易控智駕I無人駕駛決策規(guī)劃
作者：臻忻
引導(dǎo)語：決策規(guī)劃是無人駕駛的關(guān)鍵部分,。
智能汽車( Intelligent ?Vehicles) 是智能交通系統(tǒng)( ?Intelligent Transportation Systems) 的重要組成部分,。智能汽車根據(jù)傳感器輸入的各種參數(shù)等生成期望的路徑,，并將相應(yīng)的控制量提供給后續(xù)的控制器,。所以決策規(guī)劃是一項重要的研究內(nèi)容,，決定了車輛在行駛過程中車輛能否順暢,、準確得完成各種駕駛行為,。
?
決策規(guī)劃是無人駕駛的關(guān)鍵部分之一,，它首先融合多傳感信息,， 然后根據(jù)駕駛需求進行任務(wù)決策,，接著在能避開可能存在的障礙物前提下，通過一些特定的約束條件,，規(guī)劃出兩點間多條可選安全路徑和,，并在這些路徑中選取一條最優(yōu)的路徑作為車輛行駛軌跡。決策規(guī)劃按照劃分的面不同可分為全局規(guī)劃和局部規(guī)劃兩種,。全局規(guī)劃是由獲取到的地圖信息,，規(guī)劃出一條在一些特定條件下的無碰撞最優(yōu)路徑；局部規(guī)劃則是根據(jù)全局規(guī)劃,，在一些局部環(huán)境信息基礎(chǔ)上,，能避免撞上未知的障礙物，最終到達目標點的過程,。
軌跡規(guī)劃是智能汽車自主駕駛行為必須涉及到的一項研究,，由于道路環(huán)境非常復(fù)雜，車輛系統(tǒng)本身是非完整系統(tǒng),，使得智能汽車在行駛過程中的運動軌跡規(guī)劃問題變得復(fù)雜,。傳統(tǒng)的路徑規(guī)劃方法僅僅考慮了地形空間的幾何約束，忽略了車輛的運動學(xué)和動力學(xué)特性,，因而規(guī)劃結(jié)果不一定是可行的,，運動控制系統(tǒng)無法使得車輛準確得跟蹤規(guī)劃軌跡。近年來,，國內(nèi)外智能汽車的運動軌跡規(guī)劃方法有了很大的改進,，這些方法最大的改進就是考慮車輛實際行駛的環(huán)境條件并根據(jù)控制系統(tǒng)的需要，以生成最優(yōu)的參考軌跡[20],。
軌跡規(guī)劃技術(shù)概述：路徑規(guī)劃問題最早出現(xiàn)在 20 世紀 60 年代末的人工智能機器人領(lǐng)域,，特指考慮移動主體和障礙物之間的幾何關(guān)系，找到一條不發(fā)生碰撞的靜態(tài)路徑,，通常表示輪式移動機器人在笛卡爾坐標下位置和姿態(tài)的關(guān)系[21],。運動軌跡規(guī)劃是在靜態(tài)路徑規(guī)劃的基礎(chǔ)上考慮時間因素和車輛的運動學(xué)、動力學(xué)約束條件,，并根據(jù)車輛當(dāng)前的位姿以及傳感器收集到周圍環(huán)境的狀態(tài)信息,，考慮智能汽車的內(nèi)在約束條件( 如非完整約束) 和車輛的運動學(xué),、動力學(xué)約束條件對軌跡生成的影響，規(guī)劃出可行的參考軌跡[22],。最后將軌跡以控制量的方式供給到后續(xù)的控制系統(tǒng),，使得車輛可以沿著相應(yīng)的軌跡行駛，避免碰撞,。
一,、決策規(guī)劃技術(shù)結(jié)構(gòu)體系
決策規(guī)劃層是自主駕駛系統(tǒng)智能性的直接體現(xiàn)，對車輛的行駛安全性和整車性能起著決定性作用,，以谷歌和斯坦福等為代表的眾多企業(yè)和高校做出了大量研究,。常見的決策規(guī)劃體系結(jié)構(gòu)有分層遞階式、反應(yīng)式以及二者是混合式,。
1.1,、分層遞階式體系結(jié)構(gòu)
