本發(fā)明涉及自動駕駛技術領域，尤其涉及一種用于自動駕駛車輛的彎道行駛縱向控制方法。

背景技術：

經(jīng)過數(shù)十年的發(fā)展，自動駕駛車輛傳統(tǒng)的縱向控制技術越來越成熟，主要涉及傳統(tǒng)控制理論方法的應用，如pid及其衍生算法、mpc、lqr等，而傳統(tǒng)的彎道行駛縱向控制方法僅利用前方道路曲率最大曲率限制最大車速，獲取安全車速，其基本控制算法仍為傳統(tǒng)的縱向控制方法。

傳統(tǒng)的控制方法均從控制理論的角度出發(fā)，忽略了駕駛員在自動駕駛中的角色，駕駛員作為自動駕駛車輛的使用者和監(jiān)督者，在自動駕駛技術的發(fā)展中不可忽略。但傳統(tǒng)的統(tǒng)一的自動駕駛控制性能無法滿足每個駕駛員對駕駛的要求，尤其對于駕駛員彎道行駛的特性沒有充分考慮。

直道縱向跟馳的研究已與駕駛員行駛數(shù)據(jù)相結合，并衍生出大量的成果，而彎道行駛縱向控制技術與駕駛員行駛數(shù)據(jù)相結合的研究較少，目前有研究利用神經(jīng)網(wǎng)絡進行自動駕駛車輛彎道類人行駛，但由于神經(jīng)網(wǎng)絡的不透明性和神經(jīng)網(wǎng)絡作為判別式模型本身所固有的缺點，其輸出的控制量存在不連續(xù)的情況，且在研究中沒有充分考慮駕駛員彎道行駛的階段性特征，無法滿足駕駛員對車輛行進主觀舒適度的要求。因此，有必要提出一種用于自動駕駛車輛的彎道行駛縱向控制方法，解決現(xiàn)有方法鮮有考慮駕駛員的駕駛特性，彎道行駛控制不連續(xù)，舒適度不高的問題。

技術實現(xiàn)要素：

鑒于上述的分析，本發(fā)明旨在提供一種用于自動駕駛車輛的彎道行駛縱向控制方法，用以解決現(xiàn)有方法沒有充分考慮單個駕駛員的駕駛特性，彎道行駛控制不連續(xù)，舒適度不高的問題。

本發(fā)明的目的主要是通過以下技術方案實現(xiàn)的：

本發(fā)明提供一種用于自動駕駛車輛的彎道行駛縱向控制方法，包括以下步驟：

根據(jù)車輛狀態(tài)和行駛路徑信息，判斷車輛在彎道中的所處階段；

根據(jù)車輛在彎道中的所處階段，對車輛的行駛速度進行在線實時控制，將控制結果傳遞給加速度控制模塊。

其中，所述車輛狀態(tài)信息包括車輛速度、車輛加速度；所述行駛路徑信息來源于gps數(shù)據(jù)和/或地圖信息，包括根據(jù)gps數(shù)據(jù)和/或地圖信息獲取的車輛所處位置、當前曲率；所述車輛在彎道中的所處階段包括入彎行駛階段、出彎行駛階段、彎內(nèi)行駛階段。

具體的，判斷車輛在彎道中的所處階段是根據(jù)當前曲率ρc和前視曲率ρp的數(shù)值關系進行的，判定方法為：

當ρc＜ρp且ρc接近于0，則判斷車輛處于入彎階段；

當ρc＞ρp且ρp接近于0，則判斷車輛處于出彎階段；

當ρc和ρp相近，則判斷車輛處于彎內(nèi)行駛階段。

當判斷為彎內(nèi)行駛階段，計算當前車速與當前曲率下彎道內(nèi)舒適行駛速度的差值，作為期望加速度傳遞給下層加速度跟蹤模塊進行實時控制；

當判斷為入彎階段或出彎階段，則根據(jù)訓練得到的駕駛員模型，采用gmr方法實時輸出期望加速度，并傳遞給下層加速度跟蹤模塊進行實時控制。

當判斷為入彎階段或出彎階段的情況下，所述駕駛員模型是通過對gmm模型進行訓練得到的，駕駛員模型的訓練方式包括：

s1.采集駕駛員彎道自由行駛數(shù)據(jù)；

s2.基于采集到的駕駛員彎道自由行駛數(shù)據(jù)，獲取彎道行駛特征量；

s3.利用彎道行駛特征量訓練gmm模型，得到駕駛員模型。

其中，彎道內(nèi)舒適行駛速度的計算方法為：判定車輛處于彎內(nèi)行駛階段的情況下，提取彎內(nèi)行駛階段對應的速度信息，求取均值，作為彎內(nèi)行駛舒適車速。

