基于MPC-PID的智能电动汽车轨迹跟踪控制

由于车辆行驶过程的非线性和不确定性,智能车辆的控制器设计对轨迹跟踪性能有着重要影响。为提升智能电动汽车的轨迹跟踪精度和平稳性,提出基于瞬态搜索优化算法(TSO)的模型预测控制(MPC)和比例积分微分(PID)相结合的横纵向综合控制器。首先基于动力学模型建立车辆跟踪误差状态方程,设计横向MPC轨迹跟踪器和纵向双PID速度跟踪控制器;采用TSO算法,对MPC控制器的权重参数进行优化;通过Carsim和Matlab\Simuink联合仿真,设计不同速度区间下的行驶工况,对控制效果进行比对。仿真结果表明,经优化设计后的控制器有着更好的跟踪效果,前轮转角和横摆角速度变化平稳,可以在保证较高跟踪精度的同时兼具良好的鲁棒性。

基于行车风险场的变邻域A^(*)算法车辆路径规划

随着车辆智能化水平的飞速发展,为了满足智能车辆对全局路径规划的速度、平滑性和安全性要求,提出了一种基于行车风险势场的变邻域改进A*算法。首先对栅格地图的环境建模中加入必要安全空间和冗余安全空间,保留足够的行车安全裕度;为了提升环境适应性,基于车辆当前位置和目标点的位置关系,改进了启发函数的计算方式;同时结合行车风险势场对于车辆产生的合力,改进算法扩展搜索机制,引入了横纵向和斜向增扩策略,提升算法的搜索效率;完整路径规划算法完成后,通过冗余点剔除和动态切点光滑算法对路径进行二次处理,形成最终的平滑车辆路径。最后通过仿真实验进行算法对比,验证了改进算法对于智能车辆路径规划性能和行车安全性的提升。

基于CNN-Transformer-GRU-Att的车辆换道意图识别

在当前自动驾驶车辆与传统车辆并存的复杂交通环境中,快速准确地识别车辆换道意图能够帮助自动驾驶系统做出更加安全舒适的操作决策。本文首先采用扩展卡尔曼滤波方法对车辆轨迹数据进行筛选并平滑处理,再基于航向角的变化对车辆驾驶行为分类并标注驾驶意图。然后,为了充分考虑车辆之间交互作用、高效提取换道过程的时序连续特征以及捕捉车辆行驶轨迹序列中局部和长期依赖性,本文构建了一种基于CNN-Transformer-GRU-Att的车辆换道意图识别模型,将目标车辆和周围车辆的行驶数据信息作为输入,实验结果表明,本文所提模型对车辆换道意图的准确率为91.38%,推理耗时为10.08 s,多种评价指标显著优于其他模型。此外消融实验证明引入的Transformer模块、GRU层和注意力机制能够分别提高3.19%,5.07%和1.08%的准确率。最后分析模型输入车辆历史行驶轨迹序列的不同长度下的意图识别结果,模型可在车辆换道前2 s内能以89%以上的准确率识别换道意图。

基于改进的深度强化学习策略的交通信号控制

交叉口的交通信号控制是治理交通拥堵的重要组成部分,而现有的交通信号大多采用循环控制,效率低下且会造成长时间的车辆延迟和能量浪费。针对此问题,采用深度强化学习算法与环境之间进行互动来学习最佳策略。具体地,在智能体学习的初始阶段,创建了一个动作价值评估网络,以增加智能体的学习经验,帮助智能体更快的掌握缓解交通拥堵的技能。提出的模型基于双决斗深度Q网络(Double Dueling Deep Q-Network, 3DQN)算法,车辆的位置信息作为模型的输入,交叉口的四种相位为动作空间,执行动作前后的累积等待时间差被定义为奖励。在城市交通模拟器(Simulation Of Urban Mobility, SUMO)中对模型进行评估。实验结果表明,提出的模型在累积奖励方面相较于DQN、Double DQN、Dueling DQN、3DQN分别增加了58.9%、51.9%、51.3%、48%,证明改进的学习策略可以有效地提升各项交通指标。

基于GCN-Transformer的车辆换道行为建模与轨迹预测方法

对车辆换道行为建模并准确预测未来行驶轨迹对交通流的稳定与安全至关重要,为了解决目前大多数轨迹预测模型在同时捕捉车辆之间的空间相关性和时间依赖性上能力不足的问题,结合车辆轨迹的时空特点,本研究提出了一种基于长短期记忆网络、图卷积网络和Transformer编码器的改进建模策略。首先利用长短期记忆网络,对目标车辆和周围车辆在换道临界点前三秒内的状态信息分别进行轨迹编码,接着通过图卷积网络提取空间交互特征,然后通过Transformer编码器提取时间交互特征,最后将前三个模块处理后的特征向量合并后,输入至长短期记忆网络进行解码,得到目标车辆未来五秒的行驶路径预测输出。在NGSIM数据集和HighD数据集上进行实验,并与多种基准模型对比,结果表明:在2秒内的预测时域下,本文模型与PiP模型和DLM模型不差上下,但优于其他LSTM改进模型;在3~5秒内的预测时域下,本文模型优于各基准模型。本文还通过消融实验,证明了设计的时空特征提取模型对模型准确预测的有效贡献。