CN105620480B - 智能车辆自主性换道时机决策方法 - Google Patents
智能车辆自主性换道时机决策方法 Download PDFInfo
- Publication number
- CN105620480B CN105620480B CN201511016425.2A CN201511016425A CN105620480B CN 105620480 B CN105620480 B CN 105620480B CN 201511016425 A CN201511016425 A CN 201511016425A CN 105620480 B CN105620480 B CN 105620480B
- Authority
- CN
- China
- Prior art keywords
- lane
- change
- decision
- vehicle
- data
- 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
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, or advanced driver assistance systems for ensuring comfort, stability and safety or drive control systems for propelling or retarding the vehicle
- 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
- B60W2554/00—Input parameters relating to objects
- B60W2554/80—Spatial relation or speed relative to objects
-
- 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
- B60W2554/801—Lateral distance
Abstract
本发明公开了一种智能车辆自主性换道时机决策方法,该方法采用下列步骤:先通过传感器实时读取车辆自主换道时的相关数据;接着对获得的数据导入基于最近邻居分类模型的车辆自主换道决策模块中,该模块的主要构建步骤包括训练与测试数据的选取、内核集的构建、最近邻邻居的选取、换道时机决策的阈值的确定和决策模型的精确度验证;最后通过决策模块可形成自主换道时机的决策判断结果,如决策判断结果为不能换道,则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响,提高了车辆自主换道时机决策判断的准确度和可靠性,降低了误报率。
Description
技术领域
本发明涉及机动车辆驾驶安全领域,特别是涉及一种基于最近邻居分类模型的自主换道时机决策方法。
背景技术
车辆换道决策失误一直是导致道路交通安全事故发生的重要原因之一。统计表明,在所有的换道事故中,由于驾驶人判断决策失误而引发的事故约占事故总量的75%。因此,车辆换道时,特别是车辆行驶过程中进行自主性车道变换时,给驾驶人提供快速准确的换道决策判断意义重大,对减少道路交通事故的发生,提高道路交通安全水平有着十分重要的意义。
车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对自车的前方区域、后方区域以及侧向区域进行仔细观察,判断这些区域中是否存在其他车辆、周围车辆与自车的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而,驾驶人通过后视镜对后方区域、侧向区域地观察通常不如对前方区域地观察那么直接,在分析换道冲突可能性过程中容易出现失误。另一方面,后视镜的视觉盲区问题也引起较大的安全隐患。
目前,现有技术已有用于协助变换车道的车辆换道危险预警系统。目前常见的换道预警系统分为两类,第一类主要针对后视镜的视觉盲区问题,通过采用超声波传感器对自车侧向、后方临近区域内的车辆进行监控;第二类系统主要针对换道目标车道后方存在高速接近车辆的情况,通过使用测距雷达对换道过程中自车与其他车辆的相对距离、相对速度进行实时监控,分析换道过程中引发碰撞事故的风险程度,在风向程度较高情况下对驾驶人进行预警提示。然而,现有车辆换道危险预警系统运行所需装置多,预警算法复杂,可靠性不高,误报率不能控制在较低的水平,难以确保在任何条件下的换道安全,特别是进行自主性车道变换的情况。因此,目前需要一种车辆自主性换道时预警算法简单、误报率较低的车辆强制换道决策方法。
发明内容
发明目的:本发明提供一种基于最近邻居分类模型的车辆自主性换道时机决策模型,利用最近邻距离分类模型给驾驶员进行车辆自主性换道时提供决策判断,并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车辆自主性换道时提供正确可靠的决策判断,可极大地减少因换道决策失误导致的道路交通事故。
