CN112389436A - 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 - Google Patents

Abstract

本发明提出了一种基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，包括如下步骤：S1，计算换道轨迹曲线；S2，计算轨迹安全性约束；S3，确定满足S2所述的轨迹安全性约束的最优轨迹；S4，将S3所述的最优轨迹与原始轨迹放入改进LSTM神经网络进行训练；S5，输出最终换道轨迹，从而构建了一套完整的动态车辆换道轨迹规划模型。本发明采用了考虑安全性的轨迹算法来生成安全轨迹，再用改进LSTM神经网络来对安全性轨迹与原始轨迹进行学习，使决策出的最终换道轨迹在安全性前提下更能贴近人类乘坐体验。因而本发明规划出的最优换道轨迹服务水平较高，能够保证乘客具有较高的舒适度体验与效率体验。

Description

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

技术领域

本发明涉及一种安全性自动驾驶换道轨迹规划方法，特别涉及一种基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法。

背景技术

近年来，自动驾驶受到了世界范围内的巨大关注，其被认为是缓解交通拥堵，减少交通事故和环境污染的重要技术。本发明关注的是自动驾驶中的一项关键技术，换道轨迹规划技术。换道作为车辆的基本操作之一，对车辆的安全行驶起着重要的作用。在当前的交通事故中，有超过30％的道路事故是不合理的换道操作引起的。因此只有构建了完备的换道轨迹规划模型，才能最大程度上地减少自动驾驶交通事故的发生，使自动驾驶车辆的安全性得到保障。图1即为车辆换道轨迹示意图，换道车辆SV在执行换道过程中会受到目标车道后车LV和目标车道前车PV的影响。

利用机器学习进行人类换道执行模型属于基于数据驱动模型，其模型参数需要经过大量换道执行数据的训练而确定。目前利用机器学习进行人类换道轨迹规划的研究还很少，Yao将k最近邻算法应用到换道轨迹规划中，然而该模型用到的数据量非常有限；考虑到已有的机器学习算法只能预测换道车辆的位置，Ding构建了两层BP神经网络对车辆换道进行实时预测，该模型对NGSIM数据进行学习，在已有研究的基础上扩大了数据量；但是换道数据是一种时间序列，以上两种机器学习方法只是单一的复制车辆在某个状态下的位置，并没有考虑到换道时每个规划步长之间的换道数据存在联系。在此基础上，Xie构建了LSTM神经网络对车辆换道轨迹进行预测，对于人类换道轨迹学习取得了99％以上的精度。尽管都是在对人类换道行为进行学习，这些研究却没有考虑到人类在驾驶过程中的反应时间，并且在这个过程中他们没有考虑到换道过程中会产生的安全性问题，无论是自动驾驶还是人类驾驶，安全性都是驾驶过程中首先要保障的问题。

