CN111338385A - 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 - Google Patents

一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 Download PDF

Info

Publication number
CN111338385A
CN111338385A CN202010075940.2A CN202010075940A CN111338385A CN 111338385 A CN111338385 A CN 111338385A CN 202010075940 A CN202010075940 A CN 202010075940A CN 111338385 A CN111338385 A CN 111338385A
Authority
CN
China
Prior art keywords
vehicle
speed
following
model
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.)
Pending
Application number
CN202010075940.2A
Other languages
English (en)
Inventor
张耀伟
李振龙
王皓昕
郑淑欣
张靖思
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.)
Beijing University of Technology
Original Assignee
Beijing University of Technology
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 Beijing University of Technology filed Critical Beijing University of Technology
Priority to CN202010075940.2A priority Critical patent/CN111338385A/zh
Publication of CN111338385A publication Critical patent/CN111338385A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
    • G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
    • G05D1/12—Target-seeking control
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明提供了一种基于GRU与Gipps融合的车辆跟驰方法，方法中引入GRU神经网络模型，该模型考虑驾驶员驾驶车辆的时序特性，通过真实的驾驶数据学习驾驶员的驾驶特性，输出类似真实驾驶员控制车辆时的速度vr(t)；同时利用基于安全距离的Gipps跟驰模型计算下一时刻的安全速度vg(t)，校验网络模型输出的速度使之不超过安全速度，确保跟驰车辆与前车在安全距离范围内以平稳的速度行驶。

