CN115285121A - 一种体现驾驶员偏好的换道轨迹规划方法 - Google Patents

一种体现驾驶员偏好的换道轨迹规划方法 Download PDF

Info

Publication number
CN115285121A
CN115285121A CN202210069064.1A CN202210069064A CN115285121A CN 115285121 A CN115285121 A CN 115285121A CN 202210069064 A CN202210069064 A CN 202210069064A CN 115285121 A CN115285121 A CN 115285121A
Authority
CN
China
Prior art keywords
track
driver
preference
vehicle
lane
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.)
Pending
Application number
CN202210069064.1A
Other languages
English (en)
Inventor
陈鑫
陈轶雄
王一斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Jilin University
Original Assignee
Jilin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jilin University filed Critical Jilin University
Priority to CN202210069064.1A priority Critical patent/CN115285121A/zh
Publication of CN115285121A publication Critical patent/CN115285121A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
    • B60W40/08—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to drivers or passengers
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/80—Spatial relation or speed relative to objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供一种体现驾驶员偏好的换道轨迹规划方法，涉及汽车智能驾驶技术领域，解决了现有换道轨迹规划方法都很少考虑到用户或者决策者，导致规划的轨迹对驾驶员的适应性比较低的问题。一种体现驾驶员偏好的换道轨迹规划方法，包括以下步骤：步骤1)、建立驾驶员偏好模型；步骤2)、确定自动驾驶车辆换道时长；步骤3)、确定换道轨迹约束条件，建立换道轨迹簇；步骤4)、将步骤1)中确定的驾驶指标权重结合规划轨迹的驾驶指标数据，确定体现驾驶员个性化行为的变道轨迹。本发明基于LSTM神经网络改进的五次多项式换道轨迹规划方法规划出符合驾驶员共性化的换道轨迹，通过驾驶员偏好模型对换道轨迹进行选择，使得规划的换道轨迹更加准确反映驾驶员的偏好。

