考虑预测风险的自动驾驶车辆运动规划方法.pdf

2023 年（第 45 卷）第 8 期汽车工程Automotive Engineering2023（Vol.45 ）No.8考虑预测风险的自动驾驶车辆运动规划方法*王明，唐小林，杨凯，李国法，胡晓松（重庆大学机械与运载工程学院，重庆 400044）摘要 本文提出了一种考虑预测风险的自动驾驶车辆运动规划方法，该方法基于模型预测控制算法，同时融合了周围车辆未来轨迹的交互预测及其风险。首先，将车与车之间的交互建模成图结构，建立感知交互的运动预测模型；其次，训练多个同构异参的预测模型，利用集成技术来获得预测网络对于预测结果的不确定性风险；然后，基于获得的预测算法不确定性风险，利用模型预测控制算法来处理风险，通过在优化问题约束中综合考虑安全约束、车辆物理属性约束等，设计了考虑预测不确定性风险的自动驾驶运动规划方法；最后，基于真实驾驶数据集数据和SUMO仿真平台，对建立的预测模型的运动预测能力、基于模型预测控制的运动规划方法的有效性以及运动规划处理预测风险的能力进行了验证。仿真结果表明，在面对周围车辆的紧急加减速等预测风险较高的场景时，本文提出的运动规划方法能够感知到预测算法的不确定性风险并采取动作来规避风险，可提升道路驾驶安全性。关键词：运动规划；模型预测控制；自动驾驶；图卷积神经网络；预测风险A Motion Planning Method for Autonomous Vehicles Considering Prediction RiskWang Ming，Tang Xiaolin，Yang Kai，Li Guofa&Hu XiaosongCollege of Mechanical and Vehicle Engineering，Chongqing University，Chongqing 400044Abstract In this paper，a motion planning method for autonomous vehicles considering prediction risk is proposed，which is based on the model predictive control algorithm while incorporating interactive prediction of the future trajectories of surrounding vehicles and the risks.Firstly，the interaction between the vehicles is modeled as a graph structure，which is then used to construct an interaction-aware motion prediction module.Then multiple prediction models with isomorphic and different parameters are trained and ensemble technology is used to obtain the uncertainty risk of the prediction network for the prediction results.The model predictive control algorithm is then applied to deal with the risk based on the obtained prediction algorithm uncertainty risk.By comprehensively considering the safety constraints，and vehicle physical property constraints in the optimization problem constraints，a motion planning method for autonomous driving considering the risk of prediction uncertainty is designed.Finally，the motion prediction capability of the established prediction model，the