论文部分内容阅读
近年来，随着人工智能等信息技术的快速发展，智能汽车已经成为汽车行业、乃至整个社会的热点。换道行为是车辆的核心驾驶任务之一，也是智能汽车规划决策模型需要攻克的难题。但目前大部分的换道轨迹规划模型都是静态规划，无法适用于动态的交通环境，更难于应用于高等级(如L3级以上)的自动驾驶。因此，本文以智能汽车换道过程的轨迹规划为研究对象，提出一种基于轨迹数据，并可以响应交通环境变化的换道轨迹动态规划模型。本文的内容主要包括以下几部分。
为建立高可信度的换道轨迹规划模型，首先分析了美国NGSIM公开轨迹数据集中I-80与US-101数据存在的问题，利用阈值法剔除异常值，再利用小波降噪重构轨迹数据。处理后的轨迹数据更加平滑，且没有改变原始数据的趋势，求导得出的速度和加速度也更加合理。随后提取NGSIM数据中的任意性换道(Discretionary Lane Changing, DLC)与强制性换道(Mandatory Lane Changing, MLC)样本，用于初始模型的建立及最后的模型仿真。
随后，利用k-means++算法将DLC与MLC样本数据各分为三个类别。再利用基于遗传算法优化的BP神经网络分别对这些类别进行训练及测试，生成不同的网络模型，用来预测不同时空参数下智能车辆的换道时间。用换道时间作为输入，建立智能车辆换道初始模型，即确定智能车辆换道轨迹规划的第一次迭代状态。
然后，利用四阶多项式作为换道轨迹的基本模型，通过智能车换道的始末状态确定模型的相关系数。建立以智能车辆重心为坐标原点的移动坐标系，以保持每一次迭代开始状态与上一次迭代终点状态一致。利用规划轨迹的最大曲率及换道时间的加权和作为成本函数来求解每一次迭代的最优解。同时，考虑了智能车辆换道后与目标车道前后车之间的安全间隙、未进入目标车道之前与本车道前车之间的安全条件，以保证规划的轨迹满足安全性要求。
最后，利用NGSIM数据的换道场景，验证动态轨迹规划模型的有效性。仿真实验表明，本文提出的模型可以响应周围车辆的间距及相对速度的变化，动态规划出每一次迭代的最优部分，最后可高效整合成完整换道轨迹。基于本文所以提出的模型规划的轨迹平滑、换道时间短、效率高。
为建立高可信度的换道轨迹规划模型，首先分析了美国NGSIM公开轨迹数据集中I-80与US-101数据存在的问题，利用阈值法剔除异常值，再利用小波降噪重构轨迹数据。处理后的轨迹数据更加平滑，且没有改变原始数据的趋势，求导得出的速度和加速度也更加合理。随后提取NGSIM数据中的任意性换道(Discretionary Lane Changing, DLC)与强制性换道(Mandatory Lane Changing, MLC)样本，用于初始模型的建立及最后的模型仿真。
随后，利用k-means++算法将DLC与MLC样本数据各分为三个类别。再利用基于遗传算法优化的BP神经网络分别对这些类别进行训练及测试，生成不同的网络模型，用来预测不同时空参数下智能车辆的换道时间。用换道时间作为输入，建立智能车辆换道初始模型，即确定智能车辆换道轨迹规划的第一次迭代状态。
然后，利用四阶多项式作为换道轨迹的基本模型，通过智能车换道的始末状态确定模型的相关系数。建立以智能车辆重心为坐标原点的移动坐标系，以保持每一次迭代开始状态与上一次迭代终点状态一致。利用规划轨迹的最大曲率及换道时间的加权和作为成本函数来求解每一次迭代的最优解。同时，考虑了智能车辆换道后与目标车道前后车之间的安全间隙、未进入目标车道之前与本车道前车之间的安全条件，以保证规划的轨迹满足安全性要求。
最后，利用NGSIM数据的换道场景，验证动态轨迹规划模型的有效性。仿真实验表明，本文提出的模型可以响应周围车辆的间距及相对速度的变化，动态规划出每一次迭代的最优部分，最后可高效整合成完整换道轨迹。基于本文所以提出的模型规划的轨迹平滑、换道时间短、效率高。