[发明专利]一种基于模型预测控制的无人车避障方法

说明书

本发明涉及一种基于模型预测控制的无人车避障方法，包括以下步骤：1)建立无人驾驶车辆的动力学模型，描述无人驾驶车辆动力学特征；2)构建模型预测控制最优化问题的代价函数和约束条件：将障碍物威胁函数和关于目标位置的代价函数之和作为模型预测控制最优化问题的代价函数，并将无碰撞条件的合取约束作为约束条件之一；3)求解模型预测控制最优化问题，获取无人车避障的最优路径。与现有技术相比，本发明具有察觉域由设计者决定、具有更好的乘客舒适度水平等优点。

技术领域

本发明涉及无人驾驶车辆避障领域，尤其是涉及一种基于模型预测控制的无人车避障方法。

背景技术

由于无人驾驶车辆在减少交通事故及人员伤亡、缓解降低交通拥堵、减少用户在驾驶上消耗的精力等方面的优势，获得了学术界和产业界的广泛关注。无人驾驶车辆的实施涉及各个领域，包括信息与传感技术、轨迹跟踪技术与避障技术。实现无人车在各种情况下的避障具有十分重要的意义。避障能力是无人车的基础，只有具有良好的避障能力的无人车才有可能真正具有实用性。

无人车避障是通过路径规划算法实现的。路径规划是指寻找一条恰从给定起点到目标点的路径，使得无人车能够安全无碰撞地绕过环境中的障碍物达到目标点。传统的路径规划方法主要包括栅格法与快速扩展随机树法。栅格法，包括知名的A*与D*算法，采用大小相同的栅格对环境地图中的的二维运动空间进行划分，然后将路径规划问题转化为图搜索问题。栅格法的主要缺点在于，实时性能不强，对动态环境中适应性较差，不能够处理车辆动力学约束。快速扩展随机树算法由S.M.LaValle于1999年提出，该方法通过创建随机扩展树来连接起始位姿和目标位姿。快速扩展随机树算法缺点主要包括：需要对全局空间进行随机搜索，由于随机搜索具有不确定性，运算量大，规划时间长，导致算法的实时性较差；路径由多个随机采样点连接而成，导致最终的路径不够光滑；不能处理车辆动力学约束。

模型预测控制算法是一种通过滚动求解优化问题获取控制序列的方法，已经在多个领域得到广泛应用。能够处理车辆动力学约束是模型预测控制算法的突出优势。文献(L.Blackmore,M.Ono,A.Bektassov and B.C.Williams,”A probabilistic particle-control approximation of chance-constrained stochastic predictive control”,IEEE Transactions on Robotics,v 26,n 3,June 2010.)提出一种基于约束模型预测控制的避障方法，即通过在模型预测控制约束项中添加可行区域约束项，来反映环境信息，保证车辆安全性。

障碍物威胁函数在提升避障系统的察觉域(即避障算法中避障动作的启动距离)上的优点并没有在已有的约束模型预测控制避障方法中认识到，也缺少相关方法。较大的察觉域能够降低避障过程中的车辆横摆角速度峰值，提升无人驾驶车辆的乘客舒适度。

根据模型预测控制理论，UMPC避障系统的察觉域(记作d_pr)计算如下：

其中表示车辆纵向速度，T表示预测周期。由此可知，UMPC避障系统的察觉域依赖于预测步长和预测时域的长度。然而，由于预测时域的增加会增加约束的数量，优化MPC最优化问题的计算时间会显著增加；同时过大的预测步长会使得整个避障算法不可用。由于UMPC避障系统的察觉域受限于预测步长和预测时域的长度，算法察觉域的增大会影响避障系统性能，这导致受限的察觉域限制了车辆乘客舒适度的提升。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于模型预测控制的无人车避障方法。

本发明的目的可以通过以下技术方案来实现：

一种基于模型预测控制的无人车避障方法，包括以下步骤：

1)建立无人驾驶车辆的动力学模型，描述无人驾驶车辆动力学特征；