一种无人驾驶矿卡前方道路碰撞风险预测及量化方法技术

本发明专利技术公开了一种无人驾驶矿卡前方道路碰撞风险预测及量化方法，包括步骤：确定给定ODD长度前方参考路径为碰撞风险预测的运行设计域；计算车辆沿着ODD长度前方参考路径行驶的车身最大扫掠范围，作为绝对风险区域；基于绝对风险区域向外偏移车辆横向偏差最大值，明确绝对风险区之外的左右带状区域，作为相对风险区域；相对风险范围之外定义为无风险区域；将前方道路的多边形障碍物各角点的位置信息转换到行驶路径坐标系；逐次判断障碍物是否会造成风险并给出碰撞风险量化结果。该方法基于行驶路径坐标系进行碰撞预测，将不同侵入程度的碰撞转化为可量化的风险输出，能够实现碰撞预测更直观、预测结果可量化、可将不同风险分类进行控制规避。类进行控制规避。类进行控制规避。

【技术实现步骤摘要】
一种无人驾驶矿卡前方道路碰撞风险预测及量化方法


[0001]本专利技术属于自动驾驶
，具体涉及一种无人驾驶矿卡前方道路碰撞风险预测及量化方法，即在规划路径、感知系统输出的前方“障碍物”和车辆自身运动状态已知的情况下，预测该障碍物是否将与自车发生碰撞并输出量化风险，该方法适用于公路车辆与非公路车辆自动驾驶系统(ADS)和驾驶辅助系统(ADAS)的碰撞预测和定量风险输出。

技术介绍

[0002]近年来，随着人工智能的不断发展，自动驾驶逐渐成为交通领域的研究热点，而自动驾驶过程中实时碰撞检测方法的研究对提高道路交通安全水平意义重大。目前，现有研究主要集中于基于像素检测的实时碰撞检测算法以及基于分离轴定理的实时碰撞检测算法。
[0003]基于像素检测的实时碰撞检测算法，是最为精确的碰撞检测算法,即对物体的每个像素进行测试,当像素出现重叠,即为碰撞,但这种算法的计算量很大,很少使用。当精确度要求不高时,可以用包围球算法,即用物体轮廊的外接圆把物体包围起来,这样要测试两个物体是否碰撞,只需要计算两个圆心之间距离大于两圆半径相加。此方法紧密性不好，只在特定场景，如V2V碰撞预测时，判断对方车辆为具备回转半径的挖机、电铲类交通工具有直观应用。
[0004]基于分离轴定理的实时碰撞检测算法，分离轴定理(SAT，Separating Axis Theorem)是一项用于检测凸多边形碰撞的技术。在碰撞预测过程中，首先假设自身二维方框沿着参考路径行驶到每一路径点，然后逐一和感知系统给出的每一个障碍物凸多边形包围xy轴投影(忽略高度)进行分离轴碰撞检测
‑
判断二者是否相交，然后输出碰撞风险结论。如中国专利技术专利CN202110713798.4公开了一种凸多边形碰撞的检测方法，利用爬山算法对所述凸多边形的支持点和潜在分离轴集合进行计算，得出最小移动距离判断凸多边形是否发生碰撞。
[0005]尽管分离轴算法比较准确，但需要遍历两个凸多边形的每一条边，并且只适合凸多边形碰撞预测，只能针对每个瞬间输出碰撞或者不碰撞的判断结果，不知道那哪条边会产生碰撞，也无法输出碰撞的范围和碰撞的风险程度。极端情况下，是否碰撞的结论实际是和车辆沿参考路径前向行驶时进行碰撞检测的离散化程度有关，沿着参考路径进行碰撞检测时，离散化程度低可能会发生潜在碰撞风险不能及时检测到的情况，离散化程度高会造成计算量成倍的增大。如图1所示，车辆前方有障碍物，沿着前方参考路径每隔5米进行离散化采样，运用分离轴等多边形碰撞检测算法进行碰撞风险判断，在这种情况不能及时检测到碰撞风险，但是实际按照参考路径行驶的车辆左侧前方边角点已经与障碍物发生碰撞，从而造成漏报。
[0006]此外，基于分离轴等多边形碰撞检测算法的碰撞风险判断结果无法直观显示碰撞侵入范围，要想直观看到“碰撞”的效果，只能重新将两个多边形画到同一个坐标系中，才能让观看的人理解会发生何种程度的碰撞，却无法通过计算获得碰撞干涉程度。
[0007]为了更直观、可量化评估地进行碰撞预测，本专利技术提出一种风险可量化的碰撞预测方法，在参考路径已知的情况下，结合<s,l>坐标系，预测感知系统输出的“障碍物”是否将和自身发生碰撞，输出碰撞风险属性和定量的风险。通过专利检索，相关领域的现有专利为中国专利技术专利CN201911398952.2，公开了一种自动驾驶车辆碰撞预测判断方法及装置，其针对不同车辆之间的运动轨迹进行碰撞预测，采用的是触须算法进行碰撞检测，与本专利技术的方法有明显不同。

