曹 波,李永樂,趙 凱,朱 愿
(1.陸軍軍事交通學(xué)院鎮(zhèn)江校區(qū),江蘇鎮(zhèn)江212003;2.陸軍軍事交通學(xué)院軍事交通運(yùn)輸研究所,天津300161)
決策規(guī)劃是智能車關(guān)鍵技術(shù)之一,旨在綜合環(huán)境感知和任務(wù)規(guī)劃等信息生成可行的行駛軌跡,為自動(dòng)控制奠定基礎(chǔ).智能車決策分為橫向決策和縱向決策:橫向決策用于規(guī)劃無(wú)碰撞路徑;縱向決策用于規(guī)劃平滑的速度曲線,提高智能車行駛過程的安全性和舒適性.
杜明博[1]為克服復(fù)雜場(chǎng)景對(duì)智能車決策實(shí)時(shí)性和準(zhǔn)確性的影響,提出基于ID3決策樹的駕駛行為決策模型,滿足智能車對(duì)決策子系統(tǒng)的要求.張立增[2]提出基于機(jī)理和規(guī)則的智能車方向和速度混合決策模型,將安全性和合法性基于規(guī)則建模,以約束預(yù)瞄加速度可行域,提高智能車的行駛安全性.Gao 等[3]為解決傳統(tǒng)決策方法在陌生或復(fù)雜條件下適應(yīng)性較差問題,提出基于獎(jiǎng)勵(lì)和更新函數(shù)的強(qiáng)化Q 學(xué)習(xí)決策,隨機(jī)模擬實(shí)驗(yàn)驗(yàn)證了其可行性.
已有方法能有效解決智能車決策問題且具有較好效果,但未考慮被決策對(duì)象所處環(huán)境對(duì)其行為約束及其運(yùn)動(dòng)狀態(tài)的變化.基于此,本文提出基于行為識(shí)別的縱向決策方法.構(gòu)建環(huán)境車輛運(yùn)動(dòng)模式識(shí)別模型,建立相應(yīng)的軌跡預(yù)測(cè)方程并求解,提出基于預(yù)測(cè)軌跡的決策模型,對(duì)單個(gè)環(huán)境車輛做出縱向決策,并綜合所有決策結(jié)果做出綜合決策.
使用同一環(huán)境模型描述空間域和時(shí)間域信息比較困難,故分別就空間域和時(shí)間域建立環(huán)境模型.
采用SL圖進(jìn)行空間域建模,如圖1所示,以當(dāng)前位置為坐標(biāo)原點(diǎn),軌跡前進(jìn)方向?yàn)镾軸正方向,軌跡垂直方向朝右為L(zhǎng)軸正方向,s0、l0分別環(huán)境車輛在S軸和L軸的坐標(biāo).
圖1 空間域環(huán)境模型Fig.1 Spatial domain environment model
ST 圖即路徑—時(shí)間圖,是基于當(dāng)前時(shí)間域位置和行駛軌跡建立S-T坐標(biāo)系,將交通參與者相關(guān)信息投影至坐標(biāo)系中.如圖2 所示,智能車沿軌跡S行駛,動(dòng)態(tài)交通參與者(以動(dòng)態(tài)環(huán)境車輛為例)在t0~t1期間行駛至S0與S1之間的某個(gè)位置.
2.1.1 車輛運(yùn)動(dòng)模式
結(jié)構(gòu)化道路中運(yùn)動(dòng)模式主要包括直行、換道[4]和轉(zhuǎn)彎(調(diào)頭)3種.假設(shè)行駛受交通規(guī)則約束,換道時(shí)保留安全距離,轉(zhuǎn)彎限定在特定區(qū)域.
圖2 智能車ST 圖示意圖Fig.2 Intelligent vehicle ST figure schematic diagram
動(dòng)態(tài)交通參與者軌跡預(yù)測(cè)如圖3 所示.首先,獲取一定范圍的道路信息(交通規(guī)則),得到運(yùn)動(dòng)模式集;結(jié)合環(huán)境車輛當(dāng)前狀態(tài)和運(yùn)動(dòng)模式集識(shí)別行為,確定結(jié)束狀態(tài)位姿信息;基于初始和結(jié)束狀態(tài)生成預(yù)測(cè)軌跡.
圖3 動(dòng)態(tài)交通參與者軌跡預(yù)測(cè)流程Fig.3 Process of dynamic traffic participant trajectory prediction
2.1.2 運(yùn)動(dòng)模式識(shí)別
運(yùn)動(dòng)模式識(shí)別可簡(jiǎn)化為判斷車輛是否保持直行.
