CN113723815A - 一种换道轨迹的分段评价方法 - Google Patents

一种换道轨迹的分段评价方法 Download PDF

Info

Publication number
CN113723815A
CN113723815A CN202111010077.3A CN202111010077A CN113723815A CN 113723815 A CN113723815 A CN 113723815A CN 202111010077 A CN202111010077 A CN 202111010077A CN 113723815 A CN113723815 A CN 113723815A
Authority
CN
China
Prior art keywords
vehicle
track
lane
stage
lane change
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.)
Granted
Application number
CN202111010077.3A
Other languages
English (en)
Other versions
CN113723815B (zh
Inventor
董长印
王昊
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN202111010077.3A priority Critical patent/CN113723815B/zh
Publication of CN113723815A publication Critical patent/CN113723815A/zh
Application granted granted Critical
Publication of CN113723815B publication Critical patent/CN113723815B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种优质换道轨迹的分段评价方法，所述方法包括：采集车辆微观轨迹数据，确定换道轨迹的临界点，确定换道行为的四个阶段，分段计算换道轨迹的评价指标，计算换道轨迹的总体评价指标。该方法充分考虑目标车辆换道行为在不同执行过程中与周围前后车辆的作用关系，尤其是关键车辆的特征变量对目标车辆换道轨迹的影响，有利于分段提取优质换道轨迹，为智能网联环境下车辆轨迹自学习提供模型基础。

Description

一种换道轨迹的分段评价方法
技术领域
本发明涉及智能交通控制领域，具体涉及一种换道轨迹的分段评价方法。
背景技术
随着人工智能和自动驾驶的快速发展，越来越多的机器学习算法应用于交通流管理与控制领域。在自动驾驶模式下，智能车辆学习已采集的车辆换道轨迹时，首要工作是提取较为优质的样本。传统做法是所有换道轨迹作为训练样本，或者用某一评价指标判别某一完整换道轨迹的优劣，并取优质换道轨迹作为训练样本，这种情况下，有可能导致运算效率不高，且难以捕捉较为准确的换道特征，尤其会影响优质换道特征的传递。因此，建立优质换道轨迹的分段评价模型，有利于精确提取优质信息，提高机器学习运算效率，乃至加强通行效率和行车安全。
专利“一种基于肌电和操控信息的驾驶员换道舒适度评价方法”(CN201810285670.0)则基于颈部及上背部主要发力肌肉测试，将肌电信号作为驾驶员换道过程中的舒适度评价指标；专利“一种智能车换道行为风险等级确定方法及装置”(CN202110245165.5)从安全性指标、高效性指标和舒适性指标综合评价智能车换道行为的风险等级，该专利将某一完整的换道轨迹当做研究对象；专利“汽车自动换道最优轨迹规划、控制方法及系统”(CN201910797916.7)重点考虑了目标车辆的速度、加速度、角度等信息，基于代价函数规划出不同阶段的换道轨迹，该专利未考虑换道过程中多车之间的影响。因此，已公开文献和专利均未涉及基于多车影响，将换道轨迹分阶段进行精细化评价。
发明内容
发明目的：为了克服上述现有技术的不足，本发明目的在于提出一种换道轨迹的分段评价方法，采集当前车辆、换道前和换道后的前后车辆等微观交通流信息，确定换道轨迹的临界点，分段计算换道轨迹的评价指标，并计算换道轨迹的总体评价指标。该方法基于换道轨迹分段原则，提供每一阶段的微观换道轨迹的评价模型，较大程度地考虑了换道行为的关键影响因素，为制定科学有效的换道行为管控措施提供理论基础。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种换道轨迹的分段评价方法，所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据，包括如下步骤：
(1)采集目标换道轨迹中的车辆微观轨迹数据；
(2)确定目标换道轨迹的临界点，对目标换道轨迹进行分段；
(3)计算目标换道轨迹每个阶段的评价指标，完成目标换道轨迹的分段评价。
进一步，步骤(1)中，所述目标车辆微观轨迹数据包括目标车辆及其当前车道和目标车道内前后车的速度、加速度、车头时距，目标车辆换道轨迹与车道线的夹角，所述车道线为当前车道和目标车道之间的车道线。
进一步，步骤(2)具体如下:
记目标换道轨迹中换道车辆从换道起始时刻至其前保险杠中心到达车道线时刻的时间间隔为前半程换道时间TCL，从其前保险杠中心到达车道线时刻至换道结束时刻的时间间隔为后半程换道时间TTL，所述车道线为当前车道和目标车道之间的车道线；
换道轨迹的临界点包括:目标换道轨迹中换道车辆换道起始时刻其前保险杠中心对应的位置K1，目标换道轨迹中换道车辆的换道行为执行TCL/2时其前保险杠中心对应的位置K2，目标换道轨迹中换道车辆前保险杠中心与车道线的交点K3，目标换道轨迹中换道车辆的换道行为执行TCL+TTL/2时其前保险杠中心对应的位置K4，目标换道轨迹中换道车辆换道结束时刻其前保险杠中心对应的位置K5；
目标换道轨迹分为第I至IV阶段:K1到K2之间的轨迹为第I阶段，K2到K3之间的轨迹为第II阶段，K3到K4之间的轨迹为第III阶段，K4到K5之间的轨迹为第IV阶段。
进一步，步骤(3)具体如下:
记目标换道轨迹中换道车辆为车辆A，其当前车道内前车为车辆B、后车为车辆C，其目标车道内前车为车辆D、后车为车辆E；
第I阶段换道轨迹的评价指标计算方法如下:
Figure BDA0003238599830000021
式中UI为第I阶段换道轨迹的评价指标，
Figure BDA0003238599830000022
分别为车辆A、车辆C、车辆E在第I阶段的效用指标，
Figure BDA0003238599830000023
NI为第I阶段内采样点数量，
Figure BDA0003238599830000024
Δt为采样时间，
Figure BDA0003238599830000025
为第I阶段内第i个采样点对应的车辆A的加速度，
Figure BDA0003238599830000026
为第I阶段内第i个采样点对应的车辆C的速度，
Figure BDA0003238599830000027
为第I阶段内车辆C的平均速度，
Figure BDA0003238599830000031
为第I阶段内第i个采样点对应的车辆E的车头时距，
Figure BDA0003238599830000032
为第I阶段内第1个采样点对应的车辆E的车头时距；
第II阶段换道轨迹的评价指标计算方法如下：
Figure BDA0003238599830000033
式中UII为第II阶段换道轨迹的评价指标，
Figure BDA0003238599830000034
分别为车辆A、车辆B、车辆C、车辆E在第II阶段的效用指标
Figure BDA0003238599830000035
Figure BDA0003238599830000036
NII为第II阶段内采样点数量，NII＝NI；
Figure BDA0003238599830000037
为第II阶段内第i个采样点对应的车辆A的加速度，θII_1、
Figure BDA0003238599830000038
分别为第II阶段内第1个采样点和第NII个采样点对应的换道轨迹与车道线的夹角；
Figure BDA0003238599830000039
分别为第II阶段内第i个采样点和第1个采样点对应的车辆B的速度，
Figure BDA00032385998300000310
分别为第II阶段内第i个采样点和第1个采样点对应的车辆C的速度；
Figure BDA00032385998300000311
为第II阶段内第i个采样点对应的车辆E的加速度；
第III阶段换道轨迹的评价指标计算方法如下：
Figure BDA00032385998300000312
式中UIII为第III阶段换道轨迹的评价指标，
Figure BDA00032385998300000313
分别为车辆A、车辆C、车辆D、车辆E在第III阶段的效用指标，
Figure BDA00032385998300000314
NIII为第III阶段内采样点数量，
Figure BDA00032385998300000315
为第III阶段内第j个采样点对应的车辆A的速度，
Figure BDA00032385998300000316
为第III阶段内车辆A的平均速度，
Figure BDA00032385998300000317
为第III阶段内第1个采样点对应的车辆C的车头时距，
Figure BDA00032385998300000318
为第I阶段内第1个采样点对应的车辆C的车头时距；
Figure BDA00032385998300000319
分别为第III阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure BDA0003238599830000041
为第III阶段内第j个采样点对应的车辆E的加速度；
第IV阶段换道轨迹的评价指标计算方法如下：
Figure BDA0003238599830000042
式中UIV为第IV阶段换道轨迹的评价指标，
Figure BDA0003238599830000043
分别为车辆A、车辆B、车辆C、车辆D、车辆E在第IV阶段的效用指标，
