利用激光点云的城市无人驾驶路径规划算法

为了解决随机采样算法受感知环境不确定性影响下的弱鲁棒性以及弱可靠性问题，采用一种基于激光空间势场的渐优随机采样算法框架来设计符合无人驾驶需要的规划算法。针对感知环境的不确定性，首先基于势场原理与激光障碍物点云构建一个融入了斥力场的规划空间，解决激光障碍物提取中的过分割等问题。其次，利用规划空间来处理随机采样算法中的采样策略、最优母节点选取策略、修剪策略以及最终路径选择策略。再次，在算法中加入了Anytime策略来提高优化解的利用率，使得算法的计算效率满足无人驾驶实时性的要求。同时，为了保证无人驾驶中规划路径的鲁棒性与可靠性，创建了一个综合5重因素的代价函数来选择最优路径，并根据不同的无人驾驶场景来调整相对应的参数；最后在城市测试道路上进行了实地测试。结果表明：设计的算法框架能够适应最高时速40 km·h^-1的城区驾驶环境，并能完成跟驰、换道、融入以及静动态障碍物的避障决策。在与SST算法的对比试验中，所提出的算法在各个试验中的轨迹、方向盘转角以及速度的平滑性都优于SST算法，其轨迹与障碍物的距离也优于SST算法。     

考虑车辆运动约束的最优避障轨迹规划算法

无人驾驶车辆进行障碍物规避时,须考虑车辆的运动特性以保证避障过程的安全性、舒适性、操纵稳定性等。本文中提出了一种在车辆运动约束下的避障轨迹规划算法。该算法结合障碍物的运动状态和位姿信息,在局部环境地图中对超越障碍物的期望位置进行局部采样组成离散终端状态点集,将复杂道路环境中的避障轨迹搜索问题转换为自车与状态点集之间的轨迹拟合和寻优问题。轨迹的拟合通过基于车辆侧向动力学模型的Bézier曲线规划器实现,而寻优过程则考虑到了车辆进行轨迹跟随过程中的行驶平顺性和操纵稳定性。通过与常规State Lattice算法和MPC算法在多种测试环境中进行避障效果的对比,结果表明本文中提出的规划方法在测试场景中能够使车辆安全、合理地规避障碍,同时在轨迹平顺性、操纵稳定性等方面有较好的表现。     

基于行为融合的无人自动驾驶车辆的智能控制

针对动态环境下无人自动驾驶车辆控制的非线性、时变的特点,提出并设计了一种基于行为融合的无人驾驶车辆的智能控制策略。根据车辆行驶基于模糊逻辑方法设计了一系列的基本行为模式,用模糊控制的方法分别建立各行为模式控制器,进而对车辆的方向和速度进行控制。在行为选择机制设计中,对常用的行为竞争和行为融合2种方法进行分析比较后,提出限制各行为模式的使用范围,通过各行为的控制和融合,既达到有效避障,又能完成行驶目标的目的。通过几种典型障碍物环境下的避障仿真实验,结果显示设计达到了预期效果。     

基于贝叶斯网络的联网环境中跟车工况下的前车运动状态预测

车辆行驶过程中,前方车辆运动状态预测是车辆智能控制系统的重要研究部分。车辆运动状态受其驾驶员驾驶风格、道路状况、交通流、前方车辆运动速度和加速度等因素的影响,使车辆在未来一定时间段内的运动状态具有较大不确定性,给前方车辆的运动状态预测带来困难,因此本文中对跟车工况下前车运动状态预测进行研究。本文中在分析车辆跟车工况时的运动特性,采用贝叶斯网络对前方车辆运动速度进行预测,将获得的车辆跟车工况时的运动状态数据分为训练集和测试集。通过训练集辨识前车速度预测贝叶斯网络参数,通过测试集检验前车速度预测贝叶斯网络的预测效果。对前车未来0.1,0.5,1和2s时的运动速度进行预测,预测结果表明,前车的实际运动速度均在前车速度预测贝叶斯网络预测的95%置信区间内。     

