自动驾驶代客泊车AVP路径规划详细设计

决策模块：决策模块有三大功能。1，根据上游算法给出的环境信息，将整个规划模块切分成不同的决策场景，每一个决策场景包括一个目标，多个避障边界，同时赋予每一个避障边界一个方向，以保证每一个决策场景只有一个局部最优解；2，决策模块同时负责法律，道德，油耗，驾驶员偏好，交通规则……，等非避障的策略权衡；3，决策模块需要根据路径规划出来的最优路径的状态，来维护状态机，最基本的功能是泊车入库中的入库准备，泊车，揉库的状态。
路径规划模块：对每一个决策场景，利用最优状态逼近控制算法（OSAC），预测未来每一个时间点的轨迹。
LLC模块(Low level control)模块：LLC有两个功能，1，加速度闭环，以响应路径规划的目标速度，以及目标加速度。2，Yawrate闭环，实时调整车辆姿态，以响应路径规划的目标yawrate值。

M-DWA的特性：

（1）在求取轨迹的方式上，是M-DWA本质不同于DWA算法的地方。DWA在计算轨迹的过程中，控制量是不变的，因此轨迹表现上是一个标准的圆弧或者直线；而多步动态窗口法M-DWA，则在每一个轨迹点上预测环境信息的变化，在每个点上都通过控制率（OSAC）来更新控制量。这使得M-DWA算得的路径是更接近未来真实行驶的轨迹。

（2）M-DWA的控制量为Yawrate，以及Ax，然后由yawrate闭环和加速度闭环翻译成方向盘，油门，制动，档位信息。这种方法使决策和路径规划与控制目标车辆的性能解耦，因此决策和路径规划算法的参数调试与车型无关，实车或者仿真调试好的决策、路径规划参数可以适应于不同车辆类型。

（3）M-DWA算法无需像DWA算法那样生成很多条轨迹，M-DWA算法的每一条轨迹是特定决策场景下由OSAC算法计算出来的最优轨迹。因此M-DWA算法得轨迹数量是由决策场景来决定的，一般而言，决策模块难以决定的决策数量只有2到3个。这有利于减少M-DWA的计算量。

路径规划及控制详细设计
1. 决策场景

由总体设计可知，决策模块根据上游算法给出的环境信息，生成不同的决策场景，每一个决策场景包括一个目标，多个避障边界，同时赋予每一个避障边界一个方向，以保证每一个决策场景只有一个局部最优解；

2. 决策算法模块设计
  1. 决策模块输出接口定义

行驶目标，STG_Objective。

决策的目标，既可能是车道中心线，亦可能是待入库的车位中心线。STG_TargetLine中包括速度限制信息Speed_Limit，用来定义弯道降速，定点停车，以及泊车终止点；stoppoint_error用来定义车辆停止点的停止误差（高精度的停止误差需要加速度闭环进行“蹭车”控制）,如无误差要求，则为999；target_line指的是车位的目标中线，也可以指巡航的车道中心线，当为车位的目标中线时，只有两个点是有效的，此时index_start=0，index_end=1；drive_direction用来指示行车方向是前进还是倒车。

避障边界，STG_Boundary.

决策的避障边界，既可能是车道的边线（线段可延长），也可能是几个点组成的墙体（不可延长线），亦可能是单个点指示的障碍物。

boundary,表示的是避障的边界；boundary_type表示避障的类型，有三种避障类型，分别为左边超越，右边超越，后面跟随；distance_danger表示危险距离，distance_safe表示安全距离。

1. 规划算法模块设计
  1. Environment update(EU)

EU模块的功能有两个：

计算目标线、避障边界与车的相对位置，相对角度。以供OSAC算法使用。
根据OSAC算法估计的轨迹，更新每一个轨迹点上目标线、避障边界与车的相对位置，相对角度。

EU模块的输入数据来自决策模块（STG）,输出接口定义与决策模块的输出接口类似，同样分为目标，和避障边界，它是在决策模块接口的基础上添加了与车的相对位置，相对角度信息。接口如下：

行驶目标，EU_Objective。

接口解析如下：

接口名称	接口说明
yaw_line2car	目标线相对于车身方向的夹角。即下图中的ψ
distance_line2car	目标线相对于车身方向的位置。即下图中的x
distance_y	在纵向距离多远处，车道保持状态OK。即下图解说的y
r_reverse_line	目标线的曲率半径
drive_direction	前进挡模式，还是倒车模式

方向定义，遵守向左为正，向右为负。

如下图，目标车道线用箭头表示，箭头朝向表示巡航的目标方向。

则在这种场景下：

（1）车No1：车道线相对车的位置在左，x>0；车道线相对车的夹角朝右，ψ<0；如果不限制什么时候达到lanekeep目的，则Y=999。

(2) 车No2: 车道线相对车的位置在左，x>0；车道线相对车的夹角朝左，ψ>0；如果不限制什么时候达到lanekeep目的，则Y=999。

（3）车No3: 车道线相对车的位置在左(注意目标车道线是有方向的，若目标方向箭头朝下则位置在右)，x>0；车道线相对车的夹角朝左，ψ>0，并且ψ>pi/2；如果不限制什么时候达到lanekeep目的，则Y=999。

关于泊车场景，是将目标车位的中线看成为目标车道线，方向定义与上述相同。泊车场景如下图：

（4）车No4: 车道线相对车的位置在左(注意目标车道线是有方向的，若目标方向箭头朝下则位置在右)，x>0；车道线相对车的夹角朝左，ψ>0；限制车在到达车位下边界前达到lanekeep目的，因此有Y=-5。

避障边界，EU_Boundary.

1. 1. 最优状态逼近控制
    1. 垂直泊车场景
1. 1. 目标车道巡航算法概述

PNC的核心算法为目标车道的巡航算法，目标车道包括方位信息（x，y, ψ），x表示与目标车道线的横向距离，y表示在纵向距离多远处，车道保持状态OK，ψ表示目标车道与车辆的夹角。

目标车道线巡航算法有两种情况，一个是弯道巡航，一个是直线巡航。弯道巡航是直线巡航的特殊形式，差别只在于在直线巡航上累加一个弯道曲率的控制量。

1. 1. 螺旋线规划算法
  2. 最优解参数估计

最优解参数获取模块的目的是获取最优螺旋线的曲率，以供螺旋线算法计算当前位置的路径曲率。

输入接口：

接口名称	接口说明
Final_point_distance	在纵向距离多远处，车道保持状态OK。即目标车道线的方位信息y
Yaw_Lane2Car	目标车道相对于车身方向的夹角。即目标车道先的方位信息ψ。
Distance_Lane2Car	目标车道相对于车身方向的位置。即目标车道线的方位信息x
V_ms	当前车速
Vehicle_direction	目标车道巡航是前进挡模式，还是倒车模式

输出接口：

接口名称	接口说明
R_Reverse_Req	最优解螺旋线的曲率。
CurveSpd_Req	最优解螺旋线的曲率变化率

算法设计如下：

根据几何图形的运算，R与x,y, ψ，和θ满足一下关系式。其中θ表示的是车辆在左转和右转中间临界状态时，车辆方向和预描点切线方向的夹角。

R*sinψ+y=2R*sinθR+Rcosψ-x=2R*cosθ

化简可得如下方程式：???????

cosθ= Rcosψ+R-x2R21-cosψR2+2Rx*cosψ+x-R*sinψ-x2-y2=0

则可通过以上公式估计最优螺旋线的曲率半径。

1. 纵向控制ACC

纵向控制系统ACC提供了自动驾驶过程中车辆的纵向规划策略。

ACC是按照跟车模式设计的控制律。跟车即本车以一定的安全距离跟随前车行进。当前方没有车辆时，假设距本车足够远处有一辆速度很大的虚拟车辆，本车为跟随前车，将加速直至达到速度上限追赶虚拟车辆，即进入定速巡航模式。根据以上策略，可将跟车模式扩展为囊括所有纵向控制环境的控制策略，有车时保持安全距离跟车，无车时设定速度上限，以定速巡航的模式追赶前车。

ACC控制策略

有目标车辆	以安全距离跟车	跟车模式
无目标车辆	假设前车很远，追车	定速巡航

1. 1. ACC控制系统基本流程

为了跟车时保持安全距离，ACC首先利用位置控制完成跟车目标。

本车为保持安全车距所需要调整的距离S可由车距和前车车速求得。

s=Ldis-τ*vb

Ldis-为与前车的距离，Vb为前车车速，

?为安全时距，一般在1.5s至2.2s之间。

由S求出当前时刻的速度指令Vstp。再根据Vstp求出加速度指令。

vstp=2ass

astp_s=vstp-vxk

as为根据舒适性和操控性设定的加速度，Vx-为本车车速，K为求取加速度的比例系数。

由关系式可知，K值越小，相同速度差得到的加速度越大，跟车反应速度越快，但是基于位置环的控制律响应速度慢，K值较小时，车处于安全距离附近会造成来回震荡这一缺点，严重影响安全。因此，控制系统引入速度环的控制，来弥补这一缺点。速度环的引入能加快控制律的响应速度，可有效抑制车在安全距离时的震荡。

速度环控制直接利用本车与前车的相对速度变化，得出加速度指令。

astp_v=vb-vxk

Vb为前车车速。将速度环与位置环得到的加速度进融合得到astp_0

，当本车离安全车距较远时，位置环控制的权重大；当本车距安全距离越小时，速度环的权重越大。

采用速度环与位置环控制律的目标是在保持良好的体感状态下，完成跟车控制。然而，在某些危险情况下，需要紧急刹车以保证安全，舒适性加速度as不能满足安全性要求。为此，控制律引入了可保证行车安全的加速度，当此加速度astp_1小于舒适性加速度as的最小值时，判定情况较危险，采用astp_1进行刹车，当astp_1在as范围内时，采用astp_0

。采用的加速度定义为astp_safe

astp_1=-?v22s

由于上述公式中距离变化s处于分母，当s接近于0时，较大的速度差和较小的s会产生过大的加速度，即在达到安全距离前再猛踩一脚刹车，严重影响体感，如图1所示。

图1 ?S接近0时产生的加速度突变

因此，引入了新的距离|sdanger|>|s|，求得新的加速度，在到达安全距离前替换这一过大的加速度。

sdanger=Ldis-τdanger*vb

astp_danger=vb-vxk-?v22sdanger

s接近于0时，Sdanger还相对较大，astp_danger

产生的大减速将晚于astp_safe

，当astp_safe

出现突变时，使用astp_danger

的值进行控制，屏蔽在达到安全距离时astp_safe

产生的刹车，提高体感。

图2 安全距离附近astp_safe

与astp_danger

对比

最后对加速度指令进行软化处理，防止每一步加速度的跳变过于激烈，由此得到最终的加速度指令astp

文章来源:https://blog.csdn.net/weixin_45905610/article/details/135255019
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系我的编程经验分享网邮箱：veading@qq.com进行投诉反馈，一经查实，立即删除！