Description

一种体现驾驶员偏好的换道轨迹规划方法
技术领域
本发明属于汽车智能驾驶技术领域，更具体地说，特别涉及一种体现驾驶员偏好的换道轨迹规划方法。
背景技术
车辆换道是较常见的驾驶行为，拥有较高的复杂性和风险性，因此换道方法的研究始终是交通安全领域的核心课题。在车辆换道方面，研究者们考虑了车辆动力学、交通环境、障碍物信息，保证换道轨迹的安全性。
实现完全自主驾驶之前，驾驶员在某些情况下仍然有权控制车辆。因此，对于自动驾驶车辆，如果忽略驾驶员的驾驶偏好，造成自动换道***规划的轨迹与人类驾驶员的预期相差很大，可能会使得驾驶员逐渐失去对自动车辆的信任，这将阻碍自动驾驶的接受。
在现有的研究中，大多数的换道轨迹规划方法都没有考虑到用户或者决策者的影响，导致对驾驶员的适应性比较低。所以形成一种能够体现驾驶员偏好的换道方法显得尤为重要。
发明内容
为了解决上述技术问题，本发明提供一种体现驾驶员偏好的换道轨迹规划方法，其基于LSTM神经网络改进的五次多项式换道轨迹方法规划出符合驾驶员共性化的换道轨迹，并通过建立的驾驶员偏好模型对换道轨迹进行选择，使得规划的换道轨迹更加准确反映驾驶员偏好。
本发明一种体现驾驶员偏好的换道轨迹规划方法的目的与功效，由以下具体技术手段所达成：
一种体现驾驶员偏好的换道轨迹规划方法，包括以下步骤：
步骤1）、对驾驶员驾驶指标偏好进行采集，建立驾驶员偏好模型，确定驾驶指标权重；
步骤2）、根据当前时刻采集到的车辆信息和交通参与者信息确定自动驾驶车辆换道时长；
步骤3）、建立五次多项式换道轨迹规划模型，根据提取到的本车和他车的信息和预测的换道时长，确定换道轨迹约束条件，建立换道轨迹簇；
步骤4）、将步骤1）中确定的驾驶指标权重结合规划轨迹的驾驶指标数据，确定体现驾驶员个性化行为的变道轨迹。
步骤1）中建立驾驶员偏好模型，包括如下步骤：
步骤一、首选通过驾驶员对驾驶指标的比较，建立不完全模糊语言偏好关系矩阵；
步骤二、由不完全模糊语言偏好关系矩阵，通过模糊数转换关系，建立完全语言模糊偏好关系；
步骤三、利用语言平均算子计算模糊权重
Figure RE-DEST_PATH_IMAGE002
；
其中语言平均算子
Figure RE-DEST_PATH_IMAGE004
步骤四、对得到的权重进行解模糊，得到驾驶指标的权重值
Figure RE-DEST_PATH_IMAGE006
；
优选的，在步骤一中驾驶员对驾驶指标的比较之前，首先对驾驶评价指标确定；
定义安全性指标：
Figure RE-DEST_PATH_IMAGE008
；
其中、
Figure RE-DEST_PATH_IMAGE010
表示第j条轨迹上的安全性指标，
Figure RE-DEST_PATH_IMAGE012
指的是A和B之间的欧式几何距离。n表示第j条轨迹上轨迹点的个数。
Figure RE-DEST_PATH_IMAGE014
和
Figure RE-DEST_PATH_IMAGE016
分别表示针对于点
Figure RE-DEST_PATH_IMAGE018
的上界和下界；
舒适性指标：
Figure RE-DEST_PATH_IMAGE020
；
式中，
Figure RE-DEST_PATH_IMAGE022
表示第j条轨迹上的舒适性指标，jerk指的是车辆横向运动的加加速度值。
定义操纵稳定指标：
Figure RE-DEST_PATH_IMAGE024
；
式中，
Figure RE-DEST_PATH_IMAGE010A
表示第j条轨迹上的舒适性指标，
Figure RE-DEST_PATH_IMAGE026
，
Figure RE-DEST_PATH_IMAGE028
表示y方向上的加速度，
Figure RE-DEST_PATH_IMAGE030
表示x方向上的速度；
优选的，步骤2）中采用长短时记忆网络得到自动驾驶车辆的换道时长，包括如下步骤：
步骤一、根据车辆传感器获取车辆自身信息和交通参与者信息。
其中，车辆信息和交通参与者信息包括车辆当前行驶速度V，当前车道与前车相对速度V1，与当前车道与前车相对距离S1，与换道目标车道后车相对速度V2，目标车道后车相对距离S2。
步骤二、将得到的车辆信息输入长短期记忆网络，进行识别，得到当前状况下车辆换道时长。
优选的，在步骤二之前，还需要对长短期记忆网络进行训练，得到长短期记忆网络的权重值，包括如下步骤：
步骤A、根据获取到的数据，将本车当前行驶速度V，当前车道前车相对速度V1，与当前车道前车距离S1，与换道目标车道后车相对速度V2，目标车道后车距离S2，五种因素作为长短期记忆网络的输入门参数
Figure RE-DEST_PATH_IMAGE032
，对输入门参数
Figure RE-DEST_PATH_IMAGE032A
分成两组之后，以不同的函数进行激活，分别得到第一更新参数和第二更新参数：
Figure RE-DEST_PATH_IMAGE034
Figure RE-DEST_PATH_IMAGE036
其中
Figure RE-DEST_PATH_IMAGE038
表示第一更新参数，
Figure RE-DEST_PATH_IMAGE040
表示第二更新参数，