无人驾驶车辆解耦混合运动规划方法研究

高速公路无人驾驶车辆运动规划要充分考虑车辆的动力学特性和道路环境构成的复杂约束,优先确保车辆的无碰撞行驶轨迹,同时算法实时性比常速情况下要求更高,要充分考虑计算的复杂性。提出一种可生成横纵向最优解逼近群的解耦增强混合运动规划方法,引入Frent坐标系将运动规划问题进行横纵向解耦,在横向偏移规划中融合数值优化和多项式规划算法,在纵向速度规划中融合围绕速度和围绕避障规划算法,解耦规划完成后使用代价函数和碰撞检测方法对生成的轨迹群进行评估和选择。搭建Apollo-LGsvl无人驾驶联合仿真测试平台,对所提出的运动规划方法进行仿真验证。结果表明,提出的横纵向解耦增强混合运动规划算法在高速公路各工况中所生成的运动轨迹能够有效避免车辆发生碰撞,其横向偏移和纵向速度均能满足二阶平滑,最大横向加速度、最大纵向加速度、最大纵向jerk等满足动力学约束。该方法有效减少了最优解逼近群内的轨迹数量,使轨迹评估阶段计算复杂度降低了46%,证明提出的方法具备一定的应用价值。     

城市工况下基于改进RRT的无人车运动规划算法

为解决城市结构化道路环境下的无人驾驶汽车运动规划问题,针对换道和转向两种工况设计了快速偏向性RRT(FB-RRT)算法。首先以几何分析所得的安全的曲线控制点初始化RRT,随后以驾驶行为为引导并结合决策给出的目标点设计偏向性采样策略,基于车辆运动学特性设计度量基准,设计快速邻近点搜索策略,并结合环境地图保证扩展节点的安全性。最后,对RRT进行修剪和重构。通过仿真和实车测试验证了该算法的有效性和实用性。     

基于动态博弈算法的切入场景下自动驾驶车辆运动规划研究

鉴于在车辆换道切入的场景中，自动驾驶车辆容易出现频繁的误减速、误避让，而造成通行能力和乘员舒适性的下降，提出一种基于主旁车动态博弈的切入场景决策规划算法。在行为决策层，根据切入场景中主旁车的冲突性关系，联立相关车辆运动方程建立整体系统的运动模型，构建考虑旁车状态的切入博弈模型，设计安全性和舒适性收益函数，进行驾驶行为博弈，输出行为决策结果。在轨迹规划层，根据车辆间距构建避障约束条件，以Sigmoid函数轨迹的变曲率和速度切向矢量的时间分量来构建车辆动力学约束。同时以加权收益方式联合考虑驾驶习惯和舒适性等需求，建立轨迹规划数学模型，求解得到满足上层博弈决策要求的运动轨迹。Carsim-Simulink联合仿真结果表明，在不同的初始条件下主车与切入的旁车能进行多种形式的合理的交互决策，准确完成切入场景下的运动规划任务，车辆能准确跟踪输出的轨迹，更符合一般驾驶习惯，提高了车辆的舒适性。     

城市郊区道路跟车条件下智能网联汽车速度规划

随着智能网联汽车技术的快速发展，跟车行驶控制能够有效实现车辆智能跟随及快速高效队列行驶。针对城市郊区道路条件下的智能网联汽车速度规划问题，以提高车辆的燃油经济性、舒适性及安全性为目的，基于跟车速度限幅和车辆动力系统信息，设计了基于初值优化的序列二次规划算法(Sequential Quadratic Programming, SQP),实时求解获取车辆跟车过程中的最优速度轨迹。首先，在车联网环境下，基于车车(Vehicle to Vehicle, V2V)通信及车辆与交通设施(Vehicle to Infrastructure, V2I)通信技术实时获取前方车辆的速度、加速度及位置等行驶信息并实时采集道路交通信息；然后，为减少车辆动态能耗损失和减小所需牵引力，并在规定的时间段内完成相应的行驶路程，利用采集到的前车行驶信息，采用基于初值优化的SQP算法对最优目标车速进行求解；此外，基于周边动态的道路交通场景，考虑边界约束条件，采用滚动时域的方法实现目标车辆速度在每个采样时刻的在线滚动优化，保证目标车辆节能安全地跟车行驶；最后，通过仿真验证了该算法的有效性和实时性。研究结果表明：基于初值优化...     

基于RGB-D SLAM的智能车自主避障与路径规划试验研究

针对GPS信号弱、导航数据缺失场景下自主移动车辆难以精准定位的问题,采用即时定位与地图构建(SLAM技术实现未知环境下无人小车地图构建与自主定位功能,采用动态A*算法实现了无人小车的避障与路径规划。分别进行了验证试验和未知环境下局部路径规划及全局路径规划试验,结果表明,提出的方案能有效地控制小车自主规划路径,避开障碍物到达目的地。     

