CN113204920A - 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 - Google Patents
基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 Download PDFInfo
- Publication number
- CN113204920A CN113204920A CN202110518433.6A CN202110518433A CN113204920A CN 113204920 A CN113204920 A CN 113204920A CN 202110518433 A CN202110518433 A CN 202110518433A CN 113204920 A CN113204920 A CN 113204920A
- Authority
- CN
- China
- Prior art keywords
- track
- comfort
- lane change
- lane
- formula
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 119
- 238000012706 support-vector machine Methods 0.000 title claims abstract description 51
- 238000011156 evaluation Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000013210 evaluation model Methods 0.000 claims abstract description 23
- 238000012549 training Methods 0.000 claims description 46
- 230000009977 dual effect Effects 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 3
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 28
- 241000282414 Homo sapiens Species 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000001133 acceleration Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 241000254158 Lampyridae Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
-
- 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0013—Planning or execution of driving tasks specially adapted for occupant comfort
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Human Computer Interaction (AREA)
- Feedback Control In General (AREA)
Abstract
本发明公开了一种基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置，该方法包括：步骤1，根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；步骤2，利用换道舒适性评价模型对所述步骤1生成的每一条所述换道轨迹对应的舒适值进行评估；步骤3，根据所述步骤2计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；步骤4，利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则返回步骤2，对所述当前换道轨迹的舒适值进行再评估。本发明构建出换道模型的舒适性评价模型，为智能汽车的换道决策合理性评估提供了有利条件。
Description
技术领域
本发明涉及自动驾驶技术领域，特别是关于一种基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置。
背景技术
传感器和自动化技术的发展，有力推动了智能车技术的发展，在此基础上，无人驾驶正逐步变成现实，但目前的智能车仍面临着一些挑战，如何让智能车的决策更符合人类优秀驾驶员的判断是目前智能车技术遇到的技术瓶颈之一。
人们对智能车赋予了模拟乃至于超越人类优秀驾驶员的期望，为了让设计的智能车更加节能、环保和安全，需要在大量的人类优秀驾驶员自然驾驶数据中提取出符合特定场景需求的数据，采用先进的人工智能方法对智能车的决策***进行训练，获得满足人们不同需求的个性化决策***参数，以更好地服务于交通***。
换道场景是最为常见的驾驶场景之一，现有无人驾驶汽车的换道决策大多基于安全性和效率性进行规划，很少考虑到换道的舒适性，而人体对换道时产生的侧向加速度极为敏感。若无人驾驶汽车的换道决策不能充分考虑乘客的乘坐舒适性，其大规模的市场化应用必将遇到更大的困难，因此，针对智能车的换道决策舒适性开展深入研究的工程需求是十分迫切的。
发明内容
本发明的目的在于提供一种基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置来克服或至少减轻现有技术的上述缺陷中的至少一个。
为实现上述目的，本发明提供一种基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，该方法包括：
步骤1，根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；
