一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法

摘要

本发明公开了一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，根据路径信息，计算输出车辆在参考点处的安全纵向车速vx；以路径信息、车辆状态信息以及参考点处的安全纵向车速vx作为输入，通过基于BP神经网络的仿驾驶员理想纵向加速度模型计算输出当前工况下的理想纵向加速度a0；基于参考点处的安全纵向车速vx、当前车辆所在位置沿车道中心线到达前方参考点处的距离s和车辆当前的纵向车速v0计算输出纵向加速度阈值a′；基于理想纵向加速度a0和纵向加速度阈值a′，计算得到当前工况的期望纵向加速度ades，并输出到纵向加速度跟踪模块，对ades进行精确跟踪。本发明可以同时考虑道路曲率和横向运动对决策结果的影响，提高弯道行驶过程中的舒适性和安全性。

权利要求

1.一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，其特征在于，包括如下步骤：步骤1，根据路径信息，计算输出车辆在参考点处的安全纵向车速vx；

步骤2，以路径信息、车辆状态信息以及参考点处的安全纵向车速vx作为输入，通过基于BP神经网络的仿驾驶员理想纵向加速度模型计算输出当前工况下的理想纵向加速度a0；

步骤3，基于参考点处的安全纵向车速vx、当前车辆所在位置沿车道中心线到达前方参考点处的距离s和车辆当前的纵向车速v0计算输出纵向加速度阈值a′；

步骤4，基于理想纵向加速度a0和纵向加速度阈值a′，计算得到当前工况的期望纵向加速度ades，并输出到纵向加速度跟踪模块，对ades进行精确跟踪；所述步骤1中计算输出车辆在参考点处的安全纵向车速vx的方法为：步骤1.1，确定变曲率弯道中的参考点，并获取参考点处的道路曲率ρ1；

步骤1.2，采集多条弯道上真实驾驶员弯道行驶数据后，利用多元非线性回归的方法进行非线性拟合得到所采集的数据中车辆所在位置的纵向车速的中位数为：vm＝74(1‑e‑0.017R

)，R为该点处的道路曲率半径；进而得到参考点处的安全纵向车速公式为：其中，vx为参考点处的安全纵向车速；ρ1为参考点处的道路曲率。

2.根据权利要求1所述的一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，其特征在于，纵向加速度阈值a′表示为 当a′的方向与汽车当前的纵向车速v0一致时，a′为正值，反之为负值。

3.根据权利要求2所述的一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，其特征在于，所述期望纵向加速度ades的计算方法为：当a′＞0时，令ades＝a0；当a′≤0时，令ades＝min{a0,a′}。

4.根据权利要求1所述的一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，其特征在于，确定所述参考点的方法为：当前车辆所在位置沿前方车道中心线400m路程范围内道路曲率最大的点为参考点，且当前车辆所在位置为当前车辆后轴中心点在当前车道中心线上的投影点。

5.根据权利要求4所述的一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，其特征在于，训练基于BP神经网络的仿驾驶员理想纵向加速度模型的方法为：步骤2.1，实验数据准备，数据包括路径信息、参考点处的安全纵向车速vx和车辆状态信息；所述路径信息具体包括当前车辆所在位置的道路曲率ρ2、当前车辆所在位置沿车道中心线到达前方参考点处的距离s、参考点处的道路曲率ρ1；基于参考点处的道路曲率ρ1，按照步骤1的方法得到参考点处的安全纵向车速vx；所述车辆状态信息包括车辆当前的纵向车速v0、车辆当前的侧向加速度ay和车辆当前的纵向加速度a0；

步骤2.2，利用实验数据，对基于BP神经网络的仿驾驶员理想纵向加速度模型进行训T

练：以(v0,vx,ρ2,s,ay) 作为输入，以a0作为输出，对BP神经网络进行训练。

说明书

一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法

技术领域

[0001] 本发明涉及无人驾驶车辆技术领域，具体涉及一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法。

背景技术

[0002] 经过数十年的发展，无人驾驶车辆在弯道上的纵向控制技术已然取得了长足的进展，这其中主要包括如何根据道路环境信息和车辆状态信息决策出纵向加速度的期望值，
以及如何利用执行机构对期望纵向加速度进行精确跟踪两大部分。