(1)換道識(shí)別.
換道識(shí)別由車輛偏離當(dāng)前車道中心的程度判斷,定義Y為車輛偏離左右車道距離值向量,即Y=[σ,?],σ和?分別為車輛中心與左、右邊線的距離.當(dāng)前車道中心與車道左右邊線的距離為Y1=[Δσ,Δ?],Δσ=Δ?,統(tǒng)計(jì)距離的平方為
式中:P1和P分別為Y1和Y協(xié)方差矩陣;D2是卡方分布.
為減少偶然性誤差,增強(qiáng)識(shí)別準(zhǔn)確性,選取N組有效歷史數(shù)據(jù),根據(jù)時(shí)效性賦予數(shù)據(jù)相應(yīng)權(quán)重ωi,時(shí)間性越強(qiáng)權(quán)重越大,Di為第i組數(shù)據(jù)的卡方分布值.
選取閾值ψ:Dk≤ψ時(shí),環(huán)境車輛保持直行,記作0;Dk>ψ時(shí),車輛換道,若σ>?,車輛向右換道,記作1,若σ<?,車輛向左換道,記作-1.根據(jù)道路環(huán)境獲取換道合法性標(biāo)志γ:僅可左換道記作-1,僅可右換道記作1,左右均可換道記作2,只能直行記作0.識(shí)別結(jié)果如表1所示.
表1 環(huán)境車輛運(yùn)動(dòng)模式識(shí)別Table 1 Environment vehicle motion pattern recognition
(2)轉(zhuǎn)彎識(shí)別.
車輛駛?cè)肼房跁r(shí),根據(jù)所處車道類型,判斷是否轉(zhuǎn)彎及轉(zhuǎn)彎類型.若有多個(gè)轉(zhuǎn)彎選擇,根據(jù)各個(gè)選擇分別生成預(yù)測(cè)軌跡.
在SL 坐標(biāo)系下,運(yùn)動(dòng)狀態(tài)向量S、L.預(yù)測(cè)初始狀態(tài)已知,預(yù)測(cè)結(jié)束狀態(tài)根據(jù)是否換道選取.
2.2.1 換道軌跡
車輛一般在4~8 s 內(nèi)完成換道,換道后沿目標(biāo)車道中心行駛.故換道軌跡預(yù)測(cè)的終點(diǎn)為目標(biāo)車道中心,且終點(diǎn)航向與車道中心線航向一致.
2.2.2 非換道軌跡
非換道軌跡包含直行和轉(zhuǎn)彎,根據(jù)駕駛習(xí)慣,通常沿車道中心行駛,故不換道軌跡終點(diǎn)為目標(biāo)車道中心,預(yù)測(cè)時(shí)長(zhǎng)與換道時(shí)長(zhǎng)一致.
預(yù)測(cè)初始和結(jié)束狀態(tài)確定后,分別構(gòu)建縱向和橫向運(yùn)動(dòng)狀態(tài)模型.縱向運(yùn)動(dòng)簡(jiǎn)化為勻變速運(yùn)動(dòng),由L0和Lf確定起始、結(jié)束狀態(tài)的位姿參數(shù);建立關(guān)于時(shí)間的五次樣條曲線[5]橫向運(yùn)動(dòng)模型.車輛軌跡變化為
式中:s(t)、l(t)分別為軌跡的橫向和縱向坐標(biāo)值,S0為縱向行駛參數(shù)向量,P、Q分別為五次、二次時(shí)間序列向量;B為五次系數(shù)向量.
將L0和Lf帶入式(3),系數(shù)為
式中:R=(L0,Lf)T;λ為系數(shù)矩陣,即
至此,獲得預(yù)測(cè)時(shí)長(zhǎng)內(nèi)動(dòng)態(tài)環(huán)境車輛運(yùn)動(dòng)狀態(tài).
3.1.1 單個(gè)環(huán)境車輛決策
縱向決策主要考慮動(dòng)態(tài)環(huán)境車輛(簡(jiǎn)稱環(huán)境車輛).環(huán)境車輛預(yù)測(cè)軌跡與智能車行駛軌跡關(guān)系包括無(wú)交集區(qū)域和有交集區(qū)域.有交集區(qū)域時(shí),在時(shí)間域上的相互關(guān)系為:環(huán)境車輛位于軌跡上方,環(huán)境車輛位于軌跡下方和環(huán)境車輛與軌跡相交等.據(jù)此,縱向決策集包含保持、先行、讓行.
