[发明专利]一种结构化道路场景下的车辆局部轨迹规划方法

说明书

本发明提出的一种结构化道路场景下的车辆局部轨迹规划方法，首先通过建立一种基于车道参考线的参考坐标系，得到车辆当前时刻在该参考坐标系下的运动状态向量；接着分别生成不同速度区间的参考坐标系下的纵向采样轨迹集合和横向采样轨迹集合，纵向采样轨迹集合内的所有采样轨迹的曲线形式相同，横向采样轨迹集合内所有采样轨迹的曲线形式相同；然后将横纵向采样轨迹进行合成；随后将合成后的采样轨迹转换回笛卡尔坐标系下，并剔除不满足轨迹曲率和碰撞检测的采样轨迹；最后计算每一条采样轨迹的代价，其中代价最小的轨迹即为本发明所得到的最优轨迹。本发明通过构造高速和低速下的采样轨迹可提高采样有效率，对复杂约束条件适应性强。

技术领域

本发明属于智能车决策中的轨迹规划技术领域，特别涉及一种结构化道路场景下的车辆局部轨迹规划方法，用于在复杂动态交通场景下在线快速计算生成以自车起始点为起点的无碰撞轨迹。

背景技术

自动驾驶汽车局部轨迹规划问题根据应用场景的不同可以分为非结构化场景下的局部轨迹规划问题和结构化场景下的局部轨迹规划问题。结构化场景如高速公路、城市主干道等，其特点在于车道形状已知、环境动态性强、汽车行驶速度高、留给自动驾驶系统的响应时间较短。同时，在这种场景下，车辆局部轨迹规划的结果为一时空曲线，因此问题的求解需要同时考虑环境的静态约束条件和动态约束条件。针对这类场景，基于采样的局部轨迹规划方法由于其计算效率高，受环境约束条件影响小而取得了较好的效果。目前，这类基于采样的局部轨迹规划方法包括随机采样和确定性采样两种方式：

随机采样法包括PRM(Probabilistic Roadmap，随机路线图)和RRT(Rapidly-exploring Random Tree，快速搜索随机树)。这类方法通过随机采样的方式实现对环境的逐步随机探索，能够快速得到局部轨迹的同时还能避免陷入局部最优。然而由于其探索过程具备随机性，因此导致这种方法的规划结果难以预测，在实际工业应用中存在一定的不可控性。

确定性采样法通过生成一定数量的采样轨迹的方式来达到遍历车辆的所有运动可能性的目的，以此获得满足约束条件的相对最优解。这种方法一般通过忽略约束条件或采用参数化轨迹模型的方式来快速计算得到大量的采样轨迹，具有较高的规划效率。目前生成采样轨迹的方法主要分为两种：(1)给定车辆的控制输入(例如前轮转角，速度以及加速度等)，通过对车辆运动学方程进行积分运算得到采样轨迹。这类方法一般通过假定车速恒定，对车辆的前轮转角进行确定性采样得到不同的采样轨迹。然而由于这类方法没有考虑道路形状约束条件，因此容易导致产生大量的无效采样轨迹。(2)给定轨迹的终点，通过插值曲线得到采样轨迹。这类方法常采用的插值曲线包括Dubin曲线，Spline曲线以及五次多项式曲线等。其中，Dubin曲线曲率不连续；Spline曲线需要对曲率积分，计算量大；五次多项式曲线具有6个待定的采样值，采样空间维数较高。

综上所述，现有基于采样轨迹的局部轨迹规划方法虽然在结构化场景下得到了广泛的应用，但仍存在一定的弊端。

发明内容

本发明的目的是为了在结构化道路场景下快速计算生成无碰撞的轨迹，提出了一种结构化道路场景下的车辆局部轨迹规划方法，本发明具有计算效率高，对复杂约束条件适应性强的优点。

为了实现上述目的，本发明采用如下技术方案：

本发明提出的一种结构化道路场景下的车辆局部轨迹规划方法，其特征在于，包括以下步骤：

1)根据车辆当前所处车道的车道参考线信息，建立动态的参考坐标系；获取车辆当前时刻在笛卡尔坐标系下的运动状态向量，由车辆初始时刻在笛卡尔坐标系下的纵向和横向位置、速度和加速度组成；根据笛卡尔坐标系与参考坐标系之间的投影关系确定车辆在参考坐标系下的运动状态向量；

2)将车速划分为第一速度区间和第二速度区间，所述第一速度区间内的各速度均高于第二速度区间内各速度；若车辆当前时刻的速度属于第一速度区间，则执行步骤3)，若车辆当前时刻的速度属于第二速度区间，则执行步骤4)；