在几何曲线法中，根据用以表征换道轨迹的几何曲线类型的不同，又细分为多项式轨迹，圆轨迹，正余弦函数轨迹，螺旋线轨迹，B样条曲线轨迹等方法，此外，有些学者通过设计换道过程的速度或加速度曲线来表征换道轨迹，例如正反梯形加速度曲线。多项式方法最早由Nelson提出，旨在构建曲率连续的(AGVs)自动引导车辆轨迹，其提出了极坐标多项式轨迹和笛卡尔坐标多项式并证明多项式方法能提高轨迹跟踪的准确性。Piazzi和Bianco提出的基于五次多项式的轨迹规划方法，运用多项式参数化曲线进行轨迹生成，轨迹规划曲线的平坦性保证了自动驾驶车辆轨迹生成的可执行性，通过调节参数可表征不同几何线性曲线轨迹，然而文中个别参数实际物理意义不明确，无法方便地应用于实时控制。Papadimitriou和Tomizuka采用五次多项式来表征车道变换轨迹，把障碍物简化处理为圆形并考虑了动态约束，但这个策略只能对换道开始时刻障碍物进行处理，而不能解决在换道期间出现的障碍物。Chu等研究了弯曲路段环境下的局部轨迹规划，使用不依赖时间的三次多项式曲线来表征换道轨迹，再通过轨迹计算曲率与转向角进而实现控制，并考虑了舒适性，效率和安全性来实现避障。Shim等提出了六次多项式轨迹规划方法，创新性地引入车辆航向角与转向角作为边界条件，以待定轨迹方程。并采用(MPC)模型预测控制方法来实现轨迹跟踪。除此之外，Chen等提出利用二次贝塞尔曲线进行路径规划，得到的换道轨迹具有连续的曲率半径，但该方法未涉及车辆的碰撞检测，同时未解决存在障碍物情况下贝赛尔曲线控制点的选取问题。之后Milam采用了三次B样条曲线进行换道轨迹生成，但车辆行为动态变化时无法合理地确定B样条曲线段数，并且生成的换道轨迹在车辆实际换道过程中其横向最大加速度不易控制。Ren等提出了一种基于梯形加速度曲线的规划方法，导出参考航偏角、航偏率和偏航角加速度，然后设计偏航率跟踪器，通过应用非模态滑动模式技术实现车道改变操纵但是只考虑了横向加速度满足正反梯形曲线，而无法实现纵向速度的实时调整。Chee和Tomizuka对比研究了四种不同的期望轨迹，圆轨迹、余弦函数轨迹、多项式轨迹、梯形加速度轨迹与两种轨迹跟踪算法并选择了梯形加速度轨迹作为虚拟期望轨迹，并给出滑模控制器算法从而提高系统的稳定性，然而他们孤立地研究了换道车辆，假设周围没有任何其他车辆对换道过程进行影响。Sledge和Marshek基于选定的标准比较了几种常用的候选车道变换轨迹，并转化为边界条件约束下的最优化问题来解决，把最大速度作为额外的鉴别指标，比较结果显示多项式曲线在两个最优轨迹函数中形式较为简化。Zhang等使用了正弦曲线、正反梯形加速度曲线、螺旋线来表达换道轨迹，用初始点、终止点状态以及其他约束条件(如碰撞规避)来确定参数选择的范围，最后根据优化目标确定参数的值并在中加入了考虑驾驶舒适性与效率的成本函数来进行轨迹优化，并使用时间依赖的三次多项式方程来表征换道几何曲线。

此外，Wolf和Burdick首次提出了高速公路环境下的车辆换道的人工势场法，用势场来表征环境空间，通过求解势场中势能下降最快的方向来规划换道轨迹。其势场函数考虑了车道线对车辆的吸引力、道路边缘对车辆的斥力作用、车辆障碍物对本车的斥力作用、当前道路期望行驶车速对当前行驶车速的引力作用。一方面根据环境信息决定是否换道超过缓慢的车辆障碍物，另一方面考虑到了车速依赖性和偏好。但可能陷入局部最小点，无法稳定地输出最优轨迹，并且在高速环境下由于搜索空间规模急剧增大，势场法效率会大幅度下降。同时存在一个很强的假设，认为换道车辆速度仅与车道限速有关，而不受周围车辆的影响，这与真实不符。但是当前的研究存在着一些不足之处。第一，假设在换道过程中周围车辆的速度都不发生变化，这与真实的驾驶环境不符。第二、当前的模型都没有考虑在换道过程中换道车辆根据周围车辆状态的变化进行实时响应，实时对速度进行动态调整，这样这些模型在真实交通环境中可能失效。第三，在安全性方面，上述研究认为只要换道完成时，换道车辆和目标车道车辆不发生碰撞即可，而不需要保持一个应对紧急事件发生时的安全间距，这种方法事实上是不能真正地保证换道的安全性的。

