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

doi:10.19562/j.chinasae.qcgc.2023.01.002

摘要/Abstract

摘要：

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。

关键词: 自动驾驶车辆, 切入场景, 动态博弈, 运动规划

Abstract:

In view of that in vehicle lane change and cut-in scenes， autonomous vehicles are prone to frequent false-deceleration and false-avoidance， leading to the reduction in traffic capacity and occupant comfort， a decision-making and planning algorithm based on the dynamic gaming between ego vehicle and adjacent vehicle is proposed. In the behavior decision-making layer， according to the conflicting relationship between ego vehicle and adjacent vehicle in the cut-in scene， the motion model of the whole system is established by combining the motion equations of relevant vehicles， and the cut-in game model considering the state of adjacent vehicle is constructed， to design the gain function of safety and rid comfort， conduct driving behavior game， and output behavior decision results. In the trajectory planning layer， the constraints for obstacle avoidance is established based on vehicle spacing， and the vehicle dynamics constraints are defined by the variable curvature of sigmoid function trajectory and the time component of speed tangent vector. Meanwhile， with concurrent considerations of the requirements of driving habits and ride comfort in weighted gain mode， a mathematical model of trajectory planning is established to solve out the motion trajectory， meeting the requirements of the upper-level game decision. The results of Carsim-Simulink co-simulation show that under different initial conditions， the ego vehicle and cut-in adjacent vehicle can conduct various forms of rational interactive decision-making， accurately complete the motion planning task in cut-in scene. In addition， the vehicles can accurately follow the output trajectory， more conforming the common driving habits and enhancing vehicle comfort.

Key words: autonomous vehicles, cut-in scenes, dynamic game, motion planning

兰凤崇,刘迎节,陈吉清,刘照麟. 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[J]. 汽车工程, 2023, 45(1): 9-19.

Fengchong Lan,Yingjie Liu,Jiqing Chen,Zhaolin Liu. Study on Motion Planning of Autonomous Vehicles in Cut-in Scenes Based on Dynamic Game Algorithm[J]. Automotive Engineering, 2023, 45(1): 9-19.

图/表 16

图1

图2

表1

图3

图4

图5

图6

表2

博弈算法流程"

算法1：博弈决策规划算法

初始数据： $X e (x e, y e, v e)$ ， $X s (x s, y s, v s)$ ， $t 0$

求解： $A e (a e)$ ， $A s (a s, θ)$

开始：For j ← $t 0$ to $t n$

For $X 1 (x 1, y 1, v 1)$ ， $X 2 (x 2, y 2, v 2) ∈ S$

For $A e, A s ∈ A$

$X e, j ← (X e, j - 1, A e, j)$

$X s, j ← (X s, j - 1, A s, j)$

$R e ← ∑ t 0 R e (X e, j, X e, j - 1, X s, j, X s, j - 1)$

$R s ← ∑ t 0 R s (X s, j, X s, j - 1, X e, j - 1, θ r)$

$a e, a s, θ ← m a x R = R e + R s$

$X e, j = (x e + 12 a e t 2, y e, v e + a e t)$

$X s, j = (x s + 12 a s t c 2 + S 12 (θ, t s) c o s θ, S 12 (θ, t s) s i n θ, v s + a s t c)$

结束

表2

图7

表3

参数配置"

参数	数值
规划周期 $T p / s$	0.1
控制周期 $T c / s$	0.01
车道宽度 $W / m$	3.75
整车质量 $m / k g$	1 456.0
前轴到质心距离 $l f / m$	1.015
轴距 $L / m$	2.91
前轮侧偏刚度 $C f / (k N · (°) - 1)$	-144.79
后轮侧偏刚度 $C r / (k N · (°) - 1)$	-83.21
转动惯量 $I z / (k g ? m 2)$	1 547.2

