一种基于模型预测控制的拟人化自动驾驶策略

1.本发明涉及自动驾驶技术领域，具体涉及一种基于模型预测控制的拟人化自动驾驶策略。


背景技术：

2.近年来，由于自动驾驶技术为解决城市拥堵、环境污染、交通安全问题提供了全新的解决方案，因此得到了空前的发展和广泛的关注。自动驾驶策略中的决策规划是自动驾驶中的关键技术之一，具体又可分为全局路径规划与局部路径规划。局部规划是指基于车辆实时运行状态以及环境状态，规划车辆未来短时间内的实际行驶轨迹。
3.自动驾驶汽车的局部规划本质上可归结于一个优化问题，即在给定的约束条件下，实现其优化目标的最优轨迹和状态的求解。其中，碰撞安全、车辆稳定性是该优化问题的约束条件。现有技术中大多仅考虑碰撞安全的软约束，即可以尽可能避免主车与障碍车之间的距离过近，但无法完全避免主车与障碍车发生碰撞；同时因为不同驾驶人在驾驶障碍车时的驾驶风格大相径庭，如果对主车按照相同的局部规划自动驾驶策略进行控制，因为策略没有结合不同驾驶人驾驶障碍车的驾驶风格，在复杂动态行驶环境下无法实时、准确的评估车辆行驶风险。


技术实现要素：

4.针对现有技术存在的不足，本发明提出一种基于模型预测控制的拟人化自动驾驶策略，以解决现有技术中存在的自动驾驶决策规划仅能实现简单环境下的避障行驶，面对复杂动态行驶环境时无法实时、准确的评估车辆行驶风险的技术问题。
5.本发明采用的技术方案是，一种基于模型预测控制的拟人化自动驾驶策略，包括以下步骤：
6.根据车辆非线性运动学模型建立基于模型预测控制算法的车辆状态预测模型；
7.基于混合逻辑动态方法，结合车辆状态预测模型建立自动驾驶车辆碰撞安全硬约束；
8.根据碰撞安全硬约束，以表征舒适性和控制能耗的性能目标为目标函数，建立决策规划优化模型；
9.基于驾驶员拟人化行为特征，对决策规划优化模型中的性能目标进行权重赋值，得到基于模型预测控制的拟人化自动驾驶策略。
10.进一步的，以车速和前轮转角作为系统输入，建立的车辆非线性运动学模型如下：
[0011][0012]
在上式中，v为车辆车速，θ为车辆航向角，δ为车辆前向轮转角，l为车辆轴距，x，y为车辆的质心x，y坐标。
[0013]
进一步的，模型预测控制算法包括：
[0014]
采用泰勒公式对车辆非线性运动学模型进行一阶线性化，省略高阶误差项，离散化后，可得：
[0015][0016]
将车辆的质心x，y坐标、车辆航向角θ、车辆前向轮转角δ、车辆车速v作为状态变量，令状态变量为γ＝[x y θ δ v]
t
，则有：
[0017][0018]
δu＝[δδ δv]
t
[0019]
其中，n
x
、nu分别为状态空间变量维度、控制变量维度；
[0020]
设模型预测步长为t，预测步数为n
p
，令车辆状态全部输出，即：
[0021][0022][0023]
可得在n
p
步的车辆状态预测模型。
[0024]
进一步的，车辆状态预测模型如下：
[0025]
γ＝ψ
·
γ θ
·u[0026]
在上式中，γ为系统的预测输出，γ＝[x y θ δ v]
t
为状态变量，ψ为状态空间变量维度的矩阵形式，θ为控制变量维度的矩阵形式，u为控制变量矩阵。
[0027]
进一步的，基于混合逻辑动态方法，结合车辆状态预测模型建立自动驾驶车辆碰撞安全硬约束，包括：
[0028]
通过逻辑描述建立混合逻辑动态系统模型；
[0029]
基于混合逻辑动态系统模型，引入逻辑变量分别处理纵向与横向运动维度上的碰撞安全性条件；
[0030]
根据碰撞安全性条件，结合车辆状态预测模型得到自动驾驶车辆碰撞安全硬约束。
[0031]
进一步的，碰撞安全性条件包括：
[0032]sx
＝l ξ(v
x
)
·
δt
[0033][0034]
在上式中，ξ(
·
)为正相关函数，δt表示预测时间步长，∈为横向安全裕度；l、w分别为主车安全矩形的长度、宽度；
