计及安全性与舒适性的智能车辆换道轨迹规划研究

针对当前智能车辆在换道过程中的安全性以及乘员舒适性问题,本文提出一种基于风险场评估轨迹的二次筛选方法。首先,在Frenet坐标系下,将车辆运动解耦为横向和纵向两个维度,基于五次多项式生成所有横向d-t曲线簇和纵向s-t曲线簇;其次,由车辆的动力学特性和三圆碰撞模型设计轨迹初筛评价函数,选取合格轨迹作为候选轨迹;最后,参考人工势场理论的思想,引入行车过程中风险场的概念,根据换道效率,换道风险值和横、纵向冲击度建立总损失函数评价候选轨迹以进行二次筛选,选取最佳轨迹并完成可视化。为检验算法的可行性,通过搭建双车道的道路环境,设计障碍车不同速度和加速度的多场景进行弯道换道的仿真验证。研究结果表明,本文所提算法能够满足换道的安全性和舒适性需求。同时,在正常换道场景下,乘员在换道过程的97.5%时间处于舒适状态,在紧急避障场景下也能达到平衡安全性与舒适性的目标。

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V2V的智能车辆换道轨迹规划方法研究

针对传统车辆换道轨迹算法实时性差与换道效率低的问题,提出一种基于V2V的智能车辆动态自主换道轨迹规划算法。换道起始时刻,智能车辆通过V2V通信技术获取周围交通车辆运动状态信息,在换道条件允许的情况下,采用多项式函数对车辆换道过程的横纵向运动进行描述,通过构建基于双圆车体近似模型的避障算法筛选无碰撞的换道轨迹,以车辆换道舒适性、换道效率等换道性能指标构建多目标优化价值函数,通过求解约束化问题求得最优换道轨迹。为验证算法的有效性,利用CarSim和Matlab/Simulink等软件进行联合仿真验证。结果表明:对于不同的换道工况,基于V2V的换道轨迹规划算法比传统非V2V的换道轨迹规划算法所规划出的换道轨迹需要的换道空间更小,具有更高的换道效率。

基于MSIGJO的网联商用车换道轨迹规划方法

针对网联商用车换道安全性、平顺性较低的问题,提出一种基于多策略改进金豺优化算法(multi-strategy improved golden jackal optimization,MSIGJO)的网联商用车换道轨迹规划方法。首先,基于V2X(vehicle to everything)技术获取智能网联商用车周围状态信息,建立商用车换道安全距离模型;其次,引入商用车换道平顺性、经济性和换道效率作为指标,构建多目标协同优化函数;最后,引入动态权重位置更新策略和翻转策略改进金豺优化算法(golden jackal optimization,GJO),进而提出MSIGJO算法,利用MSIGJO算法求解函数得到最优换道轨迹。研究结果表明:该方法在商用车换道过程中横向跟踪精度提升了12.67%,侧向加速度变化率和质心侧偏角变化率分别降低了11.94%和12.65%,有效提升智能网联商用车换道安全性和平顺性,为智能网联商用车换道轨迹规划研究提供参考。

基于NSGA-II的智能车辆换道轨迹规划与优化

针对智能车辆三次B样条曲线换道轨迹规划算法中控制点位置难以确定的问题,提出一种基于NSGA-II的换道轨迹优化方法。采用三次B样条曲线规划了智能车辆换道轨迹,在低、中、高车速工况下,以换道轨迹长度及轨迹平均曲率为优化目标,采用NSGA-II多目标优化算法对三次B样条曲线换道轨迹的控制点位置进行优化。为了验证优化后轨迹的可行性,进行仿真与实车验证。结果表明,在3种不同车速工况下,优化后换道轨迹在平均曲率、轨迹长度均有所减小,纵向位移与平均曲率分别减少了12.5%和12.0%、12.5%和40.0%、8.3%和15.4%;在联合仿真场景中,在10 m/s、20 m/s的低速、中速工况下,优化后轨迹跟踪最大横向误差小于0.1 m,在30 m/s的高速工况下,优化后轨迹跟踪最大横向误差不超过0.3 m;在实车验证中,优化前轨迹跟踪最大横向误差接近0.5 m,优化后轨迹跟踪最大横向误差不超过0.4 m,较优化前横向误差降低了20%以上。

