论文部分内容阅读
为降低交通事故发生率和碰撞伤亡损失,自动驾驶车辆成为当前世界交通领域的研究重点,而驾驶决策机制是保证自动驾驶车辆安全行驶的核心关键技术。故本文针对自动驾驶车辆在不同工况下的驾驶决策规律进行分析研究,并基于粒子群优化(Particle Swarm Optimization,PSO)的支持向量机模型(Support Vector Machine,SVM)建立决策机制。主要工作如下:(1)对于正常行驶工况,为了提高自动驾驶车辆对城市复杂道路环境的适应性,本文将道路条件融入驾驶决策影响指标集中,与车辆运行状况同时作为自动驾驶车辆的决策参考指标。其次,通过驾驶模拟实验获取车辆正常决策样本数据,以PSO优化的SVM为基础算法,将经过数据融合处理后的影响指标集作为算法输入参数,将对应的换道、跟驰和自由行驶决策为输出参数,训练得出SVM正常行驶决策机制模型。最后,通过验证模型对道路条件的敏感性,定量分析了道路条件对驾驶决策的影响,结果表明,考虑道路条件后,模型的决策推理性能有了很大的提高,且在低交通流密度下,道路条件对驾驶决策的影响最大,其中影响最大的是道路能见度,其次是附着系数、道路曲率和道路坡度,而在高交通密度下,它们对驾驶决策几乎没有影响。(2)对于紧急工况下,本文采取“场景分析-碰撞严重性预测-最优碰撞决策输出”的研究主线,利用交通事故数据,以碰撞严重性影响指标作为PSO优化的SVM算法的输入参数,以各紧急决策下的碰撞严重性为输出参数,分别建立了刹车、转向以及刹车+转向三种紧急决策下的碰撞严重性预测模型,作为自动驾驶车辆在紧急情况下进行决策的权衡依据。然后,基于同一事故样本,对比分析三个预测模型输出的碰撞严重性结果,结果表明在低相对车速区间内,三种紧急决策造成的碰撞严重程度基本相同;随着相对车速的增加,转向决策在减轻碰撞严重程度上的效益逐渐突显;当相对车速达到高区间时,需要同时采取刹车和转向决策,才能减轻碰撞严重程度。(3)在上述SVM模型训练过程中,为使SVM能够根据样本特征自主选择最能适应驾驶决策机理的核函数形式,本文提出一种加权混合核函数作为上述SVM的核函数。然后分别对比分析了带有加权混合核函数的SVM模型、带有RBF核函数的SVM模型和BP神经网络模型的预测准确性,结果表明,带有加权混合核函数的SVM模型比其他两种模型具有更好的分类性能。