[0035]
混合逻辑动态系统模型如下：
[0036][0037]
在上式中，混合逻辑动态系统的状态空间由连续状态xc与逻辑状态x
l
组成，如下：
[0038][0039]
混合逻辑动态系统的输出状态为：
[0040][0041]
混合逻辑动态系统的控制状态为：
[0042][0043]
上式中，e(t)为第一逻辑算子，z(t)为连续的辅助变量；
[0044]
碰撞安全硬约束如下：
[0045][0046]
进一步的，性能目标包括：最小化控制能耗，最小化转角输入，最小化速度变化，最小化每个规划周期终点的车道偏离距离。
[0047]
进一步的，决策规划优化模型为：
[0048][0049]
在上式中：
[0050][0051][0052][0053][0054]
r1表示与车辆横向位移相关的权值，r2表示与车辆转角相关的权值，r3表示与车辆纵向运动相关的权值。
[0055]
进一步的，驾驶员拟人化行为特征包括：车速、转向轮转角和横向偏离中线距离。
[0056]
进一步的，基于驾驶员拟人化行为特征，对决策规划优化模型中的性能目标进行权重赋值，建立的性能目标的权重矩阵方程如下式：
[0057][0058]
在上式中，r
lc
,r
lk
分别表示在一段行驶时间内驾驶员变道行驶与车道保持的相对比率，ω表示变道行驶与车道保持时的3种驾驶员拟人化行为特征的相对比率。
[0059]
由上述技术方案可知，本发明的有益技术效果如下：
[0060]
1.生成的自动驾驶策略严格遵循碰撞安全硬约束，避免碰撞发生。
[0061]
2.结合车辆状态与控制的边界约束，以及控制能耗和舒适性作为目标，保证驾驶策略的合理性。
[0062]
3.考虑不同驾驶员的驾驶特性，赋以系统不同的权重分配，模拟不同驾驶员的驾驶规律，所得的自动驾驶策略符合不同驾驶员的驾驶习惯。
附图说明
[0063]
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
[0064]
图1为本发明实施例的方法流程图；
[0065]
图2为本发明实施例的非线性运动学模型示意图；
[0066]
图3为本发明实施例的车辆碰撞检测几何示意图。
具体实施方式
[0067]
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案，因此只作为示例，而不能以此来限制本发明的保护范围。
[0068]
需要注意的是，除非另有说明，本技术使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
[0069]
实施例
[0070]
本实施例提供了一种基于模型预测控制的拟人化自动驾驶策略，如图1所示，包括以下步骤：
[0071]
s1：根据车辆非线性运动学模型建立基于模型预测控制算法的车辆状态预测模型
[0072]
s1.1：根据车速和前轮转角建立车辆非线性运动学模型
[0073]
以车速和前轮转角作为系统输入，建立的车辆非线性运动学模型为：
[0074][0075]
在上式(1)中，v为车辆车速，θ为车辆航向角，δ为车辆前向轮转角，l为车辆轴距，x，y为车辆的质心x，y坐标。
[0076]
s1.2：根据车辆非线性运动学模型建立基于模型预测控制算法的车辆状态预测模型
[0077]
模型预测控制算法包括：采用泰勒公式对上式(1)进行一阶线性化，省略高阶误差项，离散化后，可得：
[0078][0079]
将车辆的质心x，y坐标、车辆航向角θ、车辆前向轮转角δ、车辆车速v作为状态变量，令状态变量为γ＝[x y θ δ v]
t
，则有：
[0080][0081]
δu＝[δδ δv]
t
[0082]
其中，n
x
、nu分别为状态空间变量维度、控制变量维度。
[0083]