基于虚拟安全边界的智能车辆动态换道轨迹规划

鉴于实际动态交通环境下智能车辆换道过程中可能受到周围车辆的影响,为满足其换道过程安全性和舒适性的要求,提出了一种基于虚拟安全边界的动态换道轨迹规划算法.考虑到换道结束时间和纵向位置的耦合性,采用四次和五次混合多项式换道轨迹算法分别进行纵、横向规划,确定换道时间和纵向速度范围获得候选换道轨迹.设计了车辆运动状态约束和基于车辆矩形轮廓建立的虚拟安全边界防碰撞约束,构建了车辆换道安全性、舒适性、跟车效益等代价函数,并基于安全性代价函数阈值动态调整各个代价函数的权重系数,运用fmincon函数对候选换道轨迹进行优化.考虑到周围车辆运动状态变化会对换道过程产生影响,车辆系统循环调用换道轨迹规划模块进行换道轨迹实时更新,直至车辆到达目标位置.结果表明:对于不同的换道工况,基于虚拟安全边界的智能车辆动态换道轨迹规划算法可有效避免换道过程中与周围车辆发生碰撞,保证了智能车辆换道过程的安全性.

考虑驾驶员特性的自学习换道轨迹规划系统

为更好地实现个性化驾驶,本文中提出了一种集成驾驶员特性辨识的自学习换道轨迹规划系统。首先,在高斯分布中引入驾驶员特性系数Jc和驾驶员反应与操作时间td,建立了个性化换道轨迹规划模型,并通过DTW算法对实际轨迹和拟合轨迹进行匹配。之后,基于采集的驾驶员换道轨迹进行AP聚类,离线标定Jc和td共性化值,同时获得30名驾驶员的标签,将其驾驶特性分为舒适、一般和运动型。然后,将自由驾驶数据进行特征工况的提取,并基于长短期记忆网络(LSTM)搭建驾驶员特性在线辨识模型进行训练。最后,选取15名驾驶员进行实车验证,系统实时提取特征工况,然后基于辨识结果在线调整Jc和td,并不断更新拟合轨迹。实验结束后,其中14名驾驶员的实际轨迹与拟合轨迹平方欧氏距离小于1,拟合正确率达93.3%。因此,该系统能够良好地复现真人换道轨迹。

基于异质边增强时空图注意力网络的自动驾驶换道轨迹规划

轨迹规划仍然是自动驾驶技术大规模应用所面临的关键难题之一。例如,自动驾驶中的换道轨迹规划算法通常被构建为一个针对代价函数的优化过程。然而,为适应多样化的交通场景而手动调整代价函数中的特征权重,是一项极具挑战性的任务。针对这一问题,提出了一种基于异质边增强时空图注意力网络(Heterogeneous Edge-enhanced Spatial-Temporal Graph ATtention network, HEST-GAT)的新型换道轨迹规划方法。首先,采用逆强化学习技术,从大量专家级换道示范中提取代价函数的特征权重向量,构建了一个专家级换道示范数据集。然后,将交通场景构建为一个异质有向图,其中,交通参与者的位置定义为节点属性,交通参与者间的相对位置作为边属性,交通参与者之间的关联类型则定义为边类型。边的属性和类型组合,形成了边的特征表示。为捕获交通场景中的空间和时间信息,采用HEST-GAT网络进行特征提取,并计算了各场景下代价函数的特征权重。接着构建了一个结合轨迹特征和特征权重的代价函数,并通过优化过程生成最终的换道轨迹规划。为验证所提出方法的实用性,在真实驾驶数据集上进行了多轮换道轨迹规划测试和评估。研究结果显示:与基于时空图卷积网络方法相比,基于HEST-GAT的换道轨迹规划在模拟专家示范轨迹方面的误差显著减少。纵向舒适性、纵向效率、横向舒适性和安全性4项关键指标的误差分别降低了5.5%、5.4%、1.4%和6.0%。结果表明提出的方法能够生成与人类驾驶行为高度一致的换道轨迹,具有卓越的场景适应能力。

基于改进人工势场法的车辆换道轨迹规划

针对当下智能车辆在换道过程中的安全性及舒适性问题,提出了一种基于人工势场法的轨迹筛选方法。首先,基于五次多项式生成所有换道轨迹簇,并以车辆的动力学特性对轨迹簇进行初次筛选,留下符合运动学特性的轨迹;其次,在传统人工势场模型的基础上增加形状系数对该模型进行改进,基于改进的人工势场模型分别对换道环境中的障碍车辆及道路边界等建立安全势场;最后以换道过程中的风险值及横向冲击度建立损失函数对余下轨迹进行二次筛选,得到最优换道轨迹。为验证其可行性,以双车道结构化道路作为换道环境,以主动换道和强制换道作为换道场景。结果表明提出的轨迹规划算法可以满足换道安全性和舒适性的要求。