Figure RE-DEST_PATH_IMAGE042
表示的是sigmoid激活函数，tanh表示的是tanh激活函数，
Figure RE-DEST_PATH_IMAGE044
，
Figure RE-DEST_PATH_IMAGE046
，
Figure RE-DEST_PATH_IMAGE048
，
Figure RE-DEST_PATH_IMAGE050
表示输入门状态更新的系数，
Figure RE-DEST_PATH_IMAGE032AA
表示t时刻训练元素，
Figure RE-DEST_PATH_IMAGE052
表示遗忘门中t-1时刻隐藏状态参数，
Figure RE-DEST_PATH_IMAGE054
和
Figure RE-DEST_PATH_IMAGE056
分别表示输入状态更新的偏移；
步骤B、根据
Figure RE-DEST_PATH_IMAGE052A
和
Figure RE-DEST_PATH_IMAGE032AAA
得到遗忘门输出参数
Figure RE-DEST_PATH_IMAGE058
：
Figure RE-DEST_PATH_IMAGE060
其中
Figure RE-DEST_PATH_IMAGE062
和
Figure RE-DEST_PATH_IMAGE064
表示遗忘门状态更新时的系数，
Figure RE-DEST_PATH_IMAGE066
遗忘门状态更新的偏移。
步骤C、根据更新的参数和遗忘门输出的参数得到新的状态参数
Figure RE-DEST_PATH_IMAGE068
Figure RE-DEST_PATH_IMAGE070
步骤D、最终得到输出结果：
Figure RE-DEST_PATH_IMAGE072
Figure RE-DEST_PATH_IMAGE074
步骤E、根据输出门的输出结果，获得长短期记忆网络的最优权重值。
优选的是，在步骤3）中，建立五次多项式换道轨迹函数包括如下步骤：
步骤a，分别在x和y方向上建立选取五次多项式位置函数进行换道轨迹规划
Figure RE-DEST_PATH_IMAGE076
其中t为时间，是多项式的变量，i表示各阶幂指数，
Figure RE-DEST_PATH_IMAGE078
和
Figure RE-DEST_PATH_IMAGE054A
为多项式各项的系数。
步骤b，通过车辆传感器获取和确定无人车规划初始时刻当前状态
Figure RE-DEST_PATH_IMAGE080
和终止状态
Figure RE-DEST_PATH_IMAGE082
。
Figure RE-DEST_PATH_IMAGE084
，
Figure RE-DEST_PATH_IMAGE086
，
Figure RE-DEST_PATH_IMAGE088
，
Figure RE-DEST_PATH_IMAGE090
，
Figure RE-DEST_PATH_IMAGE092
，
Figure RE-DEST_PATH_IMAGE094
分别为换道车的横向位移、横向速度、横向加速度、纵向位移、纵向速度、纵向加速度。
步骤c、通过获取到的当前横向和纵向位置、速度和加速度，换道结束后的横向和纵向速度，加速度，纵向位置。建立约束条件：
Figure RE-DEST_PATH_IMAGE084A
方向上的约束条件
Figure RE-DEST_PATH_IMAGE096
，
Figure RE-DEST_PATH_IMAGE090A
方向的约束条件
Figure RE-DEST_PATH_IMAGE098
进一步整理可得方程组
Figure RE-DEST_PATH_IMAGE100
，根据求得的系数矩阵，可以得到车辆换道时的轨迹簇。
其中，时间参数矩阵
Figure RE-DEST_PATH_IMAGE102
式中t0为汽车换道的初始时刻，
Figure RE-DEST_PATH_IMAGE104
为换道终止时刻。
其中，系数矩阵为
Figure RE-DEST_PATH_IMAGE106
优选的是，在步骤4）中，采用优劣解距离法选取最优轨迹，包括：
步骤aa，基于n条轨迹和m（本发明m=3）个评价指标构造评价矩阵
Figure RE-DEST_PATH_IMAGE108
。
步骤bb，对评价矩阵进行标准化处理，得到标准化矩阵
Figure RE-DEST_PATH_IMAGE110
。
其中标准化矩阵元素
Figure RE-DEST_PATH_IMAGE112
步骤4.3计算第
Figure RE-DEST_PATH_IMAGE114
条轨迹的得分为：
Figure RE-DEST_PATH_IMAGE116
,
其中
Figure RE-DEST_PATH_IMAGE118
为第
Figure RE-DEST_PATH_IMAGE114A
条轨迹与最大值的距离，
Figure RE-DEST_PATH_IMAGE120
为最大值
Figure RE-DEST_PATH_IMAGE122
第
Figure RE-DEST_PATH_IMAGE124
条轨迹与最小值的距离
Figure RE-DEST_PATH_IMAGE126
为最小值
Figure RE-DEST_PATH_IMAGE128