技术实现思路

[0008]针对上述问题，结合现有参考路径的行驶路径坐标系<s,l>描述，本专利技术的目的是基于行驶路径坐标系<s,l>进行碰撞预测，将不同侵入程度的碰撞转化为可量化的风险输出，达到碰撞预测更直观、预测结果可量化、可将不同风险分类进行控制规避的目的。本专利技术采用如下技术方案：
[0009]一种无人驾驶矿卡前方道路碰撞风险预测及量化方法，包括以下步骤：
[0010]S1，获取前方参考路径：确定给定ODD长度前方参考路径为碰撞风险预测的运行设计域；
[0011]S2，计算绝对风险区域：计算车辆沿着ODD长度前方参考路径行驶的车身最大扫掠范围，所述车身最大扫掠范围即车辆准确沿着参考路径行驶时车辆边角点所能扫略到的最大包络区域，作为绝对风险区域；
[0012]S3，计算相对风险区域：根据基于实际运营数据统计得到日常无人驾驶车辆沿着参考路径行驶表现的横向偏差，按照统计安全的原则，确定车辆横向偏差最大值LatErrMax，基于绝对风险区域向外偏移LatErrMax，明确绝对风险区之外的左右带状区域，作为相对风险区域；
[0013]S4，确定车辆前方无碰撞风险区域：相对风险范围之外定义为无风险区域，认为出现在该区域范围内的障碍物无碰撞风险；
[0014]S5，获取障碍物位置信息：车辆在实时行驶过程中，依据车辆感知系统获取前方道路的障碍物位置信息，并将多边形障碍物各角点的位置信息转换到行驶路径坐标系；
[0015]S6：碰撞风险判断：按照绝对碰撞风险、相对碰撞风险、无碰撞风险对的决策逻辑顺序，逐次判断前方道路上障碍物是否会造成风险，针对每一种情况计算得到该障碍物的碰撞风险量化结果。
[0016]进一步，所述步骤S3，所述统计安全的原则指的是，基于大量数据统计得到的车辆横向偏差服从高斯分布，取处的值为所述横向偏差最大值LatErrMax。
[0017]进一步，所述步骤S5，所述行驶路径坐标系<s,l>为：沿着车辆当前位置最近的参考路径点前向行驶时路径长度为s轴，s符号为前正后负，每个路径点左右偏移为l轴，l符号为左正右负。
[0018]进一步，所述步骤S5包括以下子步骤：
[0019]S51，将多边形障碍物各角点与最近的参考路径点进行匹配，计算得到多边形障碍物各角点与最近的参考路径点在该路径点航向的法线方向上的横向距离值，作为多边形障碍物各角点的l值；
[0020]S52，计算多边形障碍物各角点最近的参考路径点与当前车辆位置之间的路径距
离，作为多边形障碍物各角点的s值；
[0021]S53，由此，得到多边形障碍物各角点在行驶路径坐标系的坐标(s_i，l_i)，其中，i为多边形障碍物的角点编号。
[0022]进一步，所述步骤S6包括以下子步骤：
[0023]S61，如果障碍物有角点处于绝对风险区域，则记录绝对风险区域量化风险值为100％，同时记录在障碍物横向距离最小角点的s值与l值；
[0024]S62，如果没有角点处于绝对风险区，但有角点处于相对风险区域，则按照1％
‑
99％记录量化风险值；所述量化风险值为障碍物最近角点横向侵入相对风险区距离ΔL与相对风险区宽度的比例值；同时记录产生相对风险区横向干涉最深的障碍物角点的s值与l值；
[0025]S63，如果障碍物没有角本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种无人驾驶矿卡前方道路碰撞风险预测及量化方法，其特征在于，包括以下步骤：S1，获取前方参考路径：确定给定ODD长度前方参考路径为碰撞风险预测的运行设计域；S2，计算绝对风险区域：计算车辆沿着ODD长度前方参考路径行驶的车身最大扫掠范围，所述车身最大扫掠范围即车辆准确沿着参考路径行驶时车辆边角点所能扫略到的最大包络区域，作为绝对风险区域；S3，计算相对风险区域：根据基于实际运营数据统计得到日常无人驾驶车辆沿着参考路径行驶表现的横向偏差，按照统计安全的原则，确定车辆横向偏差最大值LatErrMax，基于绝对风险区域向外偏移LatErrMax，明确绝对风险区之外的左右带状区域，作为相对风险区域；S4，确定车辆前方无碰撞风险区域：相对风险范围之外定义为无风险区域，认为出现在该区域范围内的障碍物无碰撞风险；S5，获取障碍物位置信息：车辆在实时行驶过程中，依据车辆感知系统获取前方道路的障碍物位置信息，并将多边形障碍物各角点的位置信息转换到行驶路径坐标系；S6：碰撞风险判断：按照绝对碰撞风险、相对碰撞风险、无碰撞风险对的决策逻辑顺序，逐次判断前方道路上障碍物是否会造成风险，针对每一种情况计算得到该障碍物的碰撞风险量化结果。2.根据权利要求1所述的无人驾驶矿卡前方道路碰撞风险预测及量化方法，其特征在于，所述步骤S3，所述统计安全的原则指的是，基于大量数据统计得到的车辆横向偏差服从高斯分布取
±
3σ
lat
处的值为所述横向偏差最大值LatErrMax。3.根据权利要求2所述的无人...

【专利技术属性】
技术研发人员：刘振玉，邬海杰，段星集，蒋锟，武奇，
申请(专利权)人：北京踏歌智行科技有限公司，
类型：发明
国别省市：