基于分段优化的车辆换道避障轨迹规划

doi:10.19562/j.chinasae.qcgc.2022.06.004

摘要/Abstract

摘要：

为提高复杂道路场景下智能车辆换道避障的安全性和舒适性，提出了一种基于分段优化的智能车辆换道避障轨迹规划方法。首先考虑多种换道可能，根据本车状态和多个采样点生成基于五次多项式的候选y-x曲线簇和x-t曲线簇；其次基于指数函数设计了一种障碍风险评价函数，并结合轨迹平顺性、利他性和行驶效率等构建了综合评价体系，选取出最优参考轨迹，为智能车辆换道避障提供方向和速度的参考，以防止轨迹优化时陷入局部最优；为适应障碍物运动状态时变的特点，以参考轨迹为引导，构建分段五次多项式y-x曲线和x-t曲线，并考虑与障碍车辆的碰撞风险建立了优化目标函数，将轨迹优化问题转换成带约束的非线性规划问题，通过外点法求出最优轨迹。最后基于MATLAB平台进行了仿真验证，结果表明，所提出的轨迹规划方法在满足换道平顺、舒适要求的基础上提高了车辆的环境适应性和避障调整能力。

关键词: 智能驾驶, 换道避障, 轨迹规划, 分段优化, 非线性规划

Abstract:

In order to enhance the safety and comfort of intelligent vehicle during lane change for collision avoidance under complex road scenes， a trajectory planning method of intelligent vehicle lane change for collision avoidance is proposed based on segmented optimization. Firstly， according to the state of ego vehicle and multiple sampling points， candidate y-x curve clusters and x-t curve clusters are generated based on quintic polynomials with consideration of various possibilities of lane change. Then， by designing an obstacle risk evaluation function based on exponential function， and combined with the smoothness， altruism and driving efficiency of the trajectory， a comprehensive evaluation system is constructed to select the optimal reference trajectory， providing the direction and speed references for intelligent vehicle lane change for obstacle avoidance and preventing the solution from falling into local optimum in trajectory optimization. For suiting to the time-varying features of the obstacle movement state， the piecewise quintic polynomial y-x curve and x-t curve are constructed with the reference trajectory as a guide， and the optimization objective function is also established with consideration of the risk of collision with obstacle vehicles， converting the trajectory optimization problem into a constrained nonlinear programming one to find out the optimal trajectory by exterior point method. Finally， the simulation verification is performed on MATLAB platform with a result showing that the trajectory planning method proposed enhance the environmental adaptability and obstacle avoidance adjustment ability of vehicles， while meeting the requirements of lane-change smoothness and ride comfort.

Key words: intelligent driving, lane change for collision avoidance, trajectory planning, segmented optimization, nonlinear programming

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.

Bin Tang,Zhanxiang Xu,Haobin Jiang,Yingfeng Cai,Zitian Hu,Zhengyi Yang. Trajectory Planning of Intelligent Vehicles in Lane Change for Collision Avoidance Based on Segmented Optimization[J]. Automotive Engineering, 2022, 44(6): 831-841.

图/表 9

图1

图2

图3

图4

图5

图6

表1

轨迹优化流程"

初始化
$y = f r e f (x), x = g r e f (t)$ ；
$f o r ? t = t s : t d : t f$
（1）由环境感知系统获取本车与障碍车辆运动状态信息，包括位置和速度；
（2）以 $g r e f (t)$ 作为参考线，构建 $f b e s t (x)$ 的优化目标函数 $J 1$ ；
（3）在约束条件下，求解 $m i n J 1$ 得出 $f b e s t (x)$ 分段曲线系数；
（4）以 $f r e f (x)$ 为参考线，构建 $g b e s t (t)$ 的优化目标函数 $J 2$ ；
（5）在约束条件下，求解 $m i n J 2$ 得出 $g b e s t (t)$ 分段曲线系数；
（6）输出本时刻的最优 $f b e s t (x)$ 和 $g b e s t (t)$ ；
$e n d$

