面向L3级自动驾驶高速公路道路测试场景的构建方法

自动驾驶技术的发展离不开道路测试,科学完善的自动驾驶测试评价体系需要完整的测试场景做支撑。高速公路场景作为L3级自动驾驶的典型应用场景,相关的测试标准、测试方法、测试场景亟需明确。文章通过对L3级自动驾驶高速公路道路测试场景来源、场景分类与要素、场景构建关键技术等分析,结合L3级自动驾驶高速公路应用场景,从自动驾驶车辆应急处置、人工介入能力和综合驾驶能力等方面,提出L3级自动驾驶高速公路道路测试场景及测试项目,为后续道路测试评价方法提供基础。     

自动驾驶工况下汽车虚拟人人机交互探索

对于传统汽车,驾驶员在环控制操控模式下,驾驶员搜集信息并完全掌控车辆行为。随着汽车自动驾驶系统的不断演进, L3层级自动驾驶系统的不断普及,汽车驾驶操纵模式正在悄然发生着变化。可以预见随着L4-L5层级自动驾驶系统的量产销售,驾驶员将从车辆中彻底消失,人车交互的虚拟驾驶员与车辆之间如何完成交互互动呢?本文将综述目前ADAS系统支持下车辆驾驶操控情况,并对未来L4-L5层级自动驾驶模式下的人车交互系统进行探讨。     

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...     

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IAHP-EWM-LDM的L3级自动驾驶接管过程安全性评价方法

在L3级自动驾驶阶段,驾驶人需要在系统发出接管请求时,及时响应并接管车辆。因此为了准确评估L3级自动驾驶车辆接管过程的安全性,构建了自动驾驶接管过程的安全性评价指标体系。本文采用4×2×2的接管场景因子设计了驾驶模拟试验,利用驾驶模拟器采集各类驾驶数据;基于变异系数法和Spearman相关性判别法从风险感知、避险操纵和接管绩效3个方面分析得到了13个安全性评价指标;使用能够表征专家经验的改进层次分析法求取指标的主观权重,使用能够反映数据特征的熵权法求取指标的客观权重;为综合2种方法的优点,利用级差最大化法获得了融合主、客观权重的综合权重,并通过计算得出风险感知、避险操纵、接管绩效的综合权重分别为0.259、0.475、0.271,以此结果来构建接管过程的安全性评价指标体系。本文运用该体系对驾驶模拟试验所获得的655个接管过程进行了综合评价,根据评价结果将其划分为A、B、C这3类接管过程。对比3类接管过程在风险感知、避险操纵、接管绩效3个方面的得分发现,A类接管过程在3个方面均表现较好,C类接管过程在避险操纵和接管绩效2个方面表现较差,B类指标的表现介于A类和C类之间,不同类别的接管过程...     

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。     

自动驾驶国际法规制定现状

建立自动驾驶的安全法规及指南是实现L3级以上自动驾驶普及应用的必要条件之一。概述了联合国欧洲经济委员会(UNECE)世界车辆法规协调论坛(WP29)关于上述法规和指南的建立情况。     

驾驶模拟器在自动驾驶系统中的应用研究

自动驾驶车辆在实际道路上行驶之前的测试阶段是一个至关重要的环节。一个低成本、高效率以及高精度测量的自动驾驶车辆的测试方式,对于自动驾驶车辆的开发具有重要意义。将驾驶模拟器运用到研究自动驾驶车辆测试已是近年来的一个研究热点。基于虚拟驾驶场景的自动驾驶车辆的检测,通过组合虚拟驾驶场景的背景车辆、行人、交通灯、建筑、指示标牌等元素,研究将驾驶模拟器与虚拟驾驶场景的联合应用来测试自动驾驶车辆。设计了典型的交通场景,通过自动驾驶车辆和背景车辆的实时交互,研究自动驾驶车辆的各项性能指标。研究结果表明:该驾驶模拟器可以高度拟合人类驾驶体验,驾驶员通过驾驶模拟器控制背景车辆能够很好的模拟现实中的驾驶行为,对自动驾驶车辆的仿真测试起到了促进作用。     

先进的自动驾驶数据采集与存储技术研究综述

针对自动驾驶数据采集过程中的触发控制与存储记录问题,从先进的自动驾驶数据采集与存储技术出发,首先调研了国内外部分整车制造商车辆的传感器配置方案,然后对汽车事件数据记录（EDR）系统、自动驾驶数据记录系统（DSSAD）以及一般L3级自动驾驶汽车的数据采集与存储方案展开综述,得出了现有数据采集与存储技术将会产生低质量、高噪声的冗余数据的结论,最后基于特斯拉影子模式介绍了一种人机共驾模式下的驾驶数据采集存储方式,总结归纳出目前先进的自动驾驶数据采集技术研究的发展趋势。     

