CN112578672B - 基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法 - Google Patents

Abstract

本发明公开了基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法，所述轨迹控制系统包括：感知信号收集模块，用于获得当前车辆以及环境车辆行驶状态信息，并进行信号处理；驾驶决策模块，用于学习合适的决策参数值；轨迹规划模块，用于得到优化规划后的可行轨迹；其包含基于自行车模型设计的非线性车辆模型，适配于该模型的经由魔术公式改进后的多项式模型，以及为了减少计算时间，使用模型的不同离散时间步长和控制变量的控制时间步长来减少求解变量的数量；其适用于高级别自动驾驶车辆，目标是通过优化模型有效提高车辆系统在不同行驶工况下的自适应能力，进而使系统获得更优驾驶性能的条件下亦保证安全。

Description

基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制 方法

技术领域

本发明涉及无人驾驶技术领域，尤其涉及基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法。

背景技术

在过去的数十年中，交通事故造成的伤亡人数每年都在增加。自动驾驶汽车由于操作快速且感知准确，可以大大减少驾驶员分心和疲劳引起的事故。除了提高安全性外，自动驾驶汽车还可以大大提高驾驶舒适性，交通效率和能源经济性。目前，轨迹规划的四种主要方法为基于图搜索的方法，增量搜索法，曲线插值法和数值优化法。图搜索通过遍历所有环境网格找到最短路径。但是，所得路径并不连续，因此不适用于自动驾驶汽车。增量搜索方法允许节点在连续空间中随机地向目标延伸。但是，生成的轨迹是生涩的，通常不是最佳轨迹。曲线插值法可以生成平滑的路径，但是轨迹规划的结果取决于全局航路点，并且该方法在多变的环境中非常耗时。现有技术中，通常使用数值优化法来考虑道路和主车辆的约束。轨迹则是由约束和目标函数生成的。但是，优化过程需要在每个时间步执行，这很耗时间并且需要较高级别的硬件。因此，在路劲规划过程中，在保证模型精确性的前提下也需要考虑效率及计算时间的问题。

发明内容

本发明提出基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法，其包含基于自行车模型设计的非线性车辆模型，适配于该模型的经由魔术公式改进后的多项式模型，以及为了减少计算时间，使用模型的不同离散时间步长和控制变量的控制时间步长来减少求解变量的数量。该基于底盘非线性的无人驾驶汽车轨迹控制方法适用于高级别自动驾驶车辆，目标是通过优化模型有效提高车辆系统在不同行驶工况下的自适应能力，进而使系统获得更优驾驶性能的条件下亦保证安全，解决现有高级辅助驾驶及无人驾驶存在的上述问题。

本发明一方面提供基于底盘非线性的无人驾驶汽车轨迹控制系统，包括感知信号收集模块、驾驶决策模块和轨迹规划模块，所述感知信号收集模块、所述驾驶决策模块和所述轨迹规划模块共同构成一个基于参数化决策框架；

所述感知信号收集模块，用于获得当前车辆以及环境车辆行驶状态信息，并进行信号处理；

所述驾驶决策模块，用于学习合适的决策参数值；

所述轨迹规划模块，用于得到优化规划后的可行轨迹。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述感知信号收集模块，用于借助车载智能感知模块中雷达环境感知元件、车载摄像头得到的周围车辆的车道、速度、加速度、本车的车道、速度以及以本车车道为基准的相对距离，并通过环境车辆与其车道中心线的偏移或转向灯信息得到环境车的驾驶意图，收集数据用于后续驾驶决策的学习训练。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述驾驶决策模块，用于通过分析类人驾驶行为与交通环境的关系、及不同驾驶决策建立。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述驾驶决策模块，用于根据场景建立场景优化，实现对当前场景下的决策参数值进行求解。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述驾驶决策模块，对于城市工况，或高速公路工况，决策参数值包括换道及车道保持行为。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述轨迹规划模块，用于在模块中包含建立非线性模型及非线性模型预测方法的使用。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，所述非线性模型的建立基于车辆动力学及运动学模型并基于横、纵向运动控制。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统，进一步的，非线性模型预测方法，根据决策层关键决策参数，调整优化的目标并得到不同终端约束条件；并且在不基于固定轨迹形式的情况下，通过对优化问题在线求解并滚动优化进行轨迹规划。

本发明另一方面提供基于底盘非线性的无人驾驶汽车轨迹规划规划方法，其通过如本发明一个方面所述的基于底盘非线性的无人驾驶汽车轨迹控制系统实现，包括以下步骤，

步骤一，控制器模型的建立：

所述控制器模型的建立包括车辆动力学模型的建立与轮胎模型的建立；

步骤二，优化问题的建立：

基于各个约束条件求解，具体求解过程如下：

首先，将主车辆状况、交通信息和路线规划信息基于规则的所述驾驶决策模块的输入；根据设置的规则，根据障碍物的存在确定是否采取避障操作；确定后，将障碍物位置和目标车道将传递到所述轨迹规划模块；所述轨迹规划模块基于传递的信息规划最佳轨迹，并生成(x，y，δ，a)的序列；将该序列转换为执行器，并使得自动驾驶汽车遵循生成最佳轨迹；

其次，基于上级模块的决策形成轨迹规划，轨迹规划算法负责规划轨迹，使得车辆执行车道变换或车道保持动作；将轨迹规划实施表示为方程中的最优控制问题，以在预测范围[t，t+T]中找到控制变量U＝[δ,a]^T的最有控制序列，从而得到式(6a)和(6b)，

然后，如方程式(11a)与(11b)所示，将加速度和方向盘角度控制在预设范围内，以使得最佳控制结果在车辆的执行范围内；当出现障碍物时，将车辆避开障碍物。在优化过程中，使得每个优化步骤的障碍物坐标都落在主车辆周围的预设范围之外，以使得计划轨迹避免与障碍物碰撞；因车辆的纵向速度远大于横向速度，因此在避开障碍物时，在纵向上比横向留出更大的安全距离；则等式(11c)用来设置避开障碍物。

a_min≤a(t)≤a_max (11a)

δ_f,min≤δ(t)≤δ_f,max (11b)

步骤三，快速求解：

通过优化直接获得轨迹，通过简化仿真过程加快计算速度，通过延长控制时间步长减少要解决的变量数量。

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，步骤一的控制器模型的建立包括以下步骤，

第一步，车辆模型的建立，

非线性模型基于纵向和横向动力学，车辆坐标系的原点固定在车辆质量的中心；x轴平行于地面，y轴指向驾驶员的左侧。z轴垂直于由x轴和y轴形成的平面；根据牛顿第二定律可得式(1)和式(2)，

2·(F_yf+F_yr)＝m·a_y (1)

其中，m是车辆的质量，I_z是绕z轴的惯性矩；F_yf和F_yr分别是单个前轮胎和后轮胎的横向力。a_y表示横向加速度，ω表示车身的横摆率；l_f和l_r分别表示从质心到前后轴的距离；侧偏角可计算为β＝v_y/v_x，其中v_y和v_x分别是车辆重心的横向和纵向速度。

则侧滑率可以计算为

根据坐标系，前轮和后轮侧滑角表示为式(3)和式(4)，

结合以上动力学和运动学关系，非线性控制模型表示为式(5a)和(5b)，

其中，

是车辆的状态矢量；

是车辆的航向角；U＝[a,δ]是控制变量的向量；a是纵向加速度，δ是前轮的转向角；

第二步，轮胎模型的建立，

当横向加速度较小时，轮胎的横向力与侧偏角成线性关系，表示为F_y＝kα_y，其中k是轮胎的转弯刚度值；通过三角函数的组合来拟合轮胎测试数据；根据x的不同含义，使用相同的公式来表示纵向力，横向力或对齐扭矩；该公式如式(7)，

在该模型中，横向力是侧偏角，轮胎的垂直载荷和轮胎外倾角的函数；通过侧偏角的三次多项式来拟合式(7)，在侧偏角相反时计算相同的侧向力绝对值，F_y(α)为奇函数，则在构造多项式拟合公式时，采用侧偏角的奇次幂，得式(8),

F_y＝k₁α+k₂α³+k₃α⁵ (8)

其中，k₁,k₂,k₃是通过数值拟合方法计算的系数，α为轮胎侧偏角。

当车身滚动时，轮胎上的垂直载荷改变；车辆转弯时，转向系统中的柔性部件变形，且轮胎的侧向力会使悬架系统变形，则底盘的非线性会导致车辆模型变化，或在高速行驶时，则在车轮非线性侧向力前添加一个系数，以抵消底盘非线性对车辆模型的影响，得式(9)。

F_y,non＝e·(k₁α+k₂α³+k₃α⁵) (9)

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，第二步中轮胎模型的建立时，前后轮胎的侧向力使用多项式轮胎模型表示为式(10a)和(10b)。

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，步骤二中优化问题的建立时，减小车辆加速度的绝对值和转向角，同时减少换档和转向的次数；通过使用评估函数限制加速度，转向角和相应的导数来限制控制量及其导数，如式(12)。

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，将a和期望加速度之间的差以及y和目标坐标之间的差也添加到目标函数中，其中，目标坐标由车道改变或车道保持决定来确定，并由决策层生成，如式(13)和(14)，

P_a(X,U,t)＝[a(t)-a_tar]² (13)

P_y(X,U,t)＝[y(t)-y_tar]² (14)

则成本函数L可表示为式(15)。

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，步骤三中快速求解时，将不同的控制变量具有不同的控制时间步长。

本发明的基于底盘非线性的无人驾驶汽车轨迹规划规划方法，进一步的，步骤三中快速求解时，选取较短的离散时间步长和较小的控制时间步长，同时避免模型离散时间步长和控制时间步长相等，以提高计算速度，且获得合理的轨迹。

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法能够达到以下有益效果：

本发明的基于底盘非线性的无人驾驶汽车轨迹控制系统及其轨迹控制方法，具有如下优势，(1)其使用比传统自行车模型更精确的，同时考虑了纵向和横向动力学的非线性模型。使用转向和制动系统来实现对紧急避障的控制；(2)其推出的多项式模型不仅能够良好地适配于所提出的非线性车辆模型，并且兼具计算速度与准确性的优点；(3)其通过使用模型的不同离散时间步长和控制变量的控制时间步长，成功减少所用的求解过程的时间；(4)其通过更精确的模型，控制序列可以用作前馈控制，并伴有精细的反馈控制。这使得车辆即使在高速情况下也能获得良好的运动控制性能。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为控制系统结构框图。

图2为简化的车辆模型示意图。

图3为线性轮胎模型，魔术公式轮胎模型和多项式轮胎模型的比较。

图4为最优轨迹规划层次。

图5为主车辆的安全距离范围。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

以下结合附图，详细说明本发明各实施例提供的技术方案。

实施例1

基于底盘非线性的无人驾驶汽车轨迹控制系统，包含多个子模块，其结构框图如图1所示，主要包括：感知信号收集模块、驾驶决策模块和轨迹规划模块，共同构成一个基于参数化决策框架，适用于该轨迹控制系统。使用关键参数替代类人化的驾驶决策，可以更好的适应不同驾驶决策及多种驾驶场景下的复杂决策。

其中感知信号收集模块，用于获得当前车辆以及环境车辆行驶状态信息，并进行信号处理，包括：借助车载智能感知模块中雷达环境感知元件、车载摄像头得到的周围车辆的车道，速度，加速度，本车的车道，速度以及以本车车道为基准的相对距离，并通过环境车辆与其车道中心线的偏移或转向灯信息得到环境车的驾驶意图，收集数据用于后续驾驶决策的学习训练。

