CN111391848B - 自动驾驶车辆换道方法 - Google Patents
自动驾驶车辆换道方法 Download PDFInfo
- Publication number
- CN111391848B CN111391848B CN202010137162.5A CN202010137162A CN111391848B CN 111391848 B CN111391848 B CN 111391848B CN 202010137162 A CN202010137162 A CN 202010137162A CN 111391848 B CN111391848 B CN 111391848B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driving
- degree
- current
- lane change
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 110
- 241000282414 Homo sapiens Species 0.000 claims abstract description 22
- 230000001133 acceleration Effects 0.000 claims description 45
- 238000005065 mining Methods 0.000 abstract description 6
- 230000008901 benefit Effects 0.000 abstract description 3
- 238000009826 distribution Methods 0.000 description 23
- 238000010586 diagram Methods 0.000 description 19
- 230000006399 behavior Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000000052 comparative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
Landscapes
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Traffic Control Systems (AREA)
- Feedback Control In General (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
一种自动驾驶车辆换道方法,属于自动驾驶技术领域。本发明的目的是通过对交通行驶大数据进行挖掘,建立了能够反映人类的耐心和礼让的心理因素模型,并将其融入到换道决策中的自动驾驶车辆换道方法。本发明构建反映自动驾驶车辆跟随前方较慢车辆时的耐心程度的模型和礼让程度的模型,通过耐心阈值和礼让系数判定是否换道。本发明考虑人类驾驶心理因素的自动驾驶车辆换道决策方法,结构清晰,易于实现,能够广泛应用于各类复杂的交通环境,可以提升换道决策的有效性、安全性,进而提高交通通行效率。将人类心理因素(如耐心、礼让等)融入换道决策中,并构建一种能够考虑心理因素的换道决策框架,以达到提升换道决策的易用性、有效性、安全性和提高交通环境的通行效率。
Description
技术领域
本发明属于自动驾驶技术领域。
背景技术
自动驾驶车辆具有丰富的历史,最早出现在20世纪80年代,在过去的四十年里得到了飞速的发展。自动驾驶车辆搭载先进的传感***、智能控制***与精准的执行***,具备在一定交通环境下智能感知、自主决策和精准执行等功能,以实现安全、舒适、高效和节能的自动驾驶。
车辆换道,是一项基本且重要的驾驶行为,关系着车辆行驶效率和驾驶安全。随着驾驶自动化程度的提升,车辆自动换道成为自动驾驶车辆所具备的一项必备功能。自动驾驶车辆将长期处在与人类驾驶车辆共存的混杂交通场景中,因此自动驾驶车辆的驾驶决策***需要融入人类驾驶的心理、行为等因素,做出类似人类个性化驾驶的相关决策,从而进一步提高混杂交通环境中车辆的通行效率。