考虑前车安全速度效应的自动驾驶车辆异质交通流特性分析

随着自动驾驶技术的发展,自动驾驶车辆获取的信息更加完善。为研究考虑前车安全速度效应条件下自动驾驶车辆对高速公路交通流的影响,以双车道元胞自动机模型为基础,建立考虑前车安全速度效应的跟驰规则和换道模型。利用MATLAB数值模拟高速公路异质交通流,分析考虑前车安全速度效应的自动驾驶车辆对道路交通流的影响,并分析车辆的拥堵情况和换道情况。研究表明,考虑前车安全速度效应的自动驾驶车辆可以显著提升道路通行能力,全自动驾驶车辆可达全人工驾驶车辆交通流的近似2倍;考虑前车安全速度效应的自动驾驶车辆的增加可以降低道路拥挤程度,全自动驾驶车辆比全人工驾驶车辆发生拥堵的临界密度提高了20 veh/km;自动驾驶车辆渗透率的增加会增加相应的换道次数,全自动驾驶车辆情况下,自动驾驶车辆基本不发生换道行为,同时智能网联车辆可以减小暴露碰撞安全性风险。     

基于有限状态机的车辆自动驾驶行为决策分析

将智能车辆的自动驾驶运动过程分解为车道保持、车辆跟随、车道变换和制动避撞4种典型驾驶行为,基于有限状态机方法建立各驾驶行为间的逻辑关系及状态切换过程,同时,构建了面向自动驾驶的虚拟危险势能场,并对其结构关键参数和驾驶行为决策触发阈值进行分析。利用MATLAB/CarSim软件对不同道路工况下的自动驾驶行为决策过程进行联合仿真,并利用比例车辆模型和机器视觉系统对提出的方法进行试验验证。仿真和试验结果表明,虚拟危险势能场与有限状态机相结合的方法能够满足智能车辆的驾驶行为决策需求并实现主要的自动驾驶功能。     

L4级自动驾驶汽车发展综述

为了减小交通事故概率、降低运营成本、提高运营效率，实现安全、环保的出行，自动驾驶技术的发展已成为大势所趋，而搭配有L4级自动驾驶系统的车辆是将车辆驾驶全部交给系统。据此，介绍了自动驾驶汽车的主流技术解决方案；分析了国内外L4级自动驾驶汽车的已发布车型、所应用的技术以及相关法规等；研究国内L4级自动驾驶系统发展所遇到的机遇与挑战。     

人机混驾环境下无信号交叉口自动驾驶汽车左转运动规划研究

为了使自动驾驶汽车在人机混驾环境下能安全、高效地左转通过无信号交叉口,在借鉴人类驾驶人左转时会对周围车辆驾驶意图进行提前预判的基础上,提出了一种基于周围车辆驾驶意图预测的自动驾驶汽车左转运动规划模型。首先将无信号交叉口处周围车辆的驾驶意图分为左转、右转、直行3种类型,利用相关向量机预测周围车辆驾驶意图,以概率形式输出意图预测结果并实时更新,进一步界定自动驾驶汽车与周围车辆的潜在冲突区域并判断是否存在时空冲突;接着,在充分考虑他车速度、航向及车辆到达冲突区域边界距离的基础上建立基于部分可观测马尔可夫决策过程的自动驾驶汽车左转运动规划模型,生成一系列期望加速度;最后,基于Prescan-Simulink联合仿真平台搭建无信号交叉口仿真场景,对所提左转运动规划方法进行仿真验证,将基于博弈论的运动规划方法、基于人工势场理论的运动规划方法与所提出的方法进行比较,并选取行进比例达到1所用的时间和碰撞次数作为评价指标。研究结果表明：基于相关向量机的驾驶意图预测方法可在自动驾驶汽车到达交叉口之前准确预测出他车驾驶意图;基于部分可观测马尔可夫决策过程的左转运动规划方法能够通过速度调整策略实现人机混驾环境下自动驾驶汽车与周围车辆在无信号交叉口处的交互;不同算法对比效果表明,所提左转运动规划方法在自动驾驶汽车与不同数量周围车辆交互的仿真场景下均可有效避免碰撞事故发生并提高自动驾驶汽车左转通过无信号交叉口的效率。     

丰田研究院在CES上推出新一代自动驾驶研究车;平台3.0

丰田研究院（TRI）在于拉斯维加斯举行的CES上推出其下一代自动驾驶研究车,平台3.0。该基于雷克萨斯LS600 h L的新平台,是一款具有协调造型的更大综合技术能力的将自动驾驶车辆技术整合进LS车型设计的车辆。     

