一种仿优秀驾驶员的无人车换道路径规划方法与流程

本发明涉及无人驾驶车辆技术领域，具体涉及无人驾驶车辆换道路径规划方法。

背景技术：

随着社会的发展，车辆保有量急剧增加，随之而来的就是事故频发，造成财产损失。事故主要是驾驶员的不当操作所造成的。无人驾驶车辆可以将“人”这一不稳定因素去除，由电脑直接控制车辆，大大提高了行车安全性。因此，无人驾驶技术得到了越来越多的重视。

路径规划是无人驾驶关键技术之一，可以根据车辆的行驶车速以及环境状况等信息，规划出一条可以使无人驾驶车辆安全平稳行驶的路径。

据研究表明，乘坐智能汽车时，出现晕车现象人员的比例大大高于乘坐传统车辆时的比例。究其原因是无人驾驶车辆行驶的路径与实际驾驶员驾驶车辆的行驶路径有很大差别，在转向时不能够使车辆平稳行驶。因此，有必要改进无人驾驶车辆路径规划方法，提高车辆行驶稳定性。

国家专利201110007154.x提出使用人工势场法的引力点函数，规划无人驾驶车辆行驶路径，但是在转弯处的路径曲率不连续，影响车辆的行驶稳定性。

优秀驾驶员在驾驶车辆时，会根据车辆信息以及环境信息规划出一条最优的行驶路径，然后操作方向盘、加速踏板或制动踏板，使车辆沿着规划好的路径平稳行驶。虽然无人驾驶车辆可以根据相关信息，使用一些先进算法进行规划路径。但由先进算法所生成的路径与实际驾驶员行驶的路径有很大差别，这就使得无人驾驶车辆的舒适性较差。通过学习优秀驾驶员在不同工况下的行驶路径，使无人驾驶车辆可以像由优秀驾驶员驾驶一样平稳行驶。

技术实现要素：

为了提高无人驾驶车辆的舒适性和稳定性，本发明提出了一种仿优秀驾驶员的无人车换道路径规划方法，可以根据车辆行驶信息和环境信息，规划出一条仿优秀驾驶员驾驶的换道行车路径，使无人车行驶更加平稳。

本发明解决技术问题所采取的技术方案如下：

一种仿优秀驾驶员的无人车路换道路径规划方法，其方法包括如下步骤：

步骤1：建立基于遗传优化bp神经网络的优秀驾驶员模型，使用大量换道实验数据进行训练，使模型达到预定精度。

步骤2：根据环境感知模块得到环境信息，如车道宽，障碍物位置，根据车速传感器得到当前车辆行驶速度。

步骤3：根据步骤2中得到的障碍物位置和车速信息，决定换道意图。

步骤4：以障碍物位置、车速、换道意图以及驾驶类型为输入，通过优秀驾驶员模型计算，输出当前工况下换道行驶路径的第一部分。

步骤5：根据步骤4中得到的第一部分行驶路径，将第一部分路径绕连接点进行旋转180°，得到整个换道路径。

进一步，所述步骤1具体如下：

步骤1.1邀请五位经验丰富的驾驶员进行换道实车试验，根据他们的驾驶特性，把五位驾驶员分为激进型、中间型和保守型。试验车上装备有gps设备，用来记录实际行驶路径。分别请每位驾驶员保持20km/h、30km/h、40km/h、50km/h的速度，以不同的换道意图和不同障碍物位置进行换道试验，记录行驶路径。每组试验进行三次，挑选最优的一组数据作为此工况下的最终试验数据。

步骤1.2将换道行驶路径根据转向盘输入角分为两个部分，开始转向后至转向盘转角第一次为零时的这段路径为第一部分，剩下的行驶路径为第二部分。

步骤1.3使用三次多项式对路径第一部分进行拟合，使路径起点与坐标系原点重合，得到第一部分路径函数表达式：

其中a1*、a2*、a3*为多项式系数，由函数拟合得到。

步骤1.4建立遗传优化bp神经网络模型，输入为驾驶类型、车速、换道意图以及障碍物位置，输出为第一部分路径三次函数表达式的各项系数，以试验数据进行训练，建立基于遗传优化bp神经网络的优秀驾驶员模型。

进一步，所述步骤3具体如下：

步骤3.1根据环境感知模块得到障碍物位置，计算障碍物距自车的距离为d，根据车速传感器得到此时车速为v。

步骤3.2若d>60m或30m<d<60m，且v<40km/h，则为普通换道意图；其余则为紧急避障换道意图。

进一步，所述步骤4具体如下：

步骤4.1根据乘车人的选择，确定驾驶类型。

步骤4.2将根据步骤2得到的障碍物位置、车速和根据步骤3得到的换道意图以及步骤4.1确定的驾驶类型等四个参数为输入，经过步骤1得到的基于遗传优化bp神经网络的优秀驾驶员模型进行计算，得到仿优秀驾驶员换道第一部分路径表达式为：

y＝a3x³+a2x²+a1x(2)

其中a1、a2、a3为路径三次多项式系数，由遗传优化bp神经网络得到。

进一步，所述步骤5具体如下：

步骤5.1根据环境感知模块得到所行驶道路的车道宽为2b。

步骤5.2根据步骤4得到的换道第一部分路径表达式，为了使两部分路径在连接点处的切线方向相同，将第一部分路径绕连接点旋转180°，得到第二部分路径。

步骤5.3根据步骤5.1得到的车道宽和步骤5.2得到的第二部分路径函数表达式，则整个换道路径函数表达式为：

其中，a为满足等式b＝a3·a³+a2·a²+a1·a的值。

本发明有益效果：

本发明通过大量的实车换道试验，研究实际换道路径的影响因素，建立优秀驾驶员模型。能够根据不同的行驶工况，规划出一条仿优秀驾驶员行驶的换道路径，能够提高车辆的行驶稳定性，增加乘客的舒适性。