利用机器学习进行人类换道执行模型属于基于数据驱动模型，其模型参数需要经过大量换道执行数据的训练而确定。目前利用机器学习进行人类换道轨迹规划的研究还很少，Yao将k最近邻算法应用到换道轨迹规划中，然而该模型用到的数据量非常有限；考虑到已有的机器学习算法只能预测换道车辆的位置，Ding构建了两层BP神经网络对车辆换道进行实时预测，该模型对NGSIM数据进行学习，在已有研究的基础上扩大了数据量；但是换道数据是一种时间序列，以上两种机器学习方法只是单一的复制车辆在某个状态下的位置，并没有考虑到换道时每个规划步长之间的换道数据存在联系。在此基础上，Xie构建了LSTM神经网络对车辆换道轨迹进行预测，对于人类换道轨迹学习取得了99％以上的精度。尽管都是在对人类换道行为进行学习，这些研究却没有考虑到人类在驾驶过程中的反应时间，并且在这个过程中他们没有考虑到换道过程中会产生的安全性问题，无论是自动驾驶还是人类驾驶，安全性都是驾驶过程中首先要保障的问题。

发明内容

本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法。

为了实现本发明的上述目的，本发明提供了一种基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，包括如下步骤：

S1，计算换道轨迹曲线；

S2，计算轨迹安全性约束；

S3，确定满足S2所述的轨迹安全性约束的最优轨迹；

S4，将S3所述的最优轨迹与原始轨迹放入改进LSTM神经网络进行训练；

S5，输出最终换道轨迹。

优选的，计算换道轨迹的方法为：

其中，a₀、a₁、a₂、a₃均为待确定的参数，x_n为车辆n的纵向位置，y_n为车辆n的横向位置，确定各项参数有：

其中，θ_i为规划步长起点的航向角，

为终点横向坐标，

为终点纵向坐标，均为已知量，所以，轨迹方程由换道轨迹终点纵向坐标

确定。

优选的，S2所述的计算轨迹安全性约束方法包括：防侧翻算法，计算不发生侧翻轨迹簇的左边界；

计算车辆以最大侧向加速度与当前车速行驶时所能采用的最大轨迹曲率K(x_f)为

同时车辆SV在换道终点的轨迹曲率

由换道轨迹的终点坐标(x_f,y_f)确定，公式如下：

由

来计算侧翻临界轨迹的终点纵向坐标x_f,当

时，计算防侧翻轨迹簇的左边界

的方法为：

当

时，计算防侧翻轨迹簇的左边界

的方法为：

其中，

为车辆侧翻对应的临界侧向加速度，u_n(t)为车辆SV在t时刻的总速度。

优选的，S2所述的计算轨迹安全性约束方法还包括：避撞算法，计算轨迹终点安全区间；

计算车辆SV至少与车辆PV保持的纵向上安全距离S_ps的方法为：

其中，τ为反应时间，

为车辆SV在t-τ时刻的纵向速度，

表示车辆PV在t-τ时刻的切向速度，b_n为车辆SV的制动最大减速度，b_n-1为车辆PV的制动最大减速度；

计算在直道情况下车辆LV至少与车辆SV保持的安全距离S_ls的方法为：

其中，

表示t-τ时刻车辆LV的切向速度，b_n+1为车辆LV的制动最大减速度，

其中，

表示t-τ车辆LV的总速度。

优选的，所述的避撞算法还包括：

计算换道轨迹终点的方法为：

其中，

表示车辆PV在t-τ时刻的纵向位置，

表示车辆LV在t-τ时刻的纵向位置，

表示PV车在SV换道完成时的纵向位置，

表示车辆LV在SV换道完成时的纵向位置，t_a表示车辆SV从t-τ时刻以u_n(t)行驶至换道终点所需要的时间；

避撞轨迹终点的安全区间为

其中l_n表示SV的车身长度，l_n-1表示车辆PV的车身长度，l_n+1表示车辆LV的车身长度。

优选的，S4所述的改进LSTM神经网络的方法包括：

S4-1，长短期记忆网络包含输入层，隐藏层和输出层，输入层是整个神经网络的入口，把将要训练的换道轨迹规划数据传入的地方，输出层是训练数据经过隐藏层处理之后得到的结果，隐含层包含了三个“门”以及一个细胞状态：遗忘门、输入门、输出门、细胞状态；

