考虑操纵稳定性的自动驾驶汽车轨迹综合优化方法

针对自动驾驶汽车在局部轨迹规划上对车辆操纵稳定性考虑不足、对车辆模型过度简化和缺少对车辆舒适性客观评价的问题,建立了考虑车辆操纵稳定性的车辆三自由度模型,模拟自动驾驶汽车换道场景,根据输入车轮转角得到输出的换道轨迹,运算得到车辆换道行驶参数化方程和行驶轨迹特征.运用BP神经网络对行驶轨迹特征进行识别,得到自动驾驶汽车换道持续时间和横向偏移距离所对应的车轮转角变化关系.在不同换道车速下,根据不同换道持续时间和横向偏移距离,输入车轮转角得到换道优化轨迹簇和操纵稳定性参数.在只考虑行驶效率和安全的常规轨迹优化方法的基础上,构建轨迹综合优化目标函数,考虑表征车辆换道过程舒适性和操纵稳定性的(横摆、侧倾、侧向)加速度变化率均值,提出一种基于行驶效率、安全性、舒适性和操纵稳定性的轨迹综合优化方法.对轨迹综合优化目标函数进行求解得到最优换道行驶轨迹,联合仿真结果表明该方法优于常规轨迹优化方法且舒适性、操纵稳定性改善达20%以上.     

基于形变长短期记忆网络的换道意图预测

混行交通下的自动驾驶车辆需具备换道意图预测能力来保障行驶安全。为尽早预测车辆换道意图,提出一种基于形变长短期记忆(mogrifier long short-term memory, M-LSTM)网络的换道意图预测模型。首先采用S-G (Savitzky-Golay)滤波器对自然驾驶数据集NGSIM(next generation simulation)进行降噪筛选,按向左换道、向右换道、直线行驶对不同时间长度的轨迹序列标注,选取车辆运动信息与环境信息输入模型,最后采用softmax函数进行意图分类。试验结果表明,在不同预判时间下,模型准确率均高于支持向量机(support vector machine, SVM)、LSTM模型,且越接近换道点预测准确率越高,在1.0、2.5 s时预测准确率分别为93.83%与81.30%。提出的模型具有良好的准确性与预判性,能为自动驾驶车辆尽早识别换道意图提供技术支持。     

高速公路弯道换道决策及运动规划优化

弯道换道决策及运动规划算法主要影响自动驾驶汽车的安全性和操纵稳定性。针对高速公路弯道换道场景决策的安全性和行驶效率不够高的问题,提出新的基于主车相对前车的驾驶不满意度的决策算法。为了提高运动规划算法实时性,采用路径-速度解耦框架进行主车换道轨迹规划。对于路径规划,选择五次多项式曲线,采用考虑安全、舒适和高效性的4个换道路径评价指标,实现最优路径规划。对于速度规划,结合动态规划与二次规划优化获取平滑速度规划曲线。仿真结果表明基于驾驶不满意度的换道决策模型能选择更高效和安全的行驶方式。在典型的主车换道场景,主车最大质心侧偏角,最大横摆角速度的数值均小,表明换道轨迹规划算法能确保主车换道的安全性和操纵稳定性。     

基于支持向量机的车辆换道决策模型研究

车辆换道行为是微观交通流中的典型驾驶行为之一。研究车辆换道决策模型,可以帮助无人驾驶车辆正确进行换道决策。以NGSIM数据集为依据,采用SG滤波器对NGSIM数据集进行平滑处理,筛选平滑处理后的数据得到训练集和测试集;选择影响车辆换道决策的7个因素作为模型输入,建立基于粒子群优化算法的支持向量机(PSO-SVM)车辆换道决策模型和标准支持向量机(标准SVM)车辆换道决策模型;对训练集和测试集进行归一化处理,利用归一化处理的数据进行模型的训练和测试。测试集数据分类验证结果表明,建立的PSO-SVM车辆换道决策模型的决策准确率为94.67%,相比于标准SVM车辆换道决策模型提高6%,能有效实现无人驾驶车辆的换道决策。     

