自动驾驶汽车轨迹规划方法综述

作为自动驾驶车辆的重要组成部分,轨迹规划是影响自动驾驶智能化水平的关键。综述10年来智能驾驶车辆轨迹规划方法并将这些算法分为基于图搜索、基于采样、基于数学优化、曲线插值和机器学习5类。针对每类算法进行了阐述,阐述算法在实际场景中的应用并分析了其优缺点。最后指出了目前依然存在的问题和挑战,并总结了未来研究发展方向。     

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 Minimum Snap 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。     

自动驾驶车辆的平行泊车轨迹规划

根据对自动驾驶车辆的平行泊车场景的分析,提出一种基于采样的自动驾驶车辆平行泊车轨迹规划方法.该方法把自动驾驶车辆平行泊车的轨迹规划解耦成路径规划和速度规划.通过对泊车起始点区域采样,生成一系列曲率连续、满足路径约束的泊车路径曲线,利用多目标评价函数选取最优的泊车路径.然后,在最优泊车路径基础上,通过对时间采样选取时间最...     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性.针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径.提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法.以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集...     

基于社会力的自动驾驶汽车行人轨迹预测模型

为了改善自动驾驶领域对行人保护的局限性,研究了人车混行路口行人的行走模式与人车之间的交互行为,提出了一种基于社会力的自动驾驶汽车行人轨迹预测模型,对人车混行路口的行人行走轨迹进行预测.模型整合了判断行人面对来车行走或是停下的行人走、停决策与改进的社会力模型,并考虑了不同年龄、性别行人的个体差异性.通过数据采集与分析,得...     

基于改进LSTM-NN的安全性自动驾驶换道轨迹规划模型

为改善现有的自动驾驶换道轨迹规划模型产生的换道轨迹与真实的换道轨迹存在较大偏差的问题,提出了一种改进LSTM-NN的安全敏感性深度学习模型,该模型可以缓解当前自动驾驶轨迹规划存在的不足,输出轨迹既保证了较高的精度又提高了安全性。CarSim仿真软件模拟了本模型产生轨迹的可跟踪性,结果显示轨迹非常平滑,并且自动驾驶车辆可以高效、安全地完成换道。     

基于多模态轨迹预测的智能车轨迹规划研究

混合交通流下由于驾驶员意图的不确定性行驶轨迹将呈现多模态属性,为了提高安全性并实现个性化驾驶,本文提出一种基于环境车辆多模态轨迹预测的智能车轨迹规划算法。首先,结合图卷积神经网络（GCN）和长短期记忆网络（LSTM）并加入注意力机制建立轨迹预测模型,预测不同行驶意图下的未来轨迹概率分布。然后,针对环境车辆的多意图概率下预测轨迹集合,根据自动驾驶风格偏好,设定一定的概率阈值挑选出确信轨迹,将其投影到规划路径上生成S-T图,并通过动态规划和二次规划进行基于碰撞风险规避的速度规划。最后,基于模型预测控制（MPC）对本文模型在典型换道场景和NGSIM真实道路场景下进行仿真测试并与现有模型进行对比验证。结果表明：本文提出的模型在安全性、舒适性和行车效率等方面均优于对比模型,能够在准确预测环境车辆未来轨迹的前提下实现最优轨迹规划,保证自动驾驶汽车安全、高效的行驶。     

基于驾驶特征学习的自动驾驶车辆换道轨迹规划

针对自动驾驶车辆换道过程中存在的车辆规划轨迹与人类驾驶员决策轨迹偏差较大问题,开发了一种基于驾驶员轨迹特征学习的换道轨迹规划算法.采集驾驶员换道轨迹曲线函数特征,在轨迹采样及成本优化相结合的轨迹规划基础上,采用最大熵逆强化学习策略迭代更新成本函数权重,并依据学习的成本函数筛选备选采样轨迹,生成反映驾驶员轨迹特征的自动驾...     

