本申请涉及自动驾驶，具体涉及一种自动驾驶车辆轨迹生成方法及存储介质。
背景技术：
1、自动驾驶车辆虽然装备了诸如摄像头、毫米波雷达、激光雷达等传感器，但现实的驾驶环境依然是高动态性和高复杂性。那么一个良好的自动驾驶决策规划系统就像人类的大脑能够计算出车辆未来一段时间内驾驶轨迹，以保证安全、高效、舒服地到达目的地。当前自动驾驶车辆进行轨迹规划主要分为三种，时空解耦方法、时空耦合的方法以及基于深度学习或强化学习模型的方法。如图1所示现有三种自动驾驶车辆轨迹规划方法，时空结解耦的方式将路径和速度分开设计、求解，最后再合并成一条有效的轨迹，时空耦合的方法将同时考虑位姿、速度、加速度等因素，直接输出轨迹，基于深度学习或强化学习模型的方法会以大量的人工驾驶或模拟驾驶的数据进行离线或在线学习，输出可能性最大的轨迹点串。前两种是基于传统规则的方法，目前已在量产车型上有落地实践，后一种学习类的方法是研究的热点和未来的方向之一。
2、上述三种方案中，时空解耦的方法将一个三维问题转化为两个二维问题来求解虽然有利于降低计算的耗时，但在多车狭窄通过中无法良好的通过。时空耦合的方法则能提供一个解空间下的全局最优解，但考虑到意图预测不确定性高及准确度较低。基于深度学习或强化学习的方法当场景差异比较大时可能输出错误的结果，以及结果的解释性欠佳。
技术实现思路
1、鉴于上述问题，本申请提供了一种自动驾驶车辆轨迹生成方法及存储介质，解决现有的自动驾驶车辆轨迹规划方法中在意图预测不确定性高及准确度较低的问题。
2、为实现上述目的，发明人提供了一种自动驾驶车辆轨迹生成方法，包括以下步骤：
3、通过决策器基于概率预测的深度学习对环境动态信息、环境静态信息及车辆信息进行编码；
4、决策器输出自车在预设时间内的连续决策结果，以及对应的关联障碍物的编码信息；
5、优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹。
6、在一些实施例中，所述优化目标包括安全性ctarget、目标可达及效率要求ctarget、车辆动力学约束ckinematic和舒适性ccomfort。
7、在一些实施例中，所述优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹具体包括以下步骤：
8、根据系统模型的状态量x＝[x，y，v，0，φ]t及控制量u＝[a，η]t，则车辆的动力学模型可以表征为其中，x，y是笛卡尔坐标系下的车辆位置，v是车辆速度，a是车辆加速度，l是车辆轴距，θ是车辆偏航角，φ是前轮偏角，η是前轮偏角变化率；
9、根据目标函数j＝csafe+ctarget+ckinematic+ccomfort，使用状态量x及控制量u进行表征，进行对最优化问题进行求解，得到车辆轨迹，p，q，r均为计算矩阵。
10、在一些实施例中，还包括以下步骤：
11、通过决策器对场景关联的障碍物进行风险评估；
12、优化器结合决策器对对场景关联的障碍物的风险评估进行安全性构建。
13、在一些实施例中，还包括以下步骤：
14、通过安全校验器基于决策器的场景内容，进行安全评估，在紧急情况下对车辆进行安全制动及停车。
15、还提供了另一个技术方案，一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器运行时执行以下步骤：
16、通过决策器基于概率预测的深度学习对环境动态信息、环境静态信息及车辆信息进行编码；
17、决策器输出自车在预设时间内的连续决策结果，以及对应的关联障碍物的编码信息；
18、优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹。
19、在一些实施例中，所述优化目标包括安全性ctarget、目标可达及效率要求ctarget、车辆动力学约束ckinematic和舒适性ccomfort。
20、在一些实施例中，所述优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹具体包括以下步骤：
21、根据系统模型的状态量x＝[x,y,v,θ,φ]t及控制量u＝[a,η]t，则车辆的动力学模型可以表征为其中，x,y是笛卡尔坐标系下的车辆位置，v是车辆速度，a是车辆加速度，l是车辆轴距，θ是车辆偏航角，φ是前轮偏角，η是前轮偏角变化率；
22、根据目标函数j＝csafe+ctarget+ckinematic+ccomfort，使用状态量x及控制量u进行表征，进行对最优化问题进行求解，得到车辆轨迹，p,q,r均为计算矩阵。
23、在一些实施例中，还包括以下步骤：
24、通过决策器对场景关联的障碍物进行风险评估；
25、优化器结合决策器对对场景关联的障碍物的风险评估进行安全性构建。
26、在一些实施例中，还包括以下步骤：
27、通过安全校验器基于决策器的场景内容，进行安全评估，在紧急情况下对车辆进行安全制动及停车。
28、区别于现有技术，上述技术方案，通过基于深度学习的决策器通过基于概率预测的深度学习对采集的环境动态信息、环境静态信息及车辆信息进行编码，输出自车在预设时间内的连续决策结果，以及对应的关联障碍物的编码信息，以供给优化器建模和计算各cost项，横纵向联合的优化器基于决策器输出的内容，以车辆动力学模型为基础，进行构建优化目标，然后输出一条最优的车辆轨迹给下游进行跟踪控制。而通过决策器基于概率的预测应对自车与其他交通参与者的交换影响的意图不确定性，同时也为优化器缩小解空间，可减少整体耗时。
29、上述
技术实现要素：
相关记载仅是本申请技术方案的概述，为了让本领域普通技术人员能够更清楚地了解本申请的技术方案，进而可以依据说明书的文字及附图记载的内容予以实施，并且为了让本申请的上述目的及其它目的、特征和优点能够更易于理解，以下结合本申请的具体实施方式及附图进行说明。
1.一种自动驾驶车辆轨迹生成方法，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生成方法，其特征在于，所述优化目标包括安全性ctarget、目标可达及效率要求ctarget、车辆动力学约束ckinematic和舒适性ccomfort。
3.根据权利要求2所述的自动驾驶车辆轨迹生成方法，其特征在于，所述优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹具体包括以下步骤：
4.根据权利要求2所述的自动驾驶车辆轨迹生成方法，其特征在于，还包括以下步骤：
5.根据权利要求1所述的自动驾驶车辆轨迹生成方法，其特征在于，还包括以下步骤：
6.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器运行时执行以下步骤：
7.根据权利要求6所述的存储介质，其特征在于，所述优化目标包括安全性ctarget、目标可达及效率要求ctarget、车辆动力学约束ckinematic和舒适性ccomfort。
8.根据权利要求7所述的存储介质，其特征在于，所述优化器基于决策器输出的内容，以车辆动力学模型为基础，构建优化目标，然后输出车辆轨迹具体包括以下步骤：
9.根据权利要求7所述的存储介质，其特征在于，还包括以下步骤：
10.根据权利要求6所述的存储介质，其特征在于，还包括以下步骤：
