基于多目标优化的智能车辆换道轨迹规划

为提高智能车辆换道轨迹规划的拟人性和实时性,提出了安全、舒适、节能等多目标协同优化的换道轨迹规划算法,该轨迹规划方法的适应性取决于车辆换道时间、纵横向速度及加速度等关键变量的约束条件;基于车辆运动学和动力学理论,分析了动态未知环境下车辆换道安全区域,建立了六次多项式车辆理想换道轨迹模型,并运用遗传算法-BP神经网络理论对换道终止时刻及目标位置进行预测,得到了复杂场景下车辆换道轨迹簇;分析了基于可行解空间的车辆换道安全性、舒适性、经济性等性能评价函数,构建了多性能目标协同优化目标函数和约束条件,运用鲸鱼优化算法对换道轨迹簇进行优化,实现多性能目标协同的智能车辆换道轨迹最优规划;为进一步验证多目标优化轨迹规划算法的准确性,运用L3级智能车辆测试平台对结构化道路场景下多目标优化换道轨迹规划算法进行了试验验证。仿真和试验结果表明：提出的轨迹规划算法在满足各项约束的情况下可成功实现平稳、安全换道,并且与传统驾驶人换道相比,换道过程的安全性、舒适性及多目标综合性能分别提升了5.1%、3.3%和1.7%,有效提升了动态环境下智能车辆换道轨迹规划的拟人性。     

基于换道轨迹规划模型的车道级行程时间估计方法研究

在车联网环境下,为满足精细化的车辆诱导需求,提出基于换道轨迹规划模型的车道级行程时间估计方法.建立路网基础道路拓扑模型,对所构建的路网模型进行Link划分,并利用改进的5次多项式模型对车辆行驶轨迹进行描述,构建车辆在不同路段Link间行驶的换道轨迹规划模型;整合车辆在路段各个Link单元的行车轨迹与行程时间,实现车道级...     

基于车辆动力传动和转向系统的换道轨迹优化策略

现有的换道轨迹研究大多是将换道轨迹规划和换道轨迹跟踪进行相对独立的研究,这类轨迹在实施过程中将产生不可避免的误差。为了消除这一误差以及缓解或解决由于不当换道行为引起的交通问题,本文提出一种考虑车辆动力传动和转向系统的换道轨迹优化策略,用以指导或替代驾驶员的换道行为。首先,利用Next Generation Simulation (NGSIM)数据获得换道过程的主要驾驶任务,并用highD数据对其进行验证。其次,基于二自由度车辆模型分析车辆的换道运动特性,构建能够被动力传动系统和转向系统所实现的换道轨迹。结果表明,所提策略可以在保证驾驶安全性的前提下,实现经济、舒适和高效的换道过程。单独考虑经济、舒适和高效的优化策略,能够分别降低35.71%的单位路程燃油消耗,94.58%的前轮转角的角速度以及70%的换道所需时间。这说明所提的换道轨迹优化策略能够从微观角度缓解或解决由不当换道驾驶行为造成的交通问题,并为驾驶辅助系统提供理论依据和方法指导。     

考虑智能网联近邻车辆信息的交织区换道风险预警

面向车辆换道风险预测时特征差异大、样本不均衡、参数调优时间久的问题，将高精度微观车辆轨迹数据与超参数优化机器学习方法相结合，提出了一种可应用于智能网联车辆(ICV)的交织区换道风险识别与预警方法；基于无人机航拍视频，从广域视角提取了城市快速路交织区时间精度为0.1 s、空间精度为每像素0.1 m的换道轨迹，测算了车辆间距、矢量速度、加速度、接近率、速度角度等换道风险感知信息；引入考虑近邻车辆信息的换道TTC模型，以反映车辆汇入或汇出主线的迫切需求，描述其在不同位置的换道行为差异性；结合15分位数法和四分位差法，划分了换道风险预警等级；基于准确率、真阳性率、灵敏度等多项评价指标，遴选并对比了线性分类器、支持向量机、K近邻以及RUSBoost模型换道风险预测结果，得出交织区换道风险实时预警优选模型，针对优选模型进行了超参数优化与验证。研究结果表明：RUSBoost模型为优选模型；超参数优化机器学习方法迭代至第24次时，RUSBoost具有最小误差与最佳点超参数；RUSBoost、BRUSBoost优化模型预测准确率分别为91.40%、99.80%,AUC分别为0.96、0.99;BRUSB...     