effectiveness of motion planning approach based on model predictive control，and the capability of motion planning to deal with prediction risks are verified based on real driving data set and SUMO simulation platform.The simulation results show that the motion planning method proposed in this paper is capable of sensing the uncertain risks posed by the prediction algorithm while acting to mitigate those risks when confronted with scenarios of high risk of prediction，such as the emergency acceleration and deceleration of nearby vehicles，which can increase the safety of road driving.Keywords：motion planning；model predictive control；autonomous driving；graph convolution neural network；prediction risk doi：10.19562/j.chinasae.qcgc.2023.08.007*国家自然科学基金（52222215，52072051）资助。原稿收到日期为 2023 年 03 月 19 日，修改稿收到日期为 2023 年 05 月 20 日。通信作者：唐小林，教授，博士，E-mail：。2023（Vol.45）No.8王明，等：考虑预测风险的自动驾驶车辆运动规划方法前言作为智能交通系统的重要组成部分，自动驾驶技术因其能够提升道路通行效率和驾驶安全性等优点，近年来受到了学术界和工业界的广泛关注1。自动驾驶系统通常包括感知、预测、运动规划等模块2，随着人工智能、通信等技术的飞速发展，自动驾驶的各个模块都取得了较大突破。然而，在一些复杂场景下安全问题依然是制约自动驾驶商业化的一个绊脚石。通常情况下，一辆自动驾驶汽车想要安全到达目的地，感知模块首先需要感知到自动驾驶车辆周围的障碍物，然后预测模块预测出周围智能体未来的运动轨迹，运动规划模块基于预测模块的输出内容来规划自动驾驶车辆接下来的动作，运动规划是自动驾驶技术的核心技术之一，其强烈依赖于预测模块的输出信息。在轨迹预测的研究中，得益于深度学习技术的发展以及各种轨迹预测公开数据集3-4的出现，基于深度学习的轨迹预测方法由于能从车辆历史轨迹中学习隐含关系且能够提取交互信息，成为了当前主流的轨迹预测方法。循环神经网络（recurrent neural network，RNN）和图神经网络（graph neural network，GNN）是两种在轨迹预测中最常用的神经网络5。Deo等6提出了卷积社交池化的方法用于轨迹预测，该方法用长短时记忆网络（long short-term memory，LSTM）来提取车辆运动的动力学特征，用卷积神经网络来提取交互特征。但是其提出的方法只适合特定的结构化道路。而如果用GNN来提取交互特征，则能够避免该问题。Mo 等7提出了联合 RNN 和GNN的轨迹预测方法，该方法同样采用RNN作为动力学编码器和未来轨迹解码器，用GNN来建模车辆之间的交互关系。但是该方法聚焦于单轨迹预测，且并未考虑到智能体之间的种类与距离。在此基础上，该作者又提出了异构边增强图注意网络8，该方法在解决前述问题的同时又将地图信息引入，结果表明其具有较高的预测精度。但是地图信息的引入，可能会增加计算负担。本文采用的预测模型则是在文献 8 基础上进行改进的。运动规划是自动驾驶领域的另一个核心模块，现有的运动规划方法可分为基于图搜索的方法、基于采样、基于优化以及基于学习的方法。其中，基于优化和基于学习的方法是当前最常用的两种运动规划方法。杨澜等9提出了一种适用于信号灯交叉口考虑多目标需求的类人化全局运动规划方法，该方法首先以交通和车辆情况制定通行规则，然后依据通行规则制定目标函数，最后通过粒子群优化算法求解问题，结果表明提出的方法可以提高通行质量。