一种考虑周车随机性的无人驾驶车辆滚动优化决策方法技术

本发明专利技术公开了一种考虑周车随机性的无人驾驶车辆滚动优化决策方法，建立无人驾驶车辆决策模型，基于周车轨迹预测模块输出的周围车辆未来位置的二维高斯分布，进一步建立本车与周车的碰撞概率模型，设计考虑周车随机性的无人驾驶车辆滚动优化决策优化问题，并输出驾驶决策，实现考虑周车随机性的无人驾驶车辆横纵向滚动优化决策；本方法可以在预测未来动态时考虑车辆纵向系统模型、纵向控制模型、车辆侧向系统模型、侧向控制模型、侧向规划模型的特性；可以根据周车轨迹预测模块输出的周车未来位置评估本车与周车的碰撞概率；可以在本车与周车的碰撞概率较高时只最小化本车与周车的碰撞概率，实现安全优先的无人驾驶车辆决策。实现安全优先的无人驾驶车辆决策。实现安全优先的无人驾驶车辆决策。

【技术实现步骤摘要】
一种考虑周车随机性的无人驾驶车辆滚动优化决策方法


[0001]本专利技术属于无人驾驶车辆领域，涉及一种考虑周车随机性的智能车辆滚动优化决策方法。

技术介绍

[0002]无人驾驶车辆可减少由驾驶员失误导致的交通事故，无人驾驶一般包括感知、决策、规划、控制四个部分，其中决策部分的任务是综合环境及本车信息，产生安全的驾驶行为。对于无人驾驶汽车决策，不仅应考虑周车的当前位置，还应考虑周车的未来位置。在实际中，周车轨迹预测模块无法完全精准预测周车的未来位置，周车的未来位置是服从二维高斯分布的随机变量。在目前的决策方法中，通常取周车的未来位置的二维高斯分布的均值作为确定性的变量来设计方法，没有充分考虑周车的未来位置的不确定性，因此在周车不确定性较强时，没有考虑周车随机性的决策可能使无人驾驶车辆的碰撞风险增大。

