论文部分内容阅读
自动驾驶汽车是促进智能交通系统发展的重要工具,能够有效减少因人为错误引发的交通事故,具有重要的理论意义和实用价值。作为自动驾驶汽车的关键技术之一,轨迹规划系统需要对自动驾驶汽车当前所处驾驶场景进行准确的风险评估,并基于风险评估结果规划出车辆的轨迹,从而保证自动驾驶汽车与其他交通车辆进行安全且合理的交互。这要求在每个规划周期内准确预测驾驶场景中其他交通车辆的未来运动轨迹。但在真实的城市交通场景中,车辆的运动轨迹不仅受到道路结构、交通标识、交通规则等先验知识的约束,还取决于场景中其他动态交通参与者以及驾驶员主观驾驶意图等不确定性后验知识。但现有轨迹预测方法,由于没有充分结合驾驶场景中的先验和后验知识,只适用于特定的驾驶场景,无法满足上述需求。另外,现有的轨迹规划方法忽略了驾驶场景中交通车辆与自动驾驶汽车的交互作用,简单的碰撞检测不能准确地反映规划状态的安全性,容易导致规划结果不安全、不合理和不智能。针对当前研究中存在的问题,本文设计并实现了基于交互性预测的轨迹规划系统,研究内容主要包括以下几个方面:(1)针对复杂多变的驾驶场景难以有效表达以及因输入维度过高引起的组合爆炸问题,本文提出了基于本体论的驾驶场景建模以及多属性场景评估方法。采用基于本体的语义描述方法描述驾驶场景中的道路结构、交通标志、交通参与者等实体的概念和关系。并采用多属性场景评价方法,将驾驶场景中的道路实体和实体关系从安全性、合法性、合理性三方面进行评估。实现了驾驶场景中先验知识的有效表达,同时降低了输入维度。(2)针对以往预测模型在驾驶场景中不能充分结合先验和后验知识的问题,提出了一种驾驶知识驱动的基于LSTM(Long Short-Term Memory)网络的轨迹预测模型。与以往使用绝对坐标训练网络模型的研究不同,本文将知识推理得到的驾驶意图转换为预测参考基线,并使用基于预测参考基线的弗莱纳(Frenet)坐标训练LSTM网络。本文网络模型能够有效地结合驾驶场景中的先验和后验知识,无需根据特定的驾驶场景人工标注训练数据集。降低了网络的训练难度,改善了数据稀疏问题,提高了网络的场景适应性和长期预测精度。(3)以往基于MPC(Model Predictive Control)的轨迹规划方法较少提及驾驶场景中其他交通车辆未来的运动轨迹对轨迹规划的影响。本文提出了考虑多车交互的基于MPC的轨迹规划方法,在碰撞检测中引入了时空栅格图,能够准确判断规划风险。在速度规划中引入了 S-T图,能够生成针对不同驾驶策略的速度曲线。本文规划方法由于考虑了驾驶场景中交通车辆之间的交互作用,能够有效降低规划结果潜在的安全风险。本文在城区复杂动态环境中开展了大范围长距离的实车实验。结果表明,本文所述方法能够有效提高自动驾驶汽车轨迹规划的合理性、安全性和智能性,并保证了自动驾驶汽车与其他交通车辆进行安全且合理的交互,促进了城区复杂动态场景下自动驾驶汽车智能化水平的提升。