[0003] 目前已有的研究中，往往仅根据道路的曲率特性或车辆的横向运动特性对期望纵向加速度进行决策，鲜有研究能同时考虑两者对决策结果的影响。

[0004] 相关研究表明：在实际的驾驶过程中，驾驶员会倾向于观察前方道路的弯曲程度，并将注意力集中于前方曲率较大的位置，根据经验估计到达该位置时车辆的安全车速、当
前位置到前方曲率较大位置的路程、当前所在位置的道路曲率来调整车辆的纵向加速度。
根据交通管理局得出的结论：驾驶员在实际驾驶过程中，观察交通环境、判断各种因素、采
取反应措施，以及制动滞后和持续制动所需要的时间约为12s；国内允许的最高车速不得超
过120km/h，以120km/h的车速行驶12s所驶过的路程为：

[0005]

[0006] 如果能实时地对前方400m路程范围内的道路曲率特性进行探测并根据探测结果调节纵向加速度，则能够充分地保证安全性；

[0007] 同时，由于横纵向运动之间的强耦合关系，为了保证操纵稳定性，驾驶员也会适时地根据经验以及对于侧向加速度和纵向车速的主观感受来操纵油门和刹车踏板。

[0008] 虽然道路的曲率特性与车辆的横向运动控制有着密不可分的关联特性，但根据调查，在实际的驾驶过程中，两者会分别对人‑车‑路闭环系统中的驾驶员环节产生不同的作
用，进而影响驾驶员对期望纵向加速度的决策。显然，目前已有的相关研究中并未充分考虑
到这一点。

[0009] 国家专利201710338593.6提出以训练得到的GMM(高斯混合模型)实时输出在弯道上的纵向加速度期望值，仅考虑以道路曲率特性和纵向车速作为输入，未考虑横纵向运动
之间的强耦合关系，即任何一个方向上的运动变化情况都会影响另一个方向上的运动控制
效果，容易导致操纵稳定性降低，进而影响无人驾驶车辆弯道行驶的安全性；国家专利
201910480137.4提出通过获取车辆方向盘转角计算出侧向加速度，进而根据侧向加速度的
值对纵向加速度的期望值进行决策。驾驶员行车时，一般会根据视野范围内车道中心线的
弯曲程度来调整油门和刹车踏板，但该方法并未考虑道路曲率特性对期望纵向加速度的决
策的影响，容易导致在经过某些路段时期望纵向加速度的输出值与真实驾驶员的决策值有
较大差异，易造成过弯时乘坐人员视觉上的不适应，进而导致心理上的恐慌，降低乘坐的舒
适性。

[0010] 因此，有必要设计一种新的期望纵向加速度决策方法，使其工作过程更加接近真实驾驶员在变曲率弯道上对期望纵向加速度的决策过程，并同时考虑道路曲率和横向运动
对决策结果的影响，提高弯道行驶过程中的舒适性和安全性。

发明内容

[0011] 为了解决现有技术中存在的不足，本发明提出了一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，用以解决现有技术中期望纵向加速度的决策方法与真实驾驶员的决
策过程相差较大、未能同时考虑道路曲率和横向运动对期望纵向加速度决策的影响，导致
舒适性和安全性不高的问题。

[0012] 本发明所采用的技术方案如下：

[0013] 一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，包括如下步骤：

[0014] 步骤1，根据路径信息，计算输出车辆在参考点处的安全纵向车速vx；

[0015] 步骤2，以路径信息、车辆状态信息以及参考点处的安全纵向车速vx作为输入，通过基于BP神经网络的仿驾驶员理想纵向加速度模型计算输出当前工况下的理想纵向加速
度a0；

