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...     

基于人机共驾的车道保持辅助控制系统研究（双语出版）

车道保持控制系统是汽车安全辅助驾驶的重要组成部分，可有效提高汽车主动安全性、避免车辆无意识地偏离本车道。目前，大部分车道保持控制系统在工作时将驾驶人的操作视为外界干扰，没有考虑人机共驾阶段下驾驶人与控制系统的控制权分配问题，易造成人机冲突、影响驾驶人的驾驶感受。论文兼顾驾驶人与辅助控制系统各自优势，基于人机共驾技术对车道保持控制系统进行研究。构建基于安全行驶区域与最晚预警边界相结合的车道偏离决策模型，在保证其预警精度的同时降低计算复杂性，根据车辆行驶状态和路面附着系数动态调整预警阈值；研究串级MPC-PID控制策略实现对车辆横向位置的控制，将最优问题转化为二次规划求得目标前轮转角，利用PID算法完成对目标前轮转角的跟踪；引入共驾系数对车辆的控制权进行分配，研究共驾系数分配模型，以车辆状态误差和驾驶人转向力矩作为模糊控制的输入变量、共驾系数作为输出变量，降低辅助控制系统与驾驶人之间的冲突；最后，利用CarSim与Simulink联合仿真对所研究的控制策略进行仿真验证，结果表明共驾系数能够根据驾驶人的操作和车辆运行状态的变化实现动态调整，辅助控制力矩与驾驶人输入力矩变化趋势相同，在保留驾驶人一定操作的基础下可避免车辆偏离车道、降低人机冲突。     

面向人机共驾车辆的驾驶人风险感知研究综述

面向人机共驾车辆的驾驶人风险感知是接管时正确应激反应和操作的前提,是交通安全领域的研究重点.分析了人机共驾车辆驾驶人风险感知概念及其特性;从驾驶人特性、自动驾驶系统、驾驶情景这3个方面分析了人机共驾车辆驾驶人风险感知的影响因素;从驾驶行为表现、接管绩效和主观评价这3个方面对人机共驾车辆驾驶人风险感知衡量方法进行归纳总结...     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

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。     

人机混驾环境下基于深度学习的车辆切入轨迹预测

为保证人机混驾环境下自动驾驶汽车的安全行驶,对周围车辆切入轨迹的预测至关重要.本文首先使用Savitzky-Golay滤波器对大规模采集的自然驾驶数据进行去噪处理,根据准则提取车辆切入片段,建立符合中国道路状况的车辆切入数据集.其次,发挥Bi-LSTM网络能充分利用上下文信息的优点和in-out快捷连接有效减少梯度消失...     

基于触觉引导的L2级智能汽车人机共享控制技术综述

因技术和法规等因素限制，智能汽车短时间内难以实现L1级到L5级的快速跨越，人机共驾将长期存在；基于触觉引导的人机共享控制技术为L2级智能汽车人机共驾提供了有效的人机共享控制途径。通过综述国内外车辆人机共享控制技术相关问题的研究现状，重点分析了基于触觉引导的车道保持、换道、避撞、倒车辅助等人机共享控制在路径规划、意图决策和权限分配转移等过程中，可能会造成人机冲突进而导致车辆稳定性降低、行车安全性变差和驾驶员操作舒适度与自由度恶化等关键问题。同时针对人机共享控制中固有的驾驶人风格及认知差异进行了探讨，以期进一步明确人机共享控制器的设计方法及人机冲突产生的机理。提出未来应在大量仿真或实测行车数据的基础上不断迭代优化智能系统，提高智能控制系统对行车环境和驾驶人状态识别的精准度，从而合理分配人机共享控制权重，有效解决人机冲突、车辆稳定性、行车安全性、驾驶员操作舒适性和自由度等问题。基于现有研究存在的问题，指出自适应性触觉引导共享控制器、权重分配共享控制器、基于神经肌肉反应共享控制器及基于高级辅助驾驶系统共享控制器等将是智能汽车人机共享控制的主要研究方向。      