技术方案:一种智能车辆自主性换道时机决策方法,包括以下步骤:
步骤1:通过多普勒测速雷达传感器获取描述交通状态的样本数据;
步骤2:构建基于最近邻居分类模型的车辆自主换道决策模块,分别通过训练与测试样本数据的选取和处理、内核集的构建、最近邻居的选取、换道时机决策阈值的确定和决策模型的精确度验证;
步骤3:将获取的7个样本数据实时地导入到车辆自主换道时机决策模块中,并形成换道时机决策判断。
具体地,所述步骤1中,获取描述交通状态的样本数据TC(t)=(Δvl(t),gl(t),Δvf(t),gf(t),Δvp(t),gp(t),vs(t))即t时刻换道车辆所在位置的交通状态,其中,Δvl(t)代表换道车辆t时刻与目标车道前导车的相对速度,gl(t)代表换道车辆t时刻与目标车道前导车的相对距离,Δvf(t)代表换道车辆t时刻与目标车道后随车的相对速度,gf(t)代表换道车辆t时刻与目标车道后随车的相对距离,Δvp(t)代表换道车辆t时刻与当前车道前导车相对速度,gp(t)代表换道车辆t时刻与当前车道前导车相对距离,vs(t)代表换道车辆t时刻速度。
具体地,所述步骤2中,训练与测试样本数据的选取与处理环节中的交通状态数据是基于Next Generation Simulation数据集中的轨迹数据包括每辆车的纵坐标、横坐标、速度、加速度和前车辆车间隔时间进行处理得到,轨迹数据的采样频率为10Hz;并对数据集进行划分,所述数据集一部分用于构建内核集,称之为训练集,另一部分用于测试,称之为测试集。
具体地,所述步骤2中的内核集构建环节,内核集的元素全部取自训练数据集中元素,并且采用min-max标准化方法对状态向量中的不同分量进行归一化处理;归一化公式为:
其中max为样本数据的最大值,min为样本数据的最小值。
具体地,所述步骤2中的最近邻居的选取其原则是挑选内核集中与当前状态元素最近的10个元素为最近邻居集;具体方法是:计算待决策交通状态与内核集中每个元素的距离Di并按升序排列;距离计算公式如下:
D′={D′i|i=1,2,…,k}代表按升序重排过后的距离集。
具体地,所述步骤2中的换道时机决策阈值的确定,具体方法是:计算待决策交通状态与最近邻居集中元素距离的平均值DTS,表征待决策交通状态与适合成功换道的交通状态之间的相似度,计算公式如下:
DThreshold记为决定是否可以成功换道的阈值,由内核集SKernel(k)确定,被设置成代表TCi(tei)和SKernel(k)之间的距离。如果DTS≤DThreshold(k),换道车辆结束换道准备过程,开始执行换道;否则,继续换道准备过程。DThreshold(k)随着K值的调整动态变化。
具体地,所述步骤2中的决策模型的精确度验证环节,根据决策阈值对测试数据进行识别,并将识别结果与实际的自主换道情况进行对比,用识别的准确性验证模型的准确性。
有益效果:与现有技术相比,本发明的优点在于:
1、换道时机决策模型松弛了对传统模型对数学形式和变量分布的要求,因此,该模型可以更加现实地模拟驾驶员换道行为的非线性特性。
2、决策精度可以随着内核集规模的扩大而提高,并且计算复杂度低,实用性强。
附图说明
图1是自主性换道决策示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
如图1所示,一种智能车辆自主性换道时机决策方法,通过对比当前交通状态与已经成功执行换道的的换道开始交通状态的相似度来决定是否执行换道,其中相似度用欧式距离来衡量;如果相似度满足某种条件,则执行换道;如果相似度不满足某种条件,则拒绝执行换道,继续换道准备过程,具体的算法过程如下:
步骤1:通过多普勒测速雷达传感器获取交通状态描述样本数据TC(t)=(Δvl(t),gl(t),Δvf(t),gf(t),Δvp(t),gp(t),vs(t))即t时刻换道车辆所在位置的交通状态。TCi(t),i=1,2,…,7代表描述交通状态的第i个元素。其中,Δv1(t)代表换道车辆t时刻与目标车道前导车的相对速度,gl(t)代表换道车辆t时刻与目标车道前导车的相对距离,Δvf(t)代表换道车辆t时刻与目标车道后随车的相对速度,gf(t)代表换道车辆t时刻与目标车道后随车的相对距离,Δvp(t)代表换道车辆t时刻与当前车道前导车相对速度,gp(t)代表换道车辆t时刻与当前车道前导车相对距离,vs(t)代表换道车辆t时刻速度。
步骤2:构建基于最近邻居分类模型的车辆自主换道决策模块,分别通过训练与测试样本数据的选取和处理、内核集的构建、最近邻居的选取、换道时机决策阈值的确定和决策模型的精确度验证;
步骤3:将获取的交通状态样本数据实时地导入到车辆自主换道时机决策模块中,并形成换道时机决策判断。
进一步,所述步骤2中的构建内核集所需的样本数据由Next GenerationSimulation(NGSIM)提供,NGSIM数据集中的轨迹数据提供每辆车的纵坐标、横坐标、速度、加速度和前车辆车间隔时间,采样频率为10Hz;并对数据集进行划分,所述数据集一部分用于构建内核集,另一部分用于测试。内核集记为SKernel(k)={TC1(te1),TC2(te2)…,TCi(tei),…,TCk(tek)},其中,TCi(tei)代表换道执行开始时刻tei寸的交通状态,i代表元素的顺序,k代表集合中元素的个数,原则上K越大越好。内核集的元素全部采用min-max标准化方法对交通状态向量中的不同分量进行归一化处理。归一化公式为:
