CN111746544B - 一种体现驾驶员个性化行为的车道变换方法 - Google Patents

一种体现驾驶员个性化行为的车道变换方法 Download PDF

Info

Publication number
CN111746544B
CN111746544B CN202010668491.2A CN202010668491A CN111746544B CN 111746544 B CN111746544 B CN 111746544B CN 202010668491 A CN202010668491 A CN 202010668491A CN 111746544 B CN111746544 B CN 111746544B
Authority
CN
China
Prior art keywords
driver
track
personalized
lane change
category
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
Application number
CN202010668491.2A
Other languages
English (en)
Other versions
CN111746544A (zh
Inventor
高振海
朱乃宣
高菲
赵伟光
盛愈欢
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 CN202010668491.2A priority Critical patent/CN111746544B/zh
Publication of CN111746544A publication Critical patent/CN111746544A/zh
Application granted granted Critical
Publication of CN111746544B publication Critical patent/CN111746544B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
    • B60W2050/0001—Details of the control system
    • B60W2050/0019—Control system elements or transfer functions
    • B60W2050/0028—Mathematical models, e.g. for simulation
    • B60W2050/0029—Mathematical model of the driver

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Steering Control In Accordance With Driving Conditions (AREA)

Abstract

本发明公开了一种体现驾驶员个性化行为的车道变换方法，包括如下步骤：步骤一、建立换道轨迹规划模型，得到换道规划轨迹；步骤二、根据实际采集的驾驶员换道轨迹和驾驶员对应的换道规划轨迹，确定所述驾驶员的最佳特性系数和最佳反应及操作时间；步骤三、建立多个驾驶员的个性行为样本集{x1，x2，x3，...，xn}，并且通过聚类算法对x1、x2、x3……xn进行分类，得到每个类别的聚类中心值；步骤四、对实际采集的驾驶员的驾驶数据进行转向特征工况提取，并且识别出所述转向特征工况对应的类别；根据所述转向特征工况对应的类别结果和聚类中心值得到该类别的驾驶员的个性化特性系数和个性化反应及操作时间；步骤五、根据换道规划轨迹得到体现驾驶员个性化行为的变道轨迹。

