基于状态空间采样的高速公路智能网联车辆轨迹动态规划

为实现智能网联车辆在高速公路动态行车环境下的轨迹实时规划，提出一种基于状态空间采样的轨迹动态规划方法。首先，以安全性为原则选取主车当前行驶的理想车道。基于Frenet坐标与笛卡尔坐标的转换关系，建立车辆运动横、纵向解耦的独立积分系统。将高速公路常见的行驶状态分为车道保持与定速巡航、变道以及前车跟随3类，预测主车行驶车道并针对3类行驶状态分别设计轨迹终端的目标配置方法。然后，利用多项式函数生成连接初始配置和目标配置的多条待选轨迹。构建考虑轨迹偏离理想车道程度、始末速度变化、规划周期和轨迹舒适性的综合损失函数，结合速度、加速度、曲率检查来评价各条待选轨迹的成本并进行排序。最后，预测车辆的横、纵向运动轨迹并构建一种胶囊形的车辆虚拟安全边界，通过碰撞检测，确定主车的最优轨迹，设置动态规划触发条件及时更新最优轨迹并避免过度规划浪费资源。研究结果表明：提出的算法能满足高速公路场景的动态规划需求；通过对轨迹规划周期、虚拟安全边界、动态规划时间间隔等关键参数的分析与优化，主车的横摆角速度范围稳定在-0.1~0.15 (°)·s^-1，横向加速度范围稳定在-0.16~0.32 m·s^-2，跟踪参考轨迹的最大误差不超过0.022 m，提出的算法能规划出具有高安全性、稳定性和舒适性的轨迹。     

基于预测风险场的智能汽车主动避撞运动规划

针对自动驾驶汽车侧方和后方的主动避撞问题,提出了融合障碍物运动预测的预测风险场和基于预测风险场的运动规划方法。在Frenet坐标系下,通过运动学模型预测未来场景下的各障碍车信息,建立基于道路纵向、横向和时间3个维度的预测风险场。考虑车辆动力学和速度、加速度与曲率约束,采用动态规划方法完成行为决策,并使用多项式曲线和二次规划方法对决策轨迹进行优化。结果表明:预测风险场能准确识别周围障碍车潜在风险随时间的变化趋势,并规划出满足各项约束的避撞轨迹,保障车辆运行的安全性和稳定性。     

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...     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

自动驾驶汽车乘员个性化乘坐舒适性辨识方法

针对自动驾驶车辆轨迹规划控制算法无法满足乘员个性化舒适性问题,结合自然驾驶数据和乘员乘坐舒适性需求,建立乘员个性化舒适性辨识方法。首先确定主观舒适性评价方式,基于标准ISO2631搭建频域和时域加权滤波函数,提取自动驾驶汽车乘员舒适性主客观特征参数,辨识乘员个性化舒适性与自动驾驶车辆行驶规划参数关系;随后搭建自然驾驶数采平台,采集影响舒适性的行驶参数和主客观参数;利用因子分析对行驶参数降维,得到三向运动(横向冲击、纵向加速、垂向振动)、行驶风险和效率影响因子;最后运用加权分析方法辨识模型,并通过卡尔曼滤波算法快速准确识别乘员个性化需求,得到舒适度加权方均根阈值。辨识结果表明:乘员主客观舒适度相关性达85.8%;三向运动因子对乘员舒适性影响大于行驶风险和效率因子;乘员个性化舒适性辨识率高达93.9%。本研究可为搭建考虑乘员舒适性的个性化轨迹规划控制算法提供理论支持。     

基于前车轨迹预测的高速智能车运动规划

针对现有运动规划算法大多只考虑障碍车当前状态,本文中提出一种基于前车运动轨迹预测的高速车辆运动规划算法。首先,融合考虑驾驶意图与基于车辆运动模型的方法对前车轨迹进行预测;然后,采用贝塞尔曲线(Bezier)规划主车运动轨迹,结合避撞过程中与前车碰撞风险概率,高速避撞车辆速度变化特点以及车辆运动稳定性等因素建立目标函数,并考虑车辆动力学与运动学约束,使用序列二次规划(SQP)方法对Bezier曲线的控制点和主车运动目标点位置进行优化求解,得到最优避撞运动轨迹;最后,以前车直行和换道两种工况为例,对主车的避撞运动轨迹进行规划,分析不同工况下主车避撞过程中的运动状态变化以及与前车碰撞风险概率变化。结果表明,所提出的运动规划算法能够保证车辆的避撞安全性与运动稳定性。     

