基于预测风险场的智能汽车主动避撞运动规划

doi:10.19562/j.chinasae.qcgc.2021.07.017

摘要/Abstract

摘要：

针对自动驾驶汽车侧方和后方的主动避撞问题，提出了融合障碍物运动预测的预测风险场和基于预测风险场的运动规划方法。在Frenet坐标系下，通过运动学模型预测未来场景下的各障碍车信息，建立基于道路纵向、横向和时间3个维度的预测风险场。考虑车辆动力学和速度、加速度与曲率约束，采用动态规划方法完成行为决策，并使用多项式曲线和二次规划方法对决策轨迹进行优化。结果表明：预测风险场能准确识别周围障碍车潜在风险随时间的变化趋势，并规划出满足各项约束的避撞轨迹，保障车辆运行的安全性和稳定性。

关键词: 智能汽车, 主动避撞, 预测风险场, 运动规划, 行为决策

Abstract:

Aiming at the side and rear collision avoidance problem for autonomous vehicle， a predictive risk field fusing obstacle motion prediction and a motion planning method based on predictive risk field are proposed in this paper. In the Frenet coordinate system， the kinematics model is used to predict the information of each obstacle vehicle in the future scene， and the predictive risk field is established based on the three dimensions of longitudinal， lateral and time. Considering vehicle dynamics and velocity， acceleration and curvature constraints， the dynamic programming method is adopted to complete the behavior decision， and the polynomial curve and quadratic programming method are used to optimize the decision trajectory. The results show that the predictive risk field can accurately identify the changing trend of the potential risks of the surrounding obstacle vehicles over time， and plan the collision avoidance trajectory meeting various constraints， ensuring the safety and stability of vehicle operation.

Key words: intelligent vehicle, active collision avoidance, predictive risk field, motion planning, behavior decision

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.

Anjie Wang,Ling Zheng,Yinong Li,Kan Wang. Motion Planning for Active Collision Avoidance of Intelligent Vehicles Based on Predictive Risk Field[J]. Automotive Engineering, 2021, 43(7): 1096-1104.

图/表 18

图 1

图 2

表1

Frenet坐标投影搜索算法"

算法1 变步长搜索算法求投影坐标
输入：道路参考线，起始A/B点和车辆P点的Cartesian坐标
输出：车辆位置P点的Frenet坐标 $(s P, d P, θ F P)$
1：	function $[s P, d P, θ F P]$ =Cartesian2Frenet（A，B，P）
2：	$s P ← 0, ? d P ← 0 ?$
3：	while $s i g n (A P · A B) ≠ s i g n (B P · A B)$ do
4：	if $s i g n (A P · A B) = ? 0 ? o r ? s i g n (B P · A B) ? = 0$ then
5：	$s P ← s A / B, ? θ F P ← (θ P - θ A / B)$
6：	$d P ← [(x P - x A / B) 2 + (y P - y A / B) 2] 1 / 2$
7：	break
8：	end if
9：	while $s B - s A > ε$ do
10：	$m i d ? A = 1, t a n θ A, ? m i d ? B = 1, t a n θ B$
11：	$s A ← s A + A P · m i d ? A / m i d ? A$
12：	$s B ← s B + B P · m i d ? B / m i d ? B$
13：	end while
14：	$s P ← s A, ? θ F P ← (θ P - θ A)$
15：	$d P ← [(x P - x A) 2 + (y P - y A) 2] 1 / 2$
16	break
17：	end while
18：	end function