混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划

为解决城市道路拥挤状态下车辆可行换道间隙少、换道时间长,进而导致停车等待、堵塞后续车流等问题,本文基于智能网联环境下车辆之间的交互协同,提出了一种混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划模型.首先,采用多项式和三角函数分别描述了换道过程中的空间轨迹和速度曲线,得出了换道间隙可行性判别依据.在此基础上,构造了换道启动可行状态集合,并构建了单个换道请求下的间隙适配和协同换道的最优控制模型.然后,考虑多换道需求,构建了主动间隙适配和换道序列规划模型,对换道序列进行整体优化.最后,设计了数值仿真实验,验证了本文模型可对多换道需求进行时空优化.仿真实验结果表明,本文模型能够降低换道行为对城市道路通行能力的影响,且适用于不同的交通需求,模型可提升24％的道路通过量.     

计及安全性与舒适性的智能车辆换道轨迹规划研究

针对当前智能车辆在换道过程中的安全性以及乘员舒适性问题,本文提出一种基于风险场评估轨迹的二次筛选方法。首先,在Frenet坐标系下,将车辆运动解耦为横向和纵向两个维度,基于五次多项式生成所有横向d-t曲线簇和纵向s-t曲线簇;其次,由车辆的动力学特性和三圆碰撞模型设计轨迹初筛评价函数,选取合格轨迹作为候选轨迹;最后,参考人工势场理论的思想,引入行车过程中风险场的概念,根据换道效率,换道风险值和横、纵向冲击度建立总损失函数评价候选轨迹以进行二次筛选,选取最佳轨迹并完成可视化。为检验算法的可行性,通过搭建双车道的道路环境,设计障碍车不同速度和加速度的多场景进行弯道换道的仿真验证。研究结果表明,本文所提算法能够满足换道的安全性和舒适性需求。同时,在正常换道场景下,乘员在换道过程的97.5%时间处于舒适状态,在紧急避障场景下也能达到平衡安全性与舒适性的目标。     

城市连续隧道交织区主线交织车辆换道点选择行为研究

基于城市连续隧道交织区分析主线交织车辆换道点选择行为,以实地采集的车行轨迹数据为基础,利用随机森林模型分析主线车辆换道点选择行为特征及影响行为决策的影响因素,而后分别采用支持向量机模型与随机森林模型进行换道点选择行为决策建模和对比分析。研究结果表明：影响主线交织车辆换道点选择的主要因素为目标车辆状态以及本车道的后车状态,且经特征筛选之后建立换道决策模型的精度更高,其中支持向量机模型可以较好的刻画换道行为,模型的预测精度不低于85%。研究成果有助于在仿真模型中更准确描述换道点选择行为,同时为城市连续隧道交织区的优化和辅助驾驶策略制定提供支撑。     

轨迹数据驱动的车辆换道意图识别研究

为实现准确识别车辆换道意图，提高车辆行驶安全性，综合考虑车辆换道过程的时空特性及不同特征对车辆的影响程度，提出一种基于卷积神经网络(CNN)与门控循环神经网络(GRU)组合并融合注意力机制的换道意图识别模型。首先，筛选和平滑处理车辆轨迹数据，将车辆轨迹数据分为向左换道、向右换道及直线行驶3类，构建换道意图样本集。其次，构建融合注意力机制的 CNN_GRU模型，识别换道意图样本集，考虑到行驶过程中车辆之间的交互性，将被预测车辆和周围车辆的位置和速度信息作为模型的输入，经过CNN层特征提取的特征作为GRU层的输入，经过注意力机制层对不同的特征增加不同的权重系数，利用 Softmax 层识别换道意图。最后，选用 NGSIM 中 US-101 数据集的轨迹数据验证融合注意力机制的 CNN_GRU模型性能， 同时，与LSTM、GRU、CNN_GRU及CNN_LSTM_Att等模型进行对比分析。验证结果表明，所提模型车辆换道意图识别整体准确率达到97.37%，迭代时间为6.66 s，相比于其他模型准确率最多提高9.89%，最少提高2.1%。分析不同预判时间下的意图识别，模型可在车辆换道前2 s 内均能识别换道意图，准确率在89%以上，表现出良好的识别性能。     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一，在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上，依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类，并通过进一步优化车辆状态更新算法，提出了换道冲突处理多策略，车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下，驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间，不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

智能车辆自由换道轨迹规划研究

针对目前传统换道模型存在的两个缺陷:一是忽略了换道过程中前轮转向角为0的情况;二是存在侧向加速度过大、产生跃变或轨迹曲率不连续等问题。通过对其它车辆换道模型的比较,并结合等速偏移轨迹函数其侧向加速度恒为0的优点和正弦函数换道轨迹具有优异平滑性的特点,提出了一种新的换道模型,该模型能够较好的解决已有的一些车道变换模型存在的不足。并用MATLAB仿真实验对几个换道模型进行比较,证实所提出的换道规则的可行性和优势。     

高速公路隧道临近段车辆换道持续时间生存分析

为研究高速公路隧道临近段车辆换道行为,提高隧道路段行车安全水平,在广东省的3条高速公路隧道临近路段开展自然驾驶试验,采集换道车辆的行车轨迹以及周围行车环境等数据。基于采集到的车辆换道数据,采用生存分析的全参数估计方法,考虑不同驾驶人换道风险感知水平的异质性,构建随机参数加速失效时间(AFT)模型,分析隧道临近段行车环境、车辆运行状态等潜在因素对车辆换道持续时间的影响。研究结果表明：相较于固定参数AFT模型,随机参数AFT模型具有更好的拟合优度;至隧道进口的距离、起始车道前车的车速差、换道方向和至目标车道前车距离会对高速公路隧道临近段车辆换道持续时间产生显著影响;车辆换道位置距离隧 道进口越近,至目标车道前车的距离越近,换道持续时间越短;相较于换道车辆车速大于起始车道前车的情况,换道车辆处于非跟驰状态和车速小于起始车道前车时,换道持续时间分别增加 7%和20%。研究结果可为高速公路隧道临近段交通安全设施改善和微观驾驶行为模型构建提供理论依据和方法指导。     

基于换道概率分布的多车道交织区元胞自动机模型

交织区是快速路系统的重要组成部分，由于车辆频繁换道、相互作用复杂，容易造成交通瓶颈。本文提取城市多车道交织区时间分辨率为0.1 s、空间分辨率为0.1 m·px-1 的高精度车辆轨迹，分析交织区及相邻路段的交通流和车辆行为特性，提出分区元胞自动机模型。在上游和下游换道模型中，建立基于速度差、车辆间距的换道动机规则、间距规则及Logistic换道概率规则。对于交织影响区，建立考虑速度、间距及路径转换需求的换道动机规则，根据安全风险构建换道时机的多步决策规则，提出基于换道频率Gaussian分布模型的换道概率规则，并对主要参数进行灵敏度仿真测试分析，模型具备评估交织区不同换道状态的实际应用潜力。仿真与实测显示，本文 模型流量、速度、密度及换道分布等特性与实际相符，能有效反映车辆在不同位置的换道需求与强度差异性，刻画多车道交织区复杂的换道行为。     

