考虑驾驶人驾驶习性的个性化车道保持辅助策略研究
发布时间：2022-01-27 05:21
智能汽车车道保持辅助系统（Lane Keeping Assist,LKA）是一种典型的侧向智能辅助驾驶系统,集成车道偏离预警、车道保持辅助控制等功能,有利于减少交通事故、保障驾驶安全以及缓解驾驶人驾驶负荷,是目前应用较为广泛的汽车高级驾驶辅助系统（Advanced Driver Assistance System,ADAS）之一。然而目前的车道保持辅助系统缺少对驾驶习性多样的驾驶人的综合考虑,所以设计出来的车道保持系统难免会存在系统适应性不佳、驾驶人驾驶体验不良等问题,因此对驾驶人的个性化驾驶行为特性演变规律进行深入研究,以此为基础构建驾驶人差异化驾驶习性表征和辨识方法,进而在设计智能汽车车道保持辅助系统的过程中充分考虑复杂的驾驶人驾驶习性,构建能够满足不同驾驶人差异化需求的车道保持辅助系统,是未来智能汽车车道保持辅助系统的重点研究内容,也是实现个性化高级驾驶辅助和个性化无人驾驶的前提和基础。本文依托国家重点研发计划（编号:2016YFB0100904）、国家自然科学基金（编号:51775235）和吉林省自然科学基金（编号:20170101138JC）等项目,开展了考虑驾驶人驾驶习性的...
【文章来源】：吉林大学吉林省211工程院校985工程院校教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
道路交通安全隐患车辆沿车道线直线行驶是道路交通中最为常见的驾驶行为，易受驾驶人分心、疲
第2章驾驶人驾驶习性表征与辨识17线与RT-Range实现数据的传输采集。所有的驾驶人的驾驶数据最终都传输到笔记本电脑和工控机，然后通过RTMaps软件实现数据存储。RTMaps软件由Intempora公司开发推出，具备基于组件实现的多传感器开发环境，并且为很多的感知算法都提供了完善的组件库，RTMaps能够实时采集、同步和回放车载传感设备和车辆总线采集得到的数据信息，并能够支持CAN、LIN、以太网和串口通信等多种通信网络协议，此外，RTMaps能够实现对带有时间戳的传感器数据的异步采集，十分便于使用者开展离线开发和测试工作，因此在车辆的数据采集领域被广泛应用。2.1.2实车驾驶数据采集试验2.1.2.1试验场地的选择和试验工况设计基于实车数据采集平台的数据采集试验需要在保障驾驶安全的基础上，尽可能保证试验的真实性、有效性，所以往往将试验场地选择在外界干扰较少的城市郊区路段，本文的试验场地最后选为吉林省长春市生态大街净月中央公园附近的路段，该片路段上的社会车辆和行人较少，道路笔直且车道线清晰，符合试验要求，能够保证数据采集试验的顺利开展。试验路段的地图位置示意图和真实道路场景图如图2.3所示。在试验场地确定之后，需要合理有效的试验工况来激发驾驶人的内在驾驶习性，考虑到本文的研究内容主要是驾驶人在直线道路中的车道保持特性，所以要求被测驾驶人在驾驶试验车的过程中模拟平时的开车习惯在真实交通流中的车道内行驶，驾驶数据采集系统对被测驾驶人在真实的驾驶场景下的驾驶数据进行采集。(a)试验路段地图位置示意图(b)真实道路场景图2.3试验路段的地图位置示意和真实道路场景2.1.2.2驾驶人样本的招募与选取考虑到驾驶人样本集的广泛性是采集得到的驾驶数据多样性的有效保障，所以需
