智能汽車換道路徑規劃研究

吉思源

摘 要：換道是智能汽車在道路行駛操作中重要部分之一。傳統的換道路徑規劃方法在進行換道路徑規劃時往往只考慮車輛運動學及動力學約束，所生成的換道路徑與熟練駕駛員駕駛車輛的行駛軌跡有很大差別。因此，文章通過研究熟練駕駛員的換道行駛路徑特征，提出了一種仿熟練駕駛員換道路徑規劃方法，能夠有效提高智能汽車舒適性。關鍵字：智能汽車;路徑規劃;換道;舒適性中圖分類號：TP212 ?文獻標識碼：A ?文章編號：1671-7988（2019）01-27-03

Study on the Route Planning of Smart Vehicle

Ji Siyuan

（ Nanjing No.29 Middle School， Jiangsu Nanjing 210000 ）

Abstract：?Lane-changing is an important operation of the intelligent vehicle driving on the road. Only the kinematic and dynamic constraints are taken into account in the traditional path planning methods， and the path generated by the traditional methods is very different from the actual trajectory of the vehicle driven by the experienced driver.?In this paper， a path planning method for imitating the lane-changing operation of experienced driver is presented by studying the characteristics of lane-changing path of the experienced drivers. The results show that the method can effectively improve the passenger comfort of intelligent vehicles.Keywords： Intelligent vehicle; Path planning; Lane changing; Passenger?comfortCLC NO.： TP212??Document Code： A??Article ID：?1671-7988（2019）01-27-03

1 引言

近年來，隨著車輛保有量的持續增加，交通安全問題在不斷惡化。大力發展智能汽車，實現無人駕駛，能夠有效地改善交通安全問題。無人駕駛技術主要由三大模塊組成：環境感知模塊、路徑規劃模塊以及軌跡跟蹤模塊^[1]。其中，路徑規劃又分為局部路徑規劃和全局路徑規劃。局部路徑規劃根據環境感知模塊得到的車輛周圍環境信息以及行駛工況信息，在保證車輛安全行駛的前提下，滿足車輛運動學和動力學約束，為智能汽車規劃出一條在下一段時間內的行駛路徑^[2]。

換道行為是智能汽車在道路行駛操作中的重要組成部分之一，涉及車輛的橫向和縱向速度與位移的同時變化。在考慮障礙物、道路形狀以及車輛動力學等因素影響的基礎上，采用人工勢場法^[3]、最優控制等先進算法進行路徑規劃時，會導致軌跡曲率發生突變。換道路徑的優劣嚴重影響著智能汽車的平順性和舒適性，采用曲率連續的曲線所規劃的路徑能夠滿足車輛運動學及動力學的要求。基于曲率連續曲線所生成的行駛路徑的特征與控制點的選擇有很大的關系，當換道開始與結束位置確定時，根據運動學約束可以規劃出一條平滑的行駛路徑。然而在換道起點與終點相同的情況下，不同類型的駕駛員所選擇的換道路徑也會不同，換道過程狀態往往會對車輛行駛舒適性造成影響。

傳統的換道軌跡規劃算法往往只考慮車輛安全性及運動學和動力學的約束，不能滿足不同乘客對車輛舒適性的要求^[4-5]。針對現階段換道軌跡算法只考慮換道結束位置，不考慮換道過程的問題，本文通過邀請不同的駕駛員駕駛不同的試驗車輛進行換道操作，同時記錄下換道行駛路徑，分析換道過程特征點和換道結束位置點的特性。采用多項式對試驗軌跡進行擬合，得到不同駕駛員在不同工況下所選擇的換道行駛路徑。基于試驗所得到的最優軌跡數據庫，采用MATLAB自帶的神經網絡工具箱建立熟練駕駛員換道模型，提出一種基于熟練駕駛員的換道軌跡規劃算法，能夠滿足不同類型乘客對車輛行駛舒適性的要求，減少智能汽車乘客的暈車概率。

2 試驗及數據處理

2.1 換道試驗

為了研究不同駕駛員在不同工況下換道操作的特性，本文通過邀請5位熟練駕駛員進行實車換道試驗，駕駛員信息如表1所示。由于駕駛經驗和個性的不同，不同駕駛員的駕駛習性將會不同，根據駕駛員駕駛習性的不同，我們把駕駛員分為激進型、中間型和保守型三種。在行駛過程中，車輛由于避障或超車等原因需要進行換道操作。本實驗把換道分為兩個工況：避障換道和普通換道。出于安全考慮，通過改變實驗樁的位置來模擬不同的障礙距，圖1所示為進行避障實車實驗。

2.2 試驗數據處理

為了更加準確的對試驗數據進行分析，需要將GPS記錄的大地坐標系（LLA）中經度、緯度和高程等數據坐標轉換為地理坐標系（g）中的坐標。然而，大地坐標系與地理坐標系之間很難進行直接互換，此時需引入地球直角坐標系（e）。如圖2所示，為大地坐標系、地理坐標系和地球直角坐標系的關系。

