神经网络与贝叶斯滤波器在换道预测中的应用

为提高车辆在换道过程中的行车安全性。提出一种基于BP神经网络与贝叶斯滤波器的换道意图预测方法,通过车道线传感器、方向盘转角传感器和车身CAN总线采集相关表征参数,将其作为BP神经网络输入数据,对驾驶人换道意图进行初步预测,BP神经网络输出结果作为贝叶斯滤波器输入数据,对BP神经网络预测结果作进一步修正。对模型利用真实换道数据进行训练和检测,结果表明此模型的预测准确率达到91.38%,相较于单一的BP神经网络模型,预测准确率提高了6%,并且具有更强的通用性。     

驾驶人换道决策分析及意图识别算法设计

为设计一种能在保证准确率的条件下提高识别效率的驾驶人换道意图识别算法,分析驾驶人的换道决策,使用对驾驶人换道决策有影响的环境参数,设计了基于模糊逻辑理论的综合决策因子,反映驾驶人做出换道决策的可能性。提出一种基于隐Markov模型的换道意图识别算法,以综合决策因子与表征车辆横向运动的特征参数为观测变量,以驾驶人意图为隐状态,搭建并训练隐Markov模型,通过其解码方法实现驾驶人的换道意图识别。使用真实驾驶人在驾驶模拟器上进行换道的数据进行算法验证。结果表明:引入综合决策因子作为观测变量之一时,该换道意图识别算法能保证准确性并提高识别效率。     

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。     

基于Logistic模型的驾驶人换道意图识别方法

 为有效降低车道变换行为诱发事故的风险性,提出一种基于Logistic 模型的驾驶人换道意图识别方法。利用faceLAB 视觉追踪系统,通过真实环境下的实车测试,结合换道前驾驶人对后视镜的注视特性确定换道意图时窗,分析车道保持与换道意图阶段的注视特性差异,提取扫视次数、扫视幅度、水平方向视觉搜索广度、头部水平转动角度标准差等驾驶人换道意图特征指标,构建了Logistic 模型,并经效度检验后应用于对驾驶人换道意图的识别。结果显示,基于Logistic 模型的驾驶人换道意图识别方法的识别成功率达到90.24%,与基于转向灯信号的驾驶人换道意图识别方法相比,具有明显的时序及成功率方面的优势。     

基于驾驶员操纵特性和交通环境状态的换道行为预测

为排除驾驶员在换道过程中存在的交通安全隐患,基于驾驶员操纵特性和交通环境状态分析,提出了一种能有效预测驾驶员换道行为的方法。依托自然道路条件下的实车实验,将驾驶员视觉特性与数据分析相结合,确定了意图时窗宽度为5 s。依据在车道保持与意图换道两阶段的操纵特性和交通环境等参数差异化分析,构建了换道行为预测的表征参数体系。引入二元Logistic模型,确定各参数的回归系数,并进行换道行为预测。研究结果表明:该模型可至少提前2. 5 s预测出换道行为;且换道行为起始时刻的预测精度为96. 34%。与基于视觉特性和转向灯状态预测换道行为相比,具有更高的准确率和更优的时序性。     

高速路换道意图参数提取及意图阶段确定

针对换道意图辨识研究中的意图表征参数选择与意图阶段确定问题,提出一种新的组合方法.在驾驶模拟器所得原始参数基础上,从参数重要度与相关性角度,使用决策树C4.5算法和皮尔逊相关性分析,最终得到以方向盘转角、车道偏离量和横摆角加速度组成的重要度高且互相关性低的换道意图表征参数组.在此基础上,对方向盘转角和车道偏离量的时间序列进行K-means聚类,确定驾驶人换道意图阶段,并得出意图阶段长度与平均车速近似线性相关,且左换道意图阶段长度大于右换道意图阶段长度.最后,建立连续高斯隐马尔可夫模型,在所得意图表征参数组及意图阶段数据的基础上,训练换道意图识别模型及车道保持识别模型.模型的平均离线识别准确率为90％.并可在左换道开始前1.5 s判断出驾驶人左换道意图,右换道开始前1.4 s判断出驾驶人右换道意图.研究结果表明:基于所得的意图表征参数组及意图阶段所建立的意图识别模型可有效识别驾驶人换道意图,且识别精度较高,时序性较强.该方法可为意图识别研究中意图参数选取及意图阶段确定提供参考.     

