面向智能驾驶的交通车辆运动预测方法研究

发布时间：2020-09-07 10:04

　　随着车辆智能化水平的不断提高,一些高级驾驶辅助系统和部分自动驾驶功能已经出现在量产车当中,完全的自动驾驶功能也已经进入了大规模的测试阶段。这些车辆智能化系统的不断成熟对于解决传统汽车工业所带来安全、拥堵和环保等问题具有重大的意义。汽车智能化也已被公认为必然的汽车技术发展方向之一。在复杂交通环境中行驶时,智能车需要时刻关注周围环境的发展态势和可能面临的危险状况。智能车在决策并规划未来的安全可行且满足舒适性、经济性、行驶效率等要求的轨迹时,需要对周围环境的变化做出合理的预测。人类驾驶员可以通过在交通环境中不断学习掌握推断周围交通车行驶意图和预测它们未来运动的能力。但对于智能驾驶系统而言,周围行驶环境中很多信息是无法直接观测的(例如周围车辆的行驶意图),需要通过可观测的变量来进行概率推理。因此,研究反映交通车辆行驶意图的运动预测方法对于智能驾驶系统而言至关重要。目前,大多数交通车运动预测的方法是基于物理机理的运动模型和基于行为的运动模型。这两类方法在进行运动预测时仅考虑了交通车对主车运动的单向影响,即交通车的运动预测结果作为主车决策和规划的输入。事实上主车的运动也会对交通车的运动产生很大的影响,但这些方法在进行运动预测时将每个交通车作为独立的个体来研究,忽略了主车对交通车的作用。显然,在高速公路入口或城市拥堵道路这一类具备明显行为交互性的场景下,这种做法将导致模型的预测效果大大下降。另一方面,目前大多数运动预测方法为确定性的轨迹预测,这些方法通常基于车辆的动力学和运动学模型实现。然而实际的运动预测过程中传感感知通常是不精确、不完备的,交通车驾驶员的状态与状况也是未知的,因此交通车辆的实际运动轨迹充满了不确定性。在较长时距的运动预测中,这类确定性的运动预测方法显然难以得到可靠的结果。此外,目前即便是考虑了不确定性的方法,也仅通过加入高斯噪声来模拟不确定性,难以准确表达真实交通场景中车辆运动的概率分布。针对目前研究中的不足,本文提出了一种考虑交通参与者之间行为交互的运动预测方法,主要包含以下几个方面的内容:第一,提出了一种基于博弈论的交通车行为推理方法。本文将交通参与者之间的交互行为建模为一个非完整信息的非合作博弈。基于博弈理论设计了交通车交互式行为预测的算法框架,利用收益函数来建模驾驶员的意图,通过期望效用来表达交通车辆产生每种行为意图的概率,并结合行为识别结果做出交通车的行为预测。通过与传统行为预测方法的对比实验,验证了本文所述方法能够更早地预测交通车的行为,较好地表达了车辆之间的行为交互,并具有更高的鲁棒性。第二,建立了基于连续隐马尔可夫模型的交通车辆行为识别方法。作为交互式行为预测框架中的重要组成部分,基于历史轨迹对车辆的行为识别代表了对其现在行为的理解,本文利用连续隐马尔可夫模型将车辆的行为建模为离散的隐状态,通过连续的车辆状态观测值对其可能的行为进行概率估计。模型利用了NGSIM真实交通数据集来进行训练和测试,测试结果表明模型具有很高的灵敏度和准确率,1s之前的换道行为识别准确率可以达到95%以上。第三,提出了一种基于高斯过程运动模型的交通车轨迹预测方法。该方法根据实际的样本轨迹利用高斯过程对交通车的不同驾驶行为进行运动建模,通过概率更加真实地表达交通车运动轨迹的不确定性。首先通过高斯混合模型根据不同的驾驶习性对实际的样本轨迹进行了分类,然后对各类别建立了单独的高斯过程运动模型。最后,推导了条件高斯分布的概率计算,并将高斯过程运动模型用于交通车的运动预测。最终实验表明,该方法能够很好地表达交通车辆运动轨迹的不确定性,运动轨迹预测的期望与真实轨迹的误差较小,在长期预测中有很好的表现。为了估计本文提出的交互式行为预测框架中收益函数的参数和训练基于隐马尔可夫的行为识别模型,使用了NGSIM交通数据集,并对轨迹数据进行了预处理,提取了其中的有效数据来进行参数估计。最后为了验证本文所提出的一整套运动预测方法,在两个场景下设计了三个实验与传统的运动预测方法进行了对比。实验结果表明,由于考虑了车辆之间的交互影响,并对驾驶员的意图进行了建模,本文所述方法在预测提前程度、反映交互和鲁棒性方面具有更好的性能。
【学位单位】：吉林大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：U463.6
【部分图文】：

汽车测试,自动驾驶,里程

第1章绪论义、人工智能、通信技术、计算机技术的不断发率和污染等方面的问题正在被逐渐改善。近年化水平的提高影响尤其深远，学术界和工业应用和落地。毫无疑问，汽车智能化已经成驾驶辅助系统（ADAS）已经在量产车中大量道偏离预警系统（LDW）等，这些系统已经事故[2]。另外，自动驾驶技术也在日趋完善mo）宣称他们的自动驾驶汽车测试已达 300迪 A8 为全球第一款达到 Level 3 级别[3]的自

不确定性,预测结果,轨迹,运动学模型

车辆动力学模型在控制领域应用广泛，但是因为计算广泛的往往是更为简单的模型，比如二自由度车辆模辆内部的基本参数（如质量、轴距、前后轴侧偏刚度车来说没有车联网设备的支持基本是不可能获取的。态参数（位置、姿态、车速、加速度等）之间的关系，接方便，因此运动学模型的应用要比动力学模型广泛的行为（转弯、换道等），一般直接假设车辆以固定速者以固定的横摆角速度和车速、固定的横摆角速度和理的模型的复杂度取决于动力学模型和运动学模型的基于确定性的动力学和运动学模型，在上述固定车辆产生的是一条确定的运动轨迹。这种方法计算效率很当前状态的不确定性以及未来变化中存在的不确定性结果在较长时间上并不可靠。

轨迹图,蒙特卡洛模拟,轨迹

第 1 章绪论型[29, 31]。在进行轨迹预测时，车辆的各项状态参数通过高斯分布的和协方差矩阵）。再将其转换为道路环境下的位置信息即可得到车辆果，结果亦通过均值和协方差矩阵的方式表达[31-33]。如图 1.3 所示，通过一系列反应不确定性的椭圆来表达[33]。在车辆状态参数的分布假设它服从高斯分布），蒙特卡罗模拟（MonteCarlosimulation）方法行采样来获得车辆未来的轨迹分布。同时还可以考虑碰撞风险、舒适束等指标使得轨迹预测更加准确[34, 35]。通过对输入进行的采样，同型未考虑驾驶员输入的问题。

【相似文献】