专利CN110562258A公开了一种基于车辆状态空间图的车辆换道决策方法。该发明基于环境信息和车辆信息构建车辆状态空间图;基于状态空间图获取多个换道动作的决策信息;随后根据多个换道动作的决策信息和车辆状态信息确定一个换道动作。但是该发明的执行基于深度学习算法,计算量大,对车载处理器的要求高,不易实际应用。
专利CN110298131A公开了一种混合驾驶环境下基于博弈的自动驾驶换道决策模型建立方法。该发明建立多步动态博弈框架;定义换道车辆和目标车道后撤的潜在冲突点;根据车辆初始信息、策略和博弈步数来制定博弈的起止条件准则;辆车辆使用各自策略和加速度选择方法进行动态博弈,直至满足换道终止条件。但是该发明中本车辆的动态信息未考虑本车辆在不同决策下加速度的动态变化与预测,因此当本车辆做出决策后,可能由于周围环境发生变化导致本车辆在执行决策时所处环境与决策生成时差异较大而无法很好应对。
专利CN109835339A公开了一种换道决策方法。该发明获取本车辆和环境车辆的运动信息,将本车辆驾驶环境分割成不同的区域;确定各区域中目标车辆及目标车辆与本车辆的相对距离和相对速度;确定本车辆在各个区域的换道标志位(安全状态、不安全状态);根据换道标志位确定换道决策。但是该发明所获取的运动信息仅包括相对距离信息与相对速度信息,只能表达表达本车辆与环境车辆之间当前的位置关系,不能很好地预测本车辆与环境车辆之间位置关系的变化。
目前,自动驾驶车辆的换道决策缺乏对驾驶心理因素的综合考虑,在复杂混杂交通环境下,自动驾驶车辆有时会做出无效甚至“诡异”的换道行为,导致交通通行效率下降、驾驶安全性减低。
发明内容
本发明的目的是通过对交通行驶大数据进行挖掘,建立了能够反映人类的耐心和礼让的心理因素模型,并将其融入到换道决策中的自动驾驶车辆换道方法。
本发明步骤是:
步骤一、以αp表示耐心阈值,vdes与vh代表当前车辆的期望车速与实际车速,Nt1代表当前车辆开始跟随前方较慢车辆的时刻,Nt2代表当前车辆预期开始执行换道的时刻,可构建反映自动驾驶车辆跟随前方较慢车辆时的耐心程度的模型:
当耐心模型的不等式(1)成立时,表示当前车辆不能忍受当前的驾驶环境;
步骤二、c表示当前车辆,o表示c换道前的后方跟随车辆,n表示c换道后的后方跟随车辆,ac、an与ao分别代表车辆c、n、o在c换道前的加速度,与分别代表c、n、o在车辆c换道后的加速度预测值,p代表礼让系数,Δath代表当前车辆礼让程度阈值,可构建反映自动驾驶车辆做出换道决策时对周围其他环境车辆的礼让程度的模型:
假定车辆变道期间当前车辆原前方跟随车辆加速度不变,且礼让程度阈值Δath设定为0,因此将礼让模型简化为:
步骤三、采用相关车辆自然行驶大数据对模型涉及的关键参数αp、p进行标定;
步骤四、设置传感器***,采集自动驾驶车辆及周围车辆行驶速度、加速度信息;
步骤六、设置自动驾驶***驾驶模式选择模块,该模块可根据不同驾驶风格设置不同的驾驶模式,并根据选择驾驶模式更新耐心阈值αp、礼让系数p;
步骤七、将当前自动驾驶车辆与周围车辆行驶的速度输入耐心程度识别模块,得到当前驾驶环境、驾驶模式下自动驾驶***的耐心程度,即从当前时刻开始,预计车辆换道完成时间为T,按照计算当前驾驶环境、驾驶模式下自动驾驶***的耐心程度αp′;
步骤八、将步骤七计算获得的耐心程度αp′与步骤六更新的耐心阈值αp进行比较,如果当前耐心程度不大于耐心阈值,则不换道,否则执行步骤九;
步骤十、将步骤九获得的礼让程度偏移度Δath'与步骤二设置的礼让阈值Δath=0进行比较,如果当前礼让程度偏移度不大于人类驾驶员的礼让阈值,表明当前驾驶环境下变更车道行驶不满足当前驾驶模式对礼让程度的要求,因此做出不换道决策,否则做出换道决策。
本发明考虑人类驾驶心理因素的自动驾驶车辆换道决策方法,结构清晰,易于实现,能够广泛应用于各类复杂的交通环境,可以提升换道决策的有效性、安全性,进而提高交通通行效率。将人类心理因素(如耐心、礼让等)融入换道决策中,并构建一种能够考虑心理因素的换道决策框架,以达到提升换道决策的易用性、有效性、安全性和提高交通环境的通行效率。
附图说明
图1是本发明工艺流程图;
图2是本发明中自动驾驶车辆与周围车辆的相对位置关系示意图;
图3是本发明中在Safety Pilot Model Deployment(SPMD)交通大数据中挖掘得到的驾驶耐心阈值概率密度分布图;
