新浪博客

高速公路无人驾驶的分层抽样多动态窗口轨迹规划算法

2024-08-22 09:12阅读：

http://blog.sina.cn/dpool/blog/u/1304706164

引用本文

张琳, 薛建儒, 马超, 李庚欣, 李勇强. 高速公路无人驾驶的分层抽样多动态窗口轨迹规划算法. 自动化学报, 2024, 50(7): 1315−1332 doi: 10.16383/j.aas.c210673
Zhang Lin, Xue Jian-Ru, Ma Chao, Li Geng-Xin, Li Yong-Qiang. Stratified sampling based multi-dynamic window trajectory planner for autonomous driving on highway. Acta Automatica Sinica, 2024, 50(7): 1315−1332 doi: 10.16383/j.aas.c210673
http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c210673


关键词

无人驾驶，轨迹规划，运动规划，贝叶斯网络

摘要

高速公路无人驾驶轨迹规划面临着实时性强、安全性高的挑战. 为此, 提出一种分层抽样多动态窗口的轨迹规划算法(Stratified sampling based multi-dynamic window trajectory planner, SMWTP). 首先, 用多动态窗口表征可行轨迹的搜索空间, 并基于贝叶斯网络构建轨迹概率分布模型. 其次, 采用先速度后路径的分层抽样策略生成符合动态场景约束的候选轨迹集合. 最后, 利用引入障碍车辆速度估计不确定性的责任敏感安全模型(Responsibility sensitive safety, RSS)从中选择最优轨迹. 大量仿真实验和实际交通场景测试验证了算法的有效性, 对比实验结果表明, 所提算法性能显著优于人工势场最优轨迹规划算法和多动态窗口模拟退火轨迹规划算法.

文章导读

近年来, 自动驾驶技术发展迅猛. 运动规划作为其中的基础性问题之一备受关注. 高速公路属结构化场景, 车辆运动速度高, 无人车的运动规划仍面临着高安全性、高可靠性、高实时性等挑战[1].

无人车运动规划主要考虑两个核心问题: 场景表征与轨迹规划. 场景表征需结合高速公路的结构化特性, 重点考虑交通要素、交通规则与障碍车辆对无人车运动的影响. 常用的人工势场模型[2-4]引入电磁场中的引力和斥力来表征场景要素对无人车的约束[2], 例如文献[3]将轨迹规划转化为在时间−势场模型中寻找代价最小的路径问题. 势场由车道线、道路边界、障碍物以及期望行驶速度四部分组成[4]. 然而, 这类势场模型往往使换道难度增大, 导致规划算法过于偏好车道保持的轨迹. 与势场模型不同, 多动态窗口法[5]则依据场景约束将速度采样限定在速度空间的多个窗口内, 并采用模拟退火法进行求解.

轨迹规划通常包含两个步骤: 1) 选择目标点或目标区域; 2) 生成轨迹. 即先选定轨迹的候选区域, 再根据定义的目标函数生成最优轨迹[6]. 通过确定候选区域可将非凸的轨迹规划问题转化为求目标函数最小的凸优化问题, 但轨迹质量严重依赖候选区域, 极易因决策错误导致规划轨迹不理想甚至失败. 文献[7]对已有的高速公路无人车行为决策方法进行总结与分析, 指出仅通过行为决策很难确定出候选区域或目标点. 因此, 需选择多个候选区域或目标点[8], 但同时也引入了候选区域或目标点数目难以确定的问题. 文献[9]使用分类回归树的方式解决无人车在高速场景中的行为决策问题. 但限于学习样本的规模问题, 无法有效处理所有场景.

轨迹生成方法的研究可大致分为两类: 一类为在未被障碍物占据的时间−位形空间(Time-configuration space)中搜索最优行驶轨迹, 主要有共形时空间栅格(Conformal spatiotemporal lattice)[10-12]和基于模型的运动预测控制(Model predictive control)[13-16]. 共形时空间栅格由满足车辆运动学约束的曲线构成, 包含障碍物轨迹与道路边界, 生成轨迹与道路形态相符. 但由于求解空间维数高, 节点与边的数量随探索距离的增加呈指数上升, 使计算量显著增大. 此外, 用固定运动模板作为共形时空间栅格的边减弱轨迹生成对动态场景的适应性. 基于模型预测控制的方法在每个时刻进行运动预测, 通过数值优化法来计算最优动作序列, 从而实现控制效果最优. 但该类算法的缺点是需要精确的系统模型.

另一类方法称为轨迹解耦, 主要有横−纵向轨迹解耦[8, 17-18]和路径−速度二元组解耦[19-26]. 横−纵向轨迹解耦通过约束每一时刻目标状态的取值范围获得有限候选轨迹集合[16], 该类方法与最优控制结合, 保证了规划轨迹的平滑性与轨迹跟踪的稳定性. 但由于候选轨迹生成时难以考虑障碍物约束与车辆动力学约束. 为保证有解, 需采样大量轨迹. 为克服这一问题, 文献[18]通过拓扑元素表征场景约束, 并采用A* 搜索和二次规划分别求得纵向和横向轨迹. 路径−速度二元组解耦方法通常先规划路径, 再为路径选择速度曲线[19]. 这类方法分别通过路径规划处理环境中的静态障碍物约束、速度规划处理环境中的动态障碍物约束. 如文献[20]通过弹性带表征静态障碍物和选定的动态障碍物对路径形状的影响. 文献[21–24]在生成路径曲线后通过参数化曲线、凸优化等方法求出光滑无碰的速度曲线. 为提高轨迹质量, 常采用路径规划和速度规划迭代优化的方法[25-26]. 但由于路径规划时并没有考虑动态障碍物, 因此可能无法给出合理的路径, 也无法为速度规划提供有效的求解空间.

受上述工作启发, 本文提出一种分层抽样多动态窗口轨迹规划算法(Stratified sampling based multi-dynamic window trajectory planner, SMWTP), 包含多动态窗口与轨迹分布模型的构建以及最优轨迹选择三步, 所提算法流程如图1所示.本文的主要贡献有:
高速公路无人驾驶的分层抽样多动态窗口轨迹规划算法
图 1 SMWTP算法框图
1)基于贝叶斯网络的轨迹分布模型. 采用多动态窗口表征高速路场景中轨迹规划的搜索空间, 同时考虑窗口选择与轨迹生成, 用贝叶斯网络构造了轨迹分布模型.
2)高效的先速度后路径的分层抽样方法. 多动态窗口将搜索空间定义在速度−位形空间, 先选择窗口再生成轨迹, 使复杂的轨迹抽样可通过分层抽样策略予以简化. 轨迹生成时采用先速度后路径分层抽样的方式, 使候选轨迹符合动态场景约束, 解决了路径规划优先无法处理动态障碍物对轨迹形状影响的问题.
3)考虑障碍车辆速度估计不确定性的责任敏感安全模型. 通过引入障碍车辆速度估计的不确定性的责任敏感安全模型(Responsibility sensitive safety, RSS)对规划轨迹的安全性进行准确估计, 提升了轨迹的安全性和鲁棒性.

本文结构安排如下: 第1节介绍多动态窗口的构建; 第

我的更多文章

下载客户端阅读体验更佳

APP专享