1.一种基于路侧融合感知的自动驾驶决策控制方法,其特征在于:包括:
步骤S1:获取车辆周围的路况信息及环境信息和车辆自身的状态信息;
步骤S2:根据所述车辆周围的路况信息及环境信息和车辆自身的状态信息,确定车辆的驾驶行为;
步骤S3:根据确定好的驾驶行为规划车辆的最优驾驶路径;
步骤S4:通过控制车辆运动的纵向轨迹和车辆运动的横向轨迹,使车辆按所述最优驾驶路径行驶。
2.根据权利要求1所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述步骤S1还包括对获取到的车辆周围的路况信息进行融合处理,具体为:通过激光雷达和视觉传感器获取目标信息,将激光雷达获取的点云数据转化至视觉传感器坐标系,再将视觉传感器坐标系下的点云数据转换至视觉传感器获取的图像数据对应的像素坐标系下;
分别获取像素坐标系下的点云数据的立体边框Cj={A,B',C',D}和图像数据的立体边框Ci={a,b',c',d};
将所述立体边框Cj={A,B',C',D}和立体边框Ci={a,b',c',d}进行匹配,若匹配结果小于固定参数σ,则表明激光雷达和视觉传感器检测到的目标一致;否则检测到的目标不一致,公式为: 其中, 表示激光雷达点云转换坐标系后边框的尺寸与视觉传感器的像素尺寸的差值,ΔL表示激光雷达与视觉传感器获取的边框长度对应的差值,l表示视觉传感器获取的边框长度。
3.根据权利要求1所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述步骤S2中根据所述车辆周围的路况信息及环境信息和车辆自身的状态信确定驾驶行为,方法包括:当车辆所处场景为道路中央人行横道场景时,根据人行横道是否有人行通过,确定车辆的驾驶行为,具体为:若车辆所行驶车道的前方没有车辆且人行横道无行人通过,则控制车辆自由行驶;
若车辆所行驶车道的前方没有车辆且人行横道有行人通过,则判断行人经过人行横道所用的时间Tp与车辆到停让线所用时间Tv之间的大小关系,若Tp<Tv,则控制车辆自由行驶;否则控制车辆减速停止,其中,Tv=Tv‑c+Tv‑l,Tv‑c表示车辆选择换道所用的时间,Tv‑l表示车辆在换道后所在道路上直行所用的时间;
若车辆所行驶车道的前方有车辆且人行横道有行人通过,则在保持前后车安全距离的情况下,判断行人经过人行横道所用的时间Tp与车辆到停让线所用时间Tv之间的大小关系,如果Tp<Tv,则控制车辆自由行驶;否则控制车辆减速停止;
若车辆所行驶车道前方有车辆且人行横道无行人通过,则判断期望车速Vv与前车车速Vl之间的大小关系,若Vv>Vl,且满足换到条件,则控制车辆换道行驶;若Vv<Vl,则控制车辆自由行驶;
当车辆所处场景为路侧视野盲区场景时,判断视野盲区内的行人是否对驾驶产生潜在危险,若不会对车辆产生潜在危险,则控制车辆自由行驶;若会对车辆产生潜在危险,则继续判断车辆前方有无其他车辆;若有,则控制车辆跟驰行驶;若无,则控制车辆减速停车。
4.根据权利要求3所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:在满足第一约束条件下控制车辆换道行驶,所述第一约束条件的公式为:其中,Vv表示车辆的期望速度,V表示车辆的实际车速,T为采样周期,Ztsv表示设定的阈值,Sv表示车辆所行使的距离,D0表示车辆车头和前车车头的间距,Sl表示前车行驶的距离,Ll表示前车的车长。
5.根据权利要求3所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:在满足第二约束条件下控制车辆跟驰行驶,所述第二约束条件的公式为:其中,av、al分别表示前车和当前被控制车辆的减速度的减速度,af表示期望加速度,amin、amax为满足所处场景中最大限速情况下的最小、最大加速度,D0表示车辆车头和前车车头的间距,Ll表示前车的车长,C表示车辆部件的响应时间,vv表示表示当前车辆的速度。
