面向自动驾驶测试的交互场景策略建模与仿真

自动驾驶汽车与人类驾驶汽车的交互能力对未来新型混合交通的运行安全和效率至关重要。为测试高等级自动驾驶汽车的交互能力,测试场景中的背景车须具备自然驾驶交互特征并反映人类驾驶员异质性交互策略。本文基于博弈论框架,建立了驾驶交互策略模型(game-theoretical strategic interaction model, GSIM)。GSIM通过在个体效用函数中引入可差异化取值的交互社会性表征参量,实现背景车交互策略的定向调控。十字路口无保护左转场景的测试实验表明,GSIM可保留自然驾驶逐步规划、双向交互的可解释性,保障交互行为的仿真精度;同时,可有效复现高风险场景中人类驾驶的交互策略,有助于提供具有挑战性的高测试价值场景。对比传统智能驾驶人模型,GSIM模型在无保护左转场景中轨迹仿真精度平均提升42.8%,严重冲突事件复现率提升25.8%。

基于梯度下降Tucker分解的高速公路数据质量控制算法

高速公路交通流具有多维时空动态特征,其实际调查的数据存在过量随机异常的数据,导致有关调查数据的质量无法满足高速公路主动安全管理对路网各层级交通流调控的需求.利用张量理论所具有的良好多维时空数据处理能力,构建考虑短期波动、长期趋势和车道空间信息的多维时空动态张量矩阵,提出一种基于多维张量分解思维的梯度下降Tucker分解的数据质量控制算法,有效弥补传统数据质量控制方法对交通流数据内在时空关联信息利用不足的情况.选取G4京港澳高速公路杜家坎路段实际速度数据作为研究对象,选择车道维度、时间维度、时间间隔维度,构建多种不同张量矩阵形式,对算法进行实证分析.结果表明:所提出的数据质量控制算法具有良好的高速公路交通流数据修复效果.其中,以车道、天数、5min采集时间间隔3个维度所构建的张量形式修复效果最好,95%测试数据的修复值与实际值的误差在(-5%,+5%)范围内.