基于改进人工势场法的无人驾驶车辆局部路径规划的研究

本文旨在研究在结构化道路上行驶的无人驾驶汽车的局部路径规划.基于人工势场法,利用高斯组合隶属函数建立引力的目标点函数,在引力点函数中考虑障碍物约束和车辆约束,并引入调节因子,建立了改进的无人驾驶汽车人工势场模型,消除了传统人工势场法容易陷入局部极小的问题.硬件在环试验结果验证了所提方法的有效性.     

浅析几种无人驾驶汽车路径规划算法

路径规划是自动驾驶关键技术之一,各种路径规划算法现已不断改进并不断涌现。本文根据全局和局部路径规划对常用路径规划算法进行分类,对几种常用的路径规划算法原理进行介绍,并分析其发展方向。     

基于代价函数的无人驾驶汽车局部路径规划算法

局部路径规划层作为无人驾驶汽车软件层的重要组成分布,如何有效、安全地到达目的地是当前研究的热点。针对结构化道路信息,充分考虑车道线的约束,在使用Frenet坐标系理论的基础上,提出一种考虑到车道线曲率和障碍物模型信息,得到不同车道上其他道路参与者的位置信息,以便计算其他障碍物模型对本车危险程度,综合算法实时性、轨迹平顺性等要素的最小代价局部路径规划算法。在局部路径规划过程中,沿着参考线（Frenet坐标系下X轴上一段路径）选取多个路径分割点,Frenet坐标系下在每个分割点处沿Y轴进行控制点离散,每个路径分割点处选取1个控制点构成路径控制点集合,使用一元三次方程对每种排列组合路径进行拟合,从而使用代价函数对每种排列组合路径进行评估,代价函数值最小为最优的局部路径。代价函数考虑拟合轨迹到障碍物的危险程度、轨迹平顺性、轨迹到当前参考线（实时在全局路径规划层上根据车速得到一条当前需要跟踪的理想轨迹）的偏离程度、拟合轨迹行驶方向的改变程度、无人驾驶汽车最小转弯半径。研究结果表明：在不同试验场景下,所提出基于代价函数的局部路径规划算法,能规划出一条不与障碍物发生碰撞的最优路径,并能保证无人驾驶汽车行驶轨迹平顺性和路径规划层实时性的要求。     

无人驾驶汽车路径规划算法研究综述

无人驾驶汽车是目前汽车发展的一个大方向,无人驾驶的实现依靠于汽车的感知、决策和控制功能。路径规划属于决策中重要的一环。目前,无人驾驶汽车的路径规划算法存在受环境影响较大,无法适用于复杂的道路环境的问题,基于此文章对无人驾驶汽车轨迹规划算法进行归纳。其在广义上可分成全局路径规划和局部路径规划两种,文章对上述两种规划进行细分并介绍了各种路径规划方法的原理,分析了各个方法的优劣,为无人驾驶汽车路径规划算法的研究提供参考。     

改进人工势场法的避障轨迹规划

避障轨迹规划是无人驾驶技术栈中不可或缺的一环,关系到无人驾驶车辆在道路上行驶时的安全性。文章主要研究基于人工势场法的轨迹规划方法,针对该方法中的局部最优及目标不可达的固有缺陷,考虑到在结构化道路上行驶的车辆纵向的变化能力远大于横向。提出了基于Frenet坐标系的势场分布改进方法,将势场沿横向按比例缩放,避免了自车在进行借道绕行时由于多重势场的叠加而产生的路径抖动甚至规划失败。针对局部最优问题,建立了基于安全走廊的逃逸轨迹规划方法。当自车陷入目标不可达情况时,通过动态调整势场引导自车规划出最优方案。最后,在不同交通场景下对提出的改进方案进行了仿真验证,仿真结果表明,提出的方案能够有效提升人工势场法的性能。     

无人驾驶汽车局部路径规划研究综述

文章针对近年来的无人驾驶汽车路径规划算法进行总结和归纳。首先对目前主流的环境建模方法进行阐述;其次对路径规划算法进行介绍,通过分析其优缺点,指出融合轨迹规划算法具有最好的适用性;最后总结当前研究挑战并提出了相关建议。     

