基于双层求解策略的平行泊车轨迹规划

doi:10.19562/j.chinasae.qcgc.2023.12.012

汽车工程 ›› 2023, Vol. 45 ›› Issue (12): 2299-2309.doi: 10.19562/j.chinasae.qcgc.2023.12.012

所属专题：智能网联汽车技术专题-规划&决策2023年

基于双层求解策略的平行泊车轨迹规划

张洪昌^1,^2,³,宁鹏^1,^2,³,杨杰^1,^2,³,宋建伟^1,^2,³,郝麟^1,^2,³,曾娟^1,^2,³()

^1.武汉理工大学，现代汽车零部件技术湖北省重点实验室，武汉 430070
^2.武汉理工大学，汽车零部件技术湖北省协同创新中心，武汉 430070
^3.武汉理工大学，湖北省新能源与智能网联车工程技术研究中心，武汉 430070

收稿日期:2023-04-05 修回日期:2023-05-11 出版日期:2023-12-25 发布日期:2023-12-21
通讯作者: 曾娟 E-mail:zhc112@126.com
基金资助:
教育部创新团队发展计划(IRT_17R83);新能源汽车科学与关键技术学科创新引智基地(B17034);武汉理工大学重庆研究院科技创新研发项目(YF2021-07)

Parallel Parking Trajectory Planning Based on Double-Layer Solution Strategy

Hongchang Zhang^1,^2,³,Peng Ning^1,^2,³,Jie Yang^1,^2,³,Jianwei Song^1,^2,³,Lin Hao^1,^2,³,Juan Zeng^1,^2,³()

^1.Wuhan University of Technology，Hubei Key Laboratory of Modern Auto Parts Technology，Wuhan 430070
^2.Wuhan University of Technology，Auto Parts Technology Hubei Collaborative Innovation Center，Wuhan 430070
^3.Wuhan University of Technology，Hubei Technology Research Center of New Energy and Intelligent Connected Vehicle Engineering，Wuhan 430070

Received:2023-04-05 Revised:2023-05-11 Online:2023-12-25 Published:2023-12-21
Contact: Juan Zeng E-mail:zhc112@126.com

摘要/Abstract

摘要：

轨迹规划在泊车系统中承接了上层感知和下层控制，是缩短泊车时间和降低跟踪难度的关键手段。针对平行泊车轨迹规划难以兼顾轨迹的生成质量、泛化能力和计算效率等问题，提出了基于双层求解策略的平行泊车轨迹规划方法。该方法分为两层：第一层将平行泊车的路径分为由锚点连接的两段路径，采用路径倒推的思路寻找出锚点，分别规划从终点到锚点的路径和从锚点到起点的路径，之后对路径附加“时间最优”剖面，逆序得到特定时刻的状态量与控制量；第二层采用同步联立正交配置法，将平行泊车最优控制中连续的状态量和控制量转化为轨迹非线性规划的离散点，把第一层得到的状态量与控制量作为初始值带入非线性规划求得数值解。同时，建立了5种平行车位泊车场景模型并进行了仿真分析，结果表明，针对不同的泊车起始位姿和车位尺寸，均能规划出满足约束条件的最优轨迹，提高了轨迹的生成质量和泛化能力，并具有较好的计算效率。

关键词: 轨迹规划, 双层求解策略, 平行泊车, 数值优化

Abstract:

Trajectory planning plays a key role in shortening parking time and reducing tracking difficulty， as it connects the upper-level perception and the lower-level control in parking systems. However， it is challenging to balance trajectory quality， generalization ability， and computational efficiency in parallel parking trajectory planning. To address this issue， the parallel parking trajectory planning based on double-layer solution strategy （DLSS） is proposed. The strategy includes two layers： in the first layer， the parallel parking path is divided into two segments connected by anchor points. The anchor point is identified through a backward path planning approach. The paths from the endpoint to the anchor point and from the anchor point to the starting point are planned separately. Then， a "time-optimal" profile is added to the path， and the state and control variables at specific time points are obtained in reverse order. In the second layer， the simultaneous orthogonal configuration method is used to transform the continuous state and control variables in the parallel parking optimal control into discrete variables in the trajectory nonlinear programming. The state and control variables obtained in the first layer are used as the initial values for the nonlinear programming to obtain numerical solutions. Five parallel parking scene models are established and simulated， and the results show that the optimal trajectory that meets the constraints requirements can be planned for different parking starting postures and parking space sizes， which improves the generation quality and generalization ability of trajectories， and has satisfactory computational efficiency.

Key words: trajectory planning, double-layer solution strategy, parallel parking, numerical optimization

张洪昌,宁鹏,杨杰,宋建伟,郝麟,曾娟. 基于双层求解策略的平行泊车轨迹规划[J]. 汽车工程, 2023, 45(12): 2299-2309.

Hongchang Zhang,Peng Ning,Jie Yang,Jianwei Song,Lin Hao,Juan Zeng. Parallel Parking Trajectory Planning Based on Double-Layer Solution Strategy[J]. Automotive Engineering, 2023, 45(12): 2299-2309.

图/表 17

图1

图2

图3

图4

图5

表1

表2

图6

图7

图8

图9

图10

图11

图12

表3

不同起始位姿和车位尺寸"

场景	起始位姿和车位尺寸
场景二	$x t 0 = 1 y t 0 = 2 θ t 0 = - 0.2 v t 0 = 0 φ t 0 = 0 ? a n d ? C L = 4 S L = 6 S W = 2.5 ? a n d ? a t 0 = 0 w t 0 = 0$
场景三	$x t 0 = 7 y t 0 = 1.8 θ t 0 = - 0.2 v t 0 = 0 φ t 0 = 0 ? a n d ? C L = 4 S L = 6 S W = 2.5 ? a n d ? a t 0 = 0 w t 0 = 0$
场景四	$x t 0 = - 5 y t 0 = 1.8 θ t 0 = 0.2 v t 0 = 0 φ t 0 = 0 ? a n d ? C L = 4 S L = 5.8 S W = 2.5 ? a n d ? a t 0 = 0 w t 0 = 0$
场景五	$x t 0 = - 5 y t 0 = 2 θ t 0 = 0 v t 0 = 0 φ t 0 = 0 ? a n d ? C L = 4 S L = 5.6 S W = 2.5 ? a n d ? a t 0 = 0 w t 0 = 0$

