智能网联汽车技术专题-规划&决策2023年
为提高智能车的路径跟随精度和行驶平稳性，提出一种基于改进纯跟踪的路径跟随方法。首先建立纯跟踪路径跟随模型，分析纯跟踪模型在初始偏差条件下的控制效果；然后将航向偏差作为反馈变量对纯跟踪方法进行补偿，并以横向偏差和航向偏差为输入、以补偿权重为输出，采用类模糊方法实现补偿权重的动态调节；最后通过实车试验选定控制参数，并验证所提方法的控制性能。结果表明，该方法在不同初始偏差和不同目标行驶速度下能够实现偏差的快速消除，并保证行驶平稳性，具有较好的路径跟随效果，运算耗时较少。
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。
针对当前代客泊车研究中对泊车规划起始点的位姿要求较高的问题，提出一种基于分层有限状态机的代客泊车系统决策方法，设计车辆上层功能状态机与下层行为状态机，根据车辆所处环境与定义规则，建立车辆各行为状态之间的逻辑切换关系，完成车辆代客泊车与定点召回功能。为确保车辆在进入泊车状态前处于不确定状态与位姿的情况下，针对垂直车位完成车辆泊入路径的规划，采用多段路径规划，同时对行车与泊车切换区域进行计算，保证车辆在不同位姿情况下，均可以规划出泊车路径。最终通过实车试验，验证了该代客泊车系统方案的可行性与可靠性。
在多障碍物非结构化场景中，传统混合A*算法存在计算效率低、路径平滑性差的问题。针对该问题，本文提出了一种基于密度聚类算法（density-based clustering，简称DBSCAN）与二分法的混合A*路径规划方法。首先，设计基于DBSCAN算法的障碍物聚类方法，简化多障碍物非结构化场景，避免混合A*算法在类U形障碍物群附近的无效节点拓展，有效提高算法效率。然后，提出基于二分法的状态节点拓展策略，能够在不显著增加混合A*算法计算复杂度的前提下，搜索出一条更平滑的路径。最后，基于MATLAB进行仿真。结果表明，在多障碍物非结构化场景中，本文提出的改进混合A*算法可以显著提升计算效率并改善路径平滑性。
目前对于智能车全局路径规划的研究多数只针对从起点到终点的情况。针对该问题，本文中融合改进A*和模拟退火算法，设计了一种引入必经点约束的全局路径规划算法。首先，基于A*算法计算关键节点间的最短路径并保存。然后，基于启发式算法中的模拟退火算法对过必经节点的全局路径进行迭代随机优化。接着，基于真实高精度地图对算法的有效性以及时间复杂度进行实验分析。结果表明，设计的算法在求解质量和求解速度方面都有较好的表现。最后，通过实车实验，进一步验证了算法的有效性和适应性。
强化学习的发展推动了自动驾驶决策技术的进步，智能决策技术已成为自动驾驶领域高度关注的要点问题。本文以强化学习算法发展为主线，综述该算法在单车自动驾驶决策领域的深入应用。对强化学习传统算法、经典算法和前沿算法从基本原理和理论建模等方面进行归纳总结与对比分析。针对不同场景的自动驾驶决策方法分类，分析环境状态可观测性对建模的影响，重点阐述了不同层次强化学习典型算法的应用技术路线，并对自动驾驶决策方法提出研究展望，以期为自动驾驶决策方案研究提供有益参考。
为了提高履带式无人平台的轨迹跟踪性能，提出了一种考虑纵向速度规划的分层轨迹跟踪算法并进行了联合仿真验证和实车验证。在建立了包含履带的滑移滑转率和质心侧偏角的车辆运动微分方程的基础上，完成分层轨迹跟踪算法框架的构建。上层基于伪谱法的速度规划算法根据路面信息进行纵向速度规划，并将规划的速度作为目标车速下发给下层基于线性时变模型预测控制（LTV-MPC）的轨迹跟踪算法。基于LTV-MPC的算法通过建立预测模型和约束条件，二次规划求解出两侧电机的目标转速。通过Matlab/Simulink和RecurDyn的联合仿真以及实车验证了所提出的算法在不同地面条件下具有良好的轨迹效果。
针对混合交通中人类驾驶汽车引起的碰撞隐患，提出一种考虑驾驶员误差的无信控交叉口集中式轨迹规划方法。首先，以最优控制框架设计了多车协同轨迹规划方法，以运动时间、燃油经济性和行车延误建立复合优化目标。其次，通过实车试验采集不同驾驶员的操作数据集，建立加速度误差的马尔科夫链误差转移概率矩阵。最后，基于车辆碰撞估计结果对可能发生事故情况进行重规划计算，并在不同自动驾驶市场渗透率工况下进行仿真验证。仿真结果表明，碰撞发生率和平均重规划次数与渗透率负相关。采用重规划方法后交叉口内的规划成功率可达90%以上，且燃油经济性等交通指标得到改善。
