申请/专利权人：清华大学

申请日：2021-08-26

公开（公告）日：2023-08-15

公开（公告）号：CN113619604B

主分类号：B60W60/00

分类号：B60W60/00;B60W50/00

优先权：

专利状态码：有效-授权

法律状态：2023.08.15#授权;2021.11.26#实质审查的生效;2021.11.09#公开

摘要：本公开提供的自动驾驶汽车的集成式决控方法、装置及存储介质，本公开包括：根据交通驾驶场景的静态信息构造候选路径集合，对候选路径集合中每一条候选路径考虑交通驾驶场景的动态信息构建路径跟踪模型，在此基础上进一步构造路径优选模型；将路径跟踪模型和路径优选模型分别转化为决控策略求解模型和评价函数求解模型，通过离线方式求解决控策略求解模型和评价函数求解模型，得到最优决控策略和最优评价函数；从自动驾驶汽车出发时刻开始，每一时刻利用最优评价函数选择最优路径，然后使用最优决控策略确定自动驾驶汽车的最优动作，直至到达全局路径终点。本公开的可扩展性强且在线计算效率高。

主权项：1.一种自动驾驶汽车的集成式决控方法，其特征在于，包括：根据交通驾驶场景的静态信息构造候选路径集合，对所述候选路径集合中每一条候选路径考虑交通驾驶场景的动态信息构建路径跟踪模型，在此基础上进一步构造路径优选模型；将所述路径跟踪模型和所述路径优选模型分别转化为决控策略求解模型和评价函数求解模型，通过离线方式求解所述决控策略求解模型和所述评价函数求解模型，得到最优决控策略和最优评价函数；从自动驾驶汽车出发时刻开始，每一时刻利用所述最优评价函数选择最优路径，然后使用所述最优决控策略确定自动驾驶汽车的最优动作，直至到达全局路径终点；所述候选路径集合为Π，其表达式为： 其中，τi为对将可通行车道Li的车道中心线作为的候选路径经过离散化后得到的离散候选路径，i∈{1,Nlane}，Nlane为自动驾驶汽车可通行的车道数量；为对候离散选路径τi设定的期望速度；所述路径跟踪模型为： xego,k+1＝Fegoxego,k,uk3xsurr,k+1＝Fsurrxego,k,xsurr,k4xroad,k＝Froadxego,k5hxego,k,xsurr,k≥Dsafe6hxego,k,xroad,k≥Dsafe7其中：式2为第i条离散候选路径τi对应的路径跟踪模型的目标函数；为第i条离散候选路径τi对应的路径跟踪模型的最优目标函数；Ji为第i条离散候选路径τi对应的路径跟踪模型的目标函数；Np为预测总步数，取值范围为[1,∞；k∈{0,…,Np-1}；为第i条离散候选路径τi的状态，即xego,k为第k步的自动驾驶汽车状态，其中包括自动驾驶汽车的位置坐标、纵向速度、横向速度、方向角、横摆角速度，长度和宽度；xsurr,k为第k步的周围交通参与者状态，包括周围机动车、周围非机动车和周围行人；xroad,k为第k步的道路与环境状态，包括自动驾驶汽车距车道边缘的距离和车道限速；uk为第k步的自动驾驶汽车决控参数，包括自动驾驶汽车的期望加速度与方向盘转角或自动驾驶汽车的期望轨迹；l为效用函数，包含自动驾驶汽车的位置跟踪误差、速度跟踪误差和控制能量损耗，用于计算每一时间步下的代价；式3为自动驾驶汽车的动力学模型；Fego·为第一非线性映射，反映了自动驾驶汽车从第k步状态到k+1步状态的转移关系；式4为周围交通参与者的运动学模型；Fsurr·为第二非线性映射，反映了周围交通参与者从第k步状态到第k+1步状态的转移关系；式5为道路与环境模型；Froad·为第三非线性映射，反映了第k步道路与环境信息与第k步自动驾驶汽车状态的关联；式6为自动驾驶汽车与周围交通参与者的安全约束；h·为第四非线性映射；Dsafe为设定的自动驾驶汽车与周围交通参与者间的安全距离；式7为自动驾驶汽车与道路的安全约束；设定所述路径优选模型的目标函数为： 所述决控策略求解模型为： xego,k+1＝Fegoxego,k,uk10xsurr,k+1＝Fsurrxego,k,xsurr,k11xroad,k＝Froadxego,k12uk＝πθsk13hxego,k,xsurr,k≥Dsafe14hxego,k,xroad,k≥Dsafe15其中：式9为所述决控策略求解模型的目标函数；θ为策略参数；表示初始状态s0分布下的期望性能，所述初始状态分布为不同离散候选路径、自动驾驶汽车状态、周围交通参与者状态和道路状态的联合分布；uk为第k步的自动驾驶汽车决控参数；sk为第k步的自动驾驶汽车决控策略状态的输入，式10、11和12分别为自动驾驶汽车的动力学模型、周围交通参与者的运动学模型和道路与环境模型；式13为使用决控策略πθ·得到的第k步的自动驾驶汽车决控参数uk；决控策略πθ·为使用策略参数θ参数化的第五非线性映射，反映了第k步的自动驾驶汽车决控参数uk与自动驾驶汽车状态xego,k的关联；式14和15分别为自动驾驶汽车与周围交通参与者的安全约束和自动驾驶汽车与道路的安全约束；所述评价函数求解模型为： xego,k+1＝Fegoxego,k,uk17xsurr,k+1＝Fsurrxego,k,xsurr,k18xroad,k＝Froadxego,k19uk＝πθsk20其中：式16为所述评价函数求解模型的目标函数，w为评价函数Vw·参数，评价函数Vw·为使用w参数化的第六非线性映射，反映了从当前状态到目标函数的关联；式17、18、19和20分别为自动驾驶汽车的动力学模型、周围交通参与者的运动学模型、道路与环境模型和使用决控策略πθ·得到第k步的自动驾驶汽车决控参数uk。

全文数据：

权利要求：

百度查询： 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD