耦合博弈论—运动学的自动驾驶换道决策研究

发布时间：2021-10-30 05:40

　　随着计算机技术与信息技术的发展,自动驾驶车辆受到了越来越多的关注。自动驾驶车辆在解决交通安全、交通拥堵等问题起着至关重要的作用,是汽车行业的重要发展方向。近年来,自动驾驶技术也取得了一定的成果,但是要想实现在真实道路环境中安全高效行驶,还依然面临着很多难题。自动驾驶在发展过程中,必然会经历由人类驾驶和自动驾驶车辆的混合驾驶环境,过渡至完全自动驾驶环境。车辆换道算法是自动驾驶车辆决策规划模块中的基本算法,对驾驶安全具有重要意义。因此,对于换道问题的研究,也要分别对两种驾驶环境分别进行讨论。无论是混合驾驶环境还是全自动驾驶环境,换道车辆与目标车道后车之间的冲突都是换道研究中的一个重要问题。目前尚未有针对完全自动驾驶环境下换道车辆和目标车道后车之间发生冲突时如何进行解决的相关模型,混合驾驶环境下该问题也缺乏全面的研究。本文以换道过程中的车辆冲突问题为研究对象,提出了耦合博弈论和运动学的模型方法来研究车辆换道中自动驾驶车辆的决策问题,分别针对完全自动驾驶和手自动混合驾驶两种不同的驾驶环境,建立两种不同的自动驾驶换道模型。完全自动驾驶环境下,设计了完全自动驾驶环境下换道车辆与目标车道后车的车辆换... 

【文章来源】：西南交通大学四川省 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【部分图文】：

安全收益与冲突时间差关系图

图 3-7 RV 初始位置与收益关系图表 3-4 反映了 RV 初始位置为 0m 和 41m 时，两车的收益矩阵。表中最终的纳有两个策略组合 S11和 S22，然后从中选择两车总收益之和更大的策略组合。表 3-4 收益矩阵RV（初始位置 0m） RV（初始位置 41m）避让 不避让 避让 不避让LV换道 (0.07，-0.02) (-0.24，-0.35) (0.11，-0.24) (-0.83，-0.99)不换道 (-0.08，-0.02) (-0.08，-0.04) (-0.08，-0.15) (-0.08，-0.04)如图 3-8 所示，在 RV 初始位置为 0-41m 范围内，S11下两车总收益之和最大1m-90m 范围内，S22下两车总收益之和最大。通过图 3-7 的分析，可以看出 总收益的增长速度要比 RV 总收益下降的速度慢得多，从而导致 S11下两车总呈现下降的趋势，而 S22下两车总收益之和是一条上升的曲线，从而在 RV 初 41m 处，最终解由 S11变至 S22。

图 3-8 RV 初始位置与两车收益之和关系图始位置分析出 LV 和 RV 车辆的初始速度，并确定 RV 的初始位置，LV内，分析 LV 的初始位置与其他参数的关系。表 3-5 车辆初始信息车辆初始位置(m)LV 位置 RV 位置 PV 位置 FV 位置[0，90] 0 120 120车辆初始速度(m/s)LV 速度 RV 速度 PV 速度 FV 速度25 30 25 33结果为：当 LV 初始位置在 0-46m 范围时，最终解为 S22，为 S11。图 3-9 描述了两车的收益与 LV 初始位置的关系。由的变化只影响了 RV 在 S11 和 S21 下的速度收益，即避让速有变化。随着 LV 初始位置的变化，RV 与 LV 距离不断增，从而导致 RV 避让速度收益也呈现单调递增的趋势。


本文编号：3466163