一种用于自动驾驶车辆的弯道行驶纵向控制方法与流程

本发明涉及自动驾驶技术领域，尤其涉及一种用于自动驾驶车辆的弯道行驶纵向控制方法。

背景技术：

经过数十年的发展，自动驾驶车辆传统的纵向控制技术越来越成熟，主要涉及传统控制理论方法的应用，如pid及其衍生算法、mpc、lqr等，而传统的弯道行驶纵向控制方法仅利用前方道路曲率最大曲率限制最大车速，获取安全车速，其基本控制算法仍为传统的纵向控制方法。

传统的控制方法均从控制理论的角度出发，忽略了驾驶员在自动驾驶中的角色，驾驶员作为自动驾驶车辆的使用者和监督者，在自动驾驶技术的发展中不可忽略。但传统的统一的自动驾驶控制性能无法满足每个驾驶员对驾驶的要求，尤其对于驾驶员弯道行驶的特性没有充分考虑。

直道纵向跟驰的研究已与驾驶员行驶数据相结合，并衍生出大量的成果，而弯道行驶纵向控制技术与驾驶员行驶数据相结合的研究较少，目前有研究利用神经网络进行自动驾驶车辆弯道类人行驶，但由于神经网络的不透明性和神经网络作为判别式模型本身所固有的缺点，其输出的控制量存在不连续的情况，且在研究中没有充分考虑驾驶员弯道行驶的阶段性特征，无法满足驾驶员对车辆行进主观舒适度的要求。因此，有必要提出一种用于自动驾驶车辆的弯道行驶纵向控制方法，解决现有方法鲜有考虑驾驶员的驾驶特性，弯道行驶控制不连续，舒适度不高的问题。

技术实现要素：

鉴于上述的分析，本发明旨在提供一种用于自动驾驶车辆的弯道行驶纵向控制方法，用以解决现有方法没有充分考虑单个驾驶员的驾驶特性，弯道行驶控制不连续，舒适度不高的问题。

本发明的目的主要是通过以下技术方案实现的：

本发明提供一种用于自动驾驶车辆的弯道行驶纵向控制方法，包括以下步骤：

根据车辆状态和行驶路径信息，判断车辆在弯道中的所处阶段；

根据车辆在弯道中的所处阶段，对车辆的行驶速度进行在线实时控制，将控制结果传递给加速度控制模块。

其中，所述车辆状态信息包括车辆速度、车辆加速度；所述行驶路径信息来源于gps数据和/或地图信息，包括根据gps数据和/或地图信息获取的车辆所处位置、当前曲率；所述车辆在弯道中的所处阶段包括入弯行驶阶段、出弯行驶阶段、弯内行驶阶段。

具体的，判断车辆在弯道中的所处阶段是根据当前曲率ρc和前视曲率ρp的数值关系进行的，判定方法为：

当ρc＜ρp且ρc接近于0，则判断车辆处于入弯阶段；

当ρc＞ρp且ρp接近于0，则判断车辆处于出弯阶段；

当ρc和ρp相近，则判断车辆处于弯内行驶阶段。

当判断为弯内行驶阶段，计算当前车速与当前曲率下弯道内舒适行驶速度的差值，作为期望加速度传递给下层加速度跟踪模块进行实时控制；

当判断为入弯阶段或出弯阶段，则根据训练得到的驾驶员模型，采用gmr方法实时输出期望加速度，并传递给下层加速度跟踪模块进行实时控制。

当判断为入弯阶段或出弯阶段的情况下，所述驾驶员模型是通过对gmm模型进行训练得到的，驾驶员模型的训练方式包括：

s1.采集驾驶员弯道自由行驶数据；

s2.基于采集到的驾驶员弯道自由行驶数据，获取弯道行驶特征量；

s3.利用弯道行驶特征量训练gmm模型，得到驾驶员模型。

其中，弯道内舒适行驶速度的计算方法为：判定车辆处于弯内行驶阶段的情况下，提取弯内行驶阶段对应的速度信息，求取均值，作为弯内行驶舒适车速。

采集的弯道自由行驶数据包括：当前车速、当前曲率、当前曲率、车辆加速度；所述弯道行驶特征量包括：当前车速、当前曲率、前视曲率、加速度。

步骤s2还包括对采集到的驾驶员弯道自由行驶数据进行处理：

确认数据无丢包现象，去除冗余数据，提取弯道行驶特征量；

对提取的弯道行驶特征量进行中值滤波，再采用移动平均法进行数据的均值滤波和降噪平滑；

以及对弯道行驶特征量进行归一化处理。

步骤s3进一步包括：

选取聚类个数k；对提取的特征数据进行多次k-means聚类，选取对数似然函数值最大的一次聚类结果进行gmm模型参数的初始化；

然后采用em算法对gmm模型进行训练；

训练结束后存储模型的对数似然函数值；

依次选取不同的聚类个数k，分别进行训练，得到对应的对数似然函数值；

选取最大的一个对数似然函数值对应的gmm模型作为最终的驾驶员模型。

优选的，所述聚类个数k的取值为5至40。

本发明有益效果如下：

本发明提出的用于自动驾驶车辆的弯道行驶纵向控制方法，充分考虑了单个驾驶员的驾驶特性，从统计学的角度构建驾驶员模型，使模型具有良好的概率统计特征和可解释性；并充分考虑驾驶员的弯道行驶特征，将驾驶员的弯道行驶分为入弯行驶、弯内行驶和出弯行驶三部分，并在入弯行驶和出弯行驶阶段采用具有概率意义的生成式模型—gmm-gmr模型。通过建立的驾驶员模型可实时生成连续的控制量，可达到驾驶员对固定舒适性指标的要求，并提高驾驶员对自动驾驶技术的接受度。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分的从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。