其中驾驶决策模块，学习合适的决策参数值。驾驶决策的关键参数集是通过分析类人驾驶行为与交通环境的关系，及不同驾驶决策的特点建立的。不同的决策场景的优化问题是根据场景的特点，建立的相应优化问题，最终对当前场景下的关键决策参数值进行求解。对于城市工况，或高速公路工况，最常见的是换道及车道保持行为。其决策参数特征关系简单且具有一致性。

其中轨迹规划模块，用于得到优化规划后的可行轨迹。在模块中包含建立非线性模型及非线性模型预测方法的使用。其中非线性模型的建立基于车辆动力学及运动学模型并考虑横，纵向运动控制。非线性模型预测方法的使用，根据决策层关键决策参数，调整优化的目标并得到不同终端约束条件；并且在不基于固定轨迹形式的情况下，通过对优化问题在线求解并滚动优化进行轨迹规划。

实施例2

基于底盘非线性的无人驾驶汽车轨迹规划规划方法，其通过如实施例1所述的基于底盘非线性的无人驾驶汽车轨迹控制系统实现，包括以下步骤，

步骤一，控制器模型的建立：

本文控制器模型的建立包括车辆动力学模型的建立与轮胎模型的建立。在轨迹规划的相关研究中，自行车模型被广泛用作简化的车辆动力学模型。使用该模型时，应遵循以下假设：

1.忽略转向系统的影响，转向角用作系统的输入。

2.车厢平行于地面运动。

3.车辆的前进速度保持不变。

4.忽略侧向风的影响。

5.轮胎与道路的附着系数为1。

但是，在规划过程中，还需要考虑汽车的速度变化。因此，现有的自行车模型需要修改。在本文提出的控制器模型中，自行车模型被改为非线性模型。非线性模型同时考虑了纵向和横向动力学。相比传统的自行车模型，可以更精确地描述车辆的运动状态。

对任何车辆动力学模型来说，轮胎动力学模型是最为重要的基础，它直接影响整车动力学建模精度。在大多数研究中，轮胎所受的侧向力通常都表示为线性形式。但是，当横向加速度变大时，这种线性关系不再存在。倘若上述非线性车辆模型继续使用线性轮胎模型输出的侧向力，则会造成较大的误差，因此有必要使用更精确的轮胎模型。

1.车辆模型的建立

非线性模型同时考虑了纵向和横向动力学。车辆坐标系如图2所示。整个坐标系是右手的，而其原点固定在车辆质量的中心。x轴平行于地面，y轴指向驾驶员的左侧。z轴垂直于由x轴和y轴形成的平面。根据牛顿第二定律，得到式(1)和(2)

2·(F_yf+F_yr)＝m·a_y (1)

其中m是车辆的质量，I_z是绕z轴的惯性矩。F_yf和F_yr分别是单个前轮胎和后轮胎的横向力。a_y表示横向加速度，ω表示车身的横摆率。l_f和l_r分别表示从质心到前后轴的距离。侧偏角可计算为β＝v_y/v_x，其中v_y和v_x分别是车辆重心的横向和纵向速度。

因此，侧滑率可以计算为

根据坐标系，前轮和后轮侧滑角可以表示为式(3)和(4)，

结合以上动力学和运动学关系，非线性控制模型可以表示为式(5a)和(5b)，

在此，

是车辆的状态矢量。

是车辆的航向角。U＝[a,δ]是控制变量的向量。a是纵向加速度，δ是前轮的转向角。

上面的模型相对简单，计算方便，但是该模型没有考虑底盘非线性。当车速增加时，车辆逐渐进入非线性区域，传统的车辆模型误差非常严重。底盘非线性主要包括轮胎非线性，车辆侧倾，转向系统变形和悬架系统变形。当车身滚动时，轮胎上的垂直载荷将发生变化。车辆转弯时，转向系统中的柔性部件会变形。另外，轮胎的侧向力会使悬架系统变形。上述底盘的非线性会导致车辆模型发生重大变化，尤其是在高速行驶时。将底盘非线性因素引入车辆模型非常重要，这样既可以提高精度而又不会使计算过于复杂。与自行车模型相比，考虑底盘非线性的车辆模型形式发生了很大变化。

