基于网格跟踪的避障和轨迹规划仿真技术的研究.pdf

车辆与动力技术2023年第2 期Vehicle&Power Technology文章编号：10 0 9-46 8 7(2 0 2 3)0 2-0 0 36-0 7总第17 0 期基于网格跟踪的避障和轨迹规划仿真技术的研究张利平，赵俊梅，文刘丹，陈昌鑫，田悦（中北大学电气与控制工程学院，太原0 30 0 51）摘要：基于网格的跟踪器能够融合激光雷达等高分辨率传感器的数据，使用动态占用网格地图估计来找到最佳的行驶轨迹跟踪器的工作是使用传感器测量数据来估计运动对象的数量及其相应的状态，例如位置、速度、加速度和尺寸跟踪器使用Dempster-Shafer（D-S）证据理论定义每个网格单元的占用率，利用粒子滤波算法估计每个网格单元的状态，基于粒子分布的预测，使网格的占据置信水平更新，进而获得全局参考路径在Frenet坐标系中最优规划轨迹最后，通过仿真平台，模拟无交通信号灯的十字形交叉路口的现实场景，进行了大量的仿真实验，证明网格跟踪算法的有效性、实用性.关键词：网格跟踪；避障；轨迹规划；粒子滤波；中图分类号：TP391；U 491Research on Obstacle Avoidance and Trajectory PlanningSimulation Technology Based on Grid Tracking文献标识码：AZHANG Liping,2(School of Electrical and Control Engineering,North University of China,Taiyuan 030051,China)Abstract:The grid-based tracker can fuse the data collected by high-resolution sensors such as LiDARand usedynamic occupancy grid map estimation to find the best driving path.The tracker uses the sensormeasurement data to estimate the number of moving objects and their corresponding states,such asposition,speed,acceleration,and size.It applies the D-S evidence theory to define the occupancy rateof each grid cell and the particle filter algorithm is used to estimate the state of each grid cell.Based onthe prediction of particle distribution,the occupancy confidence level of the grid is updated,and then theoptimal planning trajectory of the global reference path in the Frenet coordinate system is obtained.Finally,the simulation plaform is used to simulate the real scene of intersections without traffic lights,and a large number of simulation experiments are carried out to prove the effectiveness and practicabilityof the grid tracking algorithm.Key words:grid tracking;avoid obstacles;track planning;particle filter车辆的智能化、电动化、共享化、网联化是智能汽车的发展趋势，智能网联汽车的自动驾驶技术逐步改变大家的出行方式，不断替代或减少驾驶员们的繁琐驾驶操作，关键是可以减少交通事故的数量，提高道路利用率和通行效率，最终实现车辆的自主、安全、高效行驶。智能网联汽车一般需要搭载传感器、控制器等收稿日期：2 0 2 3-0 2-0 3基金项目：国家自然科学基金青年项目（6 2 0 0 142 8）；国家自然科学基金（编号：6 2 0 0 3315）作者简介：张利平（198 0），男，讲师，工学硕士，研究方向为智能交通和智能网联车ZHAO Junmei,LIU Dan,CHEN Changxin,先进装置，融合现代网络、通信技术，实现车与车、车与路、车与行人等之间的智能信息交换和共享，其具有环境感知、智能决策、协同控制等特殊功能。环境感知技术是实现车辆与外部环境实时交互的关键，也是实现自动无人驾驶的关键一步，环境感知传感器就像自动驾驶汽车的“眼睛”，每时每刻观察周围动态情况，为车辆的下一步决策与动TIANYue第2 期作提供可靠依据2 视觉传感器夜间环境效果弱、天气恶劣环境效果不佳3、探测角度一定，路标（交通标志、交通信号灯、车道线等）识别能力高超声波雷达和毫米波雷达受车速进而影响测量能力，超声波雷达受天气环境、温度影响较大且远距离探测能力弱，毫米波雷达探测范围一定且也受车速影响测量能力，穿透能力较强，传输过程中损耗较大，但是它具有全天候工作能力激光雷达探测的角度和范围广、速度分辨率高，夜间环境效果不错，隐蔽性好、抗干扰能力强，体积小、重量轻，也受不良天气环境影响检测效果雷达的路标识别能力均不高4故不同传感器应用领域有所不同。