论文部分内容阅读
相比于其他驾驶行为,换道过程中驾驶人需要关注前方、后方、以及侧向的交通场景,并根据多维度的信息输入做出换道决策。对于自动驾驶车辆,换道过程中车载计算机系统也需要观察周围的交通环境,并根据交通环境状态和自车运动状态进行换道决策,决定是否采取换道操作以及如何进行换道。现阶段,自动驾驶车辆的自主换道能力相对较弱,尤其是换道决策和换道执行模式需要进一步提升。自动驾驶车辆和传统人工驾驶车辆在一定时间内将在道路上混合行驶。从安全和交通流稳定特性需求出发,最好能够实现这两类车辆行为的一致性。显然,将驾驶人改造成为机器一样的驾驶模式不现实,而将驾驶人的驾驶特性提取后输入计算机,实现自动驾驶车辆的类人化行驶从技术上更为现实。以换道为例,换道通常分为正常换道和紧急避让换道。本研究针对自动驾驶车辆的正常换道过程,以保证自动驾驶车辆换道的安全性、乘坐舒适性为目标,通过学习人类驾驶人的换道决策和换道轨迹特性,建立自动驾驶车辆在非紧急避让情况下的换道决策和换道轨迹模型,实现自动驾驶车辆的类人化换道。针对上述需求,本研究通过在小型乘用车上搭建实验平台,开展真实道路环境下的正常驾驶实验,基于雷达、视觉传感器等仪器,获取了43名被试驾驶人的大量换道数据。基于这些换道数据,以实现自动驾驶车辆的类人化换道决策和类人化换道轨迹为目标,开展了建模分析,主要研究内容和结果如下:1、通过分析所有的换道数据,把真实换道场景分为15种。对于每种场景,确定了影响驾驶人换道决策的因素,并基于决策树方法建立了该场景情况下的驾驶人换道决策模型。利用随机筛选的400组换道数据对模型进行检验,结果表明,该模型对执行换道和拒绝换道的决策准确率分别为63.2%和65.7%。在此基础上,引入多维度驾驶风格量表对驾驶人的驾驶风格进行分类,对三类不同风格的驾驶人进行换道决策准确率检验,结果表明,执行换道和拒绝换道的决策准确率从63.2%、65.7%分别上升到83.2%和84.3%。2、驾驶人风格的差异性会直接影响换道决策模式,这表明在相同的交通场景下,部分驾驶人会选择执行换道,而部分驾驶人会拒绝换道。对于无人车的自主换道决策过程,从安全角度而言,可以采用相对谨慎的换道执行策略。同时,通过利用本文不同驾驶风格模式下对应的换道决策模型,可以实现无人车的换道决策策略多样化,从而迎合不同驾驶人或者乘客对无人车自主换道模式的需求差异性。3、通过对大量真实换道轨迹进行拟合研究,结果表明,7次多项式对换道轨迹的拟合结果最优,拟合精度都在0.99以上。基于7次多项式轨迹模型,本文提出了换道效率参数来表征换道过程中的特性。在前后无车的自由换道阶段、以及前后存在其他车辆的换道阶段,换道效率的平均值分别为7.78和6.14。在此基础上,针对上述两类换道行为,本文通过对大量换道轨迹进行拟合,建立了不同车速情况下的换道轨迹数据库。无人车换道执行阶段,根据自身车速和交通环境的差异性,从换道轨迹数据库中直接选取最合适的换道轨迹,作为本次换道的预期规划轨迹,结合相应控制方法,可确保无人车按照规划轨迹执行换道,实现类人化的换道执行过程。