Description

一种体现驾驶员个性化行为的车道变换方法
技术领域
本发明属于汽车智能驾驶技术领域，特别涉及一种体现驾驶员个性化行为的车道变换方法。
背景技术
随着经济水平的持续提高，拥有车辆的人群比例不断上涨，人们对汽车的行车安全问题也投入了更多的关注。但行车安全的提高不能仅仅依靠驾驶员自身驾驶能力与意识的改变，同样也对驾驶员行为特征识别及其在高级驾驶员辅助系统(ADAS)中的应用提出了更严苛的需求。尽管ADAS在人-车-环境闭环系统中发挥着重要作用，但是现有的产品很少考虑驾驶员自身因素，对于所有驾驶员采取相同的控制策略，只是根据车辆安全性需求进行设计，而忽略了对驾驶员个性化的考虑，难以符合驾驶员的真实驾驶特性，导致系统对驾驶员的适应性较低。因此近年来越来越多的研究聚焦在人性化的驾驶辅助系统上。车道变换作为驾驶辅助系统研究的热点，自然对其有了更高的要求。因此，形成一种体现驾驶员个性化行为的车道变换方法有着重要的意义。
发明内容
本发明的目的是提供一种体现驾驶员个性化行为的车道变换方法，其基于采集数据离线学习，建立描述驾驶员共性化的车道变换轨迹规划算法；同时通过对驾驶员个体数据的在线学习，实现对规划算法的微调，使其更精准体现驾驶员的个性化操控行为规律，最终生成与真人数据高度一致的换道轨迹。
本发明提供的技术方案为：
一种体现驾驶员个性化行为的车道变换方法，包括如下步骤：
步骤一、建立换道轨迹规划模型，得到换道规划轨迹：
Figure BDA0002581417850000021
其中，μy＝td+ts，
Figure BDA0002581417850000022
式中，Y(t)为车道变换过程中车辆的横向位移，B表示车道宽度，ts表示转向系统反应时间，td表示驾驶员的反应及操作时间，Jc表示驾驶员的特性系数；
步骤二、根据实际采集的驾驶员换道轨迹和所述驾驶员对应的换道规划轨迹，确定所述驾驶员的最佳特性系数和最佳反应及操作时间；
步骤三、建立多个驾驶员的个性行为样本集{x1，x2，x3，...，xn}，并且通过聚类算法对x1、x2、x3……xn进行分类，得到每个类别的聚类中心值；
其中，1,2,3,……n分别为驾驶员编号，x1、x2、x3……xn分别包括对应编号的驾驶员的最佳特性系数和最佳反应及操作时间；
步骤四、对实际采集的驾驶员的驾驶数据进行转向特征工况提取，并且识别出所述转向特征工况对应的类别；根据所述转向特征工况对应的类别结果和聚类中心值得到该类别的驾驶员的个性化特性系数和个性化反应及操作时间；
步骤五、将所述驾驶员的个性化特性系数和个性化反应及操作时间带入所述换道规划模型，得到体现驾驶员个性化行为的变道轨迹。
优选的是，在所述步骤二中，采用动态时间规整算法确定所述驾驶员的最佳特性系数和最佳反应及操作时间，包括：
确定归整路径的形式为：
W＝w1，w2，......，wk
MAX(|X|，|Y|)≤K≤|X|+|Y|
其中，X驾驶员对应的换道规划轨迹，其长度为|X|；Y表示实际采集的驾驶员换道轨迹，其长度为|Y|；wk(i，j)中i表示驾驶员拟合轨迹X中第i个点的位置坐标，j表示驾驶员实际轨迹Y中第j个点的位置坐标；以及
确定目标函数为：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)d(i-1，j-1)]；
其中，Dist(i,j)表示轨迹X第i个点与轨迹Y第j个点之间的距离；对Jc和td进行动态调整以改变X，直到获得D(i，j)最小值；
其中，D(i，j)最小值对应的Jc和td分别为该驾驶员的最佳特性系数和最佳反应及操作时间。
优选的是，在所述步骤三中，对多个驾驶员的个性行为样本集{x1，x2，x3，...，xn}进行聚类分析，包括如下步骤：
步骤1、建立相似度矩阵S；
其中，xi、xj和xk均为所述样本集中的样本；当xi与xj的相似性程度大于xi与xk的相似程度时，S(i，j)＞S(i，k)；