圖中p點在大地坐標系（LLA）中的坐標為（L，λ，h），在地球直角坐標系（e）中的坐標為（X_e，Y_e，Z_e）。通過式（1）可以得到點p在地球直角坐標系下的坐標。

式中：R_N是橢球曲率半徑，;e是橢球偏心率，，橢球長半徑R_e，橢球短半徑R_p。

為了便于以后對行駛路徑的分析，將地理坐標系的坐標原點設在行駛軌跡的初始記錄點，需要對地球直角坐標系中每個采樣點的坐標進行式（2）的變換。

接著，將地球直角坐標系下的坐標經過式（3）變換為地理坐標系中的坐標。

至此，車輛換道試驗行駛路徑就可以在地理坐標系中二維平面內用二維坐標（x_g，y_g）來準確表達。將車輛行駛路徑的三維坐標轉換為二維平面坐標，為接下來的路徑擬合奠定了基礎。

3 仿熟練駕駛員操縱特性的換道路徑規劃

路徑曲線的曲率連續是影響車輛平穩行駛最重要的因素之一。多項式表達式簡潔明了，各階導數連續，且只需要改變各項系數，就可以得到不同的形狀。因此，本文使用多項式曲線可以準確擬合出不同工況下的行駛路徑。通過確定車輛換道起點和終點的狀態，很難刻畫出熟練駕駛員換道過程中的特征，需加入換道過程狀態約束。通過對試驗數據進行分析，將整個換道過程可以分為三個階段：避撞、回轉及調整階段，用回轉階段末的車輛位置狀態（x_m，y_m）作為換道過程點的狀態約束。考慮起點和終點一階及二階導數為零的約束，采用六次多項式作為換道軌跡的表達式，如式（4）所示：

為了提高智能汽車在換道工況下的舒適性，以不同類型的熟練駕駛員在不同工況下所選擇的試驗路徑數據為基礎，采用MATLAB自帶的神經網絡工具箱建立熟練駕駛員換道路徑規劃模型。訓練模型輸入有速度、駕駛類型、換道意圖以及障礙距離，輸出為車輛過程點狀態坐標（x_m，y_m）和結束點縱向距離x_f。此外，車道寬D為已知量。如表2所示為神經網絡訓練數據分類。

4 仿真分析

為了驗證本文提出的仿熟練駕駛員換道路徑規劃算法在不同工況下的性能，基于軟件，進行了不同工況下的仿真試驗。

設置避障仿真試驗工況：駕駛類型為激進型，速度40km/?h，車道寬為3.75m，開始轉向時前方障礙距本車35m。圖3（a）為激進型駕駛員在車速為40km/h下仿真換道軌跡和實際

軌跡。圖3（b）為避障換道仿真軌跡與實際軌跡之間的橫向偏差，最大橫向偏差僅為0.075m，精度較高。

5 總結

本文提出了一種新的智能汽車換道路徑規劃方法。可以根據車輛的車速、換道意圖、障礙距以及駕駛風格實時地輸出一條能夠使車輛平穩行駛的路徑。首先通過大量的實車實驗得到熟練駕駛員在不同工況下所選擇的換道行駛路徑，接著提取每條換道軌跡的結束點以及過程特征點，得到每條路徑的表達式。然后基于神經網絡建立熟練駕駛員模型，并采用實驗數據進行訓練。最后通過仿真試驗可以看出，本文所設計的算法能夠根據車輛行駛工況及駕駛類型的不同，生成一條理想的換道軌跡，此路徑與相同工況下熟練駕駛員所選擇的換道軌跡基本吻合。因此，本文提出的換道路徑規劃算法可以模仿熟練駕駛員實現換道，提高智能汽車換道行駛時的穩定性，增加了乘客的舒適性，同時還能夠實現無人駕駛車輛的個性化行駛。

參考文獻

[1] 陳濤，李曉旭，孫林等.智能車輛設計中駕駛員模型回顧與展望[J]. 汽車技術，2014（6）：1-6.

[2] 朱曼曼，杜煜.基于智能車的決策系統關鍵技術的綜述[J].北京聯合大學學報（自然科學版），2015，29（1）：70-74.

[3] Korayem， M.H.; Nekoo， S.R. The SDRE control of mobile base cooperative manipulators： Collision free path planning and moving obstacle avoidance. Robot. Auton. Syst. 2016， 86， 86-105.

[4] 楊帆.無人駕駛汽車的發展現狀和展望[J].上海汽車，2014，3：35-40.

[5] 張文明，韓泓冰，楊玨等.基于駕駛員行為的神經網絡無人駕駛控制[J].華南理工大學學報（自然科學版），2016，44（12）：74-80.