[發明專利]一種基于道路結構權值融合的無人車軌跡實時規劃方法

有效

• 申請號: 201910339490.0
• 申請日: 2019-04-25
• 公開（公告）號: CN110081894B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 趙君嶠;葉晨;蔡樂文;張恩偉;王鑫塵;丁永超;周宏圖
• 申請（專利權）人: 同濟大學
• 主分類號: G01C21/34
• 分類號: G01C21/34
• 代理公司: 上海科律專利代理事務所(特殊普通合伙) 31290
• 代理人: 葉鳳;李耀霞

本申請提供一種基于道路結構權值融合的無人車軌跡實時規劃方法，適用于無人車在自主駕駛過程中的智能軌跡規劃。采用的技術方案包括：1通過查表方式以簡化車輛運動方程計算；2基于廣度優先搜索的結構化與非結構化環境賦權方法；3動態目標區域決策；4融合車輛動力學特性的改進A*路徑搜索算法；5動態場景增量式軌跡規劃。利用結構化與非結構化環境賦權方法統一了各類環境下的無人車軌跡規劃問題；利用動態場景增量式軌跡規劃實現了軌跡的連續性和穩定性，保證無人車在低、中、高速下的運行平穩性；對車輛運動方程以及碰撞檢測過程進行簡化近似，通過避免浮點運算有效增強了軌跡規劃算法的效率，使其達到近實時，并且保證了軌跡規劃的正確性。

技術領域

本申請是一種可應用于無人車在結構化與非結構化駕駛場景中的一種通用的實時軌跡規劃方法。適用于無人車在高速公路、城區道路、停車場等區域的自主駕駛過程中的智能軌跡規劃。

背景技術

軌跡是無人駕駛系統智能決策規劃系統的結果。無人車根據所規劃出的軌跡進行循跡控制，從而實現自主行駛。當前大部分無人車決策規劃系統需要區分結構化和非結構化的駕駛場景，在前一場景中采用基于地圖預定路徑以及車輛動力學約束生成多條候選軌跡，而后根據障礙物的分布進行實時選擇。該方法效率高，技術難度低，但需依賴精準的車道信息，難以在非機構化的駕駛場景如廣場等區域應用。并且，該種方法由于其貪心策略在復雜駕駛場景中難以實現優化的駕駛決策。在非結構化場景中，現有無人駕駛系統一般采用在網格地圖上使用A*以及RRT等搜索算法進行規劃的方法，但其一般實時性較差，需要秒級才能產生出自主行駛軌跡，因此只適用于低速場景，無法應用于正常結構化道路中的中、高速行駛。此外，區分結構化和非結構化場景的軌跡規劃方法需根據高精地圖或感知信息進行規劃策略的在線切換，降低了無人車駕駛決策過程的智能性。綜上，目前尚未有一種實時的軌跡規劃方法可同時滿足無人車在結構化道路和非結構化環境中的自主無人駕駛。

發明內容

本發明提出了一種可以通用于結構化道路和非結構化環境的實時無人車軌跡規劃方法。各類結構化以及非結構化道路信息，如車道線、停車位、停止線、靜態障礙物以及動態交通對象等信息均被設定為合適的權值并融合在軌跡規劃的決策格網地圖中；借助顧及車輛動力學模型的A*算法，并結合多種搜索優化方法進行最優軌跡的規劃。

本申請所采用的技術方案是：

步驟1，構建角度-位移增量表以簡化運動方程計算，在保證軌跡正確性的同時極大提升了軌跡規劃算法的效率，為步驟4的路徑搜索算法提供車輛動力學約束。

步驟2，對環境賦權獲得權重地圖：

先將環境對象進行分類，可以分類為車道、車道線、空地、靜態障礙物、動態障礙物和參考路徑等。

使用本領域已有的廣度優先搜索算法用于計算出柵格地圖中每個格子到每類環境對象的距離，從而分別根據每類環境對象的權值計算公式用于計算出每類環境對象在某個格子處的權值，在得到的各類環境對象的權值中，選取最大的權值設置為該格子處的權值；

對柵格地圖中每個格子處都使用上述權值設置方法，遍歷，從而得到柵格地圖對應的權重地圖；

得到的權重地圖為步驟4的路徑搜索算法提供權重約束，實現統一的軌跡規劃。

步驟3，動態目標區域決策：

根據參考路徑進行每次規劃的目標區域選擇，擬人、智能化地采用具有一定空間范圍的區域作為軌跡規劃目標，突破傳統規劃算法必須基于特定目標點的限制，為步驟4的路徑搜索算法提供搜索目標。

步驟4，融合車輛動力學特性的A*路徑搜索算法：

傳統的A*路徑搜索算法的結果是一條陡峭，沒有方向約束的路徑，且其啟發值一般為到目標點的最短歐式距離，該路徑結果無法滿足汽車的行駛要求，也無法在復雜的駕駛環境中有效引導路徑搜索過程。