图4是本发明中在Safety Pilot Model Deployment(SPMD)交通大数据中挖掘得到的驾驶礼让系数概率密度分布图;
图5是在确定的自动驾驶车辆与周围环境车辆速度、加速度且Δath=0的条件下,不同耐心阈值、不同礼让程度与自动驾驶车辆做出换道决策与不换道决策的分布图;
图6是采用融入人类心理因素的自动驾驶车辆换道决策模块下做出换道决策的实例图;
图7是采用融入人类心理因素的自动驾驶车辆换道决策模块下做出不换道决策的实例图。
具体实施方式
下面结合附图对本发明进行详细的说明:
步骤一,通过对实际驾驶数据和驾驶行为的分析可知,驾驶的耐心程度与当前车辆实际车速和预期车速差距的直接相关,当这个差距超过一定阈值时,则该车辆不能忍受当前的驾驶环境,将这个阈值描述为耐心阈值。以αp表示耐心阈值,vdes与vh代表当前车辆的期望车速与实际车速,Nt1代表当前车辆开始跟随前方较慢车辆的时刻,Nt2代表当前车辆预期开始执行换道的时刻,可构建反映自动驾驶车辆跟随前方较慢车辆时的耐心程度的模型:
当耐心模型的不等式(1)成立时,表示当前车辆不能忍受当前的驾驶环境,产生换道至更好行驶条件的车道行驶的想法。
步骤二,通过对实际驾驶数据和驾驶行为的分析可知,车辆在换道过程中,其礼让程度与其对周围其他环境车辆的负影响直接相关,该负影响的直观表现为当前车辆变更车道前、后,因当前车辆的换道行为造成行驶在该车辆后方车辆的减速操作与减速程度,后方车辆的减速操作越少、减速程度越小,说明当前车辆的礼让程度越高。以图2为例,c表示当前车辆,o表示c换道前的后方跟随车辆,n表示c换道后的后方跟随车辆,ac、an与ao分别代表车辆c、n、o在c换道前的加速度,与分别代表c、n、o在车辆c换道后的加速度预测值,p代表礼让系数,用于反映当前车辆礼让程度的高低,Δath代表当前车辆礼让程度阈值,可构建反映自动驾驶车辆做出换道决策时对周围其他环境车辆的礼让程度的模型:
礼让模型(2)考虑了换道过程中自动驾驶车辆周围的行驶车辆加速度状态,通过礼让系数p来平衡换道过程中周车加速度变化值,从而反映了换道时的不同礼让程度。一个礼让的换道操作是要保证令周车加速度变化越小越好,进而保证了宏观交通通行效率。礼让系数的p取值范围为(-∞,+∞),当取值为负数时,代表行使车辆礼让程度不高,偏鲁莽,且数值越小越鲁莽,当取值为正数时,代表行使车辆礼让程度较高,偏礼让,且数值越大越礼让。礼让程度阈值Δath取值范围为(-∞,+∞),当阈值取值为负数时,表示当前车辆可以在一定程度内使周围其他环境车辆减速,即对车辆驾驶行为是否鲁莽的判断条件较宽松,且数值越小越宽松,当阈值取值为正数时,表示对当前车辆的驾驶行为是否礼让的判断条件较严格,且数值越大越严格,当阈值取值为0是,表示对当前车辆驾驶行为鲁莽、礼让程度判断中性、无偏倚。
其中,考虑简化标定工作量,假定车辆变道期间当前车辆原前方跟随车辆加速度不变,且礼让程度阈值Δath设定为0,因此将礼让模型简化为:
步骤三,采用相关车辆自然行驶大数据对模型涉及的关键参数αp、p进行标定。这里从Safety Pilot Model Deployment交通大数据(该数据为网络公开数据:包含125辆车、4年、320万公里的自然行驶数据,https://catalog.data.gov/dataset/safety-pilot-model-deployment-data)中提取出10万余个换道事件,对耐心模型和礼让模型中涉及的关键参数,即耐心阈值αp和礼让系数p进行标定。因为车辆驾驶表现一定程度上受到交通路况、地域、文化等差异的影响,因此这两个参数具有一定的地区差异性。其中,针对美国密歇根地区的数据,耐心模型阈值αp在大数据下的概率密度分布更好地近似广义极端值分布,如图3所示;礼让系数p的变化范围为[-2,2],其在大数据下的概率密度分布更好地近似tlocation-scale分布,如图4所示。
步骤四,设置传感器***,采集自动驾驶车辆及周围车辆行驶速度、加速度信息;传感器***可参考文献(Jelena,Nenadand Vujo"Sensorsand sensor fusion in autonomous vehicles.″2018 26th Telecommunications Forum(TELFOR).IEEE,2018.APA)。