信号交叉口自动驾驶左转车辆类人化全局运动轨迹规划

为了提高信号交叉口自动驾驶车辆左转运动规划的适应性、鲁棒性与类人化程度，提出一种考虑多目标需求的自动驾驶类人化全局运动规划方法。首先，基于西安市北大街信号交叉口规格构建结构化场景，结合车辆运动学模型与道路几何规格定义自动驾驶车辆规范化行驶安全域和车辆运动参数约束条件；其次，根据信号灯状态、道路限速与车辆性能约束制定上游阶段车辆不停车通行规则，以行驶安全、燃油消耗、通行效率与驾驶舒适度作为目标性能函数，构建类人化全局多目标优化模型，通过人类驾驶的车辆预转弯行为耦合上游阶段与转弯阶段；再次，针对非线性运动规划模型变量与约束规模化问题，采用粒子群算法与全联立正交配置有限元方法求解不同阶段车辆运动轨迹的最优解；最后，试验建立Prescan与MATLAB/Simulink联合仿真平台，从多目标性能、适应性以及合理性方面验证该模型的综合性能。结果表明：在以信号灯状态和车辆初速度为变量建立的12种工况下，该模型与人类驾驶车辆、混合运动规划模型相比，平均可分别节省燃油消耗63.7%和29.5%，平均通行延时分别降低3、0.9 s，且轨迹曲率更平缓，最大横向加速度与方向盘转角平方和的平均值最小，证明该模型的多目标性能更好；在以路缘石半径与车道数目为变量建立的7种交叉口规格工况下，所提出模型的车辆轨迹平滑，轨迹安全域边界距离始终大于1.4 m，曲率变化符合期望且峰值小于0.22 m^-1，说明该模型具有较好的适应性；在自由/固定终端时刻条件下，该模型规划的车辆空间路径、速度、曲率及航向角的变化与目标权重变化保持一致，验证了模型的合理性。     

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。     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据      

自动驾驶环境下面向交叉口自由转向车道的交通控制模型

在未来自动驾驶环境下，自动驾驶车辆之间能相互配合、相互穿插地通过交叉口，而无需信号灯控制。因此，有必要研究新一代的能保障自动驾驶车辆安全高效通行的交叉口控制模型。已有控制模型可分为基于交叉口空间离散的控制模型和基于交叉口冲突点分析的控制模型，目前主要存在控制方式和模型非线性等方面的不足。建立了基于混合整数线性规划（MILP）的自动驾驶交叉口控制（Autonomous Intersection Control，AIC）模型，设计交叉口自由转向车道，允许交叉口所有进口道都能"左直右"通行，将交叉口空间离散为等距网格并建立网格坐标方程，考虑车辆在交叉口内部的行驶轨迹，建立车辆轨迹的上边界和下边界方程，确定行驶轨迹压过的交叉口网格，并建立网格被车辆路径占用的时间方程，使用同一网格同一时间只能被一台车辆占用的冲突点约束保障交叉口安全通行。模型以所有车辆通过交叉口的总延误最低为目标函数，通过将约束条件线性化处理，使用AMPL （A Mathematical Programming Language）并调用Gurobi数学规划优化器对模型进行求解。最后对模型效益进行了案例分析。结果表明：所提模型能有效处理自由转向车道的交通流到达模式，对比已有模型经常采用的先到先服务控制策略，该模型能整体优化车辆通行方案，降低车均延误50.51%，降低最大车辆延误29.12%，同时交叉口空间利用率提高了66.17%。     

