基于纵侧向动力学控制的智能变道辅助系统

智能汽车驾驶作为一项代表性的高新技术集成载体,能够提高车辆行驶安全性并减轻驾驶员操作负担,并且能够有效缓解交通拥堵压力。由于我国道路环境复杂多变,驾驶员经常采取超车变道操作,使得机动车超车变道的安全问题尤为严峻。为此,辅助驾驶员安全地完成超车变道过程,提出了基于纵侧向动力学控制的智能变道辅助系统,以车辆实际速度与目标速度为参数,设计具有滑模控制特性的控制器。仿真结果与硬件在环台架测试结果表明,基于纵侧向动力学控制的智能变道辅助系统能够较为有效地提高驾驶安全性,减轻驾驶员操作负担。     

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。     

关于L3自动驾驶的人机交互设计研究

随着雷达、摄像头、处理平台的软硬件提升,加上高精地图的辅助,全球越来越多的汽车公司都推出了自动驾驶车辆,覆盖Level 2~Level 3的自动驾驶场景(SAE J3016),但这些场景都需要在必要的时候由驾驶员接管车辆,因此自动驾驶汽车对人机交互设计提出了新的挑战,比如合理的接管流程,驾驶操作的监测,权责划分的提示。     

基于安全参数的双车道元胞自动机交通流模型及两种交通规则下的模拟分析

提出了基于安全参数的双车道元胞自动机交通流模型,该模型主要在车辆确定性减速的过程中考虑驾驶员对前方车辆下一时间步速度的预估,安全参数代表驾驶员驾驶心理的冒险程度;基于不同安全参数,在双车道自由换道超车和禁止换道超车两种交通规则下,通过MATLAB数值模拟仿真得到车流量和车流密度之间的关系曲线,结果表明安全参数的增大可获得更大的交通量,道路上车辆较少时禁止换道超车也可增加交通流量,随着车辆的增加自由换道超车可提高道路利用率,随着车辆的进一步增加两种交通规则下的车流量基本一致。     

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。     

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...     

智能驾驶在现代物流中的应用及前景

<正>智能驾驶是人工智能在汽车上的应用场景之一,其在物流运输中的应用和发展前景广阔。随着技术的不断进步和应用场景的不断拓展,智能驾驶将为物流运输带来更加高效、安全和环保的服务,推动整个行业的发展和进步。智能驾驶利用传感器、雷达、摄像头等设备感知周围环境,通过人工智能算法处理数据,实现车辆的自主驾驶,既减少了人力成本,又提高了运输效率。     

关注系统集成

<正>汽车功能正变得日渐复杂,尤其是随着自动驾驶时代的来临,越来越多的网联和驾驶辅助技术运用到车辆上,整个系统架构必须更加集成和优化。对于自动驾驶车辆来说,如何在复杂的交通环境中帮助驾驶员识别可能发生的危险状况并做出反应,显得尤为重要,这也涉及到各类传感信息以及安全技术的集成。未来的自动驾驶系统需要安全地管     

基于驾驶特征学习的自动驾驶车辆换道轨迹规划

针对自动驾驶车辆换道过程中存在的车辆规划轨迹与人类驾驶员决策轨迹偏差较大问题,开发了一种基于驾驶员轨迹特征学习的换道轨迹规划算法。采集驾驶员换道轨迹曲线函数特征,在轨迹采样及成本优化相结合的轨迹规划基础上,采用最大熵逆强化学习策略迭代更新成本函数权重,并依据学习的成本函数筛选备选采样轨迹,生成反映驾驶员轨迹特征的自动驾驶车辆换道轨迹。试验结果表明,进行驾驶员特征学习后的换道轨迹基本包含在驾驶员换道轨迹区域内,且轨迹特征更为接近人类驾驶员换道轨迹特征,更能反映驾驶员主观感受。     

车辆安全辅助驾驶系统发展概述

随着公路交通特别是高速公路交通的飞速发展,交通事故尤其是恶性交通事故呈不断上升趋势,交通安全越来越受到广泛关注。因此,研究车辆安全辅助驾驶系统,为汽车提供安全辅助驾驶功能,从而为减少常规车辆因驾驶员主观因素造成的交通事故提供智能技术保障。车辆辅助驾驶系统技术发     

EURO NCAP开展自动驾驶试验

正随着汽车制造商朝着实现车辆自动驾驶的目标迈进,汽车正变得越来越先进。虽然自动驾驶汽车仍有很长的路要走,但驾驶辅助技术正日益普及,比如自适应巡航控制(ACC)与车道居中(LC)相结合,可帮助驾驶员保持稳定的速度、与前方车辆保持安全距离并使车辆保持在车道中     