Brito等10针对密集交通提出了一个考虑交互的运动规划框架，该框架上层利用强化学习学习一个最大化长期奖励的策略，该策略向下层提供参考速度，下层 利 用 模 型 预 测 控 制（model predictive control，MPC）跟踪参考路径与参考速度，该方法兼具基于学习和基于优化方法的优点。上述研究都侧重于规划出一条没有碰撞的运动，但是，并未关注周围障碍物未来的状态对于运动规划的影响。而在考虑周车轨迹预测的运动规划研究中，李文礼等11在社会生成对抗网络（social-GAN）的基础上，提出了基于交互轨迹预测的轨迹规划方法，该方法首先预测出周围车辆的精准轨迹，然后基于预测信息与碰撞判定模型规划运动。Wang 等12基于LSTM预测网络，提出了一个低风险高效的路径规划算法，该算法使用LSTM预测周围汽车的轨迹，然后以周围车辆速度为基础评估风险，引入 RAI安全指标，最后利用 MPC进行运动规划。Liu等13提出了一种基于博弈论的控制器用于自动驾驶运动规划和控制，该控制器首先能够预测其他车辆的意图，然后基于预测意图利用MPC来完成汇入场景的运动规划。可以看出，上述研究虽然考虑了周车未来的运动，但并未考虑预测模型失效的风险。另外一个值得注意的是在考虑周车预测的运动规划研究中，由于MPC能很好地处理多约束问题，MPC 在运动规划领域得到了广泛关注。归纳现有研究发现，当前运动预测方法大多是基于深度学习的方法，基于深度学习的方法在遇到一些训练数据不曾见过的长尾场景时，很容易出现失效的风险。如果运动规划模块以存在失效风险的预测数据来规划运动，很容易导致事故发生。在前述文献的基础上，本文以自动驾驶车辆预测和规划为研究对象，针对高速公路直行和匝道汇入场景，设计了一种考虑预测不确定性风险的自动驾驶车辆运动规划控制方法。本文的主要贡献如下：首先基于图神经网络建立了能够感知不确定性风险的多智能体运动预测集成网络，该网络不仅能够预测周围多辆车的未来轨迹而且还能够输出该预测结果的不确定性风险；其次，将不确定性风险纳入到运动规划 1363汽车工程2023 年（第 45 卷）第 8 期中，建立了基于模型预测控制算法的运动规划方法来降低驾驶风险。1运动规划控制框架整体架构本文提出的考虑预测不确定风险的自动驾驶车辆运动规划总体方案如图1所示，上层结构由基于GNN的运动预测模块和风险获取模块组成，而下层结构则采用考虑不确定风险的MPC运动规划方法。上层模块输出周车的未来轨迹以及对应的不确定风险，传递给下层MPC运动规划控制器，MPC控制器将周车未来的运动及其风险纳入到安全约束中。MPC控制器的优化目标是在跟踪目标车道、保持期望速度、惩罚大的控制量的同时满足车辆物理属性约束、动力学模型约束以及安全约束，最终控制器输出被控车辆的加速度和转向角。2基于 GNN 的运动预测与预测风险的获取在文献 8 的基础上，建立了基于GNN的多车轨迹预测模型用于预测自动驾驶汽车周围车辆未来的行驶轨迹。同时，由于基于深度学习的轨迹预测方法在应对未知或者训练数据出现较少的场景时面临失效的风险，因此，本文中采用深度集成技术来获得预测结果的不确定性风险，以便传入到规划模块中加以考虑。2.1基于GNN的运动预测模型本文建立的基于图神经网络的轨迹预测模型基于自车以及周围车辆的历史轨迹信息 t-th：t来预测未来的运动信息(t：t+tf，本研究中th=1 s，tf=3 s。建立的预测模型主要由车辆运动特征提取、车辆交互特征提取以及未来状态解码3个部分组成，预测模型的具体实施细节如下。首先，某时刻输入进预测模型的是当前场景下所有车辆的历史状态信息Xt：Xt=h1t，h2t，.，hnt（1）式中：hit=sit-th，sit-th+1，.，sit，表示交通参与者i在t时刻的历史状态信息；n为当前交通场景下车辆的ID；当前时刻的状态sit=xit，yit，it，vit是一个4维度向量，分别表示车辆i 的横、纵坐标、方位角和速度信息。车辆运动特征由 GRU（一种循环神经网络）进行提取，同时，考虑到交通参与者的种类不同，其物理属性也相差较大，在提取运动特征时，不同种类的交通参与者采用不同的编码器和解码器。原理如下：mit=GRUtypeenc(hit)（2）Mt=m1t，m2t，.