面向自动驾驶道路场景中异常案例的多模态数据挖掘算法

基于深度学习的视觉感知技术的发展有利于自动驾驶系统中环境感知技术的进步。然而,对于自动驾驶场景中的异常案例,目前的感知模型还存在一些问题。这是因为基于深度学习的感知模型的能力取决于训练数据集的分布。尤其是驾驶场景中的类别从未出现在训练集中,感知系统也往往很脆弱。因此识别未知类别和极端场景仍然是自动驾驶感知技术安全性的挑战。本文从处理数据集的角度出发,提出了一种新颖的多模态异常案例自动挖掘流程(corner case mining pipeline, CCMP)。为验证CCMP的有效性,在Waymo开放数据集的基础上构建了异常案例子集“Waymo-Anomaly”,该子集共有3 200个图像,每个图像都将包含文本中定义的异常案例场景。并且基于私有数据集Waymo-Anomaly,证明了CCMP针对异常案例场景挖掘的召回率可以达到91.7%。此外,还通过实验验证了目标检测器在包含异常案例的数据集中针对长尾分布的有效性。最终,希望从处理数据集的角度来提高自动驾驶感知模型在现实世界中的真实性。

自动驾驶汽车行驶风险评估方法综述

行驶风险评估对自动驾驶系统的安全运行至关重要。将现有行驶风险评估方法分为3类,包括面向单一目标物的、基于可达集的和基于势场论的评估方法。提出5个评价维度,包括计算实时性、结果时效性、应用可行性、内容充分性和场景泛用性,对评估方法进行了全面比较,揭示其特点和适用情况。对自动驾驶行驶风险评估面临的问题以及未来发展趋势进行了分析和展望。

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。

智能汽车轨迹跟踪多目标显式模型预测控制

针对现有智能汽车轨迹跟踪控制算法难以同时保证跟踪精确性、横向稳定性、舒适性以及控制实时性的问题,提出了一种基于多目标优化和显式模型预测控制理论的轨迹跟踪控制策略(MO-EMPC)。首先,建立考虑跟踪精确性、横向稳定性、舒适性的多目标函数及约束。然后,针对传统MPC控制实时性低的问题,设计基于EMPC的多目标优化轨迹跟踪控制器,通过引入多参数二次规划(MPQP)理论,将反复在线优化求解过程转化为等价的分段仿射系统(PPWA),离线计算得到最优显式控制律以供实时控制调用,减少在线运算时间。最后,基于CarSim/Simlink联合仿真方法,将所设计控制器的轨迹跟踪多目标优化效果与MPC控制效果进行对比验证。研究结果表明,所提出的轨迹跟踪策略在保证良好的跟踪精度前提下,横向稳定性、舒适性方面的表现更优于MPC控制器,且算法在线运行速度提高56.63%。

基于情境引擎的车载导航交互设计研究

针对车载导航模式单一、无法根据情境差异动态改变交互策略导致用户体验不足的问题,本文提出了一种支持根据不同情境自适应车载导航交互策略的情境引擎模型。结合以用户为中心的设计流程(UCD)与情境感知理论,定义了汽车人机交互情境,并通过对典型驾驶用户进行跟车调研,提取关键情境要素,阐述了导航情境下情境引擎模型的自适应交互策略及原理,将用户对不同信息的需求程度映射至交互表现层的详细程度。进行了贴合驾驶员不同需求层级的导航HMI信息框架梳理与组件设计,对两个典型导航使用情境进行了交互界面设计与分析。结果表明,情境引擎能对各驾驶情境下的驾驶员需求进行自适应交互,可为智能座舱驾驶交互体验的优化与研发提供借鉴。

基于TsGAN的自动驾驶汽车高速公路变道切入测试场景自动生成算法

前方相邻车道车辆变道切入自动驾驶车辆所在车道是典型的高速公路自动驾驶高风险场景,在实际高速公路上进行该类场景的复现测试存在非常高的安全风险,虚拟仿真测试是解决该问题的最佳途径之一。为自动生成批量化的高保真高速公路变道切入测试场景,该文提出了一种基于时间序列生成对抗网络(TsGAN)的自动驾驶汽车高速公路变道切入测试场景自动生成算法。该算法以变道切入时刻两车的车头时距和侧向时距为场景危险程度评价指标,从高速公路真实轨迹数据集highD中提取4类不同危险程度的2853个变道切入场景实例,基于TsGAN构建变道切入测试场景生成模型,并利用所提取的真实轨迹数据训练模型;其后,采用所构建的模型生成前车变道轨迹和测试车变道切入时刻前的运行轨迹,通过比较所生成的变道轨迹与真实轨迹之间的分布相似性、频谱误差,验证所生成的轨迹的真实性。该文还分析了所生成的场景中变道切入时刻两车的运动关系及轨迹参数分布,检验了自动生成的场景在自然场景中的覆盖度。结果显示:从轨迹关键参数的分布来看,TsGAN模型生成的变道轨迹与真实轨迹的平均相似度达79.7%,平均频谱误差小于8%,落在最相似真实轨迹缓冲区的轨迹超过83.2%,表明所生成的轨迹具有高真实性;与所采集的真实场景相比,所生成的场景实例覆盖范围更大,在参数区间内分布更均匀,变道切入时刻前方变道车辆与测试车的车头时距和侧向时距分别降低了17.83%和16.37%(平均值),车辆轨迹参数分布区间平均增长了19.44%,表明所生成的场景在自然场景中具有较高的覆盖度;所提出的基于TsGAN的场景生成模型可模拟4种不同危险程度的变道切入测试场景,具有较强的针对性。

自动驾驶汽车避撞极限研究

精确计算不同避撞控制策略的极限避撞距离是自动驾驶汽车避撞决策与控制的基础。为厘清差动制动控制对避撞距离的影响,探究转向和差动制动集成控制的极限避撞能力,提高极限避撞距离的计算精度,本研究基于非线性车辆集成动力学和最优控制理论提出一种自动驾驶汽车极限避撞距离计算方法。首先,建立了非线性7自由度车辆动力学模型和复合滑移工况的Pacejka轮胎模型。进一步地,基于上述模型构建了极限避撞距离求解问题,并将其转化为最优控制问题。然后,设计了高斯伪谱法将最优控制问题转化为非线性规划问题并求解。最后,分析了转向控制、制动控制、转向和制动集成控制、转向和差动制动集成控制的极限避撞距离,并与基于质点模型计算和CarSim测试的结果进行了对比。结果表明:转向和差动制动集成控制能够进一步减少自动驾驶汽车的避撞距离,显著提高其避撞能力;本研究所提方法能够显著提高极限避撞距离的计算精度和避撞决策结果的可靠性。

自动泊车前轮转角闭环的分层控制方案

为提高自动泊车系统中控制器的抗扰动能力,优化控制律执行效果,提出了前轮转角闭环的分层控制方案.设计了以行驶距离为非时间参考量的fal函数非光滑控制律,输出前轮转角控制量.以阿克曼转向模型为基础,建立了前轮转角观测器,并使用模糊滑模控制器实现前轮转角闭环的横向控制.搭建Carsim/Simulink联合仿真系统,在典型泊车场景下验证所设计控制器的有效性、跟踪效果及鲁棒性.使用实车测试平台开展了试验.结果表明:所设计的前轮转角闭环分层控制方案能够快速准确地跟踪目标路径,提高了泊车系统的横向控制精度,并在未知转向非线性扰动下也具有良好的跟踪控制效果.

基于IDP的重型商用车自适应距离域预见性巡航控制策略

为降低重型商用车燃油消耗、减少运输成本,本文协调“人-车-路”交互体系,将车辆与智能网联环境下的多维度信息进行融合,提出了一种基于迭代动态规划(iterative dynamic programming,IDP)的自适应距离域预见性巡航控制策略(adaptive range predictive cruise control strategy,ARPCC)。首先结合车辆状态与前方环境多维度信息,基于车辆纵向动力学建立自适应距离域模型对路网重构,简化网格数量并利用IDP求取全局最优速度序列。其次,在全局最优速度序列的基础上,求取自适应距离域内的分段最优速度序列,实现车辆控制状态的快速求解。最后,利用Matlab/Simulink进行验证。结果表明,通过多次迭代缩小网格,该算法有效提高了计算效率和车辆燃油经济性。

面向车载时间敏感网络的流量调度策略及改进算法研究

本文面向汽车电子电气架构中的时间敏感网络(TSN)流量调度问题开展研究。针对实际应用需求,提出一种车载TSN网络拓扑建立方法。针对网络中多类型信息流调度问题,提出一种基于时间感知整形器(TAS)机制的流量调度策略并建立相应的数学模型,在降低网络总延时的同时,兼顾高优先级信息流的时间敏感性和低优先级信息流的数据完整性。为解决模型中信息流转发过程复杂导致求解效率不稳定和流量调度方案众多导致寻优困难的问题,提出一种改进的遗传算法(IGA),从设置自适应交叉概率公式、引入禁忌搜索变异、多种群联合3个方面进行了优化。实验结果表明,本文所提出的算法在端到端延时优化方面提升了43.47%,在生成方案稳定性方面提升了76.96%,该算法可得到低延时、高可靠的车载TSN流量调度方案。本文的研究成果为智能网联汽车领域的研究和车载网络通信算法的优化提供了思路。