其中max为样本数据的最大值,min为样本数据的最小值。
进一步,所述步骤2中最近邻居的选取其原则是挑选内核集中与当前状态元素最近的10个元素为最近邻居集。具体方法是:计算待决策交通状态与内核集中每个元素的距离Di并按升序排列。距离计算公式如下:
D′={D′i|i=1,2,…,k}代表按升序重排过后的距离集。
进一步,所述步骤2中的换道时机决策阈值的确定,具体方法是:计算待决策交通状态与最近邻居集中元素距离的平均值DTS,表征待决策交通状态与适合成功换道的交通状态之间的相似度,计算公式如下:
DThreshold记为决定是否可以成功换道的阈值,由内核集SKernel(k)确定,被设置成代表TCi(tei)和SKernel(k)之间的距离。如果DTS≤DThreshold(k),换道车辆结束换道准备过程,开始执行换道;否则,继续换道准备过程。DThreshold(k)随着K值的调整动态变化。因此,该决策方法中的阈值是在线学习和动态进化的。
进一步,所述步骤2中验证自主换道时机决策模型的准确度,对于执行换道决策和不执行换道决策分别取50个测试样本,测试结果如下表所示,执行换道决策的准确度为72%,不执行换道决策的准确度为90%。
样本数据换道时机决策准确率
Claims (5)
1.一种智能车辆自主性换道时机决策方法,其特征在于,包括以下步骤:
步骤1:通过多普勒测速雷达传感器获取描述交通状态的样本数据;
其中,描述交通状态的样本数据TC(t)=(△vl(t),gl(t),△vf(t),gf(t),△vp(t),gp(t),vs(t)),即t时刻换道车辆所在位置的交通状态,其中,△vl(t)代表换道车辆t时刻与目标车道前导车的相对速度,gl(t)代表换道车辆t时刻与目标车道前导车的相对距离,△vf(t)代表换道车辆t时刻与目标车道后随车的相对速度,gf(t)代表换道车辆t时刻与目标车道后随车的相对距离,△vp(t)代表换道车辆t时刻与当前车道前导车相对速度,gp(t)代表换道车辆t时刻与当前车道前导车相对距离,vs(t)代表换道车辆t时刻速度;
步骤2:构建基于最近邻居分类模型的车辆自主换道决策模块,分别通过训练与测试样本数据的选取和处理、内核集的构建、最近邻居的选取、换道时机决策阈值的确定和决策模型的精确度验证;
所述内核集构建环节,内核集的元素全部取自训练数据集中元素,并且采用min-max标准化方法对状态向量中的不同分量进行归一化处理;归一化公式为:
其中max为样本数据的最大值,min为样本数据的最小值;
步骤3:将获取的7个样本数据实时地导入到车辆自主换道时机决策模块中,并形成换道时机决策判断。
2.根据权利要求1所述的智能车辆自主性换道时机决策方法,其特征在于:所述步骤2中,训练与测试样本数据的选取与处理环节中的交通状态数据是基于Next GenerationSimulation数据集中的轨迹数据包括每辆车的纵坐标、横坐标、速度、加速度和前车辆车间隔时间进行处理得到,轨迹数据的采样频率为10Hz;并对数据集进行划分,所述数据集一部分用于构建内核集,称之为训练集,另一部分用于测试,称之为测试集。
3.根据权利要求1所述的智能车辆自主性换道时机决策方法,其特征在于:所述步骤2中的最近邻居的选取原则是挑选内核集中与当前状态元素最近的10个元素为最近邻居集;具体方法是:计算待决策交通状态与内核集中每个元素的距离Di并按升序排列;距离计算公式如下:
其中,TCi(tei)代表换道执行开始时刻tei时的交通状态,i代表元素的顺序,D′={D′i|i=1,2,…,k}代表按升序重排过后的距离集。
4.根据权利要求1所述的智能车辆自主性换道时机决策方法,其特征在于:所述步骤2中的换道时机决策阈值的确定,具体方法是:计算待决策交通状态与最近邻居集中元素距离的平均值DTS,表征待决策交通状态与适合成功换道的交通状态之间的相似度,计算公式如下:
DThreshold记为决定是否可以成功换道的阈值,由内核集SKernel(k)确定,被设置成 代表TCi(tei)和SKernel(k)之间的距离,TCi(tei)代表换道执行开始时刻tei时的交通状态,i代表元素的顺序;如果DTS≤DThreshold(k),换道车辆结束换道准备过程,开始执行换道;否则,继续换道准备过程,DThreshold(k)随着K值的调整动态变化。
5.根据权利要求1所述的智能车辆自主性换道时机决策方法,其特征在于:所述步骤2中的决策模型的精确度验证环节,根据决策阈值对测试数据进行识别,并将识别结果与实际的自主换道情况进行对比,用识别的准确性验证模型的准确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511016425.2A CN105620480B (zh) | 2015-12-29 | 2015-12-29 | 智能车辆自主性换道时机决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511016425.2A CN105620480B (zh) | 2015-12-29 | 2015-12-29 | 智能车辆自主性换道时机决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105620480A CN105620480A (zh) | 2016-06-01 |