采集的彎道自由行駛數(shù)據(jù)包括：當前車速、當前曲率、當前曲率、車輛加速度；所述彎道行駛特征量包括：當前車速、當前曲率、前視曲率、加速度。

步驟s2還包括對采集到的駕駛員彎道自由行駛數(shù)據(jù)進行處理：

確認數(shù)據(jù)無丟包現(xiàn)象，去除冗余數(shù)據(jù)，提取彎道行駛特征量；

對提取的彎道行駛特征量進行中值濾波，再采用移動平均法進行數(shù)據(jù)的均值濾波和降噪平滑；

以及對彎道行駛特征量進行歸一化處理。

步驟s3進一步包括：

選取聚類個數(shù)k；對提取的特征數(shù)據(jù)進行多次k-means聚類，選取對數(shù)似然函數(shù)值最大的一次聚類結果進行gmm模型參數(shù)的初始化；

然后采用em算法對gmm模型進行訓練；

訓練結束后存儲模型的對數(shù)似然函數(shù)值；

依次選取不同的聚類個數(shù)k，分別進行訓練，得到對應的對數(shù)似然函數(shù)值；

選取最大的一個對數(shù)似然函數(shù)值對應的gmm模型作為最終的駕駛員模型。

優(yōu)選的，所述聚類個數(shù)k的取值為5至40。

本發(fā)明有益效果如下：

本發(fā)明提出的用于自動駕駛車輛的彎道行駛縱向控制方法，充分考慮了單個駕駛員的駕駛特性，從統(tǒng)計學的角度構建駕駛員模型，使模型具有良好的概率統(tǒng)計特征和可解釋性；并充分考慮駕駛員的彎道行駛特征，將駕駛員的彎道行駛分為入彎行駛、彎內(nèi)行駛和出彎行駛三部分，并在入彎行駛和出彎行駛階段采用具有概率意義的生成式模型—gmm-gmr模型。通過建立的駕駛員模型可實時生成連續(xù)的控制量，可達到駕駛員對固定舒適性指標的要求，并提高駕駛員對自動駕駛技術的接受度。

本發(fā)明的其他特征和優(yōu)點將在隨后的說明書中闡述，并且，部分的從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書、權利要求書、以及附圖中所特別指出的結構來實現(xiàn)和獲得。

附圖說明

附圖僅用于示出具體實施例的目的，而并不認為是對本發(fā)明的限制，在整個附圖中，相同的參考符號表示相同的部件。

圖1為駕駛員彎道行駛縱向駕駛階段的示意圖；

圖2為用于自動駕駛車輛的彎道行駛縱向控制的整體示意圖；

圖3為數(shù)據(jù)采集流程圖；

圖4是gmm模型訓練流程圖；

圖5是彎道特征數(shù)據(jù)示例曲線圖。

具體實施方式

下面結合附圖來具體描述本發(fā)明的優(yōu)選實施例，其中，附圖構成本申請一部分，并與本發(fā)明的實施例一起用于闡釋本發(fā)明的原理。

本發(fā)明中車輛行駛的彎道是根據(jù)國家道路建設相關規(guī)定，彎道建設時道路線型為平曲線，而平曲線包括圓曲線和緩和曲線(clothoid曲線，即曲率連續(xù)變化的曲線)，一段典型的彎道建設如圖1所示，包括入彎段直線，入彎段緩和曲線、圓曲線和出彎段緩和曲線、出彎段直線。本發(fā)明中駕駛員的彎道行駛特性也符合道路建設情況。

本發(fā)明的一個具體實施例，公開了一種用于自動駕駛車輛的彎道行駛縱向控制方法，如圖2所示，具體包括以下步驟：

步驟s1.根據(jù)車輛狀態(tài)和行駛路徑信息，判斷車輛在彎道中的所處階段。其中，所述車輛狀態(tài)信息包括車輛速度、車輛加速度等；所述行駛路徑信息來源于gps數(shù)據(jù)和/或地圖信息等，根據(jù)gps數(shù)據(jù)和/或地圖信息可以獲取車輛所處位置，當前位置路點的曲率；所述車輛在彎道中的所處階段包括入彎行駛階段、出彎行駛階段、彎內(nèi)行駛階段。

具體的，判斷車輛在彎道中的所處階段是根據(jù)當前曲率ρc和前視曲率ρp的數(shù)值關系進行判定的，所述當前曲率ρc和前視曲率ρp可由地圖提供，也可由地圖提供的路徑點經(jīng)最小二乘法擬合獲得，判定方法為：

當ρc＜ρp且ρc接近于0，則判斷車輛處于入彎階段，

當ρc＞ρp且ρp接近于0，則判斷車輛處于出彎階段；

當ρc＝ρp±δ，即當前曲率和前視曲率相近的原則，則判定車輛處于彎內(nèi)行駛階段。優(yōu)選的，優(yōu)選的δ取值為0.1ρc。

其中，ρc、ρp接近于0的判定條件為小于0.001，在道路半徑大于1000米時，駕駛員的駕駛行為表現(xiàn)為直道駕駛行為。所以該處曲率接近于0的判定條件為小于0.001。

