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。     

自动驾驶车辆弯道处换道轨迹规划与跟踪控制

目前车辆的自动驾驶系统在弯道路况有较少的介入。基于Frenet坐标系,针对自动驾驶汽车在弯道处的换道策略,提出了一种横纵向解耦的处理动态障碍物的轨迹规划算法,解决了传统耦合规划难以兼顾曲线拟合效率与安全性。横向规划基于准均匀三次B样条曲线,纵向规划则通过动态规划以及二次优化的思想。采用模型预测控制进行换道轨迹的跟踪与控制。最终使用Matlab/Simulink仿真验证,所提出的弯道换道轨迹算法能平稳换道并安全避让动态障碍物。     

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...     

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...     

面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究

当多辆自动驾驶车辆在结构化道路上执行换道合流任务时,需要综合考虑转向和合流动作以避免事故的发生,同时曲率和周车车速的变化也增大了协同控制的难度。本文聚焦上述问题,提出了面向变曲率道路的多车换道博弈运动规划与协同控制方法。首先,建立曲率坐标系下的多车模型来解析车间安全距离及动力学状态。其次,通过系统地考虑道路曲率变化及周围车辆信息,提出基于博弈的多车换道运动规划算法,采用分布式框架快速求解兼顾个性化驾驶的最优速度轨迹及换道时机。最后,基于B样条曲线高效识别道路曲率及规划轨迹,构建了自适应时变预测控制算法实现轨迹跟踪,其特点在于单步参数矩阵实时更新,消除车速和曲率频繁变化带来的控制偏差累积。实验结果表明,相比斯坦利（Stanley）方法,能降低58%的跟踪误差;相较协同自适应巡航方法,能减少74%的合流时间;另外计算求解效率也仅为集中式模型预测控制方法的10%。     

基于深度强化学习的智能网联车辆换道轨迹规划方法

以提高智能网联车辆换道安全和效率,降低燃油消耗为目的,该文提出了一种基于深度强化学习的智能网联车辆（ICV）换道轨迹规划方法。分析复杂交通场景智能网联车辆换道功能需求,设计了分层式智能网联车辆换道轨迹规划架构;兼顾车辆安全和换道效率,设计了基于完全信息纯策略博弈的换道行为决策模型;解耦车辆纵横向运动状态,构造了以燃油消耗和乘客舒适度为目标的联合优化函数,提出了基于双延迟深度确定性策略梯度（TD3）的智能网联车辆纵横向换道轨迹规划方法,得到了车辆纵横向优化换道轨迹,并利用搭建的3个典型换道仿真场景,验证了算法的有效性。结果表明：与深度确定性策略梯度（DDPG）算法相比,提出的方法在左换道和右换道实验中的训练效率平均提升了约10.5%,平均油耗分别减少了65%和44%,而且单步轨迹规划时间在10 ms内,能够实时获取安全、节能、舒适的换道轨迹。     

基于深度强化学习的高速公路换道跟踪控制模型

为解决自动驾驶汽车在高速公路安全换道问题,提出了一种基于深度强化学习算法的换道跟踪控制模型,并进行了仿真实验。采用五次多项式方法,建立车辆换道路径模型,并给出跟踪误差函数;将车辆三自由度动力学模型与深度强化学习框架相融合,搭建换道路径跟踪控制模型;通过深度确定性策略梯度（DDPG）算法来更新该模型;学习得到换道路径跟踪的最佳转向角,来控制车辆完成换道过程。结果表明：在100 km/h车速条件下,本方法控制的横向位置误差绝对值的最大值接近0,角偏差绝对值最大值为10 mrad;所提出的方法相比传统的模型预测控制方法而言,轨迹跟踪的横向位置误差和角误差更小。因而,该模型能够实现高速环境下的自主换道过程,这对保证交通安全和缓解交通有意义。     

基于深度学习的自动驾驶汽车决策与控制策略

随着人工智能技术的飞速发展,自动驾驶汽车成为智能交通系统中的重要一环。分析了基于深度学习的自动驾驶汽车在决策与控制策略方面的最新进展,探讨了深度学习在自动驾驶汽车决策与控制策略中的应用,强调了其在提高道路安全、通行效率及驾驶灵活性方面的重要性,研判了深度学习在自动驾驶领域仍面临的数据质量、模型泛化能力、实时性响应及安全可靠性等挑战。研究结果可为自动驾驶技术的发展提供参考。     

基于车联网的汽车自动换道方法研究

为弥补现有汽车自动换道时未考虑周围车辆运动状态变化以及舒适性差和通行效率低等方面的不足,同时提出了在车联网条件下的汽车自动换道方法,主要包括动态轨迹的规划、前馈与反馈相结合的PQ跟踪控制策略两部分,开展Carsim和simulink联合仿真以及实车验证结果表明,与传统非动态自动换道方法相比,该方法能有效解决在换道过程中周围车辆车速变化及车辆突然闯入等情况的难题,明显提高了换道过程中的安全性,由数据分析可知在保证车辆舒适性、稳定性的同时,换道时间缩短了20%,有效提高了车辆换道效率。     

