基于改进LSTM-NN的安全性自动驾驶换道轨迹规划模型

为改善现有的自动驾驶换道轨迹规划模型产生的换道轨迹与真实的换道轨迹存在较大偏差的问题,提出了一种改进LSTM-NN的安全敏感性深度学习模型,该模型可以缓解当前自动驾驶轨迹规划存在的不足,输出轨迹既保证了较高的精度又提高了安全性。CarSim仿真软件模拟了本模型产生轨迹的可跟踪性,结果显示轨迹非常平滑,并且自动驾驶车辆可以高效、安全地完成换道。     

基于社会力的驾驶员换道决策行为建模

为建立更加简单的换道决策模型和考虑换道车辆和目标车道车辆间的相互作用,在换道效用和安全间隙选择的传统方法基础上,将社会力跟驰模型与换道模型相结合,提出了一种基于社会力的驾驶员主动换道决策行为模型.首先,以社会力模型中跟驰力作为各车道运行效用函数,构建换道目标车道选择效用模型;其次,考虑换道过程车辆纵向安全性,利用跟驰力搭建换道车辆和目标车道车辆间相互作用效用模型以对安全间隙选择进行约束;最后,对所建立的模型利用NGSIM（next generation simulation）数据和MATLAB遗传算法工具箱中genetic algorithm函数对多车道下驾驶员换道决策行为（不换道、向右换道、向左换道）进行标定和验证.研究结果表明:基于社会力的主动换道决策模型能够很好地识别出驾驶员的换道决策行为,最优参数在标定数据中对不换道、向右换道、向左换道的识别率分别达到了93.44%、93.14%和90.77%,验证数据中换道决策行为识别率分别达到了86.16%、80.00%和80.27%;标定和验证的单个识别率都在80.00%以上,整体识别率分别达到92.66%和83.28%.      

车路协同条件下智能网联汽车一体化决策模型

为了探索当前有限数据条件下面临的无限交通场景问题,提出车路协同条件下基于深度强化学习智能网联汽车决策模型。利用Actor-Critic机制,以highway-env为数据来源,抽取144 h交通数据作为训练数据并进行验证,分析了智能网联汽车在不同车道数条件下的驾驶行为。结果显示,本模型汽车行程时间减少20%以上,碰撞概率减少25%以上,换道轨迹可以通过动力学跟踪。     

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。