步骤2，利用式(2)描述的换道舒适性评价模型对所述步骤1生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，n表示样本的总数，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，K(xi,xj)表示核函数，b表示截距；
步骤3，根据所述步骤2计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；
步骤4，利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则返回步骤2，对所述当前换道轨迹的舒适值进行再评估。
进一步地，所述步骤2中的所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息；
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素导致的数据缺失或异常的无效信号；
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分；
步骤24，根据所述评分，采用支持向量机模型建立如所述式(2)所示的换道舒适性评价模型，其中的目标函数表示为式(3)；
式中，ω为支持向量机模型核函数的系数，||·||2为2范数算符号，c为惩罚参数，ξi为xi的超平面阈值，
为xi的对偶样本的超平面阈值，yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数量，ε为预设的误差精度，s.t.表示约束条件；
步骤25，将所述式(3)扩展为式(5)，获得K(xi,xj)和b的具体数值；
式中，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
进一步地，所述步骤1中的所述可行换道轨迹簇通过式(1)表示的指数换道轨迹模型获得：
式中，lon为换道过程中车辆的纵向位置，lat为换道过程中车辆的横向位置，ki,i＝1,2,3,4为标定参数。
进一步地，所述K(xi,xj)采用径向基函数，其表示为式(6)：
K(xi,xj)＝exp(-g||xi-xj||2) (6)
式中，g为径向基核函数的参数。
进一步地，所述c和g通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差最小，均方误差MSE表示为式(9)；
式中，
为支持向量机回归模型的预测获得的换道舒适性主观评价分数。
进一步地，所述步骤23采用主观评价采取打分制，满分为10分，最低分为0分，舒适性最好的轨迹打分为10分，舒适性体验最差的打为0分，主观评价要求考虑评审员相关信息、换道轨迹数每种风格的数量以及有效评审数据，其中，评审员相关信息包括评审员的性别、年龄、驾龄因素以及评审人数。
本发明还提供一种基于支持向量机的智能车换道舒适性评估及其轨迹规划装置，该装置包括：
轨迹生成单元，其用于根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；
舒适性评估单元，其用于利用式(2)描述的换道舒适性评价模型对所述轨迹生成单元生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，n表示样本的总数，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，K(xi,xj)表示核函数，b表示截距；
换道轨迹获取单元，其用于根据所述舒适性评估单元计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；
轨迹舒适值判断单元，其用于利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则由所述舒适性评估单元对所述当前换道轨迹的舒适值进行再评估。
进一步地，所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息；
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素导致的数据缺失或异常的无效信号；
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分；
步骤24，根据所述评分，采用支持向量机模型建立如所述式(2)所示的换道舒适性评价模型，其中的目标函数表示为式(3)；
式中，ω为支持向量机模型核函数的系数，||·||2为2范数算符号，c为惩罚参数，ξi为样本的超平面阈值，
为对偶样本的超平面阈值，yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数量，ε为预设的误差精度，s.t.表示约束条件；
步骤25，将所述式(3)扩展为式(5)，获得K(xi,xj)和b的具体数值；
式中，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
进一步地，所述可行换道轨迹簇通过式(1)表示的指数换道轨迹模型获得：
式中，x为换道过程中车辆的纵向位置，y为换道过程中车辆的横向位置，ki,i＝1,2,3,4为标定参数。
进一步地，所述K(xi,xj)采用径向基函数，其表示为式(6)：
K(xi,xj)＝exp(-g||xi-xj||2) (6)
式中，g为径向基核函数的参数；
所述c和g通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差最小，均方误差MSE表示为式(9)；
式中，
为支持向量机回归模型的预测获得的换道舒适性主观评价分数。
本发明由于采取以上技术方案，以安全性和通行效率为约束，构建出可以对舒适性进行准确评价的量化数学映射，从优秀人类驾驶员换道数据中提取换道轨迹数据，分析纵向车速、侧向加速度和方向盘转角等客观指标与换道舒适性主观评价分数之间的关系，引入支持向量机模型对换道模型的舒适性主观评价分数进行训练，从而构建出换道模型的舒适性评价模型，为智能汽车的换道决策合理性评估提供了有利条件。
附图说明
图1为本发明实施例提供的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法的流程图；
图2为本发明实施例提供的获取换道舒适性评价模型的流程图。
