基于模型预测控制的自动驾驶车辆轨迹规划

doi:10.11772/j.issn.1001-9081.2023050725

《计算机应用》唯一官方网站 ›› 2024, Vol. 44 ›› Issue (6): 1959-1964.DOI: 10.11772/j.issn.1001-9081.2023050725

所属专题：前沿与综合应用

基于模型预测控制的自动驾驶车辆轨迹规划

葛超¹, 张嘉滨¹, 王蕾²(), 伦志新²

^1.华北理工大学电气工程学院，河北唐山 063210
^2.唐山学院智能与信息工程学院，河北唐山 063010

收稿日期:2023-06-09 修回日期:2023-08-25 接受日期:2023-08-31 发布日期:2023-09-14 出版日期:2024-06-10
通讯作者: 王蕾
作者简介:葛超（1980—），男，河北石家庄人，教授，博士，主要研究方向：网络化控制系统稳定性分析、多智能体系统建模与控制、混沌系统采样控制、遥操作机器人系统控制器
张嘉滨（1998—），男，河北唐山人，硕士研究生，主要研究方向：移动机器人路径规划、复杂系统的建模、优化与控制
伦志新（1980—），男，河北唐山人，讲师，硕士，主要研究方向：移动机器人路径规划。
基金资助:
河北省自然科学基金资助项目(F2021209006)

Trajectory planning for autonomous vehicles based on model predictive control

Chao GE¹, Jiabin ZHANG¹, Lei WANG²(), Zhixin LUN²

^1.College of Electrical Engineering，North China University of Science and Technology，Tangshan Hebei 063210，China
^2.Intelligence and Information Engineering College，Tangshan University，Tangshan Hebei 063010，China

Received:2023-06-09 Revised:2023-08-25 Accepted:2023-08-31 Online:2023-09-14 Published:2024-06-10
Contact: Lei WANG
About author:GE Chao， born in 1980， Ph. D.， professor. His research interests include stability analysis of networked control systems， modeling and control of multi-agent systems， sampling control of chaotic systems， controller of teleoperated robot systems.
ZHANG Jiabin， born in 1998， M. S. candidate. His research interests include path planning of mobile robots， complex system modeling， optimization and control.
LUN Zhixin， born in 1980， M. S.， lecturer. His research interests include path planning of mobile robots.
Supported by:
Natural Science Foundation of Hebei Province(F2021209006)

摘要/Abstract

摘要：

为帮助自动驾驶车辆规划一条安全、舒适和高效的行驶轨迹，提出一种基于模型预测控制的轨迹规划方法。首先，为简化规划的环境，提出一种安全、可行的“三圆”膨胀化的安全区，避免车辆理想化模型引发的碰撞问题；其次，将轨迹规划进行横、纵向空间解耦，横向规划使用模型预测的方法生成一系列满足行驶要求的候选轨迹，纵向规划使用动态规划方法，提高规划的效率；最后，综合考虑影响最优轨迹挑选的因素，提出更符合行驶要求的路径规划和速度规划的最优轨迹评价函数，并通过Matlab/Simulink、Prescan和Carsim软件的联合仿真验证所提算法的有效性。实验结果表明，车辆的舒适度指标、方向盘转角变化和定位精度等均达到预期效果，规划曲线与跟踪曲线完美贴合，验证了所提算法的优越性。

关键词: 自动驾驶, 轨迹规划, 模型预测, 空间解耦, 最优轨迹选择

Abstract:

To help the autonomous vehicle plan a safe， comfortable and efficient driving trajectory， a trajectory planning approach based on model predictive control was proposed. First， to simplify the planning environment， a safe and feasible “three-circle” expansion of the safety zone was introduced， which also eliminates the collision issues caused by the idealized model of the vehicle. Then， the trajectory planning was decoupled in lateral and longitudinal space. A model prediction method was applied for lateral planning to generate a series of candidate trajectories that met the driving requirements， and a dynamic planning approach was utilized for longitudinal planning， which improved the efficiency of the planning process. Eventually， the factors affecting the selection of optimal trajectories were considered comprehensively， and an optimal trajectory evaluation function was proposed for path planning and speed planning more compatible with the driving requirements. The effectiveness of the proposed algorithm was verified by joint simulation with Matlab/Simulink， Prescan and Carsim software. Experimental results indicate that the vehicle achieves the expected effects in terms of comfort metrics， steering wheel angle variation and localization accuracy， and the planning curve also perfectly matches the tracking curve， which validates the advantage of the proposed algorithm.

