基于高速公路的驾驶员换道意图识别

近年来,车辆安全问题成为社会关注的焦点。高速公路存在两类典型的驾驶员行车意图,分别为车道保持和意图换道。在意图换道的过程中,对驾驶人控制车辆提出了更高的要求。基于BP神经网络提出了一个模型,用于检测高速公路上驾驶员的车道变更意图。预测结果表明,在换道时刻,预测精度可达到99.3%,以0.5 s为间隔向前推,换道前1 s的准确率为98.0%,换道前2 s的准确率为84.8%,换道前3 s的准确率为70.7%;随机选取样本对模型的准确率进行验证,换道时刻准确率为96.7%。为深入研究驾驶员的输入特征奠定基础。     

驾驶员头部运动与换道意图的分析研究

驾驶人驾驶员换道过程中换道行为的产生和进行影响着交通畅通和人员安全。文章从驾驶员头部运动的分析入手,基于头部运动相对于视觉的提前性,期望更有效的进行预测驾驶员换道意图。通过对头部运动的获得、区域划分和数据处理,得到表征指标。得到头部运动可以作为换道意图参数的结论,有利于下一步模型的训练。     

基于长短期记忆网络的换道意图识别方法

准确识别周围车辆的换道意图将有助于自动驾驶系统决策,从而提升安全性和舒适性。提出一种基于长短期记忆（Long Short-term Memory,LSTM）网络的换道意图识别方法,能够较为准确地识别周围车辆的换道意图。该方法先通过构造收益函数来描述目标车辆（被预测的车辆）与其邻域车辆之间的交互关系,得到目标车辆左换道、右换道和车道保持的收益值,并将该收益值作为交互特征输入到意图识别网络;在意图识别网络中,引入注意力机制,通过网络自学习得到的权重对LSTM层各个时刻的输出加权求和,能够对编码信息进行有效利用,提高换道意图的识别性能;由于车辆的换道意图存在较强的前后依赖性,引入条件随机场（Conditional Random Field,CRF）,采用意图转移特征函数对各个时刻换道意图进行联合建模,并构建负对数似然损失函数作为整个网络的损失。为了验证所提方法的有效性,基于NGSIM数据集训练并评估模型。结果表明：所提方法对换道意图识别的准确率、宏观F1分数、测试集损失分别为0.916 4、0.874 6和0.168 3,均优于支持向量机（SVM）、隐马尔可夫模型（HMM）和LSTM模型。同时,所提模型对左换道和右换道的平均换道提前识别时间分别为3.08、2.33 s,综合换道提前识别时间为2.81 s,优于基线模型,能够为主车的决策提供充足的冗余时间。通过消融分析可知,引入的交互作用模块、注意力机制和条件随机场对准确率的贡献分别为0.012 2、0.004 3和0.011 0,印证了相关模块的有效性。最后由场景验证的案例可以得出,所提方法在准确率、稳定性和换道提前识别时间等指标上优于对比模型。     

基于模糊推理的驾驶员意图识别研究

对驾驶员换档操作进行了动力学分析,定义了平直道路匀速行驶的平衡节气门开度和相对节气门开度,研究了典型工况下驾驶员操作特征,将平直道路行驶时的驾驶员意图分为相互关联的五类,并在此基础上提出了将驾驶环境和驾驶员操作相统一的识别方法。根据相应的实车实验数据和经验收集,制定了模糊推理的规则库,建立了多输入单输出的模糊推理模型。对实车实验数据进行了离线识别验证,能够比较准确完整的识别驾驶员意图。     

基于驾驶行为的城市道路车辆主观换道模型研究

车辆换道行为因其运行环境复杂,所涉及的交通因素众多,容易引起交通冲突,从而降低道路交通系统的安全性.对车辆换道行为的动态特性及其对车流运行的影响机理进行建模与研究,对提高交通系统的运行效率有重要意义.基于城市道路车辆换道行为的特征,改进了元胞自动机模型细化车辆换道过程;考虑驾驶员特性、车辆类型的影响,采用模糊推理理论描...     

高速公路驾驶人换道意图识别模型

为了增加驾驶人换道过程中的安全性,提出一种基于隐马尔科夫理论的驾驶人意图换道识别方法.在模拟高速公路环境下,采用非接触式眼动追踪仪采集驾驶人的眼动数据、头部运动数据以及车辆行驶数据,选取左-右链结构的隐马尔科夫模型(GM-HMM)分别建立向左换道、向右换道和车道保持模型.结果显示,所建立的驾驶人的意图识别模型的准确率达到了90%以上.     