2.轮胎模型的建立

当横向加速度较小时，轮胎的横向力与侧偏角成线性关系，可以表示为F_y＝kα_y，其中k是轮胎的转弯刚度值。在大多数研究中，侧向力表示为线性形式。但是，当横向加速度变大时，这种线性关系不再存在。有必要使用更精确的轮胎模型。由HB Pacejka引入的魔术公式是一种以其高精度而著称的轮胎模型，已在汽车工业中得到广泛使用。该公式使用三角函数的组合来拟合轮胎测试数据。根据x的不同含义，可以使用相同的公式来表示纵向力，横向力或对齐扭矩。该公式通常表示为式(7)，

在该模型中，横向力是侧偏角，轮胎的垂直载荷和轮胎外倾角的函数。该曲线表明，当侧偏角增加时，侧向力与侧偏角没有线性关系。在这种情况下继续使用线性模型将产生无法忽略的错误。当汽车急转弯时，横向加速度很大，并且车轮可以轻松超过线性区域。因此，在这种情况下使用线性模型会产生很大的误差。为了考虑非线性，本文采用的车辆模型中的轮胎侧向力拟合了魔术公式，并在下文使用上述所有三个模型进行了模拟，以通过使用非线性模型验证非线性模型的优越性。但是，魔术公式的形式过于复杂，无法直接使用。通过使用侧偏角的三次多项式来拟合魔术公式，从而确保了准确性并大大减少了计算量。为了在侧偏角相反时计算相同的侧向力绝对值，F_y(α)必须为奇函数。因此，在构造多项式拟合公式时，采用侧偏角的奇次幂，得到式(8)。

F_y＝k₁α+k₂α³+k₃α⁵ (8)

这里，k₁,k₂,k₃是通过数值拟合方法计算的系数，α为轮胎侧偏角。

当车身滚动时，轮胎上的垂直载荷将改变。车辆转弯时，转向系统中的柔性部件会变形。另外，轮胎的侧向力会使悬架系统变形。上述底盘的非线性会导致车辆模型发生重大变化，尤其是在高速行驶时。将底盘非线性因素引入车辆模型以提高精度而又不会使计算过于复杂非常重要。根据之前的工作，在车轮非线性侧向力前面添加一个系数可以抵消底盘非线性对车辆模型的影响，如式(9)。

F_y,non＝e·(k₁α+k₂α³+k₃α⁵) (9)

上面介绍了带有非线性模型的非线性最优控制器。而前后轮胎的侧向力使用多项式轮胎模型可以表示为式(10a)和(10b)，

图3显示了线性轮胎模型，魔术公式轮胎模型和多项式轮胎模型的比较。当侧偏角大于

度时，线性轮胎模型是完全不合适的，而多项式轮胎模型仍然非常接近魔术公式。在装有

Core^TMi7-6700HQ 2.60GHz CPU的笔记本电脑上进行仿真，并使用MATLABR2018a计算1000组横向力。使用多项式轮胎模型的计算比使用魔术公式轮胎模型的计算快74.18％。

步骤二，优化问题的建立：

在提出合适的控制器模型之后，本文的重点在于通过该模型去优化无人驾驶汽车的路径规划问题，期望能获得一条集安全，平滑，舒适于一体的轨迹。为此，需要基于各个约束条件去求解。具体求解过程如下：

最优轨迹规划层次结构如图4所示。主车辆状况，交通信息和路线规划信息是基于规则的决策模块的输入。根据设置的规则，它会根据障碍物的存在来确定是否采取避障操作。确定后，障碍物位置和目标车道将传递到轨迹规划模块。轨迹规划模块能够基于传递的信息来规划最佳轨迹。将生成(x，y，δ，a)的序列。该序列将转换为执行器，并且自动驾驶汽车可以遵循生成的最佳轨迹。