分層遞階式體系結(jié)構(gòu)是一個串聯(lián)系統(tǒng)結(jié)構(gòu)，如下圖所示,。在該結(jié)構(gòu)中,，智能駕駛系統(tǒng)的各模塊之間次序分明，上一個模塊的輸出即為下一個模塊的輸入,，因此又稱為“感知-規(guī)劃-行動”結(jié)構(gòu),。當(dāng)給定目標和約束條件后，規(guī)劃決策就根據(jù)即時建立的局部環(huán)境模型和已有的全局環(huán)境模型決定出下一步的行動,，進而依次完成整個任務(wù),。
?決策規(guī)劃-分層遞階式體系結(jié)構(gòu)
由于該結(jié)構(gòu)對任務(wù)進行了自上而下的分解，從而使得每個模塊的工作范圍逐層縮小,，對問題的求解精度也就相應(yīng)的逐層提高,，具備良好的規(guī)劃推理能力，容易實現(xiàn)高層次的智能控制,。但是也存在一些缺點：(1)它對全局環(huán)境模型的要求比較理想化,，全局環(huán)境模型的建立是根據(jù)地圖數(shù)據(jù)庫先驗信息和傳感器模型的實時構(gòu)造信息，所以它對傳感器提出了很高的要求,，與此同時,，存在的計算瓶頸問題也不容忽視，從環(huán)境感知模塊到執(zhí)行模塊,，中間存在著延遲,，缺乏實時性和靈活性；(2)分層遞階式體系結(jié)構(gòu)的可靠性不高,，一旦其中某個模塊出現(xiàn)軟件或者硬件上的故障,，信息流和控制流的傳遞通道就受到了影響，整個系統(tǒng)很有可能發(fā)生崩潰而處于癱瘓狀態(tài)。
1.2,、反應(yīng)式體系結(jié)構(gòu)
與分層遞階式體系結(jié)構(gòu)不同,，反應(yīng)式體系采用并聯(lián)結(jié)構(gòu)，如圖 3-2 所示,，每個控制層可以直接基于傳感器的輸入進行決策,，因而它所產(chǎn)生的動作是傳感器數(shù)據(jù)直接作用的結(jié)果，可突出“感知-動作”的特點,，易于適應(yīng)完全陌生的環(huán)境。其中,，基于行為的反應(yīng)式體系結(jié)構(gòu)是反應(yīng)式體系中最常用的結(jié)構(gòu),。反應(yīng)式結(jié)構(gòu)最早于 1986 年由 Brooks， 并成功應(yīng)用于移動機器人[24],。其主要特點是存在著多個并行的控制回路,，針對各個局部目標設(shè)計對應(yīng)的基本行為，這些行為通過協(xié)調(diào)配合后作用于驅(qū)動裝置,，產(chǎn)生有目的的動作,，形成各種不同層次的能力。雖然高層次會對低層次產(chǎn)生影響,，但是低層次本身具有獨立控制系統(tǒng)運動的功能,，而不必等高層次處理完畢。
反應(yīng)式體系結(jié)構(gòu)中的許多行為主要設(shè)計成一個簡單的特殊任務(wù),， 所以感知,、規(guī)劃和控制三者可緊密地集成在一塊，占用的存儲空間不大,，因而可以產(chǎn)生快速的響應(yīng),，實時性強。同時,，每一層只需負責(zé)系統(tǒng)的某一個行為,，整個系統(tǒng)可以方便靈活的實現(xiàn)低層次到高層次的過渡，而且如若其中一層的模塊出現(xiàn)了預(yù)料之外的故障,，剩下的層次仍能產(chǎn)生有意義的動作,，系統(tǒng)的魯棒性得到了很大的提高。但是設(shè)計方面也存在一些難點：(1)由于系統(tǒng)執(zhí)行動作的靈活性,，需要特定的協(xié)調(diào)機制來解決各個控制回路對同一執(zhí)行機構(gòu)爭奪控制的沖突,，以便得到有意義的結(jié)果；(2)除此之外,，隨著任務(wù)復(fù)雜程度以及各種行為之間交互作用的增加,，預(yù)測一個體系整體行為的難度將會增大，缺乏較高等級的智能。