基于改进人工势场的无人驾驶动态规划算法研究

无人驾驶决策算法可以分为端到端的决策算法与分层式决策算法,分层式算法由于可解释性强、鲁棒性高而被大多数主机厂采用。规划模块是分层式决策算法中的核心模块,它承接感知与地图模块的信息并输出驾驶轨迹或动作,而人工势场法由于规划效率高、信息提取能力强,被越来越多地应用于无人驾驶决策规划领域。但现阶段的人工势场存在未考虑目的地因素或建立目的地单点引力场导致远距离引力过大、方向错误的问题,无法应对复杂交通环境。针对这些问题,提出一种无人驾驶“行车意图-风险复合场”(Driving Intention & Risk Field, IRF),根据目的地、车辆、道路边界等要素各自的特点分别建模,并以势场的形式统一在IRF中。创建考虑全局规划的全局引力场,将全局规划路径离散成等距离的路径点,并动态选取感兴趣范围内的路径点进行全局引力场的构建。为了验证模型的性能,搭建IRF-SAC动态规划算法平台,并在CARLA仿真环境分别设置高速公路场景、十字路口场景和环岛场景。研究结果表明:相比于NF-SAC和FSM,IRF-SAC算法在安全性、舒适性、通行效率上均有显著提升;在高速公路场景下,IRF-SAC显示出较强的路径跟踪精度和鲁棒性,最大位移偏差相对于NF-SAC和FSM算法分别下降了44.8%、70.2%;在十字路口场景下,与NF-SAC及FSM算法相比,平均危险系数分别降低12.0%、20.6%,纵向加速度均方根分别降低13.2%、44.9%,行驶时长相较于FSM算法减少了39.2%;在环岛场景下,与NF-SAC及FSM算法相比,平均危险系数分别降低了31.7%、52.9%,纵向加速度均方根分别降低了27.0%、19.0%。     

基于多影响因素RDMA*算法的无人驾驶动态路径规划

无人驾驶汽车的路径规划面临着复杂多变的交通环境,为了更全面的评价路径选择指标以规划更合理的路径,以及更好的解决路段环境动态变化对规划结果造成的影响,研究了一种考虑多影响因素的动态路径规划算法——RDMA*(Real-time Dynamics of Multiple influencing factors AStar)算法.以A*(AStar)算法为核心,通过加入多影响因素的交通评价因子对其代价函数进行改进,综合考虑距离,交通拥堵程度,道路平整度和其他影响因素,应用层次分析法确定各影响因素的相对权重,以综合代价值为评价指标进行路径规划.通过GPS,雷达和摄像头等设备,利用融合感知技术获取相关道路环境信息,根据获取的全局和局部交通环境数据信息,利用实时动态更新策略解决动态环境下的路径规划问题,实时规划最优路径.通过对实际案例进行模拟,结果表明,应用RDMA*方法规划的路径相比基础A*方法规划的路径出行总体耗时减少了15.75%.并且在遇到特殊事件的状况下,通过RDMA*动态规划可为无人驾驶车辆即时提供一条综合代价值最小,耗时最少的可行路径,与改进的A*动态路径规划方法相比减少了10.63%的二次规划综合代价值的损耗,提高了7.83%的时间效率.该方法能更好的适应复杂的道路和交通系统,即时应对动态变化的交通状况,具备更强的实用性.     

融合前车轨迹预测的改进人工势场轨迹规划研究

人工势场算法在移动场景中的避撞路径规划很少考虑其与前车未来轨迹的时序耦合影响,基本将每个规划周期内的前车视为静态,通过不同规划周期滚动更新的方式进行准动态路径规划,导致规划路径不够合理、一致性差.本文针对性提出通过时序耦合关联,将前车预测轨迹融入智能汽车路径规划过程.首先构建了改进人工势场算法的引力场及斥力场模型,提出...     