表1

图7

图8

参考文献 25

1	韩月起，张凯，宾洋，等. 基于凸近似的避障原理及无人驾驶车辆路径规划模型预测算法［J］. 自动化学报， 2020， 46（1）： 153-167.
	HAN Yueqi， ZHANG Kai， BIN Yang， et al. Convex approximation based avoidance theory and path planning mpc for driver-less vehicles［J］. Acta Automatic Sinica， 2020， 46（1）： 153-167.
2	魏民祥，滕德成，吴树凡. 基于Frenet坐标系的自动驾驶轨迹规划与优化算法［J］. 控制与决策， 2021， 36（4）： 815-824.
	WEI Minxiang， TENG Decheng， WU Shufan. Trajectory planning and optimization algorithm for automated driving based on Frenet coordinate system［J］. Control and Decision， 2021， 36（4）： 815-824.
3	郭蓬，吴学易，戎辉，等. 基于代价函数的无人驾驶汽车局部路径规划算法［J］. 中国公路学报， 2019， 32（6）： 79-85.
	GUO Peng， WU Xueyi， RONG Hui， et al. Local path planning of driverless cars based on cost function ［J］. China Journal of Highway and Transport， 2019， 32（6）： 79-85.
4	龚建伟，姜岩，徐威. 无人驾驶车辆模型预测控制［M］. 北京：北京理工大学出版社， 2014.
	GONG Jianwei， JIANG Yan， XU Wei. Model predictive control for self-driving vehicles［M］. Beijing： Beijing Institute of Technology Press， 2014.
5	余卓平，李奕姗，熊璐. 无人车运动规划算法综述［J］. 同济大学学报（自然科学版）， 2017， 45（8）： 1150-1159.
	YU Zhuoping， LI Yishan， XIONG Lu. A review of the motion planning problem of autonomous vehiclep［J］. Journal of Tongji University（Natural Science）， 2017， 45（8）： 1150-1159.
6	AINE S， SWAMINATHAN S， NARAYANAN V， et al. Multi-Heuristic A*［J］. The International Journal of Robotics Research， 2016， 35（1）： 224-243.
7	BOROUJENI Z， GOEHRING D， ULBRICH F， et al. Flexible unit A-star trajectory planning for autonomous vehicles on structured road maps［C］. 2017 IEEE International Conference on Vehicular Electronics and Safety （ICVES）. IEEE， 2017： 7-12.
8	赵晓，王铮，黄程侃，等.基于改进A*算法的移动机器人路径规划［J］. 机器人， 2018， 40（6）： 903-910.
	ZHAO Xiao， WANG Zheng， HUANG Chengkan， et al. Mobile robot path planning based on an improved A* algorithm［J］. Robot， 2018， 40（6）： 903-910.
9	王洪斌，尹鹏衡，郑维，等.基于改进的A*算法与动态窗口法的移动机器人路径规划［J］. 机器人， 2020， 42（3）： 346-353.
	WANG Hongbin， YIN Pengheng， ZHENG Wei， et al. Mobile robot path planning based on improved A* algorithm and dynamic window method［J］. Robot， 2020， 42（3）： 346-353.
10	KOENIG S， LIKHACHEV M. Fast replanning for navigation in unknown terrain［J］. IEEE Transactions on Robotics， 2005， 21 （3）： 354–363.
11	彭晓燕，谢浩，黄晶. 无人驾驶汽车局部路径规划算法研究［J］. 汽车工程， 2020， 42（1）： 1-10.
	PENG Xiaoyan， XIE Hao， HUANG Jing. Research on local path planning algorithm for unmanned vehicles［J］. Automotive Engineering， 2020， 42（1）： 1-10.
12	安林芳，陈涛，成艾国，等. 基于人工势场算法的智能车辆路径规划仿真［J］. 汽车工程， 2017， 39（12）： 1451-1456.
	AN Linfang， CHEN Tao， CHENG Aiguo， et al. A simulation on the path planning of intelligent vehicles based on artificial potential field algorithm［J］. Automotive Engineering， 2017， 39（12）： 1451-1456.
13	唐志荣，冀杰，吴明阳，等. 基于改进人工势场法的车辆路径规划与跟踪［J］. 西南大学学报（自然科学版）， 2018， 40（6）： 174-182.
	TANG Zhirong， JI Jie， WU Mingyang， et al. Vehicle path planning and tracking based on improved artificial potential field method［J］. Journal of Southwest University （Natural Science Edition）， 2018， 40（6）： 174-182.
14	RASEKHIPOUR Y， KHAJEPOUR A， CHEN S K， et al. A potential field-based model predictive path-planning controller for autonomous road vehicles［J］. IEEE Transactions on Intelligent Transportation Systems， 2017， 18（5）： 1255-1267.