技术实现思路

[0003]本专利技术为了解决无人驾驶车辆决策中存在的问题，提出一种考虑周车随机性的无人驾驶车辆滚动优化决策方法。
[0004]本专利技术是采用如下技术方案实现的：
[0005]一种考虑周车随机性的无人驾驶车辆滚动优化决策方法，无人驾驶车辆决策需要避免本车与周车的未来轨迹过近而增加发生交通事故的风险，其中本车是本方法中的无人驾驶车辆，周车是所有本车通过传感器感知到的车辆的集合；周车的未来轨迹是无法准确预测的随机变量，本方法基于周车轨迹预测模块输出的周车未来位置实现在周车的未来轨迹具有随机性的情况下的无人驾驶车辆决策；当周车的未来轨迹的随机性高时，相比于周车的未来轨迹的随机性低时，本车采取更保守的行为，增大本车与周车的距离以提高无人驾驶车辆的安全性；本方法基于无人驾驶车辆上加装的惯导、激光雷达和摄像头，获取无人驾驶车辆的车辆纵向速度、车辆纵向位移、车辆侧向位移、车辆横摆角、车辆侧向速度、横摆角速度、当前车道的中心线方程、目标车道l的中心线方程以及周车轨迹预测模块输出的周车未来位置这些无人驾驶车辆滚动优化决策系统状态，建立无人驾驶车辆决策模型，基于周车轨迹预测模块输出的周围车辆未来位置的二维高斯分布，进一步建立本车与周车的碰撞概率模型，设计考虑周车随机性的无人驾驶车辆滚动优化决策优化问题，并输出驾驶决策，实现考虑周车随机性的无人驾驶车辆横纵向滚动优化决策，本方法具体步骤如下：
[0006]步骤一、建立无人驾驶车辆决策模型
[0007]建立无人驾驶车辆决策坐标系，坐标系X轴方向为在水平面上从无人驾驶车辆质心向无人驾驶车辆车头的方向，坐标系Y轴方向为在水平面上从无人驾驶车辆质心向无人驾驶车辆左侧的与坐标系X轴垂直的方向，坐标系原点为无人驾驶车辆质心位置，坐标系X轴方向为车辆纵向，坐标系Y轴方向为车辆侧向；
[0008]建立无人驾驶车辆纵向决策模型，其中包括车辆纵向系统模型和纵向控制模型两
部分，车辆纵向系统模型如下：
[0009][0010]其中，x
x
为车辆纵向系统状态，x
x
＝[x
o v
x
]′
，
′
表示矩阵转置；x
o
为车辆纵向位移，单位m；v
x
为车辆纵向速度，单位m/s；u
x
为车辆纵向控制量，u
x
＝a
x
；a
x
为车辆纵向加速度，单位m/s2，a
x
是由纵向控制模型得出的：
[0011]u
x
＝f
x
(v,v
x
)
ꢀꢀꢀ
(2)
[0012]其中，u
x
为车辆纵向控制量；v为车辆速度决策，单位m/s；v
x
为车辆纵向速度，单位m/s；f
x
(v,v
x
)为纵向控制律，f
x
(v,v
x
)＝P(v
‑
v
x
)，其中P为纵向控制律的比例系数，基于车辆纵向系统模型采用PID控制器的工程整定法确定纵向控制律的比例系数P；
[0013]建立无人驾驶车辆侧向决策模型，其中包括车辆侧向系统模型、侧向控制模型、侧向规划模型三部分，车辆侧向系统模型如下：
[0014][0015]其中y
o
为车辆侧向位移，单位m；v
x
为车辆纵向速度，单位m/s；ψ为车辆横摆角，单位rad；v
y
为车辆侧向速度，单位m/s；r为车辆横摆角速度，单位rad/s；w
f
为车辆前轴中心到质心的距离，单位m；w
r
为车辆后轴中心到质心的距离，单位m；I
z
为车辆绕垂直于坐标轴X轴方向和坐标轴Y轴方向所构成平面的转动惯量，单位kg
·
m2；C
f
为前轮侧偏刚度，单位N/rad；C
r
为后轮侧偏刚度，单位N/rad；δ为车辆前轮转角，单位rad；m为车辆质量，单位kg；整理可得车辆侧向系统状态空间模型：
[0016][0017]其中x
y
为车辆侧向系统状态，x
y
＝[y
o ψ r v
y
]′
；u
y
为车辆侧向控制量，u
y
＝δ；δ为车辆的前轮转角，单位rad，是由侧向控制模型得出的：
[0018]δ＝f
y
(R(l,T,x
o
),x
y
)＝R(l,T,x
o
)
‑
Kx
y
ꢀꢀꢀ
(5)
[0019]其中，δ为车辆的前轮转角，单位rad；f
y
(R(l,T,x
o
),x
y
)为侧向控制律；x
y
为车辆侧向系统状态；K为侧向控制增益向量，向量维度是1行4列，根据车辆侧向系统状态空间模型采用线性系统控制器设计的极点配置方法获得；R(l,T,x
o
)是参考侧向位移，单位m，是由侧向规划模型得出的：
[0020]R(l,T,x
o
)＝(1
‑
w(t,T))y0(x
o
)+w(t,T)y
l
(x
o
)
ꢀꢀꢀ
(6)
[0021]其中，y0(x
o
)为纵向位移xo处的当前车道的中心线侧向位移，当前车道的中心线方程a0为当前车道的中心线方程三次系数，b0为当前车道的中心线方程二次系数，c0为当前车道的中心线方程一次系数，d0为当前车道的中心线方程零次系数；y
l
(x
o
)为纵向位移xo处的目标车道l的中心线侧向位移，目标车道l的中心线方程a
l
为目标车道l的中心线方程三次系数，b
l...