CN105620480B true CN105620480B (zh) | 2018-10-23 |
Family
ID=56035927
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511016425.2A Active CN105620480B (zh) | 2015-12-29 | 2015-12-29 | 智能车辆自主性换道时机决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105620480B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180281856A1 (en) | 2017-03-31 | 2018-10-04 | Ford Global Technologies, Llc | Real time lane change display |
CN106997690B (zh) * | 2017-05-15 | 2020-07-24 | 东南大学 | 一种车联网环境下高速公路车辆非强制换道控制方法 |
CN106991846B (zh) * | 2017-05-15 | 2020-04-21 | 东南大学 | 一种车联网环境下的高速公路车辆强制换道控制方法 |
CN109050533B (zh) * | 2017-06-09 | 2020-11-17 | 蔚来(安徽)控股有限公司 | 一种车辆自动换道控制方法和装置 |
JP6984312B2 (ja) * | 2017-10-26 | 2021-12-17 | トヨタ自動車株式会社 | 車載装置、情報処理システム、及び情報処理方法 |
CN107901909B (zh) * | 2017-10-31 | 2020-05-05 | 北京新能源汽车股份有限公司 | 一种车道自动更换的控制方法、装置及控制器 |
CN111325230B (zh) * | 2018-12-17 | 2023-09-12 | 上海汽车集团股份有限公司 | 车辆换道决策模型的在线学习方法和在线学习装置 |
CN109739218A (zh) * | 2018-12-24 | 2019-05-10 | 江苏大学 | 一种基于gru网络的仿优秀驾驶员换道模型建立方法 |
CN109637158B (zh) * | 2018-12-27 | 2020-04-21 | 东南大学 | 一种用于快速路入口匝道区域的智能车辆合流预警方法 |
CN109733404A (zh) * | 2019-01-16 | 2019-05-10 | 山东理工大学 | 一种轮毂驱动智能车辆换道控制系统及方法 |
CN110239550B (zh) * | 2019-05-28 | 2021-01-19 | 浙江吉利控股集团有限公司 | 一种车辆自动变道方法 |
CN110723152B (zh) * | 2019-10-23 | 2020-11-17 | 成都信息工程大学 | 一种保障自动驾驶安全的人工智能检测方法、装置、设备或存储介质 |
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 |
CN115116228A (zh) * | 2022-06-30 | 2022-09-27 | 东南大学 | 一种八车道高速公路小汽车驾驶员换道决策方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2007534041A (ja) * | 2003-09-23 | 2007-11-22 | ダイムラークライスラー・アクチェンゲゼルシャフト | 車両用の車線変更運転認識方法及び装置 |
DE102010011497A1 (de) * | 2010-03-16 | 2011-09-22 | GM Global Technology Operations LLC , (n. d. Ges. d. Staates Delaware) | Verfahren zur Vermeidung oder Abschwächung einer Kollision, Steuervorrichtung für ein Fahrerassistenzsystem und Fahrzeug |
DE102012214979A1 (de) * | 2012-08-23 | 2014-02-27 | Robert Bosch Gmbh | Spurwahlassistent zur Optimierung des Verkehrsflusses (Verkehrsflussassistent) |
