论文部分内容阅读
先进驾驶辅助系统(Advanced Driver Assistant Systems,ADAS)已经被证明可以显著减少人因事故的发生;然而,由于交通环境复杂,仅依赖自车传感信息的预警算法存在漏报和误报问题。在交通事故中,他车突然切入导致的侧向碰撞事故占据了一定的比例,而现有ADAS在切入场景中的预警准确率较低。为了改善ADAS在切入场景中的预警有效性,本文建立一种车车Vehicle-to-vehicle,V2V)通信(环境下的侧向碰撞风险预警模型,通过V2V通信传输周边车辆的换道意图,实现切入车和被切入车的轨迹预测,以提高这种典型风险场景的预警及时性和准确率。本文的研究成果可以为ADAS在切入场景的进一步优化提供新的建模思路和理论依据。首先,搭建实车实验平台,采用实车加装传感器的方法采集车辆运动学数据和驾驶环境数据以模拟V2V通信环境;招募男性熟练驾驶人被试在城市快速路上开展实车实验;在对数据进行预处理、标定和分析后,筛选得到210个自由换道事件作为换道样本库。随后,基于实车试验数据建立换道行为预测模型和行车轨迹预测模型。基于SVM-RFE(Support Vector Machine-Recursive Feature Elimination)算法建立驾驶人换道意图识别模型,采用递归特征消除法进行特征选择,使用网格寻优法寻找最优参数,并通过AUC(Area Under ROC Curve)在独立测试集上评价模型性能;综合换道意图识别结果、换道可行性条件及车辆横向偏移量变化率三个条件使用逻辑“与”建立换道行为预测模型。基于长短期记忆网络(Long Short-Term Memory,LSTM)建立行车轨迹预测模型,将车道保持和车道变换两种驾驶行为的轨迹预测分开建模:车道保持条件下的行车轨迹预测模型通过预测的纵向加速度计算车辆纵向位移,通过纵向位移得出车辆的预测轨迹;车道变换条件下的轨迹预测模型分为纵向位移预测模型和横向位置预测模型,由车辆的预测纵向位移和预测横向距离综合得出车辆的预测轨迹。然后,基于换道行为预测模型、行车轨迹预测模型和方向包围盒检测算法建立V2V通信环境下的侧向碰撞风险预警模型。基于换道行为预测模型每0.5秒判断一次目标车的换道行为,通过V2V通信传输判断结果;如果识别到目标车即将采取换道行为,则基于LSTM轨迹预测模型预测本车和目标车的轨迹;使用方向包围盒碰撞检测算法检测每个预测点本车与目标车是否存在碰撞风险。最后,基于真实汽车驾驶舱驾驶模拟平台,设计并开展V2V通信环境下的切入场景实验。通过专家评价法提取需要预警样本和不需要预警样本,在样本连续数据上分别运行提出的侧向碰撞风险预警模型和传统碰撞预警模型,最终通过预警混淆矩阵和预警提前时间两方面的对比验证,证明了本文提出的侧向碰撞风险预警模型优于传统碰撞预警模型。