【技术保护点】

【技术特征摘要】
1.一种考虑周车随机性的无人驾驶车辆滚动优化决策方法，无人驾驶车辆决策需要避免本车与周车的未来轨迹过近而增加发生交通事故的风险，其中本车是本方法中的无人驾驶车辆，周车是所有本车通过传感器感知到的车辆的集合；周车的未来轨迹是无法准确预测的随机变量，本方法基于周车轨迹预测模块输出的周车未来位置实现在周车的未来轨迹具有随机性的情况下的无人驾驶车辆决策；当周车的未来轨迹的随机性高时，相比于周车的未来轨迹的随机性低时，本车采取更保守的行为，增大本车与周车的距离以提高无人驾驶车辆的安全性；本方法基于无人驾驶车辆上加装的惯导、激光雷达和摄像头，获取无人驾驶车辆的车辆纵向速度、车辆纵向位移、车辆侧向位移、车辆横摆角、车辆侧向速度、横摆角速度、当前车道的中心线方程、目标车道l的中心线方程以及周车轨迹预测模块输出的周车未来位置这些无人驾驶车辆滚动优化决策系统状态，建立无人驾驶车辆决策模型，基于周车轨迹预测模块输出的周围车辆未来位置的二维高斯分布，进一步建立本车与周车的碰撞概率模型，设计考虑周车随机性的无人驾驶车辆滚动优化决策优化问题，并输出驾驶决策，实现考虑周车随机性的无人驾驶车辆横纵向滚动优化决策，其特征在于，本方法具体步骤如下：步骤一、建立无人驾驶车辆决策模型建立无人驾驶车辆决策坐标系，坐标系X轴方向为在水平面上从无人驾驶车辆质心向无人驾驶车辆车头的方向，坐标系Y轴方向为在水平面上从无人驾驶车辆质心向无人驾驶车辆左侧的与坐标系X轴垂直的方向，坐标系原点为无人驾驶车辆质心位置，坐标系X轴方向为车辆纵向，坐标系Y轴方向为车辆侧向；建立无人驾驶车辆纵向决策模型，其中包括车辆纵向系统模型和纵向控制模型两部分，车辆纵向系统模型如下：其中，x
x
为车辆纵向系统状态，x
x
＝[x
o v
x
]
′
，
′
表示矩阵转置；x
o
为车辆纵向位移，单位m；v
x
为车辆纵向速度，单位m/s；u
x
为车辆纵向控制量，u
x
＝a
x
；a
x
为车辆纵向加速度，单位m/s2，a
x
是由纵向控制模型得出的：u
x
＝f
x
(v,v
x
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，u
x
为车辆纵向控制量；v为车辆速度决策，单位m/s；v
x
为车辆纵向速度，单位m/s；f
x
(v,v
x
)为纵向控制律，f
x
(v,v
x
)＝P(v
‑
v
x
)，其中P为纵向控制律的比例系数，基于车辆纵向系统模型采用PID控制器的工程整定法确定纵向控制律的比例系数P；建立无人驾驶车辆侧向决策模型，其中包括车辆侧向系统模型、侧向控制模型、侧向规划模型三部分，车辆侧向系统模型如下：
其中y
o
为车辆侧向位移，单位m；v
x
为车辆纵向速度，单位m/s；ψ为车辆横摆角，单位rad；v
y
为车辆侧向速度，单位m/s；r为车辆横摆角速度，单位rad/s；w
f
为车辆前轴中心到质心的距离，单位m；w
r
为车辆后轴中心到质心的距离，单位m；I
z
为车辆绕垂直于坐标轴X轴方向和坐标轴Y轴方向所构成平面的转动惯量，单位kg
·
m2；C
f
为前轮侧偏刚度，单位N/rad；C
r
为后轮侧偏刚度，单位N/rad；δ为车辆前轮转角，单位rad；m为车辆质量，单位kg；整理可得车辆侧向系统状态空间模型：其中x
y
为车辆侧向系统状态，x
y
＝[y
o ψ r v
y
]
′
；u
y
为车辆侧向控制量，u
y
＝δ；δ为车辆的前轮转角，单位rad，是由侧向控制模型得出的：δ＝f
y
(R(l,T,x
o
),x
y
)＝R(l,T,x
o
)
‑
Kx
y
ꢀꢀꢀꢀꢀꢀꢀ
(5)其中，δ为车辆的前轮转角，单位rad；f
y
(R(l,T,x
o
),x
y
)为侧向控制律；x
y
为车辆侧向系统状态；K为侧向控制增益向量，向量维度是1行4列，根据车辆侧向系统状态空间模型采用线性系统控制器设计的极点配置方法获得；R(l,T,x