步骤2、建立吸引信息矩阵r和归属信息矩阵a，以及建立吸引信息迭代公式和归属信息迭代公式；其中，
所述吸引信息迭代公式为：
rt+1(i，k)＝s(i，k)-max{at(i，k′)+s(i，k′)}，k′≠k；
所述归属信息迭代公式为：
Figure BDA0002581417850000031
Figure BDA0002581417850000032
其中，r(i，k)表示xk适合作为xi的聚类中心的程度；a(i，k)表示xi选择xk作为其聚类中心的适合程度；
步骤3、经过多次迭代之后，计算结果保持不变或处于变化阈值内，即可得到样本的聚类中心个数和每个类别聚类中心值。
优选的是，在所述步骤四中，基于长短期记忆网络得到驾驶员的个性化特性系数和个性化反应及操作时间，包括如下步骤：
步骤a、根据车速、方向盘转角和方向盘转速提取出多个转向特征工况；
步骤b、将提取的特征转向工况数据输入长短期记忆网络，进行多次识别，得到所述转向特征工况对应的类别；并且根据类别识别结果和聚类中心值得到该类别的驾驶员的特性系数和反应及操作时间进行动态更新；
其中，所述特性系数为：
Figure BDA0002581417850000033
所述反应和操作时间为：
Figure BDA0002581417850000041
式中，m为聚类算法获得的类数，Jci和tdi为第i类中心值，ni为辨识出为第i类的次数，n为转向特征工况的个数；
步骤c、直到得到的所述驾驶员对应的换道规划轨迹和实际采集的驾驶员换道轨迹的一致程度达到设定的阈值时，输出对应的Jc和td即为该类别的驾驶员的个性化特性系数和个性化反应及操作时间。
优选的是，所述转向特征工况的提取标准为：V>2m/s、δsw＞5°和
Figure BDA0002581417850000042
其中，V表示车速，δsw表示方向盘转角，
Figure BDA0002581417850000043
表示方向盘转速。
优选的是，在所述步骤四之前，还包括对所述长短期记忆网络进行训练，得到所述长短期记忆网络的权重值，包括如下步骤：
步骤A、按照采样周期，获取方向盘转角δsw，车速V，方向盘转速
Figure BDA0002581417850000044
纵向加速度ax，横向加速度ay和航向角变化ψ作为长短期记忆网络的输入门参数Xt，对输入门参数Xt分成两组后，以不同函数进行激活，分别得到第一更新参数和第二更新参数：
it＝σ(Wiht-1+Uixt1+bi)
at＝tanh(Waht-1+Uaxt2+ba)
其中，xt1表示第一组Xt中的元素，xt2表示第二组Xt中的元素；it表示第一更新参数，at表示第二更新参数；Wi，Ui，Wa和Ua分别表示输入门状态更新的系数，bi和ba分别表示输入门状态更新的偏移；σ表示sigmoid激活函数，tanh表示tanh激活函数；ht-1表示遗忘门中t-1采样周期的隐藏状态参数；
步骤B、根据ht-1和xt得到遗忘门输出参数ft：
ft＝σ(Wfht-1+Ufxt+bf)
式中，Wf，Ut分别表示遗忘门状态更新的系数，bt遗忘门状态更新的偏移；
步骤C、根据所述第一更新参数、所述第二更新参数和所述遗忘门输出参数得到状态参数Ct：
Ct＝Ct-1⊙ft+it⊙at；
步骤D、得到输出门的输出结果为：
ot＝σ(Woht-1+Uoxt+bo)
ht＝ot⊙tanh(Ct)
步骤E、根据所述输出门的输出结果，获得所述长短期记忆网络的最优权重值。
本发明的有益效果是：
本发明提供的体现驾驶员个性化行为的车道变换方法，基于采集数据离线学习，建立描述驾驶员共性化的车道变换轨迹规划算法；同时通过对驾驶员个体数据的在线学习，实现对规划算法的微调，使其更精准体现驾驶员的个性化操控行为规律，最终生成与真人数据高度一致的换道轨迹。
附图说明
图1为本发明所述的体现驾驶员个性化行为的车道变换系统流程图。
图2为动态规整算法规整前的换道规划轨迹和实际采集的驾驶员换道轨迹示意图。