具体实施方式
下面结合附图和实施例对本发明进行详细的描述。
如图1所示，本发明实施例提供的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法包括：
步骤1，根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇。
其中，换道轨迹个性化风格包括激进、适中和保守三种类型的换道轨迹个性化风格，乘员可以个人喜好选取其中一种换道轨迹个性化风格。换道轨迹个性化风格由大量人类优秀驾驶员自然驾驶数据集中提取得到，由提取得到的换道轨迹进行聚类，如K-means聚类，设定聚类结果的数量为3种，分别定义为激进、适中和保守三种换道轨迹个性化风格，通过以换道完成时间为依据，对三种换道轨迹个性化风格进行一一对应，整个换道过程效率最高的为激进型换道，换道效率最低的为保守型换道，适中型换道的效率介于激进型与保守型之间。
可行换道轨迹簇可以通过式(1)表示的指数换道轨迹模型获得：
式中，lon为换道过程中车辆的纵向位置，lat为换道过程中车辆的横向位置，ki,i＝1,2,3,4为标定参数，标定参数均通过驾驶员换道历史轨迹进行拟合获得。
除了使用指数换道轨迹模型，还可以使用双曲正切模型、神经网络模型或随机森林模型等，获得上述提及的可行换道轨迹簇。
步骤2，利用式(2)描述的换道舒适性评价模型对所述步骤1生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，xi和xj在实际使用过程中均使用的是在线样本；n表示在线样本的总数目，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，αi和
可通过离线训练得到；K(xi,xj)表示核函数，b表示截距，b的具体数值可以选择经验值，比如：换道舒适性主观评价分数的平均值。
步骤3，根据所述步骤2计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数。其中，车辆控制命令可以车速和侧向加速度指令，在已知“最优换道轨迹”的情形下，通过车辆下层控制器可以计算获得车辆控制命令。车辆运动参数可以包括横纵向加速度、横纵向速度、横纵向位置和朝向角。
步骤4，利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，并进行反馈校正，如果是，则执行所述当前换道轨迹；反之，则返回步骤2。其中，反馈校正可以为PID控制、模糊控制、滑膜控制、H∞鲁棒控制、基于智能算法的控制方法或基于强化学习的控制方法等方法实现。
如图2所示，步骤2中的所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，其包括年龄、性别、驾龄和职业等驾驶员信息，转向角信号，加速踏板信号，制动踏板信号，转向灯信号，档位信号，转速信号，车辆位置信号，速度信号和加速度信号等。所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息。离线驾驶数据训练样本的设定数量通常大于5万条有效换道轨迹数据，采集的换道轨迹应是满足安全性约束的有效轨迹。
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素，比如设备故障、驾驶员操作失误和后处理错漏等，导致的数据缺失或异常的无效信号。其中，本实施例中的无效信号可以采用莱以达法则判定的信号值与均值之差的绝对值大于3倍标准差的信号，当然，还可以是本领域技术人员根据经验获取的其它无效信号。
其中的滤波可以使用卡尔曼滤波、平滑滤波、中值滤波、小波滤波、经验模态分解滤波、变分模态分解滤波或基于流行学习的滤波方法等方法。
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分。该评分可以理解为是一个主观评估值，而且，步骤3中的最优换道轨迹也是依据该步骤确定的评分确定的。
在一个实施例中，步骤23可以采用主观评价采取打分制，满分为10分，最低分为0分，舒适性最好的轨迹打分为10分，舒适性体验最差的打为0分，主观评价要求考虑评审员相关信息、换道轨迹数每种风格的数量以及有效评审数据，其中，评审员相关信息包括评审员的性别、年龄、驾龄因素以及评审人数。比如：评审组人员不少于100，换道轨迹数为三种风格各10个，最终获得的有效评审数据不少于3000组。
步骤24，根据每一条换道轨迹对应的评分，采用支持向量机模型建立如所述式(2)所示的换道舒适性评价模型，其中的目标函数表示为式(3)；
式中，ω为核函数K(xi，xj)的系数，其表示为式(4)；||·||2为2范数算符号；c为惩罚参数，其具体数值可以通过具体的训练样本，对支持向量机模型进行优化获得，如采用遗传算法、粒子群算法进行优化；ξi为样本的超平面阈值；
为对偶样本的超平面阈值；yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数目；ε为预设的误差精度，其数值可设为主观评价分数yi的千分之一，如主观评价最高分5分，则误差可为0.005；s.t.表示约束条件。
当然，也可以采用神经网络模型、随机森林模型、时间序列预测模型、灰色预测模型等来替代支持向量机模型，用于建立其它形式的换道舒适性评价模型。当然，相比于其它模型，本实施例所采用的支持向量机模型具有参数小，模型具有几何意义，且模型泛化能力强等优势。
步骤25，式(3)所示为二次凸优化问题，引入拉格朗日函数，将式(3)的约束优化问题转化为对偶优化问题，如式(5)所示，获得所述式(1)中K(xi,xj)和b的具体数值；
式中，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
优选地，式(5)中的参数αi和
以及ω的最优值，可根据二次规划方法求得。
通过换道舒适性评价模型可以实时的由车辆行驶状态参数对换道舒适性进行在线评价，从而矫正自动驾驶汽车换道控制误差，弥补环境不确定性因素对换道轨迹的影响，在保证安全性的前提下，有效提升换道过程的舒适性。
在一个实施例中，g为径向基核函数的参数，其取值对支持向量机模型的回归效果有显著影响。核函数K(xi,xj)的选取是支持向量机回归的关键之一，本实施例中，K(xi,xj)可以采用式(6)表示的径向基函数，其具有形式简单，且拟合精度相对较高的优势；
