基于最小安全距离的车辆换道模型研究

通过对车辆换道时车辆的运动轨迹的分析,以最小安全距离MSD(minimum safety distance)作为安全换道的目标,以避免车辆发生碰撞的临界条件为前提,分别建立了双车道环境下换道车辆与其周围车辆之间的最小安全距离换道模型.在车辆换道过程中,对与换道相关联车辆的运动状态进行了详细的分析,给出了换道车辆与关联车辆之间各种可能的碰撞形式,并充分考虑了换道车辆完成换道后的跟驰安全性,既能够较好地保障车辆换道的安全性,又能提高道路的使用效率.最后,借助Matlab仿真软件,以最小安全距离换道模型为理论基础,结合实际例子进行仿真分析,仿真结果表明在车辆换道过程中,最小安全换道距离与换道车辆的加速度、换道时间和换道车辆与周围车辆间的相对速度等有关.     

基于深度确定性策略梯度的队列纵向协同控制策略

为了解决车辆队列控制中的车辆连续精确控制问题和行驶过程中车辆队列纵向稳定性问题,提出了 一种在中等速度环境下基于深度强化学习(deep reinforcement learning,DRL)的车辆队列纵向控制策略.该策略充分考虑了影响队列安全的车辆距离、车辆速度和车辆加速度3个关键影响因素,并将车辆动力学和舒适性作为策...     

基于驾驶员类型的车辆换道模型

由于传统最小安全距离的换道模型忽视驾驶员个体差异,使其缺乏安全性和灵活性.文中首先对与换道相关联的车辆的运动状态进行了详细的分析,给出了车辆与关联车辆之间各种可能的碰撞形式.在此基础上,针对不同类型司机在不同换道环境下的驾驶特性,结合车辆运动学理论,建立基于不同行驶状态及不同司机类型的椭圆最小安全距离换道模型,能够较好地解决传统换道模型存在的缺陷.最后通过Matlab仿真对比发现,文中提出的模型由于考虑驾驶员因素,仿真结果与实际交通更为相符.     

面向高速公路的车辆换道安全预警模型

近年来在高速公路或快速道路上因车辆发生换道导致的交通事故频发,且后果都很严重.为此提出了面向高速公路的安全换道预警模型.首先描述了车辆换道过程和发生换道的动机;然后设计了模拟换道过程的场景,分析了车辆可能发生的碰撞类型;进而以避免发生碰撞为前提,分析车辆在换道过程中与周围相邻车辆间的位置关系,寻找出车辆发生碰撞的临界位置,并以此为依据,研究得到避免车辆发生碰撞的安全距离条件;最后以匀速换道为实例,验证了模型的有效性.     

汽车纵向控制的停走巡航控制算法实验研究

本文讲述了车辆队列中汽车间距的纵向控制算法和试验结果。汽车纵向控制算法包括设定速度算法、车速控制算法和间距控制算法。该控制方法考虑了车辆队列的稳定性。控制算法中汽车预计加速度的计算是基于汽车可行驶间距计算的而不是基于车辆间通讯计算的。最终证明通过此车辆纵向控制算法可以实现确保车辆队列稳定的车辆间距控制。     

纵向控制的巡航控制算法实验研究

汽车纵向控制算法包括设定速度算法、车速控制算法和间距控制算法.该控制方法考虑了车辆队列的稳定性.控制算法中汽车预计加速度的计算是基于汽车可行驶间距计算的而不是基于车辆间通讯计算的.本文通过尾随前车工况最终证明通过此车辆纵向控制算法可以实现确保车辆队列稳定的车辆间距控制.     

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.     

基于车辆对道路不满意度的微观换道决策

自动驾驶汽车有着极大的应用潜力且高速公路环境下车辆变换车道是常见的行为。为进一步分析高速公路中自动驾驶汽车的微观换道决策,本文定义道路不满意度来表示车辆对行驶道路的不满意程度并将车辆换道意图的产生按本车是否达到目标车速而分为两类,当本车达到目标车速时为第一类,换道意图产生源于本车与前车间距的减小和本车相对于前车速度的增加。当本车未达到目标车速时为第二类,换道意图产生源于本车与前车间距的减小和本车达到目标车速时相对于前车移动距离的增大。针对不同类换道意图的产生机制,结合模糊推理设计道路不满意度算法。换道决策利用当前行驶车道和邻近车道的道路不满意度大小、安全跟车距离、换道安全距离来综合决定换道意图的发生。最后在MATLAB环境下搭建自动驾驶环境并仿真换道决策模型,结果显示本文相比其它换道决策,本文不仅考虑换道安全而且也考虑了目标车道和本车道的跟车安全,更具有实际意义。同时本文的模糊换道决策能兼顾安全性和智能性且适用于依目标车速定速巡航、为达到目标车速而加减速等多种复杂工况下的换道情况。     

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.     