考虑驾驶风格的车辆换道行为及预测模型

车辆换道过程对交通安全和交通拥堵有重要影响,为了获得不同驾驶人的换道行为特性,考虑了车辆换道过程中驾驶人的因素,利用SPSS对问卷调查的结果进行主成分分析,采用K-均值聚类方法对驾驶风格进行量化,将驾驶人分为激进型和保守型两种类型,再利用时间对数模型提出了驾驶风格值变量。对两组类型驾驶人进行换道试验,获得了不同风格驾驶人换道时间和换道纵向距离等换道特性的试验数据,并建立了考虑驾驶风格的车辆换道时间预测模型;基于预测的换道时间以及换道车辆转向角与驾驶风格值变量、速度之间的关系,结合车辆运动学模型,建立了车辆换道纵向距离预测模型,并将预测结果与实际换道数据进行了对比分析,结果表明,本研究提出的预测模型准确率较高。研究结果表明,激进型驾驶人在换道过程中其行为较为激进,换道时间较短,换道距离较短;所建立的预测模型可以较准确地预测和解释驾驶人的换道行为。     

驾驶人意图识别综述

为全面了解驾驶人意图识别研究进展,梳理了近30年关于驾驶人意图识别的研究,将驾驶人意图分类为策略意图、战术意图和操作意图;根据研究热点主要对换道、转向、制动和超车意图进行了归纳;从系统构建的角度对驾驶人意图识别系统的结构、输入、算法和评估进行了综述.根据系统输入的不同,从交通环境、车辆运动以及驾驶人行为对4种驾驶意图进...     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

拥堵状态下驾驶人心率与不良换道的关系模型

道路交通拥堵已成为交通领域的研究热点,交通拥堵对驾驶人的生理和行为特性产生了显著影响,选择驾驶人心率指标和斜插型换道比例来分别表征交通拥堵状态下驾驶人的生理状态和行为特征,并通过实测试验获取交通拥堵压力系数、驾驶人心率均值和斜插型换道比例的同步数据,引入BP神经网络理论构建拥堵压力系数和心率均值对不良换道行为的联合影响模型。研究结果表明:该模型清晰地表达了拥堵状态下驾驶人心率与不良换道的关系,为评价道路交通拥堵的危害性提供了新的视觉。     

车道变换过程中驾驶人操作和注视行为

针对实际道路自然换道过程中驾驶人的操作与注视行为,搭建了自然换道行为测试车。利用眼动仪和车辆运动状态传感器,在城市道路环境中对20名驾驶人进行了实际道路自然驾驶试验,获取了换道过程中驾驶人操作与车辆运动状态数据;并对熟练驾驶人和非熟练驾驶人的换道数据进行了分析。研究结果表明:换道时驾驶人普遍不按照操作规范提前开启转向灯,且非熟练驾驶人比熟练驾驶人的开启时间要早;换道过程中车速呈现减速-加速-稳速的趋势,但熟练驾驶人的速度曲线更加平滑;换道开始阶段,熟练驾驶人和非熟练驾驶人对目标车道的注视所占百分比分别为70%和85%,而在调整阶段非熟练驾驶人比熟练驾驶人要高出20%;换道过程中,熟练驾驶人的注视行为更加灵活,同时处理较多任务的能力要优于非熟练驾驶人。     

基于效用理论的车辆换道交互行为及决策模型

研究分析道路交通环境下的车辆换道交互行为,客观反映车辆微观行为特性及宏观车流运行规律。通过分析车辆换道微观驾驶行为,构建Logit模型定量分析驾驶人换道行为决策过程,基于“效用理论”思想,实现驾驶人决策效用最大化。选取青岛市杭鞍快速路实际交通流为研究背景,标定模型相关参数;进一步仿真验证了分层Logit模型的准确性。研究成果可为智能网联交通环境下的车车交互、车路协同和自动驾驶系统提供理论支撑和方法依据。     

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。     

基于车间通信的换道策略研究

针对道路交通系统中换道行为产生的干扰作用,提出了基于车间通信的两阶段车辆换道策略。基于NGSIM数据对普通车辆换道行为进行分析,建立两阶段换道模型。模型第一阶段考虑影响换道的六个影响因素,构建二元Logit模型,估计车辆换道概率;第二阶段利用安全条件确定车辆换道行为是否实施。对于互联车,在换道模型第一阶段考虑更加精确的实时交通状态信息,设计了对应的换道策略。通过数值模拟,分析不同换道策略对交通流的影响。结果表明,基于车间通信的换道模型考虑了本道和目标车道更多车辆的速度及位置信息,效用函数使得车辆的换道行为考虑了更大范围内平均车速和平均车距的因素,而不仅仅局限于最近邻范围内交通状态的局部效用,从而抑制了换道的频率及其产生的干扰,增加了道路交通系统的通行效率。     

基于模糊推理的驾驶员换道模型

以换道过程中目标车道跟随车为研究对象,对跟随车与换道车之间的交互行为进行分析,采用模糊推理技术进行建模;选取相对间距、相对速度、最迟换道距离、驾驶员性格等作为模糊推理系统输入变量,换道支持度为输出,构造3类不同换道方式的模糊规则,建立基于模糊推理的车辆换道模型。结果表明:根据模糊推理的特点设计的换道模型能够反映车辆驾驶行为的自主特性;通过改变交通流密度进行数值模拟分析发现,相比于强制换道和对称双车道元胞自动机模型,协作换道模糊推理模型提高了整个路段的交通流平均速度,减少了路段交通拥挤。     

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。     

基于多机场终端区交通态势的航班延误预测

为了针对性地制定后续优化措施,以降低多机场终端区内航班延误所带来的不利影响,并提高多机场系统内各机场的运营效率,进行多机场终端区航班延误的预测研究。首先,考虑多机场终端区交通态势对航班延误的影响,在对多机场终端区交通态势进行分析的基础上,建立了6个描述终端区交通态势的指标。接着,构建反向传播（back propagation,BP）神经网络航班延误预测模型,将终端区交通态势指标、航班信息和天气环境数据等作为输入,航班延误时间作为输出,并利用粒子群优化算法（particle swarm optimization,PSO）优化BP神经网络进行训练。通过实例验证和分析,基于多机场终端区交通态势的航班延误预测能够有效提高预测准确率,同时,通过粒子群优化BP神经网络的预测模型预测准确率均高于一般的考虑交通态势的BP和遗传算法优化的BP神经网络模型（genetic algorithm and back propagation,GA-BP）。     

混合交通环境下逼近最优换道策略的 无人车驾驶模型

针对无人车在现实交通流中的驾驶行为以及车辆间相互影响机制还不明确的现状,提出逼近最优换道策略的无人车驾驶模型.结合无人车周围的交通环境,引入驾驶行为指标体系,利用层次分析法测算指标权值.基于欧氏距离与灰色关联分析的Topsis(Technique for Order Preference by similarity to an Ideal Solution)法建立驾驶行为决策模型来计算换道最优逼近值,代替随机换道策略驾驶模型中的随机概率值;建立逼近最优换道策略的无人车驾驶模型,利用美国洲际5号公路的实际交通数据对新模型进行数值仿真.结果表明:逼近最优换道策略的无人车驾驶模型明显优于随机换道的无人车驾驶模型,能够改善交通拥堵状况,提高整个道路车辆的行驶速度.     

基于GPS定位数据的高速公路换道特征分析与行为识别

为了实现对高速公路微观状态的监测,需要对车辆换道行为进行识别.利用车载GPS定位数据获取车辆换道参数,并分析换道车及其周围车辆在换道时的参数统计分布特征,提取换道行为表征参数,建立了基于隐马尔可夫的换道行为识别模型.结果表明:利用该模型可以实现对驶出换道、驶回换道和车道保持行为的较好识别,且能在换道发生后1s识别出换道行为,准确率高达92%.为后期实时换道预警提供参考.     

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型.首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33％,宏平均精确率为89.04％,宏平均召回率为92.84％,宏平均F1值为90.33％.结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果.