本技术涉及车辆，特别涉及一种自动驾驶车辆轨迹规划方法及车辆。
背景技术：
1、智能化和网联化成为当前汽车产业的重要发展方向，在现有自动驾驶系统框架中，往往按照感知、决策、规划和控制的流程进行设计，其中规划部分在决策的基础上进一步生成无碰撞最优参考运动路径或轨迹，其作为衔接感知和决策的中间环节，是保障自动驾驶车辆安全性的关键。当前感知系统无法实现对障碍物位置坐标的完全准确估计，同时网联自动驾驶将进一步恶化感知信号传递过程导致的时延，此类对障碍物的不确定性给自动驾驶的安全可靠轨迹规划带来了干扰和挑战，成为当前自动驾驶技术亟待突破的关键问题与瓶颈。
2、相关技术(1)中，提出了一种基于随机模型预测控制和防失效备份规划相结合的轨迹规划方法和框架，其采用正态分布表征障碍物车辆位置的不确定性，并通过配置概率边界确定当前车辆的避障边界约束。但此种通过硬约束的避障表征方式无法在规划目标中考虑障碍物的不确定性，且基于概率分布的硬性约束限制了车辆的轨迹优化空间，降低了自动驾驶系统的场景适应能力。
3、相关技术(2)中，提出了一种基于环境不确定性的无人车动态路径规划方法，包括以下步骤s1：建立车辆运动学模型；s2：建立动态环境模型和重新规划路径的满足条件；s3：获取无人车的车辆运动状态起始值、车辆运动状态初始目标值和车辆运动状态候选目标值；s4：生成候选路径；s5：基于安全性指标和快速性指标选取得到最优路径；s6：当无人车运动环境满足重新规划路径的满足条件时，重新规划无人车的最优路径。但此方案以规则的方式基于初始位置和目标状态生成若干候选备选路径，进而从中并按照定义的安全性和快速性指标选取路径，难以实现最优化的路径规划，且工况适应性较差，当规划空间较大时，规划效果严重依赖于候选路径的生成间隔。
4、相关技术(3)中，提出了一种基于风险场与不确定分析的车辆路径规划方法及装置，其中，方法包括：对感知目标进行标签分类和位置速度预测，得到感知目标的标签分类和位置速度预测结果；基于感知目标的标签分类和位置速度预测结果，分别建立衡量标签分类和位置速度预测中的不确定性的标签概率风险场和预测动态风险场；基于标签概率风险场和预测动态风险场，在每个预设时间步长内通过梯度下降法获取规划迹簇，并对规划迹簇进行后处理，以选取最优路径。但此方案采用基于概率风险场的梯度下降法作为轨迹规划的基本原理，没有引入车辆运动学模型，难以引入车辆约束无法确保规划输出的可执行性；其次梯度下降法依赖于风险场的单调性，当车辆出于风险场鞍点附近时难以规划出有效路径。
5、综上，上述技术方案均未考虑规划目标中障碍物的不确定性难以实现最优化的路径规划，降低了自动驾驶系统的场景适应能力。
技术实现思路
1、本技术提供一种自动驾驶车辆轨迹规划方法及车辆，以解决相关技术中未考虑规划目标中障碍物的不确定性难以实现最优化的路径规划，降低了自动驾驶系统的场景适应能力等问题。
2、本技术第一方面实施例提供一种自动驾驶车辆轨迹规划方法，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。
3、可选地，在本技术的一个实施例中，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。
4、可选地，在本技术的一个实施例中，所述二维概率密度函数为：
5、
6、其中，ψv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，μy和μx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，μv为传感器或估计系统给出的速度分布均值，σy2和σx2分别为纵向和横向定位对应的方差，τ为通讯系统导致的信号传输延迟，和分别为经过延迟τ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，μxτ和μyτ分别为经过延迟τ之后纵向和横向定位均值。
7、可选地，在本技术的一个实施例中，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。
8、可选地，在本技术的一个实施例中，所述运动学模型为：
9、
10、x＝(x,y,ψ,v)tu＝(δf,a)t，
11、xk+1＝t×f(xk,uk)+xk，
12、其中，x,y,ψ,v,δf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，xk和uk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。
13、可选地，在本技术的一个实施例中，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。
14、可选地，在本技术的一个实施例中，所述预测模型为：
15、
16、其中，其中，xobj,k,yobj,k,vobj,k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，aobj为目标车辆的加速度，ωobj为横摆角速度，t为预测过程的离散时间步长。
17、可选地，在本技术的一个实施例中，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。
18、可选地，在本技术的一个实施例中，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：
19、
20、其中，co1,co2,co3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；
21、其中，约束条件为：
22、xk+1＝t×f(xk,uk)+xk，
23、
24、其中，其中，(xk，yk)为k时刻受控车辆大地坐标，(xobj,k，yobj,k)为k时刻第j个障碍物车辆大地坐标，uk为k时刻的系统控制输入，t为系统离散步长，ymin和ymax为车道边界的坐标，lw为当前车辆车身宽度的一半，δfmin,δfmax,amin和amax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；δfk和ak分别为k时刻前轮转向角和受控车辆加速度。
25、本技术第二方面实施例提供一种车辆，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，以执行如上述实施例所述的自动驾驶车辆轨迹规划方法。
26、由此，本技术至少具有如下有益效果：
27、(1)本技术实施例采用高斯分布描述障碍物车辆感知的不确定性，并推导了位置和速度不确定性随时间的耦合关系，对考虑通讯延迟后的车辆实际位置不确定性进行了各向异性的二维正态分布建模，使得模型精确性较高，针对后续障碍物车辆的实际位置更加精确。
28、(2)本技术实施例在不确定性建模的基础上，进一步基于正态分布的预设原则，采用二维正态分布的置信椭圆作为风险特征边界，从而构建了考虑障碍物不确定性分布的自适应风险场，以便于后续限制车辆的轨迹进入自适应风险场，防止当前车辆与目标车辆碰撞。
29、(3)本技术实施例将考虑不确定性分布的自适应风险场与障碍物边界进行叠加，同时以置信椭圆内的标准累计分布概率作为对应避障目标函数的权重系数，将周围障碍物的避障目标函数沿预测步长累加，构造了模型预测控制轨迹规划方法，实现了考虑障碍物不确定性的轨迹规划，提升了网联环境的避障安全性。
30、(4)本技术实施例可以将风险特征边界与模型预测控制结合，提出了基于置信椭圆累计分布概率的不同风险特征边界权重系数确定方法，在模型预测控制中构造了考虑障碍物车辆实际位置不确定性的避障性能函数，从而实现了考虑障碍物不确定性的自动驾驶车辆最优轨迹规划，提升自动驾驶系统的场景适应能力。
31、本技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本技术的实践了解到。
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：
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：
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，所述二维概率密度函数为：
4.根据权利要求3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：
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，所述运动学模型为：
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：
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，所述预测模型为：
8.根据权利要求7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：
9.根据权利要求8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：
10.一种车辆，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1-9任一项所述的自动驾驶车辆轨迹规划方法。