基于生态驾驶的自动驾驶汽车交叉路口控制策略研究

为了进一步提高自动驾驶汽车在交叉路口行驶时的燃油经济性,基于模型预测控制(MPC)理论,量化分析了车辆安全性、经济性、舒适性等多性能指标函数及约束,并设计了以经济性为主的交叉路口自动驾驶汽车生态驾驶控制器.仿真结果表明,所提出的控制策略能够保证良好的安全性和舒适性,与LQR控制器相比,在有前车影响和无前车影响工况下的百公里油耗分别降低15.83％和34.98％.     

基于多目标优化的自动驾驶汽车轨迹跟踪控制的研究

由于汽车数量的迅速增长,交通拥堵问题越来越严重,交通事故发生率也随之不断上升,对人类生产生活造成了巨大损失。为了能够减少甚至避免道路交通系统中存在交通控制方面的盲点性和冲突,自动驾驶汽车技术已经成为当前研究的热点。针对基于多目标优化的交通轨迹跟踪控制问题进行了分析与研究,首先介绍了一种简单实用且能有效避免交通事故发生的方法 ;针对国内外相关课题研究现状作简要综述并提出自己所存在和有待解决或改进的关键性问题:即车辆动力学参数确定困难、运动学特性不同时间下位置变化导致轨迹失调及道路拥挤等现象。     

自动驾驶车辆弯道处换道轨迹规划与跟踪控制

目前车辆的自动驾驶系统在弯道路况有较少的介入。基于Frenet坐标系,针对自动驾驶汽车在弯道处的换道策略,提出了一种横纵向解耦的处理动态障碍物的轨迹规划算法,解决了传统耦合规划难以兼顾曲线拟合效率与安全性。横向规划基于准均匀三次B样条曲线,纵向规划则通过动态规划以及二次优化的思想。采用模型预测控制进行换道轨迹的跟踪与控制。最终使用Matlab/Simulink仿真验证,所提出的弯道换道轨迹算法能平稳换道并安全避让动态障碍物。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题,设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型,以横向位置偏差最小为主要控制目标,考虑车辆状态约束、控制约束和轮胎侧偏角约束,优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型,并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析,结果表明,所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题,且在安全性、转向稳定性和操作可行性方面具有显著的优势。     

自动驾驶载货汽车速度轨迹模型预测跟踪控制方法

为避免车辆质量变化与道路坡度对自动驾驶载货汽车纵向车速控制的干扰,通过智能导航系统获取车辆速度轨迹及道路坡度信息,建立车辆纵向动力学模型和压缩天然气（CNG）发动机动力学模型,并基于模型预测控制（MPC）框架设计了一种实时的动态规划（DP）速度轨迹跟踪控制器。仿真结果表明,在新欧洲驾驶循环（NEDC）和全球统一轻型车辆测试循环（WLTC）工况下,该控制器在载货汽车质量变化和道路坡度干扰条件下能使车速保持稳定,并可在优化速度跟踪误差的同时降低发动机天然气消耗量。     

自动驾驶汽车路径规划与城市道路网络适应性研究

随着科学技术的发展,自动驾驶汽车已经从概念走向现实,其潜在的社会经济效益日益凸显。然而,自动驾驶汽车在城市道路网络中的实际应用面临诸多挑战,其中路径规划技术的适应性与道路网络的匹配性成为关键。基于此,本研究深入探讨自动驾驶汽车路径规划如何更好地与城市道路网络相适应,以提升城市交通系统的整体效率与安全性,旨在为自动驾驶技术的进一步推广应用提供科学依据与实践路径。     

