[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

说明书

本发明涉及一种针对结构化道路的无人驾驶汽车运动轨迹规划系统，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。本发明使用深度强化学习做决策，基于决策动作动态的规划轨迹，感知及控制等模块被独立出来处理，相对于端到端的方法大大提高了决策规划过程的可解释性和可操作性，能很好地适配于以往的无人驾驶汽车的系统架构。

技术领域

本发明属于无人驾驶技术领域，具体涉及一种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。

背景技术

无人驾驶汽车的决策与运动规划系统的目标是使无人车像熟练的驾驶员一样产生安全、合理的驾驶行为，规划出一条安全的行驶轨迹。传统的决策规划系统大多是基于规则的决策规划方法，其逻辑明确、规划推理能力强，但需要预先想到无人车会遇到的各种场景，系统比较复杂。近年来使用端到端卷积神经网络进行决策规划的方法被应用到无人车上，使决策规划系统大幅简化，系统直接输入相机获得的各帧图像，经由神经网络决策后直接输出车辆目标转向盘转角，但是其解释性较差。

发明内容

有鉴于此，本发明的目的在于提供一种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。

为实现上述目的，本发明采用如下技术方案：

一种针对结构化道路的无人驾驶汽车运动轨迹规划系统，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。

进一步的，所述感知模块包括激光雷达、毫米波雷达和运动摄像机。

进一步的，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。

一种针对结构化道路的无人驾驶汽车运动轨迹规划方法，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；

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。

进一步的，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1、横向速度和横向加速度

进一步的，所述步骤S3具体为：将状态空间定义为基于鸟瞰状态的Frenet坐标下的无人车与周围其他车辆的运动状态：

式中：s_ego-为无人车自身状态，N₀-为周围车辆数目。

无人车自身状态与其他车辆状态采用一个六元组描述，主要特征为车辆的纵向距离、纵向速度、纵向加速度、横向距离、横向速度、横向加速度：