Figure BDA0003238599830000044
Figure BDA0003238599830000045
NIV为第IV阶段内采样点数量，NIV＝NIII；
Figure BDA0003238599830000046
Figure BDA0003238599830000047
分别为第IV阶段内第NIV采样点和第1个采样点对应的车辆A的速度，
Figure BDA0003238599830000048
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆A的车头时距；
Figure BDA0003238599830000049
分别为第IV阶段内第j个采样点和第1个时刻对应的车辆B的速度，
Figure BDA00032385998300000410
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆C的速度，
Figure BDA00032385998300000411
分别为第IV阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure BDA00032385998300000412
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆E的车头时距。
一种换道轨迹数据集的处理方法，所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练，该方法的具体步骤如下：
1)采用如上述的方法对换道轨迹数据集中的每一条换道轨迹数据进行分段评价；
2)将步骤1)得到的评价指标分阶段由低至高进行排序，得到：
Figure BDA00032385998300000413
Figure BDA00032385998300000414
Figure BDA00032385998300000415
Figure BDA00032385998300000416
其中，
Figure BDA00032385998300000417
分别为排序后第I、II、III、IV个阶段内评价指标的集合，
Figure BDA00032385998300000418
为排序后第t个阶段内第n个评价指标，N为换道轨迹数据集中换道轨迹数据的数量；
3)根据设定阈值范围，选择排序后每个阶段内评价指标的集合的前M个评价指标对应的换道轨迹作为基于机器学习进行换道轨迹规划的模型的训练样本。
有益效果：本发明公开了一种优质换道轨迹的分段评价方法，充分考虑目标车道换道前后对换道轨迹产生关键影响的因素，包括前后车的速度、加速度、车头时距等指标，并对换道轨迹进行分段处理，可以精准把握换道轨迹的特征，进而提高智能汽车学习样本的质量，排除了冗余的低质量样本，因而减少了训练次数，提升计算效率，建立面向优质换道轨迹的综合评价模型，为智能车辆自学习提供准确高效的学习样本，为交通系统精细化管理提供理论基础。
附图说明
图1是本发明分段评价的方法流程图；
图2为本发明中实施案例的示意图；
图3为本发明中实施案例的数据统计图。
具体实施方式
为了使本发明的内容更容易被清楚的理解，下面结合附图和具体实施例对本发明作进一步详细的说明。
在一个实施例中，如图1所示，提供了一种换道轨迹的分段评价方法，所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据，包括如下步骤：
(1)采集目标换道轨迹中的车辆微观轨迹数据；
(2)确定目标换道轨迹的临界点，对目标换道轨迹进行分段；
(3)计算目标换道轨迹每个阶段的评价指标，完成目标换道轨迹的分段评价。
在一个实施例中，提供了一种换道轨迹的分段评价设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述的换道轨迹的分段评价方法的步骤。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的换道轨迹的分段评价方法的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
在一个实施例中，某三车道路段，当前车道内目标车辆为车辆A，目标车道内存在前车车辆B和后车车辆C，当前车道内存在前车车辆D和后车车辆E，车辆A的换道轨迹如图2所示，以下将采用本发明提出的一种换道轨迹的分段评价方法，面向车辆A换道轨迹进行分段评价。
(1)采集车辆微观轨迹数据
车辆微观轨迹数据包括车辆A及其当前车道和目标车道内前后车的速度、加速度、车头时距，车辆A换道轨迹与车道线的夹角，按照如表1所示形式进行统计。
表1车辆微观轨迹数据统计表
序号 时间 车辆编号 所在车道 横坐标 纵坐标 速度 加速度 与车道线夹角 车头时距
(2)确定换道轨迹的临界点
记车辆A从换道起始时刻至其前保险杠中心到达车道线时刻的时间间隔为前半程换道时间TCL，从其前保险杠中心到达车道线时刻至换道结束时刻的时间间隔为后半程换道时间TTL。
如图2所示，K1为车辆A换道轨迹起点(即换道起始时刻其前保险杠中心对应的位置)，K2为车辆A换道行为执行TCL/2时其前保险杠中心对应的位置，K3为换道轨迹中车辆A前保险杠中心与车道线的交点，K4为换道行为执行TCL+TTL/2时其前保险杠中心对应的位置，K5为车辆A换道轨迹终点(即换道结束时刻其前保险杠中心对应的位置)。
确定从K1到K2的轨迹为换道第I阶段，从K2到K3的轨迹为换道第II阶段，从K3到K4的轨迹为换道第III阶段，从K4到K5的轨迹为换道第IV阶段。
(3)分段计算换道轨迹的评价指标
第I阶段换道轨迹的评价指标计算方法如下：
Figure BDA0003238599830000061
式中UI为第I阶段换道轨迹的评价指标，
Figure BDA0003238599830000071
分别为车辆A、车辆C、车辆E在换道第I阶段的效用指标，计算方法如下：
Figure BDA0003238599830000072
Figure BDA0003238599830000073
Figure BDA0003238599830000074
式中NI为第I阶段内采样点数量，
Figure BDA0003238599830000075
Δt为采样时间，默认取值为0.1s；
Figure BDA0003238599830000076
为第I阶段内第i个采样点对应的车辆A的加速度，
Figure BDA0003238599830000077
为第I阶段内第i个采样点对应的车辆C的速度，
Figure BDA0003238599830000078
为第I阶段内车辆C的平均速度，
Figure BDA0003238599830000079
为第I阶段内第i个采样点对应的车辆E的车头时距，
Figure BDA00032385998300000710
为第I阶段内第1个采样点对应的车辆E的车头时距。
第II阶段换道轨迹的评价指标计算方法如下：
Figure BDA00032385998300000711
式中UII为第II阶段换道轨迹的评价指标，
Figure BDA00032385998300000712
分别为车辆A、车辆B、车辆C、车辆E在换道第II阶段的效用指标，计算方法如下：
Figure BDA00032385998300000713
Figure BDA00032385998300000714
Figure BDA00032385998300000715
Figure BDA00032385998300000716
式中NII为第II阶段内采样点数量，NII＝NI；
Figure BDA0003238599830000081
为