1.一种混合车群冲突区域的路径协同规划方法,其特征在于,混合车群包括人工驾驶车辆和无人驾驶车辆,所述混合车群冲突区域的路径协同规划方法包括如下步骤:步骤S1,采样人工驾驶车辆的速度和相对于道路参考线的偏离路径距离获得驾驶员的虚拟跟随目标点,建模驾驶员的驾驶行为,生成随意驾驶行为下人工驾驶车辆的采样轨迹;
步骤S2,基于车辆动力学的前向推演方法预测人工驾驶车辆的短时轨迹作为参考轨迹;
步骤S3,计算采样轨迹的平滑性代价以及采样轨迹和参考轨迹的相似度代价,以平滑性代价和相似度代价组合形成总的代价,评估每条采样轨迹的置信度,基于置信度的评估结果确定人工驾驶车辆的轨迹预测结果;
步骤S4,对冲突区域的时空资源进行离散化处理,根据人工驾驶车辆的轨迹预测结果计算无人驾驶车辆在预定轨迹下与人工驾驶车辆的碰撞概率,基于计算获得的碰撞风险估计,为人工驾驶车辆提供实时风险预警,并提出调整建议;同时重新调整受到影响的无人驾驶车辆优先级,消除无人驾驶车辆与人工驾驶车辆的轨迹冲突;
步骤S5,在时空混合A星算法中引入扩展步长的风险代价,评估无人驾驶车辆当前节点至终点的未来轨迹在时空资源中的累计碰撞风险,为无人驾驶车辆生成无碰撞的平滑轨迹。
2.根据权利要求1所述的混合车群冲突区域的路径协同规划方法,其特征在于,步骤S1具体包括如下步骤:利用路侧单元获得的参考速度设置浮动值来生成人工驾驶车辆的采样速度;选取0附近的离散偏离集作为人工驾驶车辆的采样横向偏离;生成人工驾驶车辆在Frenet坐标系下的轨迹;
以道路参考线为基准,将人工驾驶车辆在Frenet坐标系下的轨迹转换到笛卡尔坐标系下,转换关系表示为:式中,xref、yref分表示人工驾驶车辆i采样轨迹点向道路参考线的投影点在笛卡尔坐标系下的横、纵坐标;ψs表示采样时刻ts时,人工驾驶车辆i的航向角;分别表示采样时刻ts人工驾驶车辆i采样轨迹点在笛卡尔坐标系下的横坐标和纵坐标;
人工驾驶车辆i在笛卡尔坐标系下的速度分量由Frenet坐标系下的速度和角速度综合得到:式中,分别表示采样时刻ts时,人工驾驶车辆i在笛卡尔坐标系x轴、y轴方向的速度分量;ss'(ts)、ds'(ts)分别表示采样时刻ts时,人工驾驶车辆i的采样轨迹点在Frenet坐标系下横、纵坐标的一阶微分;θs表示采样时刻ts时,人工驾驶车辆i在笛卡尔坐标系下的偏航角,表示为:式中,κ表示道路参考线的曲率;
采样时刻ts时,人工驾驶车辆i在笛卡尔坐标系下的速度表示为:获得笛卡尔坐标系下x轴、y轴方向的终止采样状态后,使用五次多项式分别生成人工驾驶车辆i在笛卡尔坐标系x轴、y轴方向的轨迹,生成过程分别表示为:式中,分别表示采样时刻ts时,人工驾驶车辆i在笛卡尔坐标系x轴、y轴方向的轨迹;a0,a1,…,a5和b0,b1,…,b5均表示多项式系数。
3.根据权利要求2所述的混合车群冲突区域的路径协同规划方法,其特征在于,人工驾驶车辆i通过五次多项式生成的采样轨迹表示为:式中,分别表示采样时刻ts时,人工驾驶车辆i在笛卡尔坐标系的横向坐标、纵向坐标、速度、加速度和偏航率。
4.根据权利要求3所述的混合车群冲突区域的路径协同规划方法,其特征在于,步骤S2具体包括如下步骤:使用恒定转弯率和加速度模型获得人工驾驶车辆的短期轨迹,系统的状态空间和状态转移表示为:式中,表示tc时刻人工驾驶车辆i的状态空间;分别表示tc时刻人工驾驶车辆i在笛卡尔坐标系下的横向坐标、纵向坐标、速度、加速度和偏航率;表示Δtc运行周期后人工驾驶车辆i的状态空间;T表示转置矩阵;表示状态转移量,通过CTRA运动学得出,表示为:式中,表示tc时刻人工驾驶车辆i的偏航角;表示tc时刻人工驾驶车辆i的偏航率;
基于车辆动力学预测的人工驾驶车辆i的参照轨迹表示为:
