不同风格驾驶员眼动特性分析——夜间快速路分流区

为提高驾驶员在夜间快速路分流区换道的安全性,以不同风格的驾驶员为研究对象,分析不同风格驾驶员换道时眼动参数的变化规律。首先在前人研究基础上自编夜间快速路驾驶风格量表,对量表进行信度和Pearson相关系数法的效度检验;然后通过主成分分析法对问卷调查法得出的结果进行分析,得出驾驶风格综合得分量化模型,并使用K均值聚类分析法划分驾驶风格;最后基于眼动仪进行实车试验,获取三种风格驾驶员换道的眼动数据。试验结果表明:谨慎型、一般型、激进型驾驶员对于后视镜平均注视次数占比为48%、27%、25%;对左右两侧的平均累计注视时间占比是31%、25%、19%;平均瞳孔面积占比为56.3%、27.6%、16.1%。试验结果可以为提高驾驶员换道的行车安全性研究提供一定的数据支持。

考虑周车主观侵略性的智能车辆换道优化策略

智能车辆换道策略是智能驾驶技术的重要组成部分,在不同场景下的适应能力对于高品质自动驾驶尤为重要。在异质交通流中,智能车辆认知属性的不同会引起换道车辆换道意图及轨迹规划的差异。该策略利用车辆行驶空间、行驶效率参数建立车辆的决策代价函数,采用模糊理论从速度系数、空间系数、车道分布等角度实现对周围车辆主观侵略性的量化描述,在此基础上,通过智能驾驶员模型(IDM)预测周车对换道车辆换道意图的行为响应,并根据预测信息优化换道决策。在轨迹规划过程中,将车辆换道轨迹解耦为车辆换道路径及行驶速度,利用车辆主观侵略性及车辆行驶安全场评估车辆换道行驶风险,并将行驶安全场与二次规划相融合,从安全性、舒适性、参考线偏差等角度进行路径及速度优化。仿真结果表明,该优化策略通过换道决策可以有效提高道路通行效率,相较固定五次多项式与单独的安全场换道轨迹,可以有效降低换道过程中横向速度与横向加速度的幅值,改善换道过程中的行驶舒适性。

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。

循环多特征信息融合法:一种基于深度学习的车道线检测方法

车道线检测是辅助驾驶和自动驾驶的核心技术之一。为了进一步增强车道线特征的提取能力,提出了一种基于深度学习的循环多特征信息融合车道线识别算法。针对模型计算效率问题,该算法将车道线检测问题视为基于行选择单元格的分类问题;针对图像中车道信息聚合问题,提出了一种新的循环多特征信息聚合(recurrent multi-feature information aggregator,RMFA)方法,并将该方法与残差神经网络(residual neural network,ResNet)相结合提出融合上下文及多通道信息的车道线识别网络ResNet-RMFA。将该网络模型在Tusimple和CULane公开数据集上进行了性能测试,实验结果表明该模型单帧图像的推理时间可达4.8 ms,在Tusimple数据集上的精确度为96.07%,在CULane数据集上的F_(1)(IoU=0.5)评分为69.3%,达到了速度与精度的良好平衡。

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。

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。

Lane Keeping Algorithm for Off-The-Shelf Wide-Angle Camera

Automobile accidents cost over a trillion-do llar every year and this figure will continue increasing without employing new technological solutions.Among these solutions,the automated lane-keeping system is one of the promising ones and such a system consists of two essential technologies:road detection and steering control.In this paper,novel lane keeping algorithms are proposed and are implemented using only a single off-the-shelf wide-angle camera as input.The implemented system is verified,through both simulation and experiments,and is found providing satisfactory performance for an automated lane-keeping system.When compared to the state-of-the-art lane-keeping systems,the implemented system can perform consistently across various ambient light conditions including the most challenging ones.

基于毫米波雷达的无人驾驶电动汽车换道动态避障控制方法

无人驾驶电动汽车在换道行驶中,难以细致地衡量道路中障碍物的移动状态,从而导致规划后的避障路线不够准确,可能会发生交通事故;对此,提出基于毫米波雷达的无人驾驶电动汽车换道动态避障控制方法;利用电动汽车内置的传感器设备,检测无人驾驶电动汽车的行驶状态和道路环境,判断电动汽车是否满足换道条件;综合考虑电动汽车和动态障碍物的移动状态,对无人驾驶电动汽车换道行为进行决策;采用毫米波雷达技术,设计动态避障控制器,根据决策结果规划换道避障路线,生成控制指令,实现无人驾驶电动汽车换道动态避障控制;通过效果测试实验得出结论:毫米波雷达技术的测量误差能够控制在0.1以内,位置控制误差和碰撞风险明显降低,具有更优的控制效果。

融合坐标注意力机制的车道线检测算法研究

车道线检测是智能驾驶中的一项关键技术,快速准确地检测出车道线位置对提升驾驶车辆的安全具有重要的意义。因此,提出改进的行方向位置分类车道线检测方法,在特征提取主干网络中融合了坐标注意力机制,增强特征图中的有效位置的权重,其次引入ELAN模块、MP下采样模块,提升模型特征提取的能力;在推理的时候利用结构重参数化的思想,将卷积和BN层融合,加快推理速度。为了验证改进模型的性能,将改进的模型在TuSimple和CULane两大经典车道线数据集上进行实验验证,检测的精度与原模型相比分别提升了0.09%和2.5%,验证了模型改进的有效性。

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.

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。

多车环境下智能货车的紧急转向决策及轨迹规划

决策与规划是实现自动驾驶的关键技术,针对自动驾驶货车在紧急转向避障时需要考虑换道时目标车道的安全性和规划出最优避障轨迹的问题,采用将换道时左右车道上的车辆与自车的相对距离和换道的最小安全距离的差值分别建立模糊关系的方法,通过比较模糊规则推理设计的安全值,选择更安全的车道进行转向避障,为了迅速规划出最优避障轨迹,采用三阶贝塞尔曲线,通过设计4个控制点坐标形成避障曲线,为了防止转向时横向加速度过大导致货车发生侧翻和速度过快与前车发生碰撞,设计车辆的稳定性边界和碰撞边界对控制点进行约束,使用MATLAB中的函数求解出不同车速下的最优换道轨迹,最后使用仿真软件进行仿真验证,结果表明设计出的避障决策和轨迹规划可以安全、有效地避开障碍。

改进多头注意力机制的车道检测方法

针对基于卷积神经网络(convolution neural network,CNN)的车道线检测方法存在的网络处理效率低和对车道线细长结构的建模能力不佳的问题,提出一种基于改进多头注意力机制(multi-head self-attention,MHSA)的轻量级车道检测方法。引入MHSA,融合Fuse MBConv、MBConv模块与特征压缩模块,降低模型的参数,同时利用上下文信息嵌入模块,建立兼顾检测精度和推理速度的全局注意力网络;利用Transformer的编码和解码器以及前向反馈网络将车道线参数化,结合匈牙利拟合损失函数提高所提出方法对车道线细长结构的建模能力。在TuSimple数据集对所提出的方法进行验证,结果表明,所提出的方法识别精度达到96.3%,推理速度达到95帧/s,同时在Apollo无人驾驶平台上的运行速度达到60帧/s,能够满足实时检测的要求。

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。

汽车横向摆动前馈调节LQR控制设计及仿真分析

对自动驾驶的横向位置参数与速度进行有效控制,需要通过设置智能控制技术来实现。为了提高汽车无人驾驶时横向摆动控制精度,设计了一种能够自主调节的前馈调节线性最优控制LQR控制器。利用非预瞄控制模式建立了对路径误差跟踪模型,建立了包含了路径跟踪偏差和车-路参数的自适应矩阵,并开展仿真测试分析。双移线测试表明,采用前馈LQR优化控制器进行处理时得到的距离偏差不超过0.3m,获得了0.1rad以内的航向偏差。LQR控制器中加入前馈控制程序后应对控制参数进行适当调节便可以达到目的。连续换道测试表明,在LQR控制器中加入前馈控制后达到更小偏差,路径跟踪精度获得了明显提升,表现出更优控制效果。该研究对提高无人驾驶汽车运行稳定性具有很好的理论支撑价值,易于推广应用。

