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。     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

高速公路驾驶人换道意图识别模型

为了增加驾驶人换道过程中的安全性,提出一种基于隐马尔科夫理论的驾驶人意图换道识别方法.在模拟高速公路环境下,采用非接触式眼动追踪仪采集驾驶人的眼动数据、头部运动数据以及车辆行驶数据,选取左-右链结构的隐马尔科夫模型(GM-HMM)分别建立向左换道、向右换道和车道保持模型.结果显示,所建立的驾驶人的意图识别模型的准确率达到了90%以上.     

多车道高速公路出口车辆换道行为研究

为研究多车道高速公路出口车辆换道行为,提出了出口换道车辆样本的识别指标与标准。基于筛选出的高速公路出口段的车辆换道样本,分析了不同换道需求次数下的出口换道位置分布特征,确定车辆换道影响范围,通过对车辆换道影响范围图的特征和原因的分析,并结合实际情况,提出高速公路出口诱导设置的建议。基于最后一次换道和路段上普通换道的持续时间、速度、横向加速度、纵向加速度样本,利用SPSS中T检验模块,完成换道过程中的车辆运动状态特征显著性分析。最后,找出换道意图关键影响因素,构建驾驶人换道意图与各关键影响因素的二元Logistic关系模型。     

基于驾驶人不满度的高速公路自动驾驶换道决策

为了实现高速公路的自由换道行为决策，并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求，提出了一种基于驾驶人不满度的换道行为决策方法。首先，根据驾驶人的速度期望建立了驾驶人不满度累积模型，并基于驾驶人速度不满累积度产生换道意图。其次，依据不同车道障碍车的运动状态，设计了2种目标车道选择策略，通过预测引擎对各个待选车道进行预测和评估，选取其中行车效率较高的车道作为目标车道，同时建立换道最小安全距离模型，用以在换道全过程中判断换道的可行性。然后，将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块，用于运动规划模块目标的选取，以引导车辆横纵向运动。最后，在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景，验证换道行为决策算法。试验结果表明：换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图，进而根据所设计的换道策略选取具有更高行车效率的目标车道，并在换道过程中持续判断换道的可行性，以应对障碍车辆突然加减速等突发状况，保证换道过程的高效性和安全性；换道行为决策算法通过目标车道的转换，引导运动规划模块调整车辆的运动，实现跟车、换道等行为。     

大型营运客车在高速公路的换道安全性辨识

为了给大型营运客车换道预警系统设计提供参考,采用毫米波雷达、激光雷达、车道线识别传感器、GPS、视频监控系统以及控制器局域网（CAN）总线数据采集仪等设备,基于小型乘用车搭建浮动车采集平台。通过在试验线路上进行1.5×10⁴ km的驾驶试验,获取1 200余次营运客车的真实换道数据。以Jula提出的换道安全性模型为基础,结合营运客车的换道行为特征,通过分析换道进程结束后客车需要与周围车辆保持的安全距离,建立适合于营运客车的3类换道安全性识别模型（客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆）,并利用真实数据对3类模型进行验证。研究结果表明：客车换道持续时间均值为10.4 s,换道起始时刻与目标车道后方车辆的距离为10.0~40.0 m;所有换道样本中,73.3%的换道过程中客车速度要高于目标车道后方车辆,且超过90%的换道过程是由前方慢车引起;不同的速度区间下,车速和航向角联合变化情况下,驾驶人控制营运客车的横向偏移速度保持稳定,可认为客车驾驶人的心理预期换道进程存在固定经验模式,这与小型车换道的研究结论存在较大差异,传统的TTC预警算法识别率较低,在不同速度区间情况下,所提出的模型对客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆的换道安全识别评价准确率均超过了90%。     

基于HMM和SVM级联算法的驾驶意图识别

为降低先进驾驶员辅助系统的误警率,提出了利用不同任务下"人-车-路"参数的差异性识别驾驶意图的方法。在模拟驾驶仪系统中开展实验,记录了12名受试者的驾驶样本1 150组,对比车道保持意图、换道意图和超车意图样本的差异,确定了6个参数的驾驶意图识别指标体系。运用HMM和SVM级联算法建立驾驶员驾驶意图识别模型。结果表明:基于该算法的识别准确率达95.84%,明显高于HMM或SVM单一算法,且单次平均识别时间为0.017s,满足驾驶员对突发性事件反应时间的要求。     

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

基于车车通信的车辆并行协同自动换道控制

为研究多车协同自动换道,分析了三车道八车场景中两车协同行为,对两车并行协同行为进行界定,提出了两车并行协同自动换道控制策略。针对三车道八车场景,以车车通信为条件,实时获取周围车辆的运动状态变化和换道意图,根据周围车辆的运动状态,设计了两车协同换道轨迹模型,规划换道车辆的参考协同换道轨迹。在此基础上,提出了并行协同自动换道安全距离模型,以形成换道车辆与周围车辆的换道轨迹约束,保证生成安全可靠的协同换道轨迹。最终根据规划的安全参考轨迹,采用模型预测控制算法,实时优化换道车辆的速度和前轮转角,实现轨迹纵横向跟踪。仿真结果表明,所提出的并行协同控制策略能够实现两车安全协同自动换道,同时提高换道效率。     

基于元胞自动机的破损路面车辆换道仿真

针对路面破损条件下,驾驶员为获得更高行驶效益而进行车道变换的现象,以元胞自动机Na Sch模型为基础,引入慢启动规则和换道规则,建立路面破损条件下双车道车辆微观换道模型。以换道需求、车道选择、间隙检测和换道执行4个过程确立仿真流程,对不同路面破损条件下的驾驶员特性、交通流特性和车辆换道特性进行仿真分析。从车辆运行角度对路面破损等级进行划分,依据效用理论计算车辆在不同车道上的行驶效益,建立车辆车道选择模型,并定义换道系数,分析单块路面破损对车辆换道行为的影响。基于驾驶员的行为差异,在仿真过程中将驾驶员分为冒险型、机敏型、谨慎型和迟缓型4类,通过设置仿真参数,对不同类型驾驶员在路面破损条件下的行为特性进行分析。结果表明:换道系数随路面破损等级的增加而不断增大,破损等级越高,车辆在破损路段行驶的效益越低,进一步增大驾驶员进行车道变换的概率,能够很好地模拟路面破损对车辆换道行为产生的影响。冒险型驾驶员在中密度区的换道率最高,随着路面破损程度的增加,车辆换道率和行驶速度方差随之增大,说明破损路面会降低车辆行驶效益,加剧换道行为的产生,同时增加车辆行驶速度的波动性,对交通流正常运行产生一定干扰,不利于行车安全。     

微观仿真自主性车道变换模型

车道变换是一种复杂的刺激-反应行为,为了准确表示车辆变换车道的决策过程,克服现有模型的不足,重点考虑驾驶员特征和车辆类型对车道变换的影响,并将车道变换过程可划分为3个阶段,即车辆挟道意图的产生、换道可行性分析和换道的执行;引入随机效用理论描述换道需求的产生,建立了基于车道效用选择的自主性车道变换模型,利用视频处理软件获取大量车辆运行轨迹微观数据,采用极大似然估计法对构建的自主性车道变换模型进行了标定;最后,基于换道次数的仿真值与实测值,选取均方根偏差、均方根百分比偏差2个评价指标对车道变换模型的有效性进行了验证,误差指标小于10％,表明建立的自主性车道变换模型可以较好地描述车道变换复杂的运行行为.     

高速公路主线提前换道与入口匝道协同控制研究

为提高多车道高速公路合流区采用入口匝道控制的管控效果，针对多车道高速公路不同车道之间的交通特性，通过调整合流区路面标线施划方式，提出了多车道高速公路主线提前换道与入口匝道协同控制策略。利用主线提前分散换道诱导更多主线车辆选择内侧车道行驶，以降低主线上游驶入合流区选择外侧两车道的比例，而入口匝道控制根据主线外侧两车道流量动态调整匝道车辆汇入主线的时机和数量，以达到合流区整体运行效率最优，提升合流区通行能力。案例分析发现，在入口匝道流量为600 pcu/h时，若主线上游流量分别为3 600、4 800和5 400 pcu/h,诱导150 pcu/h主线车辆提前换道可以分别降低整体车均延误4.41%、7.57%和50.55%,诱导300 pcu/h主线车辆提前换道可以分别降低整体车均延误5.94%、10.39%和61.03%,验证了协同控制策略的有效性。     