o
)是参考侧向位移，单位m，是由侧向规划模型得出的：R(l,T,x
o
)＝(1
‑
w(t,T))y0(x
o
)+w(t,T)y
l
(x
o
)
ꢀꢀꢀꢀꢀꢀ
(6)其中，y0(x
o
)为纵向位移x
o
处的当前车道的中心线侧向位移，当前车道的中心线方程a0为当前车道的中心线方程三次系数，b0为当前车道的中心线方程二次系数，c0为当前车道的中心线方程一次系数，d0为当前车道的中心线方程零次系数；y
l
(x
o
)为纵向位移xo处的目标车道l的中心线侧向位移，目标车道l的中心线方程
a
l
为目标车道l的中心线方程三次系数，b
l
为目标车道l的中心线方程二次系数，c
l
为目标车道l的中心线方程一次系数，d
l
为目标车道l的中心线方程零次系数，l为目标车道编号决策，1≤l≤L
n
且为整数，L
n
为可行驶车道数量，为大于1的整数；w(t,T)为换道权重，由以下公式得出：其中，t
s
为侧向规划模型的执行周期，单位s；T为换道时间决策，单位s；t为当前换道时间，由以下公式得出：其中，y
o
为车辆侧向位移，单位m；d1为当前车道的中心线方程零次系数；d2为目标车道l的中心线方程零次系数；结合车辆纵向系统模型和纵向控制模型，得到无人驾驶车辆决策模型：其中，其中，x为无人驾驶车辆决策模型的状态，x＝[x
x x
y
]
′
；y为无人驾驶车辆决策模型的输出；ψ为车辆横摆角，单位rad；f
x
(v,v
x
)为纵向控制律；f
y
(R(l,T,x
o
),x
y
)为侧向控制律；对无人驾驶车辆决策模型离散化，得到离散化的无人驾驶车辆决策模型：
其中，x(k)为k时刻的无人驾驶车辆决策模型的状态x；x(k+1)为k+1时刻的无人驾驶车辆决策模型的状态x；为k时刻的无人驾驶车辆决策模型的状态x对时间的导数；T
s
为模型离散的采样时间；y(k+1)为k+1时刻的无人驾驶车辆决策模型的输出；步骤二、建立本车与周车的碰撞概率模型周车轨迹预测模块输出的周车未来位置服从二维高斯分布，概率密度如下：其中，x
i
(k)为第i辆周车在第k时刻的纵向预测位置，是一个随机变量，单位m；y
i
(k)为第i辆周车在第k时刻的侧向预测位置，是一个随机变量，单位m；μ
xi
(k)为第i辆周车在第k时刻的纵向预测位置均值；μ
yi
(k)为第i辆周车在第k时刻的侧向预测位置均值；σ
xi
(k)为第i辆周车在第k时刻的纵向预测位置方差；σ
yi
(k)为第i辆周车在第k时刻的侧向预测位置方差；ρ
i
(k)为第i辆周车在第k时刻的纵向预测位置相关系数；将周车简化考虑为矩形，计算周车的四角的坐标如下：其中，为k时刻周车i的第一角的X轴坐标，单位m；为k时刻周车i的第一角的Y轴坐标，单位m；为k时刻周车i的第二角的X轴坐标，单位m；为k时刻周车i的第二角的Y轴坐标，单位m；为k时刻周车i的第三角的X轴坐标，单位m；为k时刻周车i的第三角的Y轴坐标，单位m；为k时刻周车i的第四角的X轴坐标，单位m；为k时刻周车i的第四角的Y轴坐标，单位m；μ
xi
(k)为第i辆周车在第k时刻的纵向预测位置均值；μ
yi
(k)为第i辆周车在第k时刻的侧向预测位置均值；vlen
i
为周车i对角线的半长，单位m，
并且ζ
i
为周车i的形心与周车i的第一角的连线与周车i的左侧边的夹角，单位rad，len
i
为周车i的车辆长度，单位m，wid
i
为周车i的车辆宽度，单位m；θ
i
(k)为周车i的航向角，单位rad，计算本车的四角的坐标如下：其中，x1(k)为k时刻本车的第一角的X轴坐标，单位m；y1(k)为k时刻本车的第一角的Y轴坐标，单...

【专利技术属性】
技术研发人员：戴启坤，孟庆瑜，郭洪艳，陈虹，刘俊，于文雅，
申请(专利权)人：吉林大学，
类型：发明
国别省市：