步骤五,设置车辆纵向跟随前车行驶策略模块,内置成熟策略(H.H.Yang andH.Peng,“Development of an errorable car-followingdriver model,”Vehicle SystemDynamics,vol.48,no.6,pp.751–773,2010.),该模块用于生成当前车辆及周围环境车辆的加速度预测值,即与
步骤六,设置自动驾驶***驾驶模式选择模块,该模块可根据不同驾驶风格设置不同的驾驶模式,并根据选择驾驶模式更新耐心阈值αp、礼让系数p;
根据驾驶心理因素将驾驶模式预设为从鲁莽型到礼让型多种可选模式,不同的模式对应不同的耐心阈值和礼让系数,如图4所示。
步骤七,将当前自动驾驶车辆与周围车辆行驶的速度输入耐心程度识别模块,计算当前驾驶环境、驾驶模式下自动驾驶***的耐心程度,即从当前时刻开始,预计车辆换道完成时间为T,按照计算当前驾驶环境、驾驶模式下自动驾驶***的耐心程度αp′。
步骤八,将步骤七计算获得的耐心程度αp′与步骤六更新的耐心阈值αp进行比较,如果当前耐心程度不大于耐心阈值,则不换道,否则执行步骤九。
步骤十,将步骤九计算获得的礼让程度偏移度Δath'与步骤二设置的礼让阈值Δath=0进行比较,如果当前礼让程度偏移度不大于人类驾驶员的礼让阈值,表明当前驾驶环境下变更车道行驶不满足当前驾驶模式对礼让程度的要求,因此做出不换道决策,否则做出换道决策;
(一)图1为本发明一种融入人类心理因素的自动驾驶车辆换道决策方法的流程图1.自动驾驶车辆所安装的传感器***采集当前车辆与周围环境车辆的行驶信息(车速、加速度)信息并传递给融入人类心理因素的自动驾驶车辆换道决策模块。
3.自动驾驶车辆根据车内成员选择的驾驶模式更新当前模式下的耐心阈值αp、礼让系数p和礼让阈值Δath。
4.将1中采集得到的自动驾驶车辆与周围环境车辆的车速信息首先输入到耐心程度识别模块,计算出当前驾驶环境、驾驶模式下的耐心程度并与3中更新的耐心阈值αp进行比较,如果计算得到的耐心程度大于αp,则表示当前驾驶环境、驾驶模式下,自动驾驶车辆产生变更行驶车道的意图,这种情况下,将1中采集得到的自动驾驶车辆与周围环境车辆的车速信息与2中预测的加速度预测值与输入礼让程度识别模块,继续变更车道行驶的可行性判断,可见下一条(5),否则做出不换道决策。
5.礼让程度识别模块接收到1中采集得到的自动驾驶车辆与周围环境车辆的车速信息与2中预测得到的加速度预测值后,综合3中更新的当前驾驶模式下的礼让系数p计算当前驾驶环境、驾驶模式下的礼让程度偏移度,并与3中更新的礼让阈值Δath进行比较,如果计算得到的礼让程度大于Δath,则表示当前驾驶环境、驾驶模式下,自动驾驶车辆变更车道行驶对周围环境车辆造成的影响符合礼让程度的要求,即变更车道行驶具有可行性,则可做出换道决策,否则作出不换道决策。
图3为本发明中在Safety Pilot Model Deployment(SPMD)交通大数据中挖掘得到的驾驶耐心阈值概率密度分布图
1.该图中,横轴为耐心模型(1)下计算出的耐心程度,纵轴为该数据中耐心程度的概率密度,耐心程度越高其概率密度越低即数据越少;
2.该图中,柱状图为SPMD交通大数据中的车辆行驶数据,“○”代表该数据在广义帕雷托分布下的近似趋势,“+”代表该数据在指数分布下的近似趋势,“.”代表该数据在广义极端值分布下的近似趋势;
3.该图中,从柱状图与三条不同分布下的近似趋势曲线对比可见,该地区车辆驾驶数据更好地近似广义极端值分布。
图4为本发明中在Safety Pilot Model Deployment(SPMD)交通大数据中挖掘得到的驾驶礼让系数概率密度分布图
1.该图中,横轴为礼让阈值Δath=0的情况下,根据礼让模型(2)计算出的礼让系数,纵轴为该数据中礼让系数的概率密度,数据表现出明显的“中间高,两端低”,即说明鲁莽和礼让程度偏低驾驶行为占多数,鲁莽、礼让程度高的极端驾驶行为占少数。
2.该图中,该地区礼让系数在礼让阈值Δath=0条件下的取值范围为[-2,2];
3.该图中,礼让系数取值越向左移越小,相应的鲁莽程度越高,礼让程度越低,相反地,礼让系数取值越向右移越大,相应的鲁莽程度越低,礼让程度越高;
4.该图中,柱状图为SPMD交通大数据中的车辆行驶数据,“○”代表该数据在tlocation-scale分布下的近似趋势,“…”代表该数据在logistic分布下的近似趋势,“--”代表该数据在正态分布下的近似趋势,“——”代表该数据在广义极端值分布下的近似趋势;
