基于改進(jìn)人工勢(shì)場(chǎng)法的路徑規(guī)劃決策一體化算法研究

袁朝春 翁爍豐 何友國(guó) SHEN Jie 陳 龍 王 桐

(1.江蘇大學(xué)汽車工程研究院， 鎮(zhèn)江 212013； 2.密歇根大學(xué)迪爾本分校， 迪爾本 MI 48128)

0 引言

路徑規(guī)劃決策算法是無(wú)人駕駛汽車的重要理論依據(jù)之一[1-3]。車輛行駛環(huán)境復(fù)雜而多變，這對(duì)無(wú)人駕駛汽車的路徑規(guī)劃決策提出了很高的實(shí)時(shí)性要求。目前常用的路徑規(guī)劃算法包括人工勢(shì)場(chǎng)法、網(wǎng)格法、可視圖空間法等。人工勢(shì)場(chǎng)法采用虛擬的斥力與引力建立梯度力場(chǎng)，根據(jù)梯度力場(chǎng)矢量方向?qū)囕v路徑進(jìn)行規(guī)劃，該算法規(guī)劃的曲線平滑，計(jì)算量較小，但易陷入局部最優(yōu)點(diǎn)[4]；網(wǎng)格法通過(guò)將當(dāng)前環(huán)境劃分為系列網(wǎng)格，并通過(guò)該網(wǎng)格是否存在障礙物判斷網(wǎng)格的可通行性，以此規(guī)劃出一條可通行路線，網(wǎng)格法需要大量的計(jì)算量，限制了算法的實(shí)時(shí)性[5]；可視圖空間法將環(huán)境中障礙物抽象為多邊形，并繪制起點(diǎn)與終點(diǎn)之間的多條連線，并在此基礎(chǔ)上篩選最優(yōu)路徑，該方法靈活性較差，在復(fù)雜變化環(huán)境下表現(xiàn)不佳[6]。

目前研究較多的路徑跟蹤算法有基于駕駛員預(yù)瞄模型的路徑跟蹤算法和基于模型預(yù)測(cè)控制算法的路徑跟蹤算法。駕駛員預(yù)瞄模型根據(jù)車輛未來(lái)的預(yù)估位置與目標(biāo)位置的差距進(jìn)行補(bǔ)償決策控制，主要分為單點(diǎn)與多點(diǎn)預(yù)瞄模型，能夠獲得較好的跟蹤控制效果[7-8]；模型預(yù)測(cè)控制算法通過(guò)設(shè)置不同的評(píng)價(jià)函數(shù)來(lái)確定路徑跟蹤過(guò)程中各參數(shù)量對(duì)車輛的重要程度，最終獲得理想的控制結(jié)果[9]。然而，現(xiàn)階段的路徑跟蹤算法環(huán)節(jié)需要較大的數(shù)據(jù)量與計(jì)算量，導(dǎo)致無(wú)人駕駛汽車的路徑規(guī)劃與決策控制環(huán)節(jié)存在著時(shí)滯，會(huì)引起檢測(cè)信息與真實(shí)行駛環(huán)境的偏差。

本文基于車輛行駛過(guò)程中的環(huán)境信息與運(yùn)動(dòng)學(xué)信息對(duì)行駛碰撞風(fēng)險(xiǎn)等級(jí)進(jìn)行評(píng)估，并且基于車輛動(dòng)力學(xué)因素及環(huán)境交通參與者狀態(tài)建立改進(jìn)人工勢(shì)場(chǎng)模型，將無(wú)人駕駛汽車的路徑規(guī)劃與控制決策相結(jié)合建立控制與決策一體化算法，以期為無(wú)人駕駛汽車在復(fù)雜環(huán)境下的實(shí)時(shí)控制提供幫助。

1 車輛行駛環(huán)境安全性判定

車輛行駛環(huán)境動(dòng)態(tài)復(fù)雜而多變。為了保證行駛過(guò)程中的安全性，本文基于車輛行駛運(yùn)動(dòng)學(xué)特性與車輛行駛環(huán)境特征，建立車輛橫、縱向安全模型，以綜合反映車輛行駛過(guò)程中的安全性。