表3

图8

图9

图10

图11

图12

图13

参考文献 18

1	NAJM W G， SMITH J D， YANAGISAWA M. Pre-crash scenario typology for crash avoidance research［J］. Dot Hs， 2007：767.
2	GRAHAM R. Use of auditory icons as emergency warnings： evaluation within a vehicle collision avoidance application［J］. Ergonomics， 1999， 42（9）：1233-1248.
3	MINDERHOUD M M， BOVY P. Extended time-to-collision measures for road traffic safety assessment［J］. Accident Analysis & Prevention， 2001， 33（1）：89-97.
4	JANSSON J， JOHANSSON J， GUSTAFSSON P F. Decision making for collision avoidance systems［J］. Electrical Electronics & Avionics， 2002.
5	CHEN Y， HU C， WANG J. Human-centered trajectory tracking control for autonomous vehicles with driver cut-in behavior prediction［J］. IEEE Transactions on Vehicular Technology， 2019， 68（9）： 8461-8471.
6	胡益恺，庄瀚洋，王春香，等.基于主从博弈的智能车汇流场景决策方法［J］.上海交通大学学报，2021，55（8）：1027-1034.
	HU Y K， ZHUANG H Y， WANG C X， et al. Decision-making method of intelligent vehicle convergence scene based on master-slave game［J］. Journal of Shanghai Jiao Tong University， 2021， 55（8）： 1027-1034.
7	CLEAC'H S L， SCHWAGER M， Manchester Z. LUCIDGames： online unscented inverse dynamic games for adaptive trajectory prediction and planning［J］. IEEE Robotics and Automation Letters， 2020，6（3）：5485-5492.
8	CLEAC'H S L， SCHWAGER M， MANCHESTER Z. ALGAMES： a fast solver for constrained dynamic games［C］. Robotics： Science and Systems 2020， 2020.
9	FRIDOVICH-KEIL D， RATNER E， PETERS L， et al. Efficient iterative linear-quadratic approximations for nonlinear multi-player general-sum differential games［C］. 2020 IEEE International Conference on Robotics and Automation （ICRA）. IEEE， 2020： 1475-1481.
10	FISAC J F， BRONSTEIN E， STEFANSSON E， et al. Hierarchical game-theoretic planning for autonomous vehicles［C］. 2019 International Conference on Robotics and Automation （ICRA）， 2019： 1475-1481.
11	王雪松，杨敏明.基于自然驾驶数据的变道切入行为分析［J］.同济大学学报（自然科学版），2018，46（8）：1057-1063.
	WANG X S， YANG M M. Analysis of lane change and cut-in behavior based on natural driving data［J］. Journal of Tongji University（Natural Science）， 2018，46（8）： 1057-1063.
12	YOO J， LANGARI R. A stackelberg game theoretic model of lane-merging［J］. arXiv preprint arXiv：， 2020.
13	KITA H. A merging-giveway interaction model of cars in a merging section： a game theoretic analysis［J］. Transportation Research Part A： Policy & Practice， 1999， 33（3-4）：305-312.
14	DREVES A， GERDTS M. A generalized Nash equilibrium approach for optimal control problems of autonomous cars［J］. Optimal Control Applications and Methods， 2018， 39（4）.
15	FACCHINEI F， KANZOW C. Generalized Nash equilibrium problems［J］. Annals of Operations Research， 2010， 175（3）：177-211.
16	LIU Zhaolin， et al. Methodology of hierarchical collision avoidance for high-speed self-driving vehicle based on motion-decoupled extraction of scenarios［J］. IET Intelligent Transport Systems， 2020， 14（3）： 172-181.
17	ARTUEDO A， VILLAGRA J， GODOY J. Real-time motion planning approach for automated driving in urban environments［J］. IEEE Access， 2019， 7：180039-180053.
18	Mechanical vibration and shock-evaluation of human exposure to whole-body vibration-part1：ISO 2631—1［S］.1997.

[1]	赵晓聪,房世玉,李子睿,孙剑. 社会性驾驶交互关键效用析取与应用[J]. 汽车工程, 2024, 46(2): 230-240.
[2]	刘卫国,项志宇,刘锐,李国栋,王子旭. 基于深度学习的端到端车辆运动规划方法研究[J]. 汽车工程, 2023, 45(8): 1343-1352.
[3]	王明,唐小林,杨凯,李国法,胡晓松. 考虑预测风险的自动驾驶车辆运动规划方法[J]. 汽车工程, 2023, 45(8): 1362-1372.
[4]	冉巍,陈慧,杨佳鑫,西村要介,国朝鵬,尹又雨. 基于效用理论的运动规划奖励函数设计方法[J]. 汽车工程, 2023, 45(8): 1373-1382.
[5]	高锋,冯德福,胡秋霞. 面向NMPC运动规划系统的数值优化加速技术[J]. 汽车工程, 2023, 45(8): 1438-1447.
[6]	林程, 汪博文, 吕沛原, 宫新乐, 于潇. 面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究[J]. 汽车工程, 2023, 45(7): 1099-1111.
[7]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[8]	张新荣,谭宇航,贾一帆,黄晋,许权宁. 四轮独立驱动电动汽车路径跟踪鲁棒控制[J]. 汽车工程, 2023, 45(2): 253-262.
[9]	吕颖,祁旭,刘秋铮,王鑫煜,陈国迎. 考虑转向延迟特性的自动驾驶车辆路径跟踪控制方法[J]. 汽车工程, 2023, 45(12): 2234-2241.
[10]	胡满江,卜令坤,秦洪懋,周岩,边有钢,孙宁,郑讯佳. 多类时延下混合车辆队列建模与协同控制[J]. 汽车工程, 2022, 44(9): 1359-1371.
[11]	蒋渊德,朱冰,赵祥模,赵健,郑兵兵. 面向自动驾驶汽车测试的交通车辆交互过程建模[J]. 汽车工程, 2022, 44(12): 1825-1833.
[12]	王安杰,郑玲,李以农,王戡. 基于预测风险场的智能汽车主动避撞运动规划[J]. 汽车工程, 2021, 43(7): 1096-1104.
[13]	田洪清,丁峰,郑讯佳,黄荷叶,王建强. 基于势能场虚拟力的智能网联车辆运动规划[J]. 汽车工程, 2021, 43(4): 518-526.
[14]	王荣,孙亚夫,宋娟. 自动驾驶车辆道路测试场景评价方法与试验验证[J]. 汽车工程, 2021, 43(4): 620-628.
[15]	唐晓峰, 杨林, 袁静妮. 基于高斯伪谱法的自动驾驶车辆状态研究^*[J]. 汽车工程, 2020, 42(5): 567-573.