图3为动态规整算法规整后的换道规划轨迹和实际采集的驾驶员换道轨迹示意图。
图4为本发明所述的长短期记忆网络结构图。
图5为本发明所述的步骤四的运行流程图。
具体实施方式
下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
如图1所示，本发明提供了体现驾驶员个性化行为的车道变换方法，包括如下步骤：
步骤1、在高斯分布拟合换道轨迹的基础上引入了驾驶员特性系数Jc和驾驶员反应及操作时间td，建立了个性化换道轨迹规划模型；
进一步，所述步骤1的具体如下：
步骤1.1、以高斯分布拟合的换道过程中的横向速度公式为：
Figure BDA0002581417850000061
其中，t是换道时间，d，μy和σy是拟合系数。
步骤1.2、依据步骤1.1中的横向速度公式，车道变换过程中车辆的横向位移公式为：
Figure BDA0002581417850000062
式中，T是换道时间。
步骤1.3、引入驾驶员特性系数Jc和驾驶员反应及操作时间td，用于计算步骤1.1和步骤1.2中的σy，建立个性化的换道轨迹规划系统，步骤1.1和步骤1.2中相关系数便可如下表示：
μy＝td+ts
Figure BDA0002581417850000063
式中，B是车道宽度，ts是转向系统反应时间。
步骤2、使用了动态时间规整算法对实际采集的换道轨迹和拟合轨迹进行匹配；
进一步，所述步骤2的具体实现如下：采集若干位驾驶员进行换道实验，并录制轨迹。令步骤1中拟合生成的轨迹和真实采集换道轨迹分别为X和Y，长度分别为|X|和|Y|。归整路径(Warp Path)的形式为：
W＝w1，w2，......，wk
MAX(|X|，|Y|)≤K≤|X|+|Y|
其中，X表示驾驶员对应的拟合换道规划轨迹，其长度为|x|；Y表示实际采集的驾驶员换道轨迹，其长度为|Y|；wk(i，j)中i表示驾驶员拟合轨迹X中第i个点的位置坐标，j表示驾驶员实际轨迹Y中第j个点的位置坐标。
归整路径W必须从w1＝(1,1)开始，到wk＝(|X|，|Y|)结尾，以保证X和Y中的每个坐标都在W中出现，同时还要满足下式：
wk＝(i，j)，wk+1＝(i′，j′)
其中i≤i′≤i+1，j≤j′≤j+1
最终要得到的归整路径就是距离最短的一个归整路径：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)]；
其中，Dist(i，j)表示轨迹X第i个点与轨迹Y第j个点之间的距离；D(i，j)表示轨迹X的前i个点与轨迹Y的前j个点的总距离，D(i，j)衡量的是轨迹X的前i个点与轨迹Y的前j个点的相似性；D(i-1，j)表示轨迹X的前i-1个点与轨迹Y的前j个点之间的总距离，D(i，j-1)表示轨迹X的前i个点与轨迹Y的前j-1个点之间的总距离，D(i-1，j-1)表示轨迹X的前i-1个点与轨迹Y的前j-1个点之间的总距离。
通过对驾驶特性系数Jc和反应及操作时间td的动态调整以改变拟合轨迹，使用动态时间规整算法(DTW算法)将每一对Jc和td下的拟合轨迹与真实轨迹匹配，直到获得最小的平方欧式距离，此时的Jc和td即为该名驾驶员的最佳参数，具体效果如图2-3所示。
步骤3、根据步骤2中获得的匹配结果，通过AP聚类算法，建立了离线学习模型，获得了Jc和td的共性化值；
进一步，所述步骤3的具体方法如下：
步骤3.1、基于步骤2获得的若干名驾驶员的最佳Jc和td，获得样本集{x1，x2，x3，...，xn}，其中，xi为一组Jc和td值。
步骤3.2、令s是一个刻画点之间相似度的矩阵，s(i,j)表示节点i与节点j之间的相似度，也表明了j作为i的聚类中心的合适程度。
步骤3.3、吸引信息矩阵r(i，k)描述了数据对象k适合作为数据对象i的聚类中心的程度，表示的是从i到k的消息吸引信息，按照如下迭代：
rt+1(i，k)＝s(i，k)-max{at(i，k′)+s(i，k′)}，k′≠k