15	HUANG Y， DING H， ZHANG Y， et al. A motion planning and tracking framework for autonomous vehicles based on artificial potential field elaborated resistance network approach［J］. IEEE Transactions on Industrial Electronics， 2019， 67（2）： 1376-1386.
16	贺伊琳，高奇，赵丹，等. 基于改进RRT算法的无人驾驶汽车轨迹规划［J］. 西北大学学报（自然科学版）， 2018， 48（5）： 651-658.
	HE Yilin， GAO Qi， ZHAO Dan， et al. The trajectory planning of autonomous vehicle based on improved RRT algorithm［J］. Journal of Northwest University （Natural Science Edition）， 2018， 48（5）： 651-658.
17	DÖNMEZ E， KOCAMAZ A F， DIRIK M. Bi-RRT path extraction and curve fitting smooth with visual based configuration space mapping［C］. 2017 International Artificial Intelligence and Data Processing Symposium （IDAP）. IEEE， 2017： 1-5.
18	ZANG X Z， YU W T， ZHANG L， et al. Path planning based on Bi-RRT algorithm for redundant manipulator［C］. International Conference of Electrical， Automation and Mechanical Engineering， 2015： 189-191.
19	HU X， LONG C， BO T， et al. Dynamic path planning for autonomous driving on various roads with avoidance of static and moving obstacles［J］. Mechanical Systems and Signal Processing， 2018， 100： 482-500.
20	邓海鹏，麻斌，赵海光，等. 自主驾驶车辆紧急避障的路径规划与轨迹跟踪控制［J］. 兵工学报， 2020， 41（3）： 585-594.
	DENG Haipeng， MA Bin， ZHAO Haiguang， et al. Path planning and tracking control of autonomous vehicle for obstacle avoidance［J］. Acta Armamentarii， 2020， 41（3）： 585-594.
21	RSMANN C， HOFFMANN F， BERTRAM T. Integrated online trajectory planning and optimization in distinctive topologies［J］. Robotics and Autonomous Systems， 2017， 88：142-153.
22	GAO Y， GRAY A， TSENG H E， et al. A tube-based robust nonlinear predictive control approach to semiautonomous ground vehicles［J］. Vehicle System Dynamics， 2014， 52（6）： 802-823.
23	杨世春，曹耀光，陶吉. 自动驾驶汽车决策与控制［M］. 北京：清华大学出版社， 2020： 75-79.
	YANG Shichun， CAO Yaoguang， TAO Ji. Decision and control of autonomous driving vehicle［M］. Beijing： Tsinghua University Press， 2020： 75-79.
24	DING Y， ZHUANG W， WANG L， et al. Safe and optimal lane-change path planning for automated driving［J］. Proceedings of the Institution of Mechanical Engineers Part D Journal of Automobile Engineering， 2020， 235（4）： 095440702091373.
25	龙腾，刘莉，李怀建，等.可行方向SUMT外点法的研究及应用［J］. 系统工程与电子技术， 2011， 33（3）： 685-689.
	LONG T， LIU L， LI H， et al. Study and application of feasible direction SUMT exterior penalty method［J］. Systems Engineering and Electronics， 2011， 33（3）： 685-689.

[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]	秦洪懋,沈国利,周云水,黄圣杰,秦晓辉,谢国涛,丁荣军. 特征稀疏场景下基于标签的车辆视觉SLAM[J]. 汽车工程, 2023, 45(9): 1543-1552.
[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]	郑燚,张世民,陆云龙. 基于AUTOSAR的域控制器以太网通信系统设计实现[J]. 汽车工程, 2023, 45(6): 965-973.
[5]	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.
[6]	胡杰,刘昊岩,张敏超,张志豪,朱琪,陈锐鹏,骆嫚. 基于有限状态机的代客泊车决策规划系统研究[J]. 汽车工程, 2023, 45(2): 243-252.
[7]	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.
[8]	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.
[9]	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.
[10]	李江坤,邓伟文,任秉韬,王文奇,丁娟. 基于场景动力学和强化学习的自动驾驶边缘测试场景生成方法[J]. 汽车工程, 2022, 44(7): 976-986.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.