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。     

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。     

基于场景元素的智能网联汽车场景构建研究

在智能网联汽车测试评价中,场景库搭建与道路测试一直都是其难点。文中对智能网联汽车功能的典型测试场景搭建及测试方法进行分析与研究,首先分析智能网联汽车驾驶场景的来源,从典型驾驶场景中归纳出基本场景元素库,以场景元素库为基础实现测试场景库搭建;然后在PreScan中进行场景虚拟重构,进行自动驾驶功能模拟仿真;最后基于真实道路场景搭建对车辆自动驾驶功能进行实车测试。     

Cosworth公司为MuCCA提供ADAS和自动车辆的视觉解决方案

正Cosworth公司正在扩大其摄像机和数据系统的应用范围,为高级驾驶员辅助系统(ADAS)和自动车辆提供视觉解决方案。公司在智能视觉软件领域的经验将杯用作汽车联盟的一部分,用于开发避撞系统,这将改善自动驾驶和网联车辆的运行和安全性。多车防撞计划(MuCCA)将利用人工智能和车辆对车辆的通信来帮助自动驾驶汽车作出合作决策,以避免在高     

危险换道驾驶行为预测方法研究

提出了两种危险换道驾驶行为预测算法,分别为基于贝叶斯因子阈值法的隐马尔可夫模型预测算法和基于运动时间窗特征提取法的支持向量机预测算法,它们所需的车辆运行特征变量均可在车联网环境下获得。通过基于Prescan-Simulink联合仿真的驾驶员在环仿真,获得危险和正常两种换道场景下的车辆运动数据,进而对提出的两种算法进行验证和比较。结果表明,两种预测算法对危险换道驾驶行为的预测均有较高的准确率,有助于对危险换道的驾驶员给予及时警告或辅助纠正,从而减少危险换道事故的发生。在样本数据有限的条件下,SVM算法的预测效果更好。     

车队认知能力增强的通信区块间隙优化方法

为了在单车超越车队的过程中缩短超车车辆与车队间通信范围，减少车队通信压力，锁定影响车辆入队的关键车队区块，同时通过将待进入关键区块的车队进行间隙优化调整，为驾驶人提供定制化换道入队引导服务，提出了基于驾驶人超车风格特征参数的车队内信息传输关键区块锁定算法，通过分析影响驾驶人换道入队位置范围的关键因素，将驾驶人换道入队过程分为本车道速度调整过程与入队速度调整过程，利用非参数贝叶斯算法获取驾驶人超车换道特征数据并提出基于关键区块所在车队位置序列的车辆间隙优化调整策略。研究结果表明：超车车辆加速度、与前车预计碰撞时间、与车队相对速度是影响驾驶人换道入队范围的关键因素；通过非参数贝叶斯算法将超车车辆运行数据分类获取的驾驶人换道入队驾驶操作基元，可准确提供驾驶人行为特征关键参数；通过将驾驶人换道特征分为48个子类型，可锁定驾驶人换道入队范围且车队关键区块范围随着超车车辆与车队速度差值不同在各个特征类型上呈现不同变化趋势；针对驾驶人入队特征对待进入车队关键区块的车辆间隙进行优化调整，不仅可以为驾驶人提供可接受的驾驶辅助信息，同时减少了车队间隙产生过程中车辆加速度范围，提升了车队运行的舒适性。     

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。     

世界汽车组织自动驾驶汽车"三支柱"认证方法提议及对我们的启示

自动驾驶技术发展背景下,软件在定义汽车,车辆功能日趋复杂、软件数量也越来越多.与传统车辆相比,影响自动驾驶汽车的安全因素、场景变量日益增长,通过传统的场地测试和台架测试,难以全部评估上述影响安全的变量.因此,为了车辆上道路运行,需要提出新的认证思路,支持车辆型式认证或自我认证.世界汽车组织在分析自动驾驶汽车技术特性和安...     

基于Simulink&PreScan的自适应巡航建模与仿真

智能辅助驾驶越来越多的得到应用,尤其自适应巡航系统的应用,能够在一定程度上减少驾驶员的驾驶强度。本文设计了一套自适应巡航系统,使用Simulink进行了模型搭建,并用PreScan软件针对特定场景进行了仿真。自适应巡航系统的成功实现,是汽车自动驾驶的重要步骤。