5.该图中,从柱状图与四条不同分布下的近似趋势曲线对比可见,该地区车辆驾驶数据礼让系数在礼让阈值Δath=0条件下好地近似t location-scale分布。
实际效果图一:图5为在确定的自动驾驶车辆与周围环境车辆速度、加速度且Δath=0的条件下,不同耐心阈值、不同礼让程度与自动驾驶车辆做出换道决策与不换道决策的分布图
1.此实例中,自动驾驶车辆与周围环境车辆位置关系采用图2进行后续说明;
2.此实例中,自动驾驶车辆c及所需的周围环境车辆行驶信息及预测信息如下:
1)自动驾驶车辆c当前行驶的车速为vh=10m/s;
2)自动驾驶车辆c期望车速为vdes=25m/s;
3)自动驾驶车辆c当前加速度为ac=0m/s2;
4)自动驾驶车辆预期换道后的后方车辆当前加速度为an=0.5m/s2;
3.将2中的条件1)、2)带入耐心模型(1),可得较小的耐心阈值αp更易使自动驾驶车辆产生变更行驶车道的意图,反之较大的耐心阈值αp更易使自动驾驶车辆保持行驶在当前车道的状态,不易产生变更行驶车道的意图;
4.将2中的条件3)、4)、5)和6)带入简化的礼让模型(3),可得较小的礼让系数p更易做出变更行驶车道决策,较大的礼让系数p更易使自动驾驶车辆保持行驶在当前车道的状态,尽量降低对周围环境车辆的影响,不易做出变更行驶车道的决策;
5.综合3、4分析结果,当耐心阈值αp越大时,自动驾驶车辆驾驶的耐心越强,更多地做出不换道决策;当礼让系数p越大时,自动驾驶车辆驾驶的礼让程度越高,更多地做出不换道决策。
实际效果图二:图6、图7分别为采用融入人类心理因素的自动驾驶车辆换道决策模块下做出换道决策与不换道决策的对比实验实例图,该实验条件设定:自动驾驶车辆期望车速为vdes=18m/s2(约65km/h);耐心程度阈值为αp=500;礼让系数采用礼让系数概率密度分布曲线中所占比例最高、最为典型的实例p=0;礼让阈值Δath=0,代表对自动驾驶车辆驾驶行为的鲁莽、礼让程度判断中性、无偏倚
图6为采用融入人类心理因素的自动驾驶车辆换道决策模块下做出换道决策的实例图
1.该图共有三个子图,从上至下分别为1)自动驾驶车辆及其前方车辆的车速变化曲线图、2)自动驾驶车辆与前方车辆之间的距离变化曲线图和3)自动驾驶车辆所行驶的车道标识变化曲线图;
2.子图3)为自动驾驶车辆所行驶的车道标识变化曲线图,本实验中车辆所在车道以车辆中心位置所在车道标识来表示,当车辆中心位置贴近两车道分隔线从一侧移动到另一侧时,才发生车辆所在车道标识的变化,因此该曲线变化近似阶梯状;
3.从子图3)自动驾驶车辆所行驶的车道标识变化曲线图中可以看到自动驾驶车辆在行驶过程中进行了换道;
3.该图中的三个子图分别用椭圆1,2,3标注了自动驾驶车辆换道前与换道后的一段曲线;
4.在子图1)自动驾驶车辆及其前方车辆的车速变化曲线图中:自动驾驶车辆行驶速度约为13m/s2远低于期望车速,应用耐心模型(1)有自动驾驶车辆产生变更行驶车道的意图;
5.在子图1)自动驾驶车辆及其前方车辆的车速变化曲线图中:从椭圆1标注区域可见自动驾驶车辆的速度在换道前基本不变,因此加速度在换道前近似为0,换道后车速快速提升,因此加速度很大,则自动驾驶车辆的加速度在换道前、后的增量很大,因此应用简化的礼让模型(3)有计算得到的礼让程度大于礼让阈值;
6.基于5的结果,在当前驾驶环境、驾驶模式下,自动驾驶车辆的做出换道决策。
图7为采用融入人类心理因素的自动驾驶车辆换道决策模块下做出不换道决策的实例图
1.该图共有三个子图,从上至下分别为1)自动驾驶车辆及其前方车辆的车速变化曲线图、2)自动驾驶车辆与前方车辆之间的距离变化曲线图和3)自动驾驶车辆所行驶的车道标识变化曲线图;
2.从子图3)自动驾驶车辆所行驶的车道标识变化曲线图中可以看到自动驾驶车辆在行驶过程中未进行换道;
3.综合子图1)自动驾驶车辆及其前方车辆的车速变化曲线图和子图2)自动驾驶车辆与前方车辆之间的距离变化曲线图分析,自动驾驶车辆行驶车速几乎接近于其预期车速,应用耐心模型(1)有自动驾驶车辆未产生变更行驶车道意图;
4.综合3的结果,在当前驾驶环境、驾驶模式下,自动驾驶车辆做出不换道决策。