基于自适应拟合的智能车换道避障轨迹规划

研究动态环境下的自动驾驶车辆换道避障模型预测轨迹规划。首先定义坐标系及动态换道避障场景,确定车辆换道避障轨迹规划的行驶约束条件,搭建被控车辆和障碍物车辆模型;然后设计自适应分段贝塞尔曲线拟合算法用以拟合换道避障轨迹规划的离散点序列;进一步采用模型预测控制算法,设计自动驾驶车辆换道避障轨迹规划方法。最后,对动态环境下自动驾驶车辆换道避障模型预测轨迹规划进行仿真分析,结果表明:本文的换道避障轨迹规划方案能够使被控车辆在动态环境下完成障碍物的规避并保持稳定状态;所设计的自适应分段贝塞尔曲线拟合算法拟合轨迹连续且光滑,换道避障轨迹规划提供的离散点序列与贝塞尔曲线对应点的拟合残差保持在设定阈值内。

融合侧翻稳定性的SUV换道轨迹规划方法研究

针对运动型多功能汽车(Sport utility vehicle,SUV)换道过程中侧翻安全问题,提出融合侧翻稳定性的SUV换道轨迹规划方法。建立三自由度车辆动力学模型,推导SUV侧翻稳定性及侧滑稳定性评价指标。采集自车状态及环境信息,将换道轨迹规划分成预规划和重规划两个阶段;预规划阶段采用五次多项式模型生成横向轨迹簇,重规划阶段考虑周围车辆动态变化,生成包含自车纵向速度信息的轨迹簇。融合侧翻稳定性指标、侧滑稳定性指标以及双圆拟合的车辆外形最小距离,构建代价函数;进行轨迹簇碰撞筛选、稳定性筛选及轨迹选择。运用内点惩罚函数进行轨迹优化,求解最优轨迹。选取两种典型工况进行换道轨迹规划仿真,结果表明SUV沿着该方法规划的轨迹行驶可完成换道躲避障碍物,且横向位移小、换道效率高,可有效避免侧翻危险。

考虑驾驶人风格的换道轨迹规划与控制

基于自动换道控制技术中融合个性化驾驶人风格的研究,建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性,在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据.采用主成分分析法和K均值(K-means)聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型,并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进,以描述不同风格驾驶人的行车安全区域,并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型,结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据,以换道纵向位移最短为目标,实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量,设计基于动力学的线性二次型最优(LQR)反馈控制器,通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明:所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制,可满足驾驶人个性化换道需求。

基于二次规划的智能车辆动态换道轨迹规划研究

为实现智能车辆的自主换道操作并满足安全性、舒适性和实时性等约束条件,提出一种针对动态交通环境的换道轨迹规划模型。该模型由道路平面曲线表征模块、路径生成模块以及速度曲线生成模块组成。首先,在道路平面曲线表征模块中,模型基于实时获取的周边道路信息,利用切比雪夫多项式插值法回归拟合出连续可导的道路平面曲线函数,用以保证模型在各种道路平面线形上的普适性。然后,在路径生成模块中,根据换道车辆初始时刻的运动状态,建立一系列多项式方程,并利用牛顿迭代法求解方程未知参数,以此生成连接初始位置和目标位置的换道路径,用以保证换道轨迹的平滑性。最后,在速度曲线生成模块中,以满足防碰撞约束、跟驰加速度约束以及车辆运动状态约束为目标,构建二次规划模型,生成沿着换道路径的车辆速度曲线,用以保证换道轨迹的安全性和舒适性。此外,考虑到周边动态的交通环境,车辆系统在每个时间步内会循环调用提出的模型实时更新换道轨迹,直至车辆到达目标位置。仿真试验结果表明:应用提出的换道轨迹规划模型,车辆能够有效避免与周边动态车辆发生碰撞,成功完成换道;基于二次规划框架,模型优化求解时间明显缩短,满足轨迹规划的实时性和有效性要求。

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景,从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络,对神经元中的激活函数进行替换,从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性,结果显示本模型可以更好地学到人类的安全换道行为,可推广使用。

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展,分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度,以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类,重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明:相比人类驾驶方式,在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下,CAV油耗节省效果显著,最高可达63%,而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下,驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离;现有研究将车车通信/车路通信假定为理想数据交互过程,未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响;现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景,以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略;受限于自动驾驶技术和基础设施尚未成熟和完善,真实交通场景下的测试验证工作尚未开展;车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。