基于改进关联函数动态分配轨迹的智能车运动规划算法制造技术

本发明专利技术公开了基于改进关联函数动态分配轨迹的智能车运动规划算法，包括以下步骤：S1.实时获取智能车辆的GPS信息，通过车载激光雷达传感器获得障碍物信息；S2.获取车辆最大安全距离d

【技术实现步骤摘要】
基于改进关联函数动态分配轨迹的智能车运动规划算法


[0001]本专利技术涉及车辆控制
，更具体地，涉及基于改进关联函数动态分配轨迹的智能车运动规划算法。

技术介绍

[0002]目前，应用于无人驾驶车辆轨迹规划模型种类繁多，主要包含多项式轨迹、回旋曲线、正反梯形横向加速度轨迹和圆弧轨迹等，各种轨迹模型各有侧重，性能存在较大差异。尽管轨迹建模已取得一定成果，但尚存部分亟待优化、改进之处。经归纳，不足之处主要表现在：
①
大部分模型仅考虑当前交通环境的安全性，难以提前评估即将遭遇的风险；
②
多数模型注重研究本身汽车运动轨迹而忽略障碍物相对运动轨迹。
[0003]因此，急需设计一种更科学的多关联智能车运动规划算法。

技术实现思路

[0004]针对现有技术存在的不足，本专利技术目的是提供基于最大安全距离dmax、车辆运动轨迹、障碍物相对车辆运动轨迹改进关联函数动态分配轨迹的智能车运动规划算法。
[0005]为实现上述目的，本专利技术实施提供了基于改进关联函数动态分配轨迹的智能车运动规划算法，包括以下步骤：
[0006]S1.实时获取智能车辆的GPS信息，通过车载激光雷达传感器获得障碍物信息；
[0007]S2.获取车辆最大安全距离d
max
；
[0008]S3.根据车辆运动轨迹，获取车辆在笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息；
[0009]S4.根据障碍物相对车辆运动轨迹，利用模糊C类算法获取障碍物相对运动轨迹；
[0010]S5.构建车辆运动模型，利用计算机编程获取智能车辆最优运动规划。
[0011]进一步来说，S1中的障碍物信息包括道路环境信息、道路边界、道路地标线、固定障碍物、其他车辆几何参数、速度及位置坐标。
[0012]进一步来说，在S3中，利用笛卡尔坐标系的转换公式和笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息，获得智能车辆在Frenet坐标系下的横、纵向坐标，横、纵向的速度和加速度信息，然后建立智能车辆在Frenet坐标系下的横、纵向轨迹规划集模型。
[0013]进一步来说，
[0014]笛卡尔坐标系的转换公式：
[0015]s＝s
p
ꢀꢀ
公式一
[0016][0017][0018]d
′
＝(1
‑
dk
p
)tan(λ
x
‑
θ
p
)
ꢀꢀ
公式四
[0019][0020]其中，S为Frenet坐标系下轨迹点x的纵向坐标，s
p
是Frenet坐标系距离轨迹点x最近的一个点p的纵向坐标，为Frenet坐标系下轨迹点x纵向坐标对时间的导数，表示车辆沿参考线方向的速度，为Frenet坐标系下轨迹点x纵向坐标对时间的二阶导数，表示车辆沿参考线方向的加速度，d为Frenet坐标系下轨迹点x的横向坐标，d
′
为Frenet坐标系下轨迹点x横向坐标对纵向坐标的一阶导数，d
″
为Frenet坐标系下轨迹点x横向坐标对纵向坐标的二阶导数，θ
x
是笛卡尔坐标系下轨迹点x的方位角，θ
p
是笛卡尔坐标系下点P的方位角，k
x
是笛卡尔坐标系下轨迹点x的曲率，k
p
是笛卡尔坐标系下点p的曲率，v
x
是笛卡尔坐标系下轨迹点x的速度，a
x
是笛卡尔坐标系下点x的加速度，k
p
′
是笛卡尔坐标系下点p的曲率k
p
的导数。
[0021]进一步来说，所述横、纵向轨迹规划集模型：
[0022]d(t)＝a0+a1t+a2t2+a3t3+a4t4+a5t5ꢀꢀ
公式六
[0023]式中，a0＝d(t0)，d(t0)为规划轨迹初始时刻t0的横向轨迹，为规划轨迹初始时刻t0的横向速度，为规划轨迹初始时刻t0的横向加速，令规划轨迹终止时刻为t
f
，T＝t
f
‑
t0，则a3，a4，a5通过：
[0024][0025]计算获得；
[0026]在Frenet坐标系下根据车辆运动学模型确定智能车辆的五次多项式纵向轨迹规划模型：
[0027]s(t)＝b0+b1t+b2t2+b3t3+b4t4+b5t5ꢀꢀ
公式八
[0028]式中，s(t0)为规划轨迹初始时刻t0的纵向偏移，为规划轨迹初始时刻t0的横向速度，为规划轨迹初始时刻t0的横向加速，则b3，b4，b5通过：
[0029][0030]计算获得。
[0031]进一步来说，在所述S5中，通过计算机编程利用最大安全距离dmax、车辆运动轨迹、障碍物相对车辆运动轨迹构建的模型，算出智能车运动最优规划。
[0032]有益效果
[0033]1.本专利技术基于最大安全距离dmax、车辆运动轨迹、障碍物相对车辆运动轨迹构建的模型，在利用计算机编程获取智能车辆最优运动规划上，更科学、更不容易出错。
[0034]2.本专利技术在关联函数动态分配中，利用车辆在笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息得到车辆运动轨迹，利用模糊C类算法获取障碍物相对运动轨迹，实现更高效的智能车运动规划。
[0035]具体实施实例
[0036]为了进一步了解本专利技术的内容，结合实施例对本专利技术做详细的描述。应当理解的是，实施例仅仅是对本专利技术进行解释而非限定。
[0037]基于改进关联函数动态分配轨迹的智能车运动规划算法，包括以下步骤：
[0038]S1.实时获取智能车辆的GPS信息，通过车载激光雷达传感器获得障碍物信息；其中，障碍物信息包括道路环境信息、道路边界、道路地标线、固定障碍物、其他车辆几何参数、速度及位置坐标
[0039]S2.获取车辆最大安全距离d
max
；
[0040]S3.根据车辆运动轨迹，获取车辆在笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息；利用笛卡尔坐标系的转换公式和笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息，获得智能车辆在Frenet坐标系下的横、纵向坐标，横、纵向的速度和加速度信息，然后建立智能车辆在Frenet坐标系下的横、纵向轨迹规划集模型。
[0041]具体来说，
[0042]笛卡尔坐标系的转换公式：
[0043]s＝s
p
ꢀꢀ
公式一
[0044][0045][0046]d
′
＝(1
‑
dk
p
)tan(λ
x
‑
θ
p
)
ꢀꢀ
公式四...