，mnt（3）式中：GRUtypeenc是 GRU 编码器；type car，truck，本文中认为存在汽车与卡车两种类型的汽车；时序数据hit通过GRU进行编码得到运动特征mnt，所有车辆的运动特征组成运动特征集Mt。在交互特征提取中，将车与车之间的关系建模成有向图结构，利用图神经网络来提取车辆之间的交互特征。图的定义如下。GRU 编码器GRU 编码器GRU 编码器GRU 编码器m1m2m3mn14523type1历史轨迹编码交互建模g1g2g3gn+历史轨迹链结flrlXYxamxam(,)sdaordaorleft kkleft,0:(,)ssi cego iicminmaxminmaxsssuuukk运动学模型目标函数多种约束周车未来轨迹不确定性风险多智能体预测LSTMLSTMLSTMLSTM.集成模型a.解码22222(,)(,)(,)uttuusvlcLf erlcMPCttttttqtttqttqqqtJLe s Le s Lvvv+-,kkkH1ff=+-+-dwdLdw图1运动规划总体方案 13642023（Vol.45）No.8王明，等：考虑预测风险的自动驾驶车辆运动规划方法定义1：图通常由节点和连接节点的边组成，定义为G=(V，E)。其中，V=v1，v2，.，vn表示所有的节点，E V V表示节点之间的有向边集。边连接两个节点，表明这两个节点之间存在相互作用。如果从节点vi到节点vj的边eij与从vj到节点vi的边eji不同，则称该图为有向图，否则为无向图。前述是一个基本的图结构，图神经网络则基于前述图的定义。图神经网络有多种变体，其中，图注意网络（graph attention network，GAT）将注意力机制引入图神经网络中，使得能够放大数据中重要部分的影响力14。本文利用 GAT 用于车间交互的建模中。将道路场景中的每一辆车作为一个节点，将前述过程提取的每一辆车的动力学特征mit作为节点特征vit。另外，两辆车（假设分别为节点i和节点j）之间的距离如果小于30 m，则认为两辆车的运动存在相互作用，也即认为两辆车之间存在边eij。同时，由于相互作用的程度不一样，定义边属性与边种类来衡量这种相互作用的程度（注意力机制）。边属性定义为eattrij=xit，yit，vixt，viyt，it-xjt，yjt，vjxt，vjyt，jt，边属性与边连接的两个节点在当前时刻的状态有关，后续推导默认省略时间下标 t。边种类定义为etypeij=type(vi)type(vj)，边种类取决于边连接的两个节点的种类。type(vi)是一个将节点种类映射为3维度编码的函数。则每一层GAT网络的聚合更新过程如下。首先，求解节点之间的注意力值：eij=leakyRuLU(aTmi eattrijetypeijmj)（4）式中：eij为节点i与j之间的注意力值；a为神经网络的学习参数；leakyRuLU表示leaky激活函数；|表示向量的拼接操作。然后，节点之间的注意力分数通过下式求解：ij=exp(eij)k Niexp(eik)（5）式中：ij为节点i与j之间的注意力分数；Ni表示节点i所有的邻居节点的集合（包括节点 i自身）；exp()表示以e为底的指数函数。最后，分别对与i存在“边”关系的所有节点执行上述两步操作。执行完毕之后进行节点的聚合更新：gi=(i NiijW eattrijmj)（6）式中：()表示sigmoid激活函数；gi表示更新之后的节点特征。最终，i节点聚合了周围所有临近节点的信息。定义上述3个步骤整体为GNNENC()，则整体提取交互特征的过程可以表述如下：Gt=g1t，g2t，.，gnt=GNNENC(Mt，Et)（7）式中：Et是构造的有向图的边，具体原理可见文献8；Mt是所有智能体运动特征的集合；git是经过了GNN层更新之后的交互特征，该节点特征汇聚了所有与之相连的邻居节点的特征，包含车辆之间的交互信息。最后，将已经获得的车辆运动特征和交互特征合并在一起，再输入到LSTM解码器进行解码操作，最终获得特定车辆的未来轨迹信息。fit=LSTMtypedec(mitgit)（8）Yt=f1t，f2t，.，fnt（9）式中：LSTMtypedec表示取决于节点种类的LSTM解码器；fit=(xit+1，yit+1)；(xit+2，yit+2)；.；(xit+tf，yit+tf)表示交通参与者i的未来轨迹信息；Yt表示最终输出的所有需要预测的智能体的轨迹信息。