当多辆自动驾驶车辆在结构化道路上执行换道合流任务时，需要综合考虑转向和合流动作以避免事故的发生，同时曲率和周车车速的变化也增大了协同控制的难度。本文聚焦上述问题，提出了面向变曲率道路的多车换道博弈运动规划与协同控制方法。首先，建立曲率坐标系下的多车模型来解析车间安全距离及动力学状态。其次，通过系统地考虑道路曲率变化及周围车辆信息，提出基于博弈的多车换道运动规划算法，采用分布式框架快速求解兼顾个性化驾驶的最优速度轨迹及换道时机。最后，基于B样条曲线高效识别道路曲率及规划轨迹，构建了自适应时变预测控制算法实现轨迹跟踪，其特点在于单步参数矩阵实时更新，消除车速和曲率频繁变化带来的控制偏差累积。实验结果表明，相比斯坦利（Stanley）方法，能降低58%的跟踪误差；相较协同自适应巡航方法，能减少74%的合流时间；另外计算求解效率也仅为集中式模型预测控制方法的10%。
运动规划是自动驾驶系统生成轨迹的关键模块，现有运动规划多采用路径和速度解耦的方法，但解耦的规划方法在复杂动态场景下易陷入轨迹次优。本文提出了一种基于搜索和数值优化结合的时空联合运动规划方法，直接求解可行驶轨迹。首先使用改进混合A*在时空范围内进行轨迹粗搜索获得初始轨迹，然后以初始轨迹为参考构建可行驶时空走廊，并综合考虑车辆动力学和轨迹连续性约束等条件，使用数值优化的方法进一步平滑初始轨迹。选取换道超车和旁车切入两类典型复杂动态场景进行仿真测试，结果表明，所提时空联合规划方法相较于传统时空解耦规划方法更加灵活、规划结果更加合理，同时具有较好的计算实时性。
为提高智能车在不同速度和载荷下的路径跟随精度和稳定性，提出一种基于反馈纯跟踪的智能车路径跟随方法。首先，基于车辆运动学模型和纯跟踪模型分析影响控制效果的因素；然后根据车辆速度和路径曲率动态调整前视距离，将横向偏差作为反馈变量对传统纯跟踪控制方法进行补偿；接着通过仿真试验选定控制参数，分析控制参数对路径跟随精度和车辆稳定性的影响；最后通过实车试验，验证该方法在实车环境中的控制性能。结果表明，该方法具有较高的路径跟随精度，在不同速度和载荷下保持良好的适应性和稳定性。
针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。
随着物联网、V2X和智慧城市等技术的广泛应用，大量的车辆轨迹数据得以记录保留。利用这些轨迹数据可以提取相关信息，例如计算最优路径、检测异常驾驶行为、监测城市交通流量以及预测车辆下一个位置等，轨迹聚类是关键技术之一。密度峰值聚类（density peaks clustering，DPC）作为一种简单有效的基于密度的聚类算法，算法中局部密度的定义未充分考虑数据样本密度分布不均时密度差异的影响，也没有适用于汽车行驶轨迹的相似性度量。此外，算法在遇到相对高维的数据时效果不佳。本文通过引入k近邻思想（k-nearest neighbor，KNN）和主成分分析法（principal component analysis，PCA）并且改进相似性度量，提出了一种适用于汽车行驶轨迹的密度峰值聚类算法。该算法首先使用PCA对高维数据进行预处理；然后采用k近邻思想重新定义局部密度；最后通过重新定义轨迹间的距离函数，摒弃了欧氏距离对分配策略的不良影响。通过对人工合成数据集的实验，证明了算法的可行性；同时算法的有效性也在实际汽车行驶轨迹数据上得到了验证。
针对平行车位自动泊车高精度轨迹规划，提出一种联立多阶段划分和非均匀Gauss配点参数化的轨迹优化算法。首先，结合车辆泊车动力学方程和约束条件建立了平行自动泊车数学模型；然后，根据泊车过程，提出将泊车过程划分为泊车起动、接近车位、进入车位、姿态调整、泊车落位5个阶段，并建立各阶段对应的不等式约束条件；进一步，在伪谱法算法框架下，结合阶段约束给出了多阶段局部高斯配点策略，以此实现分阶段独立配点离散，从而提高泊车轨迹规划的精准度和适应性；最后，在通用小型汽车模型上在长短车位上进行仿真测试，验证提出方法的正确性和适应性。结果显示，相较于分段区域Gauss伪谱法，改进方法在获得平滑泊车轨迹的同时泊车时间平均减少2.976 s，时间性能提升21.7%，表明了所提算法的有效性。
研究动态环境下的自动驾驶车辆换道避障模型预测轨迹规划。首先定义坐标系及动态换道避障场景，确定车辆换道避障轨迹规划的行驶约束条件，搭建被控车辆和障碍物车辆模型；然后设计自适应分段贝塞尔曲线拟合算法用以拟合换道避障轨迹规划的离散点序列；进一步采用模型预测控制算法，设计自动驾驶车辆换道避障轨迹规划方法。最后，对动态环境下自动驾驶车辆换道避障模型预测轨迹规划进行仿真分析，结果表明：本文的换道避障轨迹规划方案能够使被控车辆在动态环境下完成障碍物的规避并保持稳定状态；所设计的自适应分段贝塞尔曲线拟合算法拟合轨迹连续且光滑，换道避障轨迹规划提供的离散点序列与贝塞尔曲线对应点的拟合残差保持在设定阈值内。
