面向动静态混合环境的智能车运动规划方法

针对存在动态和静态障碍物环境中的智能车运动规划问题，本文提出一种基于三维搜索的方法。该方法首先在笛卡尔坐标系中增加时间维度以建立时间-空间栅格，构建不同车速下的车辆运动基元；将智能车转化为多个圆心组成的线段，采用膨胀静态障碍物的方法进行不规则障碍物碰撞检测，运用时间间隔法将动态障碍物碰撞检测简化为线段交叉性检测；构建包含最大速度和加速度约束的速度启发式函数，用于引导搜索树在时空空间中快速到达目标位置和速度；最后基于启发式方法和局部运动规划方法在时空栅格中进行搜索，获取融合时间信息和“停止-等待”等决策信息的运动轨迹。实验结果表明：本文运动规划方法在动静态混合环境中能够引导智能车安全行驶，相比速度障碍方法，安全行驶的平均成功率提升23%；相比混合A*方法，平均成功率提升19%，行驶耗时缩短21%。     

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。      

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测，本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先，通过特征筛选和历史轨迹序列标注建立轨迹预测数据集；其次，构建长短时记忆网络的编码器-解码器模型，编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量，解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹；最后，采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明：本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性，5 s的终点位移误差在2.7 m以内；并且模型在稀疏采样后的数据集上达到更高的预测准确率，5 s的位移误差在1.3 m以内。     

混合交通流环境下单交叉口自动驾驶车辆轨迹优化

信号交叉口对城市道路的通行能力以及车辆的燃油消耗具有重要影响。本文提出一种在自动驾驶车辆和人工驾驶车辆混合交通流环境下的自动驾驶车辆的轨迹优化方法。基于交叉口信号灯的配时方案,构建车辆旅行时间估计模型,并以自动驾驶车辆燃油消耗最小以及通行效率最大为目标,构建自动驾驶车辆轨迹优化模型,对车辆进行动态轨迹规划和控制。车辆轨迹滚动优化模型采用高斯伪谱法进行离散化求解,并基于SUMO仿真平台对模型结果进行验证。仿真结果表明,自动驾驶车辆可以通过优化自身控制变量影响人工驾驶车辆的运行状态,减少交通流的排队以及时走时停现象。本文提出的车辆轨迹优化方法对于降低车队整体燃油消耗、提升车队平均速度、缩短平均行程时间具有重要作用。     

基于视频的交叉口排队过程感知及预测

在研究交叉口排队过程中，全面、精细地感知及预测方法一直是难点. 传统的排队过程感知方法缺乏不同排队阶段的精细感知和关联，无法得到全面、精细的交通参数. 对此，提出一种基于视频、分阶段感知再关联的排队过程感知及预测方法. 该方法包括3 部分：第一，通过目标检测和边缘检测提取道路和车辆信息；第二，对道路和车辆边缘信息进行卷积融合，检测排队区域和排队长度；第三，利用车辆位置重构和KCF跟踪等方法感知并关联不同排队阶段，重构并预测交叉口车辆运行轨迹，得到精准到车辆个体的排队车辆数和停车延误等参数. 实验结果表明，所提方法在检测正确的情况下，平均95.7%的排队车辆轨迹重构结果是准确的；并且在实际应用场景测试中，在不同车流量和光照条件下均可取得满意的效果.     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

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。     

驾驶人“感知-决策-操控”行为模型

为准确模拟驾驶人跟车行为，提出基于隐马尔可夫模型(Hidden Markov Model，HMM)的驾驶人“感知-决策-操控”行为模型。建立描述驾驶意愿的HMM模型，模拟驾驶人感知过程，获得期望的车间距；预测模块模拟驾驶人根据交通环境和自身生理、心理状态预测车辆未来轨迹，即决策过程；优化模块描述驾驶人为使预测的车辆轨迹跟踪上期望的车辆间距而采取的操控汽车的执行动作，即操控过程。上述3个模块的滚动过程实现了对驾驶人跟车行为的模拟。利用自然驾驶数据进行算例分析，结果表明，本文模型预测车间距平均误差仅为1.47%，证明了所建模型的有效性及准确性。本文为驾驶行为建模方法的理论研究和应用拓宽了思路。     