表1

图 3

图 4

图 5

图 6

表2

图 7

图 8

图 9

图 10

图 11

图 12

图 13

图 14

图 15

图 16

参考文献 16

1	SAM D ， CYRIL RAJ V ， ESTHER EVANGELIN T. A vehicle control system using a time synchronized Hybrid VANET to reduce road accidents caused by human error［J］. Vehicular Communications， 2016，6：17-28.
2	LEE K ， KUM D. Collision avoidance/mitigation system： motion planning of autonomous vehicle via predictive occupancy map［J］. IEEE Access， 2019， 7（99）：52846-52857.
3	KIM K ， KIM B ， LEE K ， et al. Design of integrated risk management-based dynamic driving control of automated vehicles［J］. IEEE Intelligent Transportation Systems Magazine， 2017， 9（1）：57-73.
4	任玥，郑玲，张巍，等. 基于模型预测控制的智能车辆主动避撞控制研究［J］. 汽车工程， 2019， 41（4）： 404-410.
	REN Y， ZHENG L， ZHANG W， et al. A study on active collision avoidance control of autonomous vehicles based on model predictive control［J］. Automotive Engineering， 2019， 41（4）： 404-410.
5	朱冰，韩嘉懿，赵健，等. 基于安全场改进RRT*算法的智能汽车路径规划方法［J］. 汽车工程， 2020， 42（9）： 1145-1150， 1182.
	ZHU B， HAN J Y， ZHAO J， et al. Safety field⁃based improved RRT* algorithm for path planning of intelligent vehicle［J］. Automotive Engineering， 2020， 42（9）： 1145-1150， 1182.
6	肖浩，宋晓琳，曹昊天. 基于危险斥力场的自动驾驶汽车主动避撞局部路径规划［J］. 工程设计学报， 2012， 19（5）： 379-384.
	XIAO H， SONG X L， CAO H T. Local path planning for autonomous vehicle collision avoidance based on dangerous repellant fields［J］. Chinese Journal of Engineering Design， 2012， 19（5）： 379-384.
7	修彩靖，陈慧. 基于改进人工势场法的无人驾驶车辆局部路径规划的研究［J］. 汽车工程， 2013， 35（9）： 808-811.
	XIU C J， CHEN H. A research on local path planning for autonomous vehicles based on improved APF method［J］. Automotive Engineering， 2013， 35（9）： 808-811.
8	KIM J ， KUM D. Collision risk assessment algorithm via lane-based probabilistic motion prediction of surrounding vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2018， 19（9）：2965-2976.
9	HESSE T ， SATTEL T. An approach to integrate vehicle dynamics in motion planning for advanced driver assistance systems［C］. Intelligent Vehicles Symposium. IEEE， 2007.
10	HOUENOU A， BONNIFAIT P， CHERFAOUI V， et al. Vehicle trajectory prediction based on motion model and maneuver recognition［C］. IEEE/RSJ International Conference on Intelligent Robots & Systems. IEEE， 2013.
11	张一鸣，周兵，吴晓建，等. 基于前车轨迹预测的高速智能车运动规划［J］. 汽车工程， 2020， 42（5）： 574-580，587.
	ZHANG Y M， ZHOU B， WU X J， et al. Motion planning of high speed intelligent vehicle based on front vehicle trajectory prediction［J］. Automotive Engineering， 2020， 42（5）： 574-580，587.
12	WERLING M ， ZIEGLER J ， KAMMEL S ， et al. Optimal trajectory generation for dynamic street scenarios in a Frenét frame［C］. IEEE International Conference on Robotics & Automation. IEEE， 2010.
13	LEFÈVRE S， VASQUEZ D， LAUGIER C. A survey on motion prediction and risk assessment for intelligent vehicles［J］. Robomech Journal， 2014， 1（1）：1.
14	冀杰，姬鹏，彭和，等. 面向车辆主动避撞的三维虚拟危险势能场设计［J］. 汽车工程， 2016， 38（9）： 1065-1071.
	JI J， JI P， PENG H， et al. Design of 3D virtual dangerous potential field for vehicle active collision avoidance［J］. Automotive Engineering， 2016， 38（9）： 1065-1071.
15	FAN H ， ZHU F ， LIU C ， et al. Baidu Apollo EM motion planner［J］. arXiv preprint arXiv：， 2018.
16	熊璐，康宇宸，张培志，等. 无人驾驶车辆行为决策系统研究［J］. 汽车技术， 2018（8）： 1-9.
	XIONG L， KANG Y C， ZHANG P Z， et al. Research on behavior decision⁃making system for unmanned vehicle［J］. Automobile Technology， 2018（8）： 1-9.

参数	本车	Obs1	Obs2	Obs3	Obs4
纵向位置s /m	20	35	12	5	20
横向位置d/m	0	0	-3.75	0	3.75
纵向速度v_s/（m·s^-1）	20	15	20	25	20
横向速度v_d/（m·s^-1）	0	0	0	0	-1
纵向加速度a_s/（m·s^-2）	0	-4	0	0	0
横向加速度a_d/（m·s^-2）	0	0	0	0	0
纵向安全距离s_min/m	3
横向安全距离d_min/m	2
车辆长度L/m	5
车辆宽度W/m	1.7
车道宽度lane_w/m	3.75
车道线风险值p	0.2
道路参考线：3阶贝塞尔曲线	（0，0），（30，0），（60，0），（100，20）

[1]	付新科,蔡英凤,陈龙,王海,刘擎超. 不确定性环境下的自动驾驶汽车行为决策方法[J]. 汽车工程, 2024, 46(2): 211-221.
[2]	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.
[3]	郝建平,苏炎召,钟志华,黄晋. 面向智能汽车的SOA架构及服务调度机制研究[J]. 汽车工程, 2023, 45(9): 1563-1572.
[4]	赵高士,陈龙,蔡英凤,廉玉波,王海,刘擎超,滕成龙. 融合复杂网络和记忆增强网络的轨迹预测技术[J]. 汽车工程, 2023, 45(9): 1608-1616.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	胡启慧,蔡英凤,王海,陈龙,董钊志,刘擎超. 基于层次图注意的异构多目标轨迹预测方法[J]. 汽车工程, 2023, 45(8): 1448-1456.
[10]	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.
[11]	张钰,徐明帆,白光宇,董明明,高利,秦也辰. 考虑稳定性约束的智能车辆切换控制方法[J]. 汽车工程, 2023, 45(5): 709-718.
[12]	高翔,陈龙,王歆叶,熊晓夏,李祎承,陈月霞. 基于轨迹预测的智能汽车行驶风险评估方法[J]. 汽车工程, 2023, 45(4): 588-597.
[13]	胡杰,朱琪,陈锐鹏,张敏超,张志豪,刘昊岩. 引入必经点约束的智能汽车全局路径规划[J]. 汽车工程, 2023, 45(3): 350-360.
[14]	张紫微,郑玲,李以农,乔旭强,郑浩,王戡. 考虑前车运动不确定性的多目标自适应巡航控制[J]. 汽车工程, 2023, 45(3): 361-371.
[15]	刘正发,吴亚,刘佩根,顾荣琦,陈广. 基于特征和标签联合分布匹配的智能驾驶跨域自适应目标检测[J]. 汽车工程, 2023, 45(11): 2082-2091.