吉林大学硕士学位论文24式中，，1和2分别代表节点m分裂前和分裂成两个新节点的Gini指数。若驾驶人驾驶数据变量在所构建的随机森林模型中的第e棵树中出现了M次，那么驾驶人驾驶数据变量在第e棵树中的重要性为：()()1MGiniGiniejjmmVIMVIM==·······························(2-13)因此，驾驶数据变量在整个随机森林模型中的重要性可以表示为：()()11zGiniGinijejeVIMVIMz==······························(2-14)式中，z为随机森林模型中决策树的棵数，即分类器的数量。计算并绘制驾驶人驾驶习性数据集中的各个驾驶数据变量参数的Gini重要性散点图，如图2.4所示。图2.4Gini重要性散点图可见，在驾驶车辆进行车道保持的工况下，不同的驾驶人驾驶习性数据变量对于基于随机森林算法构建的驾驶人驾驶习性辨识模型的辨识精度的重要性会存在差别，本文中分析的各个变量参数对驾驶人驾驶习性辨识模型辨识精度的重要性依次为：车辆偏航角标准差数据4＞车辆横向偏移量标准差数据2＞车辆横向速度标准差数据1＞车辆横向偏移量平均值数据3＞车辆偏航角平均值5。其中，车辆偏航角标准差数据4、车辆横向偏移量标准差数据2以及车辆横向速
【参考文献】：
期刊论文
[1]基于场景驱动与分层规划的自主代客泊车系统研究[J]. 邱少林,钱立军,陆建辉. 中国机械工程. 2019(19)
[2]基于主动转向与差动制动协调的双级预警车道偏离防止预测控制[J]. 魏振亚,王其东,王慧然,陈无畏,梁修天. 汽车工程. 2019(08)
[3]考虑驾驶员操纵失误的车道偏离辅助人机协同控制[J]. 高振刚,陈无畏,谈东奎,赵林峰,汪洪波. 机械工程学报. 2019(16)
[4]基于随机森林的驾驶人驾驶习性辨识策略[J]. 朱冰,李伟男,汪震,赵健,何睿,韩嘉懿. 汽车工程. 2019(02)
[5]智能汽车人机协同控制的研究现状与展望[J]. 胡云峰,曲婷,刘俊,施竹清,朱冰,曹东璞,陈虹. 自动化学报. 2019(07)
[6]人机共驾智能汽车的控制权切换与安全性综述[J]. 吴超仲,吴浩然,吕能超. 交通运输工程学报. 2018(06)
[7]基于K-means聚类特征消减的网络异常检测[J]. 贾凡,严妍,张家琪. 清华大学学报(自然科学版). 2018(02)
[8]人机协同下辅助驾驶系统的车道保持控制[J]. 李进,刘洋洋,胡金芳. 机械工程学报. 2018(02)
[9]混合动力汽车驾驶风格识别的研究[J]. 郝景贤,余卓平,赵治国,詹骁文,沈沛鸿. 汽车工程. 2017(12)
[10]基于AUC统计量的随机森林变量重要性评分的研究[J]. 张晓凤,侯艳,李康. 中国卫生统计. 2016(03)
博士论文
[1]面向高速公路行车安全预警的车道偏离及换道模型研究[D]. 罗强.华南理工大学 2014
[2]面向安全预警的机动车驾驶意图识别方法研究[D]. 张良力.武汉理工大学 2011
[3]基于驾驶员特性自学习方法的车辆纵向驾驶辅助系统[D]. 张磊.清华大学 2009
[4]高速汽车车道偏离预警系统的算法研究[D]. 董因平.吉林大学 2004
硕士论文
[1]基于驾驶习性的智能汽车个性化换道辅助系统研究[D]. 闫淑德.吉林大学 2019
[2]考虑驾驶员驾驶习性的汽车纵向智能辅助驾驶系统研究[D]. 苏琛.吉林大学 2018
[3]基于驾驶员驾驶意图的换道轨迹预测研究[D]. 徐伟民.湖南大学 2018
[4]基于机器视觉的车道偏离预警系统研究[D]. 李信言.长安大学 2018
[5]基于驾驶人驾驶习性的个性化自适应巡航控制系统研究[D]. 刘志鹏.吉林大学 2018
