易控智駕I無(wú)人駕駛決策規(guī)劃
作者:臻忻
引導(dǎo)語(yǔ):決策規(guī)劃是無(wú)人駕駛的關(guān)鍵部分。
智能汽車(chē)( Intelligent ?Vehicles) 是智能交通系統(tǒng)( ?Intelligent Transportation Systems) 的重要組成部分,。智能汽車(chē)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(xiàng)重要的研究?jī)?nèi)容,,決定了車(chē)輛在行駛過(guò)程中車(chē)輛能否順暢,、準(zhǔn)確得完成各種駕駛行為。
?
決策規(guī)劃是無(wú)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(jìn)行任務(wù)決策,接著在能避開(kāi)可能存在的障礙物前提下,,通過(guò)一些特定的約束條件,,規(guī)劃出兩點(diǎn)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(chē)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(wú)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(dá)目標(biāo)點(diǎn)的過(guò)程,。
軌跡規(guī)劃是智能汽車(chē)自主駕駛行為必須涉及到的一項(xiàng)研究,,由于道路環(huán)境非常復(fù)雜,車(chē)輛系統(tǒng)本身是非完整系統(tǒng),,使得智能汽車(chē)在行駛過(guò)程中的運(yùn)動(dòng)軌跡規(guī)劃問(wèn)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(chē)輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)特性,,因而規(guī)劃結(jié)果不一定是可行的,,運(yùn)動(dòng)控制系統(tǒng)無(wú)法使得車(chē)輛準(zhǔn)確得跟蹤規(guī)劃軌跡。近年來(lái),,國(guó)內(nèi)外智能汽車(chē)的運(yùn)動(dòng)軌跡規(guī)劃方法有了很大的改進(jìn),,這些方法最大的改進(jìn)就是考慮車(chē)輛實(shí)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(wèn)題最早出現(xiàn)在 20 世紀(jì) 60 年代末的人工智能機(jī)器人領(lǐng)域,,特指考慮移動(dòng)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(dòng)機(jī)器人在笛卡爾坐標(biāo)下位置和姿態(tài)的關(guān)系[21],。運(yùn)動(dòng)軌跡規(guī)劃是在靜態(tài)路徑規(guī)劃的基礎(chǔ)上考慮時(shí)間因素和車(chē)輛的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)約束條件,,并根據(jù)車(chē)輛當(dāng)前的位姿以及傳感器收集到周?chē)h(huán)境的狀態(tài)信息,,考慮智能汽車(chē)的內(nèi)在約束條件( 如非完整約束) 和車(chē)輛的運(yùn)動(dòng)學(xué)、動(dòng)力學(xué)約束條件對(duì)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(chē)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(duì)車(chē)輛的行駛安全性和整車(chē)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(jiàn)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(gè)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(gè)模塊的輸出即為下一個(gè)模塊的輸入,,因此又稱(chēng)為“感知-規(guī)劃-行動(dòng)”結(jié)構(gòu),。當(dāng)給定目標(biāo)和約束條件后,規(guī)劃決策就根據(jù)即時(shí)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(dòng),,進(jìn)而依次完成整個(gè)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(duì)任務(wù)進(jìn)行了自上而下的分解,從而使得每個(gè)模塊的工作范圍逐層縮小,,對(duì)問(wèn)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(shí)現(xiàn)高層次的智能控制,。但是也存在一些缺點(diǎn):(1)它對(duì)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(kù)先驗(yàn)信息和傳感器模型的實(shí)時(shí)構(gòu)造信息,所以它對(duì)傳感器提出了很高的要求,,與此同時(shí),,存在的計(jì)算瓶頸問(wèn)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(shí)時(shí)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(gè)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(gè)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(gè)控制層可以直接基于傳感器的輸入進(jìn)行決策,,因而它所產(chǎn)生的動(dòng)作是傳感器數(shù)據(jù)直接作用的結(jié)果,,可突出“感知-動(dòng)作”的特點(diǎn),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(dòng)機(jī)器人[24],。其主要特點(diǎn)是存在著多個(gè)并行的控制回路,針對(duì)各個(gè)局部目標(biāo)設(shè)計(jì)對(duì)應(yīng)的基本行為,,這些行為通過(guò)協(xié)調(diào)配合后作用于驅(qū)動(dòng)裝置,,產(chǎn)生有目的的動(dòng)作,,形成各種不同層次的能力。雖然高層次會(huì)對(duì)低層次產(chǎn)生影響,,但是低層次本身具有獨(dú)立控制系統(tǒng)運(yùn)動(dòng)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(jì)成一個(gè)簡(jiǎn)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(chǔ)空間不大,,因而可以產(chǎn)生快速的響應(yīng),,實(shí)時(shí)性強(qiáng)。同時(shí),,每一層只需負(fù)責(zé)系統(tǒng)的某一個(gè)行為,,整個(gè)系統(tǒng)可以方便靈活的實(shí)現(xiàn)低層次到高層次的過(guò)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(dòng)作,,系統(tǒng)的魯棒性得到了很大的提高。但是設(shè)計(jì)方面也存在一些難點(diǎn):(1)由于系統(tǒng)執(zhí)行動(dòng)作的靈活性,,需要特定的協(xié)調(diào)機(jī)制來(lái)解決各個(gè)控制回路對(duì)同一執(zhí)行機(jī)構(gòu)爭(zhēng)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(cè)一個(gè)體系整體行為的難度將會(huì)增大,缺乏較高等級(jí)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(dú)滿(mǎn)足行駛環(huán)境復(fù)雜多變時(shí)的使用需求,,所以越來(lái)越多的行業(yè)人士開(kāi)始研究混合式體系結(jié)構(gòu),,將兩者的優(yōu)點(diǎn)進(jìn)行有效的結(jié)合在全局規(guī)劃層次上,則生成面向目標(biāo)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(biāo)搜索的反應(yīng)式體系的行為分解。
車(chē)輛駕駛決策技術(shù)是實(shí)現(xiàn)自主駕駛的核心,,不良駕駛決策將影響 ?車(chē)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(guó)內(nèi)外學(xué)者在基于環(huán)境信息,、車(chē)輛狀態(tài)等方面的車(chē)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(mǎn)足復(fù)雜、動(dòng)態(tài)的實(shí)際交通場(chǎng)景,。
智能駕駛決策規(guī)劃系統(tǒng)的開(kāi)發(fā)和集成基于遞階系統(tǒng)的層次性特征,,可分為四個(gè)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(chē)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(jìn)行智能駕駛車(chē)輛的運(yùn)動(dòng)軌跡狀態(tài)規(guī)劃,; 異常處理,負(fù)責(zé)智能汽車(chē)的故障預(yù)警和預(yù)留安全機(jī)制,。任務(wù)決策和軌
跡規(guī)劃分別對(duì)智能性和實(shí)時(shí)性要求較高,。
3.1.1?傳感信息融合
傳感信息融合是將多個(gè)傳感器的輸出信息統(tǒng)一在車(chē)輛坐標(biāo)系下, 建立具有時(shí)間標(biāo)記的數(shù)據(jù)關(guān)聯(lián)和融合,,以保證場(chǎng)景數(shù)據(jù)信息的連貫性和適用性,。
智能駕駛汽車(chē)在環(huán)境感知方面,通常會(huì)使用到多種傳感器來(lái)進(jìn)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(dá),、激光雷達(dá),、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(chē)聯(lián)網(wǎng)通信設(shè)備三種信息來(lái)源。智能汽車(chē)在復(fù)雜多變的路況下行進(jìn)時(shí),,對(duì)周?chē)畔⒌牟淮_定性會(huì)使之處于危險(xiǎn)之下,,尤其是僅依賴(lài)于單一的環(huán)境傳感器時(shí)。因此,,使用多傳感器對(duì)周?chē)h(huán)境進(jìn)行檢測(cè),,利用數(shù)據(jù)融合,,可以充分準(zhǔn)確地描述目標(biāo)物體的特征,,并且減少二義性,提高智能駕駛汽車(chē)決策的準(zhǔn)確性與魯棒性。
數(shù)據(jù)融合技術(shù)可以認(rèn)為是一種解決問(wèn)題的工具,,它包括對(duì)融合單元的理解以及對(duì)融合架構(gòu)的設(shè)計(jì)兩個(gè)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(gè)部分,而融合架構(gòu)則是進(jìn)行數(shù)據(jù)融合的框架與模式,。一個(gè)數(shù)據(jù)融合架構(gòu)至少需要包括負(fù)責(zé)采集外部信息的感知框架,,即傳感器管理框架,以及負(fù)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(jì)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(shí)現(xiàn)中已經(jīng)體現(xiàn),而數(shù)據(jù)融合的核心可以認(rèn)為是融合計(jì)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(jì),,統(tǒng)計(jì)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(guò)智能算法學(xué)習(xí)外界場(chǎng)景信息,,從全局的角度規(guī)劃具體行駛?cè)蝿?wù),,從而實(shí)現(xiàn)智能車(chē)輛擬人化控制融入整個(gè)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(chē)道和行駛?cè)?jí)任務(wù)分工,在道路級(jí)進(jìn)行全局的任務(wù)規(guī)劃,,在車(chē)道級(jí)根據(jù)周邊交通狀況規(guī)劃運(yùn)動(dòng)軌跡,,行駛時(shí)根據(jù)前后車(chē)進(jìn)行運(yùn)動(dòng)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(jìn)而決定智能駕駛動(dòng)作,。不斷實(shí)時(shí)的監(jiān)督車(chē)輛運(yùn)動(dòng)狀態(tài)和周?chē)h(huán)境信息,當(dāng)探測(cè)到當(dāng)前道路阻塞時(shí),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(chē)身實(shí)時(shí)位姿信息,,在滿(mǎn)足一定的運(yùn)動(dòng)學(xué)約束下,,為提升智能汽車(chē)安全、高效和舒適性能,,規(guī)劃決斷出局部空間和時(shí)間內(nèi)容車(chē)輛期望的運(yùn)動(dòng)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(chē)速以及可行駛軌跡等信息給入下層車(chē)輛控制執(zhí)行系統(tǒng)。軌跡規(guī)劃層應(yīng)能對(duì)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(yùn)動(dòng)規(guī)劃層性能的重要指標(biāo)。
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(jī)制,,一方面是在遇 到不平及復(fù)雜路面易造成車(chē)輛機(jī)械部件松動(dòng),、傳感部件失效等問(wèn)題時(shí),通過(guò)預(yù)警和容錯(cuò)控制維持車(chē)輛安全運(yùn)行,;另一方面是決策過(guò)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?chē)在行為動(dòng)作中重復(fù)出現(xiàn)某些錯(cuò)誤并陷入死循時(shí),能夠建立錯(cuò)誤修復(fù)機(jī)制使智能汽車(chē)自主的跳出錯(cuò)誤死循環(huán),,朝著完成既定任務(wù)的方向繼續(xù)前進(jìn),,以減少人工干預(yù)來(lái)解決問(wèn)題,這是提高車(chē)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(yùn)行使智能汽 車(chē)陷入重復(fù)錯(cuò)誤死循環(huán)時(shí),進(jìn)入錯(cuò)誤修復(fù)狀態(tài),,利用自適應(yīng)錯(cuò)誤修復(fù)算法產(chǎn)生新的動(dòng)作序列直至智能汽車(chē)成功跳出錯(cuò)誤死循環(huán)方轉(zhuǎn)入程序正常運(yùn)行狀態(tài),。具體的技術(shù)方法是:建立專(zhuān)家系統(tǒng),就智能汽車(chē)交叉口通行中出現(xiàn)的錯(cuò)誤狀態(tài)的表現(xiàn)與成因進(jìn)行分析,、定義與規(guī)則描述,,制定判斷動(dòng)作失敗的標(biāo)準(zhǔn);研究自適應(yīng)錯(cuò)誤修復(fù)算法,,對(duì)各錯(cuò)誤狀態(tài)的成因進(jìn)行分類(lèi),,并相應(yīng)地制定調(diào)整策略,以產(chǎn)生新的動(dòng)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(chē)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(gè)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(kù)信息規(guī)劃出自起始點(diǎn)至目標(biāo)點(diǎn)的一條無(wú)碰撞、可通過(guò)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(diǎn)到目標(biāo)點(diǎn)的粗略路徑,,并沒(méi)有考慮路徑的方向、寬度,、曲率,、道路交叉以及路障等細(xì)節(jié)信息,加之智能汽車(chē)在行駛過(guò)程中受局部環(huán)境和自身狀態(tài)的不確定性的影響,,會(huì)遇到各種不可測(cè)的情況,。因此,在智能汽車(chē)的行駛過(guò)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(wú)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(jìn)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(guò)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(píng)價(jià)
函數(shù) J最小[30],。將評(píng)價(jià)函數(shù)和系統(tǒng)的狀態(tài)方程聯(lián)系起來(lái),只有系統(tǒng)狀態(tài)方程的約束條件滿(mǎn)足,,評(píng)價(jià)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(gè)性能指標(biāo),,對(duì)于控制變量的取值不受約束的情況,,一般用變分法進(jìn)行求解;對(duì)于控制量受約束的情況,,一般用
極小值原理進(jìn)行求解,。由于在最優(yōu)控制方法中考慮時(shí)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(diǎn),且生成的軌跡中包括和時(shí)間相關(guān)的速度,、加速度等軌跡特征值,。對(duì)于終端時(shí)間自由問(wèn)題的求解一般采用邊界值問(wèn)題求解方法 BVP(Boundary ValueProblem),這種求解方法需要對(duì)問(wèn)題的解有初始估計(jì)值,,如果初始估計(jì)值和結(jié)果數(shù)值相差較大會(huì)影響最終對(duì)問(wèn)題的求解精度,,同時(shí)為了容易求解,,評(píng)價(jià)函數(shù)一般只包括一到兩個(gè)評(píng)價(jià)指標(biāo),多個(gè)評(píng)價(jià)指標(biāo)會(huì)使得問(wèn)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(wèn)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(jìn)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(chēng)作控制點(diǎn)的向量來(lái)確定,,這些控制點(diǎn)按順序連接形成一個(gè)控制多邊形,B 樣條曲線就是逼近這個(gè)控制多邊形,。通過(guò)確定控制點(diǎn)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(diǎn),,在相鄰曲線段的節(jié)點(diǎn)處曲率也是連續(xù)的,,且具有局部支撐性等特點(diǎn),如果軌跡局部的約束條件不滿(mǎn)足,,可以通過(guò)調(diào)整相
應(yīng)控制點(diǎn)的方法來(lái)對(duì)軌跡進(jìn)行修正,,而不影響其它的軌跡段,具有應(yīng) ?用性強(qiáng)的特點(diǎn),。b樣條曲線是對(duì) 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(xiàng)式的智能汽車(chē)行駛軌跡規(guī)劃方法,,用六次項(xiàng)式來(lái)構(gòu)造軌跡函數(shù),,根據(jù)Tk和Tk+1周期的車(chē)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(xiàng)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(gè)軌跡需要的控制量。多項(xiàng)式函數(shù)構(gòu)造的軌跡也具有曲率連續(xù)的優(yōu)點(diǎn),,但是如果軌跡約束條件不滿(mǎn)足,,必須對(duì)整條軌跡進(jìn)行 ?調(diào)整來(lái)滿(mǎn)足約束條件的要求,計(jì)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(guò)該方法在規(guī)劃軌跡的過(guò)程中沒(méi)有考慮最大曲率和最大曲率變化率的約束條件。文獻(xiàn)針對(duì)路徑規(guī)劃給定的路徑函數(shù)信息,,通過(guò)微分平坦的方法規(guī)劃出系統(tǒng)輸入及狀態(tài)的時(shí)間相關(guān)的軌跡函數(shù),,在滿(mǎn)足車(chē)輛側(cè)向加速度約束的情況下使得系統(tǒng)的某性能指標(biāo)最優(yōu)。
3.4.2?局部規(guī)劃方法
智能汽車(chē)進(jìn)行局部路徑規(guī)劃(也可稱(chēng)之為實(shí)時(shí)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(diǎn)到目標(biāo)點(diǎn)點(diǎn)的局部行駛路徑,使智能汽車(chē)在本次任務(wù)中能安全快速地到達(dá)目標(biāo)位置,。局部路徑規(guī)劃的方法主要包括以下兩個(gè)關(guān)鍵部分:(1)建立環(huán)境模型,,即將智能汽車(chē)所處現(xiàn)實(shí)世界抽象后,建立計(jì)算機(jī)可認(rèn)知的環(huán)境模型,;(2)搜索無(wú)碰路徑,,即在某個(gè)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(diǎn),,智能汽車(chē)局部路徑規(guī)劃中的側(cè)重點(diǎn)和難點(diǎn)都會(huì)有相應(yīng)不同:
??在高速公路中,,行車(chē)環(huán)境比較簡(jiǎn)單但車(chē)速較快,此時(shí)對(duì)智能汽車(chē) 控制精度要求很高,,算法難點(diǎn)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(duì)智能汽車(chē)識(shí)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(diǎn)主要在于車(chē)輛周邊環(huán)境 建模和避障行駛的路徑搜索,,特別是對(duì)動(dòng)態(tài)障礙物方向和速度預(yù) 測(cè),;
??在越野環(huán)境的非結(jié)構(gòu)化道路中,智能汽車(chē)所處的環(huán)境沒(méi)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(duì)智能汽車(chē) 識(shí)別周?chē)h(huán)境,,特別是地形地勢(shì)有較高要求,,路徑規(guī)劃的難點(diǎn)主要在于車(chē)輛可通行區(qū)域的識(shí)別。
(1)?基于滾動(dòng)時(shí)域優(yōu)化的軌跡規(guī)劃方法