1.1 縱向安全模型

為了反映車輛在行駛過(guò)程中的縱向安全特性，本文建立了一種基于道路、車輛特征的分級(jí)安全距離模型，以體現(xiàn)車輛與環(huán)境交通參與者的不同級(jí)別的碰撞風(fēng)險(xiǎn)，為車輛縱向速度的控制決策提供合理依據(jù)。

(1)直行工況

行駛過(guò)程中，車輛的實(shí)際制動(dòng)能力受車輛性能參數(shù)、輪胎-路面摩擦因數(shù)和實(shí)際駕駛環(huán)境等的影響，假設(shè)車輛制動(dòng)系統(tǒng)可以發(fā)揮道路的最大制動(dòng)效能，則最大制動(dòng)減速度主要受輪胎-路面摩擦因數(shù)和實(shí)際駕駛環(huán)境的影響。車輛行駛過(guò)程中，縱向方向上需保持的距離如圖1所示。

圖1 車輛縱向安全距離Fig.1 Longitudinal safety distance model

結(jié)合車輛運(yùn)動(dòng)學(xué)特征并綜合道路環(huán)境、車輛因素影響，利用車輛最大制動(dòng)減速度、自車車速、前車車速、前車減速度等信息建立縱向分級(jí)安全距離模型[10-12]，為

(1)

(2)

式中Dbr1、Dbr2——1、2級(jí)安全距離閾值，m

vx——車輛當(dāng)前行駛縱向速度，m/s

ar-max——車輛最大制動(dòng)減速度，m/s2

vlf——當(dāng)前車道前方交通參與者速度，m/s

alf——當(dāng)前車道前方交通參與者加速度，m/s2

Tbr——自車制動(dòng)響應(yīng)時(shí)間，s

(2)彎道工況

如圖2所示，彎道行駛過(guò)程中，車輛的實(shí)際行駛路徑的距離與傳感器檢測(cè)的直線距離有所偏差。

圖2 彎道行駛工況示意圖Fig.2 Vehicle driving on a bend

傳感器的測(cè)量結(jié)果Sobstacle與車輛的預(yù)期行駛軌跡存在偏差，無(wú)法準(zhǔn)確地描述自車行駛到前車位置過(guò)程中實(shí)際行駛的距離。為了保證安全判斷的準(zhǔn)確性，本文按照?qǐng)D3所示的方法對(duì)交通參與者與自車之間的距離作了修正計(jì)算。

圖3 車輛在彎道行駛工況中的修正距離Fig.3 Corrected distance on a bend

自車與前方交通參與者之間的修正距離為

(3)

式中S′obstacle——修正后自車與前方交通參與者距離，m

α——車輛行駛軌跡扇形的圓心角，(°)

δ——前輪轉(zhuǎn)角，(°)

l——前后軸距之和，m

R——車輛轉(zhuǎn)向半徑，m

根據(jù)前方交通參與者修正距離與分級(jí)安全距離模型分級(jí)閾值的關(guān)系，得到車輛目前行駛環(huán)境縱向安全級(jí)別為

(4)

1.2 橫向換道安全模型

車輛行駛過(guò)程中，不僅需要合理控制縱向速度以保證車輛不會(huì)與前方交通參與者發(fā)生碰撞，還需要在當(dāng)前車道存在擁堵或靜止障礙物時(shí)控制車輛執(zhí)行換道操作。為了保證換道過(guò)程中的安全性，建立了車輛橫向換道安全模型[13-15]。

換道過(guò)程中，為了保證車輛不會(huì)與前方車輛發(fā)生碰撞事故，結(jié)合無(wú)人駕駛汽車與前向環(huán)境交通參與者的運(yùn)動(dòng)學(xué)信息，建立前向換道防碰撞模型為

(5)

式中fjud——換道過(guò)程前方交通參與者碰撞風(fēng)險(xiǎn)判別參數(shù)

