1.一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,包括以下步骤:
步骤1:采集障碍车辆及其周围车辆的历史运动信息、静态道路结构化信息,进行统一向量化处理,根据处理后的历史运动信息进一步标准化预处理,获得障碍车辆及其周围车辆的时空特征表示;
步骤2:结合Transformer和多任务学习框架构建车辆状态预测模型,以障碍车辆及其周围车辆的时空特征表示为车辆状态预测模型输入特征,预测障碍车辆的未来运动状态;
预测障碍车辆的未来运动状态包括障碍车辆的横向轨迹位置、纵向轨迹位置、纵向速度、纵向加速度及航向角运动状态,作为预测任务;在车辆状态预测模型的输入层中对输入特征进行嵌入处理和位置编码,通过车辆状态预测模型的共享层的Transformer编码器对轨迹信息和车辆交互特征进行建模,提取反映时序关系与多车交互关系的特征矩阵,作为服务预测任务的共享特征,通过车辆状态预测模型的任务特定层分别生成障碍车辆在未来时段内的轨迹位置、运动速度、加速度以及航向角的预测结果,获得时间连续且状态对齐的多维车辆状态预测信息;
步骤3:根据静态道路结构化信息和历史运动信息,结合人工势场理论构建风险场模型,包括道路风险场模型和障碍车辆风险场模型,并通过加权叠加的方式构建综合风险场模型;
步骤4:将车辆状态预测模型输出的车辆状态预测信息输入到障碍车辆风险场模型中,得到未来时段的障碍车辆风险场;将静态道路结构化信息输入道路风险场模型中,得到全局道路风险场;由未来时段的障碍车辆风险场与全局道路风险场共同构成未来综合风险场;
步骤5:采用五次多项式生成自动驾驶车辆的候选轨迹簇,结合未来综合风险场的时空分布情况对候选轨迹簇中的每条候选轨迹在整个未来时段内的累计风险进行评估,筛选出满足安全阈值的低风险轨迹集;并引入舒适性评估函数,对低风险轨迹集进一步筛选与评估,获得最优规划轨迹。
2.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤1中,所述历史运动信息包括障碍车辆及其周围车辆的轨迹位置、速度、加速度及航向角,并通过计算障碍车辆与周围车辆之间的相对距离与相对速度以形成车辆交互特征;随后,对轨迹坐标、速度、加速度、航向角及车辆交互特征进行标准化处理,以消除量纲差异;标准化后的历史运动信息及车辆交互特征构成障碍车辆及其周围车辆的时空特征表示,并作为车辆状态预测模型的输入特征;此外,获取的静态道路结构化信息包括道路边界线位置和车道线位置,为后续道路风险场模型的构建提供基础数据。
3.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤2中,所述车辆状态预测模型采用多任务学习框架,包括输入层、共享层、任务特定层;其中,输入层进行嵌入处理和位置编码,共享层由Transformer编码器构成,任务特定层设为5个,分别对应每个预测任务,每个任务特定层均采用多层感知机;车辆状态预测模型以4秒的历史运动信息作为输入,预测未来3秒的车辆轨迹位置及速度和加速度信息,通过车辆状态预测模型获得障碍车辆在未来时段的多维连续状态预测信息,多维连续状态预测信息用于后续未来综合风险场构建与评估。
4.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤3中,所述道路风险场模型包含两个分量,分别是车道线风险场和道路边界风险场,具体如下:;
;
;
道路风险场为:
;
式中,是车道线风险场,是道路边界风险场,是车道分界线的总数量,是车道分界线的风险场系数,是车道分界线的安全距离系数,是点A的纵向坐标值,是第条车道分界线的轴位置坐标,是点A到第条车道分界线轴位置的距离,是车道边界线的风险场系数。