5.根据权利要求4所述的混合车群冲突区域的路径协同规划方法,其特征在于,轨迹平滑性代价包括横向平滑性代价和纵向平滑性代价,其中横向平滑性代价Jlat通过横向加速度和横向加加速度的最小化实现轨迹的平稳性,纵向平滑性代价Jlon表示对纵向速度变化率的约束;
人工驾驶车辆i的横向平滑性代价Jlat表示为:
式中,表示人工驾驶车辆i在笛卡尔坐标系下的横向加速度,κ;表示人工驾驶车辆i在笛卡尔坐标系下的横向加加速度,是横向加速度随时间的变化率,通过对求导获得,表示为:纵向平滑性代价Jlon表示为:
在离散时间中,通过相邻采样轨迹点的速度差分计算得到,表示为:式中,分别表示人工驾驶车辆i位于采样轨迹点j和j+1时,在笛卡尔坐标系下的速度;Δts表示采样轨迹点j和j+1之间的时间间隔;
则人工驾驶车辆i的轨迹平滑性代价表示为:
式中,wlat、wlon分别表示Jlat和Jlon的权重系数。
6.根据权利要求5所述的混合车群冲突区域的路径协同规划方法,其特征在于,参照轨迹和采样轨迹的相似度代价包括位置相似性代价、速度相似性代价、加速度相似性以及角速度相似性代价;其中,位置相似性代价使用欧几里得距离评估参照轨迹和采样轨迹上轨迹点的空间偏差,速度相似性代价比较采样轨迹与参照轨迹的速度特征的均方误差,加速度相似性代价评估加速度特征的均方误差,角速度相似性代价评估角速度特征的均方误差;
人工驾驶车辆i第k条采样轨迹与参照轨迹的位置相似性代价表示为:式中,m表示人工驾驶车辆i第k条采样轨迹上的轨迹点;N表示人工驾驶车辆i第k条采样轨迹上轨迹点的数量;
人工驾驶车辆i第k条采样轨迹与参照轨迹的速度相似性代价表示为:人工驾驶车辆i第k条采样轨迹与参照轨迹的加速度相似性代价表示为:人工驾驶车辆i第k条采样轨迹与参照轨迹的角速度相似性代价表示为:则人工驾驶车辆i第k条采样轨迹与参照轨迹的相似度代价表示为:
7.根据权利要求6所述的混合车群冲突区域的路径协同规划方法,其特征在于,人工驾驶车辆i第k条采样轨迹的总代价表示为:人工驾驶车辆i第k条采样轨迹的置信度表示为:
式中,表示人工驾驶车辆i第k条采样轨迹的概率。
8.根据权利要求7所述的混合车群冲突区域的路径协同规划方法,其特征在于,无人驾驶车辆和人工驾驶车辆是否存在碰撞风险通过检测无人驾驶车辆预定轨迹与人工驾驶车辆预测轨迹之间的欧氏距离来判断,碰撞条件的判断如下:在预测时间窗口t∈Twindow,如果无人驾驶车辆的预定轨迹点与人工驾驶车辆预测的轨迹点的欧氏距离小于设定的安全距离阈值dsafe,则认为发生了轨迹重合,从而存在碰撞风险:式中,Colision(Ti,Tego,t)表示无人驾驶车辆和人工驾驶车辆在t时刻的碰撞风险,取值为1,表示无人驾驶车辆和人工驾驶车辆存在碰撞风险,取值为0,表示无人驾驶车辆和人工驾驶车辆不存在碰撞风险;Tego表示无人驾驶车辆的预定轨迹;xego(t)、yego(t)分别表示时刻t无人驾驶车辆预定轨迹点的横、纵坐标;
无人驾驶车辆预定轨迹和人工驾驶车辆预测轨迹的整体碰撞风险估计需要遍历轨迹上的所有轨迹点,由所在时间窗口Twindow=[t0,tf]内的风险值加权求和,碰撞概率表示为:式中,Rcolision(Ti)表示无人驾驶车辆预定轨迹和人工驾驶车辆预测轨迹的碰撞概率;ζ(t)表示时间权重,设计为指数衰减函数,表示为:式中,λ表示衰减系数;
无人驾驶车辆预定轨迹与人工驾驶车辆的预测轨迹集合的总碰撞概率通过综合考虑每条预测轨迹的置信度和碰撞概率得到,表示为:式中,K表示人工驾驶车辆i预测轨迹的总数量;
当无人驾驶车辆与人工驾驶车辆预测的全轨迹集合的总碰撞风险概率超过设定的阈值时即Rcolision,total>Rsafe,将未来时刻t∈Twindow内的占用预测轨迹集映射到时空资源场中形成时空风险代价场。
