中高速超车场景下基于模型预测的无人车运动规划
发布时间：2021-09-22 01:15
自动驾驶技术是智慧交通、智慧城市的重要组成部分,对人类的生产、生活将会产生重要的意义。在无人驾驶技术的各个算法模块中,运动规划模块起着承上启下的作用,负责将感知系统、定位系统、预测系统的信息实时处理,以此规划出一条安全、舒适的行驶轨迹交由控制模块执行。在中高速的场景下自车周围的交通情况瞬息万变,如何高效、实时地规划出安全、舒适的行驶轨迹充满挑战。为此,本文以中高速超车场景下的无人车运动规划为研究内容展开。中高速超车场景中的运动规划问题存在以下几个特殊性:自身车辆高速行驶,其运动状态需要被精准的建模;周围的交通情况瞬息万变,与高速行驶的障碍车辆相关的免碰撞约束条件难以建立;多约束、非线性的优化问题计算复杂度高,且容易求解失败。现有的参数化曲线方法、搜索类方法、数值优化方法和学习类方法通常使用质点模型、运动学模型或光滑曲线描述自身车辆的运动状态,这样的建模方法不能准确描述车辆高速时的运动状态,所规划的轨迹控制模块难以跟踪,容易造成车辆的甩尾和倾侧。将周围车辆虚拟为多个连续静态障碍物的环境建模方法也存在不足,当交通流密度增加时这样的处理方法使得可行驶区域狭小,造成轨迹规划失败。针对中高速超车...
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
自动驾驶车辆技术框架[14]
中高速超车场景下基于模型预测的无人车运动规划41.2.2搜索类的方法无人驾驶车辆属于一种轮式移动机器人，运动规划、避障在机器人研究领域已经研究多年。主要的研究思路是前端模块完成粗略的路径搜索，后端模块进行路径的平滑。在前端的轨迹搜索方面主要有两大类方法，一种是图搜索方法，另一种是随机采样方法。用于轨迹搜索的图通常有以下几种类型：1)位状态栅格地图。通常依据感知系统采集的环境信息，将其离散化成栅格，有障碍物的栅格标记为1，可行驶的栅格标记0。后续在此地图上完成路径搜索。2)状态空间网格地图。这类方法通常对系统的控制量进行离散化，以系统的动力学模型进行逐个递推得到新的状态，以此构成一个高纬度的网格地图用于下一步的轨迹搜索。3)路网地图。结构化道路有其特殊性，对沿着道路的中心线以一定的间隔进行横纵向的离散化，这样可以大大降低搜索的维度。在图搜索算法中Dijkstra算法、A*方法最具代表性。Dijkstra算法是一种广度优先算法，在搜索时有一定的盲目性，JonathanBohren根据交通流变化情况，使用该方法自适应地计算航路点序列[7]。Ａ*算法是一种启发式的搜索方法，当启发函数的估计值小于真实的代价时，可以确保搜索到最优路径，该算法通常应用于栅格地图的路径搜索[8]。2008年的美国DAARPA比赛中斯坦福大学的Junior无人车使用了混合Ａ*算法，并最终取得了比赛的亚军，后来Stentz等人提出了一种可在动态环境中完成最短路径搜索的D*算法[9]，学者们又提出了多种对A*方法的改进方法，如FieldD*[10],Theta*[11]和AnytimeD*(AD*)[12]。图1.2Junior无人车使用的混合A*算法
第1章引言5在随机采样方法中，概率图模型（PRM）[13]和快速搜索随机树（RRT）[14]最具代表性，这类方法可以解决高维空间中的规划问题。在文献[15]和文献[16]中讨论采样方法的一些改进方法。Yoshiak[17]将RRT算法应用于路径的实时增量式搜索，但是规划出来的的路径不是最优的，且不稳定、不连续。Karaman等人[18]开发了RRT*算法，该方法可以收敛至最优，但难以解决复杂的多约束和曲率难以控制的问题。使用随机采样方法或图搜索方法得到粗略的路径后，可以使用平滑曲线或二次规划方法完成路径的平滑，最终交由控制模块执行。图1.3状态空间搜索方法中的运动基元构造基于状态空间的搜索方法可以考虑车辆动力学约束和曲率连续约束，因此省略后端的轨迹平滑环节。Howard[19]对车辆的控制量进行离散，使用车辆运动学模型进行状态递推，得到如图所示的状态空间网格[20]，通过构建损失函数并使用动态规划方法进行求解，最终得出最优的行驶轨迹。这类方法在低速场景中有着良好的表现，但不适合高速驾驶，当对状态量或控制量的离散程度增加时将会都导致计算复杂度大大增加。1.2.3数值优化方法（1.1）（1.2）（1.3）数值优化算法可以多约束、非线性的运动规划问题进行建模，所以在规划、控制领域得到了广泛应用[21]。通常将运动规划问题可以建模为公式1.1-1.3的优化问题，基于安全性、舒适性考虑得到公式1.1的目标函数，公式1.2和1.3为车辆运动
