论文部分内容阅读
高速公路具有车辆行驶速度快,在跟车和自由换道的过程中容易产生碰撞的特点。当前,传统的高速公路场景中的换道决策模型仅考虑驾驶任务的完成,不完全符合人类驾驶员在驾驶行为决策时所采用的综合考虑安全性与通行效率的决策机理,未能充分考虑周围车辆行为不确定给主车带来的碰撞风险。所以,为了使自动驾驶汽车可以在高速公路的动态不确定场景中安全可靠的运行,自动驾驶系统需要有预测其他交通参与者的运动并评估其行为带来的潜在风险的能力。本文主要研究高速公路场景下考虑周围车辆驾驶员风格和长时运动预测的自主驾驶车辆风险评估和行为决策研究。围绕人类驾驶车辆驾驶风格分析、场景中其他车辆意图识别和概率性轨迹预测、碰撞风险评估和自动驾驶行为决策四个方面进行研究。首先,从车辆历史轨迹中提取了驾驶人的风格特征,对人类驾驶车辆的驾驶员风格进行了聚类分析,对比K-Means++、模糊均值(FCM)和层次聚类算法在多个聚类中心下的聚类效果;使用支持向量机(SVM)对驾驶风格进行分类;分析了三种风格驾驶员换道与跟车状态下的操作特性。结果显示,使用K-Means++算法将驾驶风格聚类成三种类型具有较好的效果;SVM在三种驾驶风格的测试数据集上分类准确率均大于97%;不同风格驾驶员的换道执行时间、换道过程中的横纵向加速度以及跟车状态下的车头时距均有显著差异;驾驶风格激进程度越高的的驾驶员具有更高的换道频率、更低的换道时间以及在换道过程中车速的稳定性更低;谨慎型的驾驶员在跟车行驶时具有更高的车头时距。其次,从NGSIM数据集中提取车辆历史轨迹特征,进行人类驾驶车辆换道意图的识别和驾驶轨迹的概率预测。使用双向长短时记忆神经网络(Bi-LSTM)进行驾驶意图建模,对比了仅含有目标车辆信息和加入其周围车辆的历史轨迹信息两种输入特征形式。结果显示,在预测时长为3.5秒时,后者的意图识别准确率比前者高1 0.02%。在不同的识别时长上进行意图识别,发现识别正确率随着预测时长的变长逐渐下降。在加入周围车辆历史23.59%。使用LSTM结合混合密度网络(MDN)的模型进行车辆驾驶轨迹分布的预测。将模型的预测结果与其他相关工作的结果进行了对比,显示了该模型进行车辆运动预测的有效性。从西安二环路金花南路段采集交通流视频并提取运动预测模型的输入特征,将特征输入到训练好的模型中,验证了上述运动预测模型的泛化性能。最后,建立了基于轨迹冲突量化的风险评估及换道决策模型。训练了自动驾驶车辆目标车道选择模型;提出了一种基于碰撞时间(TTC)和车头时距(TH)的车辆轨迹冲突量化方法,并对轨迹预测模型获得的周围车辆轨迹与主车不同意图所对应的轨迹之间的冲突进行了量化,获得了主车不同轨迹的冲突风险;通过对主车候选轨迹簇的筛选,进行驾驶决策。在数据集的决策场景下验证了该风险量化和决策模型的可行性。