基于自然驾驶数据的驾驶行为辨识和建模方法研究
发布时间：2021-07-20 13:11
作为智能驾驶和智能交通系统发展道路上的重要一环,驾驶行为辨识受到了广泛地关注和研究。通过研究安全行车场景下的驾驶行为可以实时了解车辆的行车状,从而可以有效的提高行车安全;研究事故场景下驾驶行为的合理性,可以减少纠纷进而加快事故处理。在安全行车场景下,准确估计车辆的跟车行为和变道行为结束时刻有利于及早对车辆发出警告,保障行车安全。同时基于事故数据改善行车驾驶安全的研究日益兴起,研究事故场景下驾驶行为的合理性,可以减少纠纷进而提高事故处理和行车效率。针对以上问题,本文设计了基于生存分析方法估计驾驶行为生存时间的模型;使用深度学习算法门控循环单元（Gated Recurrent Unit,GRU）网络设计了预测车辆意图和轨迹的算法模型;基于隐马尔科夫模型（Hidden Markov Model,HMM）,提出了追尾事故下驾驶行为评价策略,进行合理的责任认定。本文的主要研究内容包括:（1）设计了基于生存分析模型的驾驶行为生存时间估计方法。安全行车场景下,使用自然驾驶数据集NGSIM数据集中的车辆轨迹信息,对跟车和变道两种基本的驾驶行为进行分析。引入生存分析模型估计跟车和变道行为生存时间的生存率...
【文章来源】：河南大学河南省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
US-101场景图
2自然驾驶数据的特征分析与聚类152.2数据筛选2.2.1数据去噪本文采用US-101数据集中7点50到8点05之间的数据，记录的轨迹包含一些噪声进而存在一些异常值。这些异常值与其他相邻数值相比差异较大，例如一些零值和不合理的速度值，这通常是由于视频记录出现卡顿或横向上的遮挡造成的。本文采用Savitzky-Golay滤波器来平滑滤波[51]，将英尺转换为米，分解车辆的位置，得到车辆纵向（前向）和横向（左右）运动的轨迹，如图2-2所示。从图2-2中可以看出，滤波后纵向位置基本上重合，表明原始数据中纵向轨迹点基本符合车辆的物理运动，横向位置中含有一些噪声，表明原始轨迹中含有不符合车辆物理运动的轨迹点，滤波后的车辆轨迹较平滑。（a）车辆纵向位置与时间（b）车辆的横向位置与时间（c）车辆位置轨迹图图2-2原始车辆轨迹和滤波后的车辆轨迹图
基于自然驾驶数据的驾驶行为辨识和建模方法研究16得到车辆位置滤波的数据后，计算相应的速度。速度由位置求导得到，由于车辆在横向位移上存在一些违背物理运动规则的轨迹点。在位置上求导会放大这种异常值，因此需要对横向速度进一步滤波处理。画出横向速度和纵向速度随时间的变化以及滤波后速度如图2-3所示。从图中也可以看出，车辆的横向速度包含的噪声很多，经过滤波后取得了相对较好的效果。（a）车辆横向速度（b）车辆纵向速度图2-3原始车辆速度和滤波后的车辆速度2.2.2筛选规则和结果本文研究车辆跟车行为和变道行为，因此需要提取相应的跟车数据和变道数据。根据图2-1中的道路几何分布，选取中间车道（2-4车道）上的车辆作为研究对象。将滤波后的数据分为跟车数据和变道数据，参考第一章中车辆跟车和变道的不可分割部分的描述，对于每一辆车，在研究车辆决策区域内，从数据集中提取当前车道和相邻车道最近的前后车辆的信息。对于变道数据，选取2车道向右变道的车辆、3车道上变道车辆和4车道上向左变道的车辆作为研究对象，这样选取可以保证变道车辆变道前后可以有左右相邻的车辆，以变道车辆碾压车道线为中心，取前15s、后5s范围内的车辆信息，时间长度是20s；对于保持车道的车辆，使用变道车辆变道前的后车以及变道后的后方车辆的后车，同样地保证目标车辆有左右相邻的车辆，时间长度也为20s。车辆样本的
【参考文献】：
期刊论文
[1]夜间长途客车驾驶员操作行为差异性识别研究[J]. 钱宇彬,刘浩学,吴长水,王婉秋. 中国安全科学学报. 2014(03)
[2]城市快速路交通拥堵持续时间分布特性研究[J]. 张轮,施奕骋,杨文臣,杨涛. 武汉理工大学学报(交通科学与工程版). 2014(01)
[3]基于生存分析方法的非机动车闯红灯行为研究[J]. 环梅,杨小宝,贾斌. 北京理工大学学报. 2013(08)
[4]基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析[J]. 吕岸,胡振程,陈慧. 汽车工程. 2010(07)
博士论文
[1]基于SVM学习模型的换挡决策研究[D]. 张元侠.吉林大学 2019
[2]高速公路养护作业区车辆换道行为及模型研究[D]. 吴江玲.长安大学 2017
[3]政府补贴与新能源汽车产业研发投资关系研究[D]. 谢梦.中央财经大学 2017
硕士论文
[1]基于递归神经网络的快速车辆轨迹数据预测[D]. 李想.中国矿业大学 2019
本文编号：3292886
【文章来源】：河南大学河南省
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
US-101场景图
2自然驾驶数据的特征分析与聚类152.2数据筛选2.2.1数据去噪本文采用US-101数据集中7点50到8点05之间的数据，记录的轨迹包含一些噪声进而存在一些异常值。这些异常值与其他相邻数值相比差异较大，例如一些零值和不合理的速度值，这通常是由于视频记录出现卡顿或横向上的遮挡造成的。本文采用Savitzky-Golay滤波器来平滑滤波[51]，将英尺转换为米，分解车辆的位置，得到车辆纵向（前向）和横向（左右）运动的轨迹，如图2-2所示。从图2-2中可以看出，滤波后纵向位置基本上重合，表明原始数据中纵向轨迹点基本符合车辆的物理运动，横向位置中含有一些噪声，表明原始轨迹中含有不符合车辆物理运动的轨迹点，滤波后的车辆轨迹较平滑。（a）车辆纵向位置与时间（b）车辆的横向位置与时间（c）车辆位置轨迹图图2-2原始车辆轨迹和滤波后的车辆轨迹图
基于自然驾驶数据的驾驶行为辨识和建模方法研究16得到车辆位置滤波的数据后，计算相应的速度。速度由位置求导得到，由于车辆在横向位移上存在一些违背物理运动规则的轨迹点。在位置上求导会放大这种异常值，因此需要对横向速度进一步滤波处理。画出横向速度和纵向速度随时间的变化以及滤波后速度如图2-3所示。从图中也可以看出，车辆的横向速度包含的噪声很多，经过滤波后取得了相对较好的效果。（a）车辆横向速度（b）车辆纵向速度图2-3原始车辆速度和滤波后的车辆速度2.2.2筛选规则和结果本文研究车辆跟车行为和变道行为，因此需要提取相应的跟车数据和变道数据。根据图2-1中的道路几何分布，选取中间车道（2-4车道）上的车辆作为研究对象。将滤波后的数据分为跟车数据和变道数据，参考第一章中车辆跟车和变道的不可分割部分的描述，对于每一辆车，在研究车辆决策区域内，从数据集中提取当前车道和相邻车道最近的前后车辆的信息。对于变道数据，选取2车道向右变道的车辆、3车道上变道车辆和4车道上向左变道的车辆作为研究对象，这样选取可以保证变道车辆变道前后可以有左右相邻的车辆，以变道车辆碾压车道线为中心，取前15s、后5s范围内的车辆信息，时间长度是20s；对于保持车道的车辆，使用变道车辆变道前的后车以及变道后的后方车辆的后车，同样地保证目标车辆有左右相邻的车辆，时间长度也为20s。车辆样本的
【参考文献】：
期刊论文
[1]夜间长途客车驾驶员操作行为差异性识别研究[J]. 钱宇彬,刘浩学,吴长水,王婉秋. 中国安全科学学报. 2014(03)
[2]城市快速路交通拥堵持续时间分布特性研究[J]. 张轮,施奕骋,杨文臣,杨涛. 武汉理工大学学报(交通科学与工程版). 2014(01)
[3]基于生存分析方法的非机动车闯红灯行为研究[J]. 环梅,杨小宝,贾斌. 北京理工大学学报. 2013(08)
[4]基于高斯混合隐马尔科夫模型的高速公路超车行为辨识与分析[J]. 吕岸,胡振程,陈慧. 汽车工程. 2010(07)
博士论文
[1]基于SVM学习模型的换挡决策研究[D]. 张元侠.吉林大学 2019
[2]高速公路养护作业区车辆换道行为及模型研究[D]. 吴江玲.长安大学 2017
[3]政府补贴与新能源汽车产业研发投资关系研究[D]. 谢梦.中央财经大学 2017
硕士论文
[1]基于递归神经网络的快速车辆轨迹数据预测[D]. 李想.中国矿业大学 2019
本文编号：3292886
本文链接：https://www.wllwen.com/kejilunwen/shengwushengchang/3292886.html
最近更新
教材专著