图1为驾驶员弯道行驶纵向驾驶阶段的示意图；

图2为用于自动驾驶车辆的弯道行驶纵向控制的整体示意图；

图3为数据采集流程图；

图4是gmm模型训练流程图；

图5是弯道特征数据示例曲线图。

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理。

本发明中车辆行驶的弯道是根据国家道路建设相关规定，弯道建设时道路线型为平曲线，而平曲线包括圆曲线和缓和曲线(clothoid曲线，即曲率连续变化的曲线)，一段典型的弯道建设如图1所示，包括入弯段直线，入弯段缓和曲线、圆曲线和出弯段缓和曲线、出弯段直线。本发明中驾驶员的弯道行驶特性也符合道路建设情况。

本发明的一个具体实施例，公开了一种用于自动驾驶车辆的弯道行驶纵向控制方法，如图2所示，具体包括以下步骤：

步骤s1.根据车辆状态和行驶路径信息，判断车辆在弯道中的所处阶段。其中，所述车辆状态信息包括车辆速度、车辆加速度等；所述行驶路径信息来源于gps数据和/或地图信息等，根据gps数据和/或地图信息可以获取车辆所处位置，当前位置路点的曲率；所述车辆在弯道中的所处阶段包括入弯行驶阶段、出弯行驶阶段、弯内行驶阶段。

具体的，判断车辆在弯道中的所处阶段是根据当前曲率ρc和前视曲率ρp的数值关系进行判定的，所述当前曲率ρc和前视曲率ρp可由地图提供，也可由地图提供的路径点经最小二乘法拟合获得，判定方法为：

当ρc＜ρp且ρc接近于0，则判断车辆处于入弯阶段，

当ρc＞ρp且ρp接近于0，则判断车辆处于出弯阶段；

当ρc＝ρp±δ，即当前曲率和前视曲率相近的原则，则判定车辆处于弯内行驶阶段。优选的，优选的δ取值为0.1ρc。

其中，ρc、ρp接近于0的判定条件为小于0.001，在道路半径大于1000米时，驾驶员的驾驶行为表现为直道驾驶行为。所以该处曲率接近于0的判定条件为小于0.001。

步骤s2.根据车辆在弯道中的所处阶段，对车辆的行驶速度进行在线实时控制，将控制结果传递给加速度控制模块。

具体的，

当判断为弯内行驶阶段，此时计算当前车速与该曲率下驾驶员舒适车速的差值，作为期望加速度传递给下层加速度跟踪模块进行实时控制；

当判断为入弯阶段或出弯阶段，则根据前期训练得到的驾驶员模型，采用gmr(高斯混合回归)，以当前车速、当前曲率，前视曲率φi＝(νc,ρc,ρp)为输入量，实时输出期望加速度φi＝ac，并传递给下层加速度跟踪模块进行实时控制。

所述加速度控制模块是基于增量式pid算法，将期望加速度进行处理并转化为加速控制参量和制动控制参量，将参量分别输出给底层执行机构(包括加速机构和制动机构)，由底层执行机构执行相应控制。

具体的，所述驾驶员模型是一种用于自动驾驶车辆的弯道自由行驶的纵向个性化驾驶员模型，本发明通过对gmm模型进行训练得到的。驾驶员模型的离线训练方式包括：

1.采集驾驶员弯道自由行驶数据，如图3。

数据采集是在弯道自由行驶的状态下进行的，弯道自由行驶是指驾驶员在弯道行驶过程中前方移动障碍物距离本车较远，不影响驾驶员的操作。

采集的弯道自由行驶数据主要包括当前车速ν，当前曲率ρc，前视曲率ρp和车辆加速度a，其中，当前车速ν可由车速传感器获得，当前曲率ρc和前视曲率ρp可由地图提供，也可由地图提供的路径点经最小二乘法拟合获得，加速度a可由惯性导航单元获得，也可离线处理车速信息获得。

