[发明专利]基于驾驶习惯学习的运动规划方法

说明书

本发明涉及基于驾驶习惯学习的运动规划方法，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。与现有技术相比，本发明具有以下优点：使用人工驾驶轨迹产生局部规划路径，摆脱对高精度地图的依赖；预瞄点增加新的属性，且生成方式的改变,使得局部规划的路径更符合人的驾驶习惯。

技术领域

本发明涉及无人驾驶领域，尤其是涉及基于驾驶习惯学习的运动规划方法。

背景技术

无人驾驶汽车是通过车载传感系统感知道路环境，自动规划行车路线并控制车辆到达预定目标的智能汽车。其中，局部路径规划是环境感知和车辆控制的桥梁，规划算法的性能优劣直接影响无人车能否在复杂交通场景中的自主行驶。

如今，城市道路结构越来越复杂、道路上车辆越来越多，路径规划的问题越来越重要。目前的规划方法需要依赖高精度地图，地图信息不完善时就无法适应错综复杂的道路结构及交通规则、实时变化的交通状况以及大量频繁的路径规划。

1、现有技术一

依靠地图中心线的局部路径规划技术方案：

高精度地图提供道路中心线，车辆实时匹配到道路中心线上的某点，如图1所示。再向前一段距离(一次规划的长度)找道路中心线上的点，并做横向偏移生成均匀的预瞄点。车辆所在位置与各预瞄点之间分别生成平滑的曲线，从而得到一个轨迹簇，如图2所示。最后通过代价函数从所有的备选轨迹中选出一条最优路径。

缺点：

(1)该现有技术主要存在以下两个缺点：

(2)该路径规划方法依赖于高精度的地图数据；

(3)道路中心线和其横向偏移生成的预瞄点，难以描述复杂的道路结构及交通规则。

2、现有技术二

基于直接映射的局部路径规划技术方案：

这种方法的输入是当前无人车视场中的图像，输出是当前的转向角度。其需要的训练数据是人驾驶车辆采集的一段图像，同时记录人为控制时转向的角度，通过深度学习获得转向角模型，即可从实时图像输入获得转向角，如图3所示。

缺点：

(1)通过图像直接映射出方向盘转角的轨迹没法与实际轨迹完全吻合，还可能出现误匹配和匹配不上的情况；如图4所示，预测的轨迹与实际轨迹存在偏差：图中蓝色为记录真实轨迹，绿色为通过该技术规划的轨迹。

(2)道路中心线和其横向偏移生成的预瞄点，难以描述复杂的道路结构及交通规则。

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基于驾驶习惯学习的运动规划方法。

本发明的目的可以通过以下技术方案来实现：

基于驾驶习惯学习的运动规划方法，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。

优选地，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。

优选地，所述的预瞄点的属性包括：