步骤3.4、归属信息矩阵a(i，k)描述了数据对象i选择数据对象k作为其聚类中心的适合程度，表示从k到i的消息，按照如下迭代：
Figure BDA0002581417850000071
Figure BDA0002581417850000072
步骤3.5、对步骤3.3和步骤3.4进行迭代，当这些决策经过若干次迭代之后保持不变或者一个小区域内的关于样本点的决策经过数次迭代后保持不变，即可得到最终结果。AP算法作为一种不指定聚类中心的分类算法，最终将(Jc，td)最终分为若干类，同时获得了每类的聚类中心值，将该值作为共性化的参数值。
步骤4、以实车获得的自由驾驶数据进行特征工况的提取，并基于长短期记忆网络(LSTM)搭建了驾驶员特性在线辨识的模型，具体的网络结构如图4所示。该模型能够动态更新Jc和td得到个性化值，最终生成体现驾驶员个性化的车道变换轨迹。
进一步地，所述步骤4的具体过程如下：
步骤4.1、采集若干名驾驶员自由驾驶数据，并依据车速V>2m/s、方向盘转角δsw＞5°和方向盘转速
Figure BDA0002581417850000081
三个条件提取出转向特征工况。
步骤4.2输入门Xt包含方向盘转角δsw，车速V，方向盘转速
Figure BDA0002581417850000082
纵向加速度ax，横向加速度ay和经过计算得到的航向角变化ψ的时间序列。输入门由两部分组成，第一部分使用了sigmoid激活函数，输出为it，第二部分使用了tanh激活函数，输出为at，两者的结果后面会相乘再去更新细胞状态。表达式如下：
it＝σ(Wiht-1+Uixt+bi)
at＝tanh(Waht-1+Uaxt+ba)
式中，Wi，Ui，Wa和Ua分别表示输入门状态更新的系数，bi和ba分别表示输入门状态更新的偏移，σ为sigmoid激活函数。
步骤4.3、遗忘门中上一序列的隐藏状态ht-1和本序列数据xt，通过一个sigmoid激活函数，得到遗忘门的输出ft。由于sigmoid的输出ft在[0,1]之间，因此ft代表了遗忘上一层隐藏细胞状态的概率。表达式如下：
ft＝σ(Wfht-1+Ufxt+bf)
式中，Wf，Ut分别表示遗忘门状态更新的系数，bt遗忘门状态更新的偏移。
步骤4.4、输入门和遗忘门的结果都会作用于细胞状态Ct。细胞状态Ct由两部分组成，具体表示如下：
Ct＝Ct-1⊙ft+it⊙at
步骤4.5、输出门的输出描述如下：
ot＝σ(Woht-1+Uoxt+bo)
ht＝ot⊙tanh(Ct)
步骤4.6、根据所述输出门的输出结果与训练标签(样本所属的聚类中心)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达到设定阈值0.01以下，最终获得所述长短期记忆网络的最优权重值。
步骤4.7、在训练完成获得权重后，将实车数据输入获得辨识结果，动态更新Jc和td值，从而获得个性化的车道变换轨迹。
进一步，所述步骤4.7中Jc和td的具体动态更新方法如下：
Figure BDA0002581417850000091
Figure BDA0002581417850000092
式中，m为步骤3.5中AP聚类获得类数，Jci和tdi为第i类中心(Jc，td)值，ni为辨识出为第i类的次数，n为特征工况的总个数。
在神经网络训练完成后，该系统便可在实车在线运行，具体流程如图5所示。当驾驶员驾驶车辆时，该系统不断进行特征工况提取401，当提取到转向特征工况时402，便将其置入长短期记忆网络中进行辨识403，得到该次工况的类型404。随着驾驶数据的累计,特征工况数量逐渐增多，对单次工况的辨识结果进行统计405，不断更新Jc和td406，从而逐渐生成与驾驶员真实轨迹高度一致的拟合轨迹407。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (6)

