本发明涉及智能汽车轨迹规划的，具体地，涉及基于时空采样评估的智能车辆轨迹规划方法及系统。
背景技术：
：：1、自动驾驶目前主要依靠单车智能自动驾驶(autonomous driving,ad)。其中ad主要分为几个模块，定位，感知，预测，决策规划和控制执行。2、目前自动驾驶的轨迹规划方案主要以路径和速度解耦的方案为主，如百度apollo开源的em planner规划方案。3、em planner方案是路径和速度解耦的方案，利用静态信息(高精度地图和静态障碍物)构造可行驶区域，利用动态规划方案搜索出离散的指引路径点，再利用二次规划方案，在费雷歇坐标系下将可行驶区域转为约束项，并通过最小化路径光滑程度，障碍物避让幅度和车道代价等构造目标函数进行路径平滑；将生成的平滑路径作为动态障碍物预测轨迹的投影参考路径，同样通过动态规划搜索离散的速度序列点，并以其上下界构造二次规划的约束，并最小化与目标速度差，加速度和加加速度的平滑度构造目标函数进行速度平滑；最后结合平滑路径和平滑速度生成单帧轨迹。4、这种路径规划与速度规划解耦方式的轨迹规划方法，只对最优路径做速度规划，解耦路径和速度规划缩小了解空间，可能导致丢失最优解甚至有些情况下无解。5、如何找到规划空间中时空最优解是轨迹规划面临的难题，通过基于参考线的弗雷歇坐标系(frenet frame)，沿横纵向采样得到状态空间的时空状态网格格(spatiotemporal lattice)表达,即将时间和空间组合直接生成备选轨迹，由于状态网格的维度较高，计算量较大，需要控制各维度离散度来保证算法能够实时运行。6、因此，需要提出一种新的技术方案以改善上述技术问题。技术实现思路1、针对现有技术中的缺陷，本发明的目的是提供一种基于时空采样评估的智能车辆轨迹规划方法及系统。2、根据本发明提供的一种基于时空采样评估的智能车辆轨迹规划方法，所述方法包括如下步骤：3、步骤s1：初始化规划器；4、步骤s2：更新道路搜索空间表征；5、步骤s3：以自车位置为起点，网格中节点为终点，生成可选轨迹；6、步骤s4：以网格中的两节点为起始点和终点生成可选轨迹；7、步骤s5：在网格节点中选择最优终点；8、步骤s6：以最优终点回溯到自车位置选择最优轨迹。9、优选地，所述步骤s1中初始化时定义好时空状态网格在横纵向、加速度、速度区间、时间区间的离散度，并建立数值求解两点间三阶螺旋曲线参数的初始估计表initialguess table，igt，初始化操作仅在planner初始化时执行一次。10、优选地，所述步骤s2包括如下步骤：11、步骤s2.1：网格节点及内部连接路径更新，根据预先定义的网格节点之间的连接关系connectivity pattern，沿着参考线建立网格表征；12、步骤s2.2：离线查找表look up table，lut更新，随着参考线的变化，更新一个将笛卡尔坐标系(x，y)下的网格中的每个栅格值映射到弗雷歇坐标系(s，l)坐标下的对应关系描述，并存储在一个查找表lut中；13、步骤s2.3：静态代价图static cost map和动态代价图的更新，通过静态障碍物和动态障碍物及其预测轨迹的坐标信息通过lut查表，更新在网格中每一个栅格上的sl坐标系中描述的代价cost。14、优选地，所述步骤s3包括如下步骤：15、步骤s3.1：计算规划起点，补偿规划控制延时过程中自车的运动，估计短暂未来的自车状态s_future；16、步骤s3.2：路径生成，计算连接s_future和网格节点间的路径；17、步骤s3.3：轨迹及代价cost计算，在步骤s3.2中计算出的路径上采样路径点并与静态障碍物代价图static cost map计算代价cost_static；在每条路径上增加加速度参数acc profile得到轨迹trajectory；根据轨迹在动态障碍物代价图dynamic cost map上计算动态障碍物的代价cost_dynamic；在每一个节点上，从所有到达该节点的轨迹中选择最低代价更新为该节点的代价cost。