纯电动自动驾驶汽车任务规划算法的设计与实现

发布时间：2020-05-12 22:16

【摘要】：任务规划模块是自动驾驶系统中的上层管理模块,需要综合考虑用户任务、动态交通信息以及车辆状态,快速自主地规划最优全局路径并提供每个任务的相关信息。纯电动汽车因为其环境友好性和优良控制特性在自动驾驶领域取得了长足的发展,在任务规划中准确估计并优化行程能耗对于其使用和推广具有非常重要的意义。本文针对纯电动自动驾驶汽车的任务规划需求,以优化行程时间和行程能耗为目标,对全局路径规划和指导速度规划进行了重点研究。首先,根据汽车行驶阻力公式建立以速度为自变量的能耗模型,采用遗忘因子递推最小二乘法辨识未知参数,再基于时间序列神经网络对电池SOC进行估计,结合能耗模型和电池SOC估计实现任务点的剩余电量预测,基于真实工况数据验证算法的有效性和准确性。其次,针对交通流速度的时间依赖特性,采用Sigmoid函数对历史数据和动态数据进行加权,提高速度预测的可靠性。应用Dijkstra算法计算时间和能耗权值矩阵,得到任意两个路段之间的行驶代价。基于动态规划算法实现任务点序列优化,同时设计局部搜索策略避免出现电量不足的情况。应用A*算法实现相邻任务点间的全局路径规划,通过仿真对上述算法进行功能验证。然后,引入路径断点模型计算路段行驶时间和能耗,基于能耗里程比特性对能耗模型进行简化和分析。接着根据任务需求和交通流特性设计指导速度规划问题的优化目标和约束条件,提出了带精英策略的非支配排序遗传算法求解多目标优化问题的方案。再采用极差标准化方法将多目标优化问题转换为单目标优化问题,给出加权系数的设计原则,通过仿真验证了算法的稳定性和一致性。最后,基于小规模路网对任务规划功能进行测试,采用非参数估计方法统计得到时间和能耗估计误差的概率分布,提出基于误差均值的估计值修正方案,提高了任务点估计信息的准确性和可靠性,同时为用户提供了良好的出行指导。
【图文】：

车辆,自动驾驶

(a) 卡内基梅隆大学的自动驾驶汽车 (b) 斯坦福大学的自动驾驶汽车图 1-1 DARPA 城市挑战赛参赛车辆城市挑战赛的成功举办使社会各界更加激发起了研究热情，在自动驾驶汽车的安全性和功能性方面都取得了突破性的进展。其中，技术水平最为领先的 Goog已经进行了超过 800 万公里的路测，而仅仅发生了若干次轻微事故。而多家汽车生产制造厂商也掌握了较为成熟的自动驾驶技术，预计在 2020 年左右即可投入量产。其中，Audi 及 Tesla 实现了 L3 级自动驾驶功能，Benz、BMW、Cadillac 和Volvo 等车企也实现了 L2 级辅助驾驶功能。

流程图,自动驾驶系统,流程图,模块

吸引了数十家高校和研究机构先后参加该项比赛，很大程度上促进了我国自动驾驶技术的发展。进入 21 世纪，以一汽和长安汽车为首的车企和以百度为首的互联网企业实现了高速路况的长距离自动驾驶测试。2016 年 6 月，国家智能网联汽车试点示范区成立，，百度、长安汽车和北汽新能源等企业先后获得了自动驾驶测试牌照，达到了安全技术要求。尽管各国对自动驾驶的研究如火如荼，关于任务规划的科研成果却很少。在DAPAR 城市挑战赛的论文集中，很多团队都引入了任务规划的概念，但功能大多停留在全局路径规划。弗吉尼亚理工团队[2]根据路网文件建立权值地图，考虑路段限速和路口等特殊拓扑结构，采用时间启发的 A*算法对每个任务点进行全局路径规划。斯坦福团队[3]在生成新目标点或道路拓扑变化时调用全局路径规划，采用动态规划算法计算每个位置到达任务点的代价。2017 年，Audi[4]提出了一个面向自动驾驶汽车的系统框架，主要包括定位、感知和规划三大模块，其中规划模块的流程图如图 1-2 所示。论文中提到随着自动驾驶的视野变得开阔，任务规划不仅局限于全局路径规划，同样包含任务。任务规划需要处理特定事件，根据一些优化准则生成最优路径及其备选方案，同时考虑车辆性能和系统状态。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6;TP18

【参考文献】