
时刻的状态量，为笛卡尔坐标系下的坐标点，
v
i
和θ
i
分别为车速和航向角，a
i
为加速度。
[0034]作为本专利技术实施例技术方案进一步的限定，所述代价函数包括控制代价函数和状态代价函数，具体的：
[0035]控制代价函数为：
[0036][0037]其中，J
u
为时控制代价，ω
acc
,ω
ω
均为权重系数，a
i
,ω
i
分别为加速度和横摆角速度；
[0038]状态代价函数为：
[0039][0040]其中，(r
ix
,r
iy
)为点在参考路径上的投影点，v
r
为自动驾驶车辆的参考速度，w
ref
,w
vel
均为权重系数，J
x
为状态代价。
[0041]作为本专利技术实施例技术方案进一步的限定，所述边界约束的表达式为：
[0042][0043]与现有技术相比，本专利技术的有益效果是：
[0044]1、采用分阶段的规划方法，分为搜索阶段和优化阶段，结合了基于采样和基于优化两种方法的优点，同时也兼顾到Frenet坐标系和笛卡尔坐标系的优势；
[0045]2、解决了时空联合轨迹规划中计算复杂，难以满足实时性的问题；
[0046]3、优化方式是时空耦合的，所以更容易满足动态场景的要求，解决了解耦类方法容易陷入局部最优解，甚至无解的问题；
[0047]4、优化阶段是在笛卡尔坐标系下进行的，解决了Frenet坐标系下无法建立车辆运动学模型的问题。
附图说明
[0048]为了更清楚地说明本专利技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例。
[0049]图1示出了本专利技术实施例提供的方法的流程示意图。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种分阶段的自动驾驶车辆轨迹规划方法，其特征在于，所述方法具体包括以下步骤：搜索阶段，在Frenet坐标系下进行采样，使用五次多项式连结采样点，形成有向无环图，动态规划搜索得到参考轨迹，构建可行驶通道；优化阶段，建立车辆运动学模型，根据所述可行驶通道，构建代价函数，建立边界约束，使用ILQR算法进行时空联合优化，输出最优轨迹。2.根据权利要求1所述的分阶段的自动驾驶车辆轨迹规划方法，其特征在于，所述搜索阶段，在Frenet坐标系下进行采样，使用五次多项式连结采样点，形成有向无环图，动态规划搜索得到参考轨迹，构建可行驶通道具体包括以下步骤：获取自动驾驶车辆的处地图信息，构建Frenet坐标系，获取障碍物信息和自动驾驶车辆信息，并投影至所述Frenet坐标系；在所述Frenet坐标系进行采样，得到采样点，使用五次多项式连结采样点，并根据预设的代价函数，计算相应的代价；进行动态规划搜索，得到搜索阶段的最优路径，进行膨胀得到可行驶通道，并转化为笛卡尔坐标系。3.根据权利要求2所述的分阶段的自动驾驶车辆轨迹规划方法，其特征在于，所述使用五次多项式连结采样点的公式为：其中，其中，是五次多项式的参数，是五次多项式的自变量。4.根据权利要求2所述的分阶段的自动驾驶车辆轨迹规划方法，其特征在于，所述代价函数为：c
path
＝c
ref
+c
smooth
+c
obs
其中，c
path
为路径代价，c
ref
为参考线偏移代价，c
smooth
为平滑性代价，c
obs
为障碍物代价。5.根据权利要求4所述的分阶段的自动驾驶车辆轨迹规划方法，其特征在于，所述参考线偏移代价的公式为：其中，w0为权重系数...

【专利技术属性】
技术研发人员：韩海洋，王健，裴中辉，
申请(专利权)人：吉林大学，
类型：发明
国别省市：