基于安全裕度的网联自主汽车换道行为风险量化及动态平衡模型

伴随车联网技术的发展,道路交通流呈现智能网联自动驾驶汽车与传统人工驾驶车辆混合共存发展态势,研究网联新型混合车流换道驾驶行为的风险特性极其重要。基于安全裕度理论,建立了换道行为风险量化模型,采用故障树分析法,推导换道的时间和空间风险,进行时空融合的风险评定量化,以判断车辆是否处于安全变道状态,并动态平衡车辆换道行为可能存在的风险。运用SUMO软件对建立的量化模型进行仿真验证分析,1/TTC与瞬时风险系数均值分别下降约0.1与0.05,同时变化趋势趋于稳定。安全裕度风险量化模型使换道风险得到了有效控制的同时,交通流的稳定性得到了较大提高,可保障未来网联环境中自主驾驶车辆队列的稳态运行,从而提高交通容量和交通效率。     

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。     

考虑道路几何设计的智能网联车队横纵向协同控制

针对智能网联车队行驶过程中车辆跟驰和路径跟踪的横纵向协同控制,建立三自由度车辆动力学模型并将其作为控制系统,基于改进的智能驾驶员模型模型设计分层式纵向控制器;基于预瞄-跟随理论设计横向控制器.考虑车辆纵向、横向运动的耦合特性,以纵向速度作为横向控制器的状态变量设计横纵向协同控制策略,在CarSim/Simulink仿真平台搭建车队横纵向协同控制器.采用单移线、隧道工况验证控制器的横向、纵向控制性能;考虑道路弯道、坡度和超高等道路几何设计,设置匝道工况验证控制器横纵向协同控制性能并分析道路超高对车辆跟驰和路径跟踪精度及稳定性的影响.结果 表明:控制器能实现给定工况下车辆速度与转向的跟踪控制,且具有较高的跟踪精度,良好的跟驰效果和行驶稳定性;对于弯道行驶,设置道路超高能使车辆转向平稳,速度跟随精度高且行车间距增加,有利于提高车队行驶安全性.     

越野地形下智能车辆的动力学建模与轨迹跟踪

提出一种越野地形下智能车辆的动力学建模与轨迹跟踪控制方法.针对越野地形建立了考虑路面倾角的智能车辆动力学模型,并推导了基于零力矩点的车辆侧倾安全约束.然后考虑上述车辆动力学模型及安全约束条件,设计了基于模型预测的智能车辆轨迹跟踪控制器.仿真试验表明该方法可以有效地适应复杂的越野地形,并能够在实现无碰撞轨迹的同时防止车辆发生侧翻危险.      

融合改善型可行性检验模型的换道跟踪方法

现有的最小安全距离换道可行性检验模型通常默认周围车辆处于车道保持状态,且只考虑本车道和目标车道车辆对本车换道的影响,未讨论周围车辆处于车道变换状态或者相间车道车辆变道的影响。为建立更加安全、全面的换道可行性检验模型,实现安全自主换道,分析了车道变换的逻辑架构,重点研究了一种全面考虑周围（包括相邻车道和相间车道）车辆处于车道变换和车道保持状态的改善型换道可行性检验模型,保障车辆换道过程中不与周围车辆发生碰撞。使用基于模型预测控制（MPC）方法实现换道轨迹跟踪控制,设计仿真对比试验,通过PreScan和Simulink联合仿真对所研究的模型和方法进行验证。仿真结果表明提出的改善型换道可行性检验模型比对比模型更加安全高效,MPC控制方法的横向轨迹跟踪误差在1 cm以内,具有很高的跟踪精度。     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。     

基于强化协作博弈方法的双车道混合交通流特性

对元胞自动机引入Gipps跟驰模型,并结合改进的Q强化学习方法分别建立普通车辆及智能网联车的微观行驶策略,提出了一种新型的混合交通流演化仿真方法.然后,利用数值模拟方式对双车道交通环境进行仿真,探索智能网联车对混合交通流的动态影响.结果表明,相比于元胞自动机构建的普通车辆智能体,改进的Q强化学习方法训练的智能网联车智能体具备更强的连续时空环境适应能力,双车道环境下道路通行能力随着智能网联车渗透率的提升而增大,最高可提升45.34%.此外,智能网联车渗透率的提高会降低车群低效的换道行为,拓宽高通行能力水平下的车辆密度范围,有利于改善交通拥堵.     

