System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及高级辅助驾驶与自动驾驶领域的一种车辆换道轨迹规划方法,尤其涉及了一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法。
技术介绍
1、自动驾驶技术的出现开启了一个充满可能性的交通运输的新时代。然而,自动驾驶汽车的兴起也带来了许多挑战。全球范围内都存在车辆涉及车道变更的撞车事故,这些事故造成了许多悲剧性的伤亡和伤害。这一现象突出了在各种类型的车辆机动过程中改进安全措施的紧迫性。为了确保自动驾驶技术的安全性,需要持续努力,不断提升相关技术,并加强对自动驾驶车辆的监管和规范。
2、作为自动驾驶机动的典型代表,自动驾驶汽车在变道过程中需要完成轨迹预测、轨迹规划等各种关键任务。轨迹预测是预测目标车辆未来运动的过程,以便规划一个安全、有效的驾驶轨迹。轨迹规划需要制定一个考虑诸如道路条件和周围环境信息等因素的驾驶路线。轨迹规划和预测是自动变道的关键要素,必须加以整合,以确保其成功实施。论文(lim w,lee s,sunwoo m,et al.hybrid trajectory planning for autonomous drivingin on-road dynamic scenarios[j].ieee transactions on intelligenttransportation systems,2019,22(1):341-355.)提出了在曲线坐标系中分别规划车辆的纵向和横向运动的方法,然而缺乏对于车辆本身动力学与运动学的建模与对交通流交互信息的考虑,将该方法记做lim的方法。论文(bae s,s
3、然而现有的预测-规划算法往往存在以下几点的问题:
4、1)现有的预测模型对于复杂的交通流交互模式的考虑较为单一,很少有方法将自动驾驶车辆的未来规划信息纳入到网络中并实现定量地分析。
5、2)现有的预测-规划框架大多是简单的上下级联关系,由于没有充分考虑自我车辆与目标车辆的运动趋势,以及变道机动的可行性,规划模块容易在复杂的交通流中产生不可行的轨迹。
技术实现思路
1、本专利技术的目的是为了克服上述现有技术存在的问题而提供一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法。
2、本专利技术的目的可以通过以下技术方案来实现:
3、一、一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法
4、s1:利用道路地图信息获取目标车辆和目标车辆周围多个车辆在世界坐标系下的历史运动轨迹;再将所有历史运动轨迹中的位置信息处理为相对于自动驾驶车辆当前时刻坐标的相对位置信息,最后将所有历史运动轨迹中的相对位置信息与对应的速度和加速度信息记为历史相对运动轨迹并输入到级联注意力网络中,网络输出目标车辆的初始预测轨迹;
5、s2:基于目标车辆的初始预测轨迹,生成自动驾驶车辆的最优行为轨迹;
6、s3:将自动驾驶车辆的最优行为轨迹处理为相对于自动驾驶车辆当前时刻坐标的相对位置信息并与对应的速度和加速度信息联合作为自动驾驶车辆的规划信息,再将自动驾驶车辆的规划信息与历史相对运动轨迹一起输入到级联注意力网络中,网络输出已知规划信息的目标车辆预测轨迹;
7、s4:基于已知规划信息的目标车辆预测轨迹和自动驾驶车辆的最优行为轨迹的参考横向运动,利用非线性模型预测控制器进行自动驾驶车辆的换道。
8、所述级联注意力网络包括依次相连的时空注意力模块、硬软注意力模块和基于机动行为的解码器。
9、所述s2具体为:
10、首先,根据自动驾驶车辆换道的终止状态、初始状态以及不同的换道时间生成自动驾驶车辆的不同横向运动模式;接着,结合目标车辆的初始预测轨迹,以自动驾驶车辆的加速度为控制量利用线性模型预测控制器来优化生成不同横向运动模式对应的纵向运动,从而生成了不同的行为轨迹模式;然后,利用轨迹防滑检测与综合损失函数优化选择行为轨迹模式,从而生成自动驾驶车辆的最优行为轨迹。
11、所述自动驾驶车辆的横向运动模式采用五阶多项式进行采样拟合。
12、所述轨迹防滑检测与综合损失函数包括防滑约束和综合损失函数。
13、所述防滑约束满足以下公式:
14、
15、其中,分别是行为轨迹中的纵向速度与横向速度,μ为地面摩擦系数,g为重力加速度。
16、所述综合损失函数包括纵向损失、横向损失和连续性损失,公式如下:
17、f=ωlonclon+ωlatclat+ωconccon
18、其中,f表示综合损失,clon和clat分别为纵向损失和横向损失,ccon为连续性损失,ωlon、ωlat、ωcon分别为纵向损失、横向损失和连续性损失对应的权重;
19、所述纵向损失的公式如下:
20、
21、其中,nt是换道时域点总数,和分别为规划行为轨迹的纵向速度和参考纵向速度,为规划行为轨迹的纵向加加速度,αi和αj分别为第一子损失和第二子损失对应的权重;
22、所述横向损失的公式如下:
23、
24、其中,ti是换道时长,为规划行为轨迹的横向加加速度,βi和βj分别为第三子损失和第四子损失对应的权重;
25、所述连续性损失的公式如下:
26、
27、其中,si和se分别是更新轨迹与原轨迹的重叠部分的纵向初始点和终点,ki为对应第i点处的轨迹曲率,kτ为重叠部分的原轨迹的平均曲率,ci为第五子损失的权重。
28、所述s4中,非线性模型预测控制器以加速度和前轮转角为控制量u,结合车辆控制约束和安全性约束,控制自动驾驶车辆换道,公式如下:
29、
30、其中,jp表示优化函数值;wvx,wn,wδa,wδδ分别表示第一-第四权重矩阵;np,nc分别表示预测时域与控制时域;vx(k)和vx,ref(k)分别为轨迹速度与参考速度;n(k)和nref(k)分别为轨迹横向运动与参考横向运动;δa(k)和δδ(k)分别为加速变化率和前轮转向角度变化率。
31、二、一种计算机设备
32、所述计算机设备包括存储器和处理器,所述存储器存储有计算机程序本文档来自技高网...
【技术保护点】
1.一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述级联注意力网络包括依次相连的时空注意力模块、硬软注意力模块和基于机动行为的解码器。
3.根据权利要求1所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述S2具体为:
4.根据权利要求3所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述自动驾驶车辆的横向运动模式采用五阶多项式进行采样拟合。
5.根据权利要求3所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述轨迹防滑检测与综合损失函数包括防滑约束和综合损失函数。
6.根据权利要求5所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述防滑约束满足以下公式:
7.根据权利要求5所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述综合损失函数包括纵向损失
8.根据权利要求1所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述S4中,非线性模型预测控制器以加速度和前轮转角为控制量u,结合车辆控制约束和安全性约束,控制自动驾驶车辆换道,公式如下:
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至8中任一项所述的方法的步骤。
...【技术特征摘要】
1.一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述级联注意力网络包括依次相连的时空注意力模块、硬软注意力模块和基于机动行为的解码器。
3.根据权利要求1所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述s2具体为:
4.根据权利要求3所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述自动驾驶车辆的横向运动模式采用五阶多项式进行采样拟合。
5.根据权利要求3所述的一种双向耦合了预测与规划的自动驾驶车辆换道轨迹规划方法,其特征在于,所述轨迹防滑检测与综合损失函数包括防滑约束和综合损失函数。
6.根据权利要求5所述的一种双向耦合了预测与规...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。