基于交互车辆轨迹预测的交叉口场景自动驾驶车辆规划与控制方法

《Applied Sciences》：Autonomous Vehicle Planning and Control Method Based on Interacting Vehicle Trajectory Prediction in Intersection Scenarios

　　

自动驾驶技术被视为提高交通安全和减少事故的有效途径。然而，其在复杂城市场景特别是交叉口场景中的性能仍有待提升。为增强轨迹预测与跟踪控制，研究人员提出了一种基于交互车辆轨迹预测的规划与控制框架。首先，开发了一种融合注意力机制与驾驶意图识别的深度学习轨迹预测模型，以高精度预测交互车辆的未来轨迹。基于预测结果，执行避碰轨迹规划。然后，设计了一种结合补偿显式模型预测控制（C-EMPC）与PID控制的轨迹跟踪控制器，以实现高跟踪精度与实时性能。通过典型交叉口场景的仿真对所提框架进行了评估。结果表明，所提框架能够提升测试场景下的驾驶安全性与效率。此外，硬件在环实验验证了所提方法的实时执行可行性与有效性。

**论文解读：基于交互车辆轨迹预测的交叉口场景自动驾驶车辆规划与控制方法**

**研究背景与问题**

随着自动驾驶技术的发展，其在提升交通安全和减少事故方面显示出巨大潜力。然而，在复杂的城市交叉口场景中，自动驾驶系统需要应对多车交互、交通参与者多样性以及安全与效率的平衡等挑战。现有轨迹预测方法（如基于运动学模型或深度学习的方案）在捕捉多维交互和驾驶意图方面存在不足，导致预测精度不够，进而影响后续规划与控制的可靠性。同时，轨迹跟踪控制常难以同时兼顾高精度与实时性，传统显式模型预测控制（EMPC）因模型简化而精度下降，而复杂的优化方法又牺牲了计算效率。针对这些关键问题，研究人员提出了一个基于交互车辆轨迹预测的结构化耦合规划与控制框架，旨在提升主车在交叉口场景中的安全通行能力。该研究发表在《Applied Sciences》上。

**主要关键技术方法**

研究人员构建了包含三大核心模块的技术路线：（1）**时空注意力轨迹预测模型（DISTNet）**：基于编码器-解码器结构，融合空间注意力、时间注意力、车辆-道路注意力及全局信息交互模块，并独立训练驾驶意图识别网络（将左转、直行、右转分类后编码为特征向量），输出多模态轨迹。（2）**解耦路径-速度二次规划器**：基于预测的交互轨迹，在S-T图中投影冲突区域，通过快速随机扩展树（RRT）进行轻决策，确定让行或超车的约束空间，随后在Frenet坐标系下通过二次规划分别优化局部路径和速度曲线。（3）**补偿显式模型预测控制（C-EMPC）+双环PID跟踪控制器**：针对EMPC因模型简化和忽略干扰导致的精度不足，设计状态补偿器和前馈补偿器，并采用PID控制器进行速度跟踪。所有算法在MATLAB/Simulink、CarSim和PreScan联合仿真平台及Woodward SECM112 ECU硬件在环（HIL）平台中验证，训练数据来自Argoverse预测数据集（包含5秒历史信息）。

**研究结果**

**2. 交互车辆轨迹预测（第2节）**

- **DISTNet模型构建与训练**：通过空间注意力、时间注意力、车辆-道路注意力和全局信息交互模块，实现多维数据交互，并利用预训练的驾驶意图识别网络（验证精度约0.95）将意图特征融入编码。多模态MLP解码器输出6种轨迹模态及其概率。模型在Argoverse数据集上训练64轮，采用MSE损失与Soft交叉熵损失的组合损失函数。
- **预测性能验证**：在Argoverse测试集上，DISTNet的最小最终位移误差（minFDE）达到1.1317 m，最小平均位移误差（minADE）达到0.7459 m，失误率（MR）为0.1184，优于VectorNet、HiVT、TNT、GCN、LSTM和Transformer等基线模型。不同预测时间域（1秒、2秒、3秒）下，误差随预测域延长而累积增加。HIL实验表明，在密集车辆场景（N ≤ 30）中，平均推理延迟严格控制在阈值以下，满足实时性要求。消融实验表明，移除时间注意力、车辆-道路注意力、空间注意力或意图识别模块均导致性能下降，证实各模块对预测精度均有正向贡献。

