[發明專利]針對結構化道路的無人駕駛汽車運動軌跡規劃系統及方法有效
| 申請號： | 202010099122.6 | 申請日： | 2020-02-18 |
| 公開（公告）號： | CN111273668B | 公開（公告）日： | 2021-09-03 |
| 發明（設計）人： | 彭育輝;張垚;范賢波;鐘聰 | 申請（專利權）人： | 福州大學 |
| 主分類號： | G05D1/02 | 分類號： | G05D1/02 |
| 代理公司： | 福州元創專利商標代理有限公司 35100 | 代理人： | 陳明鑫;蔡學俊 |
| 地址： | 350108 福建省福州市*** | 國省代碼： | 福建;35 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 針對 結構 道路 無人駕駛 汽車 運動 軌跡 規劃系統 方法 | ||
1.一種針對結構化道路的無人駕駛汽車運動軌跡規劃方法，其特征在于，提供一系統包括感知模塊、定位模塊、變道決策模塊、運動規劃模塊和軌跡追蹤模塊；所述變道決策模塊根據感知模塊和定位模塊采集的數據輸出決策動作；所述運動規劃模塊根據決策動作，輸出最優軌跡至軌跡追蹤模塊，具體包括以下步驟：
步驟S1:采集實時行駛數據；
步驟S2:將采集的行駛數據進行坐標轉化，將車輛在Frenet坐標系下的數據轉換為車輛在全局坐標系下的數據；
步驟S3:確定狀態空間、動作空間和動作價值回報函數；
步驟S4:構建深度強化學習模型；
所述步驟S4具體為：
DQN模型的輸入層的信息為決策動作、車輛自身狀態以及其他車輛狀態，輸出層為在該狀態下采取的各個決策動作對應的Q值，使用深度神經網絡來替代價值函數，當已知價值回報函數Q*(s,a),用深度神經網絡對Q函數進行擬合，則有：
Q(s,a)≈Q(s,a；θ)
通過求解貝爾曼方程得到的Q函數估計與深度神經網絡預測的Q值之間存在差異，這個差異作為損失函數來更新神經網絡；
引入損失函數最小化貝爾曼方程對Q值估計和神經網絡對Q值估計的差，即：
Li(θi)＝E[(yi-Q(s,a,θi))2]
式中，yi為貝爾曼方程所求出的Q值，yi＝r+γmaxQ(s′,a′,θi)；i為迭代次數；
對上式采用梯度下降法進行訓練，公式為：
步驟S5:將周圍環境信息、決策動作、車輛自身狀態作為輸入，通過深度強化學習模型計算，輸出無人車執行不同動作的Q值，并根據輸出的最大Q值選取相應的決策動作；
步驟S6:根據決策模塊給出的決策動作，計算出Frenet坐標下的目標配置；
步驟S7:根據無人車當前位置的初始配置與目標配置，在預設的時間間隔內規劃出一個含有時間戳的軌跡集；
步驟S8:建立損失函數，從生成的軌跡集中選擇一條最優軌跡作為追蹤軌跡。
2.根據權利要求1所述的針對結構化道路的無人駕駛汽車運動軌跡規劃方法，其特征在于：所述感知模塊包括激光雷達、毫米波雷達和運動攝像機。
3.根據權利要求1所述的針對結構化道路的無人駕駛汽車運動軌跡規劃方法，其特征在于：所述定位模塊包括GPS衛星定位系統、慣性導航儀和網絡差分模塊。
4.根據權利要求1所述的針對結構化道路的無人駕駛汽車運動軌跡規劃方法，其特征在于，所述全局坐標系下數據包括：位置(x,y)、速度vx、加速度ax轉換成Frenet坐標系下的縱向位移s、縱向速度縱向加速度和橫向位移l、橫向速度和橫向加速度
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于福州大學，未經福州大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202010099122.6/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：基于歷史定位數據的交通標志牌檢測方法
- 下一篇：基于非晶(GaLu)