自动驾驶汽车基础测试场景构建研究（双语出版）

针对L2/L3级自动驾驶汽车的仿真测试和封闭场地测试认证需求，结合现有L2/L3级自动驾驶汽车量产车型的主要功能特点，提出自动驾驶汽车基础测试场景群的构建方法。首先针对指定的道路交通环境，分析主车和周围交通参与者可能的相对位置和运动方向的组合，确定复杂场景群。其次分别以主车功能所确定的各个可能运动方向，依此与各干扰车辆的可能运动方向（包括任一干扰车辆不存在的情形）进行组合，组合时采用PICT组合测试工具，并添加必要的运动约束条件，选择参数组合覆盖标准自动生成全部的组合场景群。最后结合场景筛选规则，筛选出具有测试价值的覆盖各个层级及功能的基础测试场景群。采用场景构建方法，对于主车处于三车道中间车道的路段场景和无红绿灯的十字路口场景，分别构建62种和33种基础测试场景。根据驾驶人行为特性、交通规则、汽车在城市、郊区和高速公路工况下的典型车速、加减速度、横向加速度、交通事故和自然驾驶数据库的有关场景数据等，设计主车换道工况的测试用例。采用模型预测控制框架建立主车局部路径规划和控制仿真模型，并对主车危险换道场景进行仿真。研究结果表明：主车在邻车道前车大减速的情况下实现了减速换道并避免了与本车道前车和邻车道前后车的碰撞，同时跟踪到期望跟车间距，验证了该换道测试用例的有效性。     

基于分段优化的车辆换道避障轨迹规划

为提高复杂道路场景下智能车辆换道避障的安全性和舒适性，提出了一种基于分段优化的智能车辆换道避障轨迹规划方法。首先考虑多种换道可能，根据本车状态和多个采样点生成基于五次多项式的候选y-x曲线簇和x-t曲线簇；其次基于指数函数设计了一种障碍风险评价函数，并结合轨迹平顺性、利他性和行驶效率等构建了综合评价体系，选取出最优参考轨迹，为智能车辆换道避障提供方向和速度的参考，以防止轨迹优化时陷入局部最优；为适应障碍物运动状态时变的特点，以参考轨迹为引导，构建分段五次多项式y-x曲线和x-t曲线，并考虑与障碍车辆的碰撞风险建立了优化目标函数，将轨迹优化问题转换成带约束的非线性规划问题，通过外点法求出最优轨迹。最后基于MATLAB平台进行了仿真验证，结果表明，所提出的轨迹规划方法在满足换道平顺、舒适要求的基础上提高了车辆的环境适应性和避障调整能力。     

信号交叉口自动驾驶左转车辆类人化全局运动轨迹规划

为了提高信号交叉口自动驾驶车辆左转运动规划的适应性、鲁棒性与类人化程度，提出一种考虑多目标需求的自动驾驶类人化全局运动规划方法。首先，基于西安市北大街信号交叉口规格构建结构化场景，结合车辆运动学模型与道路几何规格定义自动驾驶车辆规范化行驶安全域和车辆运动参数约束条件；其次，根据信号灯状态、道路限速与车辆性能约束制定上游阶段车辆不停车通行规则，以行驶安全、燃油消耗、通行效率与驾驶舒适度作为目标性能函数，构建类人化全局多目标优化模型，通过人类驾驶的车辆预转弯行为耦合上游阶段与转弯阶段；再次，针对非线性运动规划模型变量与约束规模化问题，采用粒子群算法与全联立正交配置有限元方法求解不同阶段车辆运动轨迹的最优解；最后，试验建立Prescan与MATLAB/Simulink联合仿真平台，从多目标性能、适应性以及合理性方面验证该模型的综合性能。结果表明：在以信号灯状态和车辆初速度为变量建立的12种工况下，该模型与人类驾驶车辆、混合运动规划模型相比，平均可分别节省燃油消耗63.7%和29.5%，平均通行延时分别降低3、0.9 s，且轨迹曲率更平缓，最大横向加速度与方向盘转角平方和的平均值最小，证明该模型的多目标性能更好；在以路缘石半径与车道数目为变量建立的7种交叉口规格工况下，所提出模型的车辆轨迹平滑，轨迹安全域边界距离始终大于1.4 m，曲率变化符合期望且峰值小于0.22 m^-1，说明该模型具有较好的适应性；在自由/固定终端时刻条件下，该模型规划的车辆空间路径、速度、曲率及航向角的变化与目标权重变化保持一致，验证了模型的合理性。     

