基于动态博弈算法的切入场景下自动驾驶车辆运动规划研究

鉴于在车辆换道切入的场景中，自动驾驶车辆容易出现频繁的误减速、误避让，而造成通行能力和乘员舒适性的下降，提出一种基于主旁车动态博弈的切入场景决策规划算法。在行为决策层，根据切入场景中主旁车的冲突性关系，联立相关车辆运动方程建立整体系统的运动模型，构建考虑旁车状态的切入博弈模型，设计安全性和舒适性收益函数，进行驾驶行为博弈，输出行为决策结果。在轨迹规划层，根据车辆间距构建避障约束条件，以Sigmoid函数轨迹的变曲率和速度切向矢量的时间分量来构建车辆动力学约束。同时以加权收益方式联合考虑驾驶习惯和舒适性等需求，建立轨迹规划数学模型，求解得到满足上层博弈决策要求的运动轨迹。Carsim-Simulink联合仿真结果表明，在不同的初始条件下主车与切入的旁车能进行多种形式的合理的交互决策，准确完成切入场景下的运动规划任务，车辆能准确跟踪输出的轨迹，更符合一般驾驶习惯，提高了车辆的舒适性。     

基于自动驾驶汽车稳定性的聚类辨识模型设计

在自动驾驶汽车中高级辅助驾驶系统（ADAS）的设计过程中，车辆稳定性控制目标并没有考虑驾驶员个性化特质需求，尤其在一些极端行驶条件下控制效果会适得其反。鉴于此，在传统汽车稳定性评价标准的基础上融合了隐马尔科夫理论（HMM）和K-means聚类算法，采用无迹卡尔曼滤波和因子加权分析的参数处理方法，设计了一种自动驾驶汽车稳定性辨识模型。模型通过Carsim/Simulink和基于DSPACE驾驶模拟器的硬件在环仿真方法进行了验证。结果表明：该模型能够实现自动驾驶汽车稳定性的合理分类和在线辨识，同时能为今后进一步优化自动驾驶汽车轨迹规划方法提供理论依据。     

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...     

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。     

智能网联场景下纯电动客车车速规划算法研究

文章针对智能网联场景,在考虑交通信号灯SPAT信息的基础上,采用MPC模型预测控制算法对队列行驶的纯电动客车进行实时车速规划,实现了车辆交通路口前不停车跟驰行驶,同时保证了车队中各个车辆的行驶安全性、能耗经济性、驾驶平顺性及乘坐舒适性。     

自动驾驶汽车高速超车轨迹跟踪协调控制

自动驾驶汽车高速超车时不仅要规划合理的换道路径来保证安全性,而且还要确保车辆高速转弯行驶的横向稳定性和舒适性。针对车辆超车的换道、匀速和换道3个阶段,分别规划了纵向速度和横向超车路径。提出了考虑路径曲率、换道时间、纵向车速的期望横摆角速度计算方法。以最小化横向位置偏差、横摆角速度跟踪偏差和控制增量为优化目标,通过可拓集的关联函数动态分配轨迹跟踪精度和横向稳定性的权重系数,建立了自动驾驶汽车轨迹跟踪的多目标模型预测可拓协调控制策略。数值仿真结果表明,提出的路径规划方法能保证车辆安全超车,轨迹跟踪控制策略不仅能精确地跟踪规划的路径,而且具有较高的横向稳定性和舒适性。     

基于多目标优化的自动驾驶车辆轨迹跟踪控制

针对自动驾驶车辆行驶轨迹的横向跟踪问题，设计了线性时变模型预测控制器。以车辆3自由度动力学模型为预测模型，以横向位置偏差最小为主要控制目标，考虑车辆状态约束、控制约束和轮胎侧偏角约束，优化了自动驾驶车辆轨迹跟踪安全性、转向稳定性和操作可行性等多目标性能。搭建MATLAB/Simulink和CarSim联合仿真模型，并将所设计的控制器控制效果与熟练驾驶员操纵结果、线性二次规划控制器控制效果进行了比较分析，结果表明，所设计的控制器可以有效解决多约束条件下自动驾驶车辆行驶轨迹的横向跟踪问题，且在安全性、转向稳定性和操作可行性方面具有显著的优势。     