Key words: autonomous driving, trajectory planning, model prediction, spatial decoupling, optimal trajectory selection

中图分类号:

TP242.6

葛超, 张嘉滨, 王蕾, 伦志新. 基于模型预测控制的自动驾驶车辆轨迹规划[J]. 计算机应用, 2024, 44(6): 1959-1964.

Chao GE, Jiabin ZHANG, Lei WANG, Zhixin LUN. Trajectory planning for autonomous vehicles based on model predictive control[J]. Journal of Computer Applications, 2024, 44(6): 1959-1964.

图/表 9

图1 轨迹规划算法总体框架

Fig.1 Overall framework of trajectory planning algorithm

图2 自然坐标系与直角坐标系转换

Fig.2 Conversion between natural and Cartesian coordinate systems

图3 开辟“三圆”安全空间（S-L图）

Fig. 3 Opening up “three circles” safe zone （S-L diagram）

图4 车辆运动学模型

Fig. 4 Kinematics model of vehicle

图5 候选轨迹的生成

Fig.5 Generation of candidate trajectories

图6 速度规划的S-T图

Fig.6 S-T diagram of velocity planning

图7 动态场景下自动驾驶车辆应用两种算法的轨迹规划

Fig. 7 Trajectory planning of autonomous vehicles using two algorithms in dynamic scenarios

图8 动态场景下自动驾驶车辆的行驶参数

Fig. 8 Driving parameters of autonomous vehicles in dynamic scenarios

图9 跟踪曲线

Fig. 9 Tracking curve

参考文献 16

1	李永迪，李彩虹，张耀玉，等.基于改进SAC算法的移动机器人路径规划［J］.计算机应用，2023，43（2）：654-660.
	LI Y D， LI C H， ZHANG Y Y， et al. Mobile robot path planning based on improved SAC algorithm［J］. Journal of Computer Applications， 2023， 43（2）： 654-660.
2	范厚明，牟爽，岳丽君.考虑冲突和拥堵的自动导引车调度与路径规划协同优化［J］.计算机应用，2022，42（7）：2281-2291.
	FAN H M， MU S， YUE L J. Collaborative optimization of automated guided vehicle scheduling and path planning considering conflict and congestion［J］. Journal of Computer Applications， 2022， 42（7）： 2281-2291.
3	刘腾，于会龙，田滨，等.智能车的智能指挥与控制：基本方法与系统结构［J］.指挥与控制学报，2018，4（1）：22-31.
	LIU T， YU H L， TIAN B， et al. Intelligent command and control systems for intelligent vehicles： primary methods and systemic construction［J］. Journal of Command and Control， 2018， 4（1）： 22-31.
4	ZHANG C， CHU D， LIU S， et al. Trajectory planning and tracking for autonomous vehicle based on state lattice and model predictive control［J］. IEEE Intelligent Transportation Systems Magazine， 2019， 11（2）： 29-40.
5	LI H， WU C， CHU D， et al. Combined trajectory planning and tracking for autonomous vehicle considering driving styles［J］. IEEE Access， 2021， 9： 9453-9463.
6	李研强，郑亚雯，张岱峰，等.基于DRF优化采样的无人车轨迹规划方法［J］.电子测量技术，2023，46（5）：105-112.
	LI Y Q， ZHENG Y W， ZHANG D F， et al. Driverless vehicle trajectory planning method based on optimal sampling of DRF［J］. Electronic Measurement Technology， 2023， 46（5）： 105-112.
7	张兰芳，李娟军，杨旻皓，等.基于轨迹数据的地下快速路换道决策模型研究［J］.上海公路，2021（3）：115-122， 157.
	ZHANG L F， LI J J， YANG M H， et al. Research on lane changing decision model of underground expressway based on trajectories data［J］. Shanghai Highways， 2021（3）： 115-122， 157.
8	MOHSENI F， FRISK E， NIELSEN L. Distributed cooperative mpc for autonomous driving in different traffic scenarios［J］. IEEE Transactions on Intelligent Vehicles， 2021， 6（2）： 299-309.
9	高凯，余家旺，张金城.低附着工况自动驾驶汽车纵横向耦合控制［J］.汽车安全与节能学报，2019，10（1）：67-73.
	GAO K， YU J W， ZHANG J C. Longitudinal and lateral coupling control for autonomous driving vehicle under low adhesion conditions［J］. Journal of Automotive Safety and Energy， 2019， 10（1）： 67-73.
10	XIONG L， FU Z， ZENG D， et al. An optimized trajectory planner and motion controller framework for autonomous driving in unstructured environments［J］. Sensors， 2021， 21（13）： 4409.
11	HUANG C， HUANG H， HANG P， et al. Personalized trajectory planning and control of lane-change maneuvers for autonomous driving［J］. IEEE Transactions on Vehicular Technology， 2021， 70（6）： 5511-5523.
12	ZHANG Y， CHEN H， WASLANDER S L， et al. Hybrid trajectory planning for autonomous driving in highly constrained environments［J］. IEEE Access， 2018， 6： 32800-32819.
13	HU X， CHEN L， TANG B， et al. Dynamic path planning for autonomous driving on various roads with avoidance of static and moving obstacles［J］. Mechanical Systems and Signal Processing， 2018， 100： 482-500.
14	CHEN Z， WANG S， YU B， et al. A robust trajectory planning method based on historical information for autonomous vehicles［C］// Proceedings of the 2021 5th International Conference on Robotics and Automation Sciences. Piscataway： IEEE， 2021： 198-205.
15	LI H， YU G， ZHOU B， et al. Semantic-level maneuver sampling and trajectory planning for on-road autonomous driving in dynamic scenarios［J］. IEEE Transactions on Vehicular Technology， 2021， 70（2）： 1122-1134.
16	LIM W， LEE S， SUNWOO M， et al. Hybrid trajectory planning for autonomous driving in on-road dynamic scenarios［J］. IEEE Transactions on Intelligent Transportation Systems， 2021， 22（1）： 341-355.