[0016] 步骤3，基于参考点处的安全纵向车速vx、当前车辆所在位置沿车道中心线到达前方参考点处的距离s和车辆当前的纵向车速v0计算输出纵向加速度阈值a′；

[0017] 步骤4，基于理想纵向加速度a0和纵向加速度阈值a′，计算得到当前工况的期望纵向加速度ades，并输出到纵向加速度跟踪模块，对ades进行精确跟踪。

[0018] 进一步，纵向加速度阈值a′表示为 当a′的方向与汽车当前的纵向车速v0一致时，a′为正值，反之为负值。

[0019] 进一步，所述期望纵向加速度ades的计算方法为：

[0020] 当a′＞0时，令ades＝a0；当a′≤0时，令ades＝min{a0,a′}。

[0021] 进一步，所述步骤1中计算输出车辆在参考点处的安全纵向车速vx的方法为：

[0022] 步骤1.1，确定变曲率弯道中的参考点，并获取参考点处的道路曲率ρ1；

[0023] 步骤1.2，采集多条弯道上真实驾驶员弯道行驶数据后，利用多元非线性回归的方法进行非线性拟合得到所采集的数据中车辆所在位置的纵向车速的中位数为：vm＝74(1‑e
‑0.017R
)，R为该点处的道路曲率半径；进而得到参考点处的安全纵向车速公式为：

[0024]

[0025] 其中，vx为参考点处的安全纵向车速；ρ1为参考点处的道路曲率。

[0026] 进一步，确定所述参考点的方法为：当前车辆所在位置沿前方车道中心线400m路程范围内道路曲率最大的点为参考点，且当前车辆所在位置为当前车辆后轴中心点在当前
车道中心线上的投影点。

[0027] 进一步，训练基于BP神经网络的仿驾驶员理想纵向加速度模型的方法为：

[0028] 步骤2.1，实验数据准备，数据包括路径信息、参考处的安全纵向车速vx和车辆状态信息；所述路径信息具体包括当前车辆所在位置的道路曲率ρ2、当前车辆所在位置沿车
道中心线到达前方参考点处的距离s、参考点处的道路曲率ρ1；基于参考点处的道路曲率ρ1，
按照步骤1的方法得到参考点处的安全纵向车速vx；所述车辆状态信息包括车辆当前的纵
向车速v0、车辆当前的侧向加速度ay和纵向加速度a0；

[0029] 步骤2.2，利用实验数据，对基于BP神经网络的仿驾驶员理想纵向加速度模型进行T
训练：以(v0,vx,ρ2,s,ay) 作为输入，以a0作为输出，对BP神经网络进行训练。

[0030] 本发明的有益效果：

[0031] 1、本发明提出的用于无人驾驶车辆在变曲率弯道行驶的期望纵向加速度决策方法，首先通过对前方道路曲率特性的评估得到前方大曲率点处的安全纵向车速，再根据安
全纵向车速以及其他对驾驶员决策结果影响较大的变量，通过神经网络输出理想纵向加速
度，使得决策过程贴近于真实驾驶员的习惯。

[0032] 2、本发明同时考虑了道路曲率和横向运动状态对纵向加速度决策的影响，在弯道行驶时，能够根据道路的曲率和汽车横向运动状态实时地调整期望纵向加速度的值，决策
的结果能更好地满足舒适性和安全性的需求。

[0033] 3、本发明通过设定纵向加速度阈值，使得车辆在通过曲率较大点时，车速不高于经验公式所得出的在该点的安全纵向车速，进一步保证了弯道行驶的安全性。

附图说明

[0034] 图1是无人驾驶车辆在变曲率弯道上行驶的期望纵向加速度决策方法的流程图；

[0035] 图2是当前车辆所在位置示意图；

[0036] 图3是“参考点”位置示意图。

具体实施方式

[0037] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用于解释本发明，并不
用于限定本发明。

[0038] 步骤1，根据路径信息，计算输出车辆在参考点处的安全纵向车速vx。

[0039] 步骤1.1，确定变曲率弯道中的参考点，并获取参考点处的道路曲率ρ1；首先，通过GPS信息和地图信息获得路径信息；当前车辆所在位置为当前车辆后轴中心点在当前车道
中心线上的投影点。如图2所示，假设此时车辆后轴中心点为M，则当前车辆所在位置即为M
在道路中心线上的投影点N。参考点为当前车辆所在位置沿前方车道中心线400m路程范围
内道路曲率最大的点，以图3所示的一段曲率连续变化的弯道为例，假如当前车辆所在位置
为A点，曲线ABC的长度为400m，点B是曲线ABC上曲率最大的点，则点B即为上述参考点；路径
信息来源于GPS信息和地图信息，具体为参考点处的道路曲率ρ1，即为图3中曲线ABC上点B
处的曲率；GPS设备安装在后轴中心处。