Description

一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
技术领域
本发明设计车辆的自动驾驶领域，具体涉及一种基于GRU与Gipps模型融合的车辆跟驰方法。
背景技术
随着深度学习的兴起，越来越多的深度学习算法应用于自动驾驶领域。利用车辆的传感器获取车辆周围和本车辆的数据，将当前时刻的数据输入到基于深度学习模型建立的跟驰模型中，输出跟驰车辆下一时刻的速度或者加速度，已达到控制跟驰车辆的目的。
目前已有的基于深度学习的跟驰模型多数是根据当前时刻数据预测下一时刻的速度，但是，驾驶员的驾驶动作可能会受前一时刻动作的影响，仅利用当前时刻的数据可能无法准确预测出下一时刻的本车速度。而且，若将由驾驶员错误操作产生的驾驶数据作为模型的输入数据，则会导致模型输出错误的结果。
发明内容
为了解决上述存在的技术问题，本发明提出了一种将GRU深度神经网络与传统的Gipps模型相融合的车辆跟驰模型。GRU网络模型在处理时间序列问题是具有较好的效果，所以本发明利用GRU循环神经网络模型，将在跟驰状态下的驾驶员的驾驶数据以时间序列形式作为模型的输入，学习驾驶员的驾驶特征，输出跟驰车辆的速度，做出类似人类驾驶员在跟驰状态下的车辆驾驶控制；最后通过Gipps模型对GRU网络模型输出的速度进行校验，以期在与前车保持绝对的安全距离情况下，控制车辆速度以最大限度地接近人类驾驶员的驾驶速度。
本发明所采用的技术方案的实现方法如下：
一种基于GRU与Gipps融合的车辆跟驰方法，在保证与前车安全距离的前提下，控制跟驰车辆做出类人驾驶；包括以下步骤：
步骤S1，采集多种交通环境和场景下的驾驶数据，数据以时间序列形式存储，数据包括：跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离；将数据进行预处理，使其符合模型输入的数据格式；
步骤S2，建立GRU神经网络模型，GRU神经网络模型用于预测车辆当前时刻的速度，该模型包括1层输入层，2层隐藏层和1层输出层；激活函数使用Relu函数，隐藏层设置Dropout使部分神经元停止工作，用于防止出现过拟合；
所述的GRU网络模型包含输入层，隐藏层，输出层，其中：输入层为1层，输入的数据X为4维向量，包括：跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离。
隐藏层为2层，全部设置为全连接层，激活函数为Relu函数，第一层隐藏层包含32个神经元，第二层包含64个神经元，为防止模型出现过度拟合现象，在隐藏层设置Dropout，使隐藏层神经元中的部分神经元以一定的概率暂时停止工作。
输出层为1层，预测输出跟驰车辆当前时刻的速度。
步骤S3，将预处理后的数据分为多个batch，输入到深度学习模型中，通过多次迭代离线训练得到GRU模型的权重参数和偏置参数。
步骤S4，建立Gipps跟驰模型，并利用跟驰数据对模型的参数进行标定。
步骤S5，将实况驾驶时的数据输入到参数标定后Gipps模型中，得到当前驾驶环境下的安全速度。
步骤S6，利用该安全速度校验GRU网络模型输出的车辆速度，确保GRU网路模型输出的速度是安全的。
有益效果
(1)利用GRU深度学习网络建立跟驰模型，考虑车辆行驶时的时序性，使车辆行驶更加平顺，通过长时间的学习也可以更好的拟合驾驶员的驾驶特性，进而使得车辆的控制更加接近人类驾驶员；
(2)通过Gipps模型校验GRU网络模型输出的速度，确保跟驰车辆的速度在与前车的安全距离范围内行驶。
附图说明
图1是本发明训练跟驰模型流程图。
图2是本发明引入的GRU网络模型结构图。
图3是GRU网络模型与Gipps模型融合的跟驰方法模型结构图。
具体实施方式
为了使本发明的目的，技术方案以及优点更加明确，以下结合附图对本发明的具体实施方式做详细说明。
如图1所示，本实施例将GRU神经网络与Gipps模型融合构建车辆跟驰模型，模型输出跟驰车辆速度以控制车辆安全且平顺地跟驰前车，具体实施步骤如下：
步骤1，通过雷达等车载设备采集驾驶员在不同行车环境的驾驶数据，包括跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离。其中，不同的行车环境包括：前车换道，前车急刹车，前车停停车以及雾天环境等。判断采集的数据时长，筛选出车辆处于跟驰状态下的时长大于15秒的驾驶数据作为跟驰数据。
对跟驰数据进行预处理，即筛选出跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离的5维数据特征，将数据格式化为时间步长为5s，预测时间步长为1s，即根据前5秒的跟驰数据，预测后第6s的跟驰车辆的速度。预处理后的跟驰数据划分为训练集和测试集。
步骤2，考虑模型的复杂度和计算速度，构建GRU网络模型较优的方式为：包括1层输入层，2层隐藏层，1层输出层，激活函数使用Relu函数，输入的数据X为4维向量，包括：跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离。隐藏层为2层，全部设置为全连接层，第一层隐藏层包含32个神经元，第二层包含64个神经元，，为防止出现过拟合现象，在隐藏层设置Dropout的值为0.5，使隐藏层中的神经元以50％的概率“失活”，即神经元不工作。输出层为1层，预测输出跟驰车辆当前时刻的速度。
GRU网络模型结构表达式如下：
zt＝σ(Wz[vt-1,xt-1]+bz)
rt＝σ(Wr[vt-1,xt-1]+br)
Figure BDA0002377815650000031
Figure BDA0002377815650000032
公式中：xt-1表示输入前一时刻的数据，包括跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离，W表示模型的权重参数，b表示模型的偏置参数，vt-1表示前一时刻GRU网络模型预测的跟驰车辆速度，vt表示当前时刻跟驰车辆的速度输出。在GRU网络模型中，预测当前时刻的跟驰车辆速度时，上一时刻的模型预测输出速度vt-1也作为当前时刻模型预测的输入，结合上一时刻的速度输出，来决定当前时刻的速度输出。
步骤3，将处理后的数据x分为多个batch输入，通过离线训练不断更新GRU网络模型中的权重参数W和偏置参数b，使GRU网络模型最后的速度输出最大限度地接近于真实值。
损失函数采用均方误差：
Figure BDA0002377815650000033
公式中：vt为GRU网络模型预测输出t时刻的速度，
Figure BDA0002377815650000041
为跟驰数据中的t时刻真实的速度值，通过梯度下降法找到使vt与
Figure BDA0002377815650000042
的均方差最小的W和b的值。
步骤4，构建Gipps模型，模型表达式如下：
Figure BDA0002377815650000043
Figure BDA0002377815650000044
公式中：Δxn(t-1)表示前一时刻跟驰车辆与前车的纵向距离，vn(t-1)，vn-1(t-1)分别表示前一时刻跟驰车辆和前车的速度，Vn表示当前环境下跟驰车辆期望的速度，an(t-1)，an-1(t-1)分别表示前一时刻跟驰车辆和前车的加速度。
利用MATLAB的工具箱和采集到的跟驰数据对Gipps中的参数Vn，αn进行标定，通过跟驰车辆的速度、加速度、与前车的距离，前车的速度和加速度确定Gipps模型中Vn和αn参数的值。
步骤5，将实况驾驶时的车辆数据输入到GRU网络模型中和Gipps模型中，将前5s的车辆数据输入到GRU网络模型中，预测跟驰车辆当前时刻t的速度vr(t)，将前1s的车辆数据输入到Gipps模型中，计算出当前时刻的安全速度vg(t)，通过Gipps模型输出安全速度vg(t)校验GRU网络模型输出的跟驰速度vr(t)：
步骤6，如果GRU网络模型输出的速度vr(t)大于Gipps模型计算得到的安全速度vg(t)，则跟驰车辆最终输出的速度为vg(t)，否则跟驰车辆输出的速度为vr(t)，始终确保跟驰车辆下一时刻的速度不超过安全速度vg(t)。

Claims (5)

1.一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法，使车辆平稳且安全的跟随前车行驶，其特征在于，包括以下步骤：
步骤S1，采集多种交通环境和场景下的驾驶数据，数据间序列形式存储，数据包括：跟驰车辆的速度，跟驰车辆的加速度，前车的速度，前车的加速度以及跟驰车辆与前车的距离；将数据进行预处理，使其符合模型输入的数据格式；
步骤S2，建立GRU神经网络模型，用于预测跟驰车辆当前时刻的速度；
步骤S3，初始化GRU神经网络模型中的权重参数W和偏置参数b，将预处理后的数据输入到GRU神经网络模型中，经过不断地迭代离线训练学习，更新权重参数W和偏置参数b；
步骤S4，建立Gipps跟驰模型，并利用采集的跟驰数据标定Gipps模型中的参数，所述的Gipps跟驰模型用于预测当前时刻的安全速度vg(t)，对GRU网络模型输出的速度进行校验；
步骤S5，训练完成的GRU网络模型根据实况驾驶时的车辆数据预测当前时刻的行驶速度vr(t)，同时Gipps跟驰模型根据实况驾驶时的车辆数据预测当前时刻跟驰车辆与前车保持安全距离所需要的安全速度vg(t)；
步骤S6，利用安全速度vg(t)去校验GRU神经网络输出的行驶速度vr(t)，跟驰车辆的最终预测速度vt始终保持在安全速度一下，最终实现车辆平稳且安全的行驶。
2.根据权利要求1所述的车辆跟驰方法，其特征在于，所述步骤2中，GRU神经网络模型的结构表达式如下：
zt＝σ(Wz[vt-1,xt-1]+bz)
rt＝σ(Wr[vt-1,xt-1]+br)
Figure FDA0002377815640000011
Figure FDA0002377815640000012
公式中：xt-1表示输入前一时刻的数据，包括跟驰车辆的加速度，前车的速度和加速度，以及跟驰车辆与前车的距离，W表示模型的权重参数，b表示模型的偏置参数，vt-1表示t-1时刻的GRU神经网络模型的预测速度，vt表示当前t时刻GRU神经网络模型的预测速度。
3.根据权利要求1所述的车辆跟驰方法，其特征在于，所述GRU神经网络模型包括1层输入层，2层隐藏层和1层输出层；激活函数使用Relu函数，隐藏层设置Dropout使部分神经元停止工作，用于防止出现过拟合。
4.根据权利要求1所述的车辆跟驰方法，其特征在于，所述步骤3中，通过迭代训练，更新权重参数W和偏置参数b。具体实现是通过反向传播的方式使损失函数中的损失最小，进而求得最优的权重参数W和偏置参数b。损失函数采用均方误差，公式如下：
Figure FDA0002377815640000021
公式中：vt为GRU网络模型预测输出当前t时刻的速度，
Figure FDA0002377815640000022
为跟驰数据中的当前t时刻真实的速度值，m表示一个batch中的需要预测vt的数量。
5.根据权利要求1所述的车辆跟驰方法，其特征在于，所述步骤5中，Gipps模型表达式如下：
Figure FDA0002377815640000023
公式中：Δxn(t-1)表示前一时刻跟驰车辆与前车的纵向距离，vn(t-1)，vn-1(t-1)分别表示上一时刻跟驰车辆和前车的速度，Vn表示当前环境下跟驰车辆期望的速度，an(t-1)，an-1(t-1)分别表示上一时刻跟驰车辆和前车的加速度，利用跟驰数据标定参数Vn，αn，然后将实况驾驶时的数据输入到Gipps模型中，得到安全的速度vg(t)。
CN202010075940.2A 2020-01-22 2020-01-22 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法 Pending CN111338385A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010075940.2A CN111338385A (zh) 2020-01-22 2020-01-22 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010075940.2A CN111338385A (zh) 2020-01-22 2020-01-22 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法

