论文部分内容阅读
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。