混驾环境下基于主从博弈的多车协同决策规划

在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中,如何减小驾驶行为截然不同的2类车辆间的复杂相互作用对于车辆行驶安全性、乘坐舒适性和交通通行效率的影响,是当前自动驾驶决策与控制领域亟待解决的关键问题。提出了一个人机混驾环境下人工驾驶车辆与自动驾驶车辆之间的非合作博弈交互框架。首先,综合考虑车辆加速度线性递减的驾驶人纵向操纵特性、差异化配合程度和不同的延迟响应特性,建立人工驾驶车辆的纵向博弈策略。其次,考虑自动驾驶车辆与周围车辆的安全性约束,以及自动驾驶车辆在换道过程中的舒适性和通行效率目标,设计了自动驾驶车辆的纵向博弈策略。然后,基于主从博弈理论对不同混驾环境下人工驾驶车辆与自动驾驶车辆的博弈交互问题进行求解,得到最优的换道间隙和自动驾驶车辆的纵向速度轨迹,并采用模型预测控制方法规划出自动驾驶车辆的横向安全换道轨迹。最后,根据人工驾驶车辆不同配合度和延迟响应时间的差异,设计了多组人机混驾试验工况进行验证。试验结果表明：自动驾驶车辆能够快速准确识别人工驾驶车辆的配合度,选择出最优的目标换道间隙,并与间隙周围的自动驾驶车辆协作来汇入目标间隙。在换道过程中,自动驾驶车辆始终与周围车辆保持安全...     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于车车通信的车辆并行协同自动换道控制

为研究多车协同自动换道,分析了三车道八车场景中两车协同行为,对两车并行协同行为进行界定,提出了两车并行协同自动换道控制策略。针对三车道八车场景,以车车通信为条件,实时获取周围车辆的运动状态变化和换道意图,根据周围车辆的运动状态,设计了两车协同换道轨迹模型,规划换道车辆的参考协同换道轨迹。在此基础上,提出了并行协同自动换道安全距离模型,以形成换道车辆与周围车辆的换道轨迹约束,保证生成安全可靠的协同换道轨迹。最终根据规划的安全参考轨迹,采用模型预测控制算法,实时优化换道车辆的速度和前轮转角,实现轨迹纵横向跟踪。仿真结果表明,所提出的并行协同控制策略能够实现两车安全协同自动换道,同时提高换道效率。     

基于双五次多项式的智能汽车换道轨迹规划

为满足智能汽车换道过程中安全性和舒适性的要求,提出了一种基于双五次多项式的智能汽车换道轨迹规划算法。以动态规划换道时间和增加舒适性约束条件来改进五次多项式规划算法,在该基础上结合当前环境和换道始末状态计算出中转状态,并采用两次改进的五次多项式算法避免与前方车辆碰撞。轨迹规划与轨迹跟踪的仿真和试验结果表明,对于不同的工况,本文中提出的双五次换道轨迹规划算法在横向速度、加速度、加速度变化率以及算法运行时间等方面都具有优势,得到的轨迹也满足实际状况下的车辆换道要求,安全性得到提升且操纵稳定性良好,证明该算法具有一定的实际应用价值。     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于熟练驾驶换道特征的车辆换道轨迹规划研究

传统的换道路径规划方法在车辆进行换道路径规划时往往只考虑车辆运动学及动力学约束,所生成的换道路径与熟练驾驶员驾驶车辆的行驶轨迹有很大差别。因此,文章通过研究熟练驾驶员的换道行驶路径特征,提出了一种仿熟练驾驶员换道路径规划方法,能够有效提高汽车舒适性。     

智能汽车换道路径规划研究

换道是智能汽车在道路行驶操作中重要部分之一。传统的换道路径规划方法在进行换道路径规划时往往只考虑车辆运动学及动力学约束,所生成的换道路径与熟练驾驶员驾驶车辆的行驶轨迹有很大差别。因此,文章通过研究熟练驾驶员的换道行驶路径特征,提出了一种仿熟练驾驶员换道路径规划方法,能够有效提高智能汽车舒适性。     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型。首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布。其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相比于传统的车间临界距离计算模型,提出方法能够动态刻画出车辆在不同速度、加速度条件下临界距离的变化趋势,并且能够根据车辆不同的运动状态,动态表达出车辆间临界距离的变化。在此基础上,根据智能网联环境下车辆各类运动状态能够被实时感知的特点,总结出车辆各类运动状态下需要的换道安全临界时间,最终建立基于安全势场理论的最小安全距离换道模型。最后,对模型进行数值仿真分析,仿真结果表明：车辆换道所需要的最小纵向安全距离与换道车辆以及其周围车辆的运动状态有着直接关系。在今后趋于成熟的智能网联环境下,该模型可以进一步进行扩展,利用安全势场的分布情况,对车辆换道过程进行动态实时干涉,能够为今后智能网联环境下车辆协同换道、车辆自动驾驶以及车辆群体优化控制等相关研究提供一定的理论支撑。     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

