基于时空风险的智能驾驶车辆避险决策规划

为完善复杂道路场景下智能驾驶车辆的碰撞风险评估方法,实时生成有效避险轨迹,本文提出了一种基于时空风险的智能驾驶车辆避险决策规划方法。首先,采用时空耦合的多域风险度量作为评估指标,监督智能驾驶车辆横纵向碰撞风险,同时实时监测行车风险指标变化,通过与典型避险场景风险数据库间的相关性分析,判断潜在碰撞风险大小,从而提前规避风险。然后,依据行车风险场对车辆目标状态进行不均匀采样,规避行车风险较高的驾驶区域,提高避险规划的安全性和实时性。试验结果表明,所提出的避险决策规划方法可安全有效地避开横纵向碰撞风险,并且根据风险指标的时域相关性分析可提前0.5s发现潜在碰撞风险,从而提前平稳规避风险,不均匀采样可将避险轨迹平均规划时间由0.13缩短到0.07s。

面向分体式飞行汽车自主对接的自动驾驶底盘运动规划方法研究

飞行汽车是引领汽车行业未来技术发展的战略新兴方向,分体式飞行汽车作为飞行汽车的主流构型之一,由自动驾驶底盘、智能操控座舱和垂直起降飞行器三部分组成,为完成各部分的自主对接和组合,自动驾驶底盘需要沿规划的路径精确行驶至起飞行器正下方。当前运动规划方法缺乏对来自传感器、控制器和执行器等诸多不确定因素的考虑,导致路径跟踪过程中底盘行驶轨迹偏离规划轨迹,难以精确行驶至预定位置,完成对接。为解决这一问题,提出一种基于长短期记忆网络(Long short-term memory,LSTM)车辆模型的自动驾驶底盘轨迹规划方法。采用LSTM网络表征自动驾驶底盘的运动学特性,在此基础上建立车辆运动学模型。基于该模型,构建模型预测控制架构下的滚动时域优化问题。进而采用基于向量加权平均值的优化方法求解该非线性优化问题,得到符合底盘运动学特性的行驶轨迹。基于团队研制的分体式飞行汽车样机,将提出的规划方法进行试验验证。在转弯场景中,采用提出的方法的底盘平均纵向位置偏差、最大纵向位置偏差与传统模型预测控制(Model predictive control,MPC)方法相比分别下降了78.89%、79.64%和86.67%。