Tchange——換道所需時(shí)間，s

vf——鄰車道前方交通參與者車速，m/s

af——鄰車道前方交通參與者加速度，m/s2

Sremain——預(yù)留安全車距，m

Ssf——車輛與鄰車道前方障礙物縱向距離，m

同時(shí)，為了保證車輛不干涉相鄰車道后方車輛的正常行駛，結(jié)合無(wú)人駕駛汽車與后向環(huán)境交通參與者的運(yùn)動(dòng)學(xué)信息，建立了后向換道防追尾模型

(6)

式中bjud——換道過(guò)程后方交通參與者碰撞風(fēng)險(xiǎn)判別參數(shù)

vb——鄰車道后方交通參與者車速，m/s

ab——鄰車道后方交通參與者加速度，m/s2

當(dāng)滿足條件：fjud>0和bjud>0時(shí)，車輛安全換道狀態(tài)參數(shù)Csafe為1，不滿足時(shí)，Csafe為0。

2 車輛7自由度動(dòng)力學(xué)模型

為了更好地分析車輛動(dòng)力學(xué)主要特征，作如下假設(shè)：直接將前輪轉(zhuǎn)角作為方向盤輸入，不考慮轉(zhuǎn)向系統(tǒng)影響；不考慮車輛垂直運(yùn)動(dòng)；假設(shè)車輛為剛性系統(tǒng)，忽略懸架系統(tǒng)；忽略側(cè)向風(fēng)對(duì)車輛產(chǎn)生的影響。根據(jù)車輛特性，建立圖4所示的車輛7自由度動(dòng)力學(xué)模型[16-18]。

圖4 7自由度車輛動(dòng)力學(xué)受力示意圖Fig.4 Forces of seven degrees of freedom model

(1)動(dòng)力學(xué)方程

7自由度車輛動(dòng)力學(xué)模型包括2個(gè)平動(dòng)(縱向、側(cè)向運(yùn)動(dòng))和5個(gè)轉(zhuǎn)動(dòng)(橫擺運(yùn)動(dòng)、4個(gè)車輪轉(zhuǎn)動(dòng))，動(dòng)力學(xué)方程為

(7)

式中vy——橫向車速，m/s

r——橫擺角速度，rad/s

Fxi、Fyi、Fzi——輪胎縱向力、側(cè)向力、垂向力，i分別對(duì)應(yīng)左前輪fl、右前輪fr、左后輪rl、右后輪rr，N

m——整車質(zhì)量，kg

a、b——前后軸到質(zhì)心的距離，m

Iz——整車?yán)@Z軸的轉(zhuǎn)動(dòng)慣量，kg·m2

tw1——前軸輪距，m

tw2——后軸輪距，m

Fw——車輛行駛過(guò)程中空氣阻力

(2)約束方程建立

采用魔術(shù)公式建立輪胎模型，考慮到車輛在行駛過(guò)程中由于加速或減速引起各車輪的垂直載荷偏移，建立各輪胎垂向載荷力求解公式為

(8)

式中hg——整車質(zhì)心高度，m

各輪胎側(cè)偏角計(jì)算公式為

(9)

各車輪輪心在車輪坐標(biāo)系下縱向速度為

(10)

式中vt_fl、vt_fr、vt_rl、vt_rr——輪胎坐標(biāo)系下的輪胎縱向速度，m/s

(3)Simulink模型建立

如圖5所示，使用Simulink搭建7自由度整車動(dòng)力學(xué)模型。

圖5 整車動(dòng)力學(xué)模型Simulink框圖Fig.5 Simulink block diagram of vehicle dynamics model

3 路徑規(guī)劃決策一體化模型

局部路徑規(guī)劃算法的核心是在全局路徑規(guī)劃算法的基礎(chǔ)上尋找2個(gè)節(jié)點(diǎn)之間的行駛最優(yōu)路徑[19]。現(xiàn)有算法需要先根據(jù)環(huán)境情況規(guī)劃一條行駛路線，通過(guò)控制器控制車輛在此路徑上進(jìn)行跟蹤。然而，智能車輛行駛過(guò)程中，環(huán)境信息與車輛自身信息處于不斷的更新?tīng)顟B(tài)，傳統(tǒng)路徑規(guī)劃決策算法在規(guī)劃層與決策層的脫離可能引起無(wú)人車控制的不穩(wěn)定性。

