自动驾驶车辆换道过程建模与分析

发布时间：2020-04-08 00:40

【摘要】：近年来,随着互联网技术的拓展和自动化水平的提高,自动驾驶车辆愈发受到互联网企业和传统车企的广泛关注,自动驾驶技术对社会、驾驶员和行人均有益处,能够使整体交通事故发生率大幅度下降,并且自动驾驶车辆的行驶模式更加节能高效,因此交通拥堵及交通污染将得以减弱,被认为是未来解决交通问题的重要手段。因而也吸引了很多交通领域学者的关注。车辆换道行为作为自动驾驶领域的关键问题,也是道路基本驾驶行为中的关键环节,对交通安全、交通流特性有着显著的影响,主要研究内容包括换道决策和换道轨迹规划两部分。然而与目前自动驾驶领域较为成熟的自适应巡航控制技术相比,车辆换道行为的自动化还刚刚起步,一方面,在目前的研究中,大部分换道决策内容只关注了车辆在平直公路路段场景下的自由换道行为,但针对高速公路下匝道场景下的强制换道行为研究较少,鲜有模型能够量化该场景下换道意图点与换道成功率的关系。另一方面,目前已有的换道轨迹规划模型大部分无法适用于真实的驾驶环境,是一种静态换道轨迹规划模型(Static lane-changing path planning,SLPP)。而当前可以实时响应环境信息变化特征的动态换道轨迹规划模型(Dynamic lane-changing path planning,DLPP)研究还十分有限。本论文试图填补自动驾驶换道领域的这两部分内容。本文以自动驾驶背景下的车辆换道行为建模为研究方向,建立自动驾驶换道轨迹规划模型,对相关参数进行仿真分析。同时为了解决自动驾驶领域中换道意图生成的问题,建立了换道意图生成模型,从而量化了换道成功率与换道意图生成点之间的关系。其中,自动驾驶换道轨迹规划模型是从车辆轨迹规划动态响应的角度建模,添加了换道防侧翻算法,换道避撞算法,重构了换道轨迹规划的速度变化规则,能够实现对环境信息变化的动态响应,是一套较为完备的自动驾驶换道轨迹规划模型,可以对反应时间,规划步长进行调整修改。并使用NGSIM数据作为环境信息输入,仿真了四种典型的换道类型,同时在CarSim环境下验证了规划轨迹的可执行性以及各项车辆行驶参数;换道成功率模型则是在自动驾驶换道轨迹规划的基础上建立的描述换道意图生成点与最终换道成功率间关系的宏观离散概率模型,旨在为自动驾驶车辆换道意图生成提供支持。结果显示,自动驾驶换道轨迹规划模型能够对实时变化的环境信息做出动态响应,在如下几种常见换道场景中仿真效果理想:向慢车道超车换道、向快车道让车换道、以及换道中止返回原车道的场景等。CarSim仿真结果显示该模型输出的轨迹与速度能够较好地被跟踪,各项车辆参数输出结果正常;换道成功率模型计算结果与实车实验换道成功率的相对误差在10%左右,可以用于自动驾驶强制换道行为意图生成点决策优化。
【图文】：

示意图,车头时距分布,车头时距,视频采集

A 北新立交 B 三河场立交 C 白鹤林立交498m 2213 m913 m1387 m图 3-4 立交桥分布位置示意图图中绿色三角符号表示实验选取的高速公路沿线桥侧广告牌以及交通信息指示牌，还标注了上述标志点与立交匝道出口的距离。3.3.2 调查数据内容1. 车头时距分布数据我们采用固定摄像机定点拍摄的方式来记录高速公路各个车道的车辆行驶视频（见图 3-5），用以提取各个车道的车头时距分布数据。计划与交警部门（成都交警第六支队）协调并取得权限，将车辆临时停在应急车道上，将摄像机三脚架定位在矩形护栏平台上进行拍摄。

车头时距分布,拟合,车头时距

西南交通大学硕士研究生学位论文某一换道意图生成点开始寻找合适车头间距进行换道时成功的次数的比值，并与本文模型计算出的对应换道成功概率进行比较来判精度是否满足要求。先需要通过对采集的车头时距数据进行分布拟合，从而确定将哪一布概率密度函数待入换道意图生成模型中进行运算验证。本文在合子模块中使用了三种分布函数对车头时距调查数据进行了数据图中，横坐标为车头时距值，单位为秒。纵坐标为概率密度函数值为本次采集的车头时距数据（单车道流率大约为 663 辆/小时）。蓝正态分布函数，，红色点画线为逆高斯分布函数，绿色虚线为指数分布显可以看出对数正态分布函数的拟合效果相对较好。
【学位授予单位】：西南交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：U463.6

【参考文献】