[6]基于dSPACE的EPS性能仿真研究[D]. 姚树森.长安大学 2017
[7]基于机器视觉和混杂系统理论的车道偏离辅助控制研究[D]. 蒋玉亭.合肥工业大学 2017
[8]基于驾驶人使用模式的汽车底盘集成控制研究[D]. 陈弈州.吉林大学 2016
[9]基于隐马尔可夫理论的驾驶人换道意图识别研究[D]. 杨诚.吉林大学 2016
[10]面向车道偏离预警系统的驾驶员无意识车道偏离识别方法研究[D]. 张利丹.吉林大学 2015
本文编号：3611847
【文章来源】：吉林大学吉林省211工程院校985工程院校教育部直属院校
【文章页数】：96 页
【学位级别】：硕士
【部分图文】：
道路交通安全隐患车辆沿车道线直线行驶是道路交通中最为常见的驾驶行为，易受驾驶人分心、疲
第2章驾驶人驾驶习性表征与辨识17线与RT-Range实现数据的传输采集。所有的驾驶人的驾驶数据最终都传输到笔记本电脑和工控机，然后通过RTMaps软件实现数据存储。RTMaps软件由Intempora公司开发推出，具备基于组件实现的多传感器开发环境，并且为很多的感知算法都提供了完善的组件库，RTMaps能够实时采集、同步和回放车载传感设备和车辆总线采集得到的数据信息，并能够支持CAN、LIN、以太网和串口通信等多种通信网络协议，此外，RTMaps能够实现对带有时间戳的传感器数据的异步采集，十分便于使用者开展离线开发和测试工作，因此在车辆的数据采集领域被广泛应用。2.1.2实车驾驶数据采集试验2.1.2.1试验场地的选择和试验工况设计基于实车数据采集平台的数据采集试验需要在保障驾驶安全的基础上，尽可能保证试验的真实性、有效性，所以往往将试验场地选择在外界干扰较少的城市郊区路段，本文的试验场地最后选为吉林省长春市生态大街净月中央公园附近的路段，该片路段上的社会车辆和行人较少，道路笔直且车道线清晰，符合试验要求，能够保证数据采集试验的顺利开展。试验路段的地图位置示意图和真实道路场景图如图2.3所示。在试验场地确定之后，需要合理有效的试验工况来激发驾驶人的内在驾驶习性，考虑到本文的研究内容主要是驾驶人在直线道路中的车道保持特性，所以要求被测驾驶人在驾驶试验车的过程中模拟平时的开车习惯在真实交通流中的车道内行驶，驾驶数据采集系统对被测驾驶人在真实的驾驶场景下的驾驶数据进行采集。(a)试验路段地图位置示意图(b)真实道路场景图2.3试验路段的地图位置示意和真实道路场景2.1.2.2驾驶人样本的招募与选取考虑到驾驶人样本集的广泛性是采集得到的驾驶数据多样性的有效保障，所以需
吉林大学硕士学位论文24式中，，1和2分别代表节点m分裂前和分裂成两个新节点的Gini指数。若驾驶人驾驶数据变量在所构建的随机森林模型中的第e棵树中出现了M次，那么驾驶人驾驶数据变量在第e棵树中的重要性为：()()1MGiniGiniejjmmVIMVIM==·······························(2-13)因此，驾驶数据变量在整个随机森林模型中的重要性可以表示为：()()11zGiniGinijejeVIMVIMz==······························(2-14)式中，z为随机森林模型中决策树的棵数，即分类器的数量。计算并绘制驾驶人驾驶习性数据集中的各个驾驶数据变量参数的Gini重要性散点图，如图2.4所示。图2.4Gini重要性散点图可见，在驾驶车辆进行车道保持的工况下，不同的驾驶人驾驶习性数据变量对于基于随机森林算法构建的驾驶人驾驶习性辨识模型的辨识精度的重要性会存在差别，本文中分析的各个变量参数对驾驶人驾驶习性辨识模型辨识精度的重要性依次为：车辆偏航角标准差数据4＞车辆横向偏移量标准差数据2＞车辆横向速度标准差数据1＞车辆横向偏移量平均值数据3＞车辆偏航角平均值5。其中，车辆偏航角标准差数据4、车辆横向偏移量标准差数据2以及车辆横向速