Publications (1)

Publication Number Publication Date
CN111338385A true CN111338385A (zh) 2020-06-26

Family

ID=71185151

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010075940.2A Pending CN111338385A (zh) 2020-01-22 2020-01-22 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法

Country Status (1)

Country Link
CN (1) CN111338385A (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897353A (zh) * 2020-07-08 2020-11-06 西北工业大学 基于gru的飞行器机动轨迹预测方法
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN112193245A (zh) * 2020-09-24 2021-01-08 同济大学 一种考虑驾驶员模糊感知的深度学习跟驰预测方法
CN112580149A (zh) * 2020-12-22 2021-03-30 浙江工业大学 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法
CN113345223A (zh) * 2021-05-21 2021-09-03 北京航空航天大学 基于跟驰模型标定的跟驰行为异质性分析方法
CN113723529A (zh) * 2021-09-01 2021-11-30 清华大学 一种基于速度预测算法的交通信息可信辨识方法
CN113761715A (zh) * 2021-08-11 2021-12-07 江苏大学 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN114881200A (zh) * 2022-04-08 2022-08-09 北京工业大学 一种基于迁移学习与lstm-nn的雾天环境下跟驰车辆加速度预测方法
CN115547047A (zh) * 2022-09-30 2022-12-30 中汽院智能网联科技有限公司 一种基于注意力模型的智能网联车跟驰模型

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108806252A (zh) * 2018-06-19 2018-11-13 西南交通大学 一种高速公路混合交通流协同优化控制方法
WO2019208998A1 (ko) * 2018-04-27 2019-10-31 한국과학기술원 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019208998A1 (ko) * 2018-04-27 2019-10-31 한국과학기술원 재귀적 신경망에서 시계열 데이터의 데이터 누락 및 노이즈에 강건한 gru 기반의 셀 구조 설계
CN108806252A (zh) * 2018-06-19 2018-11-13 西南交通大学 一种高速公路混合交通流协同优化控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
丁点点等: "机器学习——动力学耦合车辆跟驰模型" *
黄逸青: "驾驶员跟车行为风格分类与人性化自适应巡航控制研究" *