DE102012025328A1 (de) * | 2012-12-22 | 2013-07-11 | Daimler Ag | Unterstützen eines Fahrers eines Kraftfahrzeugs bei einem Spurwechsel durch eine geregelte Vorbeifahrt an einer Fahrzeugkolonne |
CN103496366B (zh) * | 2013-09-09 | 2016-02-24 | 北京航空航天大学 | 一种基于车车协同的主动换道避撞控制方法与装置 |
CN105015545B (zh) * | 2015-07-03 | 2018-06-26 | 内蒙古麦酷智能车技术有限公司 | 一种无人驾驶汽车的自主变道决策方法 |
CN104960524B (zh) * | 2015-07-16 | 2017-06-06 | 北京航空航天大学 | 基于车车通信的多车协同换道控制系统及其方法 |
-
2015
- 2015-12-29 CN CN201511016425.2A patent/CN105620480B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN105620480A (zh) | 2016-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105620480B (zh) | 智能车辆自主性换道时机决策方法 | |
Morris et al. | Lane change intent prediction for driver assistance: On-road design and evaluation | |
CN108313054B (zh) | 自动驾驶自主换道决策方法和装置及自动驾驶车辆 | |
Doshi et al. | On-road prediction of driver's intent with multimodal sensory cues | |
CN108995654B (zh) | 一种驾驶员状态识别方法及系统 | |
CN110203202B (zh) | 一种基于驾驶员意图识别的换道辅助预警方法及装置 | |
CN104802737B (zh) | 一种基于手机的车辆异常驾驶行为检测方法 | |
CN106740861B (zh) | 基于驾驶行为区分驾驶员的方法和设备 | |
CN103824420B (zh) | 基于心率变异性非接触式测量的疲劳驾驶识别系统 | |
CN110807436B (zh) | 危险驾驶行为识别与危险事件预测方法、装置及存储介质 | |
CN104573646A (zh) | 基于激光雷达和双目相机的车前行人检测方法及系统 | |
CN110027553A (zh) | 一种基于深度强化学习的防碰撞控制方法 | |
CN106777776A (zh) | 一种基于支持向量机模型的车辆换道决策方法 | |
CN105620489A (zh) | 驾驶辅助系统及车辆实时预警提醒方法 | |
Chang et al. | Onboard measurement and warning module for irregular vehicle behavior | |
Sun et al. | An integrated solution for lane level irregular driving detection on highways | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
CN112863245B (zh) | 基于深度神经网络的车辆换道轨迹实时预测方法 | |
CN105976449A (zh) | 车辆远程自动定损碰撞检测方法及系统 | |
Peng et al. | Intelligent method for identifying driving risk based on V2V multisource big data | |
CN107886043A (zh) | 视觉感知的汽车前视车辆和行人防碰撞预警系统及方法 | |
CN103489010A (zh) | 基于驾驶行为的疲劳驾驶检测方法 | |
Moore et al. | Fuzzy logic for improved dilemma zone identification: driving simulator study | |
Woo et al. | Dynamic potential-model-based feature for lane change prediction | |
CN106408032A (zh) | 基于转向盘转角的疲劳驾驶检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |