[发明专利]一种基于分层状态机的混合式驾驶方法

摘要

本发明公开了一种基于分层状态机的混合式驾驶方法，先利用传感器感知环境信息，再利用分层状态机认定具体场景和规划驾驶动作，然后利用滚动时域优化的局部路径规划方法进行具体驾驶路线及指令的规划，最后对规划的驾驶路线进行合成，合成后的轨迹点所对应的加速度等信息即为智能车决策系统的指令规划，那么智能车按照合成轨迹就可以进行安全驾驶。

主权项

1.一种基于分层状态机的混合式驾驶方法，其特征在于，包括以下步骤：(1)、利用传感器感知环境信息在车联网方式下，利用传感器获取本车道和周围两边车道前方和后方最近车辆的距离、速度信息，以及本车的速度信息以及GPS导航和路网文件；(2)、利用分层状态机的顶层状态机认定具体场景顶层状态机M_顶＝(Q_顶,Σ_顶,δ_顶,q_0顶,F_顶)，其中，Q_顶为位于不同场景之间的特定状态；Σ_顶多为GPS坐标、地图、任务文件构成的对场景认定的特定约束，作为输入事件；q₀∈Q为系统的初始状态，；在时刻i，系统处于状态q_i顶时，q_i顶∈Q_顶，接受输入事件a_i后，δ_顶为状态迁移到新状态的概率分布；是系统任务完成的终止状态；(3)、利用分层状态机的底层状态机规划驾驶动作底层状态机M_底＝(Q_底,Σ_底,δ_底,q_0底,F_底)，Q_底为决策过程的各子阶段状态，Σ_底为决策过程中产生的各种换道逻辑，δ_底采用全概率转移，q_0底为决策开始的初始阶段状态，F_底为车道保持和换道决策结果对应的状态集合；(4)、基于步骤(3)规划的驾驶驶动作，利用滚动时域优化的局部路径规划方法进行具体驾驶路线及指令的规划(4.1)、在Frenet坐标系下，初始时刻t₀，智能车横、纵向方向的位置、速度、加速度状态分别为(l₀,l′₀,l″₀),(s₀,s′₀,s″₀)，规划路径的末时刻为t₁，其状态为(l₁,l′₁,l″₁),(s₁,s′₁,s″₁)，智能车轨迹的制动周期为T＝t₁‑t₀；(4.2)、智能车横向控制(4.2.1)、设置目标配置集合[l₁,l′₁,l″₁,T]＝[d,0,0,t]，d为横向位置，t为决策时间；(4.2.2)、设置横向控制的代价函数：C_L＝k_jmax(|a_t0‑a_t|)+k_tT+k_d|l₁‑l_label|其中，max(|a_t0‑a_t|)表示决策时间t内最大加速度的变化值，保证智能车舒适性，T为制动时间，要求智能车能短时间内制动，|l₁‑l_label|为末状态的横向位移与车道线中心的距离，保证车辆不会偏离目标车道中心线，中心线位置为l_label；k_j、k_t和k_d为惩罚性系数；(4.2.3)、基于代价函数，通过配置d和t来进行轨迹采样，从而在备选轨迹集合中选取代价函数最小的最优的轨迹；(4.3)、智能车纵向控制(4.3.1)、跟车：t₁时刻车辆速度应该为前车速度，位置应该前车位置减去安全距离，加速度为0；(4.3.2)、车速保持：设置目标配置集合：[s′₁,s₁″,T]＝[s′,0,t]其中，s'为纵向速度，t为决策时间；制定车速保持的代价函数：其中，s′_label为需要保持的纵向速度；基于代价函数，通过配置s'和t来进行轨迹采样，从而在备选轨迹集合中选取代价函数最小的最优的轨迹；(4.3.3)、停车：设置目标配置集合：[s₁,s′₁,s″₁,T]＝[d^*,0,0,t]其中，d^*为纵向位置，t为决策时间；制定停车的代价函数：基于代价函数，通过配置d^*和t来进行轨迹采样，从而在备选轨迹集合中选取代价函数最小的最优的轨迹；(5)、轨迹维合成其中，k_L横行控制系数，k_S纵向控制系数；τ＝1,2，当τ＝1时，取车速保持的代价函数当τ＝2时，取车速保持的代价函数(6)、智能车按照合成轨迹进行安全驾驶。