步驟s2.根據(jù)車輛在彎道中的所處階段，對車輛的行駛速度進行在線實時控制，將控制結果傳遞給加速度控制模塊。

具體的，

當判斷為彎內(nèi)行駛階段，此時計算當前車速與該曲率下駕駛員舒適車速的差值，作為期望加速度傳遞給下層加速度跟蹤模塊進行實時控制；

當判斷為入彎階段或出彎階段，則根據(jù)前期訓練得到的駕駛員模型，采用gmr(高斯混合回歸)，以當前車速、當前曲率，前視曲率φi＝(νc,ρc,ρp)為輸入量，實時輸出期望加速度φi＝ac，并傳遞給下層加速度跟蹤模塊進行實時控制。

所述加速度控制模塊是基于增量式pid算法，將期望加速度進行處理并轉(zhuǎn)化為加速控制參量和制動控制參量，將參量分別輸出給底層執(zhí)行機構(包括加速機構和制動機構)，由底層執(zhí)行機構執(zhí)行相應控制。

具體的，所述駕駛員模型是一種用于自動駕駛車輛的彎道自由行駛的縱向個性化駕駛員模型，本發(fā)明通過對gmm模型進行訓練得到的。駕駛員模型的離線訓練方式包括：

1.采集駕駛員彎道自由行駛數(shù)據(jù)，如圖3。

數(shù)據(jù)采集是在彎道自由行駛的狀態(tài)下進行的，彎道自由行駛是指駕駛員在彎道行駛過程中前方移動障礙物距離本車較遠，不影響駕駛員的操作。

采集的彎道自由行駛數(shù)據(jù)主要包括當前車速ν，當前曲率ρc，前視曲率ρp和車輛加速度a，其中，當前車速ν可由車速傳感器獲得，當前曲率ρc和前視曲率ρp可由地圖提供，也可由地圖提供的路徑點經(jīng)最小二乘法擬合獲得，加速度a可由慣性導航單元獲得，也可離線處理車速信息獲得。

優(yōu)選地，當前曲率ρc為離車輛質(zhì)心最近的路徑點處的曲率，前視曲率ρp為道路上駕駛員前視距離長度處路徑點的曲率。

行駛數(shù)據(jù)的采集可以來源于實際車輛的行駛數(shù)據(jù)，和/或來源于進行測試的駕駛人員在仿真環(huán)境下的行駛數(shù)據(jù)。

其中，首先采集駕駛員彎道自由行駛的數(shù)據(jù)，車輛需安裝有車速傳感器、gps、存儲有地圖信息(或?qū)崟r接收前方道路信息)的裝置和慣性導航單元，其中車速傳感器提供車輛當前車速ν信息，高精度gps定位當前車輛位置，根據(jù)其定位信息可獲取車輛當前位置路點(距離車輛質(zhì)心最近的路點)的曲率ρc信息，根據(jù)前視距離和地圖信息獲取前視曲率ρp，即距離車輛質(zhì)心位置前方一個前視距離處路點的曲率信息，依據(jù)慣性導航單元獲取車輛的加速度a，車輛行進過程中以10hz的頻率實時存儲這些信息，可同步存儲時間戳，以便后期處理過程中避免數(shù)據(jù)包丟包的情況，為排除駕駛員駕駛行為的隨機性，該實驗重復多次，多次獨立重復試驗的數(shù)據(jù)一同參與彎內(nèi)舒適車速提取和gmm模型訓練。

所述前視距離的計算中考慮到影響駕駛員前視距離的兩個因素：車速和道路曲率，結合試驗得前視距離計算公式為：

lp＝h(14.74+0.07/ρ+0.14ν+0.0001ν²+0.0003ν/ρ)

式中，以中等水平駕駛員為參照，h值表示的駕駛員熟練程度，h＝1時表示中等駕駛水平駕駛員，h值越大表示駕駛員操控車輛的熟練程度越高；ρ是曲率，單位為1/m；ν為速度，單位為km/h；前視距離lp的單位為m。

2.基于采集到的駕駛員彎道自由行駛數(shù)據(jù)，離線處理彎道行駛數(shù)據(jù)，獲取彎道行駛特征量λ＝(ν,ρc,ρp,a)(當前車速、當前曲率、前視曲率、加速度)；以及基于采集到的駕駛員彎道自由行駛數(shù)據(jù)，離線計算得到彎道內(nèi)舒適行駛速度；

