无人车典型场景构建及车速预测

为提高符合我国交通环境下的车速预测模型的准确性,提出了一种基于马尔科夫链和循环神经网络模型的典型场景下前车车速预测方法。首先,基于事故数据建立场景要素的多元线性回归模型,提取得到4个特征要素。将4个特征要素作为聚类输入的参数,采用K-均值聚类算法得到4种危险典型场景。其次,采用马尔科夫链理论和循环神经网络分别表征平稳工况下和快变工况下的车速预测模型,在搭建的Prescan+Simulink联合仿真平台上,对典型测试场景下前车车速预测模型的有效性进行验证。仿真结果表明:城市场景、二级公路场景、三级公路场景的速度预测误差集中在2 km/h,在允许范围内。实车试验结果表明:基于马尔科夫链模型和循环神经网络模型平均提前4.86 s预测前车车速,且实验小车单程误差小于0.1%,实用性较高。