K(xi,xj)＝exp(-g||xi-xj||2) (6)
核函数K(xi,xj)也可以采用由式(7)表示的多项式核函数、由式(8)表示的拉普拉斯核函数或Sigmoid核函数：
罚函数参数c和误差精度ε也对支持向量机模型的精度产生重大的影响。为保证训练精度，选取误差精度ε＝0.0001，c和g可以通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差(Mean Square Error,MSE)最小，均方误差MSE的表达式如式(9)所示，
为由支持向量机回归模型预测获得的换道舒适性主观评价分数，yi为实际主观评价分数：
为全面提升未来智能网联交通环境下自动驾驶汽车的换道舒适性，在由车路协同感知获取的广域高精度实时周围环境信息的基础上，对自车周围的环境进行风险评估(安全距离法、势能场方法和安全时距法等)，在满足换道安全性前提的条件下，进行换道轨迹的规划。换道轨迹规划的主要目的是提升自动驾驶汽车的乘坐舒适性。
上述实施例中的支持向量机回归模型的参数优化方法可为遗传算法，也可为粒子群算法、蛙跳算法、萤火虫算法、和声算法和蚁群算法等智能优化算法及其改进算法。
上述实施例中的聚类方法除了K-means聚类，也可采用均值漂移聚类、基于密度的聚类、基于高斯混合模型的聚类、层次聚类或图团体聚类等方法予以替代。
本发明实施例还提供一种基于支持向量机的智能车换道舒适性评估及其轨迹规划装置，该装置包括轨迹生成单元、舒适性评估单元、换道轨迹获取单元和轨迹舒适值判断单元，其中：
轨迹生成单元用于根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；
舒适性评估单元用于利用式(2)描述的换道舒适性评价模型对轨迹生成单元生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，n表示样本的总数，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，K(xi,xj)表示核函数，b表示截距。
换道轨迹获取单元用于根据所述舒适性评估单元计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；
轨迹舒适值判断单元用于利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则由所述舒适性评估单元对所述当前换道轨迹的舒适值进行再评估。
在一个实施例中，所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息；
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素导致的数据缺失或异常的无效信号；
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分；
步骤24，根据所述评分，采用支持向量机模型建立如所述式(2)所示的换道舒适性评价模型，其中的目标函数表示为式(3)；
式中，ω为支持向量机模型核函数的系数，||·||2为2范数算符号，c为惩罚参数，ξi为样本的超平面阈值，
为对偶样本的超平面阈值，yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数量，ε为预设的误差精度，s.t.表示约束条件；
步骤25，将所述式(3)扩展为式(5)，获得K(xi,xj)和b的具体数值；
式中，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
在一个实施例中，所述可行换道轨迹簇通过式(1)表示的指数换道轨迹模型获得：
式中，x为换道过程中车辆的纵向位置，y为换道过程中车辆的横向位置，ki,i＝1,2,3,4为标定参数。
在一个实施例中，所述K(xi,xj)采用径向基函数，其表示为式(6)：
K(xi,xj)＝exp(-g||xi-xj||2) (6)
式中，g为径向基核函数的参数；
所述c和g通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差最小，均方误差MSE表示为式(9)；
式中，
为支持向量机回归模型的预测获得的换道舒适性主观评价分数。
最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，包括：
步骤1，根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；
步骤2，利用式(2)描述的换道舒适性评价模型对所述步骤1生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，n表示样本的总数，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，K(xi，xj)表示核函数，b表示截距；
步骤3，根据所述步骤2计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；
步骤4，利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则返回步骤2，对所述当前换道轨迹的舒适值进行再评估。
2.如权利要求1所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，所述步骤2中的所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息；
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素导致的数据缺失或异常的无效信号；
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分；
步骤24，根据所述评分，采用支持向量机模型建立如所述换道舒适性评价模型，其中的目标函数表示为式(3)；
步骤25，将所述式(3)扩展为式(5)，获得K(xi，xj)和b的具体数值；
