本發明涉及自動駕駛，具體為一種基于時空廊道結合實時攻擊性的智能網聯汽車軌跡規劃方法。

背景技術：

1、近年來，自動駕駛技術的迅速發展推動了交通領域的智能化進程，其核心目標在于提升駕駛的安全性、便利性和道路運行效率。自動駕駛技術的部分功能已經被廣泛應用于量產車輛中，通過智能化系統輔助駕駛員操作，降低因人為錯誤導致的交通事故發生率。其中，換道操作作為一種動態性強、時間敏感的駕駛任務，是交通事故的高發場景，同時也是自動駕駛技術面臨的關鍵挑戰之一。在換道過程中，自動駕駛車輛不僅需要綜合評估當前車道與目標車道的交通風險，還需考慮周圍環境的動態不確定性，規劃出符合安全性、可行性和高效性的運動軌跡。傳統的換道方法通常將換道過程分為決策和運動規劃兩個階段：決策階段用于評估車輛換道過程中潛在的碰撞風險，運動規劃階段則負責生成車輛在規劃時間范圍內的未來運動軌跡。然而，現有換道算法往往存在決策與運動規劃不協調、實時性不足以及難以應對復雜交通場景等問題，這些問題顯著限制了自動駕駛技術在實際交通環境中的適用性。

2、在現有技術中，決策階段常采用基于風險指標、時空體路徑搜索或反向可達集合的換道安全評估方法。然而，部分方法對換道可行性和可達性考慮不足，導致換道決策與運動規劃間存在不一致性；即便是基于可達集合的分析方法，也因其涉及復雜的數學運算而帶來較高的計算負擔。在運動規劃領域，現有方法主要通過預定義數學函數或基于采樣的方式生成橫縱向運動候選方案，再利用優化方法對候選方案進行評估。然而，基于采樣的運動規劃方法通常受限于預定義的運動模式，難以靈活適應多樣化的動態交通場景；而基于數值優化的軌跡規劃方法盡管能夠生成高質量的連續解，但隨著狀態維度增加，其計算復雜度顯著提升，難以滿足實際應用中的實時性需求。為解決上述問題，研究者提出了結合采樣與優化的混合規劃方法，通過引入時空廊道與動態環境的風險評估機制，以提升換道決策的可行性分析能力，同時兼顧軌跡規劃的靈活性與計算效率。然而，當前研究在動態軌跡生成、多樣化運動模式表示以及解空間的可行性探索方面仍存在不足，亟需一種能夠有效結合采樣與優化技術的混合規劃方法，以實現自動駕駛車輛在復雜動態交通環境中的安全高效換道操作。

技術實現思路

1、為了解決上述技術問題，本發明提供了一種基于時空廊道結合實時攻擊性的智能網聯汽車軌跡規劃方法，其技術方案具體如下：

2、s1、建立以道路邊線為邊界的空間集合，作為自車可達集的表現區域，以自車算法規劃的步長迭代建立自車可達集，其具體表達式如下：

3、v＝{pl,pr,pl,i,pr,j,tplan}

4、

5、amin≤a(t)≤amaxδmin≤δ(t)≤δmax

6、其中，v為空間集合，pl,pr,pl,i,pr,j,tplan分別表示自車所在車道的左邊線、自車所在車道的右邊線、自車所在車道的左邊第i條邊線、自車所在車道的右邊第j條邊線、空間集合的時間步長(0.5s)，r(x0,t)為自車可達集，x(t),x(t),y(t),θ(t),v(t),u(t),a(t),δ(t)分別表示車輛在時間t的狀態向量，車輛在時間t時刻在全局坐標系中的x坐標位置，車輛在時間t時刻在全局坐標系中的y坐標位置，車輛在時間t時刻的航向角，車輛在時間t時刻的速度，控制輸入向量，車輛在時間t時刻的加速度，車輛在時間t時刻的轉向角。

7、s2、根據車輛的運動學公式，以自車軌跡規劃算法的步長迭代構建自車可達集，實現動態不確定場景下的自車初次軌跡規劃，構建的可達集上下邊界其具體表達式如下：

8、

9、r∈[0,1]

10、

11、r∈[0,1]

12、其中yup和ydown分別表示在給定時間間隔δt后，車輛在軌跡規劃中上邊界和下邊界的縱向位置。xup和xdown分別表示在給定時間間隔δt后，車輛在軌跡規劃中上邊界和下邊界的橫向位置。y0和x0分別表示車輛初始的縱向和橫向位置。vy0和vx0分別表示車輛初始的縱向和橫向速度。vx,max和vx,min分別表示車輛允許的最大和最小橫向速度，用于計算有效縱向加速度，以確保在轉彎時車輛不會超過橫向速度的限制。ay,max和ay,min分別表示車輛允許的最大和最小縱向加速度。ax,max和ax,min分別表示車輛允許的最大和最小橫向加速度。ay,max,eff和ay,min,eff分別表示在考慮車輛速度限制后，車輛的有效最大和最小縱向加速度，用于充分考慮車輛在轉彎時的橫向加速度限制，確保車輛不會超過其物理限制。r為加速度耦合分配系數，用于調整車輛轉彎時的橫縱向加速度限制。當r接近0時，車輛幾乎不轉彎，當r增加時，表示車輛轉彎曲率變大，可降低有效縱向加速度。

13、s3、由障礙車駕駛信息計算獲得障礙車動作集合，其具體表達式如下：

14、γ＝{km,ka,kd,kha,khd,kcl,kcr}

15、其中，km為保持速度，ka為加速且ka≤1.25m/s2，kd為減速且kd≥-1m/s2，kha為急加速且kha≤2.5m/s2，khd為急減速且khd≥-2m/s2，kcl和kcr分別表示向左向右橫向移動且橫向速度|vx|≤2m/s。

16、s4、根據障礙車動作判斷實時駕駛風格構建總體成本函數作為代價函數，其具體表達式如下：

17、縱向因素，具體包括加減速強度：

18、

19、橫向因素，具體包括變道強度：

20、

21、速度波動，具體包括速度標準差和加加速度：

22、

23、考慮最小安全距離的安全時間間隔：

24、

25、總體成本函數設計：

26、j＝jlong+jlat+jspeed+jsafe

27、其中a(t)為障礙車在時間t的加速度，ad(t)為障礙車在時間t的橫向加速度，d(t)為障礙車在時間t的橫向位移，σv為障礙車速度標準差，j(t)為障礙車在時間t的加加速度，tmin為障礙車駕駛人員的最小反應時間且tmin＝1.5s，tsafe為安全時間間隔，tr為自動駕駛系統的反應時間，jlong為縱向因素的成本函數，jlat為橫向因素的成本函數，jspeed為速度波動的成本函數，jsafe為考慮最小安全距離的安全時間間隔的成本函數，j為總體成本函數。λ1,λ2,...,λ7為總體成本函數的待定權重系數。

28、s5、建立自車三自由度車輛動力學模型，其具體表達式如下：

29、

30、其中vx(t)和vy(t)分別表示在x和y方向上的速度隨時間的變化，r(t)表示繞z軸的旋轉速度隨時間的變化，φ(t)表示角度或角位移隨時間的變化，fx表示作用在車輛上的x方向的力，fy表示作用在車輛上的y方向的力，m表示車輛的質量，mz表示作用在車輛上的z方向的力矩，iz表示車輛繞z軸的轉動慣量。

31、s6、基于多項式采樣構建自車的全局軌跡，其具體表達式如下：

32、p(t)＝a0+a1t+a2t2+a3t3+a4t4+a5t5+a6t6+a7t7

33、其中p(x)為時間t時的位置，a0為初始位置，a1為速度相關系數，a2為加速度相關系數，a3為加加速度相關系數，a4,...,a7為更高階變化率的控制系數。

34、s7、建立自車帶有軟約束的序列二次規劃用于優化軌跡和速度，其具體表達式如下：

35、

36、其中vk為第k時刻的速度，vref,k是路徑規劃的目標速度，ak是第k時刻的加速度，aref,k是路徑規劃的目標加速度，amax為最大加速度，amin為最小加速度，w1,w2為權重因子平衡速度和加速度的優化目標，w3,w4為懲罰因子用來控制超出加速度范圍的懲罰強度，n為預測時域的步數。

37、s8、基于mpc滾動優化確保自車軌跡跟蹤控制精度，其具體表達式如下：

38、

39、其中r為控制輸入的加權矩陣，q為狀態誤差的加權矩陣，qf為終端狀態誤差的加權矩陣，xref,k為參考軌跡在第k步的期望狀態。

40、本發明的有益效果

41、與現有技術相比，本發明具有以下顯著優勢：

42、1、精確性提升：時間和路徑的聯合優化能夠確保路徑與時間在整體上的最佳協調，避免了路徑與時間分別規劃時可能出現的沖突或不一致情況。

43、2、優化性能：采用軌跡規劃與多約束優化策略，能夠在滿足多個約束條件(如動態約束和控制輸入約束)的情況下，生成最優軌跡，顯著提高系統運行的效率和穩定性。

44、3、適應性增強：基于控制器優化設計和模型預測控制(mpc)算法，本發明能夠實現對動態環境中復雜系統的實時控制，具備較強的環境適應性和魯棒性。