本发明融入了人类心理因素,使换道决策更加符合真实人类驾驶风格特性,可以提升混杂交通的通行效率。本发明逻辑清晰,泛化能力强,所依赖的数据采集便利,可扩展应用于混杂交通微观建模以及混杂交通环境下行驶车辆的能效与安全评估。
本发明在于:
1.建立了反映人类驾驶心理因素的耐心与礼让模型,该模型形式简单,易于实现,可以很好的融入自动驾驶换道决策的设计中;
2.通过对自然行驶大数据进行挖掘,统计了耐心和礼让程度随机概率密度分布,标定了反映不同驾驶风格的关键模型参数;
3.构建了一种融入心理因素的自动驾驶换道决策框架,具有很强的普适性。
Claims (1)
1.一种自动驾驶车辆换道方法,其特征在于:其步骤是:
步骤一、以αp表示耐心阈值,vdes与vh代表当前车辆的期望车速与实际车速,Nt1代表当前车辆开始跟随前方较慢车辆的时刻,Nt2代表当前车辆预期开始执行换道的时刻,可构建反映自动驾驶车辆跟随前方较慢车辆时的耐心程度的模型:
当耐心模型的不等式(1)成立时,表示当前车辆不能忍受当前的驾驶环境;
步骤二、c表示当前车辆,o表示c换道前的后方跟随车辆,n表示c换道后的后方跟随车辆,ac、an与ao分别代表车辆c、n、o在c换道前的加速度,与分别代表c、n、o在车辆c换道后的加速度预测值,p代表礼让系数,Δath代表当前车辆礼让程度阈值,可构建反映自动驾驶车辆做出换道决策时对周围其他环境车辆的礼让程度的模型:
假定车辆变道期间当前车辆原前方跟随车辆加速度不变,且礼让程度阈值Δath设定为0,因此将礼让模型简化为:
步骤三、采用相关车辆自然行驶大数据对模型涉及的关键参数αp、p进行标定;
步骤四、设置传感器***,采集自动驾驶车辆及周围车辆行驶速度、加速度信息;
步骤六、设置自动驾驶***驾驶模式选择模块,该模块可根据不同驾驶风格设置不同的驾驶模式,并根据选择驾驶模式更新耐心阈值αp、礼让系数p;
步骤七、将当前自动驾驶车辆与周围车辆行驶的速度输入耐心程度识别模块,得到当前驾驶环境、驾驶模式下自动驾驶***的耐心程度,即从当前时刻开始,预计车辆换道完成时间为T,按照计算当前驾驶环境、驾驶模式下自动驾驶***的耐心程度αp′;
步骤八、将步骤七计算获得的耐心程度αp′与步骤六更新的耐心阈值αp进行比较,如果当前耐心程度不大于耐心阈值,则不换道,否则执行步骤九;
步骤十、将步骤九获得的礼让程度偏移度Δath'与步骤二设置的礼让阈值Δath=0进行比较,如果当前礼让程度偏移度不大于人类驾驶员的礼让阈值,表明当前驾驶环境下变更车道行驶不满足当前驾驶模式对礼让程度的要求,因此做出不换道决策,否则做出换道决策。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137162.5A CN111391848B (zh) | 2020-03-02 | 2020-03-02 | 自动驾驶车辆换道方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010137162.5A CN111391848B (zh) | 2020-03-02 | 2020-03-02 | 自动驾驶车辆换道方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111391848A CN111391848A (zh) | 2020-07-10 |
CN111391848B true CN111391848B (zh) | 2022-03-08 |
Family
ID=71419717
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010137162.5A Active CN111391848B (zh) | 2020-03-02 | 2020-03-02 | 自动驾驶车辆换道方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111391848B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114506324B (zh) * | 2020-10-23 | 2024-03-15 | 上海汽车集团股份有限公司 | 一种车道决策方法及相关装置 |