9.根据权利要求8所述的混合车群冲突区域的路径协同规划方法,其特征在于,时空风险代价场的构建如下:量化时空资源场中每个时空点的风险值,对每个时刻t,每个空间位置(x,y),定义其基础风险值表示为:对涉及的时空点进行遍历获得时空风险代价场,该时空风险代价场通过综合考虑各轨迹点的占用概率及其在时空资源场中的分布特性,反映不同空间位置在当前时刻下的碰撞风险水平。
10.根据权利要求9所述的混合车群冲突区域的路径协同规划方法,其特征在于,时空混合A星算法将拓展状态节点表示为:s(x,y,θ,t),其中:x、y分别表示无人驾驶车辆的横向坐标和纵向坐标;θ为无人驾驶车辆的航向角;t为时间;
对于每一次探索生成满足其运动学约束的位置更新如式:
Δd=vn+1·ΔT;
θn+1=θn+Δθ;
xn+1=xn+Rr·(sinθn+1-sinθn);
yn+1=yn+Rr·(cosθn-cosθn+1);
tn+1=tn+ΔT;
式中,ΔT表示时间分辨率;Δd表示无人驾驶车辆行驶距离变化量;vn+1表示无人驾驶车辆在n+1节点的速度;Δθ表示无人驾驶车辆转向角变化量;δj表示无人驾驶车辆的前轮转角;L表示无人驾驶车辆的轴距;θn+1、θn分别表示无人驾驶车辆在n+1节点和n节点的航向角;xn+1、yn+1分别表示无人驾驶车辆在n+1节点和n节点的横向坐标;yn+1、yn分别表示无人驾驶车辆在n+1节点和n节点的纵向坐标;Rr表示无人驾驶车辆的转弯半径;其中:为确保无人驾驶车辆控制的合理性,设置加速度、转向角和速度的约束,表示为:amin≤ai≤amax;
-δmax≤δj≤δmax;
0≤vn+1≤vmax;
在时空混合A星算法中引入拓展步长的风险代价c(n),用于评估当前节点至终点的未来轨迹在时空资源中的累计碰撞风险,该未来轨迹假设为从当前点到终点的匀速笛卡尔路径,当前节点的时空启发代价为:c(n)=∑ζ(t)Colision(Ti,Tego,t);
因此基于动态风险场的时空混合A星的总代价函数f(n)表示为:f(n)=h(n)+g(n)+c(n);
式中,h(n)表示当前节点到目标节点的预期未来成本;g(n)表示从起始节点到当前节点的累计历史成本;c(n)表示当前节点的时空启发代价,其中:h(n)=||sn-sG||2=|xn-xG|+|yn-yG|+|tn-tG|;
式中,sn、sG分别表示当前节点和目标节点的时空坐标,sn=(xn,yn,tn),sG=(xG,yG,tG);
g(n)=g(n-1)+Δd+wv·|vn-vn-1|+wref·|vn-vref|+wδ·|θn-θn-1|;
基于时空混合A星算法预测得到基于动态风险场的无人驾驶车辆粗轨迹后,对路径和速度进行平滑以获得更加舒适的轨迹,其中:路径优化目标函数Fp表示为:
minFp=ωs·fs(X)+ωr·fr(X)+ωl·fl(X);
式中,fs(X)表示路径平滑代价,用于减少轨迹中的急剧转弯或不规则变化,以提高驾驶的平顺性;fr(X)表示路径拟合原始轨迹代价,用于使生成的平滑轨迹尽可能接近原始轨迹,从而保持轨迹的合理性与准确性;fl(X)表示路径均匀性代价,用于优化轨迹的整体均衡性,使得行驶过程中加速度变化平稳,避免频繁的加速或减速;ωs、ωr、ωl分别表示fs(X)、fr(X)、fl(X)的权重系数;
速度优化目标函数Fv表示为:
minFv=ωv·fv(S)+ωa·fa(S)+ωjerk·fjerk(S);
式中,fv(S)表示速度偏离代价,fv(S)=∑(vk-vref)2;fa(S)表示加速度变化代价,fjerk(S)表示加加速度变化代价,fjerk(S)=∑(ak+1-ak)2。