式中，ω为支持向量机模型核函数的系数，||·||2为2范数算符号，c为惩罚参数，ξi为xi的超平面阈值，
为xi的对偶样本的超平面阈值，yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数量，ε为预设的误差精度，s.t.表示约束条件，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
3.如权利要求1或2所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，所述步骤1中的所述可行换道轨迹簇通过式(1)表示的指数换道轨迹模型获得：
式中，lon为换道过程中车辆的纵向位置，lat为换道过程中车辆的横向位置，ki，i＝1，2，3，4为标定参数。
4.如权利要求3所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，所述K(xi，xj)采用径向基函数，其表示为式(6)：
K(xi，xj)＝exp(-g||xi-xj||2) (6)
式中，g为径向基核函数的参数。
5.如权利要求4所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，所述c和g通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差最小，均方误差MSE表示为式(9)；
式中，
为支持向量机回归模型的预测获得的换道舒适性主观评价分数。
6.如权利要求3所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方法，其特征在于，所述步骤23采用主观评价采取打分制，满分为10分，最低分为0分，舒适性最好的轨迹打分为10分，舒适性体验最差的打为0分，主观评价要求考虑评审员相关信息、换道轨迹数每种风格的数量以及有效评审数据，其中，评审员相关信息包括评审员的性别、年龄、驾龄因素以及评审人数。
7.一种基于支持向量机的智能车换道舒适性评估及其轨迹规划装置，其特征在于，包括：
轨迹生成单元，其用于根据乘员选取的换道轨迹个性化风格，生成可行换道轨迹簇；
舒适性评估单元，其用于利用式(2)描述的换道舒适性评价模型对所述轨迹生成单元生成的每一条所述换道轨迹对应的舒适值f(x)进行评估；
式中，xi表示第i种样本，xj表示第j种样本，i≠j，n表示样本的总数，αi表示xi的拉格朗日乘子，
表示xi的对偶样本的拉格朗日乘子，K(xi，xj)表示核函数，b表示截距；
换道轨迹获取单元，其用于根据所述舒适性评估单元计算得到的每一所述换道轨迹对应的评估值，选取最优换道轨迹，输出相应的车辆控制命令，操纵车辆底盘控制器执行换道操作，得到当前换道轨迹和车辆运动参数；
轨迹舒适值判断单元，其用于利用所述换道舒适性模型在线评估所述当前换道轨迹的舒适值是否满足设定值，如果是，则执行所述当前换道轨迹；反之，则由所述舒适性评估单元对所述当前换道轨迹的舒适值进行再评估。
8.如权利要求7所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划方装置，其特征在于，所述换道舒适性评价模型的获取方法具体包括：
步骤21，采集设定数量的离线驾驶数据训练样本，所述离线驾驶数据训练样本包括满足安全性约束的换道轨迹以及换道过程中的车辆状态信息；
步骤22，对提取的所述离线驾驶数据训练样本进行滤波处理，剔除由于测量过程中的不确定性因素导致的数据缺失或异常的无效信号；
步骤23，将所述离线驾驶数据训练样本输入驾驶模拟器，实时复现各所述换道轨迹，并对可行换道轨迹簇中的每一条可行轨迹的舒适性进行评分；
步骤24，根据所述评分，采用支持向量机模型建立如所述式(2)所示的换道舒适性评价模型，其中的目标函数表示为式(3)；
步骤25，将所述式(3)扩展为式(5)，获得K(xi，xj)和b的具体数值；
式中，ω为支持向量机模型核函数的系数，||·||2为2范数算符号，c为惩罚参数，ξi为样本的超平面阈值，
为对偶样本的超平面阈值，yi为人为通过主观判断给出的评分，φ(x)为所述离线驾驶数据训练样本的映射函数，n为所述离线驾驶数据训练样本的总数量，ε为预设的误差精度，s.t.表示约束条件，αj为xj的拉格朗日乘子，
为xj的对偶样本的拉格朗日乘子。
9.如权利要求7或8所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划装置，其特征在于，所述可行换道轨迹簇通过式(1)表示的指数换道轨迹模型获得：
式中，x为换道过程中车辆的纵向位置，y为换道过程中车辆的横向位置，ki，i＝1，2，3，4为标定参数。
10.如权利要求9所述的基于支持向量机的智能车换道舒适性评估及其轨迹规划装置，其特征在于，所述K(xi，xj)采用径向基函数，其表示为式(6)：
K(xi，xj)＝exp(-g||xi-xj||2) (6)
式中，g为径向基核函数的参数；
所述c和g通过遗传算法进行优化，获取一组参数，使得支持向量机的训练均方误差最小，均方误差MSE表示为式(9)；
式中，
为支持向量机回归模型的预测获得的换道舒适性主观评价分数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518433.6A CN113204920B (zh) | 2021-05-12 | 2021-05-12 | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110518433.6A CN113204920B (zh) | 2021-05-12 | 2021-05-12 | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113204920A true CN113204920A (zh) | 2021-08-03 |
| CN113204920B CN113204920B (zh) | 2022-02-15 |
Family