无人驾驶汽车路径跟踪控制方法拟人程度研究

无人驾驶汽车路径跟踪控制是无人驾驶汽车运动控制的核心所在,目前常用的路径跟踪模型主要以路径跟踪精度为主要控制目标,在很大程度上忽略了无人驾驶汽车的乘坐舒适性和控制的拟人程度。为了研究无人驾驶汽车路径跟踪控制算法的拟人程度并提高乘坐舒适性,基于转向几何学、汽车运动学和汽车动力学理论建立实车中常用的4种路径跟踪模型,提出以路径跟踪过程中的最大横向加速度a_ymax和方向盘转角平方和δ_w²共同表征路径跟踪模型的拟人程度和横向乘坐舒适性。基于驾驶人实车换道试验数据,建立多项式拟人换道参考路径,搭建CarSim/Simulink联合仿真模型,并对其进行不同车速下的车辆换道试验。研究结果表明：路径跟踪模型的横向循迹偏差均会随着车速的提高而增加,但都能较好实现路径跟踪;带预瞄路径跟踪模型和动力学前馈最优LQR路径跟踪模型拟人程度较好;汽车运动学路径跟踪模型的乘坐舒适性最差,方向盘修正激烈;在100 km·h^-1,a_ymax>0.7 m·s^-2,δ_w²>2.7×10³时,拟人程度最差;不带预瞄路径跟踪模型循迹精度最高,且拟人程度最高,乘坐舒适性最好,120 km·h^-1时,a_ymax ≤ 0.5 m·s^-2。     

基于自然驾驶数据的中国驾驶人城市快速路跟驰模型标定与验证

为了评估既有跟驰模型在仿真中国驾驶人跟驰行为方面的表现,对5种代表性跟驰模型进行参数标定与效果验证。基于"上海自然驾驶研究项目"采集的60位驾驶人、累计超过16万km的实际驾驶行为数据,根据雷达、车辆总线数据自动提取2 100个城市快速路稳定跟驰行为片段;采取5-折交叉验证法划分标定与验证数据集,即将每位驾驶人的50个跟车片段随机划分成5个不相交的子集（每个子集包含10个跟车片段）,其中4个子集作为标定数据集,剩下的1个作为验证数据集,依次轮换标定数据集与验证数据集5次,展开5次模型标定与验证。基于标定数据集,采用遗传算法对Gazis-Herman-Rothery、Gipps、智能驾驶人、全速度差（FVD）以及Wiedemann模型进行参数标定;基于验证数据集,评估5种模型在预测两车间距方面的精度。结果表明：FVD模型在5种模型中表现最佳,具有最小的误差（21%）和误差标准差;相对于微观交通仿真软件VISSIM中所采用的Wiedeman模型,FVD模型具有精度高、易于标定、对不同驾驶人鲁棒性强3个优势,更加适应于仿真中国驾驶人的跟驰行为。研究结果对于开发适合于中国驾驶人与道路交通环境特征的跟驰模型及微观交通仿真系统具有重要价值。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

基于不同风格行驶模型的自动驾驶仿真测试自演绎场景研究

为了验证自动驾驶汽车决策结果的安全性,提出一种具有自主决策和交互能力的行驶模型生成方法,该行驶模型作为背景车被用于构建自演绎仿真场景来测试自动驾驶汽车的连续决策能力。首先,以强化学习为基础、结合遗传与进化思想,创新地设计并生成了具有自主决策和交互能力的不同风格行驶模型;然后,在模型构建阶段分别训练生成了保守、普通和激进3种风格的行驶模型,其中普通风格行驶模型的训练参数来源于自然驾驶数据集highD的车辆参数分布,保证了该行驶模型的真实性;最后,在普通风格行驶模型的基础上设计并训练出了具有显著激进特征的激进风格行驶模型,以增强自演绎场景的复杂性和测试效果。结果表明：在模型真实性方面,以highD数据集中的跟车速度、车头间距、换道时刻下碰撞时间等参数的分布为真值,研究所生成的普通风格行驶模型的参数分布与真值的平均相似程度为88%,相较于基于规则的智能驾驶人模型（IDM）提升了20.3%;在场景测试性方面,以被测系统为主要责任方的碰撞次数为评估指标,研究生成的不同风格行驶模型所构成的自演绎场景的测试性约是由IDM构成的基线场景的7倍。因此,设计和生成的行驶模型所构成的自演绎场景可以有效支撑面向自动驾驶决策系统的仿真测试。     

基于拓扑地图的自主泊车路径协调与优化策略

为了使全局路径与泊车路径无偏差对接,得到曲率连续的可行驶路径,为泊车模式切换提供精准位姿,提出基于拓扑地图的自主泊车路径协调与优化策略.首先,定义一种精简的停车场拓扑地图描述形式与道路拓扑设计原则,通过采集停车场内关键特征的定位数据建立停车场拓扑地图.其次,基于道路拓扑设计原则与泊车规划原则,设计"第1次平滑处理-路径...     

人机混驾环境下无信号交叉口自动驾驶汽车左转运动规划研究

为了使自动驾驶汽车在人机混驾环境下能安全、高效地左转通过无信号交叉口,在借鉴人类驾驶人左转时会对周围车辆驾驶意图进行提前预判的基础上,提出了 一种基于周围车辆驾驶意图预测的自动驾驶汽车左转运动规划模型.首先将无信号交叉口处周围车辆的驾驶意图分为左转、右转、直行3种类型,利用相关向量机预测周围车辆驾驶意图,以概率形式输出...     

面向自动驾驶的仿真场景自动生成方法综述

随着自动驾驶测试验证对虚拟仿真场景依赖程度的增加,传统基于专家经验的场景枚举生成方法已无法满足测试需求.数字虚拟仿真场景自动生成方法在场景多样性、危险性、可解释性、生成效率等方面存在巨大技术优势,是提高汽车自动驾驶技术测试验证安全性和可靠性的关键,已成为当前汽车智能化领域的研究热点.在广泛调研场景自动生成方法领域研究成...     

面向动态避障的智能汽车滚动时域路径规划

为解决城市低速条件下智能汽车在避障过程中的路径规划问题，提出面向动态避障的智能汽车滚动时域路径规划方法。首先，划分车道可行区域，利用3次拉格朗日插值法拟合车道边界，并根据"车-路"的相对位置关系将车道区域进一步划分为车道间区域与车道内区域两部分。其次，以区域虚拟力场进行动态交通场景模拟，包括在障碍车周身沿车道方向的虚拟矩形区域斥力场，行驶目标位置的虚拟引力场和车道保持虚拟区域引力场3个部分，然后结合划分的车道区域确定各虚拟力场的作用区域。再次，建立主车动力学与运动学模型，障碍车运动学预测模型，把主车与障碍车无碰撞，主车行驶在车道内区域，趋向目标位置以及保证车辆稳定性作为优化目标，综合车辆模型的控制输入、状态变量等动力学约束条件，构建多目标的滚动时域控制器用于车辆避障路径规划，求解获得前轮转角作为控制量。最后，利用MATLAB和veDYNA软件对提出的路径规划控制系统分别在静态障碍和动态障碍工况下进行联合仿真。研究结果表明：该方法能够很好地解决躲避静态障碍和低速动态障碍车的问题，控制车辆驶向目标位置，并且在避障过程中满足车辆的动力学约束，同时又不会与道路边界发生碰撞，保证了车辆的安全性和稳定性。     

面向自动驾驶的车路协同感知点云融合模式时延影响分析

新一代通信技术的快速发展为车路协同感知提供了基础,可进一步提升自动驾驶车辆在复杂场景中的感知能力,现有研究对不同的协同感知信息融合模式进行了探索,但忽略了对感知精度与通信时延平衡性的分析。针对自动驾驶协同感知中点云融合模式的时延特征,本文以前融合、特征融合、后融合3种模式为研究对象,提出了基于模拟仿真的时延影响分析框架。考虑通信时延引起的协同感知结果时滞性,利用扩展卡尔曼滤波算法对存在时延的协同感知结果进行预测性补偿,创新提出了滞后补偿误差和等效时延评价指标,用以综合评价不同融合模式对协同感知结果的影响;针对不同点云融合模式的感知结果,构建了平均感知精度与平移误差分布关系模型,依据目标检测平移误差的分布特征生成带有感知误差的仿真轨迹,进而对协同感知效果进行评估。结合TrajNet++行人轨迹数据集,以不同时延参数及点云融合模式,对1 200条轨迹进行了180 000次数值仿真。结果显示,感知目标的已知轨迹长度越短、速度越高,时延对协同感知精度的影响越大,以100 ms时延下后融合为基准,当特征融合时延在500 ms以内、前融合时延在700 ms以内时,可以达到相同或更高的协同感知精度。针对目标易突然出现且速度快的复杂场景,宜采用低时延、低精度的后融合模式,反之,宜采用具有高时延、高精度的特征融合或前融合模式。本研究可为自动驾驶协同感知的点云融合模式选择提供依据。