详情

原文传递不确定性环境下智能车辆轨迹规划研究

论文题名：	不确定性环境下智能车辆轨迹规划研究
关键词：	智能车辆;深度学习;轨迹预测;轨迹规划
摘要：	近年来，计算机技术飞速发展，为汽车行业注入了全新的血液，汽车智能化浪潮不断向前推进。然而，由于交通环境复杂多变、交通参与者的意图无法提前知晓，实现车辆的全自动驾驶必将面临巨大挑战。特别地，在交通参与者意图不确定性尤为明显的无信号灯十字路口等场景，合理地规划主车轨迹成为了一项极具挑战的任务。因此，研究不确定性环境下车辆的轨迹规划具有重大的现实意义。　　本文的研究目标为使自动驾驶车辆在无信号灯控制的十字路口等具有高度不确定性的场景下，能够规划出具备无碰撞、舒适性佳等特点的主车轨迹。本文主要的研究工作包括以下几项：　　（1）基于深度学习方法生成初始主车路径。首先，针对Argoverse2轨迹预测数据集，结合本文的研究场景编写数据挖掘规则对数据集进行数据挖掘与数据清洗，以获取本研究所需场景下的数据质量较好的案例；其次，编写标注规则实现对挖掘得到的场景案例进行批量化方向标注的功能；然后，对场景案例数据进行预数理，并搭建深度学习模型，同时结合上述批量化标注所获得的方向标签实现模型的训练。最后，计算模型在测试集上的输出结果指标，结果表明本研究搭建的模型能够输出较为合理的主车路径。　　（2）优化初始的主车路径并构建参考线。首先，构造非线性约束问题对深度学习模型生成的初始路径进行优化，获得较为平滑的主车路径点；然后，采用三次样条插值方法对平滑后的主车路径点进行插值，以获取连续的路径，并以该路径曲线为参考线建立主车的Frenet坐标系。　　（3）为优化后的主车路径匹配速度。首先，明确主车ST图的构建过程；其次，将在ST图中进行主车速度求解的问题建模为动态规划（DynamicProgramming，DP）问题，并利用DP实现了主车速度粗解的求解；然后，在DP所开辟的凸空间内，考虑速度曲线的连续性约束、速度约束、加速度约束等，采用二次规划（QuadraticProgramming，QP）方法实现对速度曲线的平滑；最后，在以主车参考线构建起的Frenet坐标系下，实现主车路径与速度曲线的耦合，最终得到主车轨迹。　　（4）进行算法有效性验证。首先基于Argoverse2数据集中的真实数据，将本文规划算法所规划出的轨迹与数据集中的真实轨迹进行对比，初步证明了本文规划算法的有效性；然后在SUMO中构建无信号灯十字路口、T形路口的动态仿真场景，并提取场景中的地图、车辆轨迹数据以构建深度学习模型的输入；接着搭建自行车模型作为主车的车辆模型，同时构建Stanley轨迹跟踪控制器对本研究规划出的轨迹进行跟踪；最后，通过SUMO与Python联合仿真，对主车在无信号灯十字路口直行、左转、右转以及T形路口直行等场景进行了仿真。结果表明，本文提出的算法能够规划出合理的行驶轨迹，并保证车辆在高度不确定性环境下行驶的安全性及舒适性。
作者：	马小未
专业：	车辆工程
导师：	赵伟强
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023