ID=77031446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110518433.6A Active CN113204920B (zh) | 2021-05-12 | 2021-05-12 | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113204920B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721620A (zh) * | 2021-08-30 | 2021-11-30 | 山东交通学院 | 基于粒子群-遗传混合算法的车辆横向pid控制方法 |
| CN114291111A (zh) * | 2021-12-30 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 目标路径的确定方法、装置、车辆及存储介质 |
| CN115687764A (zh) * | 2022-11-01 | 2023-02-03 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
| CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108791270A (zh) * | 2018-06-20 | 2018-11-13 | 北京理工大学 | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 |
| CN109255094A (zh) * | 2018-08-10 | 2019-01-22 | 重庆邮电大学 | 基于SVR_Adaboost改进算法的商用货车质量估计方法 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| CN109501799A (zh) * | 2018-10-29 | 2019-03-22 | 江苏大学 | 一种车联网条件下的动态路径规划方法 |
| CN109858359A (zh) * | 2018-12-28 | 2019-06-07 | 青岛科技大学 | 一种考虑情感的汽车驾驶人驾驶意图辨识方法 |
| CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
| US20190344797A1 (en) * | 2018-05-10 | 2019-11-14 | GM Global Technology Operations LLC | Method and system for customizing a driving behavior of an autonomous vehicle |
| DE102018213971A1 (de) * | 2018-08-20 | 2020-02-20 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Auswahl eines Fahrmanövers |
| CN111413957A (zh) * | 2018-12-18 | 2020-07-14 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶动作的***和方法 |
| CN111619576A (zh) * | 2020-06-03 | 2020-09-04 | 中国第一汽车股份有限公司 | 一种控制方法、装置、设备及存储介质 |
-
2021
- 2021-05-12 CN CN202110518433.6A patent/CN113204920B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190344797A1 (en) * | 2018-05-10 | 2019-11-14 | GM Global Technology Operations LLC | Method and system for customizing a driving behavior of an autonomous vehicle |
| CN108791270A (zh) * | 2018-06-20 | 2018-11-13 | 北京理工大学 | 一种混合动力车辆基于工况预测的动力部件工作点调控方法 |
| CN109255094A (zh) * | 2018-08-10 | 2019-01-22 | 重庆邮电大学 | 基于SVR_Adaboost改进算法的商用货车质量估计方法 |
| CN109308543A (zh) * | 2018-08-20 | 2019-02-05 | 华南理工大学 | 基于ls-svm和实时大数据的地铁短期客流预测方法 |
| DE102018213971A1 (de) * | 2018-08-20 | 2020-02-20 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren und Vorrichtung zur Auswahl eines Fahrmanövers |
| CN109501799A (zh) * | 2018-10-29 | 2019-03-22 | 江苏大学 | 一种车联网条件下的动态路径规划方法 |
| CN111413957A (zh) * | 2018-12-18 | 2020-07-14 | 北京航迹科技有限公司 | 用于确定自动驾驶中的驾驶动作的***和方法 |
| CN109858359A (zh) * | 2018-12-28 | 2019-06-07 | 青岛科技大学 | 一种考虑情感的汽车驾驶人驾驶意图辨识方法 |
| CN110103956A (zh) * | 2019-05-16 | 2019-08-09 | 北方工业大学 | 一种无人车自动超车轨迹规划方法 |
| CN111619576A (zh) * | 2020-06-03 | 2020-09-04 | 中国第一汽车股份有限公司 | 一种控制方法、装置、设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| CHARLOTT VALLON;ZIYA ERCAN;ASHWIN CARVALHO;FRANCESCO BORRELLI: "A machine learning approach for personalized autonomous lane change", 《INTELLIGENT VEHICLES SYMPOSIUM (IV), 2017 IEEE》 * |