(1)保 持.
如圖4所示,當(dāng)環(huán)境車輛不影響智能車縱向行駛時(shí),智能車保持當(dāng)前行駛狀態(tài).
圖4 保持縱向決策Fig.4 Maintain longitudinal decision
(2)先 行.
如圖5所示,智能車在時(shí)間域上先于環(huán)境車輛通過軌跡交集區(qū)域.
圖5 先行縱向決策Fig.5 Leadlongitudinal decision
(3)避 讓.
如圖6所示,智能車在時(shí)間域上晚于環(huán)境車輛通過軌跡交集區(qū)域.
圖6 避讓縱向決策Fig.6 Avoid longitudinal decision
3.1.2 綜合決策
如圖7所示,智能車行駛環(huán)境可能包含多個(gè)決策結(jié)果不同的環(huán)境車輛,而智能車縱向駕駛行為僅為加速、減速和勻速行駛.在單個(gè)環(huán)境車輛決策結(jié)果的基礎(chǔ)上,綜合處理所有環(huán)境車輛,做出合理的綜合決策,轉(zhuǎn)化為智能車縱向駕駛行為.
圖7 加速、減速和勻速綜合決策Fig.7 Comprehensive decisionamongacceleration,deceleration and uniform driving
在決策集中做出合理選擇,即完成綜合縱向決策.假設(shè)智能車以速度v勻速行駛生成自身軌跡se=vt,其中,t為行駛時(shí)長(zhǎng),t∈(0,8).若智能車與環(huán)境車輛在軌跡預(yù)測(cè)時(shí)長(zhǎng)內(nèi)沒有交集,決策結(jié)果為保持;若兩者軌跡存在交集,即?t0∈(0,8) ,使s=se=vt,其中,s為環(huán)境車輛S軸坐標(biāo),基于時(shí)效性和安全性原則,決策為
式中:st表示預(yù)測(cè)的環(huán)境車輛在t時(shí)刻的縱向坐標(biāo),se為智能車t時(shí)刻的縱向坐標(biāo).
縱向綜合決策結(jié)果直接影響智能車縱向行駛安全性,故基于安全性原則綜合所有環(huán)境車輛的決策結(jié)果,依照避讓、先行(保持)的優(yōu)先級(jí)關(guān)系做出決策,即
式中:Vmax為智能車期望速度.
基于自主研發(fā)的智能車平臺(tái)驗(yàn)證所提決策方法的合理性,平臺(tái)硬件構(gòu)成主要包括感知設(shè)備、計(jì)算平臺(tái)和電源模塊.
實(shí)驗(yàn)環(huán)境包括城市快速路和復(fù)雜環(huán)境下的城市道路(彎道、十字路口、紅綠燈、人行道及限速標(biāo)志等典型靜態(tài)元素),交通參與者包括環(huán)境車輛、自行車、行人,具有數(shù)量多、類型雜、不確定性大的特點(diǎn),滿足實(shí)驗(yàn)條件.實(shí)車測(cè)試16 次,采樣間隔4 s,采樣時(shí)長(zhǎng)2 s.以當(dāng)前幀對(duì)所有動(dòng)態(tài)環(huán)境車輛行為識(shí)別結(jié)果是否與上一幀相同為判斷標(biāo)準(zhǔn)展開數(shù)據(jù)統(tǒng)計(jì),采集有效數(shù)據(jù)89 次,識(shí)別環(huán)境車輛658 輛.實(shí)驗(yàn)中所有環(huán)境車輛識(shí)別結(jié)果如表2所示.
表2 環(huán)境車輛行為識(shí)別Table 2 Environmental vehicle behavior identification
由表2可知,本文方法對(duì)環(huán)境車輛行為的識(shí)別率均在87%以上,效果較好.將采集的環(huán)境車輛行駛和預(yù)測(cè)軌跡信息取平均值進(jìn)行分析,CTRV 模型[6]、本文方法預(yù)測(cè)軌跡和實(shí)際軌跡變化(橫、縱軸分別為局部坐標(biāo)系橫縱坐標(biāo)值)如圖8所示.
由圖8 可知直行、換道和轉(zhuǎn)彎模式下:CRTV模型預(yù)測(cè)結(jié)果與實(shí)際軌跡最大誤差分別為0.2,1.3,18.7 m,平均誤差為0.1,0.6,7.2 m;本文預(yù)測(cè)方法最大誤差為0.2,06,2.1 m,平均誤差為0.1,0.3,0.8 m.本文軌跡預(yù)測(cè)誤差值均低于2.1 m,預(yù)測(cè)精度較高.單個(gè)環(huán)境車輛縱向決策結(jié)果如表3 所示,綜合決策結(jié)果如表4所示.