改进恒定时间间隔算法的无人汽车的队列控制

针对无人汽车车队在附着系数较低的路面上行驶的纵向控制问题,提出考虑道路附着系数和本车无法持续获取前车加速度信息的最小安全车距的计算方法,以此来对传统的期望车间距的恒定时间间隔（Constant Time Gap,CTG）算法进行改进.然后,采用分层的结构设计队列控制系统,并通过对车队的队列稳定性进行分析,得出上层控制中的控制器增益的取值条件.最后,对一个由4辆车组成的车队进行仿真验证.结果表明：提出的改进恒定时间间隔算法可以在路面附着系数较低的情况下保证车队的队列稳定性,同时能够避免相邻两车间发生碰撞.在本车无法获取前车加速度信息且前车紧急制动的情况下,采用改进的恒定时间间隔算法的车队在行驶过程中的最大车间距偏差率为19%,低于应用传统方法时的最大车间距偏差率22.27%,且车间距误差随着时间的增长最终收敛至零.采用改进的恒定时间间隔算法的车队在行驶过程中车辆的加速度的最大值为0.75 m/s2,低于利用传统方法时的加速度的最大值0.91 m/s2,说明改进的恒定时间间隔算法可以保证车队的稳定行驶,并且具有较好的乘坐舒适性.     

面向出口匝道分流的协同换道策略研究

【目的】提高网联高速出口匝道路段通行效率,降低交通事故风险,保障分流车辆通行秩序。【方法】针对出口匝道上游智能网联车辆（connected automated vehicle,CAV）的换道行为所导致的交通紊乱问题,提出一种协同换道策略。兼顾通行效率和舒适度,以研究时段内所有CAV平均速度、平均加速度变化率的加权和最小为目标,以速度、加速度、加速度振动、换道起点与分流点的纵向距离等为约束,构建CAV动态速度协同优化模型,有计划地优化每个时段每辆CAV的速度。采用Gurobi优化器求解协同控制模型,并使用SUMO软件建立仿真场景评估协同控制效果。【结果】与无控制情形相比,所提出的协同方法在不同总流量和分流比例下能使车辆平均速度最高提高17.7%,总延误降低75.9%以上,平均加速度变化率改善9.3%以上;当分流比例一定时,一定总流量情况下,总流量越高平均速度、平均加速度变化率改善效果越好;在安全换道所要求的最小纵向距离约束下,出口匝道路段通行效率最高。【结论】在不同总流量和分流比例下,协同策略可为换道车辆创造换道间隙,改善通行效率,提高乘客舒适度。     

智能车辆规划与控制策略学习方法综述

智能车辆相关技术已实现了长足的发展,并已能够在有限封闭场景中实现自主行驶的基本功能. 然而,实际道路测试结果表明,目前智能车辆技术仍存在较多局限,而智能车辆在复杂城市与越野环境的大规模应用仍面临较多挑战. 作为智能车辆关键技术之一,运动规划与控制技术已基本建立了完整的理论体系并已得到较多工程应用,但传统方法在实际应用中仍存在动态复杂场景理解能力弱、场景适应性差、模型复杂度高、参数调整难度大等缺陷. 由于机器学习方法具备较强的知识表征与模型拟合能力,其已经在智能车辆的感知与导航技术中得到了广泛的应用. 而为了解决传统运动规划与控制技术存在的泛化性与适用性等问题,许多研究者近年来也开始探索基于深度学习、强化学习等机器学习方法的运动规划与控制方法. 本文将对目前基于机器学习的智能车辆规划与控制方法研究现状进行回顾,从规划与控制策略基本架构、基本学习范式以及基于学习的规划与控制方法三方面对现有智能车辆规划与控制策略学习方法进行分析,最后对研究现状与未来发展方向进行总结与展望.      

面向无人驾驶的车辆协同换道轨迹规划研究

换道轨迹规划是无人驾驶车辆核心功能模块之一。传统换道轨迹模型研究场景简单,较少考虑车辆间的相互影响。为此,综合考虑换道过程中车辆之间的相互作用,结合车辆运动特性,引入换道安全控制参量——车间间距,建立考虑前方障碍车辆的多项式协同换道轨迹模型。基于换道安全考虑,采用矩形构建车辆模型分析换道过程中车辆的几何关系。以换道车辆的几何特征角点与前方障碍车辆车尾的相对位置关系建立安全约束方程。与现有多车换道轨迹规划方法相比,轨迹方程形式简单,求解方便,换道安全控制参量物理意义直观明确。仿真实验验证了换道轨迹模型的可行性与合理性,研究结果为无人驾驶多车安全换道轨迹规划研究提供探索性研究。