附图说明

图1是仿优秀驾驶员的换道路径规划方法的结构图。

图2是遗传优化bp神经网络模型流程图。

图3是换道行驶路径示意图。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明。

如图1所示，本发明提供了一种仿优秀驾驶员的无人车换道路径规划方法，包括以下步骤：

步骤1：建立基于遗传优化bp神经网络的优秀驾驶员模型，使用大量换道实验数据进行训练，使模型达到预定精度。

进一步，所述步骤1具体如下：

步骤1.1邀请五位经验丰富的驾驶员进行换道实车试验，根据他们的驾驶特性，把五位驾驶员分为激进型、中间型和保守型。试验车上装备有gps设备，用来记录实际行驶路径。分别请每位驾驶员保持20km/h、30km/h、40km/h、50km/h的速度，以不同的换道意图和不同障碍物位置进行换道试验，记录行驶路径。每组试验进行三次，挑选最优的一组数据作为此工况下的最终试验数据。

步骤1.2将换道行驶路径根据转向盘输入角分为两个部分，开始转向后至转向盘转角第一次为零时的这段路径为第一部分，剩下的行驶路径为第二部分。

步骤1.3建立车辆坐标系，以开始转向时车辆质心为原点，车辆前进方向为x轴正方向，y轴正方向指向驾驶员左侧。使用三次多项式对路径第一部分进行拟合，使路径起点与坐标系原点重合，得到第一部分路径函数表达式：

步骤1.4建立遗传优化bp神经网络模型，输入为驾驶类型、车速、换道意图以及障碍物位置，输出为第一部分路径三次函数表达式的各项系数，以试验数据进行训练，建立基于遗传优化bp神经网络的优秀驾驶员模型。

如图2所示为遗传优化bp神经网络模型流程图，具体如下：

步骤1.4.1确定神经网络的拓扑结构：隐含层节点数m，输入层节点数n，输出层节点数l。

步骤1.4.2初始化遗传算法种群，生成规模为p的初始种群x＝(x1,x2,…,xp)^t。根据神经网络的拓扑结构，采用实数编码的方式得到种群个体xi＝(x1,x2,…,xs)，作为遗传算法中一个染色体。染色体长度为

s＝n×m+m×l+m+l(4)

式中，m为隐含层节点数，n为输入层节点数，l为输出层节点数。

步骤1.4.3确定适应度函数，使用染色体对bp神经网络的连接权值和阈值进行赋值，输入样本进行神经网络训练，得到一个网络输出值oi，则种群中个体xi的适应度函数为

式中，yj为期望输出训练值，k为系数。

步骤1.4.4选择操作，本发明采用轮盘赌法选择算子，则每个个体xi被选中的概率pi为：

fi＝k/fi(6)

步骤1.4.5交叉操作，第k个染色体与第l个染色体在第j位基因的交叉操作为：

其中，xkj为第k个染色体的第j位基因，xlj为第l个染色体的第j位基因，b为[0,1]间的随机数。

步骤1.4.6变异操作，第i个染色体第j个基因的变异操作为：

其中，xmin和xmax分别为基于xij的最小值和最大值，r为[0,1]间的随机数，r2为一个随机数，g为当前迭代次数，gmax为最大进化次数，xij为第i个染色体第j个基因。

步骤1.4.7计算适应度值，判断是否满足终止条件，获得bp神经网络最优初始权值和阈值。通过判断bp神经网络误差值是否满足精度要求，调整权值和阈值，获得最优的网络权值和阈值。

步骤2：根据环境感知模块得到环境信息，如车道宽，障碍物位置，根据车速传感器得到当前车辆行驶速度。

步骤3：根据步骤2中得到的障碍物位置和车速信息，决定换道意图。

进一步，所述步骤3具体如下：

步骤3.1根据环境感知模块得到障碍物位置，计算障碍物距自车的距离为d，根据车速传感器得到此时车速为v。

步骤3.2若d>60m或30m<d<60m，且v<40km/h，则为普通换道意图；其余则为紧急避障换道意图。

步骤4：以障碍物位置、车速、换道意图以及驾驶类型为输入，通过优秀驾驶员模型计算，输出当前工况下换道行驶路径的第一部分。

进一步，所述步骤4具体如下：

步骤4.1根据乘车人的选择，确定驾驶类型。

步骤4.2将根据步骤2得到的障碍物位置、车速和根据步骤3得到的换道意图以及步骤4.1确定的驾驶类型等四个参数为输入，经过步骤1得到的基于遗传优化bp神经网络的优秀驾驶员模型进行计算，得到仿优秀驾驶员换道第一部分路径表达式为：

y＝a3x³+a2x²+a1x

步骤5：根据步骤4中得到的第一部分行驶路径，将第一部分路径绕连接点进行旋转180°，得到整个换道路径。

进一步，所述步骤5具体如下：

步骤5.1根据环境感知模块得到所行驶道路的车道宽为2b。

步骤5.2根据步骤4得到的换道第一部分路径表达式，为了使两部分路径在连接点处的切线方向相同，将第一部分路径绕连接点旋转180°，得到第二部分路径。如图3所示为换道行驶路径示意图。

步骤5.3根据步骤5.1得到的车道宽和步骤5.2得到的第二部分路径函数表达式，则整个换道路径函数表达式为：

其中，b＝a3·a³+a2·a²+a1·a。其中，a为满足等式b＝a3·a³+a2·a²+a1·a的值。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。