基于多目标优化的智能车辆换道轨迹规划

为提高智能车辆换道轨迹规划的拟人性和实时性,提出了安全、舒适、节能等多目标协同优化的换道轨迹规划算法,该轨迹规划方法的适应性取决于车辆换道时间、纵横向速度及加速度等关键变量的约束条件;基于车辆运动学和动力学理论,分析了动态未知环境下车辆换道安全区域,建立了六次多项式车辆理想换道轨迹模型,并运用遗传算法-BP神经网络理论对换道终止时刻及目标位置进行预测,得到了复杂场景下车辆换道轨迹簇;分析了基于可行解空间的车辆换道安全性、舒适性、经济性等性能评价函数,构建了多性能目标协同优化目标函数和约束条件,运用鲸鱼优化算法对换道轨迹簇进行优化,实现多性能目标协同的智能车辆换道轨迹最优规划;为进一步验证多目标优化轨迹规划算法的准确性,运用L3级智能车辆测试平台对结构化道路场景下多目标优化换道轨迹规划算法进行了试验验证。仿真和试验结果表明:提出的轨迹规划算法在满足各项约束的情况下可成功实现平稳、安全换道,并且与传统驾驶人换道相比,换道过程的安全性、舒适性及多目标综合性能分别提升了5.1%、3.3%和1.7%,有效提升了动态环境下智能车辆换道轨迹规划的拟人性。      

基于多目标优化的高速超车轨迹规划

为保障高速超车规划过程中的安全,同时提升轨迹的舒适性,笔者提出一种基于多目标的高速超车轨迹规划算法。该算法在可行凸空间的基础上求解出高速超车边界条件,再通过安全超车策略对超车行为的可行性进行分析,随后根据建立的超车轨迹规划目标函数和舒适性优化函数对轨迹的平顺性和乘坐的舒适性等目标进行优化,并且算法实时规划轨迹直至超车行为完成。为验证该算法的有效性,利用Prescan和MATLAB/Simulink构建联合仿真平台,对所设计的两种常见超车场景进行验证分析。仿真结果表明：在匀速超车以及加速超车场景下,相较于单目标优化,经多目标优化的超车轨迹的横向位移峰值、横向加速度峰值、横摆角速度峰值、曲率峰值,以及车速峰值的优化效果都获得了提升,有效的提高了所规划超车轨迹的舒适性和安全性。     

基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制

为实现实际动态交通环境下智能汽车的变道控制, 提出了基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制策略; 针对实际交通环境下目标车道车速和加速度的动态变化, 提出了智能汽车变道动态轨迹规划算法, 获得了能够避免智能汽车发生碰撞的变道轨迹的动态最大纵向长度; 设计了兼顾变道效率和乘员舒适性的优化目标函数, 优化获得了在变道轨迹最大纵向长度范围内的实时动态最优变道轨迹; 利用轨迹预瞄前馈和状态反馈相结合的类人转向控制方式, 实现了智能汽车变道动态轨迹跟踪和乘员舒适性的最优控制, 并利用硬件在环试验台验证了所提控制策略的正确性。研究结果表明: 定速工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.4%、4.8%和0.59 m·s-2; 定加速度工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.1%、4.6%和0.48 m·s-2; 变加速度激烈工况下实际与参考轨迹的侧向位移误差和最大侧向加速度分别为1.7%和0.80 m·s-2, 航向角超调后能迅速重新跟踪动态轨迹航向角; 所提控制策略可以很好地跟踪控制实际交通环境下目标车道汽车在定车速、定加速度和变加速度工况下的智能汽车动态变道轨迹, 从而能实现智能汽车最优变道, 可确保变道过程中不与目标车道汽车发生碰撞, 并兼顾变道效率和乘员舒适性。      