Cited By (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111897353B (zh) * 2020-07-08 2022-08-02 西北工业大学 基于gru的飞行器机动轨迹预测方法
CN111897353A (zh) * 2020-07-08 2020-11-06 西北工业大学 基于gru的飞行器机动轨迹预测方法
CN111968372A (zh) * 2020-08-25 2020-11-20 重庆大学 一种考虑主观因素的多车型混合交通跟驰行为仿真方法
CN112193245A (zh) * 2020-09-24 2021-01-08 同济大学 一种考虑驾驶员模糊感知的深度学习跟驰预测方法
CN112580149A (zh) * 2020-12-22 2021-03-30 浙江工业大学 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法
CN112580149B (zh) * 2020-12-22 2023-05-26 浙江工业大学 基于生成对抗网络和驾驶时长的车辆跟驰模型生成方法
CN113345223A (zh) * 2021-05-21 2021-09-03 北京航空航天大学 基于跟驰模型标定的跟驰行为异质性分析方法
CN113761715A (zh) * 2021-08-11 2021-12-07 江苏大学 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN113761715B (zh) * 2021-08-11 2024-03-19 江苏大学 一种基于高斯混合和隐马尔可夫的个性化车辆跟驰模型的建立方法
CN113723529B (zh) * 2021-09-01 2022-11-01 清华大学 一种基于速度预测算法的交通信息可信辨识方法
CN113723529A (zh) * 2021-09-01 2021-11-30 清华大学 一种基于速度预测算法的交通信息可信辨识方法
CN114881200A (zh) * 2022-04-08 2022-08-09 北京工业大学 一种基于迁移学习与lstm-nn的雾天环境下跟驰车辆加速度预测方法
CN114881200B (zh) * 2022-04-08 2024-07-12 北京工业大学 一种基于迁移学习与lstm-nn的雾天环境下跟驰车辆加速度预测方法
CN115547047A (zh) * 2022-09-30 2022-12-30 中汽院智能网联科技有限公司 一种基于注意力模型的智能网联车跟驰模型
CN115547047B (zh) * 2022-09-30 2024-08-20 中汽院智能网联科技有限公司 一种基于注意力模型的智能网联车跟驰模型

Similar Documents

Publication Publication Date Title
CN111338385A (zh) 一种基于GRU网络模型与Gipps模型融合的车辆跟驰方法
CN111775949B (zh) 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
CN112242059B (zh) 基于动机与风险评估的无人驾驶车辆智能决策方法
CN111845766B (zh) 自动化控制汽车的方法
CN112085165A (zh) 一种决策信息生成方法、装置、设备及存储介质
Kuutti et al. End-to-end reinforcement learning for autonomous longitudinal control using advantage actor critic with temporal context
CN111081067B (zh) 车联网环境下基于iga-bp神经网络的车辆碰撞预警系统及方法
CN113408392A (zh) 基于卡尔曼滤波和神经网络的航迹补全方法
CN114399743A (zh) 一种障碍物未来轨迹的生成方法
CN111830962A (zh) 强化学习代理控制器的解释数据
Cherian et al. Neural network based ACC for optimized safety and comfort
CN115743178A (zh) 一种基于场景自适应识别的自动驾驶方法及系统
CN117325865A (zh) 一种lstm轨迹预测的智能车辆换道决策方法及系统
CN114179830B (zh) 一种自动驾驶车辆的自主超车方法和系统
CN114148349A (zh) 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN112596388B (zh) 一种基于驾驶员数据的lstm神经网络aeb系统控制方法
CN112124310A (zh) 一种车辆的路径变换方法和装置
CN109712424A (zh) 一种基于物联网的车辆导航方法
CN114987511A (zh) 模拟人类驾驶行为以训练基于神经网络的运动控制器的方法
CN111160089B (zh) 一种基于不同车辆类型的轨迹预测系统及方法
CN114347998B (zh) 一种车辆辅助驾驶控制方法、系统、设备及介质
CN113705865B (zh) 一种基于深度神经网络的汽车稳定性因数预测方法
CN114248780A (zh) 考虑驾驶员风格的idm-lstm组合型跟车模型建立方法
CN111413974B (zh) 一种基于学习采样式的汽车自动驾驶运动规划方法及系统

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200626

WD01 Invention patent application deemed withdrawn after publication