城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

基于时空融合LSTM网络的驾驶视角轨迹预测

自动驾驶环境感知系统的重要任务之一是对周围交通目标进行轨迹预测,其输出轨迹可为决策控制和路径规划提供所需目标信息.考虑传统轨迹预测方法一般基于俯视视角而难以满足自动驾驶车载感知的实际需求,提出一种基于长短时记忆(LSTM)网络模块、空间交互模块和时间行为注意力模块相融合的驾驶视角轨迹预测算法.为更好体现交通目标与周围环...     

单车场景下城市交叉口的智能驾驶车辆左转决策研究

在复杂动态的城市道路环境中,不同的交通参与者之间会不可避免地产生时间或空间上的冲突。针对该问题,对智能驾驶车辆在城市交叉口左转时潜在的冲突行为进行分析并建立决策模型。考虑了车辆运动模式并基于高斯过程回归模型(GPR)建立了直行车辆长时轨迹预测模型,结合轨迹预测提出了基于冲突消解的智能驾驶车辆决策流程(模型)和考虑多因素的驾驶动作选择方法。基于Matlab/Simulink&Prescan搭建仿真验证平台,联合真实数据对算法进行验证。结果表明,单车场景下,决策模型能够以90%的成功率引导无人驾驶车辆完成通行任务。     

基于混合A*算法的自动驾驶汽车轨迹生成

自动驾驶汽车混合A*算法运行迅速,但是难以保证曲率的连续性和汽车舒适度,并且不能保证优化后的结果无碰撞。针对以上问题,以提高汽车舒适性为目的,基于最小冲击度对A*算法进行优化,在MATLAB和栅格地图中进行了算法预研,解决了低速场景下自动驾驶汽车运动过程中舒适度不足的问题。然后,针对优化算法可能导致轨迹碰撞的问题,对优化算法进行了改进,保证了汽车的安全性,并给出了“走廊”自动调整的策略。仿真结果表明:优化后的轨迹无碰撞且曲率更小,加速度不超出正常范围,可以满足正常驾驶需求。     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性，基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台，该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力，可动态模拟不同的路面附着系数，同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度；采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真，模拟多种道路交通场景，并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统，完成了多项关键技术研发，包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法，可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外，为验证快速测试平台的有效性，以U-turn轨迹跟踪控制为研究实例，基于简化的车辆运动学模型和模型预测控制算法，在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况，自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好，与参考轨迹的偏差小于8%，证明了该测试平台检测方法的有效性。     

基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法，首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性，然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本，得到适应复杂行车场景不确定性的量化感知风险，并基于贝叶斯理论融合预测区间内的量化感知风险时间序列，实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明，相比于经典TTC指标方法，基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化，为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。     

基于时-空注意力机制的车辆轨迹预测

城市交通环境中车辆的驾驶行为随机性较高，且驾驶人驾驶风格迥异。为了解决复杂交通环境下车辆行驶轨迹难以精确预测的问题，在社会生成对抗网络(Social GAN)的基础上，考虑车辆的行驶速度、加速度、航向角等行驶状态参数和形状尺寸，建立车辆间交互影响力场模型，提出一种基于时-空注意力机制的车辆轨迹预测算法(SIA-GAN)。根据受到场景中其他车辆交互影响力的大小赋予其他车辆不同的空间注意力权重因子，重点关注对自车行驶影响较大的车辆信息，并结合时间注意力机制挖掘自身车辆对观测时段内历史轨迹特征向量的时间依赖性，得到车辆预测轨迹。为验证所提算法的有效性，在开源数据集上对算法进行迭代训练，并与LSTM、Social LSTM、Social GAN三种轨迹预测算法进行对比分析。研究结果表明：SIA-GAN不仅在训练时的收敛速度上有较大提升，且与现有其他轨迹预测算法相比在平均位移误差、最终位移误差、平均速度误差、平均航向角误差等评价指标均有大幅下降，预测3.2 s时各项指标平均降低了51.25%、60.1%、37.84%、13.75%;预测4.8 s时各项指标平均降低了52.78%、61.47%、3...     

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LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域，经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换，这对于实现安全高效的自动驾驶至关重要，然而目前的自动驾驶车辆往往缺乏这种预测能力。为此，基于深度学习理论，提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法，利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征，并引入碰撞时间（Time to Collision，TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash，DRAC）2种风险指标，将变道车辆及其周围车辆视为一个整体状态单元，同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征，从而更有效地刻画车辆间的动态交互行为；然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory，LSTM）的编-解码器，预测交织区车辆变道的未来运动轨迹，通过添加软注意力模块，使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息，再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度，在长时域的变道轨迹拟合上有显著的优越性，为辅助和自动驾驶领域的发展提供了新思路。     

基于异质边增强时空图注意力网络的自动驾驶换道轨迹规划

轨迹规划仍然是自动驾驶技术大规模应用所面临的关键难题之一。例如,自动驾驶中的换道轨迹规划算法通常被构建为一个针对代价函数的优化过程。然而,为适应多样化的交通场景而手动调整代价函数中的特征权重,是一项极具挑战性的任务。针对这一问题,提出了一种基于异质边增强时空图注意力网络(Heterogeneous Edge-enhanced Spatial-Temporal Graph ATtention network, HEST-GAT)的新型换道轨迹规划方法。首先,采用逆强化学习技术,从大量专家级换道示范中提取代价函数的特征权重向量,构建了一个专家级换道示范数据集。然后,将交通场景构建为一个异质有向图,其中,交通参与者的位置定义为节点属性,交通参与者间的相对位置作为边属性,交通参与者之间的关联类型则定义为边类型。边的属性和类型组合,形成了边的特征表示。为捕获交通场景中的空间和时间信息,采用HEST-GAT网络进行特征提取,并计算了各场景下代价函数的特征权重。接着构建了一个结合轨迹特征和特征权重的代价函数,并通过优化过程生成最终的换道轨迹规划。为验证所提出方法的实用性,在真实驾驶数据集上进行了多轮...     