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。     

基于熟练驾驶换道特征的车辆换道轨迹规划研究

传统的换道路径规划方法在车辆进行换道路径规划时往往只考虑车辆运动学及动力学约束,所生成的换道路径与熟练驾驶员驾驶车辆的行驶轨迹有很大差别。因此,文章通过研究熟练驾驶员的换道行驶路径特征,提出了一种仿熟练驾驶员换道路径规划方法,能够有效提高汽车舒适性。     

自动驾驶车辆侧向路径跟随控制算法仿真

路径跟随是依照规划轨迹信息通过对执行元件的控制实现沿期望轨迹行驶,控制算法对实现路径跟随非常重要。针对自动驾驶车辆的侧向控制技术,文章研究了基于最优预瞄理论的路径跟随控制,建立车辆二自由度模型和预瞄误差模型,设计模型预测控制（MPC）侧向跟随控制器以提高跟随精度。利用CarSim-Simulink联合仿真,仿真结果表明,该算法策略能稳定跟踪规划路径。     

驾驶机器人车辆动态制动力矩补偿

为了减小长期自动驾驶过程中制动性能下降带来的影响,提出了一种驾驶机器人车辆动态制动力矩补偿方法。首先建立了以车速和制动踏板力为输入,制动力矩为输出的驾驶机器人车辆制动性能离线自学习模型。然后考虑到驾驶机器人车辆长期自动驾驶导致离线自学习模型可靠性下降,建立了以车速和制动踏板力为输入,制动力矩为输出的扩展自回归在线辨识模型,并采用模糊变遗忘因子递推最小二乘法进行参数辨识。模糊变遗忘因子递推最小二乘法通过引入遗忘因子的方式,对数据施加时变加权系数,以避免出现数据增长导致的数据饱和现象。模糊变遗忘因子控制器以制动力矩辨识误差为输入,经模糊规则推理实时输出合适的遗忘因子进行参数辨识,能够有效均衡驾驶机器人车辆制动性能参数辨识的稳定性与收敛速度。驾驶机器人车辆自动驾驶过程中,根据当前车速与目标车速的大小计算出所需的制动力矩,加上反馈回来的制动力矩误差,并结合当前时刻的车速,利用制动性能离线自学习模型与机械腿逆向运动学模型实时计算出制动电机输出位移量,实现对驾驶机器人车辆制动力矩的在线补偿。仿真与试验结果表明:利用所提出的方法对车辆动态制动力矩进行辨识时,通过调节遗忘因子,辨识结果能够快速收敛且辨识误差较小。在此基础上,控制驾驶机器人车辆进行纵向车速跟踪时,能够有效减小制动性能下降造成的影响,保证控制车速跟踪误差在±1km·h-1之内。     

换道操作对智能车辆乘客舒适性的影响研究

乘坐舒适性是决定乘客对智能车辆接受度的重要因素之一。为了提升智能车辆的舒适性,服务智能驾驶控制算法的设计和优化,开展了基于乘客主观感知的实车乘坐舒适性试验,试验中驾驶人驾驶传统车辆执行多次换道操作,获取了60名被试乘客对换道操作的舒适性评价数据,并采集了车辆的运动数据。选取换道时横向最大加速度、回正时横向最大加速度、横向最大加加速度、横向加速度转换幅值以及横向加速度转换频率这5个车辆运动参数作为研究对象。采用二元Logistic回归单因素分析法分析了这5个车辆运动参数对乘坐舒适性的影响,采用接收者操作特征(ROC)曲线分析法为不同晕车易感性的乘客分别确立了这5个车辆运动参数的舒适性阈值,并根据岭回归分析法确定了不同参数对乘坐舒适性的影响权重。结果表明：所选取的5个车辆运动参数对乘坐舒适性具有显著影响,易晕乘客的舒适性阈值小于不易晕乘客的舒适性阈值,在换道过程中,换道时横向最大加速度、回正时横向最大加速度和横向加速度转换幅值是影响乘坐舒适性的主要因素。最后根据车辆运动参数和乘客生理特征参数建立了基于动态时间归整(DTW)和K最近邻(KNN)算法的乘坐舒适性预测模型,该模型对乘坐舒适性的预测准确率为84%,可用于智能车辆控制算法的舒适性判断。     

