视觉融合下的复杂路况车辆换道决策模型

车辆换道是一个融合车辆行为及其周围环境的多因素动态过程,不合理的换道行为会招致严重的交通事故.现有安全防撞模型未考虑换道时多车辆间的耦合关系,且换道车辆的感知方式有一定局限性,在需强制性换道时决策效果不理想.因此本文提出视觉融合下的复杂路况车辆换道决策模型.该模型以单视角补偿双目视差计算的视觉融合方法感知参与换道的多车辆,解决了因车辆遮挡覆盖等非线性运动导致的多目标车辆轨迹预测误差问题,通过提取出三维的换道行为参数输入RBF神经网络进行可行性安全评估,可使车辆在合适时机进行换道.实验结果表明,提出的车辆换道决策模型在相同实验环境下相较单目检测算法YOLOv3准确性可提升5.1%,相较选取的基准双目检测算法准确性提升0.7%,且对换道进行安全评估的预测综合准确率达97.33%,能满足自动驾驶车辆强制性换道需求.

基于驾驶场景与决策规则的智能汽车换道决策

复杂交通环境中,换道决策直接影响智能汽车自主换道效果,然而在换道决策过程中依旧存在着预测正确率低以及决策安全的问题。因此,针对这一问题,提出了基于驾驶场景和决策规则的换道决策模型。考虑换道后的交通行驶状况对换道决策的影响,引入换道后的期望速度和换道前后与前车的距离作为新的特征变量,基于特征变量与换道决策的相关性建立了换道决策规则。建立了模拟真实驾驶环境的换道场景数据集,扩充了NGSIM换道场景数据集,并对其进行了有效性验证。针对换道决策的多参数和非线性问题,提出了基于贝叶斯优化核函数的支持向量机模型,在换道场景数据集上进行测试验证。结果表明:新引入的决策特征变量对换道行为有积极作用,换道场景数据集能够模拟真实的换道场景,可进一步应用到换道决策和轨迹规划的研究中,支持向量机模型对换道行为的预测正确率达95.40%,高于其他机器学习分类器,提高了换道行为的安全性。

基于演化博弈的车辆换道研究

车辆换道时可能存在与其他车辆发生行驶目的冲突问题,传统的方法没有考虑到车辆之间的动态博弈。为此,根据城市交通的特点以及车辆换道要考虑的各种因素,采用演化博弈的方法进行车辆换道情况分析,为车辆的行驶决策提供方案。首先利用车辆在换道时要考虑的时间损失、冲突损失、互让损失、通过收益和换道成本等因素,来构建换道车辆与所要博弈车辆的博弈矩阵,利用博弈矩阵建立车辆冲突的动力学模型,在换道车辆和所要博弈车辆都基于自身利益最大化条件下对存在的各种情况的均衡点的存在和稳定性进行分析,并对演化情况的实际状况进行说明。然后用MATLAB进行仿真验证。在不同情况下,影响车辆进行占道的主导因素也不尽相同,对影响车辆行驶结果的时间损失、冲突损失、互让损失之间的关系进行灵敏度分析。结果表明:车辆在经过博弈后演化的结果可能为采取换道冲突、采取换道不冲突、不采取换道冲突、不采取换道不冲突;发现车辆的互让损失、时间损失会促使车辆进行占道,换道成本和冲突损失会抑制车辆的占道行为。该结果解释了城市交通中存在交通冲突的原因,为车辆驾驶员行驶决策和缓解交通拥堵提供了参考。

基于动态轨迹规划的自动驾驶车辆协同换道方法

传统的多车协同缺乏对目标队列和换道车辆信息的有效利用,为考虑动态信息变化对换道过程的影响,本文提出基于动态轨迹规划的自动驾驶车辆协同换道控制方法。首先,针对自动驾驶环境下单车进入车辆队列的研究场景,提出基于实时动态信息的协同换道控制框架,在考虑换道车辆与目标队列车辆的合作以及换道行为给目标队列带来影响的基础上,构建非换道期间和换道期间的纵向协同控制模型;之后,在换道车辆发出换道请求并满足换道触发条件后,考虑队列纵向协同目标,根据纵向速度变化动态规划每一时刻的期望轨迹,提出基于正弦曲线的动态换道轨迹规划方法,得到安全和可靠的轨迹曲线,并采用模型预测控制的轨迹跟踪控制算法,实现实时轨迹跟踪;最后,通过搭建Prescan-Simulink联合仿真平台,设计多组不同速度工况下的仿真实验,以及设置传统基于前车—跟随策略的控制算法与本文的控制策略进行对比,综合分析换道触发时间、队列稳定时间和速度波动幅度这3项指标,验证本文控制策略的有效性和可行性。仿真结果表明:本文所设计的协同换道控制策略和传统方法相比,队列的平均稳定时间缩短了34%,队列的速度波动幅度保持稳定,并在不同相对速度的工况下,均能够实现车辆安全和高效地换道。

