一种时空解耦的高速单车道行驶方法和车辆与流程

本发明涉及智能交通自动驾驶汽车，具体而言，涉及一种时空解耦的高速单车道行驶方法和一种车辆。

背景技术：

1、目前智能驾驶技术作为辅助驾驶的新星，在用户体验和技术深度上，有着优秀的可挖掘空间。并且，由于其支撑学科的大力发展，已经开始逐步展露锋芒。目前，在高速、高架、快速路上行驶的汽车绝大部分配备自适应巡航等可以减轻驾驶员驾驶疲劳的技术。这些技术大多都立足于传统的控制算法，能够从环境反馈获取信息进而更新控制策略。

2、但是，在实际施工过程中，存在这样一个问题：传统的控制算法的时间复杂度过高，求解耗时长。

技术实现思路

1、本发明解决了传统的控制算法的时间复杂度过高，求解耗时长的技术问题。

2、为解决上述问题，本发明提供一种时空解耦的高速单车道行驶方法，包括：

3、步骤s100：根据自车车辆信息，选取决策边界；

4、步骤s200：对决策边界内出现的目标车辆进行决策判定；

5、步骤s300：通过目标车辆的目标预测轨迹，获取自车车辆的纵向末状态(s纵,v纵,a纵,tsample)和横向末状态(lsample,v横,a横,ssample)；

6、步骤s400：根据自车车辆的位置和纵向末状态，获取自车车辆的纵向轨迹方程；

7、步骤s500：根据自车车辆的位置和横向末状态，获取自车车辆的横向轨迹方程；

8、步骤s600：将横向轨迹方程和纵向轨迹方程进行匹配，获取轨迹簇；

9、步骤s700：对轨迹簇进行评估，选择并输出最优轨迹；

10、其中，决策判定包括：判定目标车辆为跟车车辆和判定目标车辆为超车车辆；s纵代表自车车辆在采样点末状态的纵向距离，v纵代表自车车辆在采样时间片末状态的纵向速度，a纵代表自车车辆在纵向上的末状态加速度，tsample为采样时间片，lsample代表自车车辆末状态采样点的横向距离，v横代表自车车辆在采样时间片末状态的横向速度，a横代表自车车辆在横向上的末状态加速度，ssample代表自车车辆末状态采样点的纵向距离。

11、与现有技术相比，采用该技术方案所达到的技术效果：本发明首先将求解坐标系从笛卡尔坐标系转换为自然坐标系，即以参考线作为规划轴，这样的规划方式带来的直接好处在于，能够以一套方法适用任何路线，哪怕是180°大转弯，有着极强的鲁棒性；步骤s400和步骤s500将自然坐标系下(x,y,t)的轨迹计算，转化分解为(s,t)和(l,s)两个二维坐标下的求解，这样做的好处在于：有效降低了计算的时间复杂度；降低了解空间维度；支持多线程同时求解，能够在自车车辆较为有限的硬件资源下部署并符合实际规划频率要求；降低单次轨迹求解耗时，意味着可以在解空间内进行更加多的搜索和计算，能够更加接近最优解，提高规划轨迹质量。

12、在本发明的一个实例中，根据自车车辆信息，选取决策边界，包括：

13、步骤s110：获取自车车辆所在车道的车道长度和车道宽度；

14、步骤s120：根据车道长度限定决策边界的区域长度为llane；

15、步骤s130：根据车道宽度和横向安全距离限定决策边界的区域宽度为(dlane+dsafe)；

16、其中，llane代表最远规划长度，dlane代表车道宽度，dsafe代表横向安全距离。

17、与现有技术相比，采用该技术方案所达到的技术效果：选取决策边界时需要考虑自车车辆所在车道的车道长度和车道宽度，并将决策边界内的最近车辆作为目标车辆，决策边界的区域长度为最远规划长度llane，区域宽度为车道宽度和横向安全距离之和即(dlane+dsafe)，在区域宽度中考虑横向安全距离，在提高决策边界面积的同时提高自车车辆在行驶中的安全性。

