某无人驾驶车辆路径规划算法设计与实验研究

发布时间：2020-06-04 07:05

【摘要】：随着计算机技术与信息化技术的进步,车辆逐渐向着智能化、无人化的方向发展。路径规划算法是无人驾驶车辆实现智能化的重要基础之一。因此,国内外众多企业与高校对无人驾驶车辆的路径规划算法进行了大量的研究,以满足无人驾驶车辆在复杂交通环境中行驶的需求。本文在考虑了无人驾驶车辆各项性能指标、车辆运动学约束以及计算效率的基础上对无人驾驶车辆的路径规划算法进行了一系列研究。设计了无人驾驶车辆全局参考路径规划算法,建立了局部路径规划行车环境风险模型以及动态局部路径规划算法。依托于某无人驾驶公司提供的实车平台,将本文所研究的相关内容应用于实际的无人驾驶车辆研发中,并取得了一定的成效。本文主要研究内容如下:第一,调研了国内外无人驾驶车辆的研究现状,列举了国内外典型的路径规划算法并分析了各个算法的特点。第二,针对全局路径规划算法存在的运算速度慢且不能兼顾车辆非完整性约束以及车辆各项性能指标的问题。本文设计了基于批信息快速随机树的全局参考路径规划算法,引入距离变换地图以及k-d树数据结构,在不产生大量运算的基础上得到了满足车辆运动学约束并兼顾了行车安全性、高效性以及稳定性的全局参考路径。第三,针对无人驾驶车辆局部路径规划中行车交通环境描述维度多、建立精确模型困难的问题,将行车交通环境抽象为行车风险模型。根据传感器获取的数据,设计了障碍物风险分布模型以及风险评估函数。根据障碍物的动静态属性将障碍物分别描述为动态风险场和静态风险场。大幅降低了行车交通环境的描述维度,为局部路径规划算法提供了参考。第四,针对无人驾驶车辆横纵向耦合情况下进行局部路径规划问题难以求解,无法满足实时性要求的问题,设计了无人驾驶车辆局部路径规划算法。本文将局部路径规划问题引入到弗勒内坐标系下进行解耦并求解运动备选集合。然后将横纵向运动备选集合再次耦合,删除不满足动力学约束的备选运动,根据损失函数择优输出局部参考路径。最后采用变频率滚动优化策略在满足实时性要求的基础上,实现了无人驾驶车辆动态局部路径规划。第五,依托某公司提供的实车平台,在多种典型工况下对本文所研究的动态局部路径规划算法进行了实车试验并对试验结果进行了分析。同时,对比了其他类型快速随机树全局参考路径规划算法与本文采用的批信息快速随机树全局参考路径规划算法在不同尺寸全局地图下的计算效率。
【图文】：

第 1 章绪论辆在完全自主的状态下 10 小时内完成 150 公里的赛程。2007 年开始，DARPA 挑战赛开始面向城市道路环境，更名为 DARPA Urban Challenge[17]。谷歌公司最早在 Google X 实验室研发无人驾驶汽车，由谷歌街景的共同发明人塞巴斯蒂安特龙牵头，在加州的洲际公路以及旧金山的城区完成了至少 48 万公里的测试，2012 年 5 月 8 日，美国内达华州允许无人驾驶汽车上路三个月后，美国机动车驾驶管理处为谷歌的无人驾驶汽车颁发了全球第一张合法的无人驾驶车牌[18]。

欧洲,日本,华州,赛程

第 1 章绪论辆在完全自主的状态下 10 小时内完成 150 公里的赛程。2007 年开始，，DARPA 挑战赛开始面向城市道路环境，更名为 DARPA Urban Challenge[17]。谷歌公司最早在 Google X 实验室研发无人驾驶汽车，由谷歌街景的共同发明人塞巴斯蒂安特龙牵头，在加州的洲际公路以及旧金山的城区完成了至少 48 万公里的测试，2012 年 5 月 8 日，美国内达华州允许无人驾驶汽车上路三个月后，美国机动车驾驶管理处为谷歌的无人驾驶汽车颁发了全球第一张合法的无人驾驶车牌[18]。
【学位授予单位】：吉林大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：U463.6

【相似文献】