基于全局导向的智能车辆路径规划融合算法研究

针对曲线道路的路径规划问题,本文提出一种基于全局导向人工势场法的路径规划融合算法。考虑持续转弯的弯曲道路工况,构建基于变形栅格的栅格地图;考虑道路环境中的行车风险,基于行车风险场理论优化A^(*)算法启发函数从而改进A^(*)算法。改进传统人工势场法的局限性及固有缺陷,在局部路径规划中考虑自车、环境车辆及障碍物的轮廓形状,引入全局导向路径进一步改进人工势场法。以改进A^(*)算法规划路径为全局最优导向路径,设计基于改进人工势场法的路径规划融合算法。仿真结果表明,提出的融合算法可以生成有效的行驶路径,与数据集提取的实车路径接近,且在障碍物环境中规划的路径安全高效,满足车辆的行驶要求。

考虑道路可用宽度的自适应避撞控制

针对紧急避撞中车辆避开障碍物后回归直线行驶时容易出现过多转向性失控问题,提出一种利用道路空间换取车辆稳定性的解决方案——考虑道路可用宽度的自适应避撞控制方法。首先搭建7自由度车辆模型,基于最优控制和MPC理论设计避撞控制器,并通过大量仿真再现过多转向失控工况,进而对失控工况的车辆输入与车辆状态进行剖析,明晰车辆失控机理。接着基于失控机理设计考虑道路可用宽度的自适应避撞控制系统,其中包括基于深度神经网络的参数自适应控制,基于启动车速的介入准则以及基于Lyapunov保守稳定域的切出时机。仿真实验证明,所提出的自适应避撞控制策略可以充分利用当前道路可用宽度,在避撞后回归直线行驶时提高车辆稳定性,从而达到避免事故发生的效果,弥补了传统定参数控制器无法适应复杂多变工况的缺陷。最后,基于dSPACE硬件在环实验,验证了所提出控制策略的实时性能够满足紧急工况避撞要求。

考虑多维非线性扰动的电子助力制动系统自适应压力控制

针对电子助力制动系统(EBBS)面临的机-电-液多维非线性扰动问题,提出了一种自适应压力控制策略。外层液压控制器引入自适应径向基函数神经网络和鲁棒滑模理论克服液压时变不确定性,中间层位置控制器采用Karnopp摩擦前馈补偿和滑模控制应对传动机构非线性摩擦阻碍,内层电流控制器通过李雅普诺夫理论解决电机电磁特性耦合问题。仿真和硬件在环试验结果表明,设计的压力控制策略能够在多种工况中将EBBS主动制动稳态压力跟随误差维持在0.15MPa之内。

自动驾驶拟人连续交互测试场景生成方法

基于场景的仿真测试方法是自动驾驶汽车安全性验证的重要手段,然而当前测试场景生成方法多输出独立场景片段,如何模拟真实人类驾驶过程生成具有一定挑战的连续交互测试场景已成为自动驾驶测试评价亟须攻克的难题。本文提出了一种自动驾驶拟人连续交互测试场景生成方法。首先建立自动驾驶拟人连续交互测试场景生成架构,并基于HighD数据集进行车辆运动行为分析;在此基础上,基于轨迹相似性特征分析被测自动驾驶汽车当前行为,并通过状态转移矩阵预测其未来轨迹;基于轨迹交互规则确定测试场景中交通车未来行为类型,通过Transform网络架构生成交通车拟人连续交互轨迹;最后,在仿真环境中对生成测试场景的危险性、拟人性等关键性能进行评估,证明了本文方法的有效性。

智能车变道决策规划系统的预期功能安全研究

随着智能驾驶汽车快速发展,预期功能安全(safety of the intended functionality,SOTIF)愈发凸显其重要性。自动变道控制系统作为自动驾驶系统的重要组成部分,在决策规划层面存在SOTIF不足的风险。基于ISO21448和系统过程理论(system-theoretic process analysis,STPA),对车辆变道决策规划系统的预期功能安全进行分析,找到潜在的危害触发事件并得到相应的安全目标。针对安全目标进行算法改进,综合考虑车型、车速、路面状况等行驶因素,利用高斯过程回归和模糊综合评价的方法得出目标车辆加速度用以评估当前变道安全性。结合最小变道时间及变道终点确定最优变道轨迹,并在变道过程中实时更新周围车辆行驶状态,利用提出的安全系数判断本车当前的安全状态并采取不同的变道措施,以保证车辆安全变道或在紧急情况无法完成变道时可以安全返回。建立验证场景,对不同场景下功能改进前后系统的风险进行对比。结果表明:功能改进后系统的风险显著降低,变道过程中的安全水平明显提高。