2.2基于集成技术的不确定性风险估计由于神经网络的黑箱特性，在一些情况下其预测结果可能并不可靠，车辆未来的状态很可能会大大偏离预测的结果，因此量化这种失效风险并将其传递到下层运动规划至关重要。深度集成技术15由于易于实现、无须对深度学习模型进行过多修改、训练方法易于扩展且需要调整的超参较少，但能达到与其他方法相比相近甚至更优的效果，广泛用于建模复杂预测模型的不确定性风险量化。深度集成技术的核心是随机初始化深度学习网络参数以及训练数据集，然后训练多个同构异参的预测模型，将训练的多个模型集成在一起形成集成预测网络。核心原理如下：P(Y|X)=M-1m=1Mpm(Y|X，m)（10）式中：X和Y分别表示模型的输入和输出数据；表示预测模型的权重参数；M表示集成模型的数量。混合模型最终输出的是一个高斯分布，均值和方差分别是s0：tf和0：tf，本研究的具体实施细节如下：st=ft=M-1m=1Mfmt（11）t=(M-1)-1m=1M(fmt-fit)2（12）式中fmt表示某个预测模型的预测结果。通过集成 1365汽车工程2023 年（第 45 卷）第 8 期的方法，预测模型不仅输出车辆未来的轨迹信息，还能够将该预测结果的不确定风险进行量化，传递给运动规划层。训练预测模型的损失函数定义见式（13），集成预测网络训练方法的伪代码如表1所示。ADE=1N tfi=1Nt=1tf|Yipred t-YiGT t（13）式中：N表示须预测的智能体总个数；YGT与Ypred分别表示预测网络的输出结果与地面真值。3考虑不确定风险的自动驾驶运动规划方法本节应用模型预测控制来进行运动规划并处理预测模块输出的周围汽车未来的行驶轨迹以及预测结果的不确定性风险，将路径规划与参考路径跟踪融合成一个非线性优化问题，产生自动驾驶车辆最优的控制命令。模型预测控制算法主要由车辆运动模型、约束、目标函数3个部分组成。3.1车辆运动学模型本研究中采用3自由度运动学模型16来建模自动驾驶车辆的运动，定义如下：x=vcos(+)y=vsin(+)=vlrsin()v=a（14）=arctan(lrlr+lftan()（15）式中：x和y分别表示车辆的纵向和横向位置；v表示当前汽车的速度；u=a，f分别表示车辆当前的加速度以及前轮转向角；和分别表示车辆的方位角以及速度侧偏角；lr和lf分别表示车辆的前轮轴距和后轮轴距。3.2轨迹跟踪误差模型3.2.1参考路径的参数化表示使用多段弧长L 0，S 来对参考路径进行参数化，S为道路的总长度。路径的表示方法如下：xrefi(L)=axi+bxi(L-Li)+cxi(L-Li)2+dxi(L-Li)3yrefi(L)=ayi+byi(L-Li)+cyi(L-Li)2+dyi(L-Li)3（16）式中：i表示分段路径的序号；a、b、c、d分别表示三次多项式的各个系数；Li表示上一段路径结束端点对应的弧长值。对于路径中任意一点 b，其对应的参考方位角为b(Lk)=arctan(yrefb(Lk)xrefb(Lk)（17）式中Lk表示该时刻b点对应的弧长。3.2.2误差模型模型预测控制算法需要去滚动优化车辆未来多个阶段的误差并使其在控制时域内达到最优。如图2所示，在汽车处于某一位置（x，y），需要找到参考路径上最近的一点a(xref(La)，yref(La)，然而在模型预测算法内部又嵌入一个寻找最近点的优化问题会使得整体优化问题过于复杂，不适合在线优化算法中使用17，本文引入轮廓误差的思想10。利用参考路径上另一点b点来近似a点，b点是表1集成GNN训练过程伪代码输入输入：M个GNN预测网络，训练数据集D=X，Y 1：使用任意权重参数1，2，M初始化M个预测网络NNsm；2：for 对于每一个预测网络NNsm：3：随机打乱数据集D；4：随机更改训练随机数种子；5：for 训练过程中的某一次迭代ith do：6：NNsm根据D中训练数据前向传播获得损失值；7：损失值反向传播获得NNsm梯度Lm；8：根据梯度Lm更新NNsm权重参数m；9：end10：获得训练好的GNN预测网络NNsm；11：end12：获得M个同构异参的GNN预测网络；13：最终预测结果：st=ft=M-1m=1Mfmt14：不确定性风险：t=(M-1)-1m=1M(fmt-fit)2输出输出：某时刻预测结果st及其不确定性风险t ec(,)x yXYelelec(Lk)(xref(La),yref(La)(xref(Lb),yref(Lb)ab图2轨迹跟踪误差模型 13662023（Vol.45）No.8王明，等：考虑预测风险的自动驾驶车辆运动规划方法一个由控制器确定的变量，将b点当作当前参考路径上的参考点。