混驾环境下基于主从博弈的多车协同决策规划

在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中,如何减小驾驶行为截然不同的2类车辆间的复杂相互作用对于车辆行驶安全性、乘坐舒适性和交通通行效率的影响,是当前自动驾驶决策与控制领域亟待解决的关键问题。提出了一个人机混驾环境下人工驾驶车辆与自动驾驶车辆之间的非合作博弈交互框架。首先,综合考虑车辆加速度线性递减的驾驶人纵向操纵特性、差异化配合程度和不同的延迟响应特性,建立人工驾驶车辆的纵向博弈策略。其次,考虑自动驾驶车辆与周围车辆的安全性约束,以及自动驾驶车辆在换道过程中的舒适性和通行效率目标,设计了自动驾驶车辆的纵向博弈策略。然后,基于主从博弈理论对不同混驾环境下人工驾驶车辆与自动驾驶车辆的博弈交互问题进行求解,得到最优的换道间隙和自动驾驶车辆的纵向速度轨迹,并采用模型预测控制方法规划出自动驾驶车辆的横向安全换道轨迹。最后,根据人工驾驶车辆不同配合度和延迟响应时间的差异,设计了多组人机混驾试验工况进行验证。试验结果表明：自动驾驶车辆能够快速准确识别人工驾驶车辆的配合度,选择出最优的目标换道间隙,并与间隙周围的自动驾驶车辆协作来汇入目标间隙。在换道过程中,自动驾驶车辆始终与周围车辆保持安全...     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据     

人机混驾环境下混行车辆雾模型研究

目前搭载高级驾驶辅助系统和车联网（Vehicular Ad Hoc Network,VANET）技术的智能网联车（Intelligent Connected Vehicles,ICV）正大量涌入人工驾驶车（Manual Vehicle,MV）流之中,ICV与MV共存的异构车辆混行交通态势逐步形成,异构车辆之间的交互产生壁垒。混行之下单个ICV虽可依托单车硬件传感与单车计算单元实现与MV的交互意图识别,但其受有限算力与有限传感的影响,资源负载增大,时效性与安全性方面存在一定的误差与风险,而混行之下的VANET技术也不能够提供全局性车路资源用以高度匹配ICV与MV的交互场景,而且越来越多的ICV计算需求也在激增VANET的负载压力。对此,结合边缘计算概念中的雾计算理论,提出混行车辆雾模型（Mixed Vehicle Fog,MVF）,充分发挥车联网络边缘节点能力,通过合理整合调度ICV资源的方法,解决对MV正常交互意图计算的时效性与安全性问题。该模型首先通过各感知单元响应混行交通环境下ICV与MV的正常交互事件,然后利用基于容错节点分簇的资源调度算法（Fault-tolerant Node Clustering Resource Scheduling Algorithm,FNC-RSA）,动态划分局部路段内对交互事件具有相关意图感知与计算需求的ICV为一组协同雾群,再评估雾内ICV节点自身资源与路由代价,定向定量调度资源,最终实现雾群内部MV交互信息共享与驾驶意图协同计算。试验借助Prescan和MATLAB搭建联合仿真平台,与低能耗自适应分簇型路由算法（Low Energy Adaptive Clustering Hierarchy,LEACH）模型对比,验证MVF模型的运行效率与模型鲁棒性。研究结果表明：MVF模型通过交互事件细分协同雾群,保证了计算负载均衡,提高了ICV定向资源计算与传输效率,比LEACH模型降低了55.17%的平均跳数,缩短了45.40%的平均任务完成时间,抗时延干扰能力强,鲁棒性能优异。该模型对于打破混行环境异构车辆交互壁垒,提高混行道路交通行车安全,创造车联网络良性发展空间具有积极作用。     

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。     

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...     

面向人机协同共驾的驾驶行为短时预测方法研究

通过实时感知交通场景下的汽车相对运动状态和行车安全信息,对驾驶人的操纵行为进行短时预测,进而为人机协同驾驶中主权切换的模式与方法提供依据.基于线性最优二次型方法建立了典型驾驶意图下的驾驶操纵序贯链优化目标函数,通过求解目标函数得到驾驶人操纵行为对车辆运动状态的改变量,并结合运动学CA模型提出了驾驶操纵行为短时预测模型.运用统计检验分析实车试验和所提出的模型得到的仿真试验驾驶输入之间的差异程度.实车实验的统计检验结果表明,不同驾驶工况下的驾驶输入差值的配对样本T检验的T统计量分别为1.96,0.1,1.36,均小于其T临界检验值.所提出的模型能较好的模拟实际驾驶操纵行为特征,并能对驾驶人操纵行为进行准确的短时预测.     

