[发明专利]针对结构化道路的无人驾驶汽车运动轨迹规划系统及方法

权利要求书

1.一种针对结构化道路的无人驾驶汽车运动轨迹规划方法，其特征在于，提供一系统包括感知模块、定位模块、变道决策模块、运动规划模块和轨迹追踪模块；所述变道决策模块根据感知模块和定位模块采集的数据输出决策动作；所述运动规划模块根据决策动作，输出最优轨迹至轨迹追踪模块，具体包括以下步骤：

步骤S1:采集实时行驶数据；

步骤S2:将采集的行驶数据进行坐标转化，将车辆在Frenet坐标系下的数据转换为车辆在全局坐标系下的数据；

步骤S3:确定状态空间、动作空间和动作价值回报函数；

步骤S4:构建深度强化学习模型；

所述步骤S4具体为：

DQN模型的输入层的信息为决策动作、车辆自身状态以及其他车辆状态，输出层为在该状态下采取的各个决策动作对应的Q值，使用深度神经网络来替代价值函数，当已知价值回报函数Q^*(s,a),用深度神经网络对Q函数进行拟合，则有：

Q(s,a)≈Q(s,a；θ)

通过求解贝尔曼方程得到的Q函数估计与深度神经网络预测的Q值之间存在差异，这个差异作为损失函数来更新神经网络；

引入损失函数最小化贝尔曼方程对Q值估计和神经网络对Q值估计的差，即：

L_i(θ_i)＝E[(y_i-Q(s,a,θ_i))²]

式中，y_i为贝尔曼方程所求出的Q值，y_i＝r+γmaxQ(s′,a′,θ_i)；i为迭代次数；

对上式采用梯度下降法进行训练，公式为：

步骤S5:将周围环境信息、决策动作、车辆自身状态作为输入，通过深度强化学习模型计算，输出无人车执行不同动作的Q值，并根据输出的最大Q值选取相应的决策动作；

步骤S6:根据决策模块给出的决策动作，计算出Frenet坐标下的目标配置；

步骤S7:根据无人车当前位置的初始配置与目标配置，在预设的时间间隔内规划出一个含有时间戳的轨迹集；

步骤S8:建立损失函数，从生成的轨迹集中选择一条最优轨迹作为追踪轨迹。

2.根据权利要求1所述的针对结构化道路的无人驾驶汽车运动轨迹规划方法，其特征在于：所述感知模块包括激光雷达、毫米波雷达和运动摄像机。

3.根据权利要求1所述的针对结构化道路的无人驾驶汽车运动轨迹规划方法，其特征在于：所述定位模块包括GPS卫星定位系统、惯性导航仪和网络差分模块。

4.根据权利要求1所述的针对结构化道路的无人驾驶汽车运动轨迹规划方法，其特征在于，所述全局坐标系下数据包括：位置(x,y)、速度v_x、加速度a_x转换成Frenet坐标系下的纵向位移s、纵向速度纵向加速度和横向位移l、横向速度和横向加速度