智能汽车换道轨迹规划曲线研究

目前随着信息化、数据化、自动化、智能化越来越深入,智能网联汽车也在飞速发展,在车辆换道的过程中,轨迹规划曲线就显得十分重要,直接决定换道的安全性、舒适性、效率等。随着轨迹规划曲线的发展,先后有人工势场法,曲线拟合法,搜索算法等方法,利用曲线拟合法进行轨迹规划也是当今智能车辆领域最常用的方法之一,通过给定的车辆的起始点和终点生成连续、舒适、满足动力性要求的曲线,并对曲线拟合的各个方法的优缺点进行比较分析。     

基于虚拟现实的车辆换道最小安全距离研究

从换道需求和换道安全两个方面对换道行为进行了分析,结合阅读文献给出了常用的分析模型。在此基础上,以换道车辆为目标,运用车辆运动学理论,对车辆换道过程中目标车辆与周围车辆的安全距离进行了分析,给出了多车道、多车辆情况下相应的换道最小安全距离模型。为使换道时各车辆间的位置关系以及运动安全状态有效、直观的表现出来,利用虚拟现实建模语言VRML和Matlab/Simulink建立了联合动态仿真模型,对给出的最小安全距离模型进行了实验验证。实验结果显示,给出的换道最小安全距离模型能够有效的实施安全换道决策,避免碰撞发生。     

基于二次规划的智能车辆动态换道轨迹规划研究

为实现智能车辆的自主换道操作并满足安全性、舒适性和实时性等约束条件,提出一种针对动态交通环境的换道轨迹规划模型。该模型由道路平面曲线表征模块、路径生成模块以及速度曲线生成模块组成。首先,在道路平面曲线表征模块中,模型基于实时获取的周边道路信息,利用切比雪夫多项式插值法回归拟合出连续可导的道路平面曲线函数,用以保证模型在各种道路平面线形上的普适性。然后,在路径生成模块中,根据换道车辆初始时刻的运动状态,建立一系列多项式方程,并利用牛顿迭代法求解方程未知参数,以此生成连接初始位置和目标位置的换道路径,用以保证换道轨迹的平滑性。最后,在速度曲线生成模块中,以满足防碰撞约束、跟驰加速度约束以及车辆运动状态约束为目标,构建二次规划模型,生成沿着换道路径的车辆速度曲线,用以保证换道轨迹的安全性和舒适性。此外,考虑到周边动态的交通环境,车辆系统在每个时间步内会循环调用提出的模型实时更新换道轨迹,直至车辆到达目标位置。仿真试验结果表明：应用提出的换道轨迹规划模型,车辆能够有效避免与周边动态车辆发生碰撞,成功完成换道;基于二次规划框架,模型优化求解时间明显缩短,满足轨迹规划的实时性和有效性要求。     

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。     

换道操作对智能车辆乘客舒适性的影响研究

乘坐舒适性是决定乘客对智能车辆接受度的重要因素之一。为了提升智能车辆的舒适性,服务智能驾驶控制算法的设计和优化,开展了基于乘客主观感知的实车乘坐舒适性试验,试验中驾驶人驾驶传统车辆执行多次换道操作,获取了60名被试乘客对换道操作的舒适性评价数据,并采集了车辆的运动数据。选取换道时横向最大加速度、回正时横向最大加速度、横向最大加加速度、横向加速度转换幅值以及横向加速度转换频率这5个车辆运动参数作为研究对象。采用二元Logistic回归单因素分析法分析了这5个车辆运动参数对乘坐舒适性的影响,采用接收者操作特征(ROC)曲线分析法为不同晕车易感性的乘客分别确立了这5个车辆运动参数的舒适性阈值,并根据岭回归分析法确定了不同参数对乘坐舒适性的影响权重。结果表明：所选取的5个车辆运动参数对乘坐舒适性具有显著影响,易晕乘客的舒适性阈值小于不易晕乘客的舒适性阈值,在换道过程中,换道时横向最大加速度、回正时横向最大加速度和横向加速度转换幅值是影响乘坐舒适性的主要因素。最后根据车辆运动参数和乘客生理特征参数建立了基于动态时间归整(DTW)和K最近邻(KNN)算法的乘坐舒适性预测模型,该模型对乘坐舒适性的预测准确率为84%,可用于智能车辆控制算法的舒适性判断。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