在经典LSTM神经网络基础上引入运动学约束，保证车辆换道的安全性，再利用车辆换道过程的效率和舒适性对车辆轨迹进行优化，得到一个安全的换道轨迹，再将其嵌入经典的LSTM神经网络中进行训练，遗忘门和输入门计算的方法为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)，

i_t＝σ(W_i[h_t-1,x_t]+b_i)，

其中，f_t是遗忘门的输出结果，h_t-1是上一时刻的神经网络输出值，x_t是当前时刻的NGSIM数据，b_f是遗忘门的偏置常数，i_t是输入门的输出结果，W_f是用于遗忘数据的权重矩阵，W_i是用于更新数据的权重矩阵，b_c是更新数据矩阵的偏置常数，bi是输入门的偏置常数，

是准备用以更新的数据矩阵，W_c是准备用以更新的数据的权重矩阵；

S4-2，更新上一时刻细胞状态：

从细胞状态移除掉本文在忘记门决定的信息；然后决定对每一个状态值更新的比例来加入输入门计算出的候选值：

其中，C_t是当前时刻的细胞状态，S_t-1是上一时刻的细胞最终状态。

优选的，S4所述的改进LSTM神经网络的方法还包括：

S4-3，决定输出门要输出的数据：

输出是在细胞状态Ct的基础上进行适当的处理，即通过一个sigmoid函数层来决定Ct中有哪些部分需要被更新，然后将Ct经过一个tanh函数处理，使得数值落在(-1,1)区间内，并将遗忘门里sigmoid层的输出相乘，从而决定输出：

O_t＝σ(W_o[h_t-1,x_t]+b_o)，

其中，O_t是输出门的输出结果，W_o是输出门的权重矩阵，b_o是输出门的偏置常数；

S4-4，更新细胞状态：

s_t＝tanh(W_c[h_t-1,x_t]+b_c)·σ(W_i[h_t-1,x_t]+b_i)+s_t-1·σ(W_f[h_t-1,x_t]+b_f)，

其中，s_t是当前时刻神经网络的最终状态，s_t-1是上一时刻神经网络的最终状态；

S4-5，输出神经网络预测值：

h_t＝tanh(C_t)·σ(W_o[h_t-1,x_t]+b_o)+tanh(P_t·W_m)，

其中，h_t是当前时刻神经网络的预测值，W_m是嵌入运动学模型的参数矩阵，P_t是车辆在运动学模型经过归一化处理之后的驾驶输出值。

本发明在改进神经网络换道轨迹规划模型的基础上引入运动学约束，提高车辆换道的安全性，再利用车辆换道过程的效率和舒适性对车辆轨迹进行优化，得到一个安全的运动学输出。

综上所述，由于采用了上述技术方案，本发明的有益效果是：在自动驾驶换道中，能同时满足安全性和舒适性的换道要求。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明换道执行示意图；

图2是本发明车辆换道轨迹示意图；

图3是本发明安全车距计算原理图；

图4是本发明轨迹规划原理框架图；

图5是本发明经典LSTM神经网络图；

图6是本发明改进LSTM神经网络图；

图7是本发明改进LSTM神经网络预测结果图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

如图1-图7所示：

1.最优轨迹算法

自动驾驶车辆在换道时进行轨迹规划，每一规划步长会根据实时环境信息寻找一条对应的最优轨迹。本发明利用三次多项式曲线来模拟车辆换道过程中的行驶轨迹，三次多项式的线形和车辆换道曲线十分相近，而且三次多项式轨迹既具有曲率均匀变化的特点，又避免了高次多项式轨迹需要引入抽象参数来约束轨迹的麻烦，其表达式如下：

其中，a₀、a₁、a₂、a₃均为待确定的参数，x_n为车辆n的纵向位置，y_n为车辆n的横向位置。在换道过程中，车辆在每一个步长都会规划出一条新的换道轨迹，该轨迹以当前位置为起点，以目标车道中线上的某一位置为终点，在终点处车辆的运动方向与车道平行。本文中我们使用移动坐标系，将每一步长的起点位置依次定义为(0,0)点，终点位置定义为(x_f,y_f)，θ_i为规划步长起点的航向角，终点的车辆航向角为0，则有：

y′_n(0)＝tanθ_i (2)