在傳統(tǒng)路徑規(guī)劃與路徑跟蹤的基礎(chǔ)上，利用多類約束下的虛擬斥力與引力模型體現(xiàn)智能車在交通法規(guī)、交通事故風(fēng)險(xiǎn)、車輛動(dòng)力學(xué)等方面所受的約束。用路徑規(guī)劃決策一體化模型代替?zhèn)鹘y(tǒng)路徑規(guī)劃算法與路徑跟蹤控制器，為車輛提供合理的局部路徑的同時(shí)提供當(dāng)前所需的執(zhí)行機(jī)構(gòu)的最優(yōu)控制值，為復(fù)雜工況的智能車輛主動(dòng)避撞規(guī)劃提供更加合理高效的方法。算法流程如圖6所示。

圖6 改進(jìn)人工勢(shì)場(chǎng)算法流程示意圖Fig.6 Flow chart of improved artificial potential field algorithm

3.1 人工引力建模

人工虛擬引力代表智能車輛行駛過(guò)程中對(duì)其具有吸引作用的環(huán)境因素，主要有全局規(guī)劃虛擬引力與車輛換道虛擬引力，分別用于提供智能車輛行駛過(guò)程中克服環(huán)境阻力正常行駛所需的牽引力及換道操作對(duì)車輛的牽引作用。

3.1.1全局規(guī)劃虛擬引力建模

全局規(guī)劃路線虛擬引力用于提供車輛正常行駛所需的牽引力，其大小與當(dāng)前行駛道路的最高限速、車輛在該路面行駛的滾動(dòng)阻力系數(shù)以及車輛自身質(zhì)量有關(guān)。該設(shè)計(jì)虛擬引力是為保證智能車輛在無(wú)交通參與者或交通參與者碰撞威脅級(jí)別為0級(jí)的道路上能夠在該虛擬引力的作用下持續(xù)加速，并在車輛速度與當(dāng)前道路限速相同為止之后達(dá)到受力平衡狀態(tài)并保持勻速行駛，直到前方出現(xiàn)交通參與者或道路限速發(fā)生變化為止。而在前方道路有其他交通參與者時(shí)，車輛將根據(jù)該交通參與者對(duì)自車的威脅級(jí)別進(jìn)行處理，當(dāng)威脅級(jí)別處于1級(jí)時(shí)，全局規(guī)劃引力將僅提供保持車輛在當(dāng)前速度下正常行駛的力，當(dāng)威脅級(jí)別處于0級(jí)時(shí)，全局規(guī)劃虛擬引力為0，釋放車輛油門。

在無(wú)坡道的道路上，該虛擬引力表示為

(11)

式中μroll——車輛滾動(dòng)阻力系數(shù)

A——車輛的等效迎風(fēng)面積,m2

Cw——車輛的風(fēng)阻系數(shù)

vlimit——車輛行駛最高速度,m/s

Kattract-plan——全局規(guī)劃虛擬引力系數(shù)

3.1.2智能車輛換道引力建模

智能車輛行駛過(guò)程中，當(dāng)遇到存在前方交通參與者或其他阻礙車輛正常行駛的狀態(tài)時(shí)，車輛需要進(jìn)行換道行駛。該引力為智能車輛的換道提供決策與執(zhí)行依據(jù)。

車輛換道引力受當(dāng)前行駛路面的滑動(dòng)摩擦因數(shù)、車輛行駛速度、車輛已完成的換道距離、車輛質(zhì)量等因素決定。車輛換道引力計(jì)算式為

(12)

式中Schange——車輛已完成的橫向位移距離，m

Slane1-2——車輛與所在車道及換行車道的中線距離,m

μslide——路面滑動(dòng)摩擦因數(shù)