18、在本发明的一个实例中，对决策边界内出现的目标车辆进行决策判定，包括：

19、将决策边界内离自车车辆最近的车辆判定为目标车辆；

20、步骤s210：若目标车辆的目标预测轨迹为跟车决策，则判定目标车辆为跟车车辆；

21、步骤s220：若目标车辆的目标预测轨迹为超车决策，则判定目标车辆为超车车辆。

22、与现有技术相比，采用该技术方案所达到的技术效果：将决策边界内的最近车辆作为目标车辆，对目标车辆进行决策判定，自车车辆中的决策模块会接收感知信息，并根据感知信息对目标车辆做出相应的决策结果，最终给到规划模块。若目标车辆的目标预测轨迹为跟车决策，判定目标车辆为跟车车辆，且自车车辆的行驶轨迹跟随跟车车辆，不会越过跟车车辆并保持一定的安全距离；若目标车辆的目标预测轨迹为超车决策，判定目标车辆为超车车辆，超车车辆仅限定为自车车辆的邻近车道，且自车车辆的规划路径会使自车车辆超过超车车辆。

23、在本发明的一个实例中，通过目标车辆的目标预测轨迹，获取自车车辆的纵向末状态(s纵,v纵,a纵,tsample)和横向末状态(lsample,v横,a横,ssample)，包括：

24、步骤s310：通过目标车辆的目标预测轨迹，获取目标车辆在自然坐标系下每个时间片的纵向距离s纵和速度上限v纵；

25、步骤s320：根据纵向距离和速度上限，构建采样范围，在采样范围内采样，获取自车车辆的纵向末状态(s纵,v纵,a纵,tsample)；

26、步骤s330：根据纵向末状态获取横向末状态(lsample,v横,a横,ssample)；

27、其中，ssample＝s纵，v横＝0，a横＝0。

28、与现有技术相比，采用该技术方案所达到的技术效果：目标车辆在每个时刻的位置是不同的，因此对每个时刻，需要对目标车辆的位置和速度进行计算，并根据获取的目标车辆相应状态，再计算自车在当前时刻所能达到的纵向距离s纵和相应末状态速度v纵。

29、在本发明的一个实例中，通过目标车辆的目标预测轨迹，获取目标车辆在自然坐标系下每个时间片的纵向距离s纵和速度上限v纵，包括：

30、步骤s311：当目标车辆为跟车车辆时，

31、v纵＝min(vlane_limit,(vego+aego_maxtsample),vvehicle_follow)；

32、

33、a纵＝0；

34、其中，vlane_limit代表道路限制速度，vego代表自车车辆的实时速度，aego_max代表自车车辆的最大加速度，tsample代表采样时间片，vvehicle_follow代表跟车车辆的纵向速度，slane_limit代表预设置的可行规划距离，svehicle_follow代表跟车车辆的纵向终点距离，svehicle_follow_safe代表跟车时需要保持的安全距离；

35、步骤s312：当目标车辆为超车车辆时，

36、

37、

38、a纵＝0；

39、其中，vvehicle_over代表超车车辆在采样时间片的纵向速度，svehicle_over为超车车辆在采样时间片的纵向距离；svehicle_over_safe为自车车辆在超车完成后需要和超车车辆保持的安全距离。

40、与现有技术相比，采用该技术方案所达到的技术效果：如果目标车辆为跟车决策，纵向轨迹末状态采样：跟车车辆在每个时刻的位置是不同的，因此对每个时刻，需要对跟车车辆的位置和速度进行计算，并根据获取的跟车车辆相应状态，再计算自车车辆在当前时刻所能达到的纵向距离和相应末状态速度。末状态速度需要满足：1.低于当前车道限速；2.低于跟车车辆速度；3.不超过在采样时间点前以最大加速度加速所能达到的最大速度；末状态纵向距离需满足：1.规划长度限制；2.跟车车辆纵向距离，并预留安全距离；3.在采样时间点时最远行驶距离。能够根据跟车车辆自动控制距离和车速，实现了速度和距离的自适应调节，极大增加了跟车能力灵活性。