圖8 不同運(yùn)動(dòng)模式軌跡預(yù)測(cè)結(jié)果對(duì)比Fig.8 Comparison of trajectory prediction results of different motion mode
表3 單個(gè)環(huán)境車輛決策Table 3 Single environment vehicle decision
表4 智能車綜合決策Table 4 Intelligent vehicle comprehensive decision
智能車基于表3 和表4 決策結(jié)果進(jìn)行速度規(guī)劃和縱向控制,整個(gè)實(shí)驗(yàn)過程均能與環(huán)境車輛保持安全距離,縱向行駛平穩(wěn),安全性和舒適性較好.以3 個(gè)典型場(chǎng)景闡述決策結(jié)果的合理性,如圖9所示.
圖9 實(shí)車實(shí)驗(yàn)場(chǎng)景Fig.9 Real vehicle experiment scene
3 個(gè)實(shí)驗(yàn)場(chǎng)景中,距離智能車最近3 輛車的縱向決策結(jié)果如表5所示.
表5 縱向決策結(jié)果Table 5 Longitudinal decision results
場(chǎng)景1中:2號(hào)車向右換道,位于智能車前方約10 m處,兩車間距較小,根據(jù)軌跡預(yù)測(cè)結(jié)果(圖9(a)中環(huán)境車輛前方粒狀線條),屬于較緊急狀態(tài),為保證行駛安全,智能車減速避讓;1、3 號(hào)車距智能車較遠(yuǎn),可忽略.在內(nèi)部條件一致的前提下,智能車基于障礙檢測(cè)方法[7]和本文方法的決策結(jié)果,輸出速度曲線如圖10所示.基于障礙檢測(cè)方法,從0.9 s開始減速,持續(xù)1.1 s,減速度平均值為0.91 m/s2;基于本文方法,從0時(shí)刻開始減速避讓前方車輛,減速持續(xù)1.6 s,減速度平均值為0.31 m/s2.本文方法使智能車提前減速避讓環(huán)境車輛,提高行車安全性.
圖10 場(chǎng)景1 速度變化曲線Fig.10 Scenario first velocity curve
場(chǎng)景2 中:1 號(hào)車先從智能車右側(cè)換道進(jìn)入當(dāng)前車道,繼續(xù)向左換道后,位于前方約35 m處;2號(hào)車由右側(cè)車道進(jìn)入當(dāng)前車道,速度為34 km/h,距智能車約25 m;3號(hào)車位于智能車右側(cè)車道,直行;智能車速度為28.5 km/h,目標(biāo)車速為40 km/h.據(jù)此,智能車做出加速行駛的綜合決策.智能車基于障礙檢測(cè)方法和本文方法提供的決策結(jié)果,輸出速度曲線如圖11 所示.基于障礙物檢測(cè)方法的平均加速度為0.39 m/s2,平均減速度為0.53 m/s2;基于本文方法的平均加速度為0.35 m/s2,平均減速度為0.41 m/s2.本文方法使智能車在復(fù)雜動(dòng)態(tài)環(huán)境中加減速更加平穩(wěn),乘坐舒適性更佳.
圖11 場(chǎng)景2 速度變化曲線Fig.11 Scenario second velocity curve
場(chǎng)景3 中:1 號(hào)車位于左側(cè)車道前方,約25 m處,直行;2號(hào)車位于右側(cè)轉(zhuǎn)彎車道,速度約4 km/h;3號(hào)車位于左側(cè)第2車道;智能車位于丁字路口,行駛環(huán)境較復(fù)雜,當(dāng)前車速30 km/h,目標(biāo)車速30 km/h.雖存在較多干擾車輛,但智能車能準(zhǔn)確忽略影響,合理地勻速行駛.
綜上,本文方法的縱向決策結(jié)果合理,有效提升智能車行駛安全性和舒適性,算法具有可靠性.
本文決策模型的實(shí)車實(shí)驗(yàn)表明,基于本文方法的環(huán)境車輛軌跡預(yù)測(cè)精度高,縱向決策合理,對(duì)提高智能車行駛安全性和乘坐舒適性具有重要意義,促進(jìn)智能車進(jìn)一步實(shí)用化.后續(xù)研究需逐步完善,提高決策合理;此外,對(duì)多個(gè)環(huán)境車輛的綜合決策模型也需進(jìn)一步完善.