18、优选地，所述步骤s4包括如下步骤：19、步骤s4.1：路径生成，对于每一个纵向离散值station，根据预先定义好的扩展方式connectivity pattern，以及步骤s3中更新的螺旋曲线参数，计算该station上出发到其他station上节点之间的路径；20、步骤s4.2：轨迹及代价计算，后续步骤与步骤s3.3相同，得到一对节点之间的连接轨迹及其考虑动态障碍物后得到的代价，循环上述过程直至所有网格节点都完成更新；21、所述步骤s5包括如下步骤：22、步骤s5.1：选择最优轨迹终点，步骤s5之后网格上所有节点都已经更新了代价，根据一定的终点选择策略选择最优的节点作为轨迹终点；23、步骤s5.2：从最优轨迹终点回溯出最终规划出的最优轨迹。24、本发明还提供一种基于时空采样评估的智能车辆轨迹规划系统，所述系统包括如下模块：25、模块m1：初始化规划器；26、模块m2：更新道路搜索空间表征；27、模块m3：以自车位置为起点，网格中节点为终点，生成可选轨迹；28、模块m4：以网格中的两节点为起始点和终点生成可选轨迹；29、模块m5：在网格节点中选择最优终点；30、模块m6：以最优终点回溯到自车位置选择最优轨迹。31、优选地，所述模块m1中初始化时定义好时空状态网格在横纵向、加速度、速度区间、时间区间的离散度，并建立数值求解两点间三阶螺旋曲线参数的初始估计表initialguess table，igt，初始化操作仅在planner初始化时执行一次。32、优选地，所述模块m2包括如下模块：33、模块m2.1：网格节点及内部连接路径更新，根据预先定义的网格节点之间的连接关系connectivity pattern，沿着参考线建立网格表征；34、模块m2.2：离线查找表look up table，lut更新，随着参考线的变化，更新一个将笛卡尔坐标系(x，y)下的网格中的每个栅格值映射到弗雷歇坐标系(s，l)坐标下的对应关系描述，并存储在一个查找表lut中；35、模块m2.3：静态代价图static cost map和动态代价图的更新，通过静态障碍物和动态障碍物及其预测轨迹的坐标信息通过lut查表，更新在网格中每一个栅格上的sl坐标系中描述的代价cost。36、优选地，所述模块m3包括如下模块：37、模块m3.1：计算规划起点，补偿规划控制延时过程中自车的运动，估计短暂未来的自车状态s_future；38、模块m3.2：路径生成，计算连接s_future和网格节点间的路径；39、模块m3.3：轨迹及代价cost计算，在模块m3.2中计算出的路径上采样路径点并与静态障碍物代价图static cost map计算代价cost_static；在每条路径上增加加速度参数acc profile得到轨迹trajectory；根据轨迹在动态障碍物代价图dynamic cost map上计算动态障碍物的代价cost_dynamic；在每一个节点上，从所有到达该节点的轨迹中选择最低代价更新为该节点的代价cost。40、优选地，所述模块m4包括如下模块：41、模块m4.1：路径生成，对于每一个纵向离散值station，根据预先定义好的扩展方式connectivity pattern，以及模块m3中更新的螺旋曲线参数，计算该station上出发到其他station上节点之间的路径；42、模块m4.2：轨迹及代价计算，后续模块与模块m3.3相同，得到一对节点之间的连接轨迹及其考虑动态障碍物后得到的代价，循环上述过程直至所有网格节点都完成更新；43、所述模块m5包括如下模块：44、模块m5.1：选择最优轨迹终点，模块m5之后网格上所有节点都已经更新了代价，根据一定的终点选择策略选择最优的节点作为轨迹终点；45、模块m5.2：从最优轨迹终点回溯出最终规划出的最优轨迹。46、与现有技术相比，本发明具有如下的有益效果：47、1、本发明提供的基于时空采样评估的智能车辆轨迹规划方法能够覆盖时间和空间的最优轨迹，从而防止自车与他车碰撞并提高智能驾驶的水平；48、2、本发明提供的基于时空采样评估的智能车辆轨迹规划方法大量利用离线初始估计表(lnit ial guess table,igt)来作为路径生成参数的初始解，加速生成过程，在保证路径覆盖度的前提下可做到实时规划；49、3、本发明提供的基于时空采样评估的智能车辆轨迹规划方法利用查找表(lookup table,lut)加速了在规则道路中坐标系转换效率，可实时规划，保证了安全性；50、4、本发明提供的基于时空采样评估的智能车辆轨迹规划方法基于弗雷歇坐标系建立了静态代价图和动态代价图(cost map),为评估最优轨迹提供了高效的代价表征形式。当前第1页12当前第1页12