[发明专利]基于多目标优化的无人驾驶车辆运动规划方法

说明书

本发明公开了一种基于多目标优化的无人驾驶车辆运动规划方法，将车辆及环境从笛卡尔坐标系映射到Frenet坐标系；建立无人驾驶车辆多目标路径规划问题的数学模型；利用线性动态规划方法进行路径规划；以分段五次多项式描述轨迹，分别以轨迹斜率最小、曲率最小、乘坐体验舒适、距离线性动态规划得到的路径最近作为优化目标，以分段五次多项式连接点处位置、一阶导、二阶导、三阶导作为等式约束，以道路自然边界约束和障碍物边界约束作为不等式约束，建立无人驾驶车辆多目标轨迹生成问题的数学模型；获得无人驾驶车辆多目标轨迹生成问题的最优解。本发明解决了基于随机撒点的路径规划方法得到的路径难以符合车辆运动学约束的问题。

技术领域

本发明属于智能驾驶及其规划技术领域，特别涉及一种基于多目标优化的无人驾驶车辆运动规划方法。

背景技术

自1886年问世一百多以来，汽车领域得到飞速的发展，其技术发展和普及程度，成为衡量一个国家或地区现代化程度和文明程度的重要标志。但是，随着汽车的普及和保有量的指数增长，人们也承受着日益恶化的交通堵塞和意外事故导致的严重烦扰。因此，智能驾驶技术得到了人们的重视。城市道路环境，行驶路况相对简单，有精度更高的地图，因此更易于实现智能驾驶。2017年度国家重点研发计划已明确将新能源电动汽车的自动驾驶列为重大共性关键技术。

运动规划是智能驾驶的关键技术，在广义上可以理解为：为了在动态环境中实现安全无碰撞的智能驾驶，智能车需要预测环境车辆的运动从而规划自身未来的轨迹。运动规划包括路径规划和轨迹生成。在路径规划方面，搜索最优路径主要分为增量式搜索和局部搜索两种方式。增量式搜索是指没有完全指定搜索配置或状态技术，并使用先验信息来增加搜索速度，近些年来增量式搜索的研究主要集中于两种技术上：(1)快速搜索随机树(Rapidly-exploring Random Trees，RRT)；(2)格子规划(Lattice Planners，LP)。在轨迹生成方面，轨迹的表达方式多样，其中包括弧、回旋曲线、Nelson多项式、螺旋多项式、样条曲线、贝塞尔曲线等。自动驾驶，是智能时代与互联网时代发展的必然产物，而自动驾驶普及的突破口，则在车辆车上。一方面，国家政策大力推动公共交通与自动驾驶的发展；另一方面，由于车辆线路固定，更易于实现自动驾驶。然而，传统基于随机撒点的路径规划方法如RRT，得到的路径不满足车辆运动学与动力学约束；传统基于曲线拟合的轨迹生成方法，将多目标优化问题中的多目标加权转化成多目标优化问题，权值难以确定。因此，城市无人驾驶车辆的路径与轨迹生成方法急需进一步研究。

发明内容

本发明所要解决的技术问题是，针对现有技术不足，提供一种基于多目标优化的无人驾驶车辆运动规划方法，使得生成的路径与轨迹更加符合实际道路约束。为解决上述技术问题，本发明所采用的技术方案是：一种基于多目标优化的无人驾驶车辆运动规划方法，包括以下步骤：

1)将车辆及环境从笛卡尔坐标系映射到Frenet坐标系；

2)在Frenet坐标系下，以平滑代价、障碍物代价、参考线代价的加权和作为评价指标，建立无人驾驶车辆多目标路径规划问题的数学模型；

3)利用线性动态规划方法进行路径规划，求解所述多目标路径规划问题的数学模型，得到路径；

4)以分段五次多项式描述轨迹，分别以距离线性动态规划得到的路径最近、轨迹斜率最小、曲率最小、乘坐体验舒适作为优化目标，以分段五次多项式连接点处位置、一阶导、二阶导、三阶导作为等式约束，以道路自然边界约束和障碍物边界约束作为不等式约束，建立无人驾驶车辆多目标轨迹生成问题的数学模型；

5)使用NSGAⅡ进行多目标轨迹生成问题的数学模型的求解，获得无人驾驶车辆多目标轨迹生成问题的最优解。

步骤1)中，利用下式计算障碍物或车辆在Frenet坐标系下的坐标(s,l,l',l)：