加权归一化决策矩阵各个权重指标
Figure RE-DEST_PATH_IMAGE130
，其值由上文不完全语言模糊关系得到。
步骤dd对得分进行排序，并选取最适合轨迹。
与现有技术相比，本发明具有如下有益效果：
本发明体现驾驶员偏好的换道方法首先对驾驶员驾驶指标偏好进行采集，确定驾驶指标权重，然后根据当前时刻采集到的车辆信息和交通参与者信息确定自动驾驶车辆换道时长，并建立五次多项式换道轨迹规划模型，根据提取到的本车和他车的信息和预测的换道时长，确定换道轨迹约束条件，建立换道轨迹簇，然后依据确定的驾驶指标权重结合规划轨迹的驾驶指标数据，确定体现驾驶员个性化行为的变道轨迹，从而保证规划的换道轨迹符合驾驶员的偏好。
本发明基于LSTM神经网络改进的五次多项式换道轨迹方法规划出符合驾驶员共性化的换道轨迹，并通过建立的驾驶员偏好模型对换道轨迹进行选择，使得规划的换道轨迹更加准确反映驾驶员偏好。
本发明基于不完全模糊语言偏好关系获取驾驶员偏好，能够及时准确的建立驾驶人员偏好模型，确定驾驶指标的权重值，解决了人的偏好经常为模糊数据，不能用精确数值来代替的问题。同时对于由于驾驶员行车环境改变导致驾驶偏好发生变化的问题，本发明可以方便准确的规划出符合其偏好的驾驶轨迹，从而增加驾驶员对自动驾驶车辆的接受，促进自动驾驶车辆的发展。
附图说明
图1是本发明体现驾驶员偏好的换道方法流程图。
图2是本发明模糊语言评估变量和评估数示意图。
图3是本发明不完全模糊语言偏好关系矩阵示意图。
图4是本发明长短期记忆网络结构示意图。
图5是本发明五次多项式换道轨迹规划簇示意图。
具体实施方式
实施例：
如附图1所示，该实施例提供一种体现驾驶员偏好的换道轨迹规划方法，包括以下步骤：
步骤1）、对驾驶员驾驶指标偏好进行采集，建立驾驶员偏好模型，确定当前情况下驾驶指标权重；
进一步地，步骤1）具体方法如下：
步骤1.1根据定义好的驾驶指标，驾驶人员通过语音交互的方式告知规划***驾驶指标之间的相对重要性。
定义安全性指标：
Figure RE-DEST_PATH_IMAGE008A
其中、
Figure RE-DEST_PATH_IMAGE010AA
表示第j条轨迹上的安全性指标，d(A，B)指的是A和B之间的欧式几何距离。n表示第j条轨迹上轨迹点的个数。
Figure RE-DEST_PATH_IMAGE132
和
Figure RE-DEST_PATH_IMAGE134
分别表示针对于轨迹点
Figure RE-DEST_PATH_IMAGE136
的上界和下界。
舒适性指标：
Figure RE-DEST_PATH_IMAGE020A
式中，
Figure RE-DEST_PATH_IMAGE022A
表示第j条轨迹上的舒适性指标，Jerk指的是车辆横向运动的加加速度值。
定义操纵稳定指标：
Figure RE-DEST_PATH_IMAGE024A
式中，
Figure RE-DEST_PATH_IMAGE138
表示第j条轨迹上的舒适性指标，
Figure RE-DEST_PATH_IMAGE026A
，
Figure RE-DEST_PATH_IMAGE028A
表示y方向上的加速度，
Figure RE-DEST_PATH_IMAGE030A
表示x方向上的速度。
步骤1.2获取到驾驶员指标的重要程度比较后，采用不完全模糊语言偏好关系如附图2所示，表征用户的驾驶偏好，并建立不完全模糊语言偏好关系矩阵，如附图3所示。
其中，模糊数
Figure RE-DEST_PATH_IMAGE140
为评估变量，其
Figure RE-DEST_PATH_IMAGE142
和
Figure RE-DEST_PATH_IMAGE144
分别是模糊数的左右边界，
Figure RE-DEST_PATH_IMAGE146
是模糊数的中间值。
步骤1.3根据不完全语言模糊偏好关系构建完全语言模糊偏好关系矩阵。通过转换关系方程如下：
Figure RE-DEST_PATH_IMAGE148
Figure RE-DEST_PATH_IMAGE152
Figure RE-DEST_PATH_IMAGE154
Figure RE-DEST_PATH_IMAGE156
Figure RE-DEST_PATH_IMAGE158
Figure RE-DEST_PATH_IMAGE160
Figure RE-DEST_PATH_IMAGE162
Figure RE-DEST_PATH_IMAGE164
Figure RE-DEST_PATH_IMAGE166
Figure RE-DEST_PATH_IMAGE168
Figure RE-DEST_PATH_IMAGE170
Figure RE-DEST_PATH_IMAGE172
步骤1.4模糊数中的变量
Figure RE-DEST_PATH_IMAGE174
，上一步骤得到的完全语言模糊偏好关系矩阵值有可能不在范围之内，如有，则通过下列式子进行模糊数的转换。
其中整个矩阵元素的最小值设置为0，即
Figure RE-DEST_PATH_IMAGE176
整个矩阵元素的最大值设置为1，即
Figure RE-DEST_PATH_IMAGE178
，