微观交通流模型在车辆自动驾驶仿真中的应用

仿真测试是缩短自动驾驶安全测试周期、降低实车测试成本的重要方法,而交通流模型可以为车辆自动驾驶测试提供数字化的交通环境,有利于加速车辆功能和性能的开发及验证。介绍了自动驾驶仿真测试涉及的关键技术,针对共性问题开发了一套具有交互性的微观交通流模型和对应的评价指标体系;分析交通流模型和自动驾驶仿真软件间的数据链路,通过联合仿真的形式实现微观交通流模型在自动驾驶车辆仿真测试中的应用。     

基于小尺度的无灯控交叉口智能车辆驾驶行为决策模型

针对自动驾驶车辆与传统车辆在无灯控交叉口的动态交汇协同问题,在更小时间尺度上将交汇过程划分为完全信息下的重复博弈过程。通过构建一种新型驾驶员激进度模型,判断传统车辆驾驶员驾驶激进度,帮助自动驾驶车辆制定驾驶策略。同时,提出一种最佳减速度选取模型,解决智能车辆避让后速度过低的问题。采用CarSim与MATLAB/Simulink进行联合仿真,结果表明,提出的两种模型能准确地估计传统车辆驾驶员类型并帮助自动驾驶车辆安全、快速地通过无灯控交叉口。     

自动驾驶条件下城市道路机动车道宽度设计的思考

自动驾驶汽车的技术模式有别于传统汽车,对道路设计的要求也发生了变化。为深入研究自动驾驶条件下城市道路的机动车道宽度,从车辆外廓尺寸、车辆速度、车辆技术性能等角度,对传统车辆和自动驾驶车辆进行对比分析,判断适应自动驾驶车辆的城市道路机动车道宽度设计标准。研究表明,自动驾驶车辆的车距精确控制与车队化运行模式可提高道路通行能力,节约空间,提升慢行舒适性。城市干路条件下,自动驾驶车辆的横向摆动大幅缩小,2.85～3.05 m的机动车道宽度即可满足自动驾驶车辆的行驶需求。研究成果可为城市道路规划设计提供参考。     

L3级自动驾驶汽车的接管安全性评价模型

为评价L3级自动驾驶车辆接管的安全性,基于驾驶模拟器设计了双向六车道高速公路环境下的接管场景并进行驾驶模拟实验,驾驶人在自动驾驶过程中始终执行视觉次任务操作,次任务为观看3种难度等级的箭头图,接管场景为自车行驶中遇到同车道前方的一辆抛锚车辆,接管请求时间设为7 s,自动驾驶车辆的速度为110 km/h。实验共计招募了49名被试(男性30名,女性19名),平均年龄为31.06岁(标准差为7.10岁)。当车辆发出听觉+视觉的接管请求信号后,被试应通过按下转向盘上的切换按钮来获取车辆的控制权。以最小TTC的组别为因变量,设定最小TTC小于等于1 s为危险组,大于1 s为安全组,利用二元logistics回归建立接管安全性评价模型。研究结果表明:7 s的接管请求时间条件下,影响接管安全性的因素主要是接管反应时间和次任务,本文中建立的接管安全性评价模型的预测准确率达85.5%。     

车联网环境下自动驾驶车辆车道选择决策模型

试验车道选择行为是自动驾驶车辆最基本的决策行为之一,利用车联网技术可以使车道选择结果更加全面、合理.首先,对高速公路自动驾驶车辆车道选择决策过程进行分析,并以车联网感知通信范围内的车辆的平均速度、重车比例及前往车道的理想换道时间为主要指标创建成本函数,根据计算结果输出最优车道序列;然后,以Gipps安全驾驶模型为基础,...     

自动驾驶等级提高条件下驾驶人驾驶姿势变化规律分析EI北大核心CSCD

为研究驾驶人在自动驾驶等级提高条件下的坐姿变化规律,基于直接测量的人体标志点位计算人体内部目标标志点并构建人体模型,确定驾驶人在驾驶过程中7个部位的关节角度,定量描述L0和L3级自动驾驶坐姿特征差异。结果表明,自动驾驶等级由L0提高到L3后,驾驶人的肘部屈曲、胸腹部屈曲、膝盖弯曲度不同程度的增大导致活动空间得到扩展,坐姿舒适度有所提高,而腰背部后倾的趋势加深,上躯干倾向处于扭曲或压缩状态,腰背部由于得不到充分支撑而疲劳,降低了乘坐舒适性。自动驾驶等级的提高改变了驾驶任务,因此驾驶人坐姿特征发生显著变化。本文可为高度自动驾驶汽车的驾驶室布局与自动驾驶功能研究提供重要参考依据。