1.一种体现驾驶员个性化行为的车道变换方法，其特征在于，包括如下步骤：
步骤一、建立换道轨迹规划模型，得到换道规划轨迹：
Figure FDA0003017376980000011
其中，μy＝td+ts，
Figure FDA0003017376980000012
式中，Y(t)为车道变换过程中车辆的横向位移，B表示车道宽度，ts表示转向系统反应时间，td表示驾驶员的反应及操作时间，Jc表示驾驶员的特性系数；
步骤二、根据实际采集的驾驶员换道轨迹和所述驾驶员对应的换道规划轨迹，确定所述驾驶员的最佳特性系数和最佳反应及操作时间；
步骤三、建立多个驾驶员的个性行为样本集{x1，x2，x3，...，xn}，并且通过聚类算法对x1、x2、x3……xn进行分类，得到每个类别的聚类中心值；
其中，1,2,3,……n分别为驾驶员编号，x1、x2、x3……xn分别包括对应编号的驾驶员的最佳特性系数和最佳反应及操作时间；
步骤四、对实际采集的驾驶员的驾驶数据进行转向特征工况提取，并且识别出所述转向特征工况对应的类别；根据所述转向特征工况对应的类别结果和聚类中心值得到该类别的驾驶员的个性化特性系数和个性化反应及操作时间；
步骤五、将所述驾驶员的个性化特性系数和个性化反应及操作时间带入所述换道轨迹规划模型，得到体现驾驶员个性化行为的变道轨迹。
2.根据权利要求1所述的体现驾驶员个性化行为的车道变换方法，其特征在于，在所述步骤二中，采用动态时间规整算法确定所述驾驶员的最佳特性系数和最佳反应及操作时间，包括：
确定归整路径的形式为：
W＝w1，w2，......，wk
MAX(|X|，|Y|)≤K≤|X|+|Y|
其中，X驾驶员对应的换道规划轨迹，其长度为|X|；Y表示实际采集的驾驶员换道轨迹，其长度为|Y|；wk(i，j)中i表示驾驶员拟合轨迹X中第i个点的位置坐标，j表示驾驶员实际轨迹Y中第j个点的位置坐标；以及
确定目标函数为：
D(i，j)＝Dist(i，j)+min[D(i-1，j)，D(i，j-1)，D(i-1，j-1)]；
其中，Dist(i,j)表示轨迹X第i个点与轨迹Y第j个点之间的距离；对Jc和td进行动态调整以改变X，直到获得D(i，j)最小值；
其中，D(i，j)最小值对应的Jc和td分别为该驾驶员的最佳特性系数和最佳反应及操作时间。
3.根据权利要求2所述的体现驾驶员个性化行为的车道变换方法，其特征在于，在所述步骤三中，对多个驾驶员的个性行为样本集{x1，x2，x3，...，xn}进行聚类分析，包括如下步骤：
步骤1、建立相似度矩阵S；
其中，xi、xj和xk均为所述样本集中的样本；当xi与xj的相似性程度大于xi与xk的相似程度时，S(i，j)＞S(i，k)；
步骤2、建立吸引信息矩阵r和归属信息矩阵a，以及建立吸引信息迭代公式和归属信息迭代公式；其中，
所述吸引信息迭代公式为：
rt+1(i，k)＝s(i，k)-max{at(i，k′)+s(i，k′)}，k′≠k；
所述归属信息迭代公式为：
Figure FDA0003017376980000021
Figure FDA0003017376980000022
其中，r(i，k)表示xk适合作为xi的聚类中心的程度；a(i，k)表示xi选择xk作为其聚类中心的适合程度；
步骤3、经过多次迭代之后，计算结果保持不变或处于变化阈值内，即可得到样本的聚类中心个数和每个类别聚类中心值。
4.根据权利要求2或3所述的体现驾驶员个性化行为的车道变换方法，其特征在于，在所述步骤四中，基于长短期记忆网络得到驾驶员的个性化特性系数和个性化反应及操作时间，包括如下步骤：
步骤a、根据车速、方向盘转角和方向盘转速提取出多个转向特征工况；
步骤b、将提取的特征转向工况数据输入长短期记忆网络，进行多次识别，得到所述转向特征工况对应的类别；并且根据类别识别结果和聚类中心值得到该类别的驾驶员的特性系数和反应及操作时间进行动态更新；
其中，所述特性系数为：
Figure FDA0003017376980000031
所述反应和操作时间为：
Figure FDA0003017376980000032
式中，m为聚类算法获得的类数，Jci和tdi为第i类中心值，ni为辨识出为第i类的次数，n为转向特征工况的个数；
步骤c、直到得到的所述驾驶员对应的换道规划轨迹和实际采集的驾驶员换道轨迹的一致程度达到设定的阈值时，输出对应的Jc和td即为该类别的驾驶员的个性化特性系数和个性化反应及操作时间。
5.根据权利要求4所述的体现驾驶员个性化行为的车道变换方法，其特征在于，所述转向特征工况的提取标准为：V>2m/s、δsw＞5°和
Figure FDA0003017376980000033
其中，V表示车速，δsw表示方向盘转角，
Figure FDA0003017376980000034
表示方向盘转速。
6.根据权利要求5所述的体现驾驶员个性化行为的车道变换方法，其特征在于，在所述步骤四之前，还包括对所述长短期记忆网络进行训练，得到所述长短期记忆网络的权重值，包括如下步骤：
步骤A、按照采样周期，获取方向盘转角δsw，车速V，方向盘转速
Figure FDA0003017376980000035
纵向加速度ax，横向加速度ay和航向角变化ψ作为长短期记忆网络的输入门参数Xt，对输入门参数Xt分成两组后，以不同函数进行激活，分别得到第一更新参数和第二更新参数：
it＝σ(Wiht-1+Uixt1+bi)
at＝tanh(Waht-1+Uaxt2+ba)
其中，xt1表示第一组Xt中的元素，xt2表示第二组Xt中的元素；it表示第一更新参数，at表示第二更新参数；Wi，Ui，Wa和Ua分别表示输入门状态更新的系数，bi和ba分别表示输入门状态更新的偏移；σ表示sigmoid激活函数，tanh表示tanh激活函数；ht-1表示遗忘门中t-1采样周期的隐藏状态参数；
步骤B、根据ht-1和xt得到遗忘门输出参数ft：
ft＝σ(Wfht-1+Ufxt+bf)
式中，Wf，Uf分别表示遗忘门状态更新的系数，bf遗忘门状态更新的偏移；
步骤C、根据所述第一更新参数、所述第二更新参数和所述遗忘门输出参数得到状态参数Ct：
Ct＝Ct-1⊙ft+it⊙at；
步骤D、得到输出门的输出结果为：
ot＝σ(Woht-1+Uoxt+bo)
ht＝ot⊙tanh(Ct)
步骤E、根据所述输出门的输出结果，获得所述长短期记忆网络的最优权重值。
CN202010668491.2A 2020-07-13 2020-07-13 一种体现驾驶员个性化行为的车道变换方法 Active CN111746544B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010668491.2A CN111746544B (zh) 2020-07-13 2020-07-13 一种体现驾驶员个性化行为的车道变换方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010668491.2A CN111746544B (zh) 2020-07-13 2020-07-13 一种体现驾驶员个性化行为的车道变换方法

