自动驾驶车辆轨迹规划方法及车辆

1.一种自动驾驶车辆轨迹规划方法，其特征在于，包括以下步骤：获取当前车辆的运动数据和目标车辆的运动数据；根据当前车辆的运动数据预测根据所述当前车辆在目标时域内的运动状态，并根据目标车辆的运动数据预测所述目标车辆在目标时域内的运动状态；识别网络延迟情况下目标车辆位置不确定性的风险特征边界，基于所述风险特征边界和所述当前车辆与所述目标车辆在目标时域内各自的运动状态规划所述当前车辆的行驶轨迹，其中，所述识别网络延迟情况下目标车辆位置不确定性的风险特征边界，包括：获取网络延迟前目标车辆的横向位置的高斯正态分布、纵向位置的高斯正态分布、速度的高斯正态分布和航向角；根据所述高斯正态分布、纵向位置的高斯正态分布、速度的高斯正态分布和航向角确定目标车辆的实际位置的二维概率密度函数，其中，目标车辆的实际位置服从高斯正态分布；根据所述二维概率密度函数和二维正态分布的置信椭圆确定目标车辆位置不确定性的风险特征边界，其中，所述二维概率密度函数为： ，其中， ， ， ， ψ v 为障碍物车辆在延迟传递过程中在大地坐标系下的航向角， μ y 和 μ x 分别为传感器或估计系统给出的车辆原始纵向和横向定位均值， μ v 为传感器或估计系统给出的速度分布均值， σ y 2 和 σ x 2 分别为纵向和横向定位对应的方差， 为通讯系统导致的信号传输延迟， 和 分别为经过延迟 之后纵向和横向定位对应的方差， 为车辆速度所服从的高斯分布方差， 和 分别为经过延迟 之后纵向和横向定位均值。 2.根据权利要求1所述的自动驾驶车辆轨迹规划方法，其特征在于，所述根据当前车辆的运动数据预测根据所述当前车辆在目标时域内的运动状态，包括：根据所述车辆的运行数据构建初始运动学模型；将所述初始运动学模型转换为非线性系统状态方程，并对所述非线性系统状态方程进行离散化生成运动学模型；将所述当前车辆的运动数据输入运动学模型，所述运动学模型输出当前车辆在目标时域内的运动状态。 3.根据权利要求2所述的自动驾驶车辆轨迹规划方法，其特征在于，所述运动学模型为： ， ， ，其中， X , Y , ψ , v , δ f 和 a 分别为当前车辆的纵向坐标、侧向坐标、横摆角度、合成速度、前轮转角以及车辆加速度，x和u为车辆系统状态和控制输入，x k 和u k 分别为离散后的车辆系统状态和控制输入，T为离散采样时间步长。 4.根据权利要求1所述的自动驾驶车辆轨迹规划方法，其特征在于，所述根据目标车辆的运动数据预测所述目标车辆在目标时域内的运动状态，包括：将所述目标车辆的运动数据输入预测模型，其中，预设模型输出目标车辆在目标时域内的运动状态。 5.根据权利要求4所述的自动驾驶车辆轨迹规划方法，其特征在于，所述预测模型为：其中， 分别为第 j 个障碍物车辆在 k 步长下的纵向坐标、侧向坐标、横摆角度以及车速， a obj 为目标车辆的加速度， ω obj 为横摆角速度， 为预测过程的离散时间步长。 6.根据权利要求5所述的自动驾驶车辆轨迹规划方法，其特征在于，所述基于所述风险特征边界和所述当前车辆与所述目标车辆在目标时域内各自的运动状态规划所述当前车辆的行驶轨迹，包括：获取目标车辆的数量、置信椭圆内的分布概率、当前车辆和目标车辆的包络圆、目标车辆在第 k 步长的置信椭圆半径、目标车道的趋近函数和目标速度的趋近函数；根据所述目标车辆的数量、所述置信椭圆内的分布概率、所述当前车辆和所述目标车辆的包络圆、所述目标车辆在预设步长的置信椭圆半径确定目标车辆不确定性的避障性能函数；根据所述避障性能函数、所述目标车道的趋近函数和所述目标速度的趋近函数规划当前车辆的行驶轨迹。 7.根据权利要求6所述的自动驾驶车辆轨迹规划方法，其特征在于，所述根据所述避障性能函数、所述目标车道的趋近函数和所述目标速度的趋近函数规划当前车辆的行驶轨迹，包括：其中， co 1 , co 2 , co 3 为对应的避障性能函数R、目标车道的趋近函数Q、目标速度的趋近函数V的权重系数；其中，约束条件为： ，其中，（X k ，Y k ）为k时刻受控车辆大地坐标，（X obj,k ，Y obj,k ）为k时刻第j个障碍物车辆大地坐标， 为k时刻的系统控制输入，T为系统离散步长 ，Y min 和 Y max 为车道边界的坐标， L w 为当前车辆车身宽度的一半， δ fmin , δ fmax , a min 和 a max 分别为转向角和加速度的最小值和最大值， , , , 为对应的梯度限制； δ fk 和 a k 分别为k时刻前轮转向角和受控车辆加速度。 8.一种车辆，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以执行如权利要求1-7任一项所述的自动驾驶车辆轨迹规划方法。