智能网联汽车双车道主动换道优化规划仿真

由于交通流动的复杂性和不确定性,使得感知其它车辆的运动、速度、加速度等存在困难,导致双车道主动换道最优路线的获取难度较大。为此,提出智能网联汽车双车道主动换道最优路线仿真方法。建立智能网联汽车的运动学模型和动力学模型,构建换道场景获取道路信息,并判断驾驶人产生换道的意图,将车辆换道路线划分为4条曲线,采用三次多项式规划出满足车辆动力学和运动学约束的第一条曲线,以此求取第二、三、四条曲线,平滑连接四条曲线,获得智能网联汽车双车道主动换道的最优路线。仿真结果表明,所提方法的换道安全性高、路线规划合理性高。

面向强制换道场景的智能网联汽车协同换道策略

智能网联汽车的协同换道技术已得到广泛研究,但现有协同换道策略难以解决强制换道场景下的车辆协同问题,或对上游交通造成的负面影响较大。本文旨在面向强制换道场景需求,提出一种考虑理论最小安全距离的两阶段协同换道策略。首先,提出了两车协同换道系统控制架构,并面向车辆强制换道场景制定了协同换道方案。随后,设计了间距调整、协同换道两阶段的滚动时域轨迹规划方法,并求解理论最小安全距离作为间距调整阶段末态约束,解决了现有研究间距策略保守的问题。最后,通过仿真与硬件在环试验验证了所提策略的有效性、优越性与计算实时性。结果表明,所提策略可有效提升换道成功率,在保障换道安全性的条件下降低了换道行为对交通的影响,且在实际边缘云平台的实时计算、通信环境下具备可用性。

建立安全换道域的换道决策与规划

局部路径规划强调在微观交通场景中输出一条可行驶路径,对每一离散时刻的路径点都要求有极高的安全性和舒适性。现有的局部路径规划方法中鲜有考虑路径曲率是否连续、路径起讫点约束等物理特性的基于安全换道域的换道决策与规划方法。本研究中对典型的换道场景建立了临界安全换道角模型,对无法演变为单障碍车换道场景的双障碍车换道场景建立了安全换道域。对比了几种常用换道路径,筛选出B样条曲线法作为局部路径规划方法,利用换道时间和换道路径平均曲率确定基于安全换道域的最优换道路径,并提出了基于安全换道域的换道决策,联合Simulink和PreScan计算平台在典型换道场景下实现了所提出的换道策略的仿真验证。结果表明,所提出的换道决策和换道路径规划能够实现本车的安全换道。

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_(MAE))降低了69.8%,均方根误差(Root Mean Square Error,E_(RMSE))降低了49.15%,平均绝对百分比误差(Mean Absolute Percentage Error,E_(MAPE))降低了14.24%。

面向量产的高速公路智能换道系统决策规划方法研究

高速公路智能换道是高级辅助驾驶系统(ADAS)的重要功能,现阶段算法难以在低算力硬件资源条件下兼顾换道安全性和平顺性。为解决此问题,本文提出一种高速公路智能换道系统决策规划方法。通过分级危险区域,检测碰撞风险做出换道决策,进而实施横纵向解耦规划。在横向规划中,设计两阶段五次多项式换道轨迹规划,提升换道途中安全性和平顺性。在纵向规划中,巡航工况采用类PID算法,可提升规划实时性,而跟车工况采用基于同步预测时域的模型预测控制(MPC)算法,通过关联横纵向规划时间可提升换道平顺性,并设计代价函数降低求解复杂度可满足低资源占用要求。通过实车对比试验,验证了该方法在高速公路换道多场景中具有较高的安全性、平顺性和体验感。此外,算法占用的静态区存储和栈区峰值存储测试对比结果表明了该方法具有较低的硬件资源占用率,可满足低算力控制器对资源占用的要求。

计及安全性与舒适性的智能车辆换道轨迹规划研究

针对当前智能车辆在换道过程中的安全性以及乘员舒适性问题,本文提出一种基于风险场评估轨迹的二次筛选方法。首先,在Frenet坐标系下,将车辆运动解耦为横向和纵向两个维度,基于五次多项式生成所有横向d-t曲线簇和纵向s-t曲线簇;其次,由车辆的动力学特性和三圆碰撞模型设计轨迹初筛评价函数,选取合格轨迹作为候选轨迹;最后,参考人工势场理论的思想,引入行车过程中风险场的概念,根据换道效率,换道风险值和横、纵向冲击度建立总损失函数评价候选轨迹以进行二次筛选,选取最佳轨迹并完成可视化。为检验算法的可行性,通过搭建双车道的道路环境,设计障碍车不同速度和加速度的多场景进行弯道换道的仿真验证。研究结果表明,本文所提算法能够满足换道的安全性和舒适性需求。同时,在正常换道场景下,乘员在换道过程的97.5%时间处于舒适状态,在紧急避障场景下也能达到平衡安全性与舒适性的目标。

