论文部分内容阅读
在自动驾驶系统中,轨迹规划模块对于车辆的安全性和驾驶效率有着至关重要的作用。轨迹规划是根据当前环境信息(地图、静态/动态障碍物等)和车辆状态信息规划出具有安全性、舒适度和驾驶效率的轨迹,并且生成的轨迹需要满足车辆运动学约束与工作空间约束(如障碍物约束)。轨迹由路径和速度两部分组成,直接对轨迹进行求解的方法求解维度较高、复杂度较大。因此,本文针对智能车辆的轨迹规划任务,采取分别求解路径和速度的策略,在路径规划时考虑静态障碍物,在速度规划的过程中考虑动态障碍物,最后综合路径规划与速度规划,得到时空维度的轨迹,主要研究成果如下:·针对结构化和非结构化场景下的路径搜索问题,综合利用基于随机采样和数值优化的规划策略,提出了收敛速度快且满足平滑性和安全性要求的路径规划算法:-为了解决传统RRT算法普遍存在的采样效率低和收敛速度慢等问题,提出了启发式采样的策略根据规划目标及障碍物分布对场景进行非均匀采样,从而大大提高了采样效率;-考虑到车辆的连续运动和场景的连续变化,提出了随机树的预处理策略,利用上一帧的搜索结果进行初始化,从而提高了动态场景下的搜索效率;-在有限时间内,基于RRT算法得到的路径搜索结果往往平滑度不够,因此设计了基于数值优化的算法并利用搜索到的路径得到初始解,进而对路径的平滑性和安全性进行精细化的优化;-针对结构化场景,采用了基于Frenet坐标系构造搜索空间,用于描述场景中的车道约束,从而算法可以同时适用于非结构化和结构化场景。·考虑到场景中的运动障碍物,将基于随机采样的策略推广到速度规划中,提出了渐近最优的速度规划算法,从而可以统一化地处理结构化和非结构化场景下的速度规划问题:-提出了车辆s-t运动空间来描述自车运动以及和障碍物之间的关系,将高维的轨迹空间映射到二维的s-t空间,从而降低了算法复杂度;-基于RRT策略对运动空间进行随机采样搜索,并对速度曲线进行渐近优化,其中优化指标包括车辆的舒适度、安全性和驾驶效率;-在RRT搜索过程中,综合考虑运动及场景约束对空间扩张策略进行优化,并对随机树进行在线剪枝和重构,实现速度曲线的渐近优化。·针对动态环境下的车辆轨迹规划问题,将路径规划及速度规划策略进行综合,提出了针对通用场景(结构化和非结构化场景)的轨迹规划策略,基于总体的轨迹优化目标优化得到最优轨迹,在保证车辆驾驶安全的前提下提高驾驶效率。