第 30 卷 第 10 期
Vol. 30 No. 10
控 制 与 决 策
Control and Decision
2015 年 10 月
Oct. 2015
一种新的实时智能汽车轨迹规划方法
文章编号: 1001-0920 (2015) 10-1751-08 DOI: 10.13195/j.kzyjc.2014.1282
付骁鑫
a
, 江永亨
a
, 黄德先
a
, 黄开胜
b
, 王京春
a
, 陆 耿
a
(清华大学 a. 自动化系,b. 汽车工程系,北京 100084)
摘 要: 针对智能汽车的驾驶决策和轨迹规划问题, 将轨迹表示为轨迹曲线和加速度变化两部分, 以优化轨迹的行
驶效率、安全性、舒适性和经济性为目标建立非线性规划模型. 基于序优化思想, 提出混合智能优化算法 OODE, 分
内、外两层分别优化加速度变化和轨迹曲线, 通过 “粗糙 ” 评价轨迹曲线实现轨迹曲线的快速择优. 仿真结果表明, 所
提出的方法能够处理包含多动态障碍物的复杂交通场景, 且具备实时应用能力, 模型的精度和求解速度均优于传统
方法.
关键词: 轨迹规划;智能汽车;序优化;粗糙评价
中图分类号: TP273 文献标志码: A
A novel real-time trajectory planning algorithm for intelligent vehicles
FU Xiao-xin
a
, JIANG Yong-heng
a
, HUANG De-xian
a
, HUANG Kai-sheng
b
, WANG Jing-chun
a
,
LU Geng
a
(a. Department of Automation,b. Department of Automotive Engineering,Tsinghua University,Beijing 100084,
China.Correspondent:JIANG Yong-heng,E-mail:jiangyh@tsinghua.edu.cn)
Abstract: With the trajectory modeled in two parts: trajectory curve and acceleration profile, the problems of decision-
making and trajectory planning for intelligent vehicles are formulated as a non-linear programming(NLP) model to optimize
the efficiency, safety, comfort and economy of trajectory. To solve this model, a hybrid intelligent optimization algorithm
OODE is developed. With a two-layer framework applied, OODE optimizes the acceleration profile and trajectory curve
in the inner and outer layers, respectively. By “roughly” evaluating the candidate trajectory curves, the optimal curve is
determined very efficiently. The simulation results show that, the proposed method is capable of handling complicated
traffic scenarios with multiple dynamic obstacles, and also can meet the demands of real-time applications. Compared with
traditional methods, the model accuracy of the proposed method is higher, and the planning speed is obviously faster.
Keywords: trajectory planning;intelligent vehicle;ordinal optimization;rough evaluation
0 引引引 言言言
伴随着信息和传感器技术的进步, 智能汽车的出
现改善了交通运输效率, 提升了驾驶的舒适度和安全
性, 同时将人类从繁杂的驾驶任务中解放出来, 吸引
了全世界研究人员的关注. 轨迹规划指的是生成未来
一段时间内的车辆行驶轨迹, 是实现智能汽车的一项
关键性技术, 在近年来有丰富的研究成果.
一些研究者关注一维轨迹规划, 在确定的轨迹曲
线上, 通过分析周围障碍物的相对运动状态, 结合运
动模型 (如刹车模型
[1]
) 计算碰撞时间、制动距离等统
计指标, 进而规划行驶轨迹.
一些研究者将智能汽车看作一类结构特殊的机
器人, 将原本应用在机器人领域的路径规划算法移植
过来用于生成车辆轨迹, 如势场法
[2-3]
. 鉴于势场法生
成的轨迹在平滑性上的不足, 研究人员进一步提出了
橡皮筋算法 (elastic band algorithms)
[4]
. 这两类方法虽
然实现简单, 且具备实时工作的能力, 但难以处理动
态变化的驾驶环境和车辆的运动学约束, 同时所求解
易陷入局部最优. 搜索算法 (如 A*
[5]
, D*
[6]
, RRT
[7]
) 是
另一类广泛应用的规划方法. 这类方法通过构造特殊
的构形空间
[8]
和引入重规划机制
[9]
, 可以处理运动学
约束和动态环境, 但求解效率低, 消耗存储量大.
此外, 研究者还提出了基于参数优化的轨迹规划
方法. 例如: 将轨迹中车辆的位置或者加速度表示为
收稿日期: 2014-08-20;修回日期: 2015-01-20.
基金项目: 国家自然科学基金项目(61273039);清华大学自主科研计划项目(2011THZ0).
作者简介: 付骁鑫(1989−), 男, 博士生, 从事智能汽车、轨迹规划的研究;江永亨(1974−), 男, 副教授, 从事智能汽
车、复杂系统分析建模与优化理论方法等研究.