基于线性路径跟踪控制的换道避撞控制策略研究

为实现车辆自主避撞,改善道路交通安全状况,提出一种基于线性路径跟踪控制的换道避撞控制策略。为实时确定制动和换道时机,获取跟车状态下自车和前车车速、加速度、相对距离以及驾驶人制动反应时间计算制动安全距离和换道安全距离,并在此基础上分别引入制动危险系数B和换道危险系数S评估制动与换道风险,使得车辆发生追尾碰撞的危险程度和主动干预阈值更直观。根据车辆期望横向加速度和期望横向位移的变化特性,采用5次多项式法规划符合驾驶人换道避撞特性的避撞路径。为保证换道避撞过程中驾驶人的安全舒适,采用最大横向加速度约束换道避撞轨迹。为实现对换道避撞路径的线性跟踪控制,保证车辆的操纵稳定性和横摆稳定性,基于车辆稳态动力学模型建立前馈控制,结合线性反馈控制消除换道路径的位置和横摆角偏差,修正参考路径实现直车道场景追尾避撞控制。仿真和实车交叉验证试验表明：根据车辆期望横向加速度和期望横向位移建立的符合驾驶人换道避撞特性的五次多项式换道路径与驾驶人实际换道避撞路径基本吻合,结合碰撞时间和车间时距的制动避撞控制策略能够在保证车辆行驶安全舒适性的同时有效避免车辆追尾碰撞,减少交通事故的发生。     

不完全车联网环境下元胞自动机换道模型研究

随着车联网技术的不断发展,自动驾驶车辆加入交通流中的可能性逐步增大,进而形成新的混合交通流.在综合考虑自动驾驶车辆对于较大范围内交通信息实时感知能力以及车辆间信息交互对于换道的影响,提出了自动驾驶车辆关注区间的概念,设计了不完全联网环境下新型混合交通流元胞自动机换道模型,通过改变自动驾驶车辆比例、自动驾驶车辆关注区间大小、交通流密度等参数进行数值模拟.结果表明:新型混合交通流元胞自动机换道模型,能够帮助提高交通流平均速度15%左右,改善道路通行效率.     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

面向城市道路的智能网联汽车多车道轨迹优化方法

为提高城市路网下智能网联汽车的通行效率以及燃油效率,提出面向城市道路的多车道时空轨迹优化方法。首先,结合多车道时空位置关系定义智能网联汽车状态与约束,综合考虑通行效率与燃油经济性构建时空轨迹复合优化模型,并采用庞特里亚金极大值算法进行求解。然后,本文设定协同换道的规则,并通过Q-learning算法获取最优的换道策略。最后,通过SUMO/Python联合仿真验证了该方法可以在不同车辆饱和程度、绿信比状态及最低通行速度条件下有效提高通行效率,且燃油效率得到明显改善。     

基于分段优化的车辆换道避障轨迹规划

为提高复杂道路场景下智能车辆换道避障的安全性和舒适性，提出了一种基于分段优化的智能车辆换道避障轨迹规划方法。首先考虑多种换道可能，根据本车状态和多个采样点生成基于五次多项式的候选y-x曲线簇和x-t曲线簇；其次基于指数函数设计了一种障碍风险评价函数，并结合轨迹平顺性、利他性和行驶效率等构建了综合评价体系，选取出最优参考轨迹，为智能车辆换道避障提供方向和速度的参考，以防止轨迹优化时陷入局部最优；为适应障碍物运动状态时变的特点，以参考轨迹为引导，构建分段五次多项式y-x曲线和x-t曲线，并考虑与障碍车辆的碰撞风险建立了优化目标函数，将轨迹优化问题转换成带约束的非线性规划问题，通过外点法求出最优轨迹。最后基于MATLAB平台进行了仿真验证，结果表明，所提出的轨迹规划方法在满足换道平顺、舒适要求的基础上提高了车辆的环境适应性和避障调整能力。