自动驾驶车辆避障轨迹规划

目前无人驾驶发展迅速,城市运营环境中避障轨迹规划是核心问题之一,如何避免轨迹离散优化过程中可能出现的角碰等状况逐渐成为研究热点。文章比较了轨迹规划中坐标系的优缺点并选取笛卡尔坐标系,提出考虑自车形状的车辆模型,在车辆模型基础上结合新的障碍物边界处理方法进一步排查可能的碰撞危险区域,以起到简化环境信息避免进行碰撞检测、减少规划耗时的效果。结合自车与周围障碍物位置关系,文章提出通过使用运动走廊,结合MinimumSnap最优化理论进行硬约束轨迹优化,最后通过仿真验证证明该方法可行,并且能够有效满足避障场景下安全性和舒适性要求。     

基于MPC的局部路径规划与路径跟踪控制研究

文章主要针对无人驾驶车辆在进行路径跟踪遇到障碍物时,需要局部重新规划出一条可行路径的问题,首先基于车辆点质量模型的MPC局部路径规划算法,得到满足车辆动力学约束并实现避障功能的局部路径,然后在二自由度车辆动力学模型的基础上基于MPC进行路径的跟踪,最后使用Simulink/Carsim进行联合仿真验证,结果表明基于该局部路径规划与路径跟踪算法能够可靠地规划出避开障碍物的局部路径,实现高速下的路径跟踪。     

无人驾驶汽车局部路径规划算法研究

无人驾驶汽车局部路径规划算法应确保避障的安全性、实时性和路径的平滑性等。本文提出了一种基于离散优化的局部路径规划算法,即采用代价函数分别评估离散生成的候选路径的安全性、平滑性等,再根据各代价函数加权计算获得局部最佳路径。针对障碍物移动随机性,设计了一种基于运动估计结合高斯卷积的移动障碍安全性代价函数;考虑候选路径曲率的变化及其连续性,设计了路径平滑性代价函数。使用了一种新的坐标转换计算方法将路径从s-ρ坐标系转换到大地笛卡尔坐标系,提高了实时性。最后,利用PreScan和Matlab软件进行联合仿真,并在"远飞"无人车实验平台上进行了真实道路场景的实车实验。实验结果表明:提出的路径规划算法不仅能使无人车安全、合理地规避静止和移动障碍,且完全满足局部路径规划算法对实时性的要求。     

基于OpenCV的AEB系统车辆检测和预警研究

为降低汽车换道时碰撞事故发生概率,提出基于OpenO_4CV的AEB系统车辆检测和预警算法。首先利用Haar-like+Adaboost实现前方车辆的识别与检测,并结合粒子滤波原理建立车辆跟踪模型。然后基于单目视觉模型对前方车辆距离进行测量,根据障碍物与车辆的安全距离估测碰撞时间。最后,基于AEB系统进行车辆防撞预警测试,测试仿真结果表明,在不干扰驾驶员正常驾驶的前提下,即碰时间的TTC算法性能最佳,有效提升了前方车辆检测预警精确率。     

智能快递车避障路径规划系统设计与实现

文章提出一种基于高精度RTK惯性组合导航和激光雷达的智能快递车避障路径规划系统设计与实现方案。智能快递车利用高精度RTK惯性组合导航自主行驶,激光雷达感知前方障碍物。在障碍物聚类分析的基础上,进行避障算法的设计。将障碍物投影到二维平面上,用平行于坐标轴的矩形进行包络,将投影轮廓规则化。利用延长系数实现面积膨胀,并将膨胀后的矩形左侧边作为避障路径,进行高斯坐标的统一。之后与GPS路网曲线融合,完成避障路径的规划。     

基于改进人工势场的自动驾驶汽车弯道超车动态路径规划

动态路径规划是自动驾驶汽车避障控制的关键技术。针对自动驾驶汽车弯道超车工况，建立基于改进人工势场(Artificial Potential Field, APF)的动态路径规划方法。为使基于APF的动态路径规划方法能运用于包含弯曲道路的复杂交通环境，将已在直道环境验证过的道路APF函数通过极坐标系与笛卡尔坐标系的相互转换，建立考虑道路曲率的弯曲道路APF函数。针对根据车辆质心位置判断车辆碰撞风险方法存在的缺陷，提出考虑车辆体积的碰撞风险预判方法，建立综合考虑车辆位置、速度和体积的障碍车辆APF函数。基于弯曲道路APF和改进障碍车辆APF，建立道路环境综合APF，引导车辆实现弯道超车。为避免目标函数中子目标相互干涉，提高弯道超车安全性，提出根据本车与障碍车辆相对位置关系自适应调整权重矩阵的方法。基于Carsim/Simulink联合仿真平台，分别在静态障碍车辆和动态障碍车辆2种工况下，验证自动驾驶汽车弯道超车动态路径规划的有效性。研究结果表明：所建立的弯曲道路APF能引导车辆转弯行驶，避免冲出车道；目标函数权重自适应调整方法能根据超车过程动态调整子目标的权重，规划出符合道路交通安全法规的路径，避免车辆超车时提前折返原车道，提高了超车安全性；考虑车辆体积的障碍车辆APF提高了车辆碰撞风险的预判精度，有效避免碰撞事故发生。     