基于航测数据的不同风格换道轨迹规划

不当的换道行为可能危及交通安全,导致交通事故和拥堵,因此有必要探索不同驾驶风格下在车道出口的换道轨迹.本文利用中国高速公路和快速路拥堵场景数据集中的车辆轨迹数据,采用K-means算法将驾驶人分为谨慎型、普通型和激进型三类;通过聚类分析和换道时间预测,以最小化换道纵向位移和行驶稳定性加权值之和为优化目标,同时以舒适性和安全性评价指标为约束条件,采用五次多项式进行最优换道轨迹规划;随后,使用遗传算法解决轨迹规划问题,基于Prescan、CarSim、MATLAB/Simulink仿真平台建立横纵向联合控制二自由度车辆动力学模型;最后,设计自车前车、目标车道前车和目标车道后车三种典型换道场景,并通过仿真实验评价不同驾驶风格下的换道轨迹规划效果和车辆轨迹跟踪控制效果.实验结果表明:在目标车道有车的场景下提出的融合驾驶风格的轨迹规划算法使得规划的换道轨迹增加了激进型驾驶风格的换道时长,同时减少了普通型和谨慎型驾驶风格司机的换道时长,进而能够确保换道过程的时效性、安全性和舒适性.

引力理论框架下基于综合竞争力的自动驾驶拟人换道决策模型

为有效刻画城市快速路中自动驾驶环境下的车辆换道决策机理,考虑主车与周边车辆的位置属性、驾驶风格属性及车辆运动属性对主车换道行为的影响,建立基于综合竞争力的拟人换道决策模型。首先,以邻近前车间距、邻近前车速度差及驾驶风格这3种因素作为自动驾驶车辆的拟人化换道意愿属性,量化表征主车的换道意愿;然后,基于人类决策中的悲观主义准则,分析换道过程中周边车辆与主车可能产生的竞争行为,利用车头间距比和驾驶风格差异提出潜在竞争强度概念;其次,考虑环境稳定性对驾驶舒适性的影响,提出“速度伪距”“加速度伪距”概念,衡量换道后的环境稳定性;最后,结合引力理论建立以车辆横向速度为求解目标的综合竞争力换道决策模型。在模型标定中,筛选Ubiquitous Traffic Eyes开源数据集,得到非强制换道片段数据,利用蚁群算法标定模型参数。采用随机排列交叉验证方法进行验证,以正确率为模型精度和泛化能力的评价指标,并将其与传统模型进行对比。结果表明,将训练与验证比设置为72%∶28%、65%∶35%、57%∶43%和50%∶50%时,平均正确率区间为87.67%~90.34%,说明该模型具有较强的鲁棒性和可行性,相比于传统模型,本文模型具有更高的预测精度,可为自动驾驶环境下车辆的车道选择提供依据。

利用激光点云的智能网联汽车自主换道横向避障

通过智能网联汽车自主换道横向避障设计,提高车辆自主驾驶安全性能,提出基于激光点云的智能网联汽车自主换道横向避障方法,构建基于全激光雷达的无人驾驶系统的汽车行驶环境激光点云数据采集模型,通过激光雷达激光点云图像检测方法实现对智能网汽车行驶环境感知。结合障碍物检测、车道线检测、可行驶区域检测的方法,分析智能网联下汽车换道障碍物和车道的相关性特征量,通过激光点云的自主寻优方法寻找边界点直到搜索路径达到阈值,再结合直线道路模型和车道线连续性原则实现对汽车自主换道横向避障规划设计。仿真结果表明,采用该方法进行汽车自主环控避障,在5 s时达到收敛状态,障碍物坐标识别误差距离低于0.7,并且该方法的识别精度达到了0.970以上,提高了车道信息的感知能力,准确高效地估计可行驶区域,提高车辆避障能力。

城市连续隧道交织区主线交织车辆换道点选择行为研究

基于城市连续隧道交织区分析主线交织车辆换道点选择行为,以实地采集的车行轨迹数据为基础,利用随机森林模型分析主线车辆换道点选择行为特征及影响行为决策的影响因素,而后分别采用支持向量机模型与随机森林模型进行换道点选择行为决策建模和对比分析。研究结果表明:影响主线交织车辆换道点选择的主要因素为目标车辆状态以及本车道的后车状态,且经特征筛选之后建立换道决策模型的精度更高,其中支持向量机模型可以较好的刻画换道行为,模型的预测精度不低于85%。研究成果有助于在仿真模型中更准确描述换道点选择行为,同时为城市连续隧道交织区的优化和辅助驾驶策略制定提供支撑。