基于车辆动力传动和转向系统的换道轨迹优化策略

现有的换道轨迹研究大多是将换道轨迹规划和换道轨迹跟踪进行相对独立的研究,这类轨迹在实施过程中将产生不可避免的误差。为了消除这一误差以及缓解或解决由于不当换道行为引起的交通问题,本文提出一种考虑车辆动力传动和转向系统的换道轨迹优化策略,用以指导或替代驾驶员的换道行为。首先,利用Next Generation Simulation (NGSIM)数据获得换道过程的主要驾驶任务,并用highD数据对其进行验证。其次,基于二自由度车辆模型分析车辆的换道运动特性,构建能够被动力传动系统和转向系统所实现的换道轨迹。结果表明,所提策略可以在保证驾驶安全性的前提下,实现经济、舒适和高效的换道过程。单独考虑经济、舒适和高效的优化策略,能够分别降低35.71%的单位路程燃油消耗,94.58%的前轮转角的角速度以及70%的换道所需时间。这说明所提的换道轨迹优化策略能够从微观角度缓解或解决由不当换道驾驶行为造成的交通问题,并为驾驶辅助系统提供理论依据和方法指导。     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题，提出基于环境车辆偏离车道程度识别运动模式的方法；构建动态环境车辆横纵向轨迹预测模型，并求解；构建保持、先行、避让在内的决策集，提出基于预测轨迹的单个车辆决策方法，并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11，0.29，0.80 m，预测精度较高；复杂动态环境下，本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

基于Prescan的换道预警规则研究

对换道安全性进行研究,分析换道事故发生的主要原因。选取典型的换道场景,针对事故原因,进一步进行车辆运动学分析,建立出最小安全距离模型。综合考虑相对速度、相对纵向距离和评价指标TTC,提出符合实际的换道预警规则。运用Prescan和MATLAB/Simulink联合仿真,建立虚拟场景,进行验证。结果表明:提出的预警规则符合实际,具有实用价值和市场价值。     

车辆换道纵横向耦合控制

基于车辆纵横向动力学耦合模型,研究了自动化公路系统车辆换道纵横向耦合控制.假定换道过程中车辆横向加速度满足梯形约束,根据期望换道轨迹计算车辆换道时的期望横摆角和横摆角速度,依靠车载传感器获得车辆横摆角速度信息.采用有限时间滑模趋近律,设计了车辆换道纵横向耦合变结构控制规律.基于李雅普诺夫稳定性理论,对控制系统的稳定性进行了分析,得到了系统渐进稳定的充分条件.仿真结果表明:采用该控制规律,车辆在纵向速度变化的情况下能够良好地跟踪期望换道轨迹,跟踪误差小于0.06 m.     

智能电动车弯曲道路场景中的避障路径规划

为研究智能电动车在弯曲道路场景下进行避障规划的有效性, 提出了一种将笛卡尔坐标系转换为曲线坐标系的方法, 利用5次贝塞尔曲线对弯曲道路场景中的车道线进行逼近得到参考路径, 通过对参考路径进行弧长参数化, 以弧长为横坐标, 横向偏移为纵坐标的方法建立曲线坐标系, 根据车辆和子目标点在曲线坐标系中的位置关系, 采用3次多项式实时生成候选路径, 利用序列二次规划算法对候选路径进行优化; 为验证所提算法的有效性, 以某智能电动车为平台, 利用单目相机、64线激光雷达、工控机等设备搭建试验车, 通过Apollo平台对车辆在弯曲道路场景中的避障算法进行在线仿真, 在园区实车试验中对避障算法进行了GPS位置误差和航向角累计误差分析。研究结果表明: 在曲线坐标系中进行车辆弯曲道路场景下的避障路径规划, 能有效地描述规划路径曲率半径、车辆中心位置偏移车道线距离等信息, 容易确定自身车辆的可行驶区域、前方障碍物位置信息, 从而生成最优路径; 在园区场景的避障过程中, GPS位置误差发生在初始点、转弯点以及避障点, 最大误差为0.15 m, 航向角累计误差为12°, 突然增大的弯道位置误差主要由车辆姿态瞬时改变及障碍物匹配过程引起, 但是误差都能够很好地控制在一定范围之内, 利用曲线坐标系解决弯曲道路场景中的避障路径规划是可行的。      

基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法。速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控制。横向控制器根据参考路径、车辆反馈状态以及纵向上层控制器的期望速度计算车辆前轮转角。最后通过实验对比本算法与恒速MPC横向控制算法的轨迹误差,结果表明:本算法控制的车辆横向位移均方根误差减小了0.051 m,有效提高了车辆轨迹跟踪的控制精度。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划

为解决城市道路拥挤状态下车辆可行换道间隙少、换道时间长,进而导致停车等待、堵塞后续车流等问题,本文基于智能网联环境下车辆之间的交互协同,提出了一种混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划模型.首先,采用多项式和三角函数分别描述了换道过程中的空间轨迹和速度曲线,得出了换道间隙可行性判别依据.在此基础上,构造了换道启动可行状态集合,并构建了单个换道请求下的间隙适配和协同换道的最优控制模型.然后,考虑多换道需求,构建了主动间隙适配和换道序列规划模型,对换道序列进行整体优化.最后,设计了数值仿真实验,验证了本文模型可对多换道需求进行时空优化.仿真实验结果表明,本文模型能够降低换道行为对城市道路通行能力的影响,且适用于不同的交通需求,模型可提升24％的道路通过量.     

基于换道轨迹规划模型的车道级行程时间估计方法研究

在车联网环境下,为满足精细化的车辆诱导需求,提出基于换道轨迹规划模型的车道级行程时间估计方法。建立路网基础道路拓扑模型,对所构建的路网模型进行Link划分,并利用改进的5次多项式模型对车辆行驶轨迹进行描述,构建车辆在不同路段Link间行驶的换道轨迹规划模型;整合车辆在路段各个Link单元的行车轨迹与行程时间,实现车道级行程时间估计;选取单向4车道的城市道路为仿真算例,建立VISSIM仿真模型,验证本文模型性能。仿真结果表明,在不同的车辆行驶速度条件下,相比于传统行程时间估计方法,本文提出的改进5次多项式换道轨迹规划模型能够精确地得到车辆最短行程时间下的行车轨迹,实现车道级行程时间的准确估计。     

基于运动学的换道安全间距研究

通过建立基于运动学理论的换道模型并分析主车与原车道前车及目标车辆前后车的速度、加（减）速度及安全距离,研究车辆换道行为的安全性。研究结果表明：车辆在进行换道过程中,换道时间由车道及车辆的宽度、驾驶速度、纵向加速度及驾驶员的特性有关系。研究结果可为车辆安全换道决策提供重要依据。     

智能车辆自由换道轨迹规划研究

针对目前传统换道模型存在的两个缺陷:一是忽略了换道过程中前轮转向角为0的情况;二是存在侧向加速度过大、产生跃变或轨迹曲率不连续等问题。通过对其它车辆换道模型的比较,并结合等速偏移轨迹函数其侧向加速度恒为0的优点和正弦函数换道轨迹具有优异平滑性的特点,提出了一种新的换道模型,该模型能够较好的解决已有的一些车道变换模型存在的不足。并用MATLAB仿真实验对几个换道模型进行比较,证实所提出的换道规则的可行性和优势。     

基于社会力的驾驶员换道决策行为建模

为建立更加简单的换道决策模型和考虑换道车辆和目标车道车辆间的相互作用,在换道效用和安全间隙选择的传统方法基础上,将社会力跟驰模型与换道模型相结合,提出了一种基于社会力的驾驶员主动换道决策行为模型.首先,以社会力模型中跟驰力作为各车道运行效用函数,构建换道目标车道选择效用模型;其次,考虑换道过程车辆纵向安全性,利用跟驰力搭建换道车辆和目标车道车辆间相互作用效用模型以对安全间隙选择进行约束;最后,对所建立的模型利用NGSIM（next generation simulation）数据和MATLAB遗传算法工具箱中genetic algorithm函数对多车道下驾驶员换道决策行为（不换道、向右换道、向左换道）进行标定和验证.研究结果表明:基于社会力的主动换道决策模型能够很好地识别出驾驶员的换道决策行为,最优参数在标定数据中对不换道、向右换道、向左换道的识别率分别达到了93.44%、93.14%和90.77%,验证数据中换道决策行为识别率分别达到了86.16%、80.00%和80.27%;标定和验证的单个识别率都在80.00%以上,整体识别率分别达到92.66%和83.28%.      

考虑智能网联近邻车辆信息的交织区换道风险预警

面向车辆换道风险预测时特征差异大、样本不均衡、参数调优时间久的问题，将高精度微观车辆轨迹数据与超参数优化机器学习方法相结合，提出了一种可应用于智能网联车辆(ICV)的交织区换道风险识别与预警方法；基于无人机航拍视频，从广域视角提取了城市快速路交织区时间精度为0.1 s、空间精度为每像素0.1 m的换道轨迹，测算了车辆间距、矢量速度、加速度、接近率、速度角度等换道风险感知信息；引入考虑近邻车辆信息的换道TTC模型，以反映车辆汇入或汇出主线的迫切需求，描述其在不同位置的换道行为差异性；结合15分位数法和四分位差法，划分了换道风险预警等级；基于准确率、真阳性率、灵敏度等多项评价指标，遴选并对比了线性分类器、支持向量机、K近邻以及RUSBoost模型换道风险预测结果，得出交织区换道风险实时预警优选模型，针对优选模型进行了超参数优化与验证。研究结果表明：RUSBoost模型为优选模型；超参数优化机器学习方法迭代至第24次时，RUSBoost具有最小误差与最佳点超参数；RUSBoost、BRUSBoost优化模型预测准确率分别为91.40%、99.80%,AUC分别为0.96、0.99;BRUSB...     

基于自然驾驶的山区公路行驶舒适性研究

为了掌握山区双车道公路的行驶舒适性水平及其关键影响因素,在6条公路上开展了自然驾驶行为试验,采集了多款小客车的加速度连续变化曲线,用Matlab软件对实测数据进行滤波,提取了加速度曲线每个波形的峰值,得到了不同轴向加速度的峰值累积频率曲线、特征分位值和均方根值.试验研究结果表明:纵向加速度幅值要比制动减速度低50%,在试验道路上汽车加(减)速导致乘员不舒适的位置比例最高达6%;乘员在实际行驶中感受横向不舒适的路段比例为7%~10%;在各轴向的加速度中,对人体不适贡献依次是横向加速度ay、制动加速度ab、纵向加速度ax和竖向加速度az.     

汽车ACC系统算法仿真研究

巡航车辆的跟随特性和安全车距控制是ACC控制系统算法的核心。ACC算法采用分层式控制结构,以线性二次型算法为上层控制器核心,根据传感器测得车辆信息进行运算,通过间距控制策略和控制算法得到期望加、减速度;下层控制器以逆车辆动力学为基础,以MATLAB为平台建立节气门和制动力控制模型,得到期望节气门开度和制动力,实现车辆加速、减速运动控制。通过MATLAB和Car Sim联合仿真方式进行仿真实验,对经典线性二次型算法、改进线性二次型算法、综合线性二次型算法3种算法的间距策略进行仿真研究对比。对比3种算法的优缺点,并进行"走-停"工况进行验证。实验结果表明:改进后的算法更适合车辆自适应巡航特点,具有良好的平顺性与安全性,尤其较紧急制动工况下,停车平稳,提高了乘员舒适性与安全性。     

高速公路车辆换道行为风险研究

换道作为车辆的基本驾驶行为之一,对道路上车辆的运行安全有着至关重要的影响.针对高速公路上换道行为导致事故频发的现状,通过对换道车辆及其相邻车辆在换道过程中的运行特征及位置、速度关系进行分析,构建车辆安全换道模型.研究结果表明:通过对不同换道特征的换道行为进行MATLAB仿真,可确定车辆之间的不同速度、加速度情况及驾驶员反应时间下的动态安全距离,以此来确定换道安全和风险的动态临界阈值,为自动驾驶换道预警系统提供理论上的支撑.     

强制性换道的空间特征对分流区交通流的影响

为研究车辆在多车道分流区的跟驰换道行为，将强制性换道划分为激进型和保守型.在考虑驾驶员换道需求与空间位置关系的基础上，量化两种强制性换道行为的转换条件，并给出车辆强制性换道规则；对跟驰模型中的减速度参数进行优化，建立多车道下分流车辆的跟驰换道模型；采用实际数据标定模型中关键参数，并验证模型的可行性.仿真结果表明：分流车辆的横向空间分布对交通流的干扰具有显著性影响；当分流车辆集中在最左侧车道时，中间2车道的运行速度波动明显，折减量最大时达到51.4%，恢复稳定所需时间更多；通过 4组实验场景发现，分流车辆的合理空间分布对交通流运行速度有较大的改善作用.