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。     

高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力,提出了基于融合注意力机制的卷积残差双向长短时记忆（BiLSTM）识别模型。采用一维卷积神经网络提取车辆运动状态特征;将构造的特征向量作为BiLSTM输入信息;通过残差连接,解决多层BiLSTM易出现的优化瓶颈和梯度消失问题;利用注意力机制,调整残差BiLSTM不同时刻输出权重;应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证,并与其他4种模型进行对比,结果表明：该模型对换道意图整体识别准确率最高,达到97.44%,在换道前2.5 s预测结果准确率达到90%以上,具有更好的识别精度和预判能力。     

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。     

交织车辆的跟车换道行为研究

在不满足换道条件下,交织车辆因换道的强制要求,会有选择地放弃跟车转而进行挤车换道.针对此现象,在深入分析交织车辆的跟车换道行为的基础上,从驾驶员的角度出发,选择其跟车换道的影响因素,构建了跟车换道的效用函数,建立了交织车辆跟车换道的二元选择 Logit 概率模型.基于车辆轨迹获取技术对模型的相关变量进行了调查,采用最大似然估计法对模型进行了标定.选择命中率作为评价指标,采用实例对模型的有效性进行了验证.结果表明,模型能有效地模拟交织车辆的跟车换道行为,精度高达99.0%.     

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。     

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...     

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。     

车路协同下避让紧急车辆协同换道策略

为加快紧急车辆抵达事故现场的速度,同时减少紧急车辆优先权对其他车辆的影响,运用车路协同系统,提出避让紧急车辆协同换道策略,通过调整紧急车辆下游车辆位置,实现紧急车辆高效通过路段。以紧急车辆前车（DV）及其相邻目标车道车辆为控制对象,根据相邻车道车辆间距与车车通信范围,搜索DV可换道空间间隙集。以交通流整体恢复稳定时间最小为目标,确定DV换道轨迹和相邻车道协作车辆的速度变化,引导车辆完成协同合流,既能保障车辆安全换道,还能降低换道造成的速度振荡传递。同时,为快速恢复DV换道造成的目标车道车辆速度波动,对上游车辆（UV）采取先进先出规则的换道控制策略。所提协同避让紧急车辆的策略考虑了车辆协同换道对交通流的整体影响,并在原有换道策略的基础上提出了减少速度波动传递的控制方法。案例分析结果表明：采用上下游协同换道策略最短换道时间为6s,此时紧急车辆距前车78.66 m时发送避让信号。同时研究发现,恢复交通流速度稳定所需的时间为29 s,比未采用上下游协同换道策略降低了34%。     

自动驾驶汽车的远程电源控制系统设计

自动驾驶是汽车行业未来的发展趋势,而对车辆进行远程启动则是实现自动驾驶的关键。为此,本文设计了一种基于用户APP、云平台、车载终端和PEPS控制器等对车辆进行远程电源控制的解决方案,有效地解决了L4及以上自动驾驶车辆远程召唤等场景中的电源控制的问题。     

基于深度学习的混合动力汽车预测能量管理

为了优化混合动力汽车的能量动态分配过程,提升混合动力汽车的燃油经济性和动力电池荷电状态（SOC）平衡性,提高混合动力汽车能量管理策略的鲁棒性,以等效燃油消耗最小化策略为基础,结合对车辆未来行驶工况的预测研究,分析车辆未来行驶需求能量的变化,制定相应的动态调整策略。基于车联网通信技术,实时采集车辆的运行状态信息和交通信息,作为车辆未来工况预测模型的输入变量。以数据驱动为特征,基于混合深度学习建立工况预测模型。利用STL分解算法对各输入变量进行周期性、趋势性等特征分解,并对各输入变量的特征分量,使用混合深度学习网络从数据局部特征及时间维度依赖特征来深度挖掘目标车辆车速与外部信息及历史数据的关系,进而对车辆未来的行驶工况进行预测。利用预测的工况信息,分析车辆未来行驶需求能量的变化,应用于自适应等效消耗最小化策略等效因子的实时动态调整,从而实现对车辆的优化控制,并通过与传统自适应等效消耗最小化策略进行对比,验证该方法的有效性。研究结果表明：基于混合深度学习的工况预测模型预测精度比BP网络预测模型高44.72%;利用精确的预测工况信息预测能量管理,可以实时动态调整发动机和电机的功率输出,降低油耗并维持电池SOC平衡。