面向群体行驶场景的时空信息融合车辆轨迹预测…

将车辆间时空交互信息融入卷积社会池化网络中，提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型；使用长短时记忆(LSTM)网络预测群体车辆速度，基于此预测值计算群体车辆间的速度差；构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征，设计卷积社会池化网络提取群体车辆间的空间依赖关系，使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹，将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果；使用真实轨迹数据集对所构建模型进行了参数标定和性能验证，测试了不同轨迹编解码与速度预测方法对模型性能的影响，确定了最优模型结构。计算结果表明:相较于历史速度，使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%；相较于门控循环神经网络，使用LSTM进行速度预测可将RMSE降低4.91%；相较于原始卷积社会池化网络，所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%，明显优于其他卷积社会池化网络变体；所提出模型与原始卷积社会池化网络计算耗时差距约3 ms，能够满足实时应用要求。      

基于模型预测控制的CACC系统通信延时补偿方法

为确保通信延时条件下协同式自适应巡航控制(CACC)系统的弦稳定性，利用模型预测控制(MPC)和长短期记忆(LSTM)预测方法，研究CACC系统中车辆协同控制下的通信延时补偿方法；基于车辆队列四元素架构理论，构建了包括车辆动力学模型、间距策略、网络拓扑和MPC纵向控制器的系统模型，并综合考虑2范数和无穷范数弦稳定性条件，提出了CACC车辆队列混合范数弦稳定性量化指标，最终形成协同式车辆队列建模与评价体系；设计了一种利用前车加速度轨迹(PVAT)作为开环优化参考轨迹的MPC方法，即MPC-PVAT，通过综合考虑队列的跟驰、安全、通行效率和燃油消耗等性能指标，使目标函数趋于最小代价，从而得到当前时刻的最优控制量，并利用庞特里亚金最大值原理对所设计的优化问题进行快速求解；在MPC-PVAT基础上，提出一种基于长短期记忆(LSTM)网络的通信延时补偿方法，即MPC-LSTM，将跟驰车辆的传感器信息输入LSTM网络来预测其前车的运动状态，从而缓解短暂通信延时对车辆队列稳定性的影响。仿真测试结果表明:MPC-LSTM可容忍的通信延时上界大于1.5 s，比MPC-PVAT提升了0.8 s，比线性控制器提升了1.1 s；在基于实车数据测试中，当通信延时增加到1.2 s时，MPC-LSTM的弦稳定性指标相比MPC-PVAT提升了20.33%，与线性控制器相比稳定性提升了39.35%。可见，在通信延时较大的情况下，MPC-LSTM对通信延时具有很好的容忍性，从而有效地保证了CACC车辆队列的弦稳定性。      

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Stackelberg 博弈理论的自主性车道变换模型

本文提出了一种基于Stackelberg 策略的自主式车道变换模型.车道变换是一种 非常复杂的决策过程,很多因素会影响驾驶员做出变换车道的决策.本文关注自主式车道 变换情况,在自主式车道变换中驾驶员希望通过车道变换来得到更好的驾驶环境,例如 更高的速度或者更大的车头时距等.车道变换是一个决策的过程,在这个过程中驾驶员会 权衡诸多的因素并做出决策.在车道变换过程中目标车辆和在目标车道上的后随车辆会 相互产生影响.另外不同的驾驶员有不同的特点,即便在相同的交通环境下也会做出不同 的决策.我们利用Stackelberg 策略理论对驾驶员的车道变换决策行为进行建模,并利用仿 真对所提出的模型进行验证.     

基于动态概率网格和贝叶斯决策网络的车辆变道辅助驾驶决策方法

提出了一种车辆变道辅助决策方法, 向驾驶人提供变道行为决策; 构建了由车载GPS、相机传感器和雷达组成的行车环境信息传感装置, 利用非采样B样条曲线模型对车道线建模, 通过控制点位置求解与搜索策略实现车道线的检测、跟踪与类型识别; 根据车道线信息确立有效行车区域, 并建立了一种动态概率网格的行车环境几何模型, 对有效行车区域进行紧凑型表征; 考虑了车辆对行车环境表征结果可靠性的影响, 根据高斯分布将车辆位置信息映射到动态概率网格中, 计算了每个行车单元的占用概率; 将车道线信息与网格单元占用概率作为初始节点状态参数, 输入贝叶斯决策网络, 估计概率网格单元的占用状态, 量化输出当前行车环境表征结果以及不变道、向左变道、向右变道3种变道决策的期望效用值, 通过计算各决策的期望效用值比率确定最优变道决策。试验结果表明: 在场景1中“向左变道”决策的期望效用值最大, 为0.70, 视为最优决策, 在其动态概率网格中, 右侧车道线“实线”状态参数为100.00%, 因此, “向右变道”决策效用期望值最小, 决策系统输出的最优决策“不变道”符合中国交通法规, 也表明检测车道线类型的必要性; 场景2的“不变道”和“向右变道”决策期望效用值分别为0.43和0.44, 比率接近1, 无法判断最优决策, 驾驶人可根据经验决定是否变道。      