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。     

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%。      

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性,采用2台无人机同时在200 m的高空对交通流进行拍摄,获取交通流运行状态。构建拍摄路段的高精度地图,获取每一时刻车辆的精确运行状态数据,在此基础上对2个视频进行拼接,最终获得车道位置、速度、车辆编号等8项关键指标,共提取换道行为1 520条,筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据,在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s,平均换道空间距离为148.08 m,换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m）,其相对距离在10 m以内的占28.24%,驾驶人为了加快行驶,在与目标车道后方车辆相对距离较小的情况下,依然采取换道措施。与正前方车辆的相对速度差最大,平均值为10.2 km·h^-1,并且在83%的情况下,本车的速度大于前车,说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC,MTC分别对换道起始时刻的安全性进行分析,并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急,非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性,以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

智能车辆自由换道模型研究

针对传统的车辆换道模型在换道过程中存在着侧向加速度过大或产生跃变、轨迹曲率不连续以及换道过程起始时刻侧向加速度不为零的问题,以四段式车道变换理论为基础,提出一种新的车辆自由换道轨迹函数,并引入B样条理论对换道轨迹进行再规划,进而建立一种新的高速公路车辆自由换道模型。该模型能够较好的解决传统车道变换模型存在的上述缺陷。给定车辆换道轨迹性能评价参数,利用Matlab仿真计算得到新模型产生的换道轨迹,并与另外两种换道模型产生的轨迹进行对比分析。分析结果验证了该模型的正确性及有效性。     

高速公路主线同侧连续入口最小间距研究

以高速公路互通式立交主线同侧连续合流形式为研究对象,通过对大小型车的加速特性进行分析,并基于可插入间隙理论,确定了不同匝道车道数车辆汇入主线的加速车道模型;然后通过分析驾驶员操作规律,考虑反应距离、决策距离、换道或减速距离3个方面的需求,建立了主线车辆与下游匝道汇入车辆间安全视距模型;最后确定以小型车为研究对象的加速车道长度值与换道模型确定的安全视距值之和,建立高速公路主线同侧连续入口最小间距计算模型,并提出了基于主线和匝道设计速度、入口匝道车道数的高速公路主线同侧连续入口最小间距指标值。研究成果是对我国有关规范和设计细则的完善和补充。     

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。     

基于轨迹数据的交叉口进口道车辆换道行为特性分析

为探索城市信号交叉口进口道范围内机动车换道行为特性，利用无人机拍摄视频提取车辆换道轨迹数据，分析了进口道车辆换道行为的宏观和微观特性。研究结果表明：强制换道行为多发生在距离停车线60 m～90 m处，自由换道行为在90 m～120 m处；换道时间集中分布在4.5 s～5.5 s之间，其中强制换道的平均时间为4.58 s，自由换道时长为3.81 s；强制换道行为主要受目标车道的可插入间隙及前后车辆的速度差影响，但整体来看分布较为分散；自由换道行为追求行车效率，目标车道的交通运行状况往往要优于原车道，换道行为主要受到原车道前车的相对距离和速度影响。本研究成果可以为城市交叉口的理论研究提供方法参考，为进口道的管理与控制提供理论基础。     

危险驾驶环境下高速公路施工区交通冲突研究

为保障高速公路不停车施工作业区的服务水平和通行安全,基于交通冲突技术对施工作业区车辆行驶状态进行分析。分别通过驾驶员状态、车辆行驶速度、车辆加速度状况对分心驾驶、超速驾驶和鲁莽驾驶进行分析,并运用监督分类模型进行鲁莽驾驶识别,分析3种危险驾驶行为的交通冲突状况,运用距离碰撞时间模型获取施工作业区追尾冲突和换道冲突严重程度。结果表明,有监督分类算法中急变速召回率、急变道召回率和算法准确率均可达到90%;施工作业区追尾冲突的一般和严重阈值分别为3.7 s、2.1 s,换道冲突的一般和严重阈值分别为4.9 s、2.7 s。