设模型预测步长为t，预测步数为n
p
，令车辆状态全部输出，即
[0084][0085][0086]
则在n
p
步，车辆状态预测模型为下式(2)：
[0087]
γ＝ψ
·
γ θ
·uꢀꢀꢀ
(2)
[0088]
在上式(2)中，γ为系统的预测输出，γ＝[x y θ δ v]
t
为状态变量，ψ为状态空间变量维度的矩阵形式，θ为控制变量维度的矩阵形式，u为控制变量矩阵。
[0089][0090][0091]
[0092][0093]
对于ψ、γ、θ、u中的预测步数n
p
按以下方式求得：
[0094]
在实际行车时，障碍车距离主车较近时，车辆行驶风险较高，需要更长的预测时域以进行更长远的规划。因此，在具体的实施方式中，预测步数的选取考虑障碍车离主车的距离这一变量，令sh为障碍车距离主车的最短距离，则预测步数n
p
可表示为下式：
[0095][0096]
其中，《》表示取整运算。
[0097]
s2：基于混合逻辑动态方法建立自动驾驶车辆碰撞安全硬约束
[0098]
针对自动驾驶车辆行驶安全性评估问题，为保证车辆状态预测模型在进行预测优化求解时，车辆严格处于安全行驶状态，本实施例中，建立对碰撞安全的硬约束，设计基于动态逻辑系统的安全性约束描述方法，准确评估车辆在给定环境信息下是否会发生碰撞，将该约束作为模型预测控制决策规划的硬约束，保证在存在有效解的情况下，车辆不会发生碰撞。具体如下：
[0099]
通过建立平面运动几何关系模型进行安全性评估，判断主车是否与障碍车发生碰撞，分别考虑纵向与横向的碰撞安全条件，运用混合逻辑动态系统法，利用逻辑变量区分不同运动维度，实现复杂的碰撞安全性评价。
[0100]
s2.1：通过逻辑描述建立混合逻辑动态系统模型
[0101]
基于连续状态空间与逻辑算子之间的转化算法得到相应的不等式约束，将含有连续状态变量与逻辑变量的逻辑描述控制模型转化为不等式模型，用于动力学分析与计算之中，得到混合逻辑动态系统模型。
[0102]
在具体的实施方式中，定义逻辑对应关系如下表1所示：
[0103]
表1
[0104][0105]
由表1的逻辑定义可以得到逻辑运算真值表，如表2所示：
[0106]
表2
[0107][0108]
基于真值表表2，引入第一逻辑算子e∈{0 1}参与运算。其中e＝0表示x＝f，反之，e＝1表示x＝t。以第一逻辑算子代替语义状态的真假值后，逻辑运算可以转化为数值运算，如下：
[0109]
～x1等价于e1＝0
[0110]
x1∨x2等价于e1 e2≥1
[0111]
x1∧x2等价于e1＝1,e2＝1
[0112]
x1→
x2等价于e-e2≤1
[0113]
等价于e
1-e2＝0
[0114]
等价于e1 e2＝1
[0115]
在本实施例中，定义语义状态为连续状态空间，利用逻辑算子作为连续状态空间的开关，建立连续状态与逻辑运算之间的关联；
[0116][0117]
其中，f(
·
)是多维线性函数，自变量x的定义域为x，定义两个常数：
[0118]
[0119][0120]
可得：
[0121]
～[f(x)≤0]为真等价于f(x)≥∈
[0122]
[f(x)≤0]∨[e＝1]为真等价于f(x)≤me
[0123]
[f(x)≤0]∧[e＝1]为真等价于f(x)-e≤-1 m(1-e)
[0124]
其中，∈为计算精度，是一个极小正数。可得：
[0125]
[f(x)≤0]
→
[e＝1]为真等价于f(x)≥∈ (m-∈)e
[0126]
为真等价于
[0127]
通过上式可将含有连续状态变量与逻辑变量的逻辑描述控制模型转化为不等式模型，用于动力学分析与计算之中，可得到混合逻辑动态系统模型如下式(3)：
[0128][0129]
其中，混合逻辑动态系统的状态空间由连续状态xc与逻辑状态x
l
组成，如下：
