自動駕駛技術(shù)是智慧交通、智慧城市的重要組成部分,對人類的生產(chǎn)、生活將會產(chǎn)生重要的意義。在無人駕駛技術(shù)的各個(gè)算法模塊中,運(yùn)動規(guī)劃模塊起著承上啟下的作用,負(fù)責(zé)將感知系統(tǒng)、定位系統(tǒng)、預(yù)測系統(tǒng)的信息實(shí)時(shí)處理,以此規(guī)劃出一條安全、舒適的行駛軌跡交由控制模塊執(zhí)行。在中高速的場景下自車周圍的交通情況瞬息萬變,如何高效、實(shí)時(shí)地規(guī)劃出安全、舒適的行駛軌跡充滿挑戰(zhàn)。為此,本文以中高速超車場景下的無人車運(yùn)動規(guī)劃為研究內(nèi)容展開。中高速超車場景中的運(yùn)動規(guī)劃問題存在以下幾個(gè)特殊性:自身車輛高速行駛,其運(yùn)動狀態(tài)需要被精準(zhǔn)的建模;周圍的交通情況瞬息萬變,與高速行駛的障礙車輛相關(guān)的免碰撞約束條件難以建立;多約束、非線性的優(yōu)化問題計(jì)算復(fù)雜度高,且容易求解失敗�，F(xiàn)有的參數(shù)化曲線方法、搜索類方法、數(shù)值優(yōu)化方法和學(xué)習(xí)類方法通常使用質(zhì)點(diǎn)模型、運(yùn)動學(xué)模型或光滑曲線描述自身車輛的運(yùn)動狀態(tài),這樣的建模方法不能準(zhǔn)確描述車輛高速時(shí)的運(yùn)動狀態(tài),所規(guī)劃的軌跡控制模塊難以跟蹤,容易造成車輛的甩尾和傾側(cè)。將周圍車輛虛擬為多個(gè)連續(xù)靜態(tài)障礙物的環(huán)境建模方法也存在不足,當(dāng)交通流密度增加時(shí)這樣的處理方法使得可行駛區(qū)域狹小,造成軌跡規(guī)劃失敗。針對中高速超車... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院深圳先進(jìn)技術(shù)研究院)廣東省

【文章頁數(shù)】：65 頁

【學(xué)位級別】：碩士

【部分圖文】：

自動駕駛車輛技術(shù)框架[14]

中高速超車場景下基于模型預(yù)測的無人車運(yùn)動規(guī)劃41.2.2搜索類的方法無人駕駛車輛屬于一種輪式移動機(jī)器人，運(yùn)動規(guī)劃、避障在機(jī)器人研究領(lǐng)域已經(jīng)研究多年。主要的研究思路是前端模塊完成粗略的路徑搜索，后端模塊進(jìn)行路徑的平滑。在前端的軌跡搜索方面主要有兩大類方法，一種是圖搜索方法，另一種是隨機(jī)采樣方法。用于軌跡搜索的圖通常有以下幾種類型：1)位狀態(tài)柵格地圖。通常依據(jù)感知系統(tǒng)采集的環(huán)境信息，將其離散化成柵格，有障礙物的柵格標(biāo)記為1，可行駛的柵格標(biāo)記0。后續(xù)在此地圖上完成路徑搜索。2)狀態(tài)空間網(wǎng)格地圖。這類方法通常對系統(tǒng)的控制量進(jìn)行離散化，以系統(tǒng)的動力學(xué)模型進(jìn)行逐個(gè)遞推得到新的狀態(tài)，以此構(gòu)成一個(gè)高緯度的網(wǎng)格地圖用于下一步的軌跡搜索。3)路網(wǎng)地圖。結(jié)構(gòu)化道路有其特殊性，對沿著道路的中心線以一定的間隔進(jìn)行橫縱向的離散化，這樣可以大大降低搜索的維度。在圖搜索算法中Dijkstra算法、A*方法最具代表性。Dijkstra算法是一種廣度優(yōu)先算法，在搜索時(shí)有一定的盲目性，JonathanBohren根據(jù)交通流變化情況，使用該方法自適應(yīng)地計(jì)算航路點(diǎn)序列[7]。Ａ*算法是一種啟發(fā)式的搜索方法，當(dāng)啟發(fā)函數(shù)的估計(jì)值小于真實(shí)的代價(jià)時(shí)，可以確保搜索到最優(yōu)路徑，該算法通常應(yīng)用于柵格地圖的路徑搜索[8]。2008年的美國DAARPA比賽中斯坦福大學(xué)的Junior無人車使用了混合Ａ*算法，并最終取得了比賽的亞軍，后來Stentz等人提出了一種可在動態(tài)環(huán)境中完成最短路徑搜索的D*算法[9]，學(xué)者們又提出了多種對A*方法的改進(jìn)方法，如FieldD*[10],Theta*[11]和AnytimeD*(AD*)[12]。圖1.2Junior無人車使用的混合A*算法

第1章引言5在隨機(jī)采樣方法中，概率圖模型（PRM）[13]和快速搜索隨機(jī)樹（RRT）[14]最具代表性，這類方法可以解決高維空間中的規(guī)劃問題。在文獻(xiàn)[15]和文獻(xiàn)[16]中討論采樣方法的一些改進(jìn)方法。Yoshiak[17]將RRT算法應(yīng)用于路徑的實(shí)時(shí)增量式搜索，但是規(guī)劃出來的的路徑不是最優(yōu)的，且不穩(wěn)定、不連續(xù)。Karaman等人[18]開發(fā)了RRT*算法，該方法可以收斂至最優(yōu)，但難以解決復(fù)雜的多約束和曲率難以控制的問題。使用隨機(jī)采樣方法或圖搜索方法得到粗略的路徑后，可以使用平滑曲線或二次規(guī)劃方法完成路徑的平滑，最終交由控制模塊執(zhí)行。圖1.3狀態(tài)空間搜索方法中的運(yùn)動基元構(gòu)造基于狀態(tài)空間的搜索方法可以考慮車輛動力學(xué)約束和曲率連續(xù)約束，因此省略后端的軌跡平滑環(huán)節(jié)。Howard[19]對車輛的控制量進(jìn)行離散，使用車輛運(yùn)動學(xué)模型進(jìn)行狀態(tài)遞推，得到如圖所示的狀態(tài)空間網(wǎng)格[20]，通過構(gòu)建損失函數(shù)并使用動態(tài)規(guī)劃方法進(jìn)行求解，最終得出最優(yōu)的行駛軌跡。這類方法在低速場景中有著良好的表現(xiàn)，但不適合高速駕駛，當(dāng)對狀態(tài)量或控制量的離散程度增加時(shí)將會都導(dǎo)致計(jì)算復(fù)雜度大大增加。1.2.3數(shù)值優(yōu)化方法（1.1）（1.2）（1.3）數(shù)值優(yōu)化算法可以多約束、非線性的運(yùn)動規(guī)劃問題進(jìn)行建模，所以在規(guī)劃、控制領(lǐng)域得到了廣泛應(yīng)用[21]。通常將運(yùn)動規(guī)劃問題可以建模為公式1.1-1.3的優(yōu)化問題，基于安全性、舒適性考慮得到公式1.1的目標(biāo)函數(shù)，公式1.2和1.3為車輛運(yùn)動


本文編號：3402853