[发明专利]一种基于模糊算法的带约束方波状车速规划方法

说明书

本发明公开了一种基于模糊算法的带约束方波状车速规划方法，属于自动驾驶车辆速度规划领域。该方法首先确定了模糊算法输入输出量隶属函数和模糊算法的模糊规则集。然后计算了后续算法所需的全局变量，包括已得规划路径的曲率信号队列、滤波后的曲率以及方波状拟合算法相关的全局变量。最后对滚动窗口内的曲率进行方波状拟合并结合汽车、环境状态量计算出目标轨迹点的速度，再考虑车辆动力学，为规划出的速度曲线进行二次规划。本发明从人类驾驶经验出发，规划出的速度轨迹更符合正常的驾驶员驾驶习惯，从而更容易实现无人驾驶汽车的相关功能且具有更好的适应性与安全性。

技术领域

本发明属于自动驾驶车辆速度规划领域。利用模糊算法，参考车辆行驶过程中的前方道路曲率、当前横向跟踪误差和地面摩擦系数求解未来行驶速度曲线，考虑无人驾驶实际环境，该方法内还涉及一种针对曲率的均值滤波算法与一种带约束的方波状曲线拟合方法。

背景技术

截至2018年6月底，中国汽车保有量达2.29亿辆，2018年上半年新注册登记汽车达1381万辆。巨大的汽车保有量导致交通拥堵严重、伤亡事故频发，这已经成为了我国必须解决的问题。近些年发展起来的无人驾驶技术可以有效的避免人为因素导致的交通事故的发生。无人驾驶汽车包含环境感知模块、定位模块、决策规划模块与底层控制模块，其中决策规划模块中的规划部分解决的是汽车到哪去，如何去，何时到的问题，现有的研究与实际应用往往将规划问题分解成路径规划与速度规划两个部分，其中合理的速度规划不仅能够降低汽车的整体行驶代价(时间与能源消耗)，还可以为乘坐者提供更舒适更安全的乘坐体验。

现有的速度规划方法大多局限于通过能源消耗量构建目标函数或者基于自适应巡航系统，根据前车状态来实现速度规划。这些传统的速度规划方式虽然在现有的工况下十分有效，但是对于无人驾驶系统来说，汽车需要在不依靠跟车模型的情况下更智能的自主选择行车速度，例如在大曲率弯道、湿滑道路或者汽车横向跟踪已经出现较大误差的情况下，理应降低车速以获取更好的车辆稳定性，而在直线道路、摩擦系数较大的干燥路面且自动转向系统性能较好的条件下，车辆可以考虑以较高的速度或当前车辆的经济时速行驶，从而获得更短的通过时间或降低能耗来保证续航里程。

速度规划系统是一个多输入单输出，且难以构造数学模型的非线性系统。我们往往通过判断前方道路的弯曲程度、湿滑程度等因素来尝试采用高速、中速或者低速通过前方道路，这个过程中存在很多的“大、一般、小”的概念，所以相比较于最优算法，模糊算法不论是从计算速度还是应用场景来说都更为合适。而在曲率计算过程中，由于计算机会精准的计算曲率的大小，曲率难免会在一定范围内震荡，输入的震荡会一定程度上影响输出的结果。考虑乘坐的舒适性，速度应在一定范围内保持一个平稳的值，例如在进入连续转弯工况下应始终维持一个稳定的较低速度，而不应该因为连续弯道过程当中出现了一段曲率较低的部分就规划出一段高速区，所以算法中引入了一定的滤波算法与考虑车辆动力学约束的方波状速度规划，从而获得平稳的速度与较为柔和的速度切换过程。

发明内容

无人驾驶汽车的行驶速度应在考虑前方道路的弯曲程度、当前路面的湿滑程度、已经出现的横向偏差大小等输入量的情况下动态规划，并且为了获得良好、舒适的乘坐体验，规划的速度应尽可能的平稳，避免在较短的时间内出现较大或高频的震荡，不应该高中低速的切换过程中产生令乘坐者产生不适的体感，所以本发明给出了基于模糊算法的带约束方波状车速规划方法，采用该方法可以提升无人驾驶汽车的环境适应能力、乘坐舒适性以及安全性能。

为实现上述目的，本发明采用的技术方案为一种基于模糊算法的带约束方波状车速规划方法，本方法的实现步骤如下：

步骤1、确定系统输入输出的隶属函数及模糊规则；

步骤1.1、确定输入输出信号及其隶属函数；

系统的输入定为前方道路曲率、路面摩擦系数和横向跟踪误差。曲率模糊语言值为B表示大、M表示中、S表示小，横向跟踪误差的模糊语言值为B、M、S，路面摩擦系数的模糊语言值为VB表示非常大、B、S、VS表示非常小。隶属度函数均采用钟形函数：