[0130][0131]
混合逻辑动态系统的输出状态为：
[0132][0133]
混合逻辑动态系统的控制状态为：
[0134][0135]
上式中，e(t)为第一逻辑算子，z(t)为连续的辅助变量。
[0136]
s2.2：基于混合逻辑动态系统模型，引入逻辑变量分别处理纵向与横向运动维度上的碰撞安全性条件，得到自动驾驶车辆碰撞安全硬约束
[0137]
基于混合逻辑动态系统模型，引入逻辑变量分别处理纵向与横向运动维度上的碰撞安全性条件，使得每个预测状态下主车与障碍车不发生碰撞，从而保证优化求解时车辆不发生碰撞。
[0138]
主车不与障碍车发生碰撞的几何描述为，主车所占据的空间与障碍车所占据的空间不相交。为避免过于激进的行驶控制，在具体的实施方式中，对主车的安全范围增加了安全裕度如图3中的矩形范围所示，设车辆的安全区域为长为2s
x
，宽为2sy的矩形范围。探测到障碍车距主车质心距离为xr，yr。主车安全矩形与障碍车矩形不相交的条件为：
[0139][0140]
其中，表时“当且仅当”，即两端条件等价。λ1,λ2为第二逻辑算子，通过第二逻
辑算子限定不等式条件。即，当左边不等式成立时，右边第二逻辑算子取1，表示成立，反之，当左边不等式不成立时，第二逻辑算子取0，表示不成立。第二逻辑算子λ1,λ2的取值有三种情况，如下：
[0141][0142]
此种情况表示纵向判定与横向判定均不成立，即障碍车在纵向与横向均处于安全范围之外；
[0143][0144]
此种情况表示纵向判定成立，横向判定不成立，即障碍车在纵向方向已经进入安全范围，但是横向方向安全；
[0145][0146]
此种情况表示横向判定成立，纵向判定不成立，即障碍车在横向方向已经进入安全范围，但是纵向方向安全。
[0147]
上述三种情况均是主车安全的判定条件，不满足以上三种条件时，主车与障碍车发生碰撞。如图3所示，安全裕度与纵向运动与横向运动的尺度有关，在纵向运动中，主车车速越大，其碰撞风险越大，应具有更大的安全裕度，在本实施例中，令纵向安全裕度与主车车速呈正相关关系。车辆的横向速度较低，横向安全裕度可近似取固定值。在具体的实施方式中，纵向与横向的安全裕度分别为：
[0148]sx
＝l ξ(v
x
)
·
δt
[0149][0150]
其中，ξ(
·
)为正相关函数，为便于计算取ξ(v
x
)＝v
x
，δt表示预测时间步长，∈为横向安全裕度，l、w分别为主车安全矩形的长度、宽度。
[0151]
将主车安全矩形与障碍车矩形不相交的条件转化为四个状态约束，引入第三逻辑算子σ1,σ2,σ3,σ4描述不等式状态，且将第三逻辑算子σ1,σ2,σ3,σ4代入不相交条件公式中得
[0152]
等价于
[0153]
等价于
[0154]
等价于
[0155]
等价于
[0156]
λ1＝σ1σ2等价于
[0157]
λ2＝σ3σ4等价于
[0158]
λ1 λ2≤1
[0159]
结合车辆状态预测模型式(2)，得到碰撞安全硬约束如下式(4)：
[0160][0161]
在上式(4)中：
[0162][0163]
[0164][0165][0166][0167]
其中，ψ
xy
与θ
xy
为只考虑x与y输出的系数矩阵。表示kronecker积，为
[0168][0169]
s3：以最小化控制能耗，最小化转角输入，最小化速度变化，最小化每个规划周期终点的车道偏离距离为目标函数，建立决策规划优化模型
[0170]
为保证自动驾驶汽车控制可达，建立对状态变量和控制变量的边界约束。此外，针对决策规划的优化问题，考虑自动驾驶汽车的行驶舒适性和控制能耗，建立合理的优化目标函数。
[0171]
s3.1：建立车辆预测的状态边界和控制输入边界
[0172]
在本实施例中，状态边界γ为：
[0173]
γ
min
≤γ≤γ
max