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。     

网联与非网联环境下驾驶人换道意图识别研究

网联时代的到来必将改变驾驶人的注意力分配和环境感知能力,进而影响其认知与行为模式。此时,非网联环境中建立的换道意图模型是否继续适用于网联环境值得研究。因此,基于驾驶模拟器搭建了网联与非网联换道场景,对比分析了2种环境下驾驶人换道意图表征参数与换道意图识别模型。结果发现：网联环境下的换道意图时间窗口长度(6.6 s)比非网联环境(4.1 s)长了约60.98%。网联环境下,意图表征参数(车辆运动与驾驶人操作参数)波动幅度显著小于非网联环境。换道意图阶段,非网联环境下驾驶人的平均扫视速度、后视镜观看频次以及注视时间与网联环境下存在显著差异。模型对比发现,当提前0.5 s识别时,网联与非网联环境下的模型识别精度无明显差异,分别为98.25%和96.35%;当提前2 s识别时,网联环境下的模型识别精度(93.48%)显著高于非网联环境(85.68%);在提前3 s识别时,网联环境下的模型识别精度为92.23%,非网联环境下出现了训练不收敛的情况。综上可见,网联与非网联环境下驾驶人换道意图表征参数与模型识别精度存在较大的差异。此外,网联环境下驾驶人换道意图通过所提模型精确识别后利用网联通信方式发...     

基于GM-HMM的DCT车辆驾驶员起步意图辨识研究

针对当前DCT控制系统对起步意图辨识准确度不高的问题,提出了一种基于高斯混合隐马尔科夫模型(GMHMM)的起步意图辨识方法:根据DCT车辆实车起步纵向加速度分布特性,将起步过程分为8个时段,基于K均值聚类算法对各时段内平缓起步、一般起步以及紧急起步进行定义,在此基础上对各时段3类GM-HMM进行训练,通过对比0.3 s内油门踏板开度时间序列在不同模型中的对数似然概率确定当前驾驶员的起步意图。经过验证,模型的平均查全率达88.7%,耗时7 ms,具有较高的辨识准确率和较好的实时性。     

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。     

基于PCA-SVM的DCT汽车驾驶员起步意图识别

针对目前对于双离合自动变速器(Dual Clutch Transmission,DCT)汽车驾驶员起步过程中意图变化的研究有限,且现有方法的识别准确率不高这一问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)的变化起步意图识别模型。根据驾驶员针对车辆反馈的反应时间,将起步过程划分为6个阶段;基于K均值聚类确定各个阶段的缓慢起步、一般起步、紧急起步这3种起步意图的界限;基于主成分分析挖掘出各个阶段起步意图识别的新特征;在此基础上构建6个SVM模型,并利用这6个模型分别对各阶段的起步意图进行识别。经过验证,该模型的平均测试准确率为94.92%,比只利用线性SVM模型高16.89%,且单个模型的平均耗时为0.008 s,能够快速有效地识别出DCT汽车驾驶员的起步意图。     

基于驾驶人换道行为的换道决策辅助系统预警时间研究

基于驾驶人的换道操作行为初步提出换道决策辅助系统合适的预警时间。观察换道作业与目标车道跟随车辆之间的联系。实验在西安绕城高速公路某一路段上实现。     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于车辆轨迹的驾驶员自由换道行为研究

自由换道行为会对交通流稳定运行产生较大的影响,在换道过程中驾驶员的行为是重要的影响因素。基于车辆运行轨迹的分析,对驾驶员在自由换道过程中的心理行为进行分析,为自由换道模型的构建提供参考依据。     

基于驾驶员意图识别的纯电动汽车动力性驱动控制策略

为了解决纯电动汽车动力性和操控性难以同时兼顾的问题,将驾驶员意图分为稳态意图和动态意图,稳态意图用于保证车辆的操控性,动态意图用于保证车辆的动力性,在此基础上提出了一种基于驾驶员意图识别的纯电动汽车动力性驱动控制策略,该策略首先分别采用“典型工作点+分段插值”和模糊推理方法来识别驾驶员的稳态和动态意图;接着采用“动态补偿转矩保持”和“动态补偿转矩归零”等算法计算动态补偿转矩;最后通过“增量式”动态补偿转矩跟踪算法和电机过载管理算法给出最终的转矩指令。仿真与试验结果表明,该策略既可以根据驾驶员稳态意图保证车辆的操控性,也可根据驾驶员动态意图提高车辆的动力性。     

高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力,提出了基于融合注意力机制的卷积残差双向长短时记忆（BiLSTM）识别模型。采用一维卷积神经网络提取车辆运动状态特征;将构造的特征向量作为BiLSTM输入信息;通过残差连接,解决多层BiLSTM易出现的优化瓶颈和梯度消失问题;利用注意力机制,调整残差BiLSTM不同时刻输出权重;应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证,并与其他4种模型进行对比,结果表明：该模型对换道意图整体识别准确率最高,达到97.44%,在换道前2.5 s预测结果准确率达到90%以上,具有更好的识别精度和预判能力。     

基于交通风险评估的个性化换道触发研究

基于风险评估的结果,如何实现智能车安全、合理、个性化的自主换道触发,是当下自主驾驶领域的研究热点。本文中基于人工势场理论,建立了障碍物的静态和动态风险场,从而对车辆周围的风险进行评估。之后对驾驶员日常驾驶数据中的换道数据进行提取和分析,得到个性化的换道触发。实车试验验证结果表明,采用本方法可很好地评估交通环境中的风险,实现个性化的换道触发。