基于MPC路径跟踪研究

针对无人驾驶车辆在实际行驶过程中的路径跟踪问题,建立车辆二自由度动力学模型和路径跟踪预测模型,将预测模型与车辆二自由度动力学模型相结合。基于MPC轨迹路径跟踪算法,并搭建了基于dSPACE系统硬件在环仿真试验平台,进行硬件在环仿真试验,验证MPC轨迹路径跟踪仿真控制策略的合理性和正确性。结果表明:设计的基于MPC路径跟踪控制可以保证车辆在换道时,方位平均偏差在0.05 m范围内,利于实际应用。     

车辆换道纵横向耦合控制

基于车辆纵横向动力学耦合模型, 研究了自动化公路系统车辆换道纵横向耦合控制。假定换道过程中车辆横向加速度满足梯形约束, 根据期望换道轨迹计算车辆换道时的期望横摆角和横摆角速度, 依靠车载传感器获得车辆横摆角速度信息。采用有限时间滑模趋近律, 设计了车辆换道纵横向耦合变结构控制规律。基于李雅普诺夫稳定性理论, 对控制系统的稳定性进行了分析, 得到了系统渐进稳定的充分条件。仿真结果表明: 采用该控制规律, 车辆在纵向速度变化的情况下能够良好地跟踪期望换道轨迹, 跟踪误差小于0.06 m。     

基于视频检测的车辆变道轨迹识别方法研究

采用Hough变换检测车道线,然后采用背景减差法对运动目标进行检测;目标车辆的跟踪使用改进的形心跟踪算法和模板匹配算法,对运动车辆的轨迹进行提取,计算已有车辆轨迹与车道线的距离;结合高速公路三种常见变道情况,对车辆变道进行定义;通过车辆轨迹与车道线距离方差判断车辆轨迹是否发生违法变道。实验结果表明,该算法能有效地识别车辆变道轨迹,且算法简单可靠。     

基于贝叶斯网络的车辆换道模型

车辆换道行为是微观交通流中最基本的驾驶行为之一,研究车辆换道行为可以提高车辆换道模型的仿真精度和减少由不合适的车辆换道行为引发的交通事故.当前车辆换道模型大多是基于驾驶员的决策思维方式建立的决策模型,这类模型的缺点是很难捕捉到驾驶员在决策过程中一些潜在决策模式和考虑的影响因素.鉴于此,本文引入了一种典型的人工智能方法--贝叶斯网络,建立了一个全新的车辆换道模型,试图通过机器学习的途径来提高车辆换道模型的精度.采用了分段离散化的方法对数据进行预处理,然后使用处理后的数据对贝叶斯网络的结构和参数进行学习,并分别建立了与两种贝叶斯网络结构相对应的车辆换道模型,最后对建立的模型分别进行验证.模型的验证结果表明,建立的基于贝叶斯网络的车辆换道模型对换道行为的识别率可以达到88%以上. 此模型还可进一步应用到驾驶员辅助系统的开发中.     

城市干线短交织区元胞自动机多级换道决策模型

为探索城市干线短交织区交通运行特性,基于高精度车辆轨迹数据,提出细化元胞尺寸与步长的交织区元胞自动机多级换道决策模型.划分上下游、交织影响区等多个分区,独立设置变量与规则进行建模;考虑车辆换道速度差、间距及换道安全风险,建立上下游换道模型,交织影响区多级换道决策模型;对未分区换道模型(I),分区STCA换道模型(II),分区多路合流换道模型(III),本文模型(IV)进行仿真验证.与实测数据相比,本文模型平均车道流量误差仅为 1.64%. 模型 I~IV 在交织影响区的平均速度误差分别为 98.35%、23.77%、16.46%、7.45%,换道次数误差分别为33.34%、97.75%、62.97%、11.85%.结果表明,本文模型能有效模拟短交织区复杂的换道行为及交通流特性.     

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。