考虑定位信息不确定性的多车协同定位算法

针对车载全球定位系统(global positioning system)存在的定位精度较差、定位可靠性较低等问题,提出了一种车车通信环境下考虑定位信息不确定性的多车协同定位算法.该算法在所研究车辆均装有车载GPS和前置距离传感器的基础上,以定位信息不确定性为依据进行协同定位.对自适应卡尔曼滤波进行改进以确定车辆定位信息的不确定度,搭建车间相对位置模型求解2车相对位置关系,最后设计联邦卡尔曼滤波算法利用多车数据进行融合以实现定位效果的优化.通过数值仿真表明这一算法与自车组合导航相比有效提升了GPS定位精度和可靠性,两者分别平均提升了35.2%和42.6%,且在车联网渗透率较高以及GPS信号较差时,定位效果提升更为明显.     

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。     

基于GRI的多车协同定位研究EI北大核心CSCD

为提高自动驾驶技术中的车辆定位精度,提出了一种基于GRI的多车协同定位方法。采用该方法时,一辆车依据GPS定位信息对本车位置进行估计,再通过车车通信接收周围车辆发来的根据其GPS测定的位置及其与该车相对位置而估计的该车位置。将这些位置信息进行融合,通过一定的修正,估算出该辆车更为精确的位置。最后应用MATLAB对所提出方法进行仿真,以模拟多车直行跟随和换道行驶场景。结果表明,该方法合理、可行,能有效提高车辆的定位精度,具有广阔的工程应用前景。     

基于VISSIM和ROS小车的V2X技术对智能汽车路线优化的研究

随着智能汽车的普及,自动驾驶已经成为了汽车发展的重要方向。实现自动应急避险、智能路线优选、完全无人驾驶是驾驶智能化的终极目标,三个终极目标既是递进式关系也是相辅相成的关系。而以上三个目标的落地和应用,必须以智慧城市和智慧道路作为基础,即全面覆盖的车路协同网络和大量普及的智慧汽车网络。本文主要对实现路线优选的目标进行研究,利用仿真软件和智能小车,模拟智慧道路和V2X技术运营,进行仿真实验和实物试验,并运用控制变量法和对比分析法,分析V2X技术在智能汽车路线规划领域的作用,旨在验证智慧道路的背景下V2X技术可有效提升汽车路线规划的准确性、智慧性。     

基于潜在类别-Logit模型的共享自动驾驶汽车使用意向

自动驾驶技术和共享经济融合产生的共享自动驾驶汽车（SAV）可为人们提供优质的出行服务。为探究出行者选择SAV的行为特性,对受访者的社会经济属性、历史出行特性、行为态度特征进行调查,并采用正交试验设计出行方式选择意向调查问卷,收集到311份有效数据。为充分考虑个体异质性,利用潜在类别分析探究SAV使用者的潜在类别,并将所得潜在类别作为变量融入离散选择Logit模型,建立SAV使用意向的潜在类别-Logit模型。结合多项或混合Logit模型以及划分的3个潜在类别,根据4个合理的模型标定的性别、交通模式、SAV使用人群类型、等待时间等59个变量的参数,识别SAV使用意向的显著性影响因素,并采用7个拟合优度指标评价多项Logit、混合Logit、潜在类别-Logit等8个模型。利用边际效应分析,探讨出行方式属性对SAV使用意向的具体影响。结果表明：涉及3个潜在类别的离散选择Logit模型具有更强的解释性,这3个潜在类别可分别描述为冲动的积极创新者、矛盾的保守创新者和理智的保守使用者;不同潜在类别人群的显著性因素存在明显差异,SAV使用人群类型是不同潜在类别人群共有的显著性因素,其中SAV创新者在各个模型中的显著性水平值均小于0.1;潜在类别-Logit模型的第1类和第2类预测正确率比其他Logit模型分别高出5.9%~28.3% 和5.4%~18.5%,可以更好地解释出行者对SAV的使用意向;出行等待时间对出行者选择SAV的影响最大;当SAV选择概率接近于0.5时,轻微降低SAV人均出行费用最易引起选择私人小汽车的出行者转而选择SAV。     

基于动态清空距离的特殊车辆与CAVs混合车道控制

特殊车辆的优先通行是道路交通管理的一项重要工作,而目前相关控制措施存在实施难度较大、道路空间利用率低和道路通行能力下降等问题。为解决这些问题,结合智能网联汽车（CAVs）技术特点,提出考虑特殊车辆优先通行的CAVs专用车道控制方法,按应急车辆、一般优先级车辆和CAVs的优先通行顺序设计车辆通行规则。通过预测特殊车辆到达下游交叉口时的路口排队长度,建立“满足不同优先级特殊车辆通行需求”的动态清空距离模型,其中应急车辆以速度损失最小化为优化目标,一般优先级车辆以均衡车辆通行需求为优化目标。针对CAVs在专用道上可能成为其他车辆通行障碍的情况,考虑换道安全和不同换道动机,设计CAVs进入和离开专用道的规则,建立换道决策控制模型;在此基础上,提出适用于不同优先级车辆的专用车道通行控制策略。通过仿真实验对所提方法的控制效果予以分析验证。实验结果表明：与不考虑特殊车辆优先通行的控制方法相比,虽然该方法的车均出行时间和人均出行时间分别增加了3.9%和2.8%,但特殊车辆的车均延误时间减少了59.6%以上;与IBL控制方法相比,该方法的车均出行时间和人均出行时间分别减少16.7%和14.6%,特殊车辆的车均延误时间减少13.5%,专用车道利用率提高36.3%以上,并且在CAVs渗透率大于0.4时获得最佳控制效果。该控制方法在特殊车辆优先通行方面,减少了单一控制策略的局限性,为交通控制和管理提供理论支撑。     

自动驾驶专用车道影响下的CACC车流管理策略

自动驾驶专用车道对混合交通流的作用与协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车流大小相关.为分析已存在自动驾驶专用车道场景下CACC车流在各车道上的分布情况对交通流的影响,利用已有的人工驾驶车辆(Human-driving Vehicle,HV)和CACC跟...     

自动驾驶车辆混行集聚MAS控制模型

随着车路协同技术和自动驾驶技术的不断发展,越来越多的网联自动驾驶车辆(Connected and Autonomous Vehicle,CAV)涌入道路交通,与传统人工驾驶车辆(Human Pilot Vehicle,HPV)形成混合交通流(Mixed Traffic Stream,MTS).为在提高MTS交通流量的同...     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。     

通信时延与丢包下智能网联汽车控制性能分析

网联协同控制是智能网联汽车的重要应用场景,而车联网的通信时延与丢包可能导致控制性能下降,甚至影响行车安全。为了分析时延与丢包对网联车辆控制的稳态与瞬态性能的影响,设计了网联控制器,并开展了仿真与实车试验。基于车辆动力学特性,将通信时延与丢包下的网联车辆控制分解为纵向控制与横向控制,进行了统一建模,并设计了控制器进行试验分析;搭建了网联自动驾驶的CarSim-Simulink联合仿真平台,及集成可模拟时延与丢包的LTE-V原理样机的智能网联汽车试验平台;开展了不同时延与丢包率下网联跟车控制与网联路径跟踪控制的仿真试验与实车试验。试验结果显示：时延与丢包对控制误差的影响形态有相似性;时延或丢包率取系统及工况参数有关的小值时,如试验中时延小于200 ms或丢包率小于20%,工况随机因素对控制误差的影响可能超过时延与丢包的影响;在更大的时延或丢包率下,时延与丢包的出现方式（如出现时机等）对控制误差影响更大。研究结果表明：能实现针对网联车辆控制系统通信特性的控制器优化设计,使得当时延与丢包在工况相关阈值内时,系统控制误差有界。所揭露的规律一方面可用于对造成危险控制误差的时延与丢包工况进行预警,另一方面也可用于基于给定的稳态或瞬态控制误差边界,判定对应工况允许的时延与丢包率边界。     

基于模型预测控制的混合动力汽车下坡再生制动策略

为了充分回收汽车下坡再生制动能量,并保证蓄电池循环寿命,在对汽车匀速下坡再生制动全局优化控制策略分析的基础上,提出以再生制动能量回收最大和蓄电池温升变化率最小为双目标的混合动力汽车匀速下坡再生制动模型预测控制策略.对不同坡长、不同坡度的匀速下坡工况进行仿真的结果表明:模型预测控制策略在再生制动能量回收率、蓄电池温升和充电速率方面都获得良好的控制效果,且计算效率高,满足实时控制要求.     

基于改进SegNet的沥青路面病害提取与分类方法

针对现有SegNet算法难以精确区分裂缝和灌封裂缝等具有相似特征的沥青路面病害的问题,提出了基于改进SegNet网络的沥青路面病害提取方法。针对道路标线和光照不均匀等导致路面病害图像质量差异化的因素,本研究在去除道路标线的基础上,运用带色彩恢复的多尺度视网膜增强算法,降低道路标线和光照对图像质量的影响以及增强路面病害图像的对比度、色调和亮度,提高病害的识别精度;为了充分利用图像的上下文信息,解决SegNet网络对细微病害分割效果不佳的问题,引入残差神经网络（ResNet）作为编码器,并对解码器中每个上采样产生的特征图拼接2个分别由卷积层（1×1的卷积核）和空洞卷积层从对应的编码器中获取的尺度相同的特征图;运用形态学闭运算连接分割结果中不连续的裂缝。为了验证改进算法的有效性,将其与典型的语义分割方法（SegNet和BiSeNet）在测试集上进行测试和性能对比。研究结果表明,3种方法的平均交并比（MIoU）和F1分数（F1-score）分别为（82.4%,98.9%）,（69.4%,94.0%）,（80.5%,98.1%）;利用这3种方法对甘肃省部分路段路面病害的提取效果进行对比测试,提出方法的裂缝漏检率和误检率分别为2.91%,1.94%,优于SegNet（10.68%,14.56%）和BiSeNet（6.80%,12.62%）。本研究所提方法能够更精确地提取和区分沥青路面裂缝和灌封裂缝。