基于虚拟车队的自动交叉路口车辆时序优化模型

智能网联汽车可通过彼此交互协同安全地通过交叉路口,自动交叉路口控制已成为未来发展趋势。为解决现有基于预约的自动交叉路口控制模型未全局优化车辆通过顺序及模型非线性导致求解效率低等问题,提出一种基于虚拟车队的自动交叉路口车辆时序优化模型,实现车辆通过时序的高效全局优化。首先,为构建到达安全时间间隔约束,基于车辆冲突分析计算交叉口进口道停车线到各相互作用点的距离。其次,为便于建模和求解,基于时间维度构建虚拟车队并形成车辆索引序列。然后,以交叉口车辆总延误最小为优化目标,车辆通过控制区段的最小行程时间和到达冲突区域边界的安全间隔为约束条件,构建自动交叉路口车辆通过时序非线性优化模型。在此基础上,引入0-1变量将该模型转化为混合整数线性规划模型,并基于开源求解器CBC对模型进行求解。最后,设计数值仿真试验验证模型的有效性并进行了模型的参数敏感性分析。研究结果表明:所构建模型在不同交通需求下优化效果均优于基于"先到先服务"规则的模型,车均延误和最大单车延误能够减少61.50%和39.73%;当安全间距和优化周期较大时,构建模型的延误控制效果更为显著;模型和算法为未来智能网联环境下自动交叉路口控制提供了一种可选的方法。     

车路协同无信号交叉口的矩形冲突检测及消解

针对车路协同环境下的冲突问题，建立了以系统反应时间代替驾驶员反应时间的自动驾驶车辆制动距离模型，以此作为安全距离改进了矩形冲突检测模型，并根据轨迹优化的研究思路，提出了以矩形冲突检测模型为基础的冲突消解算法，对非通行优先权车辆进行速度引导，避免车辆冲突。在车联网开源框架 Veins 的基础上，将交通仿真器 SUMO和网络仿真器 OMNeT++双向耦合，并对冲突检测模型与消解模型进行验证。仿真结果显示，该冲突检测及消解模型具有可行性，与传统无信号交叉口四路停车让行规则相比，模型中的速度引导方案能减少合流冲突车辆 8.6%的平均行驶时间，减少交叉冲突车辆 8.3%的平均行驶时间；合流冲突和交叉冲突中车辆的平均速度分别提高了61.4%和105.0%。在实际应用中，冲突消解模型可以为不同速度范围内的自动驾驶车辆提供速度参考，降低无信号交叉口车辆发生碰撞的概率，提高无信号交叉口的通行效率。     

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。     

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。     

智能汽车对无信号交叉口行人的避撞控制

针对智能汽车在无信号交叉口对横穿行人的避撞问题,研究了主动转向避撞控制策略。基于多层模型预测控制方法,采用分层控制策略设计局部规划层控制器与全局跟踪层控制器,在此基础上根据交叉口处汽车与行人的轨迹特征计算人车碰撞剩余时间,改进传统人工势场法构造避撞函数,规划出既能规避交叉口内存在碰撞风险的行人又能使偏差最小的局部避撞路径,并使智能汽车在满足多项动力学约束时准确跟踪参考路径,通过搭建CarSim/Simulink联合仿真平台,结合广东省2006—2018年交通事故数据库选取对交叉口人车碰撞有显著影响的因素,设计仿真场景进行仿真分析。结果表明:智能汽车能在多个初始点完成对参考路径的跟踪,控制器对不同速度和附着条件有较高的鲁棒性,高速低附着场景中,智能汽车横向加速度小于0.4 g、质心侧偏角小于2°、前轮侧偏角小于2.5°,各约束量满足舒适性和平稳性条件;4个典型交叉口场景中,智能汽车以不同速度直行或转弯通过交叉口,均能识别横穿行人中存在碰撞风险的行人实现主动转向避撞。      

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle, CAV)为研究对象, 研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论, 采用CAV的自动驾驶模型描述车间相互作用, 以所有CAV车辆在行驶过程中的总油耗为优化目标, 根据信号灯的配时信息建立模型约束, 通过优化CAV头车的速度轨迹, 保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。为了对该优化控制进行高效求解, 采用离散Pontryagin极小值原理建立最优解的必要条件, 利用基于神经网络训练的弹性反向传播(Resilient backpropagation, RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示: 整个CAV车队均能在不停车的情形下通过信号交叉口, 避免因在红灯时间窗到达停车线造成的停车、启动等过程, 总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势, 显著改善了城市交通通行效率和燃油经济性。