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。

变道切入场景下ADAS系统测试与评价研究

为了满足变道切入场景下的ADAS系统测试评价需求,提出一种考虑场景风险系数的变道切入场景生成方法和客观综合评价模型。通过采集自然驾驶数据,采用阈值法自动提取变道切入功能场景并深入分析变道切入行为特征。使用单因素方差分析法与皮尔逊相关性检验法共同分析场景风险系数与场景要素的相关性来确定关键场景要素。结合Kmeans算法对离散逻辑场景参数进行聚类,从而得到5个典型测试场景。基于场景风险系数,采用AHP与CRITIC法构建多层次综合评价模型,采用灰色关联理论对ADAS系统进行客观评价。借助VTD仿真软件构建变道切入虚拟测试场景库,进行仿真试验验证。结果表明,相关性分析使场景要素维度降低了60%,生成的测试场景可以有效验证ADAS系统的综合性能,综合评价模型可对ADAS系统表现进行客观有效的评价,为智能驾驶系统开发提供有效参考。

基于自然驾驶数据的变道切入行为分析

基于上海自然驾驶数据,建立变道切入行为自动化提取标准,得到4 734个行为片段.从变道切入准备、实施过程以及对后随车的影响等方面解析变道切入行为特征.结果表明,规避原车道前方慢车是车辆采取变道切入行为最主要的原因;中国驾驶员的变道切入持续时间与转向灯使用比例均小于美国,表现出较为激进的驾驶风格;近15%的后随车驾驶员在前车变道切入时速度增幅超过10%,表现出明显的不礼让或不容忍.相比于高速公路和快速路,地面道路的变道切入行为对后随车的影响更大,危险程度也更高.

基于博弈论的城市道路变道切入行为模型

为解决城市道路变道切入行为带来的交通安全和道路拥堵问题,研究了变道切入行为在城市道路中的决策模型。在考虑安全收益、速度收益和变道收益的基础上,量化博弈双方的收益,并结合驾驶人变道意图给出变道切入行为中变道车和目标车道后车的收益函数,构建非合作博弈模型并求纳什均衡解;对模型中的收益参数进行标定,使用NGSIM数据进行模型校对。研究结果表明:模型对于城市道路变道车和邻后车的决策行为具有良好的拟合度,强制性变道切入行为中变道车和邻后车决策行为变量的RMSE分别为0.1385和0.4361,自由性变道切入行为中RMSE分别为0.2278和0.1748;在博弈行为中,安全收益比换道收益对变道车驾驶人的决策影响更大,其中自由性变道切入行为中更加明显;而速度收益始终比安全收益对邻后车驾驶人的决策影响更大,收益权重为0.9和0.1。