基于安全势场理论的高速公路交通事故下协同换道引导策略

为缓解交通事故对道路通行效率的影响,提高事故路段的通过能力,利用车路协同系统中车与车、车与路的实时信息交互,提出一种高速公路突发交通事故下基于安全势场理论的车辆协同换道引导策略。首先,针对单向双车道和多车道等不同车道下发生交通事故的多种场景,将协同换道的引导区域划分为事故保护区、引导过渡区、协同换道引导区和自由换道区4个区域,并确定换道引导阈值,以便更新车辆状态;然后,构建交通事故的安全势场,针对不同场景提出相应的车辆协同换道引导策略,并给出引导过程中车辆换道安全距离和最晚换道位置的计算方法;最后,基于城市交通仿真(SUMO)软件进行多种场景下的仿真验证。结果表明:在单向双车道场景下,当车辆协同引导率在75%时优化效果最明显;在多车道场景下,引导率在50%时的优化效果最明显;此外,通过对比分析发现,采用换道引导策略后,车辆通过事故路段的平均速度最高提升了6.3%,车辆延误最高减少了14.6%。

基于MPC的智能车辆换道重规划研究

为解决智能车辆换道过程中,由于其他车辆的行驶状态发生改变导致碰撞风险的问题,需对主车进行实时局部路径规划。基于模型预测控制(MPC)提出换道轨迹重规划策略,根据碰撞风险将其划分为换道轨迹修正策略、换道折返策略及前向主动避撞策略,建立基于MPC的横向控制和基于双比例积分微分控制器(PID)的纵向控制,并以纵向车速为联合点的横纵向综合轨迹跟踪控制器。将轨迹规划模块、轨迹重规划模块及轨迹跟踪模块分层集成,对换道轨迹重规划策略进行仿真验证。仿真结果表明:基于MPC的换道轨迹重规划和轨迹跟踪控制可在不同场景下实现车辆安全避撞。

基于V2V的智能车辆换道轨迹规划方法研究

针对传统车辆换道轨迹算法实时性差与换道效率低的问题,提出一种基于V2V的智能车辆动态自主换道轨迹规划算法。换道起始时刻,智能车辆通过V2V通信技术获取周围交通车辆运动状态信息,在换道条件允许的情况下,采用多项式函数对车辆换道过程的横纵向运动进行描述,通过构建基于双圆车体近似模型的避障算法筛选无碰撞的换道轨迹,以车辆换道舒适性、换道效率等换道性能指标构建多目标优化价值函数,通过求解约束化问题求得最优换道轨迹。为验证算法的有效性,利用CarSim和Matlab/Simulink等软件进行联合仿真验证。结果表明:对于不同的换道工况,基于V2V的换道轨迹规划算法比传统非V2V的换道轨迹规划算法所规划出的换道轨迹需要的换道空间更小,具有更高的换道效率。

鲸鱼算法优化CNN-BiGRU-ATTENTION的车辆换道意图识别模型

针对时空多样特征、超参数敏感性影响车辆行为意图识别精度的问题,提出一种改进的CNN-BiGRU-ATTENTION混合换道意图识别模型。采用目标车辆轨迹序列和与周围车辆互动特征作为模型输入进行训练,实现考虑车辆动态变化状态的意图识别预测;使用鲸鱼优化算法对模型调整参数进行多目标寻优,降低模型调优难度;利用NGSIM数据集对模型进行评估校验。结果表明:所提出的WOA-CNN-BiGRU-ATTENTION模型与CNN-BiGRU-ATTENTION模型、Transformer模型相比,准确率分别提升了4.53%、0.97%,达到97.64%;WOA-CNN-BiGRU-ATTENTION模型在不同预判时间下的意图识别准确率最高,在换道前2.5 s的识别精度均能达到91%以上,证明模型具有较强的车辆换道意图识别性能。

基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory,M-LSTM)网络的换道意图预测模型。首先采用S-G(Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine,SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。

基于微观车流的拟人化换道决策规划

为提高无人驾驶车辆换道过程中的安全舒适性,在传统换道决策基础上引入换道对局部交通流的影响,并加入换道惯性因子。针对解耦式横纵向轨迹规划不足,提出联合横纵向约束规划;基于动态规划及二次规划算法,结合上一帧纵向规划约束当前时刻横向轨迹曲率;纵向规划过程中根据当前时刻横向规划结果筛选关键障碍物,并添加曲率限速约束,结合横纵向规划最终生成换道轨迹。实车验证结果表明,所述方法生成的横向、纵向换道轨迹能有效提升换道轨迹的合理性、稳定性和舒适性。