Publications (2)

Publication Number Publication Date
CN111746544A CN111746544A (zh) 2020-10-09
CN111746544B true CN111746544B (zh) 2021-05-25

Family

ID=72711579

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010668491.2A Active CN111746544B (zh) 2020-07-13 2020-07-13 一种体现驾驶员个性化行为的车道变换方法

Country Status (1)

Country Link
CN (1) CN111746544B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112477864B (zh) * 2020-11-10 2022-07-08 合肥工业大学 自动驾驶车辆安全换道的控制方法及系统
CN112389436B (zh) * 2020-11-25 2022-11-15 中汽院智能网联科技有限公司 基于改进lstm神经网络的安全性自动驾驶换道轨迹规划方法
CN115285121B (zh) * 2022-01-21 2024-08-02 吉林大学 一种体现驾驶员偏好的换道轨迹规划方法
WO2024008880A1 (en) * 2022-07-06 2024-01-11 Mercedes-Benz Group AG Driving style based personalizable driver assistance system and method

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108742609A (zh) * 2018-04-03 2018-11-06 吉林大学 一种基于肌电和操控信息的驾驶员换道舒适度评价方法
CN108920753A (zh) * 2018-05-25 2018-11-30 江苏大学 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
CN109733390A (zh) * 2018-12-29 2019-05-10 江苏大学 一种基于驾驶人特性的自适应换道预警方法
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
CN110304045A (zh) * 2019-06-25 2019-10-08 中国科学院自动化研究所 智能驾驶横向换道决策方法、系统和装置
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
CN110796856A (zh) * 2019-10-16 2020-02-14 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
US10679181B1 (en) * 2015-06-23 2020-06-09 Amazon Technologies, Inc. Inventory management using weight sensors and physical layout data
CN111310735A (zh) * 2020-03-18 2020-06-19 桂林电子科技大学 一种基于lstm技术的汽车轨迹预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10940863B2 (en) * 2018-11-01 2021-03-09 GM Global Technology Operations LLC Spatial and temporal attention-based deep reinforcement learning of hierarchical lane-change policies for controlling an autonomous vehicle