3.2 人工斥力建模

虛擬斥力代表車輛行駛過(guò)程中對(duì)車輛行駛具有排斥作用的環(huán)境因素，用于引導(dǎo)車輛規(guī)避交通參與者(車輛、行人、道路兩側(cè)灌木等)與車輛自身特性約束(動(dòng)力學(xué)特性、運(yùn)動(dòng)學(xué)特性)。主要分為：前向交通參與者斥力與前方傳感器檢測(cè)盲區(qū)虛擬斥力。

3.2.1前向交通參與者斥力建模

前向交通參與者斥力用于表征前方交通參與者對(duì)于車輛產(chǎn)生的影響，能充分反映前方交通參與者對(duì)于自車的威脅，可以保證車輛在發(fā)生碰撞之前完成制動(dòng)或減速。

該斥力與車輛當(dāng)前行駛速度、車輛與前方交通參與者理論安全距離、當(dāng)前路面附著力系數(shù)、整車質(zhì)量、前方交通參與者運(yùn)動(dòng)速度有關(guān)。以建立的交通參與者篩選算法與車輛安全距離模型作為依據(jù)，對(duì)車輛運(yùn)動(dòng)學(xué)特性進(jìn)行合理分析，建立前方交通參與者斥力模型為

(13)

式中Kr-obstacle——前向斥力系數(shù)

μroad——當(dāng)前路面最大附著力系數(shù)

Srem——行駛過(guò)程中車輛與前方交通參與者預(yù)留安全距離，m

3.2.2前方傳感器檢測(cè)盲區(qū)斥力建模

傳感器檢測(cè)盲區(qū)斥力用于反映車輛在前方存在傳感器檢測(cè)盲區(qū)時(shí)的制動(dòng)減速度特性。該模型根據(jù)傳感器檢測(cè)的盲區(qū)邊界，在該邊界的基礎(chǔ)上控制車輛進(jìn)行制動(dòng)減速，以保證車輛在該力的作用下能夠避免盲區(qū)內(nèi)突然出現(xiàn)交通參與者引起制動(dòng)距離不足而導(dǎo)致的交通事故。

該虛擬斥力主要由前方傳感器盲區(qū)邊界與自車距離、自車行駛速度、當(dāng)前道路附著力系數(shù)確定，計(jì)算式為

(14)

式中Kr-blind——前方傳感器檢測(cè)盲區(qū)斥力系數(shù)

Sblind——盲區(qū)邊界與車輛當(dāng)前距離，m

4 Carsim/Simulink聯(lián)合仿真分析

為了驗(yàn)證提出模型的有效性與優(yōu)越性，使用Carsim/Simulink建立了多個(gè)仿真工況，對(duì)算法有效性與時(shí)滯性進(jìn)行了分析。

4.1 算法有效性驗(yàn)證

仿真設(shè)車輛迎風(fēng)面積為1.6 m2，風(fēng)阻系數(shù)為0.3，質(zhì)量為1 100 kg，車輛滾動(dòng)系數(shù)為0.014，道路附著力系數(shù)設(shè)為0.85，方向盤與前輪轉(zhuǎn)角傳動(dòng)系數(shù)為20。

4.1.1全局規(guī)劃虛擬引力模型驗(yàn)證

為了驗(yàn)證該模型的有效性，設(shè)置了不同的道路限速工況。工況1，車輛以初速度40 km/h在直線車道上行駛，將道路速度分別限制為60、80 km/h。車輛速度與加速度變化曲線如圖7所示。

圖7 車輛速度與加速度變化曲線(工況1)Fig.7 Diagram of vehicle speed and acceleration (condition 1)

由圖7可以看出，在全局規(guī)劃虛擬引力的作用之下，車輛在無(wú)交通參與者道路上行駛時(shí)將保持一個(gè)逐漸減少的加速度進(jìn)行持續(xù)加速，并在車輛速度達(dá)到當(dāng)前限速值之后保持勻速直線行駛。

工況2，車輛在直線車道上行駛，道路前1 km的限速為60 km/h,后續(xù)道路限速為80 km/h。車輛的速度與加速度變化曲線如圖8所示。

由圖8可以看出，在全局規(guī)劃虛擬引力的作用下，前半段道路上，車輛將持續(xù)加速行駛，向60 km/h的速度持續(xù)逼近，并在道路限速改變之后改變加速度，控制車速向80 km/h的速度逼近。