41、如果目标车辆为超车决策，纵向轨迹末状态采样：超车车辆在每个时刻的位置是不同的，因此对每个时刻，需要对超车车辆的位置和速度进行计算，并根据获取的超车车辆相应状态，再计算自车车辆在当前时刻所能达到的纵向距离和相应末状态速度。末状态速度需要满足：1.低于当前车道限速；2.高于超车车辆速度；3.不超过在采样时间点前以最大加速度加速所能达到的最大速度；末状态纵向距离需满足：1.规划长度限制；2.超车车辆纵向距离，并预留安全距离；3.在采样时间点时最远行驶距离。

42、在本发明的一个实例中，根据自车车辆的位置和纵向末状态，获取自车车辆的纵向轨迹方程，包括：

43、步骤s410：设置纵向约束，分别为

44、自车纵向约束为终点纵向约束为其中，s(0)为自车车辆在规划起点的纵向距离；v(0)为自车车辆在规划起点的纵向速度；acc(0)为自车车辆在规划起点的纵向加速度；s(tsample)为自车车辆在规划时间片末状态的纵向距离；v(tsample)为自车车辆在在规划时间片末状态的纵向速度；acc(tsample)为自车车辆在在规划时间片末状态的纵向加速度；

45、步骤s420：在纵向轨迹规划使用的是第一五次多项式，记为s(t)＝ast5+bst4+cst3+dst2+est+fs，其中，s(t)为纵向距离对时间的函数，as,bs,cs,ds,es,fs为纵向轨迹方程的系数；

46、步骤s430：第一五次多项式可通过对自变量的求导，获取相应的纵向目标方程，即其中，v(t)为s(t)的一阶导，为自车车辆的纵向速度对时间的函数；acc(t)为s(t)的二阶导，为自车车辆的纵向加速度对时间的函数；

47、步骤s440：将纵向约束代入纵向目标方程，对纵向方程的系数(as,bs,cs,ds,es,fs)求解，最终获得纵向轨迹方程。

48、与现有技术相比，采用该技术方案所达到的技术效果：对于跟车决策和超车决策，纵向轨迹生成方式都是一致的。因此，可以用相同的方式生成纵向轨迹曲线。纵向约束分为起点约束和终点约束，起点约束分为纵向距离、纵向速度、纵向加速度，终点约束分为纵向距离、纵向速度、纵向加速度。因此，纵向轨迹总共存在6个约束。计算纵向轨迹需要在满足6个约束的前提下，同时能够满足纵向加速度变化率尽可能小的泛函。将6个纵向约束代入纵向目标方程，根据获取的6个参数方程约束，可以对参数(as,bs,cs,ds,es,fs)求解，最终可获得相应的纵向轨迹方程。

49、在本发明的一个实例中，根据自车车辆的位置和横向末状态，获取自车车辆的横向轨迹方程，包括：

50、步骤s510：设置横向约束，分别为自车横向约束为终点横向约束为其中，l(0)为自车车辆在规划起点的横向距离；v_lat(0)为自车车辆在规划起点的横向速度；acc_lat(0)为自车车辆在规划起点的横向加速度；l(tsample)为自车车辆在规划时间片末状态的横向距离；v_lat(ssample)为自车车辆在在规划时间片末状态的横向速度；acc_lat(ssample)为自车车辆在在规划时间片末状态的横向加速度；

51、步骤s520：在横向轨迹规划使用的是第二五次多项式，记为l(s)＝als5+bls4+cls3+dls2+els+fl，其中，l(t)为横向距离对时间的函数，al,bl,cl,dl,el,fl为横向轨迹方程的系数；