其中，y′_n是车辆n横向位置的导数。

将以上车辆换道的起点坐标(0,0)和终点坐标(x_f,y_f)，以及式(2)和式(3)代入轨迹方程(1)得到轨迹方程中各参数的表达式如下：

a₁＝tanθ_i (4)

a₀＝0 (5)

将式(4)-(7)代入到轨迹方程(1)得到：

在式(8)中θ_i为规划步长起点的航向角，

为终点横向坐标，均为已知量，所以，轨迹方程由换道轨迹终点纵向坐标

确定。

2.安全性算法

安全性模块包括两个部分：防侧翻算法和避撞算法，防侧翻算法用以确定不发生侧翻轨迹簇的左边界，避撞算法用以确定轨迹终点安全区间，而在轨迹决策中则通过调整速度和舒适性权重参数来使最优轨迹满足安全性约束条件。

车辆在曲线运动时加速度可分解为侧向加速度a_s与轴向加速度a_f，其中侧向加速度过大会导致车辆侧翻，使换道安全性无法得到保障，因而需要利用一个防侧翻算法计算临界侧翻情景下的最大侧向加速度

所对应的最优轨迹，作为最优轨迹簇的临界值。安全轨迹的纵向位移x_f均应大于该侧翻临界轨迹的纵向位移

车辆模型见图2所示，其中v_n(t)为车辆SV在t时刻的纵向分速度，θ为车辆的航向角，也就是车辆运动方向与x坐标轴的夹角。R为车辆质心的运动的曲率半径。

首先计算车辆以最大侧向加速度与当前车速行驶时所能采用的最大轨迹曲率

因为车辆在换道终点达到换道过程中的最大侧向加速度

其中u_n(t)为车辆SV在t时刻的总速度。同时车辆SV在换道终点的轨迹曲率

又可以由换道轨迹的终点坐标(x_f,y_f)确定，公式如下：

故可以由

来计算侧翻临界轨迹的终点纵向坐标

令

上式变形为，

由于在整个换道过程中θ_i取值范围在(0,π/2)：

1)如果

故上式展开为，

考虑到关于Q的二次函数的Δ>0，故由二次函数求根公式得出：

取其正根，则防侧翻安全区间为

其中

为：

2)

同理有：

从而得到了理论上防侧翻轨迹簇的左边界

只要换道轨迹的纵向位移大于

则不会发生侧翻。其中，

为车辆侧翻对应的临界侧向加速度，u_n(t)为车辆SV在t时刻的总速度。

为了避免碰撞，当SV到达目标车道的时候，SV应该与目标车道的前车PV和后车LV保持安全距离，根据Gipps安全距离模型，这个SV在目标车道安全距离应该是

其中

表示车辆LV在SV换道完成时的纵向位置，

表示PV车在SV换道完成时纵向位置，l_n表示SV的车身长度，l_n-1表示车辆PV的车身长度，l_n+1表示车辆LV的车身长度。

图3中，车辆PV在t-τ时刻开始制动并在t_F时刻停止，车辆SV经过一个反应时间τ后在t时刻开始制动。假设道路是直道路，当SV紧急制动时，为了不与车辆PV发生碰撞，车辆SV至少应与车辆PV保持的纵向上安全距离记为S_ps，可通过下式计算：

