面向量产的高速公路智能换道系统决策规划方法研究

doi:10.19562/j.chinasae.qcgc.2024.03.005

摘要/Abstract

摘要：

高速公路智能换道是高级辅助驾驶系统（ADAS）的重要功能，现阶段算法难以在低算力硬件资源条件下兼顾换道安全性和平顺性。为解决此问题，本文提出一种高速公路智能换道系统决策规划方法。通过分级危险区域，检测碰撞风险做出换道决策，进而实施横纵向解耦规划。在横向规划中，设计两阶段五次多项式换道轨迹规划，提升换道途中安全性和平顺性。在纵向规划中，巡航工况采用类PID算法，可提升规划实时性，而跟车工况采用基于同步预测时域的模型预测控制（MPC）算法，通过关联横纵向规划时间可提升换道平顺性，并设计代价函数降低求解复杂度可满足低资源占用要求。通过实车对比试验，验证了该方法在高速公路换道多场景中具有较高的安全性、平顺性和体验感。此外，算法占用的静态区存储和栈区峰值存储测试对比结果表明了该方法具有较低的硬件资源占用率，可满足低算力控制器对资源占用的要求。

关键词: 智能换道系统, 解耦规划, 两阶段换道, 模型预测控制, 同步时域, 面向量产

Abstract:

The auto-lane change on highways is an important feature of the Advanced Driver Assistance System （ADAS）. The current algorithms are unable to balance lane-changing safety and smoothness under low computational hardware conditions. To solve the problem， a decision-making and planning method for auto lane-changing system on highways is proposed in this paper. Lane-changing decisions are made by dividing the lane changing collision risk into hierarchical danger zones， followed by the implementation of decoupled lateral and longitudinal planning. In the lateral planning， a two-stage fifth-order polynomial trajectory planning is designed to enhance safety and smoothness during the lane changing process. In the longitudinal planning， a PID-like algorithm is employed to enhance real-time planning for cruising conditions， while the Model Predictive Control （MPC） based on synchronized predictive time domains is employed for following conditions. By associating the lateral and longitudinal planning times to improve lane-changing smoothness， the design of cost function reduces computational complexity to meet low resource requirements. Through real vehicle comparison tests， this method has been validated to have high level of safety， smoothness， and user experience in various highway lane changing scenarios. Additionally， comparison results of static area storage and peak stack storage tests for the algorithm's resource utilization show a low hardware resource occupancy rate， meeting the requirements of low-computing-power controllers in terms of resource utilization.

Key words: intelligent lane-changing system, decoupled planning, two-stage lane-changing, model predictive control, synchronized time domain, mass-production

何一超,寇胜杰,田贺,李昊,芦勇. 面向量产的高速公路智能换道系统决策规划方法研究[J]. 汽车工程, 2024, 46(3): 418-430.

Yichao He,Shengjie Kou,He Tian,Hao Li,Yong Lu. Research on Decision-Making and Planning Method for Intelligent Highway Lane-Changing System for Mass Production[J]. Automotive Engineering, 2024, 46(3): 418-430.

图/表 13

图1

图2

图3

图4

表1

试验参数"

参数名称	数值
单个时间步长 $T$ /s	0.02
最大碰撞时间 $T T C m a x$ /s	20
高危险等级增益 $p l 1$	50
中危险等级增益 $p l 2$	10
低危险等级增益 $p l 3$	5
无危险等级增益 $p l 4$	2
危险时间阈值 $T r i s k$ /s	1.9
起始换道阶段最小换道时间 $t m i n 1$ /s	1.5
居中阶段最小换道时间 $t m i n 2$ /s	2
起始换道阶段最小预瞄距离 $x m i n 1$ /m	20
起始换道阶段最大预瞄距离 $x m a x 1$ /m	200
居中阶段最小预瞄距离 $x m i n 2$ /m	20
居中阶段最大预瞄距离 $x m a x 2$ /m	200
曲率补偿 $κ o f f s e t$	0
最小限制曲率 $κ h m i n$	-0.08
最大限制曲率 $κ h m a x$	0.08
驱动执行器效率 $η a$	0.95
制动执行器效率 $η b$	0.89
起始换道阶段时间同步调优因子 $λ 1$	1.2
居中阶段时间同步调优因子 $λ 2$	1.8
加速度变化率优化权重因子 $δ j$	0.08

表1

表2

随巡航车速误差变化的加速度上下限"