剩余模糊数的边界值和中间值采用如下公式进行转换：
Figure RE-DEST_PATH_IMAGE180
步骤1.5利用语言平均算子对上一步骤转换后的矩阵进行标准化，得到模糊权重
Figure RE-DEST_PATH_IMAGE182
Figure RE-DEST_PATH_IMAGE184
其中语言平均算子为：
Figure RE-DEST_PATH_IMAGE186
步骤1.6，利用最大最小集方法对权重进行解模糊，得到各个轨迹指标的确定权重
Figure RE-DEST_PATH_IMAGE188
。
其中权重计算公式为
Figure RE-DEST_PATH_IMAGE190
最大最小集方法步骤如下：
计算解模糊函数：总效用值函数表达式为：
Figure RE-DEST_PATH_IMAGE192
=
Figure RE-DEST_PATH_IMAGE194
其中右效用值函数表达式为：
Figure RE-DEST_PATH_IMAGE196
其中左效用值函数表达式为：
Figure RE-DEST_PATH_IMAGE198
其中
Figure RE-DEST_PATH_IMAGE200
函数表达式为：
Figure RE-DEST_PATH_IMAGE202
最大集M={(x，
Figure RE-DEST_PATH_IMAGE204
|x∈R)}，其中
Figure RE-DEST_PATH_IMAGE204A
定义如下
Figure RE-DEST_PATH_IMAGE206
最小集S={(
Figure RE-DEST_PATH_IMAGE084AA
，
Figure RE-DEST_PATH_IMAGE208
|x∈R)}，其中
Figure RE-DEST_PATH_IMAGE208A
定义如下
Figure RE-DEST_PATH_IMAGE210
其中
Figure RE-DEST_PATH_IMAGE212
是所有模糊数中的最大值，
Figure RE-DEST_PATH_IMAGE214
是所有模糊数中的最小值。
步骤2根据获取到的实车和交通参与者数据，长短期记忆网络（LSTM），预测自动驾驶车辆换道时长，具体的网络结构如附图4所示。
进一步地，步骤2）的具体过程如下：
步骤2.1根据车辆传感器，获取本车当前行驶速度V，当前车道前车相对速度V1，与当前车道前车距离S1，与换道目标车道后车相对速度V2，目标车道后车距离S2。
步骤2.2将采集到的以上五种因素作为长短期记忆网络的输入门参数Xt，对输入门参数Xt分成两组之后，第一组使用sigmoid激活函数，第二部分使用tanh激活函数，分别输出
Figure RE-DEST_PATH_IMAGE038A
和
Figure RE-DEST_PATH_IMAGE040A
，两者的结果后面会相乘再去更新细胞状态。表达式如下：
Figure RE-DEST_PATH_IMAGE034A
Figure RE-DEST_PATH_IMAGE036A
其中，
Figure RE-DEST_PATH_IMAGE042A
表示的是sigmoid激活函数，tanh表示的是tanh激活函数，
Figure RE-DEST_PATH_IMAGE044A
，
Figure RE-DEST_PATH_IMAGE046A
，
Figure RE-DEST_PATH_IMAGE048A
，
Figure RE-DEST_PATH_IMAGE050A
表示输入门状态更新的系数，
Figure RE-DEST_PATH_IMAGE054AA
和
Figure RE-DEST_PATH_IMAGE056A
分别表示输入状态更新的偏移；
步骤2.3遗忘门中上一序列的隐藏状态
Figure RE-DEST_PATH_IMAGE052AA
和本序列数据
Figure RE-DEST_PATH_IMAGE032AAAA
，通过一个sigmoid激活函数，得到遗忘门的输出得到遗忘门输出参数
Figure RE-DEST_PATH_IMAGE058A
：由于sigmoid的输出
Figure RE-DEST_PATH_IMAGE058AA
[0，1]之间，因此
Figure RE-DEST_PATH_IMAGE058AAA
代表了遗忘门上一次隐藏细胞状态的概率。表达式如下：
Figure RE-DEST_PATH_IMAGE060A
其中
Figure RE-DEST_PATH_IMAGE062A
和
Figure RE-DEST_PATH_IMAGE064A
表示遗忘门状态更新时的系数，
Figure RE-DEST_PATH_IMAGE066A
遗忘门状态更新的偏移。
步骤2.4输入门和遗忘门的结果都会作用于细胞状态
Figure RE-DEST_PATH_IMAGE068A
。细胞状态
Figure RE-DEST_PATH_IMAGE068AA
由两部分组成，具体表示如下：
Figure RE-DEST_PATH_IMAGE070A
步骤2.5、输出门的输出描述如下：
Figure RE-DEST_PATH_IMAGE072A
Figure RE-DEST_PATH_IMAGE074A