表3

图13

表4

参考文献 24

1	ESKANDARIAN A， WU C， SUN C. Research advances and challenges of autonomous and connected ground vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（2）： 683-711.
2	GONZALEZ D， PEREZ J， MILANES V， et al. A review of motion planning techniques for automated vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（4）： 1135-1145.
3	任秉韬，王淅淅，邓伟文，等. 基于混合A*和可变半径RS曲线的自动泊车路径优化方法［J］. 中国公路学报，2022，35（7）：317-327.
	REN Bingtao， WANG Xixi， DENG Weiwen， et al. Path optimization on algorithm for automatic parking based in hybrid A* and reeds-sheep curve with variable radius［J］. China Journal of Highway and Transport， 2022，35（7）：317-327.
4	HE J， LI H. Fast A* anchor point based path planning for narrow space parking［C］. 2021 IEEE International Intelligent Transportation Systems Conference （ITSC）. Indianapolis， IN， USA： IEEE， 2021： 1604-1609.
5	HAN L， DO Q H， MITA S. Unified path planner for parking an autonomous vehicle based on RRT［C］. 2011 IEEE International Conference on Robotics and Automation. Shanghai， China： IEEE， 2011： 5622-5627.
6	DONG Y， ZHONG Y， HONG J. Knowledge-biased sampling-based path planning for automated vehicles parking［J］. IEEE Access， 2020， 8： 156818-156827.
7	胡勤明，王金刚，张小俊.五次多项式优化的平行泊车路径规划［J］.计算机工程与应用，2022，58（14）：291-298.
	HU Qinming， WANG Jingang， ZHANG Xiaojun. Optimized parallel parking path planning based on quintic polynomial［J］. Computer Engineering and Applications， 2022，58（14）：291-298.
8	CHAND A， KAWANISHI M， NARIKIYO T. Application of sigmoidal gompertz curves in reverse parallel parking for autonomous vehicles［J］. International Journal of Advanced Robotic Systems， 2015，12（9）：1-9.
9	张家旭，赵健，施正堂，等.基于回旋曲线的平行泊车路径规划和跟踪控制［J］.吉林大学学报（工学版），2020，50（6）： 2247-2257.
	ZHANG Jiaxu， ZHAO Jian， SHI Zhengtang， et al. Path planning and tracking control for parallel parking based on clothoid curve［J］. Journal of Jilin University （Engineering and Technology Edition），2020，50（6）：2247-2257.
10	李红，王文军，李克强.基于B样条理论的平行泊车路径规划［J］.中国公路学报，2016，29（9）：143-151.
	LI Hong， WANG Wenjun， LI Keqiang. Path planning for parallel parking based on B spline theory［J］. China Journal of Highway and Transport， 2016，29（9）：143-151.
11	SUZUKI T， USAMI R， MAEKAWA T. Automatic two-lane path generation for autonomous vehicles using quartic B-spline curves［J］. IEEE Transactions on Intelligent Vehicles， 2018， 3（4）： 547-558.
12	KHOSHNEJAD M， DEMIRLI K. Autonomous parallel parking of a car-like mobile robot by a neuro-fuzzy behavior-based controller［C］. NAFIPS 2005 - 2005 Annual Meeting of the North American Fuzzy Information Processing Society. Detroit， MI， USA： IEEE， 2005： 814-819.
13	CHAI R， TSOURDOS A， SAVVARIS A， et al. Design and implementation of deep neural network-based control for automatic parking maneuver process［J］. IEEETransactions on Neural Networks and Learning Systems， 2022，33（4）：1400-1413.
14	LI B， SHAO Z. A unified motion planning method for parking an autonomous vehicle in the presence of irregularly placed obstacles［J］. Knowledge-Based Systems， 2015， 86： 11-20.
15	胡杰，朱令磊，陈瑞楠，等.狭小车位平行泊车路径规划方法研究［J］.汽车工程，2022，44（7）：1040-1048.
	HU Jie， ZHU Linglei， Chen Ruinan， et al. Research on parallel parking path planning method for narrow parking space［J］. Automotive Engineering， 2022，44（7）：1040-1048.
16	CHAI R， SAVVARIS A， TSOURDOS A. Violation learning differential evolution-based hp-adaptive pseudospectral method for trajectory optimization of space maneuver vehicle［J］. IEEE Transactions on Aerospace and Electronic Systems， 2017， 53（4）： 2031-2044.
17	CHEN C， WU B， XUAN L， et al. A trajectory planning method for autonomous valet parking via solving an optimal control problem［J］. Sensors， 2020， 20（22）： 6435.
18	LI B， ZHANG Y， SHAO Z. Spatio-temporal decomposition： a knowledge-based initialization strategy for parallel parking motion optimization［J］. Knowledge-Based Systems， 2016， 107： 179-196.
19	LI B， WANG K， SHAO Z. Time-optimal maneuver planning in automatic parallel parking using a simultaneous dynamic optimization approach［J］. IEEE Transactions on Intelligent Transportation Systems， 2016， 17（11）： 3263-3274.
20	CHAI R， TSOURDOS A， SAVVARIS A， et al. Two-stage trajectory optimization for autonomous ground vehicles parking maneuver［J］. IEEE Transactions on Industrial Informatics， 2019， 15（7）： 3899-3909.
21	RAO Anil. A survey of numerical methods for optimal control［J］. Advances in the Astronautical Sciences， 2010.135.
22	BIEGLER L T. Nonlinear programming： concepts， algorithms， and applications to chemical processes［M］. Society for Industrial and Applied Mathematics， 2010.
23	DOLGOV D， THRUN S， MONTEMERLO M， et al. Path planning for autonomous vehicles in unknown semi-structured environments［J］. The International Journal of Robotics Research， 2010， 29（5）： 485-501.
24	REEDS J， SHEPP L. Optimal paths for a car that goes both forwards and backwards［J］. Pacific Journal of Mathematics， 1990， 145（2）： 367-393.