52、步骤s530：第二五次多项式可通过对自变量的求导，获取相应的横向目标方程，即其中，v_lat(s)为l(s)的一阶导，为自车车辆的横向速度对时间的函数；acc_lat(s)为l(t)的二阶导，为自车车辆的横向加速度对时间的函数；

53、步骤s540：将横向约束代入横向目标方程，对横向方程的系数(al,bl,cl,dl,el,fl)求解，最终获得横向轨迹方程。

54、与现有技术相比，采用该技术方案所达到的技术效果：横向约束分为起点约束和终点约束，起点约束分为横向距离、横向速度、横向加速度，终点约束分为横向距离、横向速度、横向加速度。因此，横向轨迹总共存在6个约束。计算横向轨迹需要在满足6个约束的前提下，同时能够满足横向加速度变化率尽可能小的泛函。将6个横向约束代入横向目标方程，根据获取的6个参数方程约束，可以对参数(al,bl,cl,dl,el,fl)求解。最终可获得相应的横向轨迹方程。

55、在本发明的一个实例中，将横向轨迹方程和纵向轨迹方程进行匹配，获取轨迹簇，包括：

56、通过采样时间片对纵向轨迹方程和纵向轨迹方程进行匹配和计算；

57、获得轨迹簇为：

58、

59、与现有技术相比，采用该技术方案所达到的技术效果：通过采样时间片对纵向轨迹方程和纵向轨迹方程进行匹配和计算获得轨迹簇，为后续的评估提供基础。

60、在本发明的一个实例中，对轨迹簇进行评估，选择并输出最优轨迹，包括：

61、步骤s710：根据轨迹簇构建轨迹评价函数为f(trajectory)＝w1·cost_objective+w2·cost_smooth+w3·cost_referenceline；

62、步骤s720：根据轨迹评价函数对轨迹簇中的每条轨迹进行评估并获取得分；

63、步骤s730：根据得分选择出最优轨迹，将最优轨迹作为最终轨迹输出；

64、其中，w1,w2,w3为权重系数；cost_objective为和各个障碍物的距离损失；cost_smooth为最终轨迹的平滑损失；cost_referenceline为和参考线的偏离损失。

65、与现有技术相比，采用该技术方案所达到的技术效果：根据构建的损失函数，对每条轨迹进行评估，获取每条轨迹的得分，并选择在这个标准下最优的轨迹作为该次规划的最终轨迹发出，通过该步骤选取最优的轨迹并发出，提高方案的可靠性。

66、再一方面，本发明实施例提供了一种车辆，包括：处理器，存储器及存储在存储器上并可在处理器上运行的程序或指令，程序或指令被处理器执行时实现如本发明任一实施例的时空解耦的高速单车道行驶方法。

67、与现有技术相比，采用该技术方案所达到的技术效果：本发明实施例的车辆用于实现如本发明任一实施例的时空解耦的高速单车道行驶方法，因此其具有如本发明任一实施例的时空解耦的高速单车道行驶方法的全部有益效果，在此不再赘述。

68、采用本发明的技术方案后，能够达到如下技术效果：

69、(1)本发明首先将求解坐标系从笛卡尔坐标系转换为自然坐标系，即以参考线作为规划轴，这样的规划方式带来的直接好处在于，能够以一套方法适用任何路线，哪怕是180°大转弯，有着极强的鲁棒性；

70、(2)步骤s400和步骤s500将自然坐标系下(x,y,t)的轨迹计算，转化分解为(s,t)和(l,s)两个二维坐标下的求解，这样做的好处在于：有效降低了计算的时间复杂度；降低了解空间维度；支持多线程同时求解，能够在自车车辆较为有限的硬件资源下部署并符合实际规划频率要求；

71、(3)降低单次轨迹求解耗时，意味着可以在解空间内进行更加多的搜索和计算，能够更加接近最优解，提高规划轨迹质量；

72、(4)对横向和纵向解耦进行单独求解，支持多线程工作，有效提高求解效率，能够在实车较为严苛的硬件资源限制下，在相应规划时限内成功求解。