本文的主要作者为Yuxiang Zhang, Jiachen Wang, Jidong Lv, Bingzhao Gao, Hongqing Chu*, Xiaoxiang Na，分别隶属于吉林大学、上汽集团-TOPILOT实验室、同济大学、剑桥大学等机构。该研究发表在Sensors期刊（2022年第22卷，编号7397），发表日期为2022年9月28日。
本研究属于智能交通系统与自动驾驶技术领域。随着自动驾驶车辆的发展，如何在复杂和动态的驾驶场景中安全高效地生成合理的运动规划轨迹是当前的关键问题之一。在过去的研究中，自动驾驶车辆的运动规划在行为决策和轨迹生成方面有诸多挑战，包括对周围车辆和障碍物行为的准确预测、动态互动的建模，以及约束条件下的安全性和计算效率问题。针对这些问题，本文提出了一种计算高效的运动规划方法，综合考虑了动态障碍物的避让和交通互动，这对提升自动驾驶车辆的智能化决策能力和性能有重要意义。
本研究的目标包括（1）提出一种在复杂场景中高效的计算方法，以减少时间复杂度；（2）通过整合驾驶员意图预测和车辆动力学模型，提高另一车辆轨迹预测的准确性；（3）通过自适应决策和生成合理轨迹来验证该方法的有效性。
本文提出一个系统性的研究框架，包括行为规划模块与轨迹生成模块两部分，这些模块通过协调不同的算法和模型来实现自动驾驶车辆的运动控制。以下是主要研究过程的详细描述：
行为规划模块主要生成候选路径，通过考虑道路信息、环境信息等，选择一个最优行为轨迹。
候选路径的生成：将道路分为若干几何分段。通过连接每段的候选点（包括车道中心点、邻道变道点等）生成最优路径候选集。这一过程中，使用动态分割的方式通过更灵活的距离划分，减少计算复杂度。此外，通过剔除静态障碍所在路径，优化候选路径。
速度剖面的规划：在候选路径的基础上，生成速度剖面。通过考虑车辆动态特性和交通信息（如交通灯、车速限制等）构建约束，利用函数优化方法选取最优速度序列。目标是既尽可能提高速度，又控制加速度及加速度变化（jerk）以保证舒适性。
最优行为轨迹的选择：综合不同的成本函数（如车道变换次数、时间效率、行为一致性）筛选出最优行为轨迹。最终行为序列保证车辆行为的连续性，并减少不必要的回退操作。
轨迹生成模块采用非线性模型预测控制（Nonlinear Model Predictive Control, NMPC）方法，在考虑动态车辆模型的基础上，通过算法加速实现高效轨迹生成。
车辆动力学建模：利用包含纵向速度、横向速度以及前后轮侧向力的非线性动力学模型来描述车辆运动。在模型中，通过加入变速动力学，进一步提高轨迹生成的合理性。
控制器设计：以目标函数实现约束的优化，其中包括轨迹与参考路径的匹配，加速和横摆角的平滑控制，同时通过引入安全距离约束避免碰撞风险。轨迹生成中需要对初始条件和各类障碍情况进行综合建模。
C/GMRES算法：为了快速求解NMPC问题，本文采用了C/GMRES（Continuation Generalized Minimum Residual）算法。基于伪控制输入，将非线性优化问题转为线性微分方程求解，通过递推近似快速计算得到控制输入。
在实验中，主车以10m/s的初速度在车道内行驶，前车以5m/s的速度位于30米处。使用所提出方法，主车可在较短时间内完成双车道变换，成功避开动态障碍，并快速回到正常速度行驶状态。
在弯道场景中，主车以12m/s纵向加速至15m/s，成功完成对慢速障碍车辆的超车，并在过程中保持动态稳定。所有转向角变化均在合理范围内，展示了系统处理复杂场景的能力。
在一个更复杂的场景中，前方车辆发生意图变化，尝试从当前车道变换至目标车道。此时主车根据实时意图预测结果，先尝试变道到另一侧，然后在发现交互车辆占用目标车道时返回原车道，从而避免碰撞。这一过程展示了系统对动态实时交互的快速决策能力。
本研究首次提出了一种综合动态障碍预测与高效运动规划于一体的自适应自动驾驶决策框架。通过构建一个行为先行的分阶段模块化方法，大幅提高了运动规划的计算效率，且有效平衡了安全性、计算复杂度和驾驶舒适性。这一研究为未来自动驾驶车辆在复杂非结构化交通环境中实现智能决策奠定了理论基础，不仅具有学术价值，也在工业应用中有重要潜在意义。
作者在结尾指出，未来研究将重点加入交互意图预测，这将进一步推动车辆从反应式规划向预测式规划的过渡。通过模拟社会化动态互动，增强自动驾驶车辆在人类驾驶员中的融合能力，同时提升安全性和用户体验。