【参考文献】：
期刊论文
[1]基于场景驱动与分层规划的自主代客泊车系统研究[J]. 邱少林,钱立军,陆建辉. 中国机械工程. 2019(19)
[2]基于主动转向与差动制动协调的双级预警车道偏离防止预测控制[J]. 魏振亚,王其东,王慧然,陈无畏,梁修天. 汽车工程. 2019(08)
[3]考虑驾驶员操纵失误的车道偏离辅助人机协同控制[J]. 高振刚,陈无畏,谈东奎,赵林峰,汪洪波. 机械工程学报. 2019(16)
[4]基于随机森林的驾驶人驾驶习性辨识策略[J]. 朱冰,李伟男,汪震,赵健,何睿,韩嘉懿. 汽车工程. 2019(02)
[5]智能汽车人机协同控制的研究现状与展望[J]. 胡云峰,曲婷,刘俊,施竹清,朱冰,曹东璞,陈虹. 自动化学报. 2019(07)
[6]人机共驾智能汽车的控制权切换与安全性综述[J]. 吴超仲,吴浩然,吕能超. 交通运输工程学报. 2018(06)
[7]基于K-means聚类特征消减的网络异常检测[J]. 贾凡,严妍,张家琪. 清华大学学报(自然科学版). 2018(02)
[8]人机协同下辅助驾驶系统的车道保持控制[J]. 李进,刘洋洋,胡金芳. 机械工程学报. 2018(02)
[9]混合动力汽车驾驶风格识别的研究[J]. 郝景贤,余卓平,赵治国,詹骁文,沈沛鸿. 汽车工程. 2017(12)
[10]基于AUC统计量的随机森林变量重要性评分的研究[J]. 张晓凤,侯艳,李康. 中国卫生统计. 2016(03)
博士论文
[1]面向高速公路行车安全预警的车道偏离及换道模型研究[D]. 罗强.华南理工大学 2014
[2]面向安全预警的机动车驾驶意图识别方法研究[D]. 张良力.武汉理工大学 2011
[3]基于驾驶员特性自学习方法的车辆纵向驾驶辅助系统[D]. 张磊.清华大学 2009
[4]高速汽车车道偏离预警系统的算法研究[D]. 董因平.吉林大学 2004
硕士论文
[1]基于驾驶习性的智能汽车个性化换道辅助系统研究[D]. 闫淑德.吉林大学 2019
[2]考虑驾驶员驾驶习性的汽车纵向智能辅助驾驶系统研究[D]. 苏琛.吉林大学 2018
[3]基于驾驶员驾驶意图的换道轨迹预测研究[D]. 徐伟民.湖南大学 2018
[4]基于机器视觉的车道偏离预警系统研究[D]. 李信言.长安大学 2018
[5]基于驾驶人驾驶习性的个性化自适应巡航控制系统研究[D]. 刘志鹏.吉林大学 2018
[6]基于dSPACE的EPS性能仿真研究[D]. 姚树森.长安大学 2017
[7]基于机器视觉和混杂系统理论的车道偏离辅助控制研究[D]. 蒋玉亭.合肥工业大学 2017
[8]基于驾驶人使用模式的汽车底盘集成控制研究[D]. 陈弈州.吉林大学 2016
[9]基于隐马尔可夫理论的驾驶人换道意图识别研究[D]. 杨诚.吉林大学 2016
[10]面向车道偏离预警系统的驾驶员无意识车道偏离识别方法研究[D]. 张利丹.吉林大学 2015
本文编号：3611847
本文链接：https://www.wllwen.com/kejilunwen/qiche/3611847.html
