[发明专利]一种基于模型预测控制的人机共驾汽车的运动规划方法

说明书

本发明涉及一种基于模型预测控制的人机共驾汽车的运动规划方法，属于自动驾驶的运动规划技术领域，具体说是一种基于模型预测控制的适用于多车道场景的人机共驾汽车的运动规划方法。本发明的方法中构建基于模型预测控制的运动规划问题时，构建带有约束的优化问题，用来计算未来设定时间段内的轨迹，基于改进的MPCC方法，首先，代价函数考虑：跟踪推荐路径的代价、舒适度代价、推荐速度的代价、人类输入的代价；其次是线性约束，考虑输入的约束，汽车状态的约束；最后是非线性约束，包括：与左右边界的避碰约束、侧翻约束、与其他车的碰撞约束。

技术领域

本发明涉及一种基于模型预测控制的人机共驾汽车的运动规划方法，属于自动驾驶的运动规划技术领域，具体说是一种基于模型预测控制的适用于多车道场景的人机共驾汽车的运动规划方法。

背景技术

自动驾驶是人工智能领域最为热门的研究方向之一，典型的自动驾驶技术按照层级可以分为：环境感知理解、决策与规划、底层控制，作为“大脑”的决策与规划层在整个自动驾驶技术中起到了决定性作用。决策与规划部分又可划分为：行为决策与运动规划，其中运动规划是最为基本、最为重要的模块，因此已经成为研究热点，其主要任务是：考虑汽车周围障碍物、汽车物理约束和交通规则，在全局导航路线的指引下，为智能车规划安全的行驶轨迹，即一连串带有速度和方向信息的离散航点。人机共驾汽车作为一种新型的智能车种类，相较于完全自动驾驶汽车，能够赋予人类更多的驾驶权限，将人类的决策融入自动驾驶系统，在提升驾驶员的驾驶体验的同时保证驾驶的安全性。

现有的自动驾驶汽车运动规划方法可以分为四类：输入空间离散化法、随机采样规划法、端到端的机器学习方法、最优化方法。本发明属于最优化方法，克服了第一类方法的安全性不足的问题，克服了第二类方法的轨迹连续性较差、最优性难以保证的问题，解决了第四类方法可解释性不足的问题。本发明将汽车的轨迹规划问题抽象为带有各种约束的优化问题，能够考虑各种真实的约束和性能指标，具备较高的安全性，能够用于人机共驾汽车的运动规划，同时能够自动选择最佳的车道来行驶。

发明内容

有鉴于此，本发明的目的是提供一种基于模型预测控制的人机共驾汽车的运动规划方法，考虑与周围的其他汽车或道路边界的避碰、自身汽车的性能限制等，为人机共驾汽车规划最佳的行驶轨迹，该方法适用于多车道场景并考虑部分交通规则。

本发明的一种基于模型预测控制的人机共驾汽车的运动规划方法，主要分为六个步骤：

步骤一：数据读取；

提取人机共驾汽车质心的位置，从该质心点出发沿着道路参考线向前方延伸设定值，比如100米，获取可行驶区域的左右边界、车道的编号、车道的个数、各条车道中心线的位置，还获取人类驾驶员的输入的加速度、前轮转角以及周围其他车辆的位置、角度、速度信息；

步骤二：推荐路径拓扑网(晶格图)的构建；

从人机共驾汽车质心的位置出发，每隔设定距离对各条车道中心线采样并命名为端点，由此形成很多排端点；

使用光滑的三次多项式曲线有规律的连接排与排之间的端点，该曲线是曲率关于弧长的三次多项式，曲线在端点处的角度和曲率与所在车道的中心线一致；

由此得到由多条三次多项式曲线以及多排端点组成的推荐路径拓扑网G；

步骤三：推荐路径的选择；

首先对各条曲线进行评估，在推荐路径拓扑网G中任取其中一条三次多项式曲线，对其进行均匀采样评估，采样每隔为0.5米，命名为评估点。曲线的代价考虑：曲率变化率的代价、曲率代价、变道代价、在不可行驶区域O内评估点的个数、与周围其他汽车碰撞的评估点个数(在其他车质心周围距离以内的评估点的个数)；

得到各条三次多项式曲线的代价之后，对拓扑网G使用A^*算法或Dijkstra算法，计算从汽车质心位置到最后一排端点的最短路径，并将其作为“推荐路径”；