参数	符号	单位	数值
车辆轴距	L	m	2.830
车辆前悬	L_f	m	1.006
车辆后悬	L_r	m	1.070
车辆宽度	W	m	1.862
泊车最大车速	v_max	m/s	1.0
泊车最大加速度	a_max	m/s²	0.5
车辆最大前轮转角	φ_max	rad	0.576
车辆最大前轮转向角速度	ω_max	rad/s	0.576

参数	符号	单位	数值
车辆起始位置（水平方向）	x_t₀	m	-5
车辆起始位置（垂直方向）	y_t₀	m	2
车辆起始航向角	θ_t₀	rad	0
车辆起始速度	v_t₀	m/s	0
车辆起始前轮转角	φ_t₀	rad	0
车位长	SL	m	6
车位宽	SW	m	2.5
道路宽度	CL	m	4

方法	没有初值	双层求解策略				文献［18］
方法	CPU time	初始路径CPU time	CPU time	CPU time*	泊车时间	CPU time	CPU time*	泊车时间
场景一	失败	0.311 s	5.725 s	0.866 s	24.20 s	失败	6.524 s	25.56 s
场景二	失败	0.173 s	5.226 s	0.758 s	18.94 s	失败	失败	失败
场景三	失败	0.102 s	5.318 s	0.792 s	16.22 s	失败	7.112 s	25.96 s
场景四	失败	0.241 s	5.882 s	0.924 s	25.21 s	失败	9.189 s	25.67 s
场景五	失败	0.272 s	6.021 s	1.198 s	32.23 s	失败	失败	失败

[1]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[2]	胡杰, 张志豪, 陈瑞楠, 陈锐鹏, 刘昊岩, 朱琪, 陈晖. 基于改进混合A*的智能汽车时空联合规划方法[J]. 汽车工程, 2023, 45(7): 1123-1133.
[3]	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.
[4]	钱立军,陈晨,陈健. 无信控交叉口环境下考虑驾驶员误差的集中式轨迹规划[J]. 汽车工程, 2023, 45(5): 768-776.
[5]	钱立军,陈晨,陈健,陈欣宇,熊驰. 基于Q学习模型的无信号交叉口离散车队控制[J]. 汽车工程, 2022, 44(9): 1350-1358.
[6]	胡杰,朱令磊,陈瑞楠,钟鑫凯,徐文才,张敏超. 狭小车位平行泊车路径规划方法研究[J]. 汽车工程, 2022, 44(7): 1040-1048.
[7]	唐斌,许占祥,江浩斌,蔡英凤,胡子添,杨铮奕. 基于分段优化的车辆换道避障轨迹规划[J]. 汽车工程, 2022, 44(6): 831-841.
[8]	余嘉星,Aliasghar Arab,裴晓飞,过学迅. 考虑路径平滑性和避撞稳定性的智能汽车弯道轨迹规划研究[J]. 汽车工程, 2022, 44(5): 656-663.
[9]	胡杰,张敏超,徐文才,陈瑞楠,钟鑫凯,朱令磊. 自动驾驶车辆的平行泊车轨迹规划[J]. 汽车工程, 2022, 44(3): 330-339.
[10]	牛国臣,李文帅,魏洪旭. 基于双五次多项式的智能汽车换道轨迹规划[J]. 汽车工程, 2021, 43(7): 978-986.
[11]	高志军,王江锋,陈磊,董佳宽,罗冬宇,闫学东. 基于动态距离窗的交叉口CAV轨迹规划算法[J]. 汽车工程, 2021, 43(4): 537-545.
[12]	杨彬,宋学伟,高振海. 考虑车辆运动约束的最优避障轨迹规划算法[J]. 汽车工程, 2021, 43(4): 562-570.
[13]	张家旭,王晨,郭崇,滕飞,李东燃. 基于自适应神经模糊推理系统的平行泊车路径规划[J]. 汽车工程, 2021, 43(3): 323-329.
[14]	吴晓建,燕冬,王爱春,黄菊花,伍磊,周兵. 融合前车轨迹预测的改进人工势场轨迹规划研究[J]. 汽车工程, 2021, 43(12): 1752-1761.
[15]	张家旭, 施正堂, 赵健, 朱冰. 基于Radau伪谱法的汽车高速紧急换道避障最优控制策略设计^*[J]. 汽车工程, 2020, 42(8): 1040-1049.

基于双层求解策略的平行泊车轨迹规划

Parallel Parking Trajectory Planning Based on Double-Layer Solution Strategy

RichHTML

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

图/表 17

参考文献 24

相关文章 15

Metrics

本文评价

推荐阅读 10