通过这种近似，自车与参考路径的误差可用轮廓误差ec和滞后误差el来描述。ec度量汽车与参考路径的横向偏离程度，el=Lb-La则衡量这种“近似”操作的质量，如果el足够小，则b点就几乎接近a点。而ec与el的值则由ec与el来近似，见图2，误差具体表达式如下：ec ec(xk，yk，Lk)=sin()b(Lk)()xk-xb(Lk)-cos()b(Lk)()yk-yb(Lk)el el(xk，yk，Lk)=-cos()b(Lk)()xk-xb(Lk)-sin()b(Lk)()yk-yb(Lk)（18）在一个MPC的控制时域内，参考点的迭代更新由虚拟速度vL来确定，vL可看作车辆在参考路径方向上的投影速度。在本文中，将vL作为MPC的一个控制变量，则每一时刻的b点通过式（19）进行递进更新。后文中省略上角标b，统一使用Lk表示当前时刻的参考弧长值。Lk+1=Lk+vLkt（19）式中vLkt表示一个时间间隔内参考点的移动弧长。3.3运动规划控制器设计3.3.1阶段代价函数定义如下阶段代价函数：JMPC(st，ut，Lt)=ect(st，Lt)2qc+elt(st，Lt)2ql+vreft-vt2qv+ut2qu+t2q-vLt (20)式中：x2q表示该变量构成二次项并且乘以权重参数q；w=qc，ql，qv，qu，q，是权重矩阵的集合；ut=at，ft表示自车的控制量；st=xt，yt，t，vt是自车在t时刻的状态向量；Lt是前文所述的参考点对应的弧长；vref表示参考速度；t表示松弛因子。在模型预测控制时域的每一个阶段，优化上述阶段代价函数，使得整体的代价函数达到最优。该代价函数使得自动驾驶车辆在跟踪参考路径的同时保持参考速度，对于控制量的惩罚使得自动驾驶车辆能够产生较为光滑的轨迹。3.3.2控制器约束首先，自动驾驶须满足最大速度的约束：0 vk vmax（21）其次，控制量也需要被限制在合理范围内：aminmin akk amaxmax（22）在某一车道内行驶，车辆与参考路径之间的横向距离d须限制在一定的范围之内：droadleft+wmax d(sk，Lk)=eck(sk，Lk)droadleft-wmax（23）式中：droad表示往左或者往右能够偏离参考路径的最大横向距离，通常为道路宽度的一半；wmax是一个大于或等于汽车半车宽的值。被控车辆运动学参数和约束参数如表2所示。在汽车正常行驶时，还要能避开周围行驶的动静态障碍物，处理预测模块的输出内容，满足行驶的安全约束。如图3所示，参照文献 18，用多个包络圆来表示自车的占据区域Aego(sk)，障碍物车i在k时刻的占据区域Ai(sik)使用椭圆表示，该椭圆具有长半轴ak、短半轴bk，方位角k。自车占据区域与障碍物车占据区域满足如下关系：c 1，.，nci 1，.，n ci，ck(segok，sik，0：H)=xc，ikyc，ikTR(ik)T120012R(ik)xc，ikyc，ik 1 (24)式中：k 0，.，H，H表示控制器的控制时域；segok与sik分别表示自车和障碍物车i在当前时刻的状态向量；sik即为预测模块输出的内容；c 1，.，nc是自车占据圆的id；i 1，2，.，n 表示自车周围表2被控车辆运动学与约束参数参数前轴轴距lf后轴轴距lr自车包络圆个数nc包络圆半径rnc最大车速vmax最大加速度amax最大减速度amin最大转向角道路左、右边界droadleft/droadright数值1.81 m1.33 m31.0 m33 m/s2.8 m/s2-8 m/s20.22 1.875 m Raabb(xk,yk)Ai(Ski)Aego(sk)=n1,n2,n3图3自车及周围车辆表示方法 1367汽车工程2023 年（第 45 卷）第 8 期障碍物椭圆的id；xc，ik和yc，ik表示圆c与障碍物椭圆i 之间在 k 时刻横向与纵向的距离，具体可见文献10；R(ik)是k时刻障碍物椭圆i方位角对应的旋转矩阵。=ai+aik+rncbi+bik+rnc（25）式中：rnc表示nc圆的半径；ak和bk是在当前时刻预测算法不确定性膨胀距离。通过前文建立的集成图神经网络，能够获得障碍物未来的均值轨迹s0：H和不确定性0：H，k=xk，yk。由于未来预测结果的不确定性是由预测车辆历史以及当前时刻状态值的不确定性造成的，因此，在当前时刻的运动规划中综合考虑预测时域内整体的不确定性更加合理。