自动驾驶汽车轨迹规划方法综述

作为自动驾驶车辆的重要组成部分,轨迹规划是影响自动驾驶智能化水平的关键。综述10年来智能驾驶车辆轨迹规划方法并将这些算法分为基于图搜索、基于采样、基于数学优化、曲线插值和机器学习5类。针对每类算法进行了阐述,阐述算法在实际场景中的应用并分析了其优缺点。最后指出了目前依然存在的问题和挑战,并总结了未来研究发展方向。     

自动驾驶汽车-行人交互研究综述

自动驾驶汽车已开始在部分开放道路进行测试,其与行人等其他交通参与者共享混行道路,面向自动驾驶汽车的车外人机交互技术亟需开展深入研究,以便行人快捷、高效地理解自动驾驶汽车的行驶意图,确保混合交通场景通行安全并提高通行效率。本文首先阐述了自动驾驶汽车与行人交互的重要意义,并从行人检测与跟踪、行人意图识别及行为预测、自动驾驶汽车的决策3个方面介绍了目前自动驾驶汽车的车外人机交互前期支撑技术研究概况,着眼于自动驾驶汽车行驶意图的表达,对交互需求和车外人机交互界面的设计原则及质量评估进行了梳理,最后提出了车外人机交互面临的挑战及未来的发展方向。     

装载机避障轨迹规划及模型预测轨迹跟踪

轮式装载机在工作区域行驶时，避障过程频繁，以往的避障轨迹规划未考虑整车转向半径约束和车速变化，也较少考虑整车在动力学模型条件下的轨迹跟踪性能。针对上述情况，以自动驾驶轮式装载机为对象，基于最优快速随机扩展树算法（RRT^*），考虑车身膨胀圆个数，生成全局最优避障路径，以整车最小稳定转向半径为约束，利用CC-Steer算法对避障路径进行平滑处理，采用路径-速度分解算法规划满足整车在加速、匀速和减速状态下的避障行驶轨迹。基于整车动力学模型，考虑行驶过程中的横向位置偏差和航向角偏差，并将整车动力传动系统视为1阶惯性环节，构建装载机动力学状态空间方程。以加速度和铰接角为控制输入，以车速、横向位置偏差和航向角偏差为控制输出，建立整车动力学预测模型，以加速度、铰接角和车速为约束条件，将目标函数转换为二次规划问题，建立满足装载机在工作区域避障的模型预测轨迹跟踪控制系统。以规划的非匀速行驶避障轨迹为目标，利用构建的模型预测轨迹跟踪系统，进行自动驾驶轮式装载机的轨迹跟踪仿真。研究结果表明：所提方法能够很好地控制自动驾驶轮式装载机从初始位姿驶向目标位姿，实现整车在工作区域的避障过程，且在避障过程中满足整车的约束要求，保证整车在轨迹跟踪过程中的安全稳定性能。     

基于城市先进道路交通系统的智能交通仿真平台设计

针对自动驾驶汽车在复杂交通场景中的测评需要,通过对先进道路交通系统的通讯、监控、大数据的技术集成构建了智能交通仿真平台。基于212种中国城市道路交通场景,该仿真平台通过半实物的方式还原了常见的200种自动驾驶运营场景,为自动驾驶汽车的技术研发、功能测试以及智能交通系统的策略研究提供了可视化的验证,大大节约了智能网联汽车的开发成本,并为其开发成效提供了新的途径。     

基于两阶段分类算法的中国交通标志牌识别

自动驾驶技术对于缓解交通拥堵,降低交通运输成本具有重要作用;高级驾驶辅助系统（ADAS）可以有效增加汽车驾驶的舒适性和安全性。交通标志牌中包含了丰富的语义信息,为自动驾驶汽车和ADAS的决策提供重要约束,因此交通标志牌的识别算法开发至关重要。本文基于中国交通场景特点以及自动驾驶、ADAS对于交通标志牌识别的高准确性需求,提出了一种基于两阶段分类的交通标志牌识别算法框架。算法包含检测和分类两个阶段,检测阶段检测出图像中的交通标志牌,分类阶段对交通标志牌先后进行大类和子类划分。算法通过细化任务,独立提升各算法模块的性能,进而提高整体算法的识别精度。本文对单阶段识别算法进行改进作为算法的检测模块,实验结果表明,提出的算法精度上优于基准单阶段识别算法,mAP平均提升8.52%,并且在检测速度优于传统两阶段识别算法Faster RCNN的情况下,mAP提升40%以上。     

基于横向稳定的减速变道轨迹与跟踪控制

随着自动驾驶的发展,无人自动驾驶车辆的控制已经成为热点.而无人自动驾驶车辆的安全性和稳定性是重中之重.针对智能驾驶汽车在一定换道距离下保持稳定的减速换道鲁棒性差的问题,提出了 一种基于MPC模型预测控制器和比例积分PI控制器相结合双控制器的变道稳定性轨迹确定与跟踪控制方法.为了确定汽车行驶路线,横向与纵向位移分别由5次...     

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。     

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...     

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景，从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络，对神经元中的激活函数进行替换，从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性，结果显示本模型可以更好地学到人类的安全换道行为，可推广使用。