基于Frenet坐标系的智能车运动规划研究

自动驾驶技术作为车辆智能的核心,在车辆工程领域掀起研究高潮。运动规划作为决策模块的重要组成部分,负责生成车辆的局部运动轨迹,是决定车辆行驶质量的直接因素。将Frenet坐标系用于智能车运动规划问题研究,用五次多项式建立智能车运动规划模型,在自主变道场景,通过采样智能车始末状态,得到可行轨迹集合,建立质量评估函数从中筛选出最优轨迹,开发和实现一种高性能、低开销的运动规划算法。     

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。     

基于Residual BiLSTM网络的车辆切入意图预测研究

本文中根据中国实际道路特征,提出一种基于Residual BiLSTM网络的车辆切入意图预测模型,从切入车辆的轨迹信息和与自车的交互信息中提取切入特征,并采用softmax函数计算切入意图,分别为左车道保持、左车道插入、右车道插入和右车道保持的概率,最后利用中国复杂路况的自然驾驶数据集对预测模型进行训练和测试。结果表明,所提出的Residual BiLSTM车辆切入意图预测模型有明显优势,其准确率比LSTM提升8.2个百分点,且能较早地预测出车辆的切入意图,对提高自动驾驶车辆的决策规划能力和安全性具有重要的意义。     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

渐优随机采样算法在结构化道路无人驾驶中的应用

为了解决随机采样算法在结构化道路无人驾驶应用中无法优化收敛的问题,采用渐进优化的采样算法框架设计符合驾驶需求的规划算法。针对渐进优化算法的耗时问题,首先选择不需要Steer(转向函数)的SST算法作为基础框架以规避求解边界值问题。其次,算法融入"Anytime"策略以提高优化解的利用率。再次,改进的闭环控制策略能减少车辆的实际轨迹与规划路径的误差。在设计的闭环策略中,应用4-D车辆运动模型以保证规划路径符合车辆的实际运动轨迹。为了保证驾驶的安全和舒适,设计了一个综合四重因素的代价函数,且根据不同的驾驶场景调整相应的权重参数。最后,利用真实的无人车在无人驾驶城市测试道路上进行测试,测试场景包括前方静态障碍物躲避、前方动态障碍物跟随以及超车和复合动静态障碍物。测试中,采用车辆的速度和转向数据代表算法的优化收敛特性和运动平稳性。研究结果表明:设计的算法能在时速30km·h-1下完成避障、跟车、超车等机动;无人车在跟驰决策下可保持30km·h-1的最高速度,在避障过程中可实现最高15km·h-1的速度,在跟车决策下可根据前车速度变换自身速度以保持合理的车距和运动平滑性。     

自动驾驶车辆决策与规划研究综述

决策与规划是自动驾驶系统的中枢,是提高自动驾驶车辆行驶安全、驾乘体验、出行效率的关键。其面临的主要挑战在于如何满足自动驾驶所需的极高可靠性和安全性,以及如何有效应对场景复杂性、环境多变性、交通动态性、博弈交互性及信息完备性并产生类人化的驾驶行为,使车辆自然地融入交通生态。为全面了解决策与规划的前沿问题与研究进展,对其技术要点进行系统梳理与总体概述。首先,从数据驱动的驾驶行为预测、概率模型的驾驶行为预测、个性化驾驶行为预测三方面综述了面向态势认知的行为预测的研究进展;其次,将行为决策总结归纳为反应式决策、学习式决策、交互式决策并逐一进行了分析;再次,从方法论的角度对运动规划及其应用进行对比分析,具体包括图搜索方法、采样方法、数值方法、拟合插值曲线方法等;然后,针对端到端的决策规划的关键科学问题和主要研究进展进行了归纳分析;最后,总结了决策规划对提升自动驾驶车辆智能化水平的重要影响,并展望了其未来的发展趋势与面临的技术挑战。     