信息采集智能车系统设计与实现

在现代社会生活中,信息采集智能车在环境监测、生态研究、地质勘探等诸多领域发挥着重要作用。该文基于ESP32微处理器设计和开发具有自动避障和语音控制功能的信息采集智能车系统,通过在智能车系统搭载多传感器信息采集模块,实现不同位置环境信息的实时采集、传输与显示。经过实际测试,验证系统功能完善,易于使用与扩展。

感知系统触发条件穿透率评估方法研究

预期功能安全问题制约着自动驾驶汽车的落地。自动驾驶感知系统面临的各种极端行驶环境等极易引起预期功能安全问题。因此,须按照现有预期功能安全标准,在安全分析阶段识别并评估种类多且数量大的触发条件,筛选高价值触发条件为后续测试验证提供测试场景输入。本文中首先基于对触发条件在自动驾驶系统中的风险演化过程的分析,提出一套包括暴露率、穿透率和危害率的三维感知系统触发条件评估体系。随后,基于层次分析法构建了触发条件穿透率量化评估方法。最后,针对某量产车型的融合感知系统分析并选取15个触发条件,构建测试用例并开展封闭场地测试,评估上述触发条件的穿透率。最终经计算筛选得到3个高风险触发条件,验证了触发条件穿透率量化评估方法的可行性。

基于风险场的不同认知次任务下接管风险评估模型

为有效评估不同认知次任务下L3级自动驾驶车辆接管时的风险,开展了驾驶接管风险评估模型研究。设计了城市快速路紧急接管场景并开展不同认知次任务下的驾驶模拟试验。考虑轨迹场、势能场和行为场因素,构建了接管风险评估模型。采用接管风险指数法,验证了所建模型的有效性。结合实测数据,量化不同认知次任务和回避操作类型对接管风险场场强的影响。结果表明:被试者进行接管操作后1~9 s内模型接管风险指数分布情况的M-W检验和K-S检验结果均为p<0.05,说明模型可以有效评估车辆在接管过程中的接管风险。此外,模型接管风险指数的均方根误差均值(0.062)小于碰撞时间倒数的均方根误差均值(0.098),说明模型在表征风险的准确性方面要优于碰撞时间倒数。研究结果可为接管过程中的车辆运行风险评估和避撞设计提供借鉴和参考。

场景复杂度评估在轨迹预测和驾驶决策中的应用

场景复杂度的评估对于提升自动驾驶车辆应对多变环境的能力以及增强算法的适用性至关重要。本文中设计了基于图模型的复杂度评估算法,充分考虑场景中的交互拓扑,将场景划分为3类不同复杂度。在匝道汇流场景下,验证了该算法的合理性与有效性。为说明复杂度评估算法的拓展性,将其应用于自动驾驶的轨迹预测与决策算法开发中。通过结合自然驾驶数据集和实车在环试验,对提出算法进行测试,结果表明:场景复杂度评估可预先估计预测的不确定性,显著提升自动驾驶决策算法的实时性与最优性。在数据回放测试中,复杂度评估模块可帮助降低并道失败率、并道剐蹭率分别为38%、92%,具有潜在的应用前景。

基于多模态轨迹预测的智能车轨迹规划研究

混合交通流下由于驾驶员意图的不确定性行驶轨迹将呈现多模态属性,为了提高安全性并实现个性化驾驶,本文提出一种基于环境车辆多模态轨迹预测的智能车轨迹规划算法。首先,结合图卷积神经网络(GCN)和长短期记忆网络(LSTM)并加入注意力机制建立轨迹预测模型,预测不同行驶意图下的未来轨迹概率分布。然后,针对环境车辆的多意图概率下预测轨迹集合,根据自动驾驶风格偏好,设定一定的概率阈值挑选出确信轨迹,将其投影到规划路径上生成S-T图,并通过动态规划和二次规划进行基于碰撞风险规避的速度规划。最后,基于模型预测控制(MPC)对本文模型在典型换道场景和NGSIM真实道路场景下进行仿真测试并与现有模型进行对比验证。结果表明:本文提出的模型在安全性、舒适性和行车效率等方面均优于对比模型,能够在准确预测环境车辆未来轨迹的前提下实现最优轨迹规划,保证自动驾驶汽车安全、高效的行驶。