轨迹规划问题的形成基于上级模块的决策，轨迹规划算法负责规划轨迹，以便车辆可以平稳地执行车道变换或车道保持动作。轨迹规划的实施可以将问题表示为方程中的最优控制问题，以在预测范围[t，t+T]中找到控制变量U＝[δ,a]^T的最优控制序列，从而得到式(6a)和(6b)，

这是一个既有约束又有目标函数的优化问题。为了确保安全性和平滑性，一些硬约束是必要的。如方程式(11a)与(11b)所示，需要将加速度和方向盘角度控制在一定范围内，以确保最佳控制结果在车辆的可执行范围内。超过此范围可能会不利于驾驶安全，影响舒适性，同时也为了避免例如车轮打滑的情况。另外，当出现障碍物时，车辆也必须能够避开障碍物。在优化过程中，必须确保每个优化步骤的障碍物坐标都落在主车辆周围的某个范围之外，以确保计划轨迹不会与障碍物碰撞。由于车辆的纵向速度远大于横向速度，因此在避开障碍物时，必须在纵向上比横向留出更大的安全距离。因此，等式(11c)用来设置避开障碍物，图4显示了在执行变道与车道保持时的安全距离，图5显示了本车的安全距离范围。

a_min≤a(t)≤a_max (11a)

δ_f,min≤δ(t)≤δ_f,max (11b)

此外，计划的轨迹还需要确保高效和良好的舒适性，因此需要将这些因素添加到评估功能中。为了尽可能地确保舒适性，有必要减小车辆加速度的绝对值和转向角，同时减少换档和转向的次数也能够大大提高舒适度。因此，有必要通过使用评估函数限制加速度，转向角和相应的导数来限制控制量及其导数，如式(12)。

为了提高效率，将a和期望加速度之间的差以及y和目标坐标之间的差也添加到目标函数，其中，目标坐标由车道改变或车道保持决定来确定。由决策层生成，如式(13)、(14)和(15)。

P_a(X,U,t)＝[a(t)-a_tar]² (13)

P_y(X,U,t)＝[y(t)-y_tar]² (14)

因此，成本函数L可表示为：

步骤三，快速求解：

在此工作中，通过优化直接获得轨迹，因此应考虑计算时间。为了加快计算速度，在仿真中做了一些简化。首先，模型需要很小的离散时间步长以确保收敛，而当控制时间步长与离散步长一样长时，很小的控制变量步长将大大增加计算时间。在控制方面，控制变量实际上不需要像模型离散化那样快地进行更改。延长控制时间步长可以大大减少要解决的变量数量。此外，考虑到控制变量的不同特性，不同的控制变量也可以具有不同的控制时间步长。

因此，通过比较模型的离散时间步长t_d和控制变量u1和u2的控制时间步长t_c1和t_c2的影响，从总体上看，较短的时间步长具有更稳定的计算时间，但是模型的离散时间步长和控制时间步长相等，会明显增加计算时间。选取较短的离散时间步长，较小的控制时间步长的同时避免模型离散时间步长和控制时间步长相等，可以大大提高计算速度，并且仍能获得合理的轨迹。

以上所述仅为本发明的实施例而已，并不用于限制本发明。对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

Claims (6)

1.基于底盘非线性的无人驾驶汽车轨迹规划方法，采用轨迹控制系统，其特征在于，所述轨迹控制系统包括感知信号收集模块、驾驶决策模块和轨迹规划模块，所述感知信号收集模块、所述驾驶决策模块和所述轨迹规划模块共同构成一个基于参数化决策框架；

所述感知信号收集模块，用于获得当前车辆以及环境车辆行驶状态信息，并进行信号处理；

所述驾驶决策模块，用于学习合适的决策参数值；

所述轨迹规划模块，用于得到优化规划后的可行轨迹；

所述感知信号收集模块，用于借助车载智能感知模块中雷达环境感知元件、车载摄像头得到的周围车辆的车道、速度、加速度、本车的车道、速度以及以本车车道为基准的相对距离，并通过环境车辆与其车道中心线的偏移或转向灯信息得到环境车的驾驶意图，收集数据用于后续驾驶决策的学习训练；

所述驾驶决策模块，用于分析类人驾驶行为与交通环境的关系、及不同驾驶决策建立；

所述轨迹规划方法包括以下步骤，

步骤一，控制器模型的建立：

所述控制器模型的建立包括车辆动力学模型的建立与轮胎模型的建立；

步骤二，优化问题的建立：

基于各个约束条件求解，具体求解过程如下：

首先，将主车辆状况、交通信息和路线规划信息基于规则输入所述驾驶决策模块；根据设置的规则，根据障碍物的存在确定是否采取避障操作；确定后，将障碍物位置和目标车道传递到所述轨迹规划模块；所述轨迹规划模块基于传递的信息规划最佳轨迹，并生成(x(t)，y(t)，δ(t)，a(t))的序列，其中，x(t)为时刻t的车辆横坐标，y(t)为时刻t的车辆纵坐标，δ(t)为时刻t的前轮转角，a(t)为时刻t的车辆纵向加速度；将该序列转换为执行器，并使得自动驾驶汽车遵循生成最佳轨迹；

其次，基于上级模块的决策形成轨迹规划，轨迹规划算法负责规划轨迹，使得车辆执行车道变换或车道保持动作；将轨迹规划实施表示为方程中的最优控制问题，以在预测范围[t，t+T]中找到控制变量U(t)＝[δ(t),a(t)]^T的最优控制序列，从而得到式(6a)和(6b)，

minJ＝∫_t ^t+TL(X(t),U(t),t)dt (6a)

其中，m是车辆的质量，I_z是绕z轴的惯性矩；F_yf和F_yr分别是单个前轮胎和后轮胎的横向力；ω表示车身的横摆率；l_f和l_r分别表示从质心到前后轴的距离；质心侧偏角可计算为β＝v_y/v_x，其中v_y和v_x分别是车辆重心的横向和纵向速度；

是车辆t时刻的航向角；

然后，如方程式(11a)与(11b)所示，将加速度和方向盘角度控制在预设范围内，以使得最佳控制结果在车辆的执行范围内；当出现障碍物时，将车辆避开障碍物；在优化过程中，使得每个优化步骤的障碍物坐标都落在主车辆周围的预设范围之外，以使得计划轨迹避免与障碍物碰撞；因车辆的纵向速度远大于横向速度，因此在避开障碍物时，在纵向上比横向留出更大的安全距离；则等式(11c)用来设置避开障碍物；

a_min≤a(t)≤a_max (11a)

δ_f,min≤δ(t)≤δ_f,max (11b)

其中，a_min,a_max分别为车辆纵向加速度的最小值，最大值，a(t)为时刻t的车辆纵向加速度，δ_f,min，δ_f,max分别为控制量前轮转角的最小值，最大值，δ(t)为时刻t的控制量前轮转角，x(t),x_ob(t),x_safe分别为t时刻本车横坐标位置，障碍车横坐标位置，以及不发生碰撞情况下横坐标所留安全距离，y(t)，y_ob(t)，y_safe分别为t时刻本车纵坐标位置，障碍车纵坐标位置，以及不发生碰撞情况下纵坐标所留安全距离；

步骤三，快速求解：

通过优化直接获得轨迹，通过简化仿真过程加快计算速度，通过延长控制时间步长减少要解决的变量数量。

2.如权利要求1所述的基于底盘非线性的无人驾驶汽车轨迹规划方法，其特征在于，步骤一的控制器模型的建立包括以下步骤，

第一步，车辆模型的建立，

非线性模型基于纵向和横向动力学，车辆坐标系的原点固定在车辆质量的中心；x轴平行于地面，y轴指向驾驶员的左侧；z轴垂直于由x轴和y轴形成的平面；根据牛顿第二定律可得式(1)和式(2)，

2·(F_yf+F_yr)＝m·a_y (1)

其中，m是车辆的质量，I_z是绕z轴的惯性矩；F_yf和F_yr分别是单个前轮胎和后轮胎的横向力；a_y表示横向加速度，ω表示车身的横摆率；l_f和l_r分别表示从质心到前后轴的距离；质心侧偏角可计算为β＝v_y/v_x，其中v_y和v_x分别是车辆重心的横向和纵向速度；

则侧滑率可以计算为

根据坐标系，前轮和后轮侧滑角表示为式(3)和式(4)，

结合以上动力学和运动学关系，非线性控制模型表示为式(5a)和(5b)，

其中，

是车辆t时刻的航向角；

第二步，轮胎模型的建立，

当横向加速度较小时，轮胎的横向力与横向侧偏角成线性关系，表示为F_y＝kα_y，其中k是轮胎的转弯刚度值；

式中，X指侧偏角正切值，Y(α)为轮胎的侧向力，α为轮胎的侧偏角，S_h为曲线的水平方向漂移,S_v为曲线的垂直方向漂移，C为曲线的形状因子，D为曲线巅因子，B为刚度因子，E为曲线的曲率因子；

在该模型中，轮胎侧向力是轮胎侧偏角，轮胎的垂直载荷和轮胎外倾角的函数，通过轮胎侧偏角的三次多项式来拟合式(7)，在轮胎侧偏角相反时计算相同的侧向力绝对值，F_y为奇函数，在构造多项式拟合公式时，采用轮胎侧偏角的奇次幂，得式(8),

F_y＝k₁α+k₂α³+k₃α⁵ (8)

其中，k₁,k₂,k₃是通过数值拟合方法计算的系数，α为轮胎侧偏角；

当车身滚动时，轮胎上的垂直载荷改变；车辆转弯时，转向系统中的柔性部件变形，且轮胎的侧向力会使悬架系统变形，则底盘的非线性会导致车辆模型变化，或在高速行驶时，则在车轮非线性侧向力前添加一个系数e，以抵消底盘非线性对车辆模型的影响，得式(9)；

F_y,non＝e·(k₁α+k₂α³+k₃α⁵) (9)

其中，F_y,non是车轮的非线性侧向力。

3.如权利要求2所述的基于底盘非线性的无人驾驶汽车轨迹规划方法，其特征在于，

第二步中轮胎模型的建立时，前后轮胎的横向力使用多项式轮胎模型表示为式(10a)和(10b)；

其中，k_f1，k_f2，k_f3是依据公式(8)中所述，得出的前轮的横向力拟合系数；

k_r1，k_r2，k_r3是依据公式(8)中所述，得出的后轮的横向力拟合系数。

4.如权利要求1所述的基于底盘非线性的无人驾驶汽车轨迹规划方法，其特征在于，

步骤二中优化问题的建立时，减小车辆加速度的绝对值和转向角，同时减少换档和转向的次数；通过使用评估函数限制加速度，转向角和相应的导数来限制控制量及其导数，如式(12)：

其中，P_loss(X(t),U(t),t)为评估函数，

为车辆纵向加速度与前轮转角相应的导数。

5.如权利要求4所述的基于底盘非线性的无人驾驶汽车轨迹规划方法，其特征在于，

将a(t)和期望加速度a_tar之间的差以及y(t)和目标坐标y_tar之间的差也添加到目标函数中，其中，目标坐标由车道改变或车道保持决定来确定，并由决策层生成，如式(13)和(14)，

P_a(X(t),U(t),t)＝[a(t)-a_tar]² (13)

P_y(X(t),U(t),t)＝[y(t)-y_tar]² (14)

则成本函数L可表示为式(15)，

6.如权利要求1所述的基于底盘非线性的无人驾驶汽车轨迹规划方法，其特征在于，步骤三中快速求解时，不同的控制变量具有不同的控制时间步长。

Images