工況3，車輛在直線車道上行駛，道路前1 km的限速為80 km/h,后續(xù)道路限速為60 km/h。車輛的速度與加速度變化曲線如圖9所示。

由圖9可以看出，在全局規(guī)劃虛擬引力的作用下，前半段道路上，車輛將持續(xù)加速行駛，向80 km/h的速度持續(xù)逼近。道路限速改變之后，車輛的全局規(guī)劃虛擬引力小于車輛當(dāng)前所受的行駛阻力的，車輛將減速，車速向60 km/h的速度逼近。

通過(guò)上述3種工況的仿真，可以看出，全局規(guī)劃虛擬引力可以引導(dǎo)車輛速度向當(dāng)前路面的限速條件不斷逼近，直到車輛行駛速度達(dá)到當(dāng)前道路允許的最大行駛速度。

圖8 車輛速度與加速度變化曲線(工況2)Fig.8 Diagram of vehicle speed and acceleration (condition 2)

圖9 車輛速度與加速度變化曲線(工況3)Fig.9 Diagram of vehicle speed and acceleration (condition 3)

4.1.2換道引力模型驗(yàn)證

為了驗(yàn)證該模型的有效性，設(shè)置了3種行駛工況，車輛分別以60、80、100 km/h的速度行駛，在換道引力與車輛行駛引力的綜合作用下進(jìn)行換道操作，方向盤轉(zhuǎn)角變化、車輛側(cè)向加速度變化、車輛位置變化、車輛質(zhì)心側(cè)偏角變化如圖10所示。

圖10 方向盤轉(zhuǎn)角、車輛側(cè)向加速度、車輛位置與車輛質(zhì)心側(cè)偏角變化曲線Fig.10 Diagram of steering angle, lateral acceleration, vehicle position and side slip angle

如圖10所示，不同行駛速度下，車輛的方向盤轉(zhuǎn)角峰值隨車速的增加而減小；不同車速下，車輛側(cè)向加速度的峰值均可控制在1.5 m/s2以內(nèi)，可保證良好的乘坐感受；車輛位置變化為平滑曲線，轉(zhuǎn)向過(guò)渡自然；車輛質(zhì)心側(cè)偏角未超過(guò)0.2°，保證了良好的車輛穩(wěn)定性。

4.1.3前向交通參與者斥力模型驗(yàn)證

為了驗(yàn)證該模型的有效性，針對(duì)不同的前方交通參與者場(chǎng)景與自車速度進(jìn)行了仿真分析。設(shè)定前方交通參與者行駛速度為20 km/h，車輛與前方交通參與者初始距離為70 m，車輛以60、80 km/h的速度沿道路行駛，車輛速度、車輛與前方交通參與者距離變化曲線如圖11所示。

圖11 車輛速度及車輛與前方交通參與者距離變化曲線Fig.11 Diagram of vehicle speed and distance from obstacle ahead

如圖11所示，在車輛與前方交通參與者的距離小于安全距離模型所規(guī)定的閾值之后，此時(shí)，車輛前向交通參與者斥力大于道路行駛引力，車輛在合力的作用下減速，在車輛與前方交通參與者的距離大于安全距離模型所規(guī)定的閾值之后，車輛又會(huì)在道路行駛引力的作用下加速，最終，車輛與前方交通參與者的距離穩(wěn)定在安全距離模型所允許的值附近。綜上，車輛前向交通參與者斥力可以保證行駛中的前向碰撞安全性。

4.1.4傳感器盲區(qū)斥力模型驗(yàn)證

為了驗(yàn)證該模型的有效性，設(shè)定了一種傳感器盲區(qū)突然出現(xiàn)交通參與者的工況，該工況為：車輛以60 km/h的速度在道路上行駛，前方100 m處車輛右前方有一傳感器盲區(qū)，傳感器盲區(qū)于5.5 s時(shí)突然出現(xiàn)交通參與者，分別在未考慮傳感器盲區(qū)斥力與考慮傳感器盲區(qū)斥力的基礎(chǔ)上分別進(jìn)行仿真分析，車輛速度與加速度曲線如圖12所示。