优选地，当前曲率ρc为离车辆质心最近的路径点处的曲率，前视曲率ρp为道路上驾驶员前视距离长度处路径点的曲率。

行驶数据的采集可以来源于实际车辆的行驶数据，和/或来源于进行测试的驾驶人员在仿真环境下的行驶数据。

其中，首先采集驾驶员弯道自由行驶的数据，车辆需安装有车速传感器、gps、存储有地图信息(或实时接收前方道路信息)的装置和惯性导航单元，其中车速传感器提供车辆当前车速ν信息，高精度gps定位当前车辆位置，根据其定位信息可获取车辆当前位置路点(距离车辆质心最近的路点)的曲率ρc信息，根据前视距离和地图信息获取前视曲率ρp，即距离车辆质心位置前方一个前视距离处路点的曲率信息，依据惯性导航单元获取车辆的加速度a，车辆行进过程中以10hz的频率实时存储这些信息，可同步存储时间戳，以便后期处理过程中避免数据包丢包的情况，为排除驾驶员驾驶行为的随机性，该实验重复多次，多次独立重复试验的数据一同参与弯内舒适车速提取和gmm模型训练。

所述前视距离的计算中考虑到影响驾驶员前视距离的两个因素：车速和道路曲率，结合试验得前视距离计算公式为：

lp＝h(14.74+0.07/ρ+0.14ν+0.0001ν²+0.0003ν/ρ)

式中，以中等水平驾驶员为参照，h值表示的驾驶员熟练程度，h＝1时表示中等驾驶水平驾驶员，h值越大表示驾驶员操控车辆的熟练程度越高；ρ是曲率，单位为1/m；ν为速度，单位为km/h；前视距离lp的单位为m。

2.基于采集到的驾驶员弯道自由行驶数据，离线处理弯道行驶数据，获取弯道行驶特征量λ＝(ν,ρc,ρp,a)(当前车速、当前曲率、前视曲率、加速度)；以及基于采集到的驾驶员弯道自由行驶数据，离线计算得到弯道内舒适行驶速度；

在步骤s1中采集驾驶员弯道自由行驶数据之后，离线处理弯道行驶数据进一步包括：确认数据无丢包现象，再去除时间戳等冗余数据，提取弯道行驶特征量，具体仅保留四类特征数据λ＝(ν，ρc，ρp，a)，分别为当前车速、当前曲率、前视曲率、加速度。

对上述保留的特征数据进行中值滤波以去除异常值，再采用移动平均法进行数据的均值滤波和降噪平滑，如图5所示。

gmm模型训练之前，为消除车速，曲率，加速度之间的量纲影响，需先对特征数据进行归一化处理，为防止实时控制时输入量超出训练时对应输入量范围产生过大控制量的情况，采用z-score归一化方法：

其中，μ为同一类所有样本数据的均值，σ为同一类所有样本数据的标准差。

离线处理得到弯道内舒适行驶速度的方法为：

当ρc＝ρp±δ，即根据当前曲率和前视曲率相近的原则，判定车辆处于弯内行驶阶段，在该情况下，提取弯内行驶阶段对应的速度信息，求取均值，作为弯内行驶舒适车速。其中，优选的δ取值为0.1ρc。

3.利用弯道行驶特征量λ＝(ν,ρc,ρp,a)训练高斯混合模型(gmm)，得到驾驶员模型，如图4所示。

特征数据经过归一化处理后，首先选取聚类个数k，对提取的特征数据进行10次k-means聚类，选取对数似然函数值最大的一次聚类结果进行gmm模型参数(影响因子πg，均值μg和协方差矩阵σg)的初始化。因k-means方法的聚类结果受初始结果的影响较大，故实施例具体进行10次k-means聚类。

k-means聚类结果仅为数据的k簇归类结果，具体采用以下公式进行gmm模型的参数初始化

πg,i＝ni/n

μg，i＝(σdi)/ni

σg,i＝cov(di,di)

其中，ni为第i簇数据的个数，n为k簇数据总个数，di为第i簇数据。

随后，模型采用em(期望最大)算法对gmm模型进行训练，训练结束后存储归一化后的各类数据均值μ和标准差σ，gmm模型参数(影响因子πg，均值μg和协方差矩阵σg)和模型选择评判值—对数似然函数值。

依次选取聚类个数k＝5～40，分别进行训练，训练完成后，分别得到对应的对数似然函数值。选取最大的一个对数似然函数值对应的gmm模型作为最终的驾驶员模型。

综上所述，本发明实施例提供了一种用于自动驾驶车辆的弯道行驶纵向控制方法，克服了传统的弯道行驶纵向控制技术的统一性和现有应用于弯道行驶纵向控制技术的神经网络模型的控制量不连续性的问题，从统计学的角度构建驾驶员模型，使模型具有良好的概率统计特征和可解释性；并充分考虑驾驶员的弯道行驶特征，将驾驶员的弯道行驶分为入弯行驶、弯内行驶和出弯行驶三部分，并在入弯行驶和出弯行驶阶段采用具有概率意义的生成式模型—gmm-gmr模型，且在弯内行驶时，根据前期采集到的驾驶员弯道行驶数据，实现对驾驶员弯道行驶舒适车速的跟踪。通过建立的驾驶员模型可实时生成连续的控制量，可达到驾驶员对固定舒适性指标(加速度、冲击度)的要求，并可有效模仿驾驶员的驾驶特性，提高驾驶员对自动驾驶技术的接受度。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。