考虑驾驶风格的高密度立交群出入口车辆驾驶风险研究

为分析不同驾驶风格驾驶人车辆的驾驶风险,在重庆内环快速路开展了高密度立交群实车驾驶试验,使用车载仪器采集车辆行驶轨迹、速度等运行参数,通过因子分析和聚类分析等方法,提取车辆速度、加速度和横向位移等参数,以此为依据将驾驶风格分为三个类型,即保守型、常规型和冒险型。通过车辆驶离和汇入主线过程中的轨迹偏移,分析了不同驾驶风格的行车轨迹特征,结果表明：冒险型驾驶人的轨迹偏移高于其余2种驾驶风格的驾驶人,且轨迹偏移的分布较为分散;在驶离/汇入主线时,冒险型驾驶人所需要的换道时间更短、换道起始位置更靠前、换道频次也多于另外2 种驾驶风格;以速度波动和加速度波动作为驾驶风险评价指标,两者大小均是冒险型＞常规型＞保守型;利用熵权法确定指标权重并得到驾驶风险率,将其按照不同驾驶风格分类,结果表明：在主线出口位置,呈现明显的分布特征,即冒险型＞常规型＞保守型,而在主线入口位置,冒险型与常规型的驾驶风险率大小相差无异,但冒险型驾驶人分布更加离散。分析不同驾驶风格驾驶人的驾驶风险率,有助于提高驾驶人的行驶安全性。     

换道工况下乘员舒适性的影响因素研究

随着自动驾驶技术研究的深入,乘员舒适性是除安全性外另一个关注重点.然而,现有研究多以传统汽车舒适性为对象,未充分考虑自动驾驶中驾驶员由于操纵权丧失而表现出的乘坐舒适性的新特征.除平顺性外,自动驾驶汽车的乘员舒适性还受平衡觉刺激和视觉刺激影响.前者由车辆行驶行为引发,后者由外部环境引发.本文设计换道工况下以平衡觉和视觉刺...     

考虑换道风险影响的城市快速路出口影响区车道管理

为优化城市快速路出口影响区的交通组织,降低出匝车辆的换道风险,提高交通运行的安全性和高效性,依托上海自然驾驶实验数据,提取城市快速路出口影响区出匝车辆的轨迹数据样本,建立出口影响区换道风险评价方法及分级标准;针对三种常见的快速路出口,考虑人、车和路域环境方面的综合因素,利用二项Logistic模型构建换道风险模型,分析不同因素对换道风险的影响程度,以及一定条件下车辆存在换道风险的概率;在此基础上,根据出口影响区的车辆运行信息和换道风险模型,控制换道风险在合理范围内,得到出匝车辆的合理（最迟）换道位置,并提出相应的城市快速路出口影响区的车道管理方法。     

信号交叉口上游路段网联车换道博弈特性及模型

为提高网联驾驶车辆在信号交叉口上游路段与驾驶员车辆换道博弈的主动性,以左转网联驾驶车辆为研究对象分析该路段的强制换道博弈特性。首先,通过分析信号交叉口上游路段车辆的行驶意图和换道行为,设定驾驶人期望函数来客观反映车辆的行驶需求,以车辆的安全和行驶效率为收益并进行量化,在完全信息的假设下通过博弈均衡解得到最优换道决策来实现换道收益最大化;其次,为提高换道的舒适性,以五次多项式规划换道轨迹并实现网联驾驶车辆对驾驶员车辆博弈换道的过程;最后,利用仿真试验对模型进行验证,分析不同换道位置和绿灯剩余时间等因素对网联驾驶车辆决策的影响。研究结果表明,在信号交叉口上游非合作博弈强制换道过程中,随单位换道位置增加换道概率平均增加0.69%,随单位绿灯剩余时间增加车辆换道概率平均降低0.82%。通过仿真分析信号交叉口上游路段车辆的博弈换道特性和决策倾向,有利于为网联驾驶车辆换道提供决策引导。     

面向多工况的智能车换道轨迹规划方法

针对智能汽车在结构化道路上换道时存在的可行性和安全性问题,分不同工况进行轨迹规划的研究.在简单的无障碍换道时,提出一种新的改进余弦换道模型,使换道轨迹曲率连续、过渡平滑.当需要避障换道时,采用多项式来描述换道轨迹,提出基于评价指标的边界条件选取.同时,通过预测交通车的行驶轨迹,进行双5次多项式规划以避开交通车.在弯道换道时,也采用多项式的方法,考虑坐标的转化,得到以初始坐标系为基准的边界条件.仿真结果表明:提出的轨迹规划方法较已有算法在效率、舒适性、安全性等指标上具有良好的换道性能.     

数据驱动下交通异常行为的双层识别模型

为实现对车辆异常行为的准确识别,提高车辆行驶的安全性,提出了一种基于支持向量机(support vector machine, SVM)、监督学习与长短期记忆(long short term memory, LSTM)深度学习的交通异常驾驶行为双层识别模型。首先,对车辆轨迹数据筛除和滤波,构建异常行为数据集;其次,从异常行为轨迹特征中提取出特定异常行为的特征标签,并人为标定在训练集中;再次,构建SVM模型对训练集进行粗识别,基于SVM的二分法原理,从测试集中筛选出异常行为;最后,通过LSTM时间序列模型构建具体种类的异常行为模型,并通过深度学习的方法,从异常行为数据中细分为蛇形驾驶、急速变向、侧滑、大半径转弯、快速U型转弯、急刹车等具体的异常驾驶行为。本次实验选用下一代仿真(next generation simulation, NGSIM)数据中US-101高速公路和peachtree城市道路的数据集的轨迹数据验证SVM和LSTM双层识别模型的性能,包括均方根误差、识别准确率等。结果表明,构建的双层识别模型在第一层有98%的识别准确率,第二层有超过80%的识别准确率,可以较为准确地识...     