[1]	李华夏, 黄晓蓉, 沈安林, 蒋鹏, 彭忆强, 隋立起. 基于MPC和PID的脚轮式全向移动平台轨迹跟踪[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2285-2293.
[2]	邓亚平, 李迎江. YOLO算法及其在自动驾驶场景中目标检测综述[J]. 《计算机应用》唯一官方网站, 2024, 44(6): 1949-1958.
[3]	廖存燚, 郑毅, 刘玮瑾, 于欢, 刘守印. 自动驾驶环境感知多任务去耦-融合算法[J]. 《计算机应用》唯一官方网站, 2024, 44(2): 424-431.
[4]	张明, 付乐, 王海峰. 面向边缘计算的并发数据流接转控制模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3876-3883.
[5]	柳隽琰, 江沸菠, 彭于波, 董莉. 基于分解法与轨迹搜索的无人机群轨迹多目标优化模型[J]. 《计算机应用》唯一官方网站, 2023, 43(12): 3806-3815.
[6]	陈宝, 周祖鹏, 卫欢, 吕延钊, 睢志成. 基于专家PID的带臂四旋翼无人机控制方法[J]. 《计算机应用》唯一官方网站, 2022, 42(8): 2637-2642.
[7]	张京, 朱爱红. 基于遗传算法和粒子群优化的列车自动驾驶速度曲线优化方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 599-605.
[8]	李朝, 兰海, 魏宪. 基于注意力的毫米波-激光雷达融合目标检测[J]. 计算机应用, 2021, 41(7): 2137-2144.
[9]	刘丹, 吴亚娟, 罗南超, 郑伯川. 嵌入注意力和特征交织模块的Gaussian-YOLO v3目标检测[J]. 计算机应用, 2020, 40(8): 2225-2230.
[10]	胡学敏, 童秀迟, 郭琳, 张若晗, 孔力. 基于深度视觉注意神经网络的端到端自动驾驶模型[J]. 计算机应用, 2020, 40(7): 1926-1931.
[11]	胡学敏, 成煜, 陈国文, 张若晗, 童秀迟. 基于深度时空Q网络的定向导航自动驾驶运动规划[J]. 计算机应用, 2020, 40(7): 1919-1925.
[12]	许洋, 秦小林, 刘佳, 张力戈. 多无人机自适应编队协同航迹规划[J]. 计算机应用, 2020, 40(5): 1515-1521.
[13]	白丽贇, 胡学敏, 宋昇, 童秀迟, 张若晗. 基于深度级联神经网络的自动驾驶运动规划模型[J]. 计算机应用, 2019, 39(10): 2870-2875.
[14]	袁娜, 史昕, 赵祥模. 基于改进人工鱼群算法的车辆轨迹规划方法[J]. 计算机应用, 2018, 38(10): 3030-3035.
[15]	周慧子, 胡学敏, 陈龙, 田梅, 熊豆. 面向自动驾驶的动态路径规划避障算法[J]. 计算机应用, 2017, 37(3): 883-888.

基于模型预测控制的自动驾驶车辆轨迹规划

Trajectory planning for autonomous vehicles based on model predictive control

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 9

参考文献 16

相关文章 15

编辑推荐

Metrics