[发明专利]基于驾驶习惯学习的运动规划方法

权利要求书

1.基于驾驶习惯学习的运动规划方法，其特征在于，该方法包括以下步骤：

步骤1、云处理端采集人工驾驶轨迹，通过图像化处理，提取出带有道路交通属性的预瞄点；

步骤2、云处理端根据自动驾驶车辆的状态实时下发车辆前方的预瞄点；

步骤3、自动驾驶车辆根据设定的路径生成算法，生成车到各预瞄点之间备选轨迹簇，并根据代价函数选择一条最优路径；

所述的预瞄点属性生成具体包括：得到预瞄点的位置坐标后，以预瞄点位置为圆心，半径为0.5米画圆，统计落在圆内的轨迹点属性，生成预瞄点的属性；

若θ为头指向，假设落在圆内的轨迹点有N个，这些轨迹点的最大和最小头指向分别为max(θ_i)和min(θ_i)，i＝1,2,…,N，预瞄点的头指向是对这个区间的轨迹点头指向的离散化取值，用m表示划分的段数，j＝0,1,...,m，则预瞄点的头指向为其中头指向对应的权重值P_i是轨迹点所在轨迹经过最小二乘拟合后得到的权重值，如果小于设定的阈值，则认为θ_j为粗差，将其剔除；

分别用曲率k和速率v代替上面公式中的θ，可以计算得到预瞄点曲率及速率的取值及其对应的权重值；

如果，两预瞄点的搜索区域内有10％的轨迹点在同一条轨迹上，则认为这两个预瞄点相互连通。

2.根据权利要求1所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的步骤1中的云处理端采集的轨迹来自于城市出租车系统、车载导航系统或数据采集车的采集设备采集的不同精度水平的轨迹信息。

3.根据权利要求1所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的预瞄点的属性包括：

(1)ID：n1,n2,…；

(2)时间：生成该预瞄点的轨迹的时间戳；

(3)坐标x，y：全局坐标系的位置坐标；

(4)头指向取值：在设定范围内的离散化取值，每个值对应一个权重；

(5)曲率取值：在设定范围内的离散化取值，每个值对应一个权重；

(6)速率取值：在设定范围内的离散化取值，每个值对应一个权重；

(7)点之间的拓扑关系：与该点存在连通关系的点的ID序列。

4.根据权利要求1所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的步骤1中的图像化处理包括以下步骤：

步骤1.1、根据轨迹点的属性，为各条轨迹上的点分配相应的权重值，将带有不同权重的轨迹投影到同一图像平面上；各条轨迹不同的权重值用不同的颜色表示；

步骤1.2、通过matlab描出轨迹的图形，保存为图像；

步骤1.3、用高斯卷积模板对图像进行平滑处理，得到轨迹密度热力图。

5.根据权利要求4所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的步骤1中的提取预瞄点具体包括：在设定的位置取横截面，得到横截面上密度热力值最高的几个点，作为预瞄点，其中设定位置包括里程、曲率或路口的关键位置。

6.根据权利要求1所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的步骤2中的自动驾驶车辆的状态包括位置、速度、头指向状态信息。

7.根据权利要求1所述的基于驾驶习惯学习的运动规划方法，其特征在于，所述的步骤3具体包括以下步骤：

步骤3.1、通过驾驶轨迹得到带有各类属性的预瞄点后，用一个矢量代表车辆状态[x,y,θ,k],其中(x,y)代表车辆的位置；根据车辆当前状态P_init＝[x_I,y_I,θ_I,k_I]和任一预瞄点的状态P_goal＝[x_G,y_G,θ_G,k_G]，生成一条确定的平滑曲线；

步骤3.2、预瞄点的头指向和曲率在各自允许的范围内取不同的值，这样到达同一个终点位置可得到多条不同走法的路径；

步骤3.3、计算每条轨迹的代价值，选取代价值最小的路径，代价函数为：

其中，C_col表示障碍物的碰撞代价，C_s是路径的里程代价，C_θ为头指向和头指向的变化率过大产生的代价，C_k表示曲率和曲率的变化率过大产生的代价，分别为选取的头指向和曲率对应的权重值倒数。