[0174]
其中，γ
min
与γ
max
分别为边界约束，具体的：
[0175][0176]
根据γ
min
与γ
max
，表征控制输入边界的控制变量u可表示为：
[0177]aineq
u≤b
ineq
[0178][0179]
s3.2：根据状态边界和控制输入边界建立目标函数，结合碰撞安全硬约束，建立决策规划优化模型
[0180]
建立目标函数时，考虑以下4种性能目标，包括最小化控制能耗、最小化转角输入、最小化速度变化、最小化每个规划周期终点的车道偏离距离：
[0181]
(a)最小化控制能耗
[0182][0183]
(b)最小化转角输入
[0184][0185]
(c)最小化速度变化
[0186][0187]
(d)最小化每个规划周期终点的车道偏离距离
[0188][0189]
以上四个性能指标中，(b)、(c)、(d)可影响车辆乘坐人员舒适性的感受。结合以上四个性能指标，可得到决策规划优化模型如下式(5)：
[0190][0191]
在上式(5)中：
[0192][0193][0194][0195][0196]
r1,r2,r3分别表示各参数的权值，r1表示与车辆横向位移相关的权值，r2表示与车
辆转角相关的权值，r3表示与车辆纵向运动相关的权值。
[0197]
s4：基于驾驶员拟人化行为特征对决策规划优化模型中的性能目标进行权重赋值，得到基于模型预测控制的拟人化自动驾驶策略
[0198]
在具体的实施方式中，选择车速、转向轮转角和横向偏离中线距离这三个可测量的指标作为驾驶员拟人化行为特征的表征参数。考虑车辆在道路行驶的两种状态下即变道与车道保持时，驾驶员的拟人化行为特征通常不同，因此分别考虑两种行驶状态下的特性，建立的性能目标的权重矩阵方程如下式(6)：
[0199][0200]
其中，r
lc
,r
lk
分别表示在一段行驶时间内驾驶员变道行驶与车道保持的相对比率，ω表示变道行驶与车道保持时的3种驾驶员拟人化行为特征的相对比率。
[0201]
车辆在道路行驶过程中，基于行驶时间的车道变换与车道保持的相对比率为：
[0202][0203][0204]
车道变换与车道保持的相对比率将用于对两个行驶状态下的各个特性指标的权值标准化，实现对不同状态权值的统一分析。
[0205]
针对驾驶员特性指标，考虑一组连续随机样本，包括三个指标x1,x2,x3，每个指标采集到样本为xi＝{x1,x2,x3,
…
,xj}，首先对样本进行归一化处理消除量纲不同的影响。
[0206][0207]
则方差权、熵权以及统一权分别为：
[0208]
方差权：
[0209][0210]
熵权：
[0211][0212]
其中令可得
[0213][0214]
统一权：
[0215]
τ＝[1,1,1]
[0216]
其中，方差权与熵权分别是行驶性能目标的权重中的各个特性的权值，而统一权
则是不考虑驾驶员特性，赋予计算后的权值。
[0217]
在得到了在车道变换和车道保持过程中，方向盘转角、车速和横向位置偏差的各项权重后，对每个性能目标的总权重在标准化后计算，即
[0218][0219]
其中，为量纲归一化系数
[0220][0221]
综上，通过对驾驶员行驶特性指标的统计，设计相应特性在决策规划优化模型中性能目标中的相对权重，得到基于模型预测控制的拟人化自动驾驶策略。
[0222]
通过采用本实施例的技术方案，生成的自动驾驶策略严格遵循碰撞安全硬约束，避免碰撞发生；结合车辆状态与控制的边界约束，以及控制能耗和舒适性作为目标，保证驾驶策略的合理性；考虑不同驾驶员的驾驶特性，赋以系统不同的权重分配，模拟不同驾驶员的驾驶规律，所得的自动驾驶策略符合不同驾驶员的驾驶习惯。
[0223]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。