[发明专利]一种纵横向耦合的智能车辆轨迹规划方法及系统

权利要求书

1.一种纵横向耦合的智能车辆轨迹规划方法，其特征在于，步骤如下：

1)获取车辆在当前t时刻的状态；采用深度决策网络方法决策出车辆在规划时域T_p时间后车辆与同车道前车应当保持的车头时距TH_t+Tp、车辆的目标车道；

2)规划车辆的纵向参考轨迹为：

式中，x_t、分别为车辆在t时刻的沿着道路方向的纵向位置、纵向速度和纵向加速度；a^x为车辆在规划时域T_p内的纵向加速度，其为：

式中，和分别为同车道前车在当前时刻t的纵向行驶距离和纵向速度；采用五次多项式轨迹规划方法规划出车辆的横向参考轨迹；

3)车辆根据纵向参考轨迹和横向参考轨迹，采用基于模型预测控制的轨迹重规划方法规划出车辆的最终轨迹；

所述步骤1)中深度决策网络方法具体为：采用神经网络构建车辆的决策模块，神经网络的输入是车辆的状态，输出是车辆在规划时域T_p时间后车辆与同车道前车应当保持的车头时距和车辆的目标车道；采用采集得到的数据训练神经网络，得到深度决策网络；深度决策网络根据当前时刻t的状态，决策出车辆在规划时域T_p时间后车辆与同车道前车应当保持的车头时距和车辆的目标车道；

所述步骤2)中采用五次多项式轨迹规划方法规划车辆的横向参考轨迹具体为：车辆在规划时域T_p时间后的状态为其中，车辆在规划时域T_p时间后的横向位置为目标车道中心线的横向位置；车辆在规划时域T_p时间后的横向速度和横向加速度均为0；五次多项式表示的车辆的横向轨迹为：

式中，b_i为拟合参数；将车辆在t时刻的横向位置、横向速度、横向加速度和车辆在t+T_p时刻的横向位置、横向速度、横向加速度代入上述五次多项式，即可求解出拟合参数b_i，从而得到车辆的横向参考轨迹；

所述步骤3)中基于模型预测控制的轨迹重规划方法具体为：车辆的运动学方程为：

式中，j_u、a_u、v_u分别为车辆沿航向方向的加加速度、加速度和速度；l为车辆轴距；为车体航向角；δ为车辆前轮偏角；控制量设为μ＝[j_u,δ]^T；

构建非线性模型预测控制问题为：

s.t.a_min≤a_u≤a_max

v_min≤v_u≤v_max

j_min≤j_u≤j_max

δ_min≤δ≤δ_max

式中，μ_i为t+i时刻的控制量，μ_i＝[j_u(t+i),δ(t+i)]^T；U为控制序列，N_c为控制时域；η(t+i|t)为当前t时刻预测的t+i时刻的车辆的纵向位置和横向位置，η(t+i|t)＝[x(t+i),y(t+i)]^T；η_ref(t+i|t)为t+i时刻车辆的参考纵向位置和参考横向位置，将时间带入纵向参考轨迹和横向参考轨迹求解得到，η(t+i|t)＝[x_ref(t+i),y_ref(t+i)]^T；N_p为预测时域；Q和R为权重矩阵；J_ob,i为危险度目标函数；J_en,i为燃油消耗目标函数；J_em,i为排放目标函数；a_min、a_max分别为车辆沿航向方向的最小加速度和最大加速度；v_min、v_max分别为车辆沿航向方向的最小速度和最大速度；j_min、j_max分别为车辆沿航向方向的最小加加速度和最大加加速度；δ_min、δ_max分别为车辆的最小前轮偏角和最大前轮偏角；通过求解该非线性模型预测控制问题，得到最优控制序列将最优控制序列带入车辆运动学方程，得到最终轨迹η^*＝[η^*(t+1),η^*(t+2),...,η^*(t+N_c)]^T。