步骤2.6根据输出门的输出结果和训练标签(换道时长)的不断对比，逐渐更新网络中的状态更新系数及偏移，直到训练网络的损失值达到设定阈值0.01以下，最终获得长短期记忆网络的最优权重值。
步骤3）、根据预测的驾驶时长以及当前时刻采集到的车辆和交通参与者信息，确定换道轨迹约束条件，建立换道轨迹簇。
进一步地，步骤3）的具体过程如下：
步骤3.1、在x和y方向分别选取五次多项式位置函数进行换道轨迹规划，如下式所示：
Figure RE-DEST_PATH_IMAGE076A
步骤3.2对上式位置函数进行一阶求导，获得x、y两个方向上的速度函数，如下式所示
Figure RE-DEST_PATH_IMAGE216
步骤3.3对上式速度函数再进行一阶求导，获得x、y两个方向上的加速度函数，如下式所示
Figure RE-DEST_PATH_IMAGE218
其中t为时间，是多项式的变量，i表示各阶幂指数，
Figure RE-DEST_PATH_IMAGE078A
和
Figure RE-DEST_PATH_IMAGE054AAA
为多项式各项的系数。位置函数，速度函数和加速度函数组成换道轨迹的轨迹函数簇。
步骤3.4确定无人车规划初始时刻当前状态
Figure RE-DEST_PATH_IMAGE080A
和终止状态
Figure RE-DEST_PATH_IMAGE082A
，
Figure RE-DEST_PATH_IMAGE084AAA
，
Figure RE-DEST_PATH_IMAGE086A
，
Figure RE-DEST_PATH_IMAGE088A
，
Figure RE-DEST_PATH_IMAGE090AA
，
Figure RE-DEST_PATH_IMAGE092A
，
Figure RE-DEST_PATH_IMAGE094A
分别为换道车的横向位移、横向速度、横向加速度、纵向位移、纵向速度、纵向加速度。
其中，无人车状态变量确定方法为通过车辆传感器获取车辆当前横向和纵向位置、速度和加速度，换道结束后的横向和纵向速度，加速度可以根据***的实际情况确定其取值。一般保证变道完成时纵向速度保持不变，横向速度为为0，纵向加速度和横向加速度为0。
步骤3.5建立约束条件和求解方程：
Figure RE-DEST_PATH_IMAGE096A
，
Figure RE-DEST_PATH_IMAGE098A
进一步整理可得方程组
Figure RE-DEST_PATH_IMAGE100A
，根据求得的系数矩阵，可以得到车辆换道时的轨迹簇如附图5所示。
其中，时间参数矩阵
Figure RE-DEST_PATH_IMAGE102A
式中
Figure RE-DEST_PATH_IMAGE220
为汽车换道的初始时刻，
Figure RE-DEST_PATH_IMAGE104A
为换道终止时刻。
Figure RE-DEST_PATH_IMAGE106A
步骤4）、将的驾驶指标权重与规划轨迹的驾驶指标数据分别对应相乘，并采用优劣解距离法，确定体现驾驶员偏好的换道轨迹。
进一步地，步骤4）的具体过程如下：
步骤4.1对指标进行正向化处理，基于n条轨迹和m个（本发明m=3）评价指标构造初始评价矩阵
Figure RE-DEST_PATH_IMAGE222
，安全性指标是效益型指标，越大越好；而操纵性和舒适性指标是成本型指标，越小越好，首先对成本型指标取到数进行正向化操作，
Figure RE-DEST_PATH_IMAGE224
，
Figure RE-DEST_PATH_IMAGE226
，其中
Figure RE-DEST_PATH_IMAGE228
，
Figure RE-DEST_PATH_IMAGE230
分别为不同轨迹舒适性和操纵性构成的矩阵。
步骤4.2为了消除不同指标量纲的影响，对评价矩阵进行标准化处理，得到标准化矩阵
Figure RE-DEST_PATH_IMAGE110A
其中标准化矩阵元素为
Figure RE-DEST_PATH_IMAGE112A
步骤4.3计算第
Figure RE-DEST_PATH_IMAGE232
条轨迹未的得分为：
Figure RE-DEST_PATH_IMAGE116A
，
Figure RE-DEST_PATH_IMAGE234
越接近于1，表明结果距离最大值越近，距离最小值越远。
其中
Figure RE-DEST_PATH_IMAGE118A
为第
Figure RE-DEST_PATH_IMAGE114AA
条轨迹与最大值的距离
Figure RE-DEST_PATH_IMAGE236
为最大值
Figure RE-DEST_PATH_IMAGE122A
第
Figure RE-DEST_PATH_IMAGE124A
条轨迹与最小值的距离
Figure RE-DEST_PATH_IMAGE238
为最小值
加权归一化决策矩阵
Figure RE-DEST_PATH_IMAGE240
各个权重指标
Figure RE-DEST_PATH_IMAGE130A
，其值由上文不完全语言模糊关系得到。
步骤4.4对n条轨迹得分进行排序，并选取最优轨迹。
本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