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。     

人机协作系统中车辆轨迹规划与轨迹跟踪控制研究

自动驾驶系统需具备响应驾驶人意图且有效执行驾驶人意图的能力，以解决人机协作系统中存在的人机冲突、人机优势融合等问题。提出决策层“以人为主”、执行层“以机为首”的人机协作关系，构建包含驾驶人意图识别模块、基于意图识别的轨迹规划模块与轨迹跟踪控制模块的人机协作一体化控制系统框架，并重点对轨迹规划模块与轨迹跟踪控制模块开展研究。首先，结合双向长短期记忆神经网络（Bi-directional Long Short Term Memory，Bi-LSTM）与注意力机制模型建立换道轨迹规划模型；在改进人工势场算法中引入模型预测控制并建立避险轨迹规划模型。其次，通过开展驾驶模拟器试验建立换道与避险驾驶行为数据集，为拟人化模型训练和模型参数确定提供支撑。然后，综合考虑车辆状态变量、控制输入与输出以及道路结构参数等约束条件，构建基于最优转向前轮输入的线性时变模型预测轨迹跟踪控制器，实现对规划轨迹的精准跟踪。最后，基于驾驶模拟器搭建人机协作系统硬件在环测试平台，对轨迹规划模块与轨迹跟踪控制模块开展硬件在环测试与验证。结果表明：换道与避险规划轨迹光滑且平稳，轨迹跟踪控制过程中，车辆航向角与前轮转角变化平稳；所构建的轨迹规划与轨迹跟踪控制模块在确保安全性前提下可实现不同场景中的车辆运动控制需求。     

基于LSTM网络的驾驶意图识别及车辆轨迹预测

自动驾驶汽车需具备预测周围车辆轨迹的能力,以便做出合理的决策规划,提高行驶安全性和乘坐舒适性。运用深度学习方法,设计了一种基于长短时记忆（LSTM）网络的驾驶意图识别及车辆轨迹预测模型,该模型由意图识别模块和轨迹输出模块组成。意图识别模块负责识别驾驶意图,其利用Softmax函数计算出驾驶意图分别为向左换道、直线行驶、向右换道的概率;轨迹输出模块由编码器-解码器结构和混合密度网络（MDN）层组成,其中的编码器将历史轨迹信息编码为上下文向量,解码器结合上下文向量和已识别的驾驶意图信息预测未来轨迹;引入MDN层的目的是利用概率分布来表示车辆未来位置,而非仅仅预测一条确定的轨迹,以提高预测结果的可靠性和模型的鲁棒性。此外,将被预测车辆及其周围车辆组成的整体视为研究对象,使模型能够理解车-车间的交互式行为,响应交通环境的变化,动态地预测车辆位置。使用基于真实路况信息的NGSIM（Next Generation SIMulation）数据集对模型进行训练、验证与测试。研究结果表明：与传统的基于模型的方法相比,基于LSTM网络的轨迹预测方法在预测长时域轨迹上具有明显的优势,考虑交互式信息的意图识别模块具备更高的预判性和准确率,且基于意图识别的轨迹预测能降低预测轨迹与真实轨迹间的均方根误差,显著提高轨迹预测精度。     

基于自然驾驶数据的切入场景队列跟驰仿真

车辆切入是常见的驾驶行为，频繁的变道切入行为影响了通行效率与交通安全。因此，揭示切入场景下的驾驶特性对研究交通拥堵和行驶安全机理具有重要意义。在自然驾驶数据的基础上，根据驾驶人的主观风险感知特性，探究驾驶人的切入行为发生条件，并在期望安全裕度（DSM）模型的基础上，标定了切入场景下的相关参数，根据标定结果进行切入场景下的队列跟驰仿真。仿真结果表明:在仿真区间内，队列的长度、行驶速度以及切入车的切入位置不同会影响队列的稳定性以及队列的调整，当队列长度由4辆变为13辆，速度由5 m/s增至20 m/s，切入车的位置由贴近前后车变为前后2辆车中间时，切入行为对队列的稳定性影响变得越小，队列越容易恢复到稳定状态。      

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。