自动驾驶汽车换道决策行为分析及分子相互作用势建模

伴随智能网联环境的技术赋能,自动驾驶技术迎来新的发展阶段。为提高自动驾驶汽车的换道安全性与高效性,而对其换道决策机制进行研究。首先,通过系统相似性分析车辆与分子的相似性;其次,引入分子相互作用势建立换道模型,系统分析自动驾驶汽车的换道决策行为特性,有效认知换道车辆的交通场景;最后,运用SUMO平台将SL2015换道模型与分子相互作用势换道模型进行对比分析。结果表明,分子相互作用势换道模型下自动驾驶汽车运行速度的波动程度降低了15.45%,车辆通过数增加了5.93%,提升了换道的安全性与高效性。自动驾驶汽车换道决策行为的分子相互作用势建模综合考虑了交通环境中动态要素的相互作用关系,科学地展现了换道决策机制。

自动驾驶车辆换道决策行为分析及分子动力学建模

针对自动驾驶车辆的换道决策行为,首先基于分子动力学理论研究了车辆的微观换道行为,在对换道意图进行客观性量化的基础上,进一步引入车辆间的相互作用势建立了换道决策行为的分子动力学模型。然后,系统分析了车辆换道初始时刻与换道完成时刻的关系以及车辆换道的动态影响因素,探究了微观车辆的换道行为对宏观车流的影响。最后,使用SUMO软件将SL2015换道模型与分子动力学换道模型进行仿真对比分析。结果表明,分子动力学换道模型具有较好的安全性、稳定性和实用性;本文自动驾驶车辆换道决策行为的分子动力学建模综合考虑了交通场景中的动态影响因素,能够更客观、合理地展现自动驾驶车辆的换道行为特性。

基于驾驶人不满度的高速公路自动驾驶换道决策

为了实现高速公路的自由换道行为决策,并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求,提出了一种基于驾驶人不满度的换道行为决策方法。首先,根据驾驶人的速度期望建立了驾驶人不满度累积模型,并基于驾驶人速度不满累积度产生换道意图。其次,依据不同车道障碍车的运动状态,设计了2种目标车道选择策略,通过预测引擎对各个待选车道进行预测和评估,选取其中行车效率较高的车道作为目标车道,同时建立换道最小安全距离模型,用以在换道全过程中判断换道的可行性。然后,将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块,用于运动规划模块目标的选取,以引导车辆横纵向运动。最后,在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景,验证换道行为决策算法。试验结果表明:换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图,进而根据所设计的换道策略选取具有更高行车效率的目标车道,并在换道过程中持续判断换道的可行性,以应对障碍车辆突然加减速等突发状况,保证换道过程的高效性和安全性;换道行为决策算法通过目标车道的转换,引导运动规划模块调整车辆的运动,实现跟车、换道等行为。

基于规则与机器学习融合的换道决策建模方法研究

自主换道系统是智能车辆技术的重要发展方向,而换道决策是自主换道系统的关键。针对结构化道路下的自由换道场景,提出基于规则与机器学习融合的换道决策模型。针对换道决策过程中存在的多参数与非线性问题,提出基于支持向量机的换道决策模型,并引入贝叶斯优化算法确定决策模型的最优参数。从基于规则的角度出发,分析换道决策过程中的影响因素,包括换道必要性、安全性与换道收益,并将上述规则转化为模型训练数据的新特征与安全约束,对原有训练样本进行增广,以提升支持向量机模型的分类准确率。在NGSIM数据集上进行测试验证,结果表明,仅利用周围车辆基本行驶信息进行模型训练,对换道行为预测的准确率为73.05%,而引入基于换道规则计算得到的新特征后,模型预测准确率提升至83.83%。