其中，

为车辆SV在t-τ时刻的纵向速度，

表示车辆PV在t-τ时刻的切向速度，b_n为车辆SV的制动最大减速度，b_n-1为车辆PV的制动最大减速度。

类似的，可通过下式计算得到在直道情况下车辆LV至少应与车辆SV保持的安全距离S_ls：

其中，

表示t-τ时刻车辆LV的切向速度，b_n+1为车辆LV的制动最大减速度。公式(15)和(16)中

可由图3总速度与纵向分速度的固有三角关系计算得到：

其中，

表示t-τ车辆LV的总速度；

进一步计算得到换道轨迹终点，可通过下式计算得到：

t_a表示车辆SV从t-τ时刻以u_n(t)行驶至换道终点所需要的时间，计算公式如下：

因此，根据前文的Gipps安全距离，将各个参数代入该安全距离模型内，所以该安全距离是

表示LV在t-τ时刻的纵向位置。

表示PV在t-τ时刻的纵向位置。在移动坐标系内，SV的换道起点始终都得是(0,0),所以每个步长的换道起点坐标都得减去上一步长结束时的坐标终点，故真实的安全区间(见图3)为：

其中，

表示车辆LV在SV换道完成时的纵向位置，

表示PV车在SV换道完成时的纵向位置，

表示SV在t-τ时刻的纵向位置。

图3虚线车辆表示换道开始时刻各车辆的位置。只要换道轨迹终点落在该安全区间中，便不会与目标车道前后车发生碰撞，令

则根据前边的计算，避撞轨迹终点的安全区间为

如图4所示，轨迹规划原理框架图的步骤为：S-A，换道开始，S-B，得到起始位置和起始速度；S-C，得到换道最优轨迹模型，并将安全模型嵌入其中，S-D，得到下一步长的速度和下一步长的最优轨迹，S-E，运行换道执行算法，S-F，计算出下一步长的位置，S-G，判断是否达到目标车道，S-H若达到，则换道完成，S-I若否，则重新规划，返回步骤S-C。

3.LSTM神经网络改造

一个长短期记忆网络包含一个输入层，若干个隐藏层以及一个输出层，输入层就是整个神经网络的入口，把将要训练的换道轨迹规划数据传入的地方，输出层就是训练数据经过隐藏层处理之后得到的结果，隐含层包含了三个“门”以及一个细胞状态：遗忘门、输入门、输出门、细胞状态。经过多次迭代后，最终能够生成一条完整的车辆换道轨迹。本发明认为在每一步长中车辆执行匀变速曲线运动，接下来对具体过程进行介绍。

(1)经典LSTM神经网络

LSTM神经网络有着高效的学习优势，这种神经网络被认为是研究和预测人类行为以及时间序列极佳的方法，原始结构如图5所示。在这个结构中，神经网络的输入数据x_t包括换道车辆以及周边车辆的轨迹数据，将会同时被传递给各个门结构以及嵌入的运动学模型结构，进行神经网络的迭代训练。

(2)改造LSTM神经网络

由于神经网络中隐含层的物理作用不明确，训练过程和结果不可控，这样建立的换道轨迹规划模型可能隐含着人类不良驾驶习惯，最终可能不满足安全性和舒适性的换道要求，因此本文将在改进神经网络换道轨迹规划模型的基础上引入运动学约束，提高车辆换道的安全性，再利用车辆换道过程的效率和舒适性对车辆轨迹进行优化，得到一个安全的运动学输出，将此输出直接嵌入到传统神经网络内进行训练，从而提出安全性敏感的自动驾驶换道轨迹规划LSTM神经网络模型，嵌入结构如图6虚线框所示。

其内部数据运算过程如下：

1)输入门

首先在新数据传入长短期记忆网络时要决定哪些旧数据需要从细胞状态h_t-1中扔掉。这个就是由输入决定的，它是一个sigmoid函数层：

f_t＝σ(W_f[h_t-1,x_t]+b_f) (22)

式中，W_f是用于遗忘数据的权重矩阵，h_t-1是上一时刻的神经网络输出值，x_t是当前时刻的NGSIM数据，b_f是遗忘门的偏置常数。

2)遗忘门

决定哪些新的信息需要被存储进细胞状态，分为两个步骤：首先经过一个sigmoid函数层，即输入门会决定哪些值需要被更新；然后一个tanh函数层会创建一个向量，作为加入到细胞状态的候选值：

i_t＝σ(W_i[h_t-1,x_t]+b_i) (24)

