[發(fā)明專利]一種基于多模態(tài)預(yù)測的自動駕駛汽車運(yùn)動規(guī)劃方法

在審

• 申請?zhí)枺?/td>: 202210565932.5
• 申請日: 2022-05-23
• 公開（公告）號: CN114912693A
• 公開（公告）日: 2022-08-16
• 發(fā)明（設(shè)計）人: 唐小林;楊豐閣;汪鋒;黃冰;楊凱;鄧忠偉;李佳承
• 申請（專利權(quán)）人: 重慶大學(xué)
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/26;G06Q50/30;G06N3/04;G06N3/08
• 代理公司: 北京同恒源知識產(chǎn)權(quán)代理有限公司 11275
• 代理人: 方鐘苑

1.一種基于多模態(tài)預(yù)測的自動駕駛汽車運(yùn)動規(guī)劃方法，其特征在于，該方法包括以下步驟：

S1：根據(jù)自車和周圍車輛的軌跡歷史，采用LSTM模型預(yù)測周圍車輛未來的多模態(tài)行為，即周圍車輛在不同模態(tài)下未來位置的概率分布；

S2：根據(jù)步驟S1中LSTM模型預(yù)測得到的多模態(tài)行為，構(gòu)造相應(yīng)的其他車輛的行為分支，并依據(jù)行為分支規(guī)劃自車的軌跡分支，由多模態(tài)概率和安全約束確定相應(yīng)的分支概率；并利用模型預(yù)測控制(Model Predictive Control,MPC)算法以軌跡分支的形式求解反饋策略。

2.根據(jù)權(quán)利要求1所述的自動駕駛汽車運(yùn)動規(guī)劃方法，其特征在于，步驟S1具體包括以下步驟：

S11：構(gòu)建車輛的坐標(biāo)，原點固定在t時刻預(yù)測的車輛上，y軸為車道方向，x軸與y軸垂直；

S12：編碼器是一個具有共享權(quán)值的LSTM，其輸入是自車和周圍車輛(t-t_h)至t幀的歷史軌跡X：

其中，(x₀,y₀)、(x₁,y₁)分別是自車和周圍車輛在t時刻的坐標(biāo)；

對于每一時刻，(t-t_h)至t幀的歷史軌跡片段通過LSTM編碼器傳遞給被預(yù)測的車輛及周圍車輛；每輛車的LSTM狀態(tài)在過去的第t_h幀中逐幀更新；每輛車的最終LSTM狀態(tài)編碼該車輛的運(yùn)動狀態(tài)；

S13：定義一個基于車道的柵格來建立社會張量，并使用社會張量作為模型的輸入之一；在被預(yù)測的車輛周圍定義一定大小的柵格；通過在柵格中填充周圍的車輛位置形成社會張量，并使用卷積和池化層，得到社會上下文編碼；預(yù)測車輛的LSTM狀態(tài)經(jīng)過全連接層，得到車輛動力學(xué)編碼；將兩個編碼串接在一起，形成軌跡編碼，傳遞給解碼器；

S14：使用基于LSTM的解碼器生成被預(yù)測車輛未來不同模態(tài)下(t+1)至(t+t_f)幀坐標(biāo)y^(t)及模態(tài)概率P(Y|X)：

P(Y|X)＝∑P(Y|m_i,X)P(m_i|X)

其中，m_i為第i種模態(tài)下的駕駛行為，Y_mi表示被預(yù)測車輛未來各模態(tài)下(t+1)至(t+t_f)幀y坐標(biāo)集合，P(m_i|X)表示各模態(tài)的概率，P(Y|m_i,X)表示被預(yù)測車輛各模態(tài)下的位置分布。

3.根據(jù)權(quán)利要求1所述的自動駕駛汽車運(yùn)動規(guī)劃方法，其特征在于，步驟S2具體包括以下步驟：

S21：根據(jù)不受控體的多模態(tài)行為構(gòu)建其他車輛的行為分支，將不同模態(tài)簡化為一組策略，行為分支的每個結(jié)點包含周圍車輛的狀態(tài)，遵循相同策略的節(jié)點組成一個分支；行為分支對應(yīng)不同的策略π_i，每個分支的節(jié)點個數(shù)與LSTM的預(yù)測幀數(shù)相同，策略的概率由LSTM的模態(tài)概率P(m_i|X)給出；

S22，按照行為分支的結(jié)構(gòu)構(gòu)造相同的軌跡分支，軌跡分支的結(jié)點代表自車的未來狀態(tài)；根據(jù)車道邊界的約束和避撞條件，構(gòu)造安全狀態(tài)集S，控制障礙函數(shù)h^S(x)，由碰撞概率P得到第i個分支對應(yīng)的權(quán)重w_i；

x(t)∈S＝{x∣h^S(x)≥0}

w_i＝w_Pre(i)P(b_i∣x_Pre(i),z_Pre(i))

其中，x(t)為允許的狀態(tài)合集，P(π_i∣x,z)為碰撞概率，h(x,z)為安全狀態(tài)集，η為飽和參數(shù)，b_i表示第i個分支，w_Pre(i)表示預(yù)測得到的分支概率，x_Pre(i),z_Pre(i)分別為自車及周圍車輛未來狀態(tài)；

S23：構(gòu)造代價函數(shù)，代價函數(shù)是最小化加權(quán)的預(yù)期總代價：

w₀＝1,w_i＝P(m_i|X)P(b_i∣x_Pre(i),z_Pre(i)) (2)

其中，式(1)表示每個分支內(nèi)自車和其他車輛的動力學(xué)；式(2)表示w_i由碰撞概率P得到第i個分支對應(yīng)的權(quán)重；式(3)表示對初始條件的約束；x_i,z_i分別為自車與周圍車輛的狀態(tài)，u_i為自車的的控制輸入序列，為t時刻狀態(tài)，為t-1的控制輸入，分別為未來第及t_f幀；分別為初始時刻自車與周圍車輛的狀態(tài)，x_t,z_t分別為t時刻自車與周圍車輛的狀態(tài)。