CN113495563B (zh) * | 2021-06-10 | 2022-09-20 | 吉林大学 | 用于自动驾驶虚拟测试的交通车换道决策规划方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
CN105460015A (zh) * | 2014-09-24 | 2016-04-06 | 株式会社万都 | 自动驾驶控制***及方法 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
CN108688657A (zh) * | 2017-03-31 | 2018-10-23 | 福特全球技术公司 | 虚拟可转向路径 |
CN110077403A (zh) * | 2018-01-26 | 2019-08-02 | 丰田自动车株式会社 | 车辆控制装置 |
CN110298131A (zh) * | 2019-07-05 | 2019-10-01 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
CN110341712A (zh) * | 2019-06-11 | 2019-10-18 | 汉腾汽车有限公司 | 一种自动驾驶换道意图识别***及其方法 |
CN110356404A (zh) * | 2019-05-28 | 2019-10-22 | 吉林大学 | 一种具有自主换道功能并提高侧向安全性的智能驾驶*** |
CN110667585A (zh) * | 2018-06-15 | 2020-01-10 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20190054374A (ko) * | 2017-11-13 | 2019-05-22 | 한국전자통신연구원 | 주행 경험 정보를 이용한 자율주행 학습 장치 및 방법 |
-
2020
- 2020-03-02 CN CN202010137162.5A patent/CN111391848B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104260725A (zh) * | 2014-09-23 | 2015-01-07 | 北京理工大学 | 一种含有驾驶员模型的智能驾驶*** |
CN105460015A (zh) * | 2014-09-24 | 2016-04-06 | 株式会社万都 | 自动驾驶控制***及方法 |
CN108688657A (zh) * | 2017-03-31 | 2018-10-23 | 福特全球技术公司 | 虚拟可转向路径 |
CN110077403A (zh) * | 2018-01-26 | 2019-08-02 | 丰田自动车株式会社 | 车辆控制装置 |
CN108595823A (zh) * | 2018-04-20 | 2018-09-28 | 大连理工大学 | 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法 |
CN110667585A (zh) * | 2018-06-15 | 2020-01-10 | 本田技研工业株式会社 | 车辆控制装置、车辆控制方法及存储介质 |
CN110356404A (zh) * | 2019-05-28 | 2019-10-22 | 吉林大学 | 一种具有自主换道功能并提高侧向安全性的智能驾驶*** |
CN110341712A (zh) * | 2019-06-11 | 2019-10-18 | 汉腾汽车有限公司 | 一种自动驾驶换道意图识别***及其方法 |
CN110298131A (zh) * | 2019-07-05 | 2019-10-01 | 西南交通大学 | 一种混合驾驶环境下自动驾驶换道决策模型建立方法 |
Non-Patent Citations (6)
Title |
---|
Lu-Zheng Bi ; Jun-Xing Shang ; Guo-Dong Gan.Modeling driver lane changing control with the queuing network-model human processor.《 IEEE/IEE Electronic Library》.2012, * |