式中，b_i是输入门的偏置常数，b_c是更新数据矩阵的偏置常数，

是准备用以更新的数据矩阵，W_i是用于更新数据的权重矩阵，W_c是准备用以更新的数据的权重矩阵。

更新上一时刻细胞状态：

首先从细胞状态移除掉本文在忘记门决定的信息；然后决定对每一个状态值更新的比例来加入输入门计算出的候选值：

其中，C_t是当前时刻的细胞状态，S_t-1是上一时刻的细胞最终状态。

3)输出门

决定将要输出的部分。输出是在细胞状态C_t的基础上进行适当的处理。即通过一个sigmoid函数层来决定C_t中有哪些部分需要被更新，然后将C_t经过一个tanh函数处理，其目的是使得数值落在(-1,1)区间内，并将遗忘门里sigmoid层的输出相乘，从而决定输出：

O_t＝σ(W_o[h_t-1,x_t]+b_o) (28)

其中，O_t是输出门的输出结果，W_o是输出门的权重矩阵，b_o是输出门的偏置常数；

4)更新细胞状态：

s_t＝tanh(W_c[h_t-1,x_t]+b_c)·σ(W_i[h_t-1,x_t]+b_i)+s_t-1·σ(W_f[h_t-1,x_t]+b_f) (29)

其中，s_t是当前时刻神经网络的最终状态，s_t-1是上一时刻神经网络的状态；

5)输出神经网络预测值：

h_t＝tanh(C_t)·σ(W_o[h_t-1,x_t]+b_o)+tanh(P_t·W_m) (30)

其中，h_t是当前时刻神经网络的预测值，W_m是嵌入运动学模型的参数矩阵，P_t是车辆在运动学模型经过归一化处理之后的驾驶输出值。

至此，就可以得到当前步长结束时的车辆状态，也就获得了下一步长开始的状态。经过多次迭代后，每一个步长的局部轨迹首尾相接最终到达目标车道中线，形成了一个完整的换道轨迹。图7为某一辆车在换道过程中的轨迹动态调整示意图，不同的数据权值下会产生不同的换道轨迹执行结果。

尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (7)

1.一种基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，包括如下步骤：

S1，计算换道轨迹曲线；

S2，计算轨迹安全性约束；

S3，确定满足S2所述的轨迹安全性约束的最优轨迹；

S4，将S3所述的最优轨迹与原始轨迹放入改进LSTM神经网络进行训练；

S5，输出最终换道轨迹。

2.根据权利要求1所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，计算换道轨迹的方法为：

其中，a₀、a₁、a₂、a₃均为待确定的参数，x_n为车辆n的纵向位置，y_n为车辆n的横向位置，确定各项参数有：

其中，θ_i为规划步长起点的航向角，

为终点横向坐标，

为终点纵向坐标，均为已知量，所以，轨迹方程由换道轨迹终点纵向坐标

确定。

3.根据权利要求1所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，S2所述的计算轨迹安全性约束方法包括：防侧翻算法，计算不发生侧翻轨迹簇的左边界；

计算车辆以最大侧向加速度与当前车速行驶时所能采用的最大轨迹曲率K(x_f)为

同时车辆SV在换道终点的轨迹曲率

由换道轨迹的终点坐标(x_f,y_f)确定，公式如下：

由

来计算侧翻临界轨迹的终点纵向坐标x_f,当

时，计算防侧翻轨迹簇的左边界

的方法为：

当

时，计算防侧翻轨迹簇的左边界

的方法为：

其中，

为车辆侧翻对应的临界侧向加速度，u_n(t)为车辆SV在t时刻的总速度。

4.根据权利要求3所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，S2所述的计算轨迹安全性约束方法还包括：避撞算法，计算轨迹终点安全区间；