**3. 基于交互预测的规划与控制方法设计（第3节）**

- **轨迹规划（3.1节）**：基于交互预测结果和全局路径，先通过二次规划在Frenet坐标系下生成沿全局路径的局部路径（考虑横向位移边界和光滑约束）。再将交互车辆预测轨迹投影到S-T图，通过RRT算法进行轻决策（选择让行或超车方案），获得速度规划的约束空间。随后二次规划求解速度曲线（考虑起始速度、加速度、曲率限制等成本函数），最终合成离散轨迹点（含位置、航向角、曲率、速度和加速度）。
- **轨迹跟踪控制器（3.2节）**：基于车辆动力学模型（考虑横向、纵向和横摆），对线性时变模型按速度分段简化为线性时不变模型，构建EMPC预测模型。为补偿模型简化和忽略扰动项导致的精度损失，设计状态补偿器（基于Rouché–Capelli定理求解补偿增益）和前馈补偿器（消除稳态航向误差），提出C-EMPC路径跟踪控制器。同时采用位置和速度双环PID控制器进行速度跟踪，通过数据驱动标定加速度-减速度模型获取控制信号。

**4. 综合验证（第4节）**

- **跟踪控制性能验证（4.1节）**：在匀速双移线和起步加速双移线工况下，将C-EMPC+PID与LQR+PID、MPC+PID、传统EMPC+PID对比。结果显示，C-EMPC+PID在横向误差、航向误差和单步计算时间上均最优。定量数据表明，与LQR+PID相比，实时性提升35.93%，横向跟踪提升68.71%，航向跟踪提升30.65%；与MPC+PID相比，分别提升46.74%、21.51%和8.37%；与传统EMPC+PID相比，横向和航向跟踪分别提升60.79%和27.27%。
- **交叉口场景联合仿真（4.2节）**：设定右转合流冲突（主车右转，交互车左转）和左转交叉冲突（主车左转，交互车直行）两种典型场景。将基于DISTNet的方法与基于运动学模型预测和基于GCN预测的方法对比。结果显示，基于DISTNet的方法能准确减速让行并安全通过，避免了碰撞并保持较高通行效率；基于运动学模型的方法因预测误差导致过早或过晚减速（左转场景发生碰撞）；基于GCN的方法在右转场景中因预测误差导致碰撞，在左转场景中虽未碰撞但减速时机过晚，存在碰撞风险。
- **硬件在环实验（4.2.3节）**：在SECM112 ECU和Speedgoat实时目标机组成的HIL平台上，以50 Hz频率执行双移线工况（目标速度60 km/h）。结果表明，C-EMPC+PID控制器能精确跟踪路径和速度，横向RMS误差0.0121 m，最大横向误差0.0716 m，航向RMS误差0.0031 rad，最大航向误差0.0145 rad。单步计算时间约5 ms，远低于20 ms采样周期，满足实时性要求。

**总结与讨论**

第5节指出了研究局限与未来工作方向，包括在更复杂动态场景中预测与规划的适应性、在nuScenes和INTERACTION等数据集上的进一步评估、引入行-车交互场景、分析传感器故障与定位不确定性等鲁棒性问题，以及利用CARLA进行更逼近真实交通环境的仿真和实车部署。

第6节结论（翻译）：为实现高精度轨迹预测以及高精度与高实时性的轨迹跟踪，从而确保自动驾驶车辆在交叉口场景中能够安全高效地与交互车辆通行，本文提出了一种基于交互车辆轨迹预测的自动驾驶车辆规划与控制方法。首先，通过利用注意力机制，设计了一种基于驾驶意图识别的时空注意力轨迹预测模型，实现了高精度轨迹预测，其minFDE达到1.1317，minADE达到0.7459，MR达到0.1184。然后，基于预测结果进行轨迹规划，并设计了基于C-EMPC+PID的轨迹跟踪控制器，实现了平衡精度与实时性的轨迹跟踪。与LQR+PID控制相比，在实时性、横向跟踪和航向跟踪方面分别提升了35.93%、68.71%和30.65%；与MPC+PID控制相比，分别提升了46.74%、21.51%和8.37%；与传统EMPC+PID控制相比，横向跟踪和航向跟踪分别提升了60.79%和27.27%。在右转合流冲突和左转交叉冲突两种场景下进行了仿真。结果表明，所提出的基于交互预测的规划与控制方法相较于基于其他预测算法的方法，在交叉口具有更高的安全性和通行效率。最后，基于快速控制原型开发平台进行了硬件在环实验，验证了所提出的综合规划与控制算法的有效性和实时性。