一体式车辆避撞轨迹规划与跟踪控制

为提升复杂交通环境中智能车辆的避撞能力,将路径规划、速度规划及跟踪控制整合为一个优化问题,提出一种基于模型预测控制(MPC)的一体式车辆避撞轨迹规划和跟踪控制方法。首先,分析实际交通环境中的避撞场景,将智能车辆的避撞控制问题转化为多约束优化问题;其次, 搭建7DOF(七自由度)车辆动力学模型和复合滑移工况的UniTire轮胎模型设计MPC控制器;再次,针对变速控制问题中传统基于时域预测模型的MPC控制方法无法在预测时域中实现车辆空间和位姿约束的问题,设计了基于空间域预测模型的MPC控制器;最后,基于Matlab和CarSim联合仿真平台设计了不同避撞场景验证所提方法,并与现有基于恒速假设的一体式避撞控制方法进行对比。仿真结果表明：所提方法能够充分发挥车辆的机动性能,解决现有一体式控制方法在 复杂环境中避撞失败的问题,并保证避撞过程稳定和轨迹平滑。     

城市干线短交织区元胞自动机多级换道决策模型

为探索城市干线短交织区交通运行特性，基于高精度车辆轨迹数据，提出细化元胞尺寸与步长的交织区元胞自动机多级换道决策模型.划分上下游、交织影响区等多个分区，独立设置变量与规则进行建模；考虑车辆换道速度差、间距及换道安全风险，建立上下游换道模型，交织影响区多级换道决策模型；对未分区换道模型(I)，分区STCA换道模型(II)，分区多路合流换道模型(III)，本文模型(IV)进行仿真验证.与实测数据相比，本文模型平均车道流量误差仅为 1.64%. 模型 I~IV 在交织影响区的平均速度误差分别为 98.35%、23.77%、16.46%、7.45%，换道次数误差分别为33.34%、97.75%、62.97%、11.85%.结果表明，本文模型能有效模拟短交织区复杂的换道行为及交通流特性.     

多车道交织区车辆跟驰行为风险判别与冲突预测

车路协同系统(IVICS)是保障安全高效出行的新兴技术之一,将高精度车辆轨迹数据与机器学习方法相结合,提出一种可应用于 IVICS 的多车道交织区的潜在风险判别与冲突预测方法。首先,基于无人机视频,从广域视角提取交织区交通矢量位置、速度等信息,并划分上下游、交织影响区等多个分区;然后,考虑决策行为(车车边缘距离、接近率)与车辆行为(横纵向速度、加速度、速度角度)构建风险判别模型,以单位面积冲突次数、持续时间、冲突密度等指标评估风险;最后,基于朴素贝叶斯模型与logistic回归模型分别进行交通冲突预测,与实测数据相比,预测准确率分别为74.86%、87.10%,Area Under Curve分别为0.84、0.88,表明logistic回归模型具有更好的预测性能。研究成果有助于交管部门制定与优化交通管控方案,可应用于IVICS动态预警。     

基于安全势场的网联自主车辆跟驰行为决策及模型

为改善网联自主车辆(CAV)的跟车安全和效率,针对CAV通过对周围环境进行感知进而进行自主决策的特点,首先,建立包含车道线势场、道路边界势场和车辆势场的安全势场模型,系统地刻画CAV在行驶过程中面临的安全风险,在安全势场模型的建立过程中,针对现有车辆势场函数存在引力和斥力表达式分割独立的缺陷,借鉴分子间相互作用关系建立统一的基于LennardJones势的车辆相互作用势场函数,并将加速度参数引入到车辆势场中,加速度的变化直接影响车辆势场的分布,能够有效地反映车辆在不同运行状态下安全势场的动态变化趋势;然后,将安全势场应用于CAV跟驰行为决策,并通过上海自然驾驶数据集标定模型参数;最后,选择与现有经典的智能驾驶人IDM和可变车头时距VTH模型进行仿真对比。结果表明：与其他两种模型相比,该模型在所设计的3种交通场景中有更平滑的响应曲线来改善跟车安全和效率,验证了模型的有效性。研究成果可为CAV的上层控制设计提供理论支撑,也为CAV安全技术的研究提供了 独特的途径。     

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.