计算车辆SV至少与车辆PV保持的纵向上安全距离S_ps的方法为：

其中，τ为反应时间，

为车辆SV在t-τ时刻的纵向速度，

表示车辆PV在t-τ时刻的切向速度，b_n为车辆SV的制动最大减速度，b_n-1为车辆PV的制动最大减速度；

计算在直道情况下车辆LV至少与车辆SV保持的安全距离S_ls的方法为：

其中，

表示t-τ时刻车辆LV的切向速度，b_n+1为车辆LV的制动最大减速度，

其中，

表示t-τ车辆LV的总速度。

5.根据权利要求4所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，所述的避撞算法还包括：

计算换道轨迹终点的方法为：

其中，

表示车辆PV在t-τ时刻的纵向位置，

表示车辆LV在t-τ时刻的纵向位置，

表示PV车在SV换道完成时的纵向位置，

表示车辆LV在SV换道完成时的纵向位置，t_a表示车辆SV从t-τ时刻以u_n(t)行驶至换道终点所需要的时间；

避撞轨迹终点的安全区间为

其中l_n表示SV的车身长度，l_n-1表示车辆PV的车身长度，l_n+1表示车辆LV的车身长度。

6.根据权利要求1所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，S4所述的改进LSTM神经网络的方法包括：

S4-1，长短期记忆网络包含输入层，隐藏层和输出层，输入层是整个神经网络的入口，把将要训练的换道轨迹规划数据传入的地方，输出层是训练数据经过隐藏层处理之后得到的结果，隐含层包含了三个“门”以及一个细胞状态：遗忘门、输入门、输出门、细胞状态；

在经典LSTM神经网络基础上引入运动学约束，保证车辆换道的安全性，再利用车辆换道过程的效率和舒适性对车辆轨迹进行优化，得到一个安全的换道轨迹，再将其嵌入经典的LSTM神经网络中进行训练，遗忘门和输入门计算的方法为：

f_t＝σ(W_f[h_t-1,x_t]+b_f)，

i_t＝σ(W_i[h_t-1,x_t]+b_i)，

其中，f_t是遗忘门的输出结果，h_t-1是上一时刻的神经网络输出值，x_t是当前时刻的NGSIM数据，b_f是遗忘门的偏置常数，i_t是输入门的输出结果，W_f是用于遗忘数据的权重矩阵，W_i是用于更新数据的权重矩阵，b_c是更新数据矩阵的偏置常数，bi是输入门的偏置常数，

是准备用以更新的数据矩阵，W_c是准备用以更新的数据的权重矩阵；

S4-2，更新上一时刻细胞状态：

从细胞状态移除掉本文在忘记门决定的信息；然后决定对每一个状态值更新的比例来加入输入门计算出的候选值：

其中，C_t是当前时刻的细胞状态，S_t-1是上一时刻的细胞最终状态。

7.根据权利要求6所述的基于改进LSTM神经网络的安全性自动驾驶换道轨迹规划方法，其特征在于，S4所述的改进LSTM神经网络的方法还包括：

S4-3，决定输出门要输出的数据：

输出是在细胞状态Ct的基础上进行适当的处理，即通过一个sigmoid函数层来决定Ct中有哪些部分需要被更新，然后将Ct经过一个tanh函数处理，使得数值落在(-1,1)区间内，并将遗忘门里sigmoid层的输出相乘，从而决定输出：

O_t＝σ(W_o[h_t-1,x_t]+b_o)，

其中，O_t是输出门的输出结果，W_o是输出门的权重矩阵，b_o是输出门的偏置常数；

S4-4，更新细胞状态：

s_t＝tanh(W_c[h_t-1,x_t]+b_c)·σ(W_i[h_t-1,x_t]+b_i)+s_t-1·σ(W_f[h_t-1,x_t]+b_f)，

其中，s_t是当前时刻神经网络的最终状态，s_t-1是上一时刻神经网络的最终状态；

S4-5，输出神经网络预测值：

h_t＝tanh(C_t)·σ(W_o[h_t-1,x_t]+b_o)+tanh(P_t·W_m)，

其中，h_t是当前时刻神经网络的预测值，W_m是嵌入运动学模型的参数矩阵，P_t是车辆在运动学模型经过归一化处理之后的驾驶输出值。

Images