6.根据权利要求1所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述步骤S3具体为:根据确定好的驾驶行为,采用五次多项式轨迹规划理论对车辆运动的横向轨迹和纵向轨迹进行规划,得到最优驾驶路径,包括:获取车辆当前时刻的状态及目标点时刻的状态,并根据获取到的状态数据通过五次多项式轨迹规划理论构建车辆的横纵位置、速度、加速度状态公式:其中, 表示车辆运动的横向轨迹, 表示车辆运动的纵向轨迹,(xx1,vx1,ax1),(xx2,vx2,ax2)分别表示车辆在横向运动前后的水平坐标、速度和加速度状态,(yy1,vy1,ay1),(yy2,Tvy2,ay2)分别表示车辆在纵向运动前后的垂直坐标、车速和加速度,A=(a5,a4,a3,a2,a1,Ta0) ,B = (b5 ,b4 ,b3 ,b 2 ,b 1 ,b 0) ,a i ,bi 均为 多 项式的 系数 ,ttra表示轨迹预测时间;
根据所述车辆的横纵位置、速度、加速度状态,设计车辆运动的横向轨迹的第一目标函数;
根据所述车辆的横纵位置、速度、加速度状态,设计车辆运动的纵向轨迹的第二目标函数;
其中,在所述第一目标函数下的横向轨迹和在所述第二目标函数下的纵向轨迹构成车辆的最优驾驶路径。
7.根据权利要求6所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述第一目标函数的公式为:其中,kh_t表示轨迹预测时间T的第一系数, 是轨迹规划的时间参数,kh_i是横向位移终点,kh_i表示横向位移终点的系数,khv_t表示横向加速度变化率对时间积分的系数,x(t)表示横向上的位置轨迹。
8.根据权利要求6所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述第二目标函数的公式为:其中,kv_t表示轨迹预测时间T的第二系数;kv_s表示预测轨迹纵向位移终点与纵向目标点距离平方的系数;kvv_t表示纵向加速度变化率对的平方对时间积分的系数;y(t)表示纵向上的位置轨迹,spf表示在跟车情境下,为保持安全距离的目标点位置,公式为:spf=sv_l(t)‑2Ll‑Ht·vl(t)
其中,sv_l(t)表示t时刻前车的位置,Ll表示前车的车身长度,Ht表示固定时距,vl(t)表示t时刻前车的车速。
9.根据权利要求1所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述步骤S4中通过控制车辆运动的纵向轨迹和车辆运动的横向轨迹,使车辆按所述最优驾驶路径行驶,方法包括:利用PID对预瞄算法进行改进,并对改进后的预瞄算法对车辆运动的纵向轨迹进行控制,所述改进后的预瞄算法用于在车辆转弯时弥补在预瞄点处的横向偏差问题,改进后的预瞄算法公式为:其中,L1为车轴的长度,L2是车辆后轴中心点到预瞄点之间的距离,θ为当前车辆航向与车辆后轴中心点到预瞄点(px,py)连线的夹角,Δl1表示在预瞄点处期望横向距离与当前实际距离的偏差,Δl′1表示在预瞄点处期望横向移动速率与实际横向移动速率之间的偏差,Δl2表示车辆与参考轨迹最近点横向距离的偏差;
利用模型预测控制算法对车辆运动的横向轨迹进行控制,所述模型预测控制算法设置有目标函数,所述目标函数的公式为:其中,Z表示车辆的状态向量 Q是预测模型与期望轨迹的第一代价矩阵,
R是优化控制变量的第一代价矩阵,Qf表示是预测模型与期望轨迹的第二代价矩阵,ZT_r表示预测时域期望的状态控制变量,ZT表示预测时域当前的状态控制变量,Zt_r表示采样时间内期望的状态控制变量,Zt表示采样时间内的状态控制变量,ut表示t时刻的控制变量,Rd表示优化控制变量的第二代价矩阵,Q(t)用于消除偏差值,R(t)用于保证车辆行驶的稳定性。
10.根据权利要求9所述的基于路侧融合感知的自动驾驶决策控制方法,其特征在于:所述改进后的预瞄算法公式中f(Δl1,Δl1',Δl2)的约束条件为:
其中,KP表示比例系数、KI表示积分系数、KD表示微分系数,t表示时刻。