在现有端到端的深度学习自动驾驶框架中，普遍存在规划控制预测精度低的问题，这往往是由于输入数据源单一、无法兼顾时间和空间信息而导致的。为更好地体现虚拟仿真测试中自车与环境、交通参与者的历史交互过程对当前时刻决策的影响，本文设计了一种用于自动驾驶仿真环境下车辆运动规划任务的多级时空注意力长短期记忆网络。该算法提取和表征自动驾驶环境的深层抽象信息，并在仿真平台中实现端到端的车辆运动控制。首先，将前视摄像头模型获取的RGB仿真数据的历史连续视频帧序列作为输入，使用卷积模块提取单一时刻图像的空间特征；其次，使用LSTM模块融合图像历史时刻的空间信息，从而获得时间上下文特征。同时，为提高对时空关键信息的提取能力并加速网络收敛，本文在多级时空特征的融合部分采用了时空注意力机制。本研究在Carla仿真平台上进行了测试验证，实验结果表明本文所提出的方法相比单一时空算法更能精确地模仿人类驾驶决策行为。
有效融入车道线信息对准确预测车辆未来行驶轨迹具有重要意义。针对预测模型在融合车道线信息时存在效率低的问题，提出一种基于车道目标引导的车辆轨迹预测方法（GSA），在通过图网络融合车道段的几何及位置信息的基础上，从注意力模型出发，构建一种直接的车道目标点预测模块，由此监督模型将与车辆运动相关联的车道目标特征有效地融合到车辆的运动特征中，并考虑到周围车道拓扑结构随时间的变化。通过两个改进残差结构的Transformer网络依次提取低层运动特征以及融合车道目标点在时间尺度下的前后关联信息，逐步更新车辆运动特征。构建基于图网络的交互融合模块，使车辆运动特征在全局范围内聚合与传播。通过在Argoverse以及长安汽车轨迹预测数据集下的实验，验证了本文所提出的GSA方法能够有效提高复杂交通场景下车辆轨迹预测的精度和质量。
本文提出了一种考虑预测风险的自动驾驶车辆运动规划方法，该方法基于模型预测控制算法，同时融合了周围车辆未来轨迹的交互预测及其风险。首先，将车与车之间的交互建模成图结构，建立感知交互的运动预测模型；其次，训练多个同构异参的预测模型，利用集成技术来获得预测网络对于预测结果的不确定性风险；然后，基于获得的预测算法不确定性风险，利用模型预测控制算法来处理风险，通过在优化问题约束中综合考虑安全约束、车辆物理属性约束等，设计了考虑预测不确定性风险的自动驾驶运动规划方法；最后，基于真实驾驶数据集数据和SUMO仿真平台，对建立的预测模型的运动预测能力、基于模型预测控制的运动规划方法的有效性以及运动规划处理预测风险的能力进行了验证。仿真结果表明，在面对周围车辆的紧急加减速等预测风险较高的场景时，本文提出的运动规划方法能够感知到预测算法的不确定性风险并采取动作来规避风险，可提升道路驾驶安全性。
实现个性化且符合驾驶员偏好的运动规划对提高驾驶员对自动驾驶系统接受度具有重要意义。本文提出了一种考虑驾驶员偏好的运动规划奖励函数设计方法。首先，基于效用理论提出了一个量化驾驶员轨迹偏好的双层结构模型，上层效用评估模型量化驾驶员在安全、舒适性和效率之间的权衡过程；下层的驾驶员感知模型量化了驾驶员对安全、舒适性和效率方面的主观感受与轨迹特征指标之间的关系。接着，分别基于评分和配对比较两种评价方法提出了轨迹偏好模型的估计方法。最后，通过驾驶员模拟器评价试验对模型估计方法进行验证，每个试验者分别采用评分和配对比较的方式对多条轨迹进行了主观评价。基于获取的两种评价结果及计算得到的轨迹特征，分别用两种方法对驾驶员轨迹偏好模型进行了估计。结果表明，提出的模型能够较为准确地描述驾驶员的偏好评价过程，而基于配对比较的模型估计结果则更准确。
自动驾驶系统的运行环境复杂多样。考虑到传感器本身的性能局限及感知算法在特定触发条件下的功能不足，自动驾驶系统上游感知结果不可避免地会出现错误。因此针对自动驾驶决策规划系统在上游数据错误情况下的抗扰性测试对保证自动驾驶安全性至关重要。为此，本文首先提出基于6层场景本体模型的数据模型和包含4类不确定性错误模式的错误模型，并进一步构建了一个通用的错误注入框架SOFIF以实现对上游数据的修改。最后，本文基于硬件在环仿真测试并提出危害率作为量化评价指标，对比分析了两个被测决策规划系统在存在不确定性错误模式下的抗扰性表现。实验得到两个被测系统的危害率分别为0.89和0.64，表明两被测系统的抗扰性存在较大差距，并进一步证明了SOFIF的有效性。
智能网联汽车技术专题-规划&决策2023年