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10679181B1 (en) * 2015-06-23 2020-06-09 Amazon Technologies, Inc. Inventory management using weight sensors and physical layout data
CN108742609A (zh) * 2018-04-03 2018-11-06 吉林大学 一种基于肌电和操控信息的驾驶员换道舒适度评价方法
CN108920753A (zh) * 2018-05-25 2018-11-30 江苏大学 一种基于优秀驾驶员行驶轨迹的弯道彩色路面设计方法
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
CN109733390A (zh) * 2018-12-29 2019-05-10 江苏大学 一种基于驾驶人特性的自适应换道预警方法
CN110304045A (zh) * 2019-06-25 2019-10-08 中国科学院自动化研究所 智能驾驶横向换道决策方法、系统和装置
CN110568760A (zh) * 2019-10-08 2019-12-13 吉林大学 适用于换道及车道保持的参数化学习决策控制系统及方法
CN110796856A (zh) * 2019-10-16 2020-02-14 腾讯科技（深圳）有限公司 车辆变道意图预测方法及变道意图预测网络的训练方法
CN111046919A (zh) * 2019-11-21 2020-04-21 南京航空航天大学 一种融合行为意图的周围动态车辆轨迹预测系统及方法
CN111310735A (zh) * 2020-03-18 2020-06-19 桂林电子科技大学 一种基于lstm技术的汽车轨迹预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于驾驶习性的智能汽车个性化换道辅助系统研究;闫淑德;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20191115(第11期);C035-133 *
高速公路无人车变道类人决策及路径规划;刘风;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20191115(第11期);C035-98 *

Also Published As

Publication number Publication date
CN111746544A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
CN111746544B (zh) 一种体现驾驶员个性化行为的车道变换方法
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
CN112347567B (zh) 一种车辆意图和轨迹预测的方法
CN108280484B (zh) 一种驾驶员加速特性在线分类与辨识方法
CN112356830B (zh) 一种基于模型强化学习的智能泊车方法
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
Liu et al. Early recognition of driving intention for lane change based on recurrent hidden semi-Markov model
CN112046489B (zh) 一种基于因子分析和机器学习的驾驶风格辨识算法
CN115494865B (zh) 基于时空图卷积网络的无人机集群态势分析方法及介质
CN111539444B (zh) 一种修正式模式识别及统计建模的高斯混合模型方法
Jin et al. Gauss mixture hidden Markov model to characterise and model discretionary lane‐change behaviours for autonomous vehicles
CN112116100B (zh) 一种考虑驾驶员类型的博弈论决策方法
CN112149796B (zh) 基于改进遗传算法优化bp神经网络的驾驶风格辨识方法
CN111783943B (zh) 一种基于lstm神经网络的驾驶员制动强度预测方法
CN116432448B (zh) 基于智能网联车和驾驶员遵从度的可变限速优化方法
CN108846357B (zh) 一种基于改进增量式非负矩阵分解的人脸识别方法
CN110046672A (zh) 一种基于半监督学习的银行电子渠道异常交易确定方法
CN114644018A (zh) 一种基于博弈论的自动驾驶车辆人车交互决策规划方法
Li et al. Dp and ds-lcd: A new lane change decision model coupling driver’s psychology and driving style
CN111907523A (zh) 一种基于模糊推理的车辆跟驰寻优控制方法
Wang et al. A data-driven estimation of driving style using deep clustering
CN115171389B (zh) 基于gmm-hmm的高速公路他车超车换道意图识别方法
CN118004220A (zh) 一种智能汽车个性化避障控制方法及系统
CN112559968A (zh) 一种基于多情境数据的驾驶风格表征学习方法
CN115285121B (zh) 一种体现驾驶员偏好的换道轨迹规划方法

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