基于UCWin/Road仿真的高速公路出口预告标志前置距离研究;潘兵宏等;《公路交通科技》;20170815(第08期);全文 * |
基于决策树模型的驾驶员期望车速;王晓原等;《计算机应用》;20091231;全文 * |
智能车辆高速公路自动变道轨迹规划与控制研究;刘洋;《中国优秀硕士学位论文全文数据库电子期刊工程科技Ⅱ辑》;20191115(第11期);全文 * |
网联环境下自主车的换道决策研究;梁文斌;《中国优秀硕士学位论文全文数据库电子期刊工程科技Ⅱ辑》;20190215(第2期);全文 * |
车道变换决策仿真模型;王晓原等;《计算机工程与应用》;20100601(第16期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111391848A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Driving style analysis using primitive driving patterns with Bayesian nonparametric approaches | |
CN109598934B (zh) | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 | |
CN111775949B (zh) | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策***及方法 | |
US6873911B2 (en) | Method and system for vehicle operator assistance improvement | |
CN112347567A (zh) | 一种车辆意图和轨迹预测的方法 | |
CN112840350A (zh) | 自动驾驶车辆规划和预测 | |
CN111391848B (zh) | 自动驾驶车辆换道方法 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
CN110568841A (zh) | 一种自动驾驶决策方法及*** | |
CN111275249A (zh) | 基于dqn神经网络和高精度定位的驾驶行为优化方法 | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及*** | |
US20220306113A1 (en) | Customization of autonomous-driving lane changes of motor vehicles based on drivers' driving behaviours | |
CN113255998B (zh) | 基于多智能体强化学习的高速道路无人驾驶车辆编队方法 | |
CN113173170B (zh) | 基于人员画像个性化算法 | |
CN113722835B (zh) | 拟人化随机换道驾驶行为建模方法 | |
Wang et al. | Haptic assistive control with learning-based driver intent recognition for semi-autonomous vehicles | |
CN114572244A (zh) | 智能驾驶及adas前车驾驶行为识别预测方法及模块 | |
CN111775938A (zh) | 一种变道路径规划方法、装置及*** | |
CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策*** | |
CN117585017A (zh) | 一种自动驾驶车辆换道决策方法、装置、设备及存储介质 | |
Griesbach et al. | Prediction of lane change by echo state networks | |
CN107045639B (zh) | 一种基于时间自动机的跟车行为生成方法 | |
CN115952641B (zh) | 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |