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。

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。

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。

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。

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。

ADAS碰撞和车道偏离检测系统设计与实现

为满足交通运输领域对高级驾驶辅助系统(Advanced Driving Assistance System,ADAS)前车碰撞和车道偏离预警性能的检测和质量评价,解决手动测试中不准确、效率低的问题,设计一种能应用于实车测试的高精度动态检测系统。综合运用高精度定位技术和组合导航技术提高系统的测量精度和可靠性,使用自动化检测软件实现人机交互、测量数据分析及运动轨迹直观显示。实验结果表明,系统工作状态稳定,测量精度高,可准确评价ADAS系统碰撞和车道偏离预警性能。

基于混合专家模型的智能网联汽车换道决策方法

高速公路换道决策问题场景复杂、不确定性强、实时性要求高,是国内外自动驾驶领域的研究热点和难点。深度强化学习(deep reinforcement learning,DRL)具有良好的决策实时性和面向复杂场景的适应性,然而,在训练样本与成本有限的条件下学习效果有限,其难以保证最优的驾驶效率和完全的行驶安全性。本文提出了一种基于改进DRL的混合专家模型(DRL-mixture of expert,DRL-MOE)换道决策方法。首先,模型的上层分类器根据输入状态特征动态地决定下层DRL专家或启发式专家的激活状态。为提高DRL专家的学习效果,本方法通过行为克隆(behavior cloning,BC)对神经网络参数进行初始化,对传统深度确定性策略梯度算法(deep deterministic policy gradient,DDPG)进行了改进。将智能驾驶员模型和最小化换道引起的总制动策略设计为启发式专家,以确保行驶安全性。仿真结果表明,本文所提出的DRL-MOE模型方法与非混合专家型DRL方法相比,在驾驶效率方面提高了15.04%,并确保了零碰撞和零出界,具有较高的鲁棒性和更优的效果。

神东矿区煤矿掘进工艺及装备智能化技术研究

为了实现神东煤炭集团煤矿巷道掘进由人控到数控、由自动到智能的全面提速,分析了神东矿区煤矿单巷掘进、双巷掘进、大断面切眼贯通的工艺及设备配套技术现状,研究了智能化掘锚一体机、智能化连续采煤机、智能掘锚一体机惯性导航技术、成套智能化掘进技术、近端AI识别和远程云控制技术等掘进设备智能化技术,同时研究了预埋孔钻进机器人、智能化管路抓举设备、智能化防爆柴油开槽机、电缆自动收放车辆、智能清仓机器人等掘进辅助作业设备及技术。在此基础上给出神东煤炭集团煤矿掘进智能化发展建议,即:加快推广掘锚一体化生产工艺、发展5G无线网络技术、完善透明地质保障系统等,从根源上解决智能设备自主可控、智能互联、安全可信等关键问题。

基于VISSIM的高速公路虚拟应急车道建模研究

为了解决高速公路建设规模和数量的提升导致的交通安全问题,对虚拟应急车道的工作原理进行研究,建立基于虚拟应急车道的高速公路行车规则模型,在事故紧急救援不同时间段构建车道数不同的虚拟应急车道控制策略模型。仿真实验结果表明,该模型可以缩短高速公路事故路段上车辆的平均行程时间,减少平均排队长度和平均延误,提高了事故救援效率,为高速公路救援体系建设提供思路和方向。

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。

考虑驾驶风格的高速行驶工况自动换道决策规划研究

为了解决高速行驶工况下自动驾驶车辆决策模型的车间互动性不足、规划控制匹配性差等问题,构建了基于斯塔克尔伯格(Stackelberg)博弈的闭环换道决策模型,将障碍车响应纳入自车换道决策中,同时引入驾驶风格特征优化多目标决策成本函数,并使用粒子群优化(PSO)算法求解博弈决策模型,采用考虑质心侧偏角影响下的运动学模型预测车辆状态,设计了基于动态风险势场法的非线性模型预测规划控制器。仿真结果表明,所提出的闭环换道决策模型可有效结合车间互动行为与驾驶风格特征输出正确的决策指令并完成相应的运动规划和控制。

基于特征提取与边缘点投票的实时车道线识别

针对低算力车载计算平台的车道线检测需求,提出了一种低算力依赖的实时车道线识别方法。考虑车辆行驶过程中的光照变化,提出一种自适应光照的颜色分离方法实现车道特征提取;基于经典的边缘检测与霍夫变换算法,定义有效边缘点形式,通过边缘点投票确定车道直线;利用车道直线对边缘点进行筛选与补充,应用随机抽样一致性算法获取车道曲线方程。试验验证结果表明,所提出方法在低算力处理器上的识别精度高于98%,计算速度为38帧/s,并在多种应用场景下具备稳定性与鲁棒性。

强化学习在自动驾驶换道研究中的应用

在车辆行驶的过程中,车辆的硬件设备有保障的前提下,错误的行为决策是交通事故发生的主要诱因。强化学习能够和环境不断进行交互调整,具有很好的泛化能力,适合复杂的换道决策场景。首先对自动驾驶系统和换道决策进行了简要介绍;其次,介绍了强化学习的原理和其具代表性算法,并总结了强化学习在换道决策系统中的应用;最后,根据存在的问题,对强化学习在自动驾驶换道决策中的应用进行了展望。

考虑换道博弈的驾驶风格在线识别方法

驾驶风格是驾驶行为的外在表达,激进风格的驾驶员容易进行更为频繁的危险驾驶操作,加剧车辆之间的交互作用,影响换道安全。在换道动作执行前识别驾驶员的驾驶风格,可以通过个性化预警信息有效约束驾驶员行为。文中提出了一种网联环境下考虑换道博弈的驾驶风格在线识别方法SHAP-XGBoost,以期在换道意图期间完成驾驶风格的识别。首先,将换道意图期间换道车辆及其周围车辆的个体行为和博弈行为的波动程度作为输入特征变量,通过相关性分析、主成分分析以及4种不同聚类方法对驾驶风格进行标记;然后,利用提出的SHAP-XGBoost模型选择关键特征,以训练驾驶风格识别模型,并通过滑动窗口完成在线识别;最后,采用HighD数据进行实验。结果表明:与基于质心距离、连通性、密度分布的聚类方法相比,基于图论原理的谱聚类可以更好地根据输入特征变量的形态标记驾驶风格;利用SHAP-XGBoost模型及14个关键特征进行驾驶风格识别,可以在不损失准确率的同时提高在线识别效率,驾驶风格识别准确率高达99%;同时将个体特征和博弈特征作为模型的输入时,可以提升驾驶风格标记和识别的准确率。此研究成果可为个性化换道决策和预警提供支持。