由圖12可以看出，考慮盲區(qū)邊界條件的情況下，車輛會(huì)較早地對(duì)盲區(qū)風(fēng)險(xiǎn)做出預(yù)判而提前減速，在交通參與者出現(xiàn)后，車輛由于預(yù)判減速的存在，留有足夠的制動(dòng)距離，從而規(guī)避碰撞事故的發(fā)生，而未考慮盲區(qū)的情況下，車輛在發(fā)現(xiàn)前方交通參與者之后才開(kāi)始制動(dòng)減速，制動(dòng)距離過(guò)短，易導(dǎo)致碰撞事故的發(fā)生。

圖12 車輛與盲區(qū)障礙物距離、速度、加速度變化曲線Fig.12 Diagram of vehicle distance from blind area, vehicle speed and vehicle acceleration

4.2 算法時(shí)滯分析

仿真實(shí)驗(yàn)所使用的運(yùn)算平臺(tái)CPU處理器為Intel G4560，RAM為4 GB。Matlab版本為R2014a，Carsim版本為8.1。

選用基于MPC的軌跡規(guī)劃算法與基于MPC的路徑跟蹤算法作為參照對(duì)象，建立圖13所示的聯(lián)合仿真模型[20]，規(guī)劃量輸出頻率為50 Hz，設(shè)定仿真時(shí)間為5 s，使用基于Matlab中profile函數(shù)對(duì)算法進(jìn)行了運(yùn)行時(shí)間分析，重復(fù)進(jìn)行10次，不計(jì)Carsim動(dòng)力學(xué)模型耗時(shí)，得到的結(jié)果如表1所示。綜合多次實(shí)驗(yàn)結(jié)果可知，該算法單次運(yùn)行所需時(shí)間為0.06 s。

搭建圖14所示的基于改進(jìn)人工勢(shì)場(chǎng)法的路徑規(guī)劃決策一體化算法模型，使用profile函數(shù)對(duì)其進(jìn)行時(shí)滯分析。控制量輸出頻率為1 000 Hz，運(yùn)行時(shí)間為5 s，重復(fù)10次的程序運(yùn)行耗時(shí)數(shù)據(jù)如表2所示，由表2可知，單次規(guī)劃決策平均運(yùn)行時(shí)間為5.5×10-5s。

由表1、2可知，本文提出的路徑?jīng)Q策規(guī)劃一體化算法在時(shí)滯方面表現(xiàn)更優(yōu)。

圖13 基于MPC的軌跡規(guī)劃算法與基于MPC的路徑跟蹤算法模型Fig.13 Model of MPC-based trajectory planning algorithm and MPC-based path tracking

s

圖14 基于改進(jìn)人工勢(shì)場(chǎng)法的路徑規(guī)劃決策一體化算法模型Fig.14 Integrated algorithm model of path planning and decision-making based on improved artificial potential field method

s

5 結(jié)論

(1)針對(duì)車輛行駛環(huán)境特征與自身運(yùn)動(dòng)學(xué)特征對(duì)智能車行駛過(guò)程中橫縱向風(fēng)險(xiǎn)進(jìn)行了分析，綜合反映了智能車行駛過(guò)程中的環(huán)境安全性。

(2)針對(duì)智能車輛傳感器盲區(qū)作了盲區(qū)斥力分析，避免傳感器盲區(qū)帶來(lái)的車輛碰撞風(fēng)險(xiǎn)。

(3)提出了路徑?jīng)Q策規(guī)劃一體化算法的概念，根據(jù)車輛與環(huán)境信息建立了改進(jìn)人工勢(shì)場(chǎng)模型，利用模型在規(guī)劃車輛行駛路徑的同時(shí)給出車輛控制量，減小了規(guī)劃決策過(guò)程中時(shí)滯的影響。