基于改进LSTM-NN的安全性自动驾驶换道轨迹规划模型

为改善现有的自动驾驶换道轨迹规划模型产生的换道轨迹与真实的换道轨迹存在较大偏差的问题,提出了一种改进LSTM-NN的安全敏感性深度学习模型,该模型可以缓解当前自动驾驶轨迹规划存在的不足,输出轨迹既保证了较高的精度又提高了安全性。CarSim仿真软件模拟了本模型产生轨迹的可跟踪性,结果显示轨迹非常平滑,并且自动驾驶车辆可以高效、安全地完成换道。     

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。     

智能网联汽车测试场建设与测试方法浅析

为满足智能网联汽车测试越来越迫切的测试需求,在国内现有的智能网联示范区基础上,概述了智能网联汽车专用测试场地建设方法和智能网联汽车测试方法,着重分析了建设要点,测试工况和实际测试经验总结兼顾,对测试场地的建设提出建议,并在测试方法上提出了V2X的测试框架,对智能网联专用测试场地建设以及测试方法研究具备参考意义。     

车路协同条件下智能网联汽车一体化决策模型

为了探索当前有限数据条件下面临的无限交通场景问题,提出车路协同条件下基于深度强化学习智能网联汽车决策模型。利用Actor-Critic机制,以highway-env为数据来源,抽取144 h交通数据作为训练数据并进行验证,分析了智能网联汽车在不同车道数条件下的驾驶行为。结果显示,本模型汽车行程时间减少20%以上,碰撞概率减少25%以上,换道轨迹可以通过动力学跟踪。     

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景，从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络，对神经元中的激活函数进行替换，从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性，结果显示本模型可以更好地学到人类的安全换道行为，可推广使用。