[0040] 步骤1.2，采集多条弯道上大量真实驾驶员弯道行驶数据后，利用多元非线性回归的方法进行非线性拟合得到所采集的数据中车辆所在位置的纵向车速的中位数，具体为：

[0041] vm＝74(1‑e‑0.017R)

[0042] 其中，vm为数据中车辆所在位置的纵向车速的中位数，单位为km/h；R为该点处的道路曲率半径，单位为m；

[0043] 通过对拟合程度进行检测，得到的拟合优度r2为0.95，很接近1，因此可以认为拟合效果很好，该模型可以比较准确地描述真实驾驶员弯道行驶时的纵向车速中位数与道路
曲率之间的关系；且当纵向车速超过车辆所在位置的纵向车速中位数vm时，将会在一定程
度上增加行驶的危险性，因此认定vm为车辆所在位置的安全纵向车速；于是，经过单位换算
得到车辆到达参考点处的安全纵向车速公式为：

[0044]

[0045] 其中，vx为参考点处的安全纵向车速，单位为m/s；ρ1为参考点处的道路曲率,单位为1/m。

[0046] 步骤2，以路径信息、车辆状态信息和参考点处的安全纵向车速vx作为输入，通过基于BP神经网络的仿驾驶员理想纵向加速度模型计算输出当前工况下的理想纵向加速度
a0；所述基于BP神经网络的仿驾驶员理想纵向加速度模型是利用大量熟练驾驶员在变曲率
弯道上行驶的实验数据进行训练，使模型达到一定的预定精度而得到的，实验及训练的具
体步骤为：

[0047] 步骤2.1，实验数据准备，数据包括路径信息、参考处的安全纵向车速vx和车辆状态信息。

[0048] 邀请若干名经验丰富的熟练驾驶员驾驶同一辆试验车，在不同的变曲率弯道上行驶；试验车上装备有GPS设备和各种车载传感器，并存储了地图信息，GPS设备安装在后轴中
心处，在驾驶员驾驶车辆的同时，GPS设备定位当前车辆所在位置，根据其定位信息并结合
地图信息可以获得当前车辆所在位置的路径信息，路径信息具体包括当前车辆所在位置的
道路曲率ρ2、当前车辆所在位置沿车道中心线到达前方参考点处的距离s、参考点处的道路
曲率ρ1；如图3所示，图中曲线AB的长度即为当前车辆所在位置沿车道中心线到达前方参考
点处的距离s；

[0049] 基于参考点处的道路曲率ρ1，按照步骤1的方法得到参考点处的安全纵向车速vx。

[0050] 车辆的状态信息则通过各种车载传感器获得，其中，车辆当前的纵向车速v0通过车速传感器获得；车辆当前的侧向加速度ay和纵向加速度a0通过Correvit S‑Motion双轴向
传感器获得；在驾驶员驾驶车辆的同时，电脑以10Hz的频率实时地对实验数据进行存储和
2
记录；其中，a0单位是m/s；默认车辆始终向前行驶，规定当a0的方向与车辆当前的纵向车速
v0一致时，a0为正值，反之为负值。

[0051] 步骤2.2，利用实验数据，对基于BP神经网络的仿驾驶员理想纵向加速度模型进行T
训练：具体地，以(v0,vx,ρ2,s,ay) 作为输入，以a0作为输出，对BP神经网络进行训练；基于BP
神经网络的仿驾驶员理想纵向加速度模型的训练流程，具体实现步骤如下：

[0052] S1，对神经网络进行初始化，假设输入层维数为n，隐含层维数为l，输出层维数为m；ωij代表从第i个输入层节点到第j个隐含层节点的权重；ωjk代表从第j个隐含层节点到
第k个输出层节点的权重；输入层到隐含层的偏置为aj；隐含层到输出层的偏置为bk；学习效
率为η；激励函数为g(x)；

[0053] 其中，激励函数具体为：

[0054]

[0055] S2，确定隐含层和输出层各节点的输出，其中，隐含层各节点的输出为：

[0056]

[0057] 式中，Hj代表第j个隐含层的输出结果；xi代表第i个输入层的输入值。

[0058] 输出层各节点的输出为：

[0059]

[0060] 式中，Ok代表第k个输出层的输出结果。

[0061] S3，对输出结果进行误差计算，其中，误差E的计算公式为：

[0062]

[0063] 式中，Yk代表第k个输出层的期望输出值。

[0064] S4，根据S1‑S3中所计算的结果，对各权值和阈值进行更新。其中，对权重进行更新的公式为：

[0065]

[0066] ωjk＝ωjk+ηHj(Yk‑Ok)

[0067] 对偏置进行更新的计算公式为：

[0068]

[0069] bk＝bk+η(Yk‑Ok)

[0070] S5，根据新的权重和阈值，重复步骤S2、S3、S4，直到误差小于某一特定值，即可认为算法收敛；

[0071] 步骤3，基于参考点处的安全纵向车速vx、当前车辆所在位置沿车道中心线到达前方参考点处的距离s和车辆当前的纵向车速v0计算输出纵向加速度阈值a′；所述纵向加速
度阈值a′的计算方法具体如下：

[0072]

[0073] 式中，a′代表纵向加速度阈值，单位是m/s2；默认车辆始终向前行驶，规定当a′的方向与汽车当前的纵向车速v0一致时，a′为正值，反之为负值；

[0074] 步骤4，基于步骤2中输出的理想纵向加速度a0和步骤3中输出的纵向加速度阈值a′，计算得到当前工况的期望纵向加速度ades，并输出到期望纵向加速度跟踪模块，对ades进
行精确跟踪。所述期望纵向加速度ades的计算方法具体如下：

[0075] 当a′＞0时，令ades＝a0；

[0076] 当a′≤0时，令ades＝min{a0,a′}；

[0077] 其中，ades为期望纵向加速度；a′为纵向加速度阈值；a0为理想纵向加速度；

[0078] 其中，当a′≤0时，说明当前纵向车速v0大于等于前方参考点处的安全纵向车速vx，所述纵向加速度阈值a′是车辆能够以匀减速运动在到达参考点前将纵向车速控制在安全
纵向车速以下的临界纵向加速度；当a0大于a′时，为了保证在到达参考点时纵向车速不超
过安全纵向车速vx，令ades＝a′，保证行驶的安全性；当a0小于等于a′时，令ades＝a0，在保证
安全的前提下满足舒适性的要求；

[0079] 当a′＞0时，说明当前的纵向车速v0小于参考点处的安全纵向车速vx，无需刻意对车辆进行减速，直接令ades＝a0，满足舒适性要求；

[0080] 综上所述，本发明实施例提供了一种无人驾驶车辆在变曲率弯道行驶的纵向控制方法，整个控制流程通过对前方道路曲率的评估首先得到在大曲率点的安全纵向车速，再
根据该车速以及其他对决策结果影响较大的变量，利用BP神经网络对期望纵向加速度进行
决策，整个决策过程贴近于真实驾驶员的习惯；本发明利用BP神经网络对仿驾驶员理想纵
向加速度模型进行训练时同时考虑了道路曲率特性和横向运动特性对纵向加速度决策的
影响，克服了现有研究中仅考虑其中一点的问题，能够根据道路曲率以及横向运动情况的
变化实时地对理想纵向加速度的值进行调整，决策的结果能够满足舒适性的需求，减少乘
坐人员出现恐慌的情况；并且能够提高车辆的操纵稳定性，进而提高安全性。本发明根据前
方道路的路径信息和当前车辆的运动状态，设定纵向加速度阈值，并通过判断模块确保最
终输出的期望纵向加速度的值不超过阈值，保证车辆在通过曲率较大点时，车速不高于经
验公式所得出的在该点的安全纵向车速，进一步保证了弯道行驶的安全性。

[0081] 以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依
据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。