无人驾驶汽车局部路径规划算法研究

无人驾驶汽车局部路径规划算法应确保避障的安全性、实时性和路径的平滑性等。本文提出了一种基于离散优化的局部路径规划算法,即采用代价函数分别评估离散生成的候选路径的安全性、平滑性等,再根据各代价函数加权计算获得局部最佳路径。针对障碍物移动随机性,设计了一种基于运动估计结合高斯卷积的移动障碍安全性代价函数;考虑候选路径曲率的变化及其连续性,设计了路径平滑性代价函数。使用了一种新的坐标转换计算方法将路径从s-ρ坐标系转换到大地笛卡尔坐标系,提高了实时性。最后,利用PreScan和Matlab软件进行联合仿真,并在"远飞"无人车实验平台上进行了真实道路场景的实车实验。实验结果表明:提出的路径规划算法不仅能使无人车安全、合理地规避静止和移动障碍,且完全满足局部路径规划算法对实时性的要求。     

基于B样条理论的平行泊车路径规划研究

针对智能汽车自动泊车系统的发展现状进行了分析,为解决泊车过程停车转向问题,提出一种连续曲率的平行泊车路径规划方案。对泊车环境进行分析,考虑汽车动力学约束条件,建立了自动泊车路径的约束空间,并根据对泊车路径的要求,在约束空间内生成合适的控制点,基于B样条理论生成可行的泊车路径。仿真结果表明,采用这种方法能够有效地实现避障,并且满足曲率连续性的要求,提高了自动泊车的灵活胜和连贯性。     

基于双估计强化学习结合前向预测控制的自动驾驶运动控制研究

运动控制研究是实现自动驾驶目标的重要组成部分,针对传统强化学习算法在求解中因单步决策局限而导致控制序列次优的问题,提出了一种基于双估计强化学习算法及前向预测控制方法结合的运动控制框架（DEQL-FPC）。在该框架中引入双估计器以解决传统强化学习方法动作值过估计问题并提高训练优化的速度,设计前向预测多步决策方法替代传统强化学习的单步决策,以有效提高全局控制策略的性能。通过虚拟驾驶环境仿真,证明了该控制框架应用在自动驾驶汽车的路径跟踪以及安全避障的优越性,保证了运动控制中的精确性、安全性、快速性以及舒适性。     

装载机避障轨迹规划及模型预测轨迹跟踪

轮式装载机在工作区域行驶时，避障过程频繁，以往的避障轨迹规划未考虑整车转向半径约束和车速变化，也较少考虑整车在动力学模型条件下的轨迹跟踪性能。针对上述情况，以自动驾驶轮式装载机为对象，基于最优快速随机扩展树算法（RRT^*），考虑车身膨胀圆个数，生成全局最优避障路径，以整车最小稳定转向半径为约束，利用CC-Steer算法对避障路径进行平滑处理，采用路径-速度分解算法规划满足整车在加速、匀速和减速状态下的避障行驶轨迹。基于整车动力学模型，考虑行驶过程中的横向位置偏差和航向角偏差，并将整车动力传动系统视为1阶惯性环节，构建装载机动力学状态空间方程。以加速度和铰接角为控制输入，以车速、横向位置偏差和航向角偏差为控制输出，建立整车动力学预测模型，以加速度、铰接角和车速为约束条件，将目标函数转换为二次规划问题，建立满足装载机在工作区域避障的模型预测轨迹跟踪控制系统。以规划的非匀速行驶避障轨迹为目标，利用构建的模型预测轨迹跟踪系统，进行自动驾驶轮式装载机的轨迹跟踪仿真。研究结果表明：所提方法能够很好地控制自动驾驶轮式装载机从初始位姿驶向目标位姿，实现整车在工作区域的避障过程，且在避障过程中满足整车的约束要求，保证整车在轨迹跟踪过程中的安全稳定性能。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于高效NMPC算法的无人车轨迹跟踪控制研究

本文针对无人车在复杂工况下,非线性程度增加和动力学约束导致的轨迹跟踪控制精度差和求解效率低的问题,提出一种高效的非线性模型预测控制（nonlinear model predictive control,NMPC）算法。首先考虑车辆模型的非线性因素,建立动力学和魔术轮胎模型,并将无人车终端状态整合到性能指标中,添加稳定性范围内多约束条件,通过障碍罚函数法处理非线性不等式约束,保证了求解过程的平滑性。然后为减轻求解非线性优化问题带来的计算负担,提出了一种新颖的连续/广义最小残差算法（improved continuation/generalized minimal residual,improved-C/GMRES）,与传统的C/GMRES算法相比,通过引入连续增加的惩罚因子加快了数值计算的求解效率,降低算法的计算负担。最后通过Simulink和CarSim的联合仿真,在双移线工况和蛇行工况条件下验证跟踪精度和求解效率,结果表明与传统的C/GMRES方法相比,所提控制方法明显提升轨迹跟踪的控制精度和改善行驶稳定性,并加快数值求解效率。     

基于柔性演员-评论家算法的自适应巡航控制研究

针对目前自适应巡航控制技术中，深度强化学习的控制算法环境适应能力不足、模型迁移性及泛化能力较差的问题，提出一种基于最大熵原理和随机离线策略的柔性演员-评论家（SAC）控制算法。构建演员和评论家网络拟合动作值函数和动作策略函数，并使用自调节温度系数改善智能体的环境探索能力；针对奖励稀疏问题，运用奖励塑造思想设计奖励函数；此外，提出一种新的经验回放机制以提高样本利用率。将所提出的控制算法在不同场景中进行仿真及实车验证，并与深度确定性策略梯度（DDPG）算法进行比较，结果表明，该算法具有更好的模型泛化能力和实车迁移效果。     

基于融合离散动作的双延迟深度确定性策略梯度算法的自动驾驶端到端行为决策方法

针对基于强化学习的车辆驾驶行为决策方法存在的学习效率低、动作变化不平滑等问题，研究了1种融合不同动作空间网络的端到端自动驾驶决策方法，即融合离散动作的双延迟深度确定性策略梯度算法（TD3WD）。在基础双延迟深度确定性策略梯度算法（TD3）的网络模型中加入1个输出离散动作的附加Q网络辅助进行网络探索训练，将TD3网络与附加Q网络的输出动作进行加权融合，利用融合后动作与环境进行交互，对环境进行充分探索，以提高对环境的探索效率；更新Critic网络时，将附加网络输出作为噪声融合到目标动作中，鼓励智能体探索环境，使动作值预估更加准确；利用预训练的网络获取图像特征信息代替图像作为状态输入，降低训练过程中的计算成本。利用Carla仿真平台模拟自动驾驶场景对所提方法进行验证，结果表明:在训练场景中，所提方法的学习效率更高, 比TD3和深度确定性策略梯度算法（DDPG）等基础算法收敛速度提升约30%；在测试场景中，所提出的算法的收敛后性能更好，平均压线率和转向盘转角变化分别降低74.4%和56.4%。      

考虑路面附着系数的行车风险场建模及避障控制研究

针对车辆在不同路面条件下的主动避障问题，提出一种考虑路面附着系数的行车风险场避障路径规划方法。首先，建立了包含道路边界风险场、目标引力场和障碍物风险场的行车风险场；基于容积卡尔曼滤波算法实时估算路面附着系数，并对考虑路面附着系数的行车风险场函数进行负梯度求导，得到风险值下降最快的避障路径；然后，采用5次多项式拟合优化得到满足车辆约束的避障参考路径；最后，采用模型预测控制算法跟踪避障路径。仿真结果表明：在相同车速下，路面附着系数越小，避障时的横向加速度越小，横向加速度的标准差越小，避障效果越平顺。     

基于广义Sigmoid函数的车辆紧急转向避障策略研究

为提高无人车在紧急转向避障时的高效性和安全性,提出了一种基于广义Sigmoid函数的车辆紧急转向避障策略。首先,在Sigmoid函数基础上,引入米塔-列夫勒(Mittag-Leffler)函数,提出了一种广义Sigmoid函数。然后,研究了广义Sigmoid函数参数变化对避障路径的影响,并提出新的代价函数作为车辆紧急避障时选取路径的指标。接着,为了验证广义Sigmoid函数的效果,提出改进的Stanley轨迹跟踪器跟踪生成的紧急避障路径。最后,搭建三自由度车辆模型进行仿真。结果表明,相比于传统的Sigmoid函数,提出的广义Sigmoid函数能够提供更优的避障路径,且在改进Stanley算法下,车辆的动态响应效果更好。     