基于博弈论的自动驾驶驶离专用车道换道决策模型

在高速公路内侧车道设置自动驾驶专用车道的场景下,自动驾驶车辆驶离专用车道,并换道至匝道的过程中,频繁的换道行为会带来自动驾驶车和人工驾驶车交互冲突,对分流区产生交通扰动,进而带来安全风险以及影响交通效率。面向不同车道属性和自动驾驶混合车流,构建了基于博弈论和模型预测控制的自动驾驶换道决策模型。根据自动驾驶车辆到高速公路主线驶离点的距离和换道途径车道上可接受换道间隙的分布,引入换道危机感以量化自动驾驶车辆换道的难易程度。利用加速度变化率来量化混合车流中人工驾驶车辆风格,构建自动驾驶车和人工驾驶车不同类型车辆的模型预测控制成本函数。通过当前时刻的交通状况预测求解自动驾驶车辆下1个时刻的最优加速度,用斯塔克尔伯格博弈描述自动驾驶车辆在换道过程中与人工驾驶车辆的交互,以人工驾驶车辆的收益最大化为前提,选择最大的自动驾驶车辆收益,求解获得自动驾驶车辆的最优换道时间。搭建了基于Python和SUMO的联合仿真实验平台,设置4种不同车流密度的专用车道和混合车流交通场景,并与SUMO默认换道模型等2类模型进行了对比。结果表明：在所有不同车流密度的场景下,所研究的模型会选择合适的换道策略以保证速度损失的最小化,在速度方面均优于所对比的换道模型,换道过程的平均速度分别增加1.44%和11.81%,有效提升了自动驾驶车驶离专用车道的效率。     

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究,建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性,在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据,采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型,并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进,以描述不同风格驾驶人的行车安全区域,并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型,结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据,以换道纵向位移最短为目标,实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量,设计基于动力学的线性二次型最优（LQR）反馈控制器,通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制,可满足驾驶人个性化换道需求。     

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。     

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...     

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立的换道决策模型的个性化换道时间预测误差均小于0.62 s。本方法可以准确评估不同风格驾驶人的心理风险,实现个性化的换道决策。     

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...     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境,其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论,构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing,LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用,对换道行为影响因素进行分析;同时,为了提升模型的迁移性,引入道路横向偏移量信息。结合LSTM神经网络的输入要求,使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型,以均方差MSE作为损失函数,使用RMSprop优化方法进行训练,对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后,针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型,LSTM-LC模型对换道行为的表征更准确,在模型的精度和迁移性上有着显著的提升;GRU-LC模型的均方差为4.64 m²,迁移性均方差为119.82 m²,而LSTM-LC模型的均方差为3.18 m²,迁移性均方差为79.58 m²,分别优化了31.5%和39.71%;通过引入道路横向偏移量M,可将LSTM-LC模型精度和迁移性提升约10%,且模型稳定性更强。     

隧道与主线出口间小净距路段车辆行驶特征分析

当受地理与投资因素限制,山区高速公路隧道与主线出口间距离低于规范值,则该区域称为小净距路段。为描述该区域车辆行驶特征,充实山区公路设计与交通管控的理论基础,在我国秦岭服务区等7处山区高速公路小净距路段,通过无人机定点俯拍采集高清行车视频,基于视频提取全域车辆高精度速度与轨迹数据,实现车辆行驶特征分析。本研究基于SIFT算法进行视频配准;基于YOLOv5与DeepSORT算法实现车辆检测与连续跟踪;采用Savitzky-Golay滤波器对数据进行光滑滤波。基于以上方法,可获得高精度车辆行驶数据。经验证,车速精度可达到95%以上,轨迹误差小于20 cm。而后,考虑了净距长度、车辆类型、车道分布等指标,从多角度多因素对行车特征进行了分析。结果显示：①小净距路段车辆行驶特征与普通路段有明显的差异,车速分布不满足正态分布规律;②整体上驶出车辆在渐变段起点前10~20 m左右会稳定车辆运行状态;③由于视角更高,货车相对小车能更快识别出口路况,所以车速相对平稳;④内侧驶出小车在渐变段起点20 m后以1.1~1.4 m/s的横向速度驶入减速车道,当主线为左偏曲线最有利于驶出;⑤净距长度对驾驶行为产生的影响最为明显,交通流方面交通量是最大的影响因素,道路线形因素中曲线偏转方向及偏转角是最大的影响因素。     

Hardware and software for collecting microscopic trajectory data on naturalistic driving behavior

This article presents a method to collect naturalistic microscopic longitudinal vehicle trajectory data with a modest budget. The drivers studied are not aware that they are participating in an experiment; hence one can collect naturalistic driving behavior. This article presents the hardware and software developed, and we include a detailed example of a particular case study that was conducted with data collected from the system. The case study examines drivers' willingness to accept very short headways, and casts that behavior in light of their subsequent lane-changing decisions. The data show a statistically defensible connection between these behaviors. These phenomena are not new, but highlight the importance of the data quality and of observing naturalistic driving behavior, and this article demonstrates a method to calibrate specific parameters related to the behavior.     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。