在当前时刻，将预测模块输出的不确定性风险值进行累计：xsum=k=1Hxk/Hysum=k=1Hyk/H（26）然后，通过式（27），根据不确定性风险值对障碍物椭圆的长、短半轴进行膨胀并且将膨胀距离设定在一定的范围之内：ak=max(xsum(a+d)p，amax)bk=max(ysum(a+d)p，bmax)（27）式中d和p分别为自定义的基础膨胀距离与膨胀系数，可以根据实际场景进行调整。通过上述定义，最终将预测结果的不确定性纳入到运动规划中。3.3.3目标函数在集成图神经网络的预测时域H内，将考虑交互预测风险的自动驾驶运动规划构建成一个非线性滚动时域二次规划优化问题，整体的代价函数定义如下：u*0：H-1=argminu0：H-1k=0H-1JMPC(st，ut，Lt)+JMPC(sH，Lt)s.t.sk+1=f(sk，uk)Lk+1=Lk+vLkt droadleft+wmax d(sk，Lk)droadleft-wmax ci，ck(segok，sik，0：Hi)1 c 1，2，3 i 1，.，n smin sk smax umin uk umax k 0，.，H sik Y （28）上述目标函数的权重参数设置如表3所示，求解出3 s内的最优控制命令之后，将求解出来的第一个最优控制命令传递给汽车执行，执行完第一个控制命令之后再进行新的一轮滚动优化。上述的优化问题通过FORCESPRO19求解器进行求解。4试验结果与分析为评价量化本文提出运动规划方法的优劣，参照文献 20，提出下述风险指标。定义车辆行驶时的最小纵向安全距离如下：dlongsafe=vr+12art2+(vr+art)22armax，brake-v2f2afmax，brake（29）式中：为自动驾驶系统的反应时间，本研究中反应时间取 0.2 s；afmax，brake、armax，brake分别表示前车以及后车的最大制动减速度；vf、vr分别表示前车与后车的在当前时刻的纵向行驶速度；art表示当前时刻后车行驶的纵向加速度。由于车辆横向速度一般较小，定义汽车行驶的最小横向安全距离公式如下：daccsafe=vlatr+（30）式中：vlatr为后车（或者汇入车辆）横向速度（或者汇入车辆在主车道横向方向的投影）；为横向扰动范围。基于上述定义，定义风险指数（risk index，RI）如下：RI=mindlongrealdlongsafe，dlatrealdlatsafe（31）式中dlongreal与dlatreal分别表示自动驾驶车辆与周围车辆真实的横向与纵向距离。风险指数越小，表明汽车发生事故的风险也就越高，风险指数处于 0，1 之间表示汽车当前处于危险工况下，应该尽量避免汽车表3MPC运动规划控制器相关参数参数预测时域NP控制时域Nc控制频率p轮廓误差权重qc滞后误差权重ql加速度权重qa转向角权重q速度权重qv松弛变量权重q参考线投影速度权重q数值3 s3 s10 Hz50015061502.52 8000.01 13682023（Vol.45）No.8王明，等：考虑预测风险的自动驾驶车辆运动规划方法在危险工况下的运行时间。4.1预测模型训练结果采 用 轨 迹 预 测 领 域 常 用 的 ADE（average displacement error）与 FDE（final displacement error）指标来衡量预测模型的预测效果。ADE是用于衡量预测轨迹整体偏移量的指标，FDE用于衡量预测结果终端偏移量。表 4 给出了基于 3 s 预测时域的ADE值以及FDE值，同时，也添加了集成数量与轨迹预测结果的对比结果。在上述训练结果中，M=1 时选取的预测网络ADE与 FDE值为所有的训练结果的中位数。使用集成技术之后，预测精度相对于基础模型会有一定提升，并且集成数量M越大，整体精度也会越高。本研究中，为了平衡整体预测精度与度量预测风险的效果，M取6。事实上，选择使用集成技术主要是因为其可以输出预测风险值，衡量当前场景下的预测结果是否可靠，详细见4.3节试验结果分析。4.2基于真实数据集的运动规划能力验证基于建立的预测模型验证本文提出的基于模型预 测 控 制 算 法 运 动 规 划 能 力 的 有 效 性。从interaction数据集4中提取特定驾驶场景，选取的驾驶场景为DR_CHN_Merging_ZS，该场景为匝道汇入场景，如图4所示。