基于预测模型的无人赛车路径规划算法研究

针对无人驾驶电动方程式赛车极限工况下的路径规划问题，提出一种基于预测模型的无人赛车路径规划算法。通过目标函数设计将路径规划问题转化为最优化问题，并将车辆动力学预测模型作为等式约束，依据赛车的稳态行驶特性，构建赛车行驶稳定性组合约束，并综合考虑边界约束，生成满足赛车行驶要求的路径。在不同附着条件下进行了仿真测试，结果表明，在满足实时性要求的前提下，所提出的算法能够有效减小车辆前、后轴侧滑的风险，且在多项指标上优于RRT*算法以及基于三次自然样条曲线的最优二次轨迹规划方法。     

基于横向安全距离模型的主动避障算法

现有的安全距离模型是基于纵向相对车速或减速度值建立的,没有考虑移动目标的横向运动特性。本文利用移动目标横穿马路的速度、相对位置,建立横向安全距离模型,并提出一种基于横向安全距离模型的主动避障算法。首先,根据横向移动目标横穿马路的速度、相对位置和自车的制动距离建立横向安全距离模型,设计主动避障算法。接着,为计及路面条件对制动效果的影响,引入当前行驶路面估算的附着系数峰值估算最大制动减速度,约束目标避障减速度,并调整制动强度,以适应不同路况的安全避障行驶。最后,以典型横向移动目标骑行者作为研究对象,通过PreScan/Simulink/CarSim联合仿真验证避障算法的有效性。结果表明:基于横向安全距离模型的主动避障算法能有效避免与骑行者碰撞,提高行车的主动安全性。     

基于分段高斯伪谱法的平行自主泊车路径规划

本文中提出一种在不同泊车空间采用分段高斯伪谱法的自主泊车路径规划方法。首先,通过建立车辆运动学模型,结合动力学约束、端点约束和路径避障约束,将自主泊车路径规划问题转换为最优控制问题,而在不同泊车区域内采用分段高斯伪谱法将最优控制问题离散化为非线性问题。接着,以最短泊车完成时间为优化目标函数,采用内点法对非线性问题进行优化求解得到最优泊车路径。然后,在Matlab/Simulink中搭建仿真模型,并设定了5种不同泊车位长度的平行自主泊车工况,其泊车位长度分别为车长的1.1～1.8倍。仿真结果表明,所提出的方法可统一有效对自主泊车路径规划问题进行求解,且与传统伪谱法相比仿真收敛速度更快,泊车时间更短。最后,通过实车试验进一步验证采用所提出方法的有效性。     

基于动态博弈算法的切入场景下自动驾驶车辆运动规划研究

鉴于在车辆换道切入的场景中，自动驾驶车辆容易出现频繁的误减速、误避让，而造成通行能力和乘员舒适性的下降，提出一种基于主旁车动态博弈的切入场景决策规划算法。在行为决策层，根据切入场景中主旁车的冲突性关系，联立相关车辆运动方程建立整体系统的运动模型，构建考虑旁车状态的切入博弈模型，设计安全性和舒适性收益函数，进行驾驶行为博弈，输出行为决策结果。在轨迹规划层，根据车辆间距构建避障约束条件，以Sigmoid函数轨迹的变曲率和速度切向矢量的时间分量来构建车辆动力学约束。同时以加权收益方式联合考虑驾驶习惯和舒适性等需求，建立轨迹规划数学模型，求解得到满足上层博弈决策要求的运动轨迹。Carsim-Simulink联合仿真结果表明，在不同的初始条件下主车与切入的旁车能进行多种形式的合理的交互决策，准确完成切入场景下的运动规划任务，车辆能准确跟踪输出的轨迹，更符合一般驾驶习惯，提高了车辆的舒适性。     

考虑车辆运动约束的最优避障轨迹规划算法

无人驾驶车辆进行障碍物规避时,须考虑车辆的运动特性以保证避障过程的安全性、舒适性、操纵稳定性等。本文中提出了一种在车辆运动约束下的避障轨迹规划算法。该算法结合障碍物的运动状态和位姿信息,在局部环境地图中对超越障碍物的期望位置进行局部采样组成离散终端状态点集,将复杂道路环境中的避障轨迹搜索问题转换为自车与状态点集之间的轨迹拟合和寻优问题。轨迹的拟合通过基于车辆侧向动力学模型的Bézier曲线规划器实现,而寻优过程则考虑到了车辆进行轨迹跟随过程中的行驶平顺性和操纵稳定性。通过与常规State Lattice算法和MPC算法在多种测试环境中进行避障效果的对比,结果表明本文中提出的规划方法在测试场景中能够使车辆安全、合理地规避障碍,同时在轨迹平顺性、操纵稳定性等方面有较好的表现。     

应用于智能物流小车的避障策略研究

为了减少人工设计规则,提高智能物流小车避障的灵活性,将深度强化学习应用在智能物流小车避障当中去。为了降低算法对智能物流小车硬件的需求,提出一种基于A3C算法的智能避障方法。智能物流小车根据传感器输入数据,自主更新网络参数,学习避障策略。设计了智能物流小车的控制算法,包括路径跟踪及避障控制。搭建了智能物流小车实验平台,由感知部分、控制部分及执行部分组成。对传感器进行了选型及数据预处理,最后在障碍环境中进行验证,结果证明了算法的有效性。     

行人过街模拟及车辆右转避障路径规划方法

为解决无信号十字路口右转车辆与同侧过街行人的交互冲突问题,提出一种模拟过街行为的行人过街运动模型,设计了车辆横纵向解耦避障路径规划算法,并进行了仿真实验。使车辆面向动、静态行人时能合理切换避障路径规划策略;同时,将过街运动模型驱动下的行人作为车辆避障对象,以过街模型输出的行人未来轨迹生成车辆纵向速度规划障碍位移—时间区域,从而让行人未来运动状态反馈到车辆避障中。结果表明:本文的行人过街运动模型相对观测值的准确率达到了90%,因此,该模型复现了行人过街过程;能根据行人运动状态切换避障方案,使车辆安全避让过街行人。     

基于安全场改进RRT*算法的智能汽车路径规划方法

快速搜索随机树(rapidly-exploring random tree, RRT)算法是智能汽车路径规划的常用方法,但传统RRT和RRT~*算法存在路径抖动大、易陷入局部区域和计算效率低等缺点。针对这些问题,本文中结合实车数据提出了一种基于安全场改进RRT~*算法的智能汽车路径规划方法。首先,建立了基于安全距离模型的安全场,通过驾驶数据采集试验对模型关键参数进行了提取;在此基础上,提出了具备安全场引导和角度约束等策略的改进RRT~*算法;最后,通过仿真对算法进行了验证。结果表明,本文提出的路径规划方法能计算出满足车辆轨迹曲率约束的有效路径,同时具有较快的搜索速度和更高的成功率。     

自动驾驶车辆避障轨迹规划

目前无人驾驶发展迅速,城市运营环境中避障轨迹规划是核心问题之一,如何避免轨迹离散优化过程中可能出现的角碰等状况逐渐成为研究热点。文章比较了轨迹规划中坐标系的优缺点并选取笛卡尔坐标系,提出考虑自车形状的车辆模型,在车辆模型基础上结合新的障碍物边界处理方法进一步排查可能的碰撞危险区域,以起到简化环境信息避免进行碰撞检测、减少规划耗时的效果。结合自车与周围障碍物位置关系,文章提出通过使用运动走廊,结合MinimumSnap最优化理论进行硬约束轨迹优化,最后通过仿真验证证明该方法可行,并且能够有效满足避障场景下安全性和舒适性要求。     

基于深度强化学习与风险矫正的智能车辆决策研究

为实现高速公路环境下车辆的安全决策，提出一种结合深度强化学习和风险矫正方法的行为决策模型。构建决策模型所需的目标车辆及周围车辆的行驶信息，并引入自注意力安全机制，提高车辆在复杂高速场景下对周围潜在危险车辆的注意力，综合考虑行车效率、避障等因素以设计强化学习的奖励函数。此外，为解决强化学习在决策过程中缺乏安全性保障的问题，设计风险矫正模块对决策动作进行风险评估和矫正，避免危险决策的执行。在Highway-env仿真平台上对提出的决策模型进行训练和测试。试验结果表明，提出的决策模型有较高的行车安全率和鲁棒性，其驾驶效率也优于以规则、模仿学习和单纯深度强化学习为基础的决策方法。