融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备技术

本发明专利技术公开了融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备，通过模型评估重要车辆节点并提取风险树，用于扩展自车轨迹规划的行动空间，并将各类车辆节点建模为场的形式，用于评估规划轨迹的碰撞风险。同时直接在高速公路场景中的XYT坐标系下进行轨迹规划，将预测的他车轨迹和其他障碍物的边框(Bounding Box)映射到根据坐标系生成的栅格地图中，利用深度神经网络(DNN)做卷积操作，得出安全可行的无碰撞轨迹，从而降低商用车和乘用车不同尺寸对轨迹规划的影响，同时解决道路建模困难和计算量过大的问题。实现在整个智能驾驶系统框架内无需进行坐标系的转换，即可规划一条可以同时兼顾安全、效率和灵活性的高质量轨迹。效率和灵活性的高质量轨迹。效率和灵活性的高质量轨迹。

【技术实现步骤摘要】
融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备


[0001]本专利技术属于人工智能中的智能驾驶领域，具体的为一种融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法及车用电子设备。

技术介绍

[0002]商用车由于具备更强的载重能力和更快的运行速度等优点，促进了物流、人流、信息流的快速流动，如今已在社会的综合运输体系和工程建设等方面发挥了不可替代的重要作用。高速公路具有相对封闭的交通环境、结构化的道路、相对简单的路况等特点，有望率先实现高级别智能驾驶商用车的大规模应用。然而商用车由于其体积大、重量大、驾驶员视野盲区大等特点，因此相比乘用车的轨迹规划更加困难。如何找到一条可以同时兼顾安全、效率和灵活性的高质量轨迹是高速公路商用车轨迹规划的一个重要的课题。
[0003]轨迹规划模块通过接收、处理各类感知信息以及预测其他车辆的轨迹来生成自车所行驶的轨迹，是智能驾驶的关键技术之一。为解决直接对道路建模困难和计算量过大的问题，目前主流的轨迹规划方法一般采用路径速度分解的方法，将笛卡尔坐标系(Cartesian)转化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法，其特征在于，包括如下步骤：步骤1：基于复杂网络的认知理论对驾驶环境进行动态建模；步骤2：根据步骤1所建模型，生成复杂网络并评估重要节点和提取风险树；步骤3：将预测的他车轨迹和其他障碍物的Bounding Box映射到根据XYT坐标系生成的栅格地图中；步骤4：在栅格地图上进行轨迹点采样，并将采样点的Bounding Box视为卷积核，利用深度神经网络(DNN)做卷积操作，得出安全可行的无碰撞轨迹，并进行评估，挑选出最佳轨迹。2.根据权利要求1所述的融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法，其特征在于，所述步骤1的具体过程包括复杂网络建模，具体地：步骤1.1：首先基于复杂网络理论，将自车和其他车辆视为网络节点，构建动态的复杂网络模型：G
t
＝(P，E，W，Θ)
t
其中，G
t
为动态的复杂网络模型；P＝{p1，p2，...，p
N
}为网络中的节点的集合，p
i
为网络中的节点，N为网络中节点的数量；E＝{e1，e2，...，e
K
]为网络中节点的边集合，e
i
为网络中的节点的边，K为网络中节点边的数量；W＝{w1，w2，...，w
k
}为边的权重；Θ为节点的可移动区域；Θ建模为光滑有界曲面：F
Θ
(x，y，z)＝0，s.t.其中，Ω为光滑有界曲面的边界。3.根据权利要求1所述的融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法，其特征在于，所述步骤1的具体过程还包括动力学建模，具体地：步骤1.2：基于二自由度车辆模型和运动点模型，对车辆节点进行动力学建模；车辆二自由度模型为：其中，模型的状态变量为横摆角速度r和侧向速度U
y
；δ为前轮转向角；F
yf
和F
yr
分别为驾驶中产生的前侧向力和后侧向力；纵向速度U
x
被认为是一个时变参数，当轮胎转弯特性在线性范围内时，模型可以表示为：将车辆节点视为具有重心的运动质点，建立相对于期望路径的运动点模型：
其中，Δψ和e分别为航向角偏差和横向路径偏差；s为沿期望路径的距离；κ为期望路径的曲率；设运动节点p
i
的位置向量为以复数表示的速度矢量为θ
j
(t)＝β
j
(t)+
△
ψ
j
(t)，其中(t)，其中表示未来的速度序列，则利用如下公式预测运动节点的未来位置：4.根据权利要求1所述的融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法，其特征在于，所述步骤1的具体过程还包括可变高斯安全场建模，具体地：步骤1.3：根据场理论提出了基于风险中心转移的可变高斯安全场模型，静态安全场由二维高斯函数描述：其中，C
a
为场强系数；a
x
和b
y
分别为椭圆的长轴和短轴的半径(椭圆为车辆边框的内接椭圆的放大，可以等效的用车辆的横纵比表示)；当车辆移动时，风险中心将随之转移，新的风险中心为O
′
(x
′0，y
′0)：其中，为速度矢量；k
v
为调节因子，且有0＜k
v
＜1(向前)或
‑
1＜k
v
＜0(向后)；β为与x轴夹角，则动态的安全场可表示为：5.根据权利要求1所述的融合复杂网络理论和深度神经网络的高速公路商用车轨迹规划方法，其特征在于，所述步骤1的具体过程还包括划分认知域，具体地：步骤1.4：根据人类驾驶员对距离的敏感度和反应时间，将节点周围分为第一认知域、第二认知域和域外空间；第一认知域的范围为：max a
′
x
≤s
th1
s
th1
＝t
c1
·
v
e
其中，s
th1
为第一阈值；t
c1
为人类驾驶员的第一认知反应时间；v
e
为环境中其他节点的最大接近速度；第二认知域的范围为：s
th1
＜max a
′
x
≤s
th2
s
th2
＝t
c2
·
v
e
其中，s
th2
为第一阈值；t
c2
为人类驾驶员的第二认知反应时间，第二认知域外的空间定义为域外空间；在可变高斯安全场的框架内，建立节点间的风险认知函数：其中，是节点p
i
在节点p
j
处的场强，是节点p
j
的标量速度，方向角θ
i，j
是节点p
j
的速度矢量与节点p
i
的场强矢量的夹角，k
c

【专利技术属性】
技术研发人员：付新科，蔡英凤，王海，陈龙，姜涛，董钊志，刘擎超，
申请(专利权)人：江苏大学，
类型：发明
国别省市：