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...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。展开更多
快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别...快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别框架主要包括输入处理与换道意图识别两部分。输入处理部分对车辆轨迹数据进行清洗、贴标、切片以及one-hot编码。换道意图识别部分则具体提出BiLSTM-F(BiLSTM-fusion)模型,在该模型中将注意力机制(attention mechanism)引入双向长短期记忆网络(BiLSTM),对输入处理部分的输出信息进行权重划分,使模型能将注意力更加集中于对换道意图影响较大的特征信息上,最后引入条件随机场(conditional random field),充分学习输入数据的前后依赖性并快速找出全局最优的换道意图。实验中使用公开数据集NGSIM进行训练并评估,验证结果表明该模型的准确率最高能达到97.19%,并且可在车辆到达换道点前2 s识别车辆的换道意图,准确率为94.16%。与基线换道意图识别模型相比,所提出模型的准确率、损失、F1值和稳定性均优于基线模型。展开更多
为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNL...为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。展开更多
传统公交专用道动态控制方法无法同时保证公交优先和车道利用率的提升,为解决该问题,本文提出车联网支持下公交专用道复用的动态清空控制方法(Dynamic Clearance Bus Lane,DCBL),建立随网联公交行驶车速和网联社会车辆换道时间动态变化...传统公交专用道动态控制方法无法同时保证公交优先和车道利用率的提升,为解决该问题,本文提出车联网支持下公交专用道复用的动态清空控制方法(Dynamic Clearance Bus Lane,DCBL),建立随网联公交行驶车速和网联社会车辆换道时间动态变化的清空框模型,同时定义换道迫切系数,结合模糊控制理论,设计考虑驾驶员换道心理的换道概率输出算法,以模拟驾驶员实际换道过程,最后通过数值仿真以验证DCBL控制方法的有效性。仿真实验结果表明:DCBL控制方法将适用的交通密度范围扩大至0~71 pcu·km^(-1),比传统的BLIP(Bus Lane with Intermittent priority)、IBL(Intermittent Bus Lane)控制方法适用范围增加了9~21 pcu·km^(-1);在40~70 pcu·km^(-1)的中高交通密度区间,DCBL控制方法将社会车辆平均车速保持在45.86 km·h^(-1),比传统控制方法提高了17.9%~24.7%,将公交平均车速保持在33.68 km·h^(-1),对比公交期望车速仅降低了6.4%;DCBL控制方法在路段中高密度区间对公交车的行驶延误小于25 s,比传统控制方法提高路段通行能力8.0%~18.3%。展开更多
文摘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。
文摘快速准确识别出周围车辆的换道意图对高级自动驾驶辅助系统的决策支持和安全预防具有重要意义。针对现有方法未能充分考虑车辆之间的交互作用以及轨迹数据的前后依赖性问题,提出一种基于多模型融合的换道意图识别框架。该换道意图识别框架主要包括输入处理与换道意图识别两部分。输入处理部分对车辆轨迹数据进行清洗、贴标、切片以及one-hot编码。换道意图识别部分则具体提出BiLSTM-F(BiLSTM-fusion)模型,在该模型中将注意力机制(attention mechanism)引入双向长短期记忆网络(BiLSTM),对输入处理部分的输出信息进行权重划分,使模型能将注意力更加集中于对换道意图影响较大的特征信息上,最后引入条件随机场(conditional random field),充分学习输入数据的前后依赖性并快速找出全局最优的换道意图。实验中使用公开数据集NGSIM进行训练并评估,验证结果表明该模型的准确率最高能达到97.19%,并且可在车辆到达换道点前2 s识别车辆的换道意图,准确率为94.16%。与基线换道意图识别模型相比,所提出模型的准确率、损失、F1值和稳定性均优于基线模型。
文摘为及时识别、预测车辆的换道行为,综合考虑目标车辆及周边车辆的时空交互关系,结合时间卷积网络(Temporal Convolutional Network,TCN)的时序处理能力和长短期记忆(Long Short Term Memory,LSTM)神经网络的门控记忆机制,构建了基于TCNLSTM网络的车辆换道意图识别模型。首先,将目标车辆的驾驶意图分为直行、向左换道和向右换道3种类型,从CitySim车辆轨迹数据集中提取出目标车辆及对应同车道、左侧车道、右侧车道的相邻前车和相邻后车的轨迹数据,并利用中值滤波算法获得车辆运行状态指标。其次,针对统计学理论和机器学习方法面临的识别精度不高、训练时间长、参数更新慢等问题,提出利用膨胀卷积技术提取时间序列的时序特征,采用门控记忆单元捕捉时序特征的长期依赖关系,并以目标车辆及周边相邻车辆的速度、加速度、航向角、航向角变化率和相对位置信息等54个车辆状态指标为输入变量,以车辆的换道意图为输出变量,构建了一个基于TCN-LSTM网络的车辆换道意图识别模型。最后,对比分析了不同输入时间步长下TCN、支持向量机(Support Vector Machines,SVM)、LSTM和TCN-LSTM模型的识别精度。结果表明:输入时间序列长度为150帧时,TCN-LSTM模型的识别精度达到最高值96.67%;从整体分类精度来看,相比LSTM、TCN和SVM模型,TCN-LSTM模型的换道意图分类准确率分别提升了1.34、0.84和2.46个百分点,展现出了更高的分类性能。
文摘传统公交专用道动态控制方法无法同时保证公交优先和车道利用率的提升,为解决该问题,本文提出车联网支持下公交专用道复用的动态清空控制方法(Dynamic Clearance Bus Lane,DCBL),建立随网联公交行驶车速和网联社会车辆换道时间动态变化的清空框模型,同时定义换道迫切系数,结合模糊控制理论,设计考虑驾驶员换道心理的换道概率输出算法,以模拟驾驶员实际换道过程,最后通过数值仿真以验证DCBL控制方法的有效性。仿真实验结果表明:DCBL控制方法将适用的交通密度范围扩大至0~71 pcu·km^(-1),比传统的BLIP(Bus Lane with Intermittent priority)、IBL(Intermittent Bus Lane)控制方法适用范围增加了9~21 pcu·km^(-1);在40~70 pcu·km^(-1)的中高交通密度区间,DCBL控制方法将社会车辆平均车速保持在45.86 km·h^(-1),比传统控制方法提高了17.9%~24.7%,将公交平均车速保持在33.68 km·h^(-1),对比公交期望车速仅降低了6.4%;DCBL控制方法在路段中高密度区间对公交车的行驶延误小于25 s,比传统控制方法提高路段通行能力8.0%~18.3%。