1.3,、混合式體系結(jié)構(gòu)
分層遞階式體系結(jié)構(gòu)和反應(yīng)式體系結(jié)構(gòu)各有優(yōu)劣,，都難以單獨滿足行駛環(huán)境復(fù)雜多變時的使用需求，所以越來越多的行業(yè)人士開始研究混合式體系結(jié)構(gòu),，將兩者的優(yōu)點進行有效的結(jié)合在全局規(guī)劃層次上,，則生成面向目標定義的分層遞階式行為；在局部規(guī)劃層次上,，生成面向目標搜索的反應(yīng)式體系的行為分解,。
車輛駕駛決策技術(shù)是實現(xiàn)自主駕駛的核心，不良駕駛決策將影響 ?車輛自身安全,、節(jié)能和舒適性,，并造成外部交通流效率降低。國內(nèi)外學(xué)者在基于環(huán)境信息,、車輛狀態(tài)等方面的車輛智能駕駛決策方法已取得了一些成果,，能夠在一定程度上滿足復(fù)雜、動態(tài)的實際交通場景,。
智能駕駛決策規(guī)劃系統(tǒng)的開發(fā)和集成基于遞階系統(tǒng)的層次性特征,，可分為四個關(guān)鍵環(huán)節(jié)，分別是信息融合,、任務(wù)決策,、軌跡規(guī)劃和異常處理。其中,，信息融合,，完成多傳感器的數(shù)據(jù)關(guān)聯(lián)和融合建立周邊環(huán)境模型；任務(wù)決策,，完成智能汽車的全局路徑規(guī)劃任務(wù),；軌跡規(guī)劃，在不同的局部環(huán)境下,，進行智能駕駛車輛的運動軌跡狀態(tài)規(guī)劃,； 異常處理，負責(zé)智能汽車的故障預(yù)警和預(yù)留安全機制,。任務(wù)決策和軌
跡規(guī)劃分別對智能性和實時性要求較高,。
3.1.1?傳感信息融合
傳感信息融合是將多個傳感器的輸出信息統(tǒng)一在車輛坐標系下， 建立具有時間標記的數(shù)據(jù)關(guān)聯(lián)和融合,，以保證場景數(shù)據(jù)信息的連貫性和適用性,。
智能駕駛汽車在環(huán)境感知方面，通常會使用到多種傳感器來進行行駛環(huán)境數(shù)據(jù)的采集與分析,，分為環(huán)境傳感器如單目攝像頭,、立體攝像頭,、毫米波雷達、激光雷達,、超聲波傳感器,、紅外傳感器等，定位導(dǎo)航設(shè)備如GPS 和北斗等,，以及 V2X 車聯(lián)網(wǎng)通信設(shè)備三種信息來源,。智能汽車在復(fù)雜多變的路況下行進時，對周圍信息的不確定性會使之處于危險之下,，尤其是僅依賴于單一的環(huán)境傳感器時,。因此，使用多傳感器對周圍環(huán)境進行檢測,，利用數(shù)據(jù)融合,，可以充分準確地描述目標物體的特征，并且減少二義性,，提高智能駕駛汽車決策的準確性與魯棒性。
數(shù)據(jù)融合技術(shù)可以認為是一種解決問題的工具,，它包括對融合單元的理解以及對融合架構(gòu)的設(shè)計兩個方面,。融合單元是指每一次數(shù)據(jù)處理到輸出給決策層的整個部分，而融合架構(gòu)則是進行數(shù)據(jù)融合的框架與模式,。一個數(shù)據(jù)融合架構(gòu)至少需要包括負責(zé)采集外部信息的感知框架,，即傳感器管理框架，以及負責(zé)數(shù)據(jù)處理的模型管理框架,。其中,，模型管理具體涉及數(shù)據(jù)匹配、數(shù)據(jù)關(guān)聯(lián),、融合決策等部分,。
數(shù)據(jù)融合具體技術(shù)中包括數(shù)據(jù)轉(zhuǎn)換、數(shù)據(jù)關(guān)聯(lián),、融合計算等,，其中數(shù)據(jù)轉(zhuǎn)換與數(shù)據(jù)關(guān)聯(lián)在融合架構(gòu)的實現(xiàn)中已經(jīng)體現(xiàn)，而數(shù)據(jù)融合的核心可以認為是融合計算,，其中有很多可選擇的方法,，常用的方法包括：加權(quán)平均，卡爾曼濾波,，貝葉斯估計,，統(tǒng)計決策理論，證據(jù)理論,，熵理論,，模糊推理，神經(jīng)網(wǎng)絡(luò)以及產(chǎn)生式規(guī)則等等。
3.1.2?任務(wù)決策
任務(wù)決策作為智能駕駛的智能核心部分,，接收到傳感感知融合信息,，通過智能算法學(xué)習(xí)外界場景信息，從全局的角度規(guī)劃具體行駛?cè)蝿?wù),，從而實現(xiàn)智能車輛擬人化控制融入整個交通流,。智能駕駛中任務(wù)規(guī)劃結(jié)構(gòu)如圖 3-4 所示，描述了道路,、車道和行駛?cè)壢蝿?wù)分工,，在道路級進行全局的任務(wù)規(guī)劃，在車道級根據(jù)周邊交通狀況規(guī)劃運動軌跡,，行駛時根據(jù)前后車進行運動智能控制,。交通流的復(fù)雜度借助信息傳遞影響規(guī)劃任務(wù)的復(fù)雜程度，進而決定智能駕駛動作,。不斷實時的監(jiān)督車輛運動狀態(tài)和周圍環(huán)境信息,，當(dāng)探測到當(dāng)前道路阻塞時，要求重新規(guī)劃任務(wù),，并做分解調(diào)整,。
3.1.3?軌跡規(guī)劃
圖 3-4 智能駕駛中任務(wù)規(guī)劃結(jié)構(gòu)
軌跡規(guī)劃是根據(jù)局部環(huán)境信息、上層決策任務(wù)和車身實時位姿信息,，在滿足一定的運動學(xué)約束下,，為提升智能汽車安全、高效和舒適性能,，規(guī)劃決斷出局部空間和時間內(nèi)容車輛期望的運動軌跡,，包括行駛軌跡、速度,、方向和狀態(tài)等[28],。并將規(guī)劃輸出的期望車速以及可行駛軌跡等信息給入下層車輛控制執(zhí)行系統(tǒng)。軌跡規(guī)劃層應(yīng)能對任務(wù)決策層產(chǎn)生的各種任務(wù)分解做出合理規(guī)劃,。規(guī)劃結(jié)果的安全性,、舒適性是衡量運動規(guī)劃層性能的重要指標。
3.1.4?異常處理
異常處理作為預(yù)留的智能駕駛系統(tǒng)安全保障機制,，一方面是在遇 到不平及復(fù)雜路面易造成車輛機械部件松動,、傳感部件失效等問題時，通過預(yù)警和容錯控制維持車輛安全運行,；另一方面是決策過程某些算法參數(shù)設(shè)置不合理,、推理規(guī)則不完備等原因?qū)е轮悄芷囋谛袨閯幼髦兄貜?fù)出現(xiàn)某些錯誤并陷入死循時，能夠建立錯誤修復(fù)機制使智能汽車自主的跳出錯誤死循環(huán),，朝著完成既定任務(wù)的方向繼續(xù)前進,，以減少人工干預(yù)來解決問題,，這是提高車輛智能化水平的必需。
異常處理采用降低系統(tǒng)復(fù)雜性的原則,，在程序正常運行使智能汽 車陷入重復(fù)錯誤死循環(huán)時,，進入錯誤修復(fù)狀態(tài)，利用自適應(yīng)錯誤修復(fù)算法產(chǎn)生新的動作序列直至智能汽車成功跳出錯誤死循環(huán)方轉(zhuǎn)入程序正常運行狀態(tài),。具體的技術(shù)方法是：建立專家系統(tǒng),，就智能汽車交叉口通行中出現(xiàn)的錯誤狀態(tài)的表現(xiàn)與成因進行分析、定義與規(guī)則描述,，制定判斷動作失敗的標準,；研究自適應(yīng)錯誤修復(fù)算法，對各錯誤狀態(tài)的成因進行分類,，并相應(yīng)地制定調(diào)整策略,，以產(chǎn)生新的動作序列。
3.4?決策規(guī)劃技術(shù)方法
決策規(guī)劃是智能汽車導(dǎo)航和控制的基礎(chǔ),，從軌跡決策的角度考慮的,，可分為全局規(guī)劃和局部規(guī)劃兩個層次。其中,，全局路徑規(guī)劃的任務(wù)是根據(jù)全局地圖數(shù)據(jù)庫信息規(guī)劃出自起始點至目標點的一條無碰撞,、可通過的路徑。由于全局路徑規(guī)劃所生成的路徑只能是從起始點到目標點的粗略路徑,，并沒有考慮路徑的方向、寬度,、曲率,、道路交叉以及路障等細節(jié)信息，加之智能汽車在行駛過程中受局部環(huán)境和自身狀態(tài)的不確定性的影響,，會遇到各種不可測的情況,。因此，在智能汽車的行駛過程中,，必須以局部環(huán)境信息和自身狀態(tài)信息為基礎(chǔ),，規(guī)劃出一段無碰撞的理想局部路徑，這就是局部路徑規(guī)劃[29],。
3.4.1?全局規(guī)劃方法
(1)?基于狀態(tài)空間的最優(yōu)控制軌跡規(guī)劃方法
在狀態(tài)空間進行軌跡規(guī)劃的方法主要有最優(yōu)控制方法,。最優(yōu)控制 方法是指通過最優(yōu)控制理論找到可行的控制量 u*(t) ，使得系統(tǒng)x(t) =f(x(t),u(t),t)能夠沿著可行軌跡 x*(t) 行駛,，該軌跡能夠使得評價
函數(shù) J最小[30],。將評價函數(shù)和系統(tǒng)的狀態(tài)方程聯(lián)系起來，只有系統(tǒng)狀態(tài)方程的約束條件滿足,，評價函數(shù)才能置零,，求得可行的軌跡 x*(t),。最優(yōu)控制一般包括一到兩個性能指標，對于控制變量的取值不受約束的情況,，一般用變分法進行求解,；對于控制量受約束的情況，一般用
極小值原理進行求解,。由于在最優(yōu)控制方法中考慮時間的因素,，因此，生成的最優(yōu)軌線是軌跡而不是路徑,，軌跡具有曲率連續(xù)的優(yōu)點,，且生成的軌跡中包括和時間相關(guān)的速度、加速度等軌跡特征值,。對于終端時間自由問題的求解一般采用邊界值問題求解方法 BVP（Boundary ValueProblem),，這種求解方法需要對問題的解有初始估計值，如果初始估計值和結(jié)果數(shù)值相差較大會影響最終對問題的求解精度,，同時為了容易求解,，評價函數(shù)一般只包括一到兩個評價指標，多個評價指標會使得問題的求解變得復(fù)雜,。這就需要新的數(shù)值算法和最優(yōu)控制求解方法相結(jié)合,，以完成復(fù)雜問題的求解，使得最優(yōu)控制方法能夠更好得在軌跡規(guī)劃中進行應(yīng)用,。
(2)?基于參數(shù)化曲線的軌跡規(guī)劃方法
B樣條曲線由一組稱作控制點的向量來確定,，這些控制點按順序連接形成一個控制多邊形，B 樣條曲線就是逼近這個控制多邊形,。通過確定控制點的位置,，可以控制曲線的形狀。由于 B 樣條曲線具有曲率連續(xù)的優(yōu)點,，在相鄰曲線段的節(jié)點處曲率也是連續(xù)的,，且具有局部支撐性等特點，如果軌跡局部的約束條件不滿足,，可以通過調(diào)整相
應(yīng)控制點的方法來對軌跡進行修正,，而不影響其它的軌跡段，具有應(yīng) ?用性強的特點,。b樣條曲線是對 B樣條曲線的推廣和發(fā)展,，且具有 B 樣條曲線的若干性質(zhì)，
在此基礎(chǔ)上還有基于多項式的智能汽車行駛軌跡規(guī)劃方法,，用六次項式來構(gòu)造軌跡函數(shù),，根據(jù)Tk和Tk+1周期的車輛狀態(tài)Sk=(xk,yk,qk,fk)
和Sk +1
=(xk+1
,yk +1
,qk+1
,fk+1)
可以得到
[P,P,P,P,P,P]T
。再根據(jù)跟蹤誤差最
小的原則,，就可以將六階多項式的所有系數(shù)全部求出,，根據(jù)這些系數(shù)就可以求出這個軌跡需要的控制量,。多項式函數(shù)構(gòu)造的軌跡也具有曲率連續(xù)的優(yōu)點，但是如果軌跡約束條件不滿足,，必須對整條軌跡進行 ?調(diào)整來滿足約束條件的要求,，計算量較大，使其應(yīng)用受到限制,。
(3)?基于系統(tǒng)特征的軌跡規(guī)劃方法
微分平坦法是基于系統(tǒng)特征的一種軌跡規(guī)劃方法,。微分平坦是指可以找到一組系統(tǒng)輸出，使得所有狀態(tài)變量和輸入變量都可以由這組輸出及其導(dǎo)數(shù)決定(不需積分),。不過該方法在規(guī)劃軌跡的過程中沒有考慮最大曲率和最大曲率變化率的約束條件,。文獻針對路徑規(guī)劃給定的路徑函數(shù)信息，通過微分平坦的方法規(guī)劃出系統(tǒng)輸入及狀態(tài)的時間相關(guān)的軌跡函數(shù),，在滿足車輛側(cè)向加速度約束的情況下使得系統(tǒng)的某性能指標最優(yōu),。
3.4.2?局部規(guī)劃方法
智能汽車進行局部路徑規(guī)劃（也可稱之為實時路徑規(guī)劃），一般是指在有障礙物的環(huán)境中,，如何利用自身傳感器感知周邊環(huán)境,，并尋找一條從當(dāng)前點到目標點點的局部行駛路徑，使智能汽車在本次任務(wù)中能安全快速地到達目標位置,。局部路徑規(guī)劃的方法主要包括以下兩個關(guān)鍵部分：（1）建立環(huán)境模型,，即將智能汽車所處現(xiàn)實世界抽象后，建立計算機可認知的環(huán)境模型,；（2）搜索無碰路徑,，即在某個模型的空間中，在多種約束條件下,，選擇合乎條件的路徑搜索算法,。
根據(jù)不同行駛環(huán)境的特點，智能汽車局部路徑規(guī)劃中的側(cè)重點和難點都會有相應(yīng)不同：
??在高速公路中,，行車環(huán)境比較簡單但車速較快,，此時對智能汽車 控制精度要求很高,，算法難點主要在于環(huán)境信息獲取的位置精度 和路徑搜索的速度,；
??在城市半結(jié)構(gòu)化道路中，道路環(huán)境特征性比較明顯但交通環(huán)境比 較復(fù)雜,，周邊障礙物較多,，這就對智能汽車識別道路特征和障礙 物的可靠性有較高要求，路徑規(guī)劃的難點主要在于車輛周邊環(huán)境 建模和避障行駛的路徑搜索,，特別是對動態(tài)障礙物方向和速度預(yù) 測,；
??在越野環(huán)境的非結(jié)構(gòu)化道路中，智能汽車所處的環(huán)境沒有明顯的 道路邊界,，路面起伏不平,，可能有大坑或土堆,，這就對智能汽車 識別周圍環(huán)境，特別是地形地勢有較高要求,，路徑規(guī)劃的難點主要在于車輛可通行區(qū)域的識別,。
(1)?基于滾動時域優(yōu)化的軌跡規(guī)劃方法
基于滾動時域優(yōu)化的路徑規(guī)劃算法[7]依靠智能汽車通過傳感器實時探測到的局部環(huán)境信息，以滾動優(yōu)化的方式進行在線規(guī)劃,。在滾 動的每一步智能汽車根據(jù)探測到的局部信息,，采用啟發(fā)式的方法生成優(yōu)化子目標，在當(dāng)前時域內(nèi)進行局部路徑規(guī)劃,，然后實施當(dāng)前策略(依局部規(guī)劃路徑移動一步),，隨著時域的推進，不斷取得新的環(huán)境信息,，從而在滾動中實現(xiàn)優(yōu)化與反饋的結(jié)合,。還可以利用預(yù)測控制的基本原理，同時收集利用實時的局部環(huán)境信息,，以滾動優(yōu)化方式進行在線軌跡規(guī)劃,。該方法能夠確保機器人在未知環(huán)境中安全地避開障礙物行駛，具有反應(yīng)速度快的優(yōu)點,，能夠迅速適應(yīng)變化的環(huán)境,，是一種有效實用的工具，但計算量相對較大,。
(2)?基于軌跡片段的運動規(guī)劃方法
軌跡片段包含配平軌跡和機動軌跡,。其中配平軌跡是系統(tǒng)處于相對平衡時所經(jīng)歷的軌跡，而機動軌跡則是系統(tǒng)從一個相對平衡躍入另外一個相對平衡所經(jīng)歷的軌跡,?？梢酝ㄟ^考慮車輛的運動學(xué)和動力學(xué)約束條件，基于最優(yōu)控制原理的機動軌跡設(shè)計方法和隨機采樣法,，實現(xiàn)基于軌跡片段連接的最優(yōu)運動軌跡規(guī)劃和快速運動規(guī)劃,。但是該方法計算較為復(fù)雜，使其在實際應(yīng)用中受到限制,。
3.5 路權(quán)分配技術(shù)
路權(quán)（RightofWeight,，ROW），是指道路使用者依據(jù)法律規(guī)定,，在一定的時間對一定的道路空間使用的權(quán)力,。在智能駕駛中，路權(quán)可以用來描述滿足車輛當(dāng)前安全行駛所需要的道路空間,。行駛中的
rROW=?f1(l,v,ξ,Δr,t)|t=t1
qROW=?f2(l,v,ξ,Δr,t)|t=t1
智能汽車的路權(quán)是一個流動的扇形區(qū),，與本車的尺寸、速度,、周邊的車流量,、前方擁有的空間密切相關(guān),，是本車速度的非線性函數(shù)，可用距離和角度來表示：
在駕駛過程中,，人們會出現(xiàn)不同的駕駛行為,，如超車、換道或者重新規(guī)劃道路,，智能汽車可以利用路權(quán)來描述換道三角形區(qū)域,，如下圖所示，判斷是否可以超車,。例如,，本車道內(nèi)車間距較小，且沒有變大趨勢,，路權(quán)受限,，超出容忍；相鄰車道的車間距較大,，且沒有變小趨勢,，路權(quán)允許；則從換道窗口中確定換道路徑,，執(zhí)行換道,。
?路權(quán)與車速強相關(guān)，可分為期望路權(quán)和實際路權(quán),，當(dāng)兩者不一致時,，就需要進行調(diào)節(jié)來解決沖突。自主駕駛是智能汽車在任意時刻對路權(quán)的檢測和使用,，多車交互是車群在任意時刻對路權(quán)的競爭,、占有、放棄等協(xié)同過程,。自主駕駛的不確定性,，體現(xiàn)在車輛行駛中擁有的路權(quán)在不停地發(fā)生變化。
智能汽車編隊,，路權(quán)和本車的尺寸,、速度、周邊的車流量,、前方擁有的空間密切相關(guān),，是本車速度的非線性函數(shù),。飆車占用了較大的路權(quán),，高峰時段停在車道上的故障車，也占用了較大的路權(quán),。如果在特定地段的所有車輛都勻速行駛,，每輛車只占用最小路權(quán),，如公路火車。當(dāng)智能汽車以編隊結(jié)構(gòu)進行行駛時,，就是跟蹤形式,，此時智能汽車不需要對周邊環(huán)境進行詳細的關(guān)注，只需要緊跟前方車輛運動,，保持合適的安全距離即可,，無需過多的路權(quán)。
評論
已有條評論