基于Simulink和VR的汽车虚拟驾驶系统设计

为实现具有可交互式操作功能的汽车虚拟驾驶系统,采用MATLAB中的V-Realm Builder工具箱创建汽车虚拟驾驶场景,通过分析汽车运动学过程,搭建基于Simulink的汽车运动控制模型,并将该模型与汽车虚拟驾驶场景建立关联,完成汽车虚拟驾驶系统设计。系统试验表明,通过操作外部设备能控制车辆在三维虚拟场景中灵活行驶,车辆行驶轨迹和运动过程符合实际,系统具有沉浸性、交互性的特点。     

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。     

车辆自动驾驶系统纵向和横向运动综合控制

为提高车辆自动驾驶系统的运动性能,基于模糊逻辑和滑模控制理论设计了一种车辆纵向和横向运动综合控制系统。该控制系统通过对前轮转向角度、发动机节气门开度、制动液压及主动横摆力矩进行协调控制,使车辆能够以期望速度在理想道路轨迹上行驶,并提高车辆在行驶过程中的操纵稳定性。仿真结果表明:纵向和横向运动综合控制系统能够提高车辆在不同行驶工况下的跟踪性能和运动性能,在车辆自动驾驶过程中是有效的。     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性,基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台,该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力,可动态模拟不同的路面附着系数,同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度;采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真,模拟多种道路交通场景,并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统,完成了多项关键技术研发,包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法,可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外,为验证快速测试平台的有效性,以U-turn轨迹跟踪控制为研究实例,基于简化的车辆运动学模型和模型预测控制算法,在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况,自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好,与参考轨迹的偏差小于8%,证明了该测试平台检测方法的有效性。     

智能汽车换道路径规划研究

换道是智能汽车在道路行驶操作中重要部分之一。传统的换道路径规划方法在进行换道路径规划时往往只考虑车辆运动学及动力学约束,所生成的换道路径与熟练驾驶员驾驶车辆的行驶轨迹有很大差别。因此,文章通过研究熟练驾驶员的换道行驶路径特征,提出了一种仿熟练驾驶员换道路径规划方法,能够有效提高智能汽车舒适性。     

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。     

基于人-车-路协同仿真的山区道路大型车辆行驶适应性分析

为提高山区道路大型车辆的行驶安全性,构建人-车-路协同仿真系统,在3条复杂山区道路上开展代表性驾驶模式的大客车和重载货车虚拟行驶试验,根据仿真输出的车辆运动学/动力学响应参量和驾驶输入量,分别进行设计符合性、车辆通过性、运行速度协调性、行驶舒适性以及驾驶负荷度等5个方面的检验分析。结果表明:通过以上分析能确定危险位置的临界安全速度、超长货车通过急弯时的越出宽度和越出位置、不协调的线形单元以及行驶舒适度和驾驶负荷度较差的位置,进而可以实施靶向性的几何参数改进,增加山区公路与大型车辆之间的适应性,最终达到提高山区公路设计质量和安全性的目的。     

面向变曲率道路的自动驾驶汽车换道博弈运动规划与协同控制研究

当多辆自动驾驶车辆在结构化道路上执行换道合流任务时，需要综合考虑转向和合流动作以避免事故的发生，同时曲率和周车车速的变化也增大了协同控制的难度。本文聚焦上述问题，提出了面向变曲率道路的多车换道博弈运动规划与协同控制方法。首先，建立曲率坐标系下的多车模型来解析车间安全距离及动力学状态。其次，通过系统地考虑道路曲率变化及周围车辆信息，提出基于博弈的多车换道运动规划算法，采用分布式框架快速求解兼顾个性化驾驶的最优速度轨迹及换道时机。最后，基于B样条曲线高效识别道路曲率及规划轨迹，构建了自适应时变预测控制算法实现轨迹跟踪，其特点在于单步参数矩阵实时更新，消除车速和曲率频繁变化带来的控制偏差累积。实验结果表明，相比斯坦利（Stanley）方法，能降低58%的跟踪误差；相较协同自适应巡航方法，能减少74%的合流时间；另外计算求解效率也仅为集中式模型预测控制方法的10%。