速度误差/（m·s^-1）	-11	-7	-3.2	-0.9	0	0.9	3	15
$a u p$ /（m·s^-2）	-2.0	-1.3	-0.5	-0.3	0	0.4	0.8	1.6
$a l o w$ /（m·s^-2）	-2.5	-1.5	-0.8	-0.4	0	0.3	0.6	1.3

表2

表3

随车速变化的换道预测时间"

自车速度/（m·s^-1）	16.6	19.4	22.2	25	27.8	33.3
$t v 1$ /s	2.5	2.8	3.0	3.2	3.5	3.5
$t v 2$ /s	2.5	3.0	3.2	3.4	3.7	3.7

表3

表4

随曲率半径变化的换道预测时间"

曲率半径/m	125	250	500	800	1 000
$t r 11$ /s	-1.0	-1.0	-1.0	-0.8	-0.5
$t r 12$ /s	0.4	0.3	0.2	0.1	0
$t r 21$ /s	-0.7	-0.6	-0.5	-0.4	-0.3
$t r 22$ /s	1.0	0.7	0.4	0.1	0

表4

图5

图6

图7

图8

图9

参考文献 23

1	PAYRE W， CESTAC J， DELHOMME P. Intention to use a fully automated car： attitudes and a priori acceptability［J］. Transportation Research Part F： Traffic Psychology and Behaviour， 2014， 27： 252-263.
2	CLAUSSMANN L， REVILLOUD M， GRUYER D， et al. A review of motion planning for highway autonomous driving［J］. IEEE Transactions on Intelligent Transportation Systems， 2020： 1826-1848.
3	ZHANG J， WU J， SHEN X， et al. Autonomous land vehicle path planning algorithm based on improved heuristic function of A-Star［J］. International Journal of Advanced Robotic Systems， 2021， 18（5）： 17298814211042730.
4	WOLF M T， BURDICK J W. Artificial potential functions for highway driving with collision avoidance［C］. IEEE International Conference on Robotics and Automation， 2008： 3731-3736.
5	YUAN C C， WENG S F， SHEN J， et al. Research on active collision avoidance algorithm for intelligent vehicle based on improved artificial potential field model［J］. International Journal of Advanced Robotic Systems， 2020， 17（3）：172988 142091123.
6	KELLER M， HOFFMANN F， HASS C， et al. Planning of optimal collision avoidance trajectories with timed elastic bands［J］. IFAC Proceedings Volumes， 2014， 47（3）： 9822-9827.
7	BOUNINI F， GINGRAS D， POLLART H， et al. Modified artificial potential field method for online path planning applications［C］. IEEE Intelligent Vehicles Symposium （IV）， 2017： 180-185.
8	CHEN L， QIN D， XU X， et al. A path and velocity planning method for lane changing collision avoidance of intelligent vehicle based on cubic 3-D Bezier curve［J］. Advances in Engineering Software， 2019， 132： 65-73.
9	江浩斌，施凯津，华一丁，等. 基于hp自适应伪谱法的智能汽车紧急变道轨迹规划与优化［J］. 中国公路学报， 2019， 32（6）： 71-78.
	JIANG H B， SHI K J， HUA Y D， et al. Lane-changing trajectory planning and optimization for intelligent vehicle through hp-adaptive pseudospectral method ［J］. China Journal of Highway and Transport， 2019， 32（6）： 71-78.
10	ZHOU J，ZHENG H Y，WANG J M，et al. Multiobjective optimization of lane⁃changing strategy for intelligent vehicles in complex driving environments ［J］. IEEE Transactions on Vehicular Technology， 2020， 69（2）： 1291-1308.
11	LATIP N B A， OMAR R. Feasible path generation using Bezier curves for car-like vehicle ［C］. IOP Conference Series： Materials Science and Engineering， 2017， 226： 012133.
12	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）： 10.
	NIU G C，LI W S， WEI H X. Intelligent vehicle lane changing trajectory planning based on double quintic polynomials［J］. Automotive Engineering， 2021， 43（7）： 10.
13	ZIEGLER J， BENDER P， SCHREIBER M， et al. Making Bertha drive—an autonomous journey on a historic route［J］. IEEE Intelligent Transportation Systems Magazine， 2014， 6（2）： 8-20.
14	CHOI J. Kinodynamic motion planning for autonomous vehicles［J］. International Journal of Advanced Robotic Systems， 2014， 11（6）： 90.
15	ALTCHé F， POLACK P， FORTELLE A D L. High-speed trajectory planning for autonomous vehicles using a simple dynamic model［C］. IEEE 20th International Conference on Intelligent Transportation Systems （ITSC）， 2017： 1-7.
16	MILLER C， PEK C， ALTHOFF M. Efficient mixed-integer programming for longitudinal and lateral motion planning of autonomous vehicles［C］. IEEE Intelligent Vehicles Symposium （IV）， 2018： 1954-1961.
17	GU T， DOLAN J M， LEE J W. On-road trajectory planning for general autonomous driving with enhanced tunability［J］. Springer International Publishing， 2016： 247-261.
18	SARKHEYLI-HäGELE A， SCöFFKER D. Online learning for an individualized lane-change situation recognition system applied to driving assistance［C］. IEEE Conference on Cognitive and Computational Aspects of Situation Management （CogSIMA）， Savannah， GA， USA， 2017： 1-6. doi： 10.1109/COGSIMA. 2017.7929588.
19	REHDER E， QUEHL J， STILLER C. Driving like a human： imitation learning for path planning using convolutional neural networks［C］. in Proc. IEEE Int. Conf. Intell. Robots Syst. （IROS） Workshops， Sep. 2017： 1-5.
20	PENG B， SUN Q， LI S E， et al. End-to-end autonomous driving through dueling double deep Q-network［J］. Automotive Innovation， 2021， 4（3）： 328-337.
21	CHEN J， LI S E， TOMIZUKA M. Interpretable end-to-end urban autonomous driving with latent deep reinforcement learning［J］. IEEE Transactions on Intelligent Transportation Systems， 2022： 5068-5078.
22	冯耀，景首才，惠飞，等. 基于深度强化学习的智能网联车辆换道轨迹规划方法［J］. 汽车安全与节能学报， 2022， 13（4）： 705-717.
	FENG Y， JING S C， HUI F， et al. Deep reinforcement learning-based lane-changing trajectory planning method of intelligent and connected vehicles ［J］. Journal of Automotive Safety and Energy，2022， 13（4）： 705-717.
23	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 and Automation， 2010： 987-993.