仿真技术的发展为智能网络汽车自动驾驶的研发提供了良好平台传统的实车测试，成本较高、持续时间长、效率低、测试场景受限，无法保证系统的鲁棒性和可靠性，难以满足自动驾驶车辆的有效测试5相比之下，基于仿真技术可以较好地克服以上困难文献【6 建立混合整数线性规划的自动驾驶交叉口控制模型，并建立网格坐标方程，利用数学规划优化器对模型进行求解文献【7 建立车辆到达时序和速度协同优化的交叉口车流轨迹优化模型，所有车辆在控制区域的行程时间与油耗加权最小为目标，实现交叉口运行效益最大本文通过仿真实际道路场景，在没有信号灯的控制下，利用基于D-S证据理论和粒子滤波算法的网格跟踪器，通过激光雷达传感器数据生成点云，对交叉路口场景进行仿真和分析.1基于网格的跟踪器基于网格的跟踪器使用动态占用网格地图作为环境的中间表示在动态占用网格地图中，使用一组二维网格单元将环境离散化动态地图表示占用率以及由网格单元表示的空间运动学使用动态地图估计可以将网格单元分类为静态和动态，进而从静态对象中滤除测量值，并可以降低计算复杂度.网格跟踪器，能够在二维环境中处理来自多个传感器的多个目标的检测：跟踪器使用高分辨率传感器数据（如点云和雷达检测）跟踪系统周围的动态对象：跟踪器使用基于随机有限集（randomfinite set，RFS）的方法8-9，利用 Dempster-Shafer（D-S）理论来估计网格单元的动态特性为了从张利平等：基于网格跟踪的避障和轨迹规划仿真技术的研究测期间保持空闲的概率。D-S证据理论允许对不确定性问题进行建模，并进行推理它的基本理论思想如下7：令中包含互不相容的N个元素，=w;1i=1,2,n，的所有子集定义为2，称为识别框架，中每一个元素;称为一个基本假设在识别框架上，定义一个实值函数：2 0,1，m 是基本概率函数，是幂集2 中的每一个元素可能假设B，B 2，满足 m(B)0,m()=，m(B)=1.X 是B的子集，满足Bel(B）=Zm(X），Be l B）是B的信任函数，表XCB示综合信任程度；满足Pl(B）=m（X），Pl(B)是B的似然函数符合Pl(B)=1-Bel(B).（2）跟踪器使用基于粒子滤波（particlefilter，PF）的方法来估计二维网格的动态状态，这有助于跟踪器将每个单元分类为动态或静态它使用网格上固定数量的持久粒子来定义现有目标的分布，也使用固定数量的粒子对新生目标的分布进行采样：这些出生粒子根据出生概率在不同的网格单元中进行采样，此外，粒子的速度和其他未知状态，如转弯率和加速度（当跟踪器不是恒定速度时适用），使用先验极限提供的先验信息进行均匀采样：重采样步骤确保网格上的粒子数保持不变.粒子滤波使用序贯蒙特卡洛方法（sequentialmonte carlo methods，SM C）利用随机采样点（粒子）来近似后验密度10-11。假设k-1 时刻可得表示多目标后验-的加权粒子集（w,X(-1，V是粒子总数，即Tk-(Xk-1 I Z1:k-1 37网格中提取对象，跟踪器使用了一个网格单元到跟踪器的关联方案具体算法如下：（1）跟踪器将来自所有传感器的数据投影到二维网格地图上，以表示D-S框架中的占用和空闲证据：跟踪器使用D-S方法来定义每个单元的占用率，动态网格估计网格单元的占用和自由状态的置信水平，在预测期间，网格单元的占用置信水平由于粒子分布的预测而更新死亡率控制粒子的生存概率并且在预测期间导致占用置信水平的衰减：由于自由置信水平与粒子无关，它使用预先指定的恒定折扣因子衰减，该折扣因子指定了空闲区域在预(1)wi-1 x-(Xi-1).(2)XnB38预测采样X(q(|X(1,Z),i =1,2,V,计算预测权重PMk-(X(P1 XP)q:(X(D1 X,Z.)更新更新权重：wl=wl-1ga(Z.1 X().归一化权重：Nw,i=1,N.(5)重采样重采样(m,x)Y-得到(we,Xi)-1预测根据多目标运动模型，预测的多目标粒子形式如下.XP=XPUXPUX.+，式中：X、X和X分别是存活目标、衍生目车辆与动力技术将在驾驶场景的笛卡尔坐标系中规定的航路点转换为Frenet 坐标系中参考路径的坐标12，进而形成备选轨迹笛卡尔坐标系中的航路点坐标为，y，是纵坐标，表示纵向位移，是横坐标，表Wk-1;(3)(i)(4)(6)(7)2023年示横向位移，0 是角度.Frenet坐标系中表示为ydk S，其中，k是曲率，dk是曲率对弧长的导数，S是弧长，如图1所示Frenet坐标系中的状态表示为SSSLLL，S是弧长，8 S是弧长对时间一阶导数，表示车辆沿参考方向的速度，S是弧长对时间二阶导数即加速度，L是与参考路径方向的垂直偏差，SL是偏差对弧长的一阶导数，8 L是偏差对弧长的二阶导数，如图2 所示Frenet状态描述了车辆相对于参考路径的位置、速度、加速度.R=1/kSxy0标和新生目标集合.跟踪器逻辑管理轨迹的主要步骤如下：跟踪器使用最近邻方法将每个动态网格单元与现有轨迹相关联；跟踪器使用未分配的动态网格单元初始化新的轨迹跟踪先创建暂时状态，在足够的更新后，状态才将被确认也就是如果网格单元和轨迹之间的负对数似然性低于分配阈值，则将动态网格单元分配给其最近的轨迹，超出分配阈值的动态网格单元被视为未分配；如果在轨迹初始化后轨迹的运动对象标签被设置为正值，跟踪器立即确认轨迹.跟踪器执行滑行，预测到当前时间未分配的轨迹，并删除错过次数超过允许次数的轨迹，2设置运动规划器2.1拟合样本局部轨迹在模拟现实交通场景的每一步，轨迹规划算法便生成主车辆可以选择的样本轨迹列表，通过将主车辆的当前状态连接到期望的终端状态来采样局部轨迹而局部运动规划算法，是以沿全局参考路径在Frenet坐标系中规划最优轨迹这样的话，需要图1Frenet坐标系中航路点S图2 Frenet坐标系中的状态最后，将笛卡尔坐标系中的航路坐标点形成参考路径，根据车辆运动学模型，为获得一个加速度连续，位置和速度及加速度均对应始末状态的运动轨迹，进而将参考路径通过五阶多项式曲线拟合生成备选轨迹.2.2寻找无碰撞冲突的轨迹采样过程可能会产生在运动学上不可行的轨迹，并超过加速度和曲率的阈值13需要设