在步驟s1中采集駕駛員彎道自由行駛數(shù)據(jù)之后，離線處理彎道行駛數(shù)據(jù)進一步包括：確認數(shù)據(jù)無丟包現(xiàn)象，再去除時間戳等冗余數(shù)據(jù)，提取彎道行駛特征量，具體僅保留四類特征數(shù)據(jù)λ＝(ν，ρc，ρp，a)，分別為當前車速、當前曲率、前視曲率、加速度。

對上述保留的特征數(shù)據(jù)進行中值濾波以去除異常值，再采用移動平均法進行數(shù)據(jù)的均值濾波和降噪平滑，如圖5所示。

gmm模型訓練之前，為消除車速，曲率，加速度之間的量綱影響，需先對特征數(shù)據(jù)進行歸一化處理，為防止實時控制時輸入量超出訓練時對應輸入量范圍產(chǎn)生過大控制量的情況，采用z-score歸一化方法：

其中，μ為同一類所有樣本數(shù)據(jù)的均值，σ為同一類所有樣本數(shù)據(jù)的標準差。

離線處理得到彎道內(nèi)舒適行駛速度的方法為：

當ρc＝ρp±δ，即根據(jù)當前曲率和前視曲率相近的原則，判定車輛處于彎內(nèi)行駛階段，在該情況下，提取彎內(nèi)行駛階段對應的速度信息，求取均值，作為彎內(nèi)行駛舒適車速。其中，優(yōu)選的δ取值為0.1ρc。

3.利用彎道行駛特征量λ＝(ν,ρc,ρp,a)訓練高斯混合模型(gmm)，得到駕駛員模型，如圖4所示。

特征數(shù)據(jù)經(jīng)過歸一化處理后，首先選取聚類個數(shù)k，對提取的特征數(shù)據(jù)進行10次k-means聚類，選取對數(shù)似然函數(shù)值最大的一次聚類結果進行gmm模型參數(shù)(影響因子πg，均值μg和協(xié)方差矩陣σg)的初始化。因k-means方法的聚類結果受初始結果的影響較大，故實施例具體進行10次k-means聚類。

k-means聚類結果僅為數(shù)據(jù)的k簇歸類結果，具體采用以下公式進行gmm模型的參數(shù)初始化

πg,i＝ni/n

μg，i＝(σdi)/ni

σg,i＝cov(di,di)

其中，ni為第i簇數(shù)據(jù)的個數(shù)，n為k簇數(shù)據(jù)總個數(shù)，di為第i簇數(shù)據(jù)。

隨后，模型采用em(期望最大)算法對gmm模型進行訓練，訓練結束后存儲歸一化后的各類數(shù)據(jù)均值μ和標準差σ，gmm模型參數(shù)(影響因子πg，均值μg和協(xié)方差矩陣σg)和模型選擇評判值—對數(shù)似然函數(shù)值。

依次選取聚類個數(shù)k＝5～40，分別進行訓練，訓練完成后，分別得到對應的對數(shù)似然函數(shù)值。選取最大的一個對數(shù)似然函數(shù)值對應的gmm模型作為最終的駕駛員模型。

綜上所述，本發(fā)明實施例提供了一種用于自動駕駛車輛的彎道行駛縱向控制方法，克服了傳統(tǒng)的彎道行駛縱向控制技術的統(tǒng)一性和現(xiàn)有應用于彎道行駛縱向控制技術的神經(jīng)網(wǎng)絡模型的控制量不連續(xù)性的問題，從統(tǒng)計學的角度構建駕駛員模型，使模型具有良好的概率統(tǒng)計特征和可解釋性；并充分考慮駕駛員的彎道行駛特征，將駕駛員的彎道行駛分為入彎行駛、彎內(nèi)行駛和出彎行駛三部分，并在入彎行駛和出彎行駛階段采用具有概率意義的生成式模型—gmm-gmr模型，且在彎內(nèi)行駛時，根據(jù)前期采集到的駕駛員彎道行駛數(shù)據(jù)，實現(xiàn)對駕駛員彎道行駛舒適車速的跟蹤。通過建立的駕駛員模型可實時生成連續(xù)的控制量，可達到駕駛員對固定舒適性指標(加速度、沖擊度)的要求，并可有效模仿駕駛員的駕駛特性，提高駕駛員對自動駕駛技術的接受度。

本領域技術人員可以理解，實現(xiàn)上述實施例方法的全部或部分流程，可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于計算機可讀存儲介質(zhì)中。其中，所述計算機可讀存儲介質(zhì)為磁盤、光盤、只讀存儲記憶體或隨機存儲記憶體等。

以上所述，僅為本發(fā)明較佳的具體實施方式，但本發(fā)明的保護范圍并不局限于此，任何熟悉本技術領域的技術人員在本發(fā)明揭露的技術范圍內(nèi)，可輕易想到的變化或替換，都應涵蓋在本發(fā)明的保護范圍之內(nèi)。