[发明专利]基于行车安全场的智能网联汽车轨迹规划方法及装置

说明书

本申请公开了一种基于行车安全场的智能网联汽车轨迹规划方法及装置，其中，方法包括：基于行车安全场计算交通环境对智能网联汽车自车造成的风险；根据汽车的周边道路交通环境、汽车的自车车速与预测时域生成稀疏的可搜索区域；基于风险在可搜索区域生成车道选择轨迹，并在车道选择轨迹的基础上将稀疏的搜索区域进行细化，以得到初始规划路径和规划速度，最后在预测时域内进行推演，解决轨迹跟踪最优化问题，得到智能网联汽车在预测时域内最终规划轨迹。本申请实施例的轨迹规划方法可以提高轨迹规划的准确性、有效性和实时性，有效保证行车安全，更加智能化。

技术领域

本申请涉及行车安全技术领域，特别涉及一种基于行车安全场的智能网联汽车轨迹规划方法及装置。

背景技术

目前，智能网联汽车的关键技术包括自主定位、环境感知、行为决策、轨迹规划、运动控制以及网联通信等，其中轨迹规划是必不可少的一部分，它决定着智能网联汽车将要行驶怎样的轨迹。然而，面对复杂的交通环境，如何做出安全、高效、适应复杂交通的轨迹规划仍然面临着严峻的挑战。

相关技术中，常用的轨迹规划方法主要是：1)基于图搜索的方法，2)基于优化的方法， 3)基于机器学习的方法和4)基于人工势能场的方法。

具体地，基于图搜索的方法是一种非常常用的方法，该方法适用于多种领域用来搜索出一条从A点去B点的最优轨迹。该方法首先需要将用来规划的区域用占有栅格表述成状态空间，各个区域内的物体通过占有栅格的形式来表示。然后采用A*算法、Dijkstra算法、快速扩展随机树等搜索算法搜索出最优轨迹；基于优化的方法是将轨迹规划问题表述成最优化问题，并针对该最优化问题采用数值求解的方式在一系列约束下求解出使得成本函数最小的解，从而得到规划的轨迹；基于机器学习的方法是通过学习人类驾驶员的驾驶结果，训练神经网络，得到训练结果。轨迹规划的过程中通过将环境信息作为输入传递给神经网络，即可输出轨迹规划的结构；基于人工势能场的方法是一种先进的方法。这种方法采用人工势能场对交通环境中的障碍物、道路结构、车道线和目的地等进行建模，然后采用梯度下降的方法找到最优路径。

然而，相关技术均存在一定缺陷，如基于图搜索的方法得到的轨迹规划结果可能不是平滑的曲线，并且因为没有考虑车辆动力学，会使得规划轨迹和车辆实际行驶轨迹不一致，导致车辆的运动不够平顺。又如基于优化的方法得到的轨迹能确保最优性，但是因为实际交通环境复杂，最优化问题的建模和求解都较为困难，因此常常面临计算复杂性过大的问题。再如基于机器学习的方法，由于神经网络的不可解释性使其出现问题时无法定位，导致该方法仍然难以在实际应用中采用。最后，现有基于人工势能场的方法通常难以全面综合考虑交通环境中的各类风险，包括车辆行为、复杂的道路情况以及交通参与者之间的相互影响，也缺乏在复杂场景的应用，仅应用于简单的场景，如车道保持、车辆跟随、换道等。因此，相关技术仍有待改进。

申请内容

本申请提供一种基于行车安全场的智能网联汽车轨迹规划方法及装置，以解决智能网联汽车规划轨迹与实际轨迹一致性差的问题。

本申请第一方面实施例提供一种基于行车安全场的智能网联汽车轨迹规划方法，包括以下步骤：基于行车安全场计算交通环境对智能网联汽车自车造成的风险；根据所述汽车的周边道路交通环境、汽车的自车车速与预测时域生成稀疏的可搜索区域；基于所述风险在所述可搜索区域生成车道选择轨迹，并在所述车道选择轨迹的基础上将所述稀疏的搜索区域进行细化，以得到初始规划路径和规划速度，及在所述预测时域内进行推演，解决轨迹跟踪最优化问题，得到所述智能网联汽车在所述预测时域内最终规划轨迹。

可选地，在本申请的一个实施例中，所述基于行车安全场计算交通环境对智能网联汽车自车造成的风险，包括：利用由行车安全场对交通环境要素建模得到的模型计算所述风险，其中，所述风险的计算公式为：

E_D＝E_P+E_K+E_B，