5.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤3中,在构建障碍车辆风险场模型时,引入修正距离,用于刻画动态驾驶环境中周围车辆从不同角度接近障碍车辆时的安全风险变化,通过坐标旋转与速度修正距离,得到车辆的伪距离,并引入与车辆速度相关的等效质量以表征车辆在动态行驶条件下的风险强度,在二维笛卡尔坐标系中,设轴为道路纵向,对应车辆沿道路行驶的水平方向,轴为道路横向,对应车辆运动的垂直方向;得到障碍车辆风险场,最终,由道路风险场和障碍车辆风险场加权叠加后得到综合风险场,;
;
;
;
;
;
式中,是车辆水平安全距离系数,是车辆垂直安全距离系数,是修正距离,(,)为障碍车辆质心在空间中的坐标,(,)是原始位置(,)的修正坐标,是障碍车辆的当前加速度,是障碍车辆的当前速度,是与速度相关的安全系数,是用于调节风险强度的安全系数,是障碍车辆当前状态的航向角,为等效质量,为实际质量,是障碍车辆周围任何一点与车辆质心的连线同车辆运动方向之间形成的顺时针角度,是第个障碍车辆风险场,是障碍车辆的数量,和分别是道路风险场和障碍车辆风险场的权重,是道路风险场,是自然常数。
6.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤4中,所述车辆状态预测信息包括轨迹坐标、速度、加速度及航向角;未来时段的障碍车辆风险场用于刻画障碍车辆在未来时段的风险分布,由于道路边界线和车道线的横向位置在未来时段不变,全局道路风险场分布在时间上恒定,用于作为全局信息对所有车辆共享,将未来时段的障碍车辆风险场与全局道路风险场结合得到未来综合风险场。
7.根据权利要求1所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤5中,以沿着道路纵向为横向轴,以垂直于道路纵向为纵向轴的二维笛卡尔坐标系下进行轨迹规划,车辆行驶方向记为,对应车辆的纵向位置,垂直于行驶方向记为,对应车辆的横向位置,将三维轨迹规划分解为车辆横向位置随着纵向位置变化的曲线,用表示,以及纵向位置随着时间变化的线,用表示,以为间隔对横向位置进行离散采样,生成覆盖多种驾驶行为的候选轨迹簇。
8.根据权利要求7所述的一种融合车辆状态预测的自动驾驶风险感知与轨迹规划方法,其特征在于,在步骤5中,轨迹规划在以道路纵向为轴、垂直于道路纵向为轴的二维笛卡尔坐标系下进行,其中,表示车辆沿行驶方向的纵向位置,表示车辆相对于道路中心线的横向位置,对应车辆的横向位置,通过坐标变换,将三维轨迹规划问题分解为两个相互独立的一维规划问题:其一为横向位置随纵向位置变化的曲线,用表示;其二为纵向位置随时间变化的曲线,用表示,以为步长对横向位置进行离散采样,从而生成覆盖多种驾驶行为的候选轨迹簇;
;
;
式中,~和~分别为五次多项式的系数,用于描述车辆横向和纵向运动特性,其中,低阶系数反映位置及其变化趋势,高阶系数用于保证轨迹在规划区间内的平滑性;
基于未来综合风险场对候选轨迹簇进行风险评估,筛选出所有满足安全阈值的低风险轨迹集中的低风险路径,并通过舒适性评估函数进行评估,最终获得自动驾驶车辆的最优规划轨迹;
根据未来综合风险场时空分布,对生成的候选轨迹簇进行风险评估,统计每条候选轨迹沿其行驶路径上各采样点所对应的综合风险场值,并对其进行累加,作为候选轨迹的风险评估指标;
基于风险评估指标,筛选出风险评估值满足安全阈值的低风险候选轨迹集,并进一步引入舒适性评估函数进行二次筛选,最终确定自动驾驶车辆的最优规划轨迹,其舒适性评估函数定义如下:;
式中,是轨迹的舒适性,,,是影响系数,是轨迹段,是时轨迹段对应的曲率,是轨迹段对应的曲率变化率,和是轨迹规划周期的起始位置和终止位置,表示沿道路纵向方向的微小弧长增量。