网联车借道公交专用道的路权优化及动态控制策略

为研究网联车辆借道城市公交专用道中所存在的车道利用率低和高交通需求下效果差等问题,本文提出一种新型借道公交专用道的动态控制逻辑与方法,不仅确保了公交优先,且可动态实时识别公交专用道中的剩余资源,并提升其时空资源利用效率。首先,定义公交专用道剩余时空资源识别方法,并基于车辆运动学特性和车辆驾驶类型,设计包含右转车辆的车辆行程时间计算方法;其次,根据预设的借道规则识别可借道车辆备选集,并构建路权分配优化模型,允许部分获得路权的网联人工车辆/自动车辆使用公交专用道,使公交专用道中的剩余时空资源得到有效利用;最后,以济南市某道路为例,利用SUMO(Simulation of Urban Mobility)软件进行仿真实验予以验证。结果表明,在交通需求、公交到达间隔和右转车辆比例等参数与实际道路完全一致的仿真实验中,相比于实际道路的传统公交专用道使用方法,以及既有文献中提出的“公交专用道间歇动态优先”方法,本文所提出的方法在优化目标上均有明显的改进。相比实际和文献中的控制方法,非右转车辆延误分别降低了30%与16%,右转车辆延误分别降低了24%与26%,且能确保公交优先通行。同时,参数敏感性分析显示,在不同交通需求、右转车辆比例、网联渗透率及公交到达间隔下,本文方法展现出更优的适用性。

基于LSTM-多头混合注意力的可解释换道意图预测

为了使自动驾驶汽车准确地预测其周围车辆的换道意图,提出了一种基于长短期记忆神经网络(LSTM)-多头混合注意力的可解释换道意图预测模型。该模型可以充分提取目标车辆与其周围车辆之间的时空交互关系,并且提出了一种基于最大熵的Shapley加性解释方法(SHAP)来解释各个特征在特定时间步对模型输出的影响程度,在HighD数据集上进行了实验。并通过SHAP值的可视化,直观解释了换道预测模型在特定时刻的目标车辆的换道行为。结果表明:该换道预测模型在换道前3 s的综合准确率,分别比LSTM、卷积神经网络(CNN)、多头注意力高出4.03%、9.51%、5.16%,这证明了模型在长时域预测的有效性;错误预测样本归因于模型缺陷或样本稀疏。该换道预测模型可为用户进行模型优化提供指导。

自动驾驶车辆换道意图识别研究现状

近年来基于数据驱动的自动驾驶车辆换道意图识别研究取得了显著进展,学者们发布了大量的研究成果.针对该领域面临的一些共性的技术挑战,如换道过程的认定、换道标签的缺失以及数据类别不均衡等问题,从不同的数据驱动方法进行分类,主要包括基于传统机器学习、基于深度学习和基于集成学习的换道意图识别方法,对近年来这些方法的研究成果进行了回顾和总结.关于换道行为的认定,存在两种主流方案,即车辆穿越车道线和未穿越车道线.对于未穿越车道线的车辆,主要应用于驾驶者换道意图的早期识别方法;而当车辆穿越过车道线时,则通常被用于完整的换道过程的识别.在换道意图标注的研究中,研究者们针对固定时间窗口和航向角阈值对标注精度的影响进行了深入探讨.为了找到最优参数,如最佳的固定时间窗口和航向角阈值,研究者们采用了网格搜索进行寻优.虽然这种方法在固定的驾驶场景中表现良好,但在不同的驾驶场景中,如何实现参数的自适应调节仍然是一个挑战.针对换道数据类别不均衡的问题,研究者采用两种策略:一是调整数据采样方法,利用欠采样和过采样技术平衡各类别样本数量;二是采用对不均衡数据适应性强的分类模型,如集成学习算法或代价敏感学习,以维持较好的分类性能.

基于改进Hough变换的车道线自动识别算法

针对复杂路况环境中路面图像杂乱或因光照不均导致的车道线不易检测等问题,提出一种基于改进Hough变换的车道线检测算法。首先对采集到的原始图像预处理,利用Canny算子对图像进行边缘增强及区域提取;其次为进一步提高算法的检测时间及准确性,提出利用滑动窗口实现阈值的自适应选取;最后结合渐进概率提出了复杂路况下的车道线检测算法。仿真实验选取KITTI数据集,结果表明,所提算法能够准确提取路面车道线,克服了复杂背景、光照不均带来的影响,与同类算法相比,文中所提的渐进概率Hough变换算法检测时间短、准确率高,具有一定的实用性和优越性。