本文编号：3402853
【文章来源】：中国科学院大学(中国科学院深圳先进技术研究院)广东省
【文章页数】：65 页
【学位级别】：硕士
【部分图文】：
自动驾驶车辆技术框架[14]
中高速超车场景下基于模型预测的无人车运动规划41.2.2搜索类的方法无人驾驶车辆属于一种轮式移动机器人，运动规划、避障在机器人研究领域已经研究多年。主要的研究思路是前端模块完成粗略的路径搜索，后端模块进行路径的平滑。在前端的轨迹搜索方面主要有两大类方法，一种是图搜索方法，另一种是随机采样方法。用于轨迹搜索的图通常有以下几种类型：1)位状态栅格地图。通常依据感知系统采集的环境信息，将其离散化成栅格，有障碍物的栅格标记为1，可行驶的栅格标记0。后续在此地图上完成路径搜索。2)状态空间网格地图。这类方法通常对系统的控制量进行离散化，以系统的动力学模型进行逐个递推得到新的状态，以此构成一个高纬度的网格地图用于下一步的轨迹搜索。3)路网地图。结构化道路有其特殊性，对沿着道路的中心线以一定的间隔进行横纵向的离散化，这样可以大大降低搜索的维度。在图搜索算法中Dijkstra算法、A*方法最具代表性。Dijkstra算法是一种广度优先算法，在搜索时有一定的盲目性，JonathanBohren根据交通流变化情况，使用该方法自适应地计算航路点序列[7]。Ａ*算法是一种启发式的搜索方法，当启发函数的估计值小于真实的代价时，可以确保搜索到最优路径，该算法通常应用于栅格地图的路径搜索[8]。2008年的美国DAARPA比赛中斯坦福大学的Junior无人车使用了混合Ａ*算法，并最终取得了比赛的亚军，后来Stentz等人提出了一种可在动态环境中完成最短路径搜索的D*算法[9]，学者们又提出了多种对A*方法的改进方法，如FieldD*[10],Theta*[11]和AnytimeD*(AD*)[12]。图1.2Junior无人车使用的混合A*算法
第1章引言5在随机采样方法中，概率图模型（PRM）[13]和快速搜索随机树（RRT）[14]最具代表性，这类方法可以解决高维空间中的规划问题。在文献[15]和文献[16]中讨论采样方法的一些改进方法。Yoshiak[17]将RRT算法应用于路径的实时增量式搜索，但是规划出来的的路径不是最优的，且不稳定、不连续。Karaman等人[18]开发了RRT*算法，该方法可以收敛至最优，但难以解决复杂的多约束和曲率难以控制的问题。使用随机采样方法或图搜索方法得到粗略的路径后，可以使用平滑曲线或二次规划方法完成路径的平滑，最终交由控制模块执行。图1.3状态空间搜索方法中的运动基元构造基于状态空间的搜索方法可以考虑车辆动力学约束和曲率连续约束，因此省略后端的轨迹平滑环节。Howard[19]对车辆的控制量进行离散，使用车辆运动学模型进行状态递推，得到如图所示的状态空间网格[20]，通过构建损失函数并使用动态规划方法进行求解，最终得出最优的行驶轨迹。这类方法在低速场景中有着良好的表现，但不适合高速驾驶，当对状态量或控制量的离散程度增加时将会都导致计算复杂度大大增加。1.2.3数值优化方法（1.1）（1.2）（1.3）数值优化算法可以多约束、非线性的运动规划问题进行建模，所以在规划、控制领域得到了广泛应用[21]。通常将运动规划问题可以建模为公式1.1-1.3的优化问题，基于安全性、舒适性考虑得到公式1.1的目标函数，公式1.2和1.3为车辆运动
本文编号：3402853
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3402853.html