基于博弈TOPSIS的高速公路交通安全评价模型

高速公路交通安全评价是各级单位对于交通管理和事故预防的基础。为确定高速公路在运营时的交通安全等级,由博弈论思想将FAHP法与熵权法所求权重优化重组,得出组合权重;并且通过TOPSIS法求得贴近度矩阵,结合组合权重建立评价混合模型。以洛阳某高速公路为例,进行交通安全等级综合评价,并将结果与单一权重计算模型：熵权-TOPSIS、FAHP-TOPSIE模型进行比较。结果表明博弈组合赋权的TOPSIS法所得结果更具有效性、准确性,且与实际交通安全状况基本相符,可见该混合模型能合理的反应高速公路交通安全等级。     

基于多分类器融合的高光谱图像分类研究

针对由于高光谱图像存在数据量大、数据相关性强、图谱合一等特点导致高光谱图像分类难度较大的问题,构建一种基于多分类器融合的高光谱图像分类模型.该模型首先使用双边滤波算法进行去噪处理,然后使用LDA算法与PCA算法相结合、单独PCA算法、Gabor滤波与PCA算法相结合三种方式分别对数据进行降维与特征提取,并分别使用SVM...     

考虑交互轨迹预测的自动驾驶运动规划算法

针对自动驾驶汽车运动规划中预测周围交通态势的问题,提出一种考虑周围车辆间交互轨迹预测的运动规划算法.首先,针对结构化道路信息,构建改进社会力模型,对自动驾驶汽车周围的车辆行驶轨迹进行预测.其次,在Frenet坐标系下采样生成轨迹集合,将轨迹集合和预测轨迹投影到时空占用图上,计算投影点之间的最短距离进行碰撞检查,并结合加速度、曲率检查对轨迹进行筛选以得到候选轨迹.然后,构建代价函数对筛选过的候选轨迹进行评估得到最优运动轨迹.最后,不同行驶场景中的仿真结果表明,该运动规划算法能提前决策驾驶行为,规划出的速度曲线更加平稳,运动轨迹的安全性、舒适性和行驶效率更高.     

基于熵权灰色关联分析的车辆行驶安全性评价

为客观评价车辆行驶安全性,系统分析了影响道路交通安全的人、车、路、环境等因素,运用层次分析法构建车辆行驶安全性评价指标体系;运用熵值法确定各指标权重,建立基于熵权和灰色关联分析的车辆行驶安全性评价模型。案例分析表明,影响车辆行驶安全性因素的重要程度为驾驶员因素车辆因素道路因素环境因素,模型评价结果与实际情况相符。     

一种基于信息熵数据修剪的支持向量机:EB-SVM

支持向量机在处理分类问题时,如果两类数据重叠严重会造成分类器过学习,降低泛化性能。为此提出了一种基于信息熵的数据修剪支持向量机EB-SVM(entropy based-support vector machine),其主要思想是通过计算样例信息熵删除部分边缘数据和边界处混淆程度较高的样例以及噪声数据,用较少的训练样例学习SVM分类器。实验结果表明,该方法能够有效提高SVM的泛化性能。     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

驾驶人纵侧向驾驶能力评价方法研究

为合理分配智能汽车人机协同共驾驾驶权,提高智能车辆的驾乘安全性和舒适性,本文提出驾驶人纵侧向驾驶能力的概念及其评价方法.对驾驶人的驾驶能力进行了定义和分析,并在此基础上设计了纵向跟车激励工况和侧向移动双移线激励工况,在搭建的驾驶人在环智能仿真平台上进行数据采集.建立了基于Hammerstein辨识过程的驾驶能力辨识模型,采用主成分分析法对驾驶能力辨识模型中的关键参数进行解耦和降维处理;通过客观蚁群聚类和主观量表分析相结合的分类方式,实现驾驶能力的分类;通过多元线性回归分析得到驾驶能力评价方程.结果表明,纵侧向驾驶能力辨识模型平均辨识及拟合精度均大于90%,经主成分分析及主客观分类处理后的纵侧向驾驶能力评价方程满足统计检验指标,具有良好的拟合及预测结果.