| 杨贵栋; 张帅乾; 王亚飞; 籍庆辉; 郑欲锋: "智能驾驶汽车驾乘舒适性测评方法研究综述", 《上海汽车》 * |
| 高振海,朱乃宣,高菲,梅兴泰,张进,何磊: "考虑驾驶员特性的自学习换道轨迹规划***", 《汽车工程》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113721620A (zh) * | 2021-08-30 | 2021-11-30 | 山东交通学院 | 基于粒子群-遗传混合算法的车辆横向pid控制方法 |
| CN114291111A (zh) * | 2021-12-30 | 2022-04-08 | 广州小鹏自动驾驶科技有限公司 | 目标路径的确定方法、装置、车辆及存储介质 |
| CN114291111B (zh) * | 2021-12-30 | 2024-03-08 | 广州小鹏自动驾驶科技有限公司 | 目标路径的确定方法、装置、车辆及存储介质 |
| CN115829081A (zh) * | 2022-10-19 | 2023-03-21 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
| CN115829081B (zh) * | 2022-10-19 | 2024-06-11 | 华中科技大学 | 一种基于支持向量回归模型的城市交通碳排放预测方法 |
| CN115687764A (zh) * | 2022-11-01 | 2023-02-03 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
| CN115687764B (zh) * | 2022-11-01 | 2023-12-01 | 北京百度网讯科技有限公司 | 车辆轨迹评估模型的训练方法、车辆轨迹评估方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113204920B (zh) | 2022-02-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113204920B (zh) | 基于支持向量机的智能车换道舒适性评估及其轨迹规划方法和装置 | |
| JP7287707B2 (ja) | 敵対的模倣学習に基づく無人運転車両車線変更決定方法及びシステム | |
| Tang et al. | A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network | |
| Deng et al. | A probabilistic model for driving-style-recognition-enabled driver steering behaviors | |
| CN112347567A (zh) | 一种车辆意图和轨迹预测的方法 | |
| CN111332362B (zh) | 一种融合驾驶员个性的智能线控转向控制方法 | |
| CN107264534A (zh) | 基于驾驶员经验模型的智能驾驶控制***和方法、车辆 | |
| Hecker et al. | Learning accurate, comfortable and human-like driving | |
| CN111775949A (zh) | 一种人机共驾控制***的个性化驾驶员转向行为辅助方法 | |
| CN110910531B (zh) | 一种基于车载obd信息的路面摩擦系数快速检测方法 | |
| CN109808707A (zh) | 一种基于随机模型预测的汽车转向控制方法及控制器 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| CN110456634B (zh) | 一种基于人工神经网络的无人车控制参数选取方法 | |
| Zhao et al. | A human-like trajectory planning method on a curve based on the driver preview mechanism | |
| Ai et al. | Data-driven-based adaptive fuzzy neural network control for the antimony flotation plant | |
| CN113777918A (zh) | 一种数字孪生架构的汽车智能线控底盘控制方法 | |
| Fang et al. | A human-machine shared control framework considering time-varying driver characteristics | |
| CN115923833A (zh) | 车辆的拟人化决策控制方法、装置、车辆及存储介质 | |
| CN113015981A (zh) | 利用第一原则和约束进行有效、连续和安全学习的***和方法 | |
| CN115257809A (zh) | 一种人在环的自动驾驶车辆交互学习控制方法及设备 | |
| CN114761895A (zh) | 混合自动车队的直接和间接控制 | |
| CN114942642A (zh) | 一种无人驾驶汽车轨迹规划方法 | |
| CN113696890B (zh) | 车道保持方法、装置、设备、介质及*** | |
| CN113184040B (zh) | 一种基于驾驶人转向意图的无人车线控转向控制方法及*** | |
| Ming | Exploration of the intelligent control system of autonomous vehicles based on edge computing |
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 |