基于滾動(dòng)時(shí)域優(yōu)化的路徑規(guī)劃算法[7]依靠智能汽車(chē)通過(guò)傳感器實(shí)時(shí)探測(cè)到的局部環(huán)境信息,,以滾動(dòng)優(yōu)化的方式進(jìn)行在線規(guī)劃,。在滾 動(dòng)的每一步智能汽車(chē)根據(jù)探測(cè)到的局部信息,采用啟發(fā)式的方法生成優(yōu)化子目標(biāo),,在當(dāng)前時(shí)域內(nèi)進(jìn)行局部路徑規(guī)劃,,然后實(shí)施當(dāng)前策略(依局部規(guī)劃路徑移動(dòng)一步),隨著時(shí)域的推進(jìn),,不斷取得新的環(huán)境信息,,從而在滾動(dòng)中實(shí)現(xiàn)優(yōu)化與反饋的結(jié)合。還可以利用預(yù)測(cè)控制的基本原理,,同時(shí)收集利用實(shí)時(shí)的局部環(huán)境信息,,以滾動(dòng)優(yōu)化方式進(jìn)行在線軌跡規(guī)劃,。該方法能夠確保機(jī)器人在未知環(huán)境中安全地避開(kāi)障礙物行駛,具有反應(yīng)速度快的優(yōu)點(diǎn),,能夠迅速適應(yīng)變化的環(huán)境,,是一種有效實(shí)用的工具,但計(jì)算量相對(duì)較大,。
(2)?基于軌跡片段的運(yùn)動(dòng)規(guī)劃方法
軌跡片段包含配平軌跡和機(jī)動(dòng)軌跡,。其中配平軌跡是系統(tǒng)處于相對(duì)平衡時(shí)所經(jīng)歷的軌跡,而機(jī)動(dòng)軌跡則是系統(tǒng)從一個(gè)相對(duì)平衡躍入另外一個(gè)相對(duì)平衡所經(jīng)歷的軌跡,??梢酝ㄟ^(guò)考慮車(chē)輛的運(yùn)動(dòng)學(xué)和動(dòng)力學(xué)約束條件,基于最優(yōu)控制原理的機(jī)動(dòng)軌跡設(shè)計(jì)方法和隨機(jī)采樣法,,實(shí)現(xiàn)基于軌跡片段連接的最優(yōu)運(yùn)動(dòng)軌跡規(guī)劃和快速運(yùn)動(dòng)規(guī)劃,。但是該方法計(jì)算較為復(fù)雜,使其在實(shí)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(shí)間對(duì)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(lái)描述滿(mǎn)足車(chē)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(chē)的路權(quán)是一個(gè)流動(dòng)的扇形區(qū),,與本車(chē)的尺寸、速度,、周邊的車(chē)流量,、前方擁有的空間密切相關(guān),是本車(chē)速度的非線性函數(shù),,可用距離和角度來(lái)表示:
在駕駛過(guò)程中,,人們會(huì)出現(xiàn)不同的駕駛行為,如超車(chē),、換道或者重新規(guī)劃道路,,智能汽車(chē)可以利用路權(quán)來(lái)描述換道三角形區(qū)域,如下圖所示,,判斷是否可以超車(chē),。例如,本車(chē)道內(nèi)車(chē)間距較小,,且沒(méi)有變大趨勢(shì),,路權(quán)受限,超出容忍,;相鄰車(chē)道的車(chē)間距較大,,且沒(méi)有變小趨勢(shì),,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(chē)速?gòu)?qiáng)相關(guān),可分為期望路權(quán)和實(shí)際路權(quán),,當(dāng)兩者不一致時(shí),,就需要進(jìn)行調(diào)節(jié)來(lái)解決沖突。自主駕駛是智能汽車(chē)在任意時(shí)刻對(duì)路權(quán)的檢測(cè)和使用,,多車(chē)交互是車(chē)群在任意時(shí)刻對(duì)路權(quán)的競(jìng)爭(zhēng),、占有、放棄等協(xié)同過(guò)程,。自主駕駛的不確定性,,體現(xiàn)在車(chē)輛行駛中擁有的路權(quán)在不停地發(fā)生變化。
智能汽車(chē)編隊(duì),,路權(quán)和本車(chē)的尺寸,、速度,、周邊的車(chē)流量,、前方擁有的空間密切相關(guān),是本車(chē)速度的非線性函數(shù),。飆車(chē)占用了較大的路權(quán),,高峰時(shí)段停在車(chē)道上的故障車(chē),也占用了較大的路權(quán),。如果在特定地段的所有車(chē)輛都勻速行駛,,每輛車(chē)只占用最小路權(quán),如公路火車(chē),。當(dāng)智能汽車(chē)以編隊(duì)結(jié)構(gòu)進(jìn)行行駛時(shí),,就是跟蹤形式,此時(shí)智能汽車(chē)不需要對(duì)周邊環(huán)境進(jìn)行詳細(xì)的關(guān)注,,只需要緊跟前方車(chē)輛運(yùn)動(dòng),,保持合適的安全距離即可,無(wú)需過(guò)多的路權(quán),。
評(píng)論
已有條評(píng)論