[发明专利]基于二次型规划和神经网络的自动驾驶换道轨迹规划方法

权利要求书

1.基于二次型规划和神经网络的自动驾驶换道轨迹规划方法，其特征在于，所述方法包括：

通过信息感知模块获取换道车辆及周围车辆关于位置、速度、加速度、加加速度的行驶信息；

通过横向偏移推荐模块获取换道车辆在换道路径结束时的横坐标的横向偏移，进而获得换道路径结束时换道车辆的位置，为路径规划模块提供基础输入；

基于信息感知模块获取的车辆行驶信息及横向偏移推荐模块给出的横向偏移，通过路径规划模块，对换道车辆建立五次多项式的路径模型，构建换道路径起终点约束条件，采用高斯消元法求解联立方程组，获得五次多项式的参数，进而生成给定最优横向偏移的路径；

通过轨迹规划模块将轨迹规划时间段离散化处理，得到若干子时间段，建立不同子时间段下的行驶距离、速度、加速度、加加速度变量，以运动学约束、防碰撞约束、目标车道后车加加速度约束、跟驰模型约束为约束条件，以最小化加加速度和行驶距离为目标函数，利用二次型规划方法求解，获得换道车辆的轨迹信息；

所述信息感知模块获取换道车辆0、当前车道前车1、目标车道后车2、目标车道前车3，即车0、车1、车2、车3的位置、速度和加速度行驶信息：

车辆k在时间t＝0时的行驶信息表示为：

veh_k，t＝0，k＝{0，1，2，3}

veh_k，t＝0＝[x_k，t＝0，y_k，t＝0，v_k，t＝0，a_k，t＝0，j_k，t＝0]；

其中x_k，t＝0，y_k，t＝0，v_k，t＝0，a_k，t＝0，j_k，t＝0分别代表车辆k在时间t＝0的横坐标值、纵坐标值、速度、加速度和加加速度；

所述路径规划模块对换道车辆的路径建立的五次多项式的路径模型，公式化表达为：

式中，x_0，t，y_0，t分别表示换道车辆0在时间段t＝[0，f]的横纵坐标值，t＝0代表换道路径开始时刻，t＝f代表换道路径结束时刻；α_i是五次多项式的参数，i∈{0，1，2，3，4，5}；

α_i能够通过换道车辆0换道路径的起始时刻t＝0和终止时刻t＝f的车辆信息，利用高斯消元法求解相应的值，具体为：

换道车辆0起始时刻t＝0和终止时刻t＝f的状态方程如下：

其中τ_0，t，κ_0，t分别代表换道车辆0在不同时刻t的导数及曲率，根据换道过程平稳性要求可知，在换道初始时刻t＝0和终点时刻t＝f的路径导数及曲率为：τ_0，t＝0＝0，κ_0，t＝0＝0，τ_0，t＝f＝0，κ_0，t＝f＝0；

采用高斯消元法求解联立方程组，进而得到五次多项式的参数α_i，生成给定最优横向偏移Δx_f的路径；

跟驰模型约束模块用于在轨迹规划结束时刻t_I，使目标车道后车2与换道车辆0、换道车辆0与目标车道前车3需满足跟驰模型，避免在轨迹规划结束时刻之后发生碰撞；

采用Pariota的线性跟驰模型，假设车n在车n-1之后，车n的加速度需满足：

a_n＝ω₁(Δx_n-Δx^*)+ω₂Δv_n

式中，Δx_n代表车n与车n-1之间的距离，Δx_n＝x_n-1-x_n；Δv_n代表车n与车n-1速度差，Δv_n＝v_n-1-v_n；ω₁，ω₂，Δx^*为线性跟驰模型标定的参数；

在轨迹规划结束时刻t_I，换道车辆0与目标车道前车3需满足以下关于加速度、距离及速度差的约束：

a_0，I≤ω₁(x_3，I-x_0，I-0.5vehl₃-0.5vehl₀-Δx^*)+ω₂(v_3，I-v_0，I)

式中，v_3，I代表目标车道前车3在轨迹规划结束时刻t_I的速度，v_3，I＝v_3，0+a_3，0t_I；

x_3，I代表目标车道前车3在轨迹规划结束时刻t_I的横坐标，

x_0，I代表换道车辆0的在轨迹规划结束时刻t_I的横坐标，x_0，I＝x_0，f+s_0，I-s_f；

在轨迹规划结束时刻t_I，目标车道后车2与换道车辆0需满足以下关于加速度、距离及速度差的约束：

a_2，I≤ω₁(x_0，I-x_2，I-0.5vehl₀-0.5vehl₂-Δx^*)+ω₂(v_0，I-v_2，I)

式中：x_0，I-x_2，I为车2与换道车辆0在轨迹规划结束时刻t_I的距离；目标车道后车2的位置x_2，I及速度v_2，I由目标车道后车2的加加速度j₂计算得到：

vehl₁、vehl₂及vehl₃分别是当前车道前车1、目标车道后车2、目标车道前车3的长度。