【技术保护点】

【技术特征摘要】
1.基于改进关联函数动态分配轨迹的智能车运动规划算法，其特征在于，包括以下步骤：S1.实时获取智能车辆的GPS信息，通过车载激光雷达传感器获得障碍物信息；S2.获取车辆最大安全距离d
max
；S3.根据车辆运动轨迹，获取车辆在笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息；S4.根据障碍物相对车辆运动轨迹，利用模糊C类算法获取障碍物相对运动轨迹；S5.构建车辆运动模型，利用计算机编程获取智能车辆最优运动规划。2.根据权利要求1所述的基于改进关联函数动态分配轨迹的智能车运动规划算法，其特征在于，S1中的障碍物信息包括道路环境信息、道路边界、道路地标线、固定障碍物、其他车辆几何参数、速度及位置坐标。3.根据权利要求1所述的基于改进关联函数动态分配轨迹的智能车运动规划算法，其特征在于，在S3中，利用笛卡尔坐标系的转换公式和笛卡尔坐标系下x、y参考方向上的速度、运动曲率、加速度和方位角信息，获得智能车辆在Frenet坐标系下的横、纵向坐标，横、纵向的速度和加速度信息，然后建立智能车辆在Frenet坐标系下的横、纵向轨迹规划集模型。4.根据权利要求3所述的基于改进关联函数动态分配轨迹的智能车运动规划算法，其特征在于，笛卡尔坐标系的转换公式：s＝s
p
ꢀꢀꢀꢀ
公式一公式一d
′
＝(1
‑
dk
p
)tan(λ
x
‑
θ
p
)
ꢀꢀꢀꢀꢀ
公式四其中，S为Frenet坐标系下轨迹点x的纵向坐标，s
p
是Frenet坐标系距离轨迹点x最近的一个点p的纵向坐标，为Frenet坐标系下轨迹点x纵向坐标对时间的导数，表示车辆沿参考线方向的速度，为Frenet坐标系下轨迹点x纵向坐标对时间的二阶导数，表示车辆沿参考线方向的加速度，d为Frenet坐标系下轨迹点x的横向坐标...

【专利技术属性】
技术研发人员：廖员，王成辉，侯阳，
申请(专利权)人：北京吉利学院，
类型：发明
国别省市：