[发明专利]一种基于机会约束模型预测控制的无人车避障方法

说明书

本发明涉及一种基于机会约束模型预测控制的无人车避障方法，包括以下步骤：1)建立无人驾驶车辆的动力学模型，描述无人驾驶车辆动力学特征；2)构建模型预测控制最优化问题的代价函数和约束条件；3)求解模型预测控制最优化问题，获取无人车避障的最优路径。与现有技术相比，本发明具有环境适应性好、考虑车辆实际占据区域等优点。

技术领域

本发明涉及无人驾驶车辆避障领域，尤其是涉及一种基于机会约束模型预测控制的无人车避障方法。

背景技术

由于无人驾驶车辆在减少交通事故及人员伤亡、缓解降低交通拥堵、减少用户在驾驶上消耗的精力等方面的优势，获得了学术界和产业界的广泛关注。无人驾驶车辆的实施涉及各个领域，包括信息与传感技术、轨迹跟踪技术与避障技术。实现无人车在各种情况下的避障具有十分重要的意义。避障能力是无人车的基础，只有具有良好的避障能力的无人车才有可能真正具有实用性。

无人车避障是通过路径规划算法实现的。路径规划是指寻找一条恰从给定起点到目标点的路径，使得无人车能够安全无碰撞地绕过环境中的障碍物达到目标点。传统的路径规划方法主要包括栅格法与快速扩展随机树法。栅格法，包括知名的A*与D*算法，采用大小相同的栅格对环境地图中的的二维运动空间进行划分，然后将路径规划问题转化为图搜索问题。栅格法的主要缺点在于，实时性能不强，对动态环境中适应性较差，不能够处理车辆动力学约束。快速扩展随机树算法由S.M.LaValle于1999年提出，该方法通过创建随机扩展树来连接起始位姿和目标位姿。快速扩展随机树算法缺点主要包括：需要对全局空间进行随机搜索，由于随机搜索具有不确定性，运算量大，规划时间长，导致算法的实时性较差；路径由多个随机采样点连接而成，导致最终的路径不够光滑；不能处理车辆动力学约束。

模型预测控制算法是一种通过滚动求解优化问题获取控制序列的方法，已经在多个领域得到广泛应用。能够处理车辆动力学约束是模型预测控制算法的突出优势。

在无人驾驶车辆实际应用中，传感系统的测量误差可能突然增大(比如在无人驾驶车辆经过隧道时，定位系统测量误差会突然增大)。避障算法必须考虑这种不确定性。

机会约束模型预测控制能够有效的处理这种不确定性。由于存在不确定性，在机会约束模型预测控制中，部分约束以一定的置信水平满足，该部分约束称之为机会约束。近年来，许多学者提出了一些基于机会约束模型预测控制的避障方法。

文献(L.Blackmore,M.Ono and B.C.Williams,”Chance-constrained optimalpath planning with obstacles”,IEEE Transactions on Robotics,v 27,n6,p 1080-1094,Dec.2011.)针对线性高斯系统，将路径规划的优化问题估计为析取规划，并通过分支界定法求解。但是，该算法的主要不足在于：没有考虑车辆实际占据区域，仅仅将车辆视作质点；只考虑了车辆状态的不确定性，没有考虑障碍物状态的不确定性。

为了能够同时考虑车辆状态与障碍物信息不确定性，文献(N.E.Toit andJ.W.Burdick,”Probabilistic collision checking with chance constraints”,IEEETransactions on Robotics,v 27,n 4,p 809-815,Aug.2011.)提出了一种基于机会约束的碰撞检查方法，在假设车辆半径非常小的前提下，通过积分运算，分别针对车辆状态与障碍物状态的不确定性独立与否的两种情况，该方法将关于不确定变量的约束近似转化为关于均值与方差的替代约束，并通过大量采样的方法验证了估计的精度。由于替代约束关于决策变量是非凸的，使得最终模型预测控制优化问题不易求取。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于机会约束模型预测控制的无人车避障方法。

本发明的目的可以通过以下技术方案来实现：