Claims (6)

1.一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：包括以下步骤：
步骤1)、对驾驶员驾驶指标偏好进行采集，建立驾驶员偏好模型，确定驾驶指标权重；
步骤2)、根据当前时刻采集到的车辆信息和交通参与者信息确定自动驾驶车辆换道时长；
步骤3)、建立五次多项式换道轨迹规划模型，根据提取到的本车和他车的信息和预测的换道时长，确定换道轨迹约束条件，建立换道轨迹簇；
步骤4)、将步骤1)中确定的驾驶指标权重结合规划轨迹的驾驶指标数据，确定体现驾驶员个性化行为的变道轨迹。
2.如权利要求1所述一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：步骤1)中建立驾驶员偏好模型首先通过驾驶员对驾驶指标的比较，建立不完全模糊语言偏好关系矩阵，并由不完全模糊语言偏好关系矩阵，通过模糊数转换关系，建立完全语言模糊偏好关系，然后利用语言平均算子计算模糊权重，后对得到的权重进行解模糊，得到驾驶指标的权重值。
3.如权利要求2所述一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：利用语言平均算子计算模糊权重之前，首先对驾驶评价指标确定。
4.如权利要求1所述一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：步骤2)中采用长短时记忆网络得到自动驾驶车辆的换道时长。
5.如权利要求4所述一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：自动驾驶车辆的换道时长首先根据车辆传感器获取车辆自身信息和交通参与者信息，并将得到的车辆信息输入长短期记忆网络，进行识别，得到当前状况下车辆换道时长。
6.如权利要求5所述一种体现驾驶员偏好的换道轨迹规划方法，其特征在于：在将得到的车辆信息输入长短期记忆网络之前，还需要对长短期记忆网络进行训练，得到长短期记忆网络的权重值。
CN202210069064.1A 2022-01-21 2022-01-21 一种体现驾驶员偏好的换道轨迹规划方法 Pending CN115285121A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210069064.1A CN115285121A (zh) 2022-01-21 2022-01-21 一种体现驾驶员偏好的换道轨迹规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210069064.1A CN115285121A (zh) 2022-01-21 2022-01-21 一种体现驾驶员偏好的换道轨迹规划方法