面向结构化道路的智能驾驶轨迹规划一致性研究

智能车在动态环境中的轨迹规划须具备良好的舒适性及安全性,离散采样轨迹规划算法具有实时性高、多目标最优等优点而被广泛研究和应用,但在仿真及实车测试中发现,典型的基于多项式优化求解的离散采样局部轨迹规划结果在换道等瞬态过程存在一致性较差的问题。本文针对性提出一种考虑一致性评价的“拼接+强规划”轨迹规划算法。具体而言,根据自车状态截取历史轨迹为当前周期拼接轨迹,结合拼接轨迹和轨迹末状态采样点生成基于多项式的候选轨迹簇作为轨迹强规划阶段,再基于轨迹横向偏差设计轨迹一致性评价函数以从轨迹簇中选取较高一致性的最优行驶轨迹。经仿真和真实道路场景实车验证,表明所提出的轨迹规划方法在满足轨迹安全性、平顺性、舒适性要求的基础上提高了智能驾驶车辆行驶轨迹的整体一致性。     

高速公路上自动超车过程的轨迹规划与跟踪控制

研究了自动驾驶汽车在高速公路上超车过程中的轨迹规划和跟踪控制。基于纵向位移与时间（s-t）图,对超车过程进行建模和数字仿真分析,并应用多项式来规划车辆横纵向运动。采用集中式模型预测控制器,综合控制车辆横纵向的运动,以实现超车过程的轨迹跟踪。结果表明：相较于分散式控制方法,利用集中式控制方法下的车辆侧向加速度的整体波动减小19.0%,横摆角速度的整体波动减小11.6%。因而,集中式控制方法下的横向运动偏差更小,纵向加速过程更加平滑、稳定,符合高速公路超车过程安全平稳性的要求。     

基于人工智能技术的智能汽车自动驾驶算法研究

本文围绕基于人工智能技术的智能汽车自动驾驶算法展开研究,探讨了自动驾驶系统的架构与算法基础、实验设计与方法、实验结果与分析以及实验验证与改进四个方面。首先,阐述自动驾驶系统的基本架构及算法原理,分析了智能感知、环境建模、路径规划与决策算法等技术。随后,提出了智能驾驶算法的实验设计,详细描述了实验目标、实验环境、数据集预处理及算法实现。通过实验,展示了环境感知、路径规划、行为决策和控制算法的效果与性能。最后,基于实验结果,优化了算法并验证了其实车测试效果,提出改进策略。本文为智能汽车自动驾驶算法的应用与优化提供理论支持与实验依据。     

基于车辆动力学模型的换道轨迹规划研究

针对自动驾驶车辆换道轨迹规划时的操纵稳定性问题,基于CarSim/Simulink仿真平台建立了车辆动力学模型,构建了轨迹规划系统框架,通过轨迹信息后处理并提出了目标函数设计,进行了横向控制序列采样以保证车辆的稳定与极限性能,完成了算法对轨迹的综合评价选优。随后开展了仿真试验,对比分析了轨迹跟踪控制系统下的实际轨迹、最优规划方法所规划的换道轨迹。仿真结果表明,该轨迹规划系统框架及算法模型能有效提高车辆的操纵稳定性,可实现冰雪路面等极端工况下自动驾驶车辆换道轨迹规划。     

基于复合动态采样的自动驾驶矿车节能路径规划方法

近年来,考虑安全与效率的自动驾驶矿车路径规划方法已逐渐成熟,并在多种矿山场景落地应用。与此同时,产业界和学术界也开始关注如何利用路径规划提升矿车的燃油经济性。针对这一需求,本文提出了一种矿山场景下的自动驾驶矿车节能路径规划方法,其主要特点是根据车速、道路坡度及障碍物进行S-L（进度-偏离）和S-T（进度-时间）的复合动态采样。针对矿山典型地形场景,建立了矿车燃油消耗指标,提出了安全性-运行效率-能耗综合路径评价模型;为了防止评价模型的各项权重陷入局部最优,设计了基于模拟退火策略的粒子群自适应优化方法。在矿山实际场景的测试中,本研究提出方法较现有方法在燃油经济性指标上平均提升了11.28%。