基于人工智能算法的换道超车功能开发

随着汽车电气化、智能化的不断发展,汽车行驶的场景越来越趋于多样化和复杂化,从而促使汽车从辅助驾驶向智能驾驶不断创新。随着人工智能的引入,汽车智能驾驶功能越来越趋于实用,正在逐步实现向解放驾驶员双手、向车载高级驾驶辅助系统代替人脑进行复杂驾驶场景实时响应的阶段发展;高阶复杂场景智能驾驶功能则在辅助驾驶功能实现的基础上,针对驾驶员实际驾驶感受并结合人工智能算法实现向车辆复杂场景下的自动驾驶操作的方向发展。介绍了基于人工智能算法的换道超车功能开发,即通过换道条件的智能选择,使车辆以最佳方式自动完成换道超车过程。     

基于驾驶人不满度的高速公路自动驾驶换道决策

为了实现高速公路的自由换道行为决策，并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求，提出了一种基于驾驶人不满度的换道行为决策方法。首先，根据驾驶人的速度期望建立了驾驶人不满度累积模型，并基于驾驶人速度不满累积度产生换道意图。其次，依据不同车道障碍车的运动状态，设计了2种目标车道选择策略，通过预测引擎对各个待选车道进行预测和评估，选取其中行车效率较高的车道作为目标车道，同时建立换道最小安全距离模型，用以在换道全过程中判断换道的可行性。然后，将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块，用于运动规划模块目标的选取，以引导车辆横纵向运动。最后，在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景，验证换道行为决策算法。试验结果表明：换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图，进而根据所设计的换道策略选取具有更高行车效率的目标车道，并在换道过程中持续判断换道的可行性，以应对障碍车辆突然加减速等突发状况，保证换道过程的高效性和安全性；换道行为决策算法通过目标车道的转换，引导运动规划模块调整车辆的运动，实现跟车、换道等行为。     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

车队认知能力增强的通信区块间隙优化方法

为了在单车超越车队的过程中缩短超车车辆与车队间通信范围，减少车队通信压力，锁定影响车辆入队的关键车队区块，同时通过将待进入关键区块的车队进行间隙优化调整，为驾驶人提供定制化换道入队引导服务，提出了基于驾驶人超车风格特征参数的车队内信息传输关键区块锁定算法，通过分析影响驾驶人换道入队位置范围的关键因素，将驾驶人换道入队过程分为本车道速度调整过程与入队速度调整过程，利用非参数贝叶斯算法获取驾驶人超车换道特征数据并提出基于关键区块所在车队位置序列的车辆间隙优化调整策略。研究结果表明：超车车辆加速度、与前车预计碰撞时间、与车队相对速度是影响驾驶人换道入队范围的关键因素；通过非参数贝叶斯算法将超车车辆运行数据分类获取的驾驶人换道入队驾驶操作基元，可准确提供驾驶人行为特征关键参数；通过将驾驶人换道特征分为48个子类型，可锁定驾驶人换道入队范围且车队关键区块范围随着超车车辆与车队速度差值不同在各个特征类型上呈现不同变化趋势；针对驾驶人入队特征对待进入车队关键区块的车辆间隙进行优化调整，不仅可以为驾驶人提供可接受的驾驶辅助信息，同时减少了车队间隙产生过程中车辆加速度范围，提升了车队运行的舒适性。     

自动紧急转向系统测试场景及试验设计研究

针对目前纵向避障技术在相对速度较高、路面附着条件差、与障碍物重叠率低等特定场景下制动距离过长的缺点，对纵向距离更小，避碰效能更高的车辆横向避碰典型测试场景及道路试验展开研究。通过分析梳理我国最大规模事故场景驾驶注意预测（DADA）数据集，并结合欧盟ECE-R79自动转向标准要求，得到自动紧急转向（AES）系统的典型测试场景，同时对道路试验进行设计，提出软硬件测试设计方案，可实现对典型测试场景下不同车速条件下的紧急转向试验监控，从而对AES系统进行有效测试评估。