Publications (1)

Publication Number Publication Date
CN115285121A true CN115285121A (zh) 2022-11-04

Family

ID=83820876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210069064.1A Pending CN115285121A (zh) 2022-01-21 2022-01-21 一种体现驾驶员偏好的换道轨迹规划方法

Country Status (1)

Country Link
CN (1) CN115285121A (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150266455A1 (en) * 2013-12-06 2015-09-24 Christopher Kenneth Wilson Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom
CN108256233A (zh) * 2018-01-18 2018-07-06 中国第汽车股份有限公司 基于驾驶员风格的智能车轨迹规划及跟踪方法和***
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
CN111746544A (zh) * 2020-07-13 2020-10-09 吉林大学 一种体现驾驶员个性化行为的车道变换方法
US20210150203A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Parametric top-view representation of complex road scenes
WO2022012217A1 (zh) * 2020-07-16 2022-01-20 华为技术有限公司 一种自适应巡航控制方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150266455A1 (en) * 2013-12-06 2015-09-24 Christopher Kenneth Wilson Systems and Methods for Building Road Models, Driver Models, and Vehicle Models and Making Predictions Therefrom
CN108256233A (zh) * 2018-01-18 2018-07-06 中国第汽车股份有限公司 基于驾驶员风格的智能车轨迹规划及跟踪方法和***
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
US20210150203A1 (en) * 2019-11-14 2021-05-20 Nec Laboratories America, Inc. Parametric top-view representation of complex road scenes
CN111746544A (zh) * 2020-07-13 2020-10-09 吉林大学 一种体现驾驶员个性化行为的车道变换方法
WO2022012217A1 (zh) * 2020-07-16 2022-01-20 华为技术有限公司 一种自适应巡航控制方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
闫淑德: "基于驾驶习性的智能汽车个性化换道辅助***研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2019, 30 November 2019 (2019-11-30), pages 035 - 133 *

Similar Documents

Publication Publication Date Title
CN112347567B (zh) 一种车辆意图和轨迹预测的方法
CN113485380B (zh) 一种基于强化学习的agv路径规划方法及***
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN112052776B (zh) 无人车自主驾驶行为优化方法、装置和计算机设备
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
CN110688729B (zh) 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备
CN113044064B (zh) 基于元强化学习的车辆自适应的自动驾驶决策方法及***
CN112498354B (zh) 考虑个性化驾驶体验的多时间尺度自学习变道方法
CN111746544B (zh) 一种体现驾驶员个性化行为的车道变换方法
CN112562328A (zh) 一种车辆行为预测方法及装置
CN112116100B (zh) 一种考虑驾驶员类型的博弈论决策方法
CN113682312A (zh) 一种融合深度强化学习的自主换道方法及***
CN115923833A (zh) 车辆的拟人化决策控制方法、装置、车辆及存储介质
CN108921044A (zh) 基于深度卷积神经网络的驾驶员决策特征提取方法
CN117406756B (zh) 一种运动轨迹参数的确定方法、装置、设备和存储介质
Xie et al. A personalized curve driving model for intelligent vehicle
CN114179830A (zh) 一种自动驾驶车辆的自主超车方法和***
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
CN111391848B (zh) 自动驾驶车辆换道方法
CN115285121A (zh) 一种体现驾驶员偏好的换道轨迹规划方法
CN109572697B (zh) 基于模糊控制的特殊路段行进车辆的油门自动控制方法
CN116300944A (zh) 基于改进Double DQN的自动驾驶决策方法及***
CN115782917A (zh) 车辆轨迹预测方法、装置、存储介质和电子设备
CN115848369A (zh) 一种基于深度强化学习的个性化自适应巡航***及其控制方法
CN114839992A (zh) 一种基于多智能体强化学习的自动驾驶协同决策方法

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