选取的目标车辆为待汇入匝道上的车辆，利用本文提出的模型预测控制算法进行匝道汇入控制，将该目标车辆在数据集中的真实轨迹作为MPC参考路线，周围车辆的位置更新由其在数据集中的真实数据确定，周围汽车的运动利用建立的预测算法进行预测。目标车辆为0号数据文件中的582号车辆。在实验中，参考数据集中的真实数据，将参考速度设置为17 m/s。最终的运动规划结果如图5所示，图5中，红色为控制的自车，其目标为汇入左侧主车道上。红色阴影为在该时刻利用模型预测算法规划出的未来3 s的目标车辆运动。可以看出，利用本文建立的预测算法可以精确预测到周围车辆的运动，察觉到冲突车辆的减速并进行运动规划。该过程目标车辆的速度如图6所示，同时增加了在常速度预测模型（CV）进行运动规划的对比实验，CV模型预测车辆将在下一个时间步长保持相同的速度。在图6中，红色表示数据集中真实的车辆速度，蓝线和黄线分别表示利用GNN和CV预测模型进行运动规划的速度结果。结果显示，提出的算法与真实人类驾驶员数据展现出来了相似的纵向控制命令。而利用CV预测模型的运动规划结果则过于保守，会进行减速。两种预测方案下自车的不同行为也说明本文建立的预测模型预测结果更加精确，同时也表明预测模型的预测效果会较大影响下层的运动规划。图7为两种预测方案下控制量对比结果，可以看出控制量都被限制在合理的范围之内。4.3SUMO仿真结果验证为了验证本文提出的方法处理预测风险的能力，在 SUMO 中建立仿真环境，如图 8 和图 9 所示。仿真环境1为高速公路场景，仿真环境2为匝道汇入表4训练结果集成数量M1（基础模型）246ADE3 s/m0.2780.2770.2640.263FDE3 s/m0.7130.7100.6940.692图4DR_CHN_Merging_ZS 场景图图5GNN预测下规划过程 1369汽车工程2023 年（第 45 卷）第 8 期场景。在两个仿真场景中，周围汽车的初始位置和速度都为随机初始化，除自车外其他车辆的纵向和横向运动分别由SUMO中自带的Krauss跟驰模型和LC2013换道模型来进行控制。训练预测模型所需要的训练集和验证集通过SUMO仿真环境生成。4.3.1高速公路前车紧急制动行驶场景构建一个前方车辆紧急制动的危险场景，假设一辆在高速公路上正常行驶的汽车，突然由于一些故障以最大减速度进行紧急制动。自车行驶在故障车辆的后方，自车的目标是与周围车辆保持安全距离的同时保持期望速度。在该场景下，期望速度设置为27.2 m/s，该速度为通过随机数种子随机选取的数据。由于紧急制动是一个不常见的场景，在该仿真场景下，基于集成图神经网络的预测算法输出较高的预测风险。在此情况下，将本文提出的运动规划方法的结果与不考虑交互预测风险的运动规划进行对比。图10为自车和周围车辆的行驶轨迹图，Sv 1、Sv 2和Sv 3分别代表周围车辆的行驶轨迹。初始时刻，自车位于中间车道，坐标为（2 550，-5.60），初始速度为25 m/s。周围车辆的位置和速度都是任意指定的。绿色为进行紧急制动的故障车辆，其他颜色表示其他的周围车辆。故障车辆在t=3.9 s时进行紧急制动，此时自车位于故障车辆后。故障车辆进行紧急制动后，其预测风险量化值如图11所示（绿线为进行紧急制动的时刻）。可以看出，进行紧急制动后，其预测不确定性风险显著增加，说明此时的预测结果并不可靠，前后对比结果证明了本文建立的集成预测模型能够衡量出预测风险。从图10中可以看出，相比于不考虑预测风险的运动规划算法，本文提出的方法能够提前进行换道，来规避危险工况。在该过程中，自车的风险指数RI如图12所示，在5.06.0 s之间，不考虑预测风险的运动规划算法暴露在危险工况下的时间更多，稍有不慎，很可能会发生碰撞，而考虑交互预测风险的自动驾驶运动规划方法表现出了更低的安全指数，表示相对而言其更加安全，证实了本文提出方法的可靠性。在这个过程中的纵向行驶速度如图13所示，本文提出的方法纵向速度波动更小且能最大程度保持期望速度。4.3.2匝道汇入场景匝道强汇入场景如图14所示，图中绿色方块表示自车，红色和蓝色方块代表周围车辆（红色表示货车），黑色圆点表示相应车辆的预测轨迹，绿色方块图6两种预测方案下运动规划纵向速度对比图7两种预测方案下运动规划控制量对比结果图8高速公路直行场景图9匝道汇入场景图10行驶轨迹对比结果 13702023（Vol.45）No.8王明，等：考虑预测风险的自动驾驶车辆运动规划方法前的阴影表示在该时刻下自车规划出的未来3 s的运