复杂约束下自动驾驶车辆运动规划的计算最优控制方法研究

发布时间：2020-07-22 14:56

【摘要】：自动驾驶车辆的发展与推广在保障行车安全、提高通行效率、建设智慧交通体系等方面具有重要意义。在自动驾驶技术水平不断向着更高层级跃迁的渐进发展过程中,各层级技术均存在不足,即便是已实现产业化的辅助驾驶系统仍存在着继续提升的潜力。在自动驾驶车辆的诸多核心技术模块中,运动规划负责生成车辆的局部行驶轨迹,是体现驾驶智慧水平的直接、关键环节。本文研究了自动驾驶车辆的运动规划问题。求解车辆运动规划问题的方法主要包括图搜索方法、随机采样方法、曲线插值方法、机器学习方法以及最优控制方法。采用最优控制问题的形式对车辆运动规划任务建模具有准确、直接、客观、统一的优点,这是其它几类方法不具备的。用于描述车辆运动规划任务的最优控制问题往往较为复杂,复杂性体现为1)描述车辆运动特性的动态方程具有较强非线性;2)描述车辆躲避碰撞的约束条件具有较强非线性,甚至体现非凸性及病态性;3)多车协同运动规划任务中,上述复杂因素将叠加/耦合,且车辆之间的碰撞躲避约束条件数目随着车辆数目几何增长。这些因素导致含有复杂约束的最优控制问题超出了传统解析方法的求解能力范围。随着计算机硬件及优化理论的发展,适用于求解一般最优控制问题的计算最优控制方法开始蓬勃发展起来。为了普适性地求解自动驾驶车辆运动规划任务对应的最优控制问题,本文采用计算最优控制方法,对精确建模、有效收敛以及实时求解三大核心问题进行了研究。本文的主要工作及创新点包括以下几方面:1)建立了自主泊车、多车协同车道变更及无信号灯路口多车协同通行任务对应的最优控制运动规划问题模型,该模型能够以统一的形式较为准确地描述上述场景下的自动驾驶车辆运动规律。在建模过程中提出了描述车辆之间碰撞躲避需求的解析形式约束条件,提出了保障运动过程安全可行性的平稳边值约束条件概念。2)采用全联立正交配置有限元方法将最优控制命题离散化为非线性规划问题,并采用内点算法对非线性规划问题进行求解。为保证迭代求解过程中不至出现收敛缓慢甚至收敛失败的情况,提出了基于简约空间初始化的收敛增强算法,具体包括时空解耦算法和渐进避撞约束算法,它们将原始命题中难以同时处理的完整复杂约束条件进行分解,在一系列难度递增的子问题中逐步予以解决,从而有效提高最优控制命题的离线求解效率。3)为实现在线运动规划,提出了“预估+重构+求解”的基本计算架构,提出了两类在线运动规划方法,分别利用标准问题集和简单问题转化策略实现对最优控制问题的在线求解。为完成在线运动重规划任务,提出了基于有限元配置点重构初始化的基本方法,以及多尺度容错优化策略。本文设计并开展了大量仿真实验,从泛化求解能力、求解质量以及求解速度等方面对各算法进行了检验。在自动泊车任务中,本文提出的方法能够统一处理各种类别的泊车场景,无论遇到宽敞或狭窄的泊车环境,均能一致有效求解。在多车协同变更车道任务中,本文提出的方法能够充分挖掘车辆编队的运动能力,呈现巧妙的高质量协同运动行为。在无信号灯路口多车协同通行任务中,本文提出的方法能够充分利用路口空间,使潜在冲突的车辆之间恰好躲避碰撞,总体上呈现复杂但有秩序的路口通行行为。随着感知、通讯、控制等模块的发展逐渐饱和,车辆运动决策模块的巨大潜力将逐步得到重视。本文聚焦于如何提升自动驾驶车辆的运动决策质量,将对未来自动驾驶车辆乃至智能交通系统中高质量运动决策模块的发展提供技术参考。
【学位授予单位】：浙江大学
【学位级别】：博士
【学位授予年份】：2018
【分类号】：U463.6;O232
【图文】：

示意图,规划决策,职能,模块

浙江大学博士学位论文逦第１章绪论逡逑的起点、终点等信息；路线规划环节负责计算一条衔接起点、终点的导航路线；在车辆沿逡逑导航路线行驶途中，自动驾驶车辆需要进行局部的行为规划及运动规划；行为规划环节负逡逑责生成驾驶行为意图，包括车道保持、车道变更、转弯、超车等；随后，运动规划环节根逡逑据行为意图生成具体的局部行车轨迹。图１．４利用一则实际案例来诠释规划决策模块中各逡逑环节的职能。逡逑逦—－邋－－－－－邋—邋逦逡逑

规划方法,车辆,智能优化算法

［８７］、变更车道？、保持车道［８８］、超车［８９］以及转弯［９0］等驾驶情境中。在采用计算最优控制方逡逑法时，离散化生成的ＮＬＰ问题具有决策变量维度高、约束条件复杂的特点，如何确保ＮＬＰ逡逑问题求解的收敛性与快速性是该方法未来发展中的关键议题。逡逑基于最优控制形式建立的问题模型中一般包含复杂约束条件，一些研究将这些复杂约逡逑束条件进行大幅度简化或改造，并采用现代智能优化算法对简化问题进行求解。粒子群逡逑［９１］、蚁群［９２］、随机分形搜索［９３］、和声搜索Ｍ等群智能算法或元启发式算法均被用于求解车逡逑辆路径或轨迹。由于寻优过程中利用随机搜索机制，智能优化算法仅适用于求解包含筒单逡逑边界约束的问题。并非所有复杂约束均可以通过改造为惩罚项的方式得到精确满足，因此逡逑现代智能优化算法的泛化求解能力存在缺陷。逡逑至此，我们对五类车辆运动规划基本方法进行了回顾。需要说明的是，这些方法在解逡逑决实际问题时往往并非独立使用，而是通过相互“取长补短’’来完成运动规划任务，因此经逡逑常可以发现一些文献中的算法同时属于多个基本类别。图１．６对本小节所提及具体算法的逡逑类别归属情况进行了盘点。逡逑

示意图,矩形,顶点

均不与矩形〗相撞；（ｂ）矩形＿／存在顶点与矩形Ｚ相撞，但矩形Ｚ＇的所有顶点均不与矩形Ｊ＋相撞；（ｃ）矩形ｉ逡逑存在顶点与矩承／相撞，且矩形ｙ存在顶点与矩形／相撞；以及（ｄ）矩形／、矩形ｙ的全部顶点均不碰撞．逡逑条件（图２．３）：逡逑＊＾ＡＰＡＢ邋＋邋＾ＡＰＢＣ逦＊＾ＡＰＣＤ邋＋邋＊＾ＡＰＤＡ邋＞邋＾ａＡＢＣＤ＇逦（２．８）逡逑其中＆代表三角形面积，怂代表矩形面积。该约束条件的理论证明在附录Ａ给出。逡逑ｐ逡逑／＾ｉｔ逦ｒ＾？７Ａ逡逑图２．３限制点Ｐ处于矩形ＡＢＣＤ外部的一种基于图形面积的约束条件示意图．逡逑利用条件（２．８）可建立车辆／与之间的碰撞躲避约束条件。为方便描述，将车辆／矩形逡逑轮廓的四个顶点分别定义为Ａ，、Ｂ，、Ｃ，以及Ｄ，，其中Ａ，代表车头左侧顶点，其余三个顶逡逑点按照顺时针方向确定。由车辆几何结构关系可得到上述四个顶点的坐标：逡逑Ａ，

【参考文献】