[1]	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.
[2]	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.
[3]	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.
[4]	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.
[5]	查云飞,吕小龙,陈慧勤,易迎春,王燕燕. 基于路面附着系数估计的车辆轨迹跟踪控制[J]. 汽车工程, 2023, 45(6): 1010-1021.
[6]	贺伊琳,马建,杨舒凯,郑威,薛启帆. 融合预瞄特性的智能电动汽车稳定性模型预测控制研究[J]. 汽车工程, 2023, 45(5): 719-734.
[7]	周兵,魏佳宝,柴天,吴晓建,王鹤. 基于最优方法的碰后辅助驾驶控制策略[J]. 汽车工程, 2023, 45(4): 561-571.
[8]	张彬,邹渊,张旭东,孙逢春,吴喆,孟逸豪. 混动履带式无人平台轨迹跟踪控制研究[J]. 汽车工程, 2023, 45(4): 579-587.
[9]	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.
[10]	贺林,徐子昂,黄春荣,龚超,李书华,石琴. 线控转向系统转角预测滑模控制算法研究[J]. 汽车工程, 2023, 45(12): 2200-2208.
[11]	胡丹丹,尹鹏飞,牛国臣,赵金聚. 非结构化道路下离轴式拖挂车辆主动避障控制研究[J]. 汽车工程, 2023, 45(12): 2318-2329.
[12]	宋强,王冠峰,商赫,张念忠. 基于多参数控制的分布式驱动电动汽车操纵稳定性控制策略研究[J]. 汽车工程, 2023, 45(11): 2104-2112.
[13]	芦勇,何一超,田贺,江昆,杨殿阁. 面向量产的自适应巡航控制系统纵向加速度规划方法研究[J]. 汽车工程, 2023, 45(10): 1803-1814.
[14]	林程,梁晟,宫新乐,于潇,汪博文. 面向极限工况的分布式驱动电动汽车动力学集成控制方法[J]. 汽车工程, 2022, 44(9): 1372-1385.
[15]	解少博,屈鹏程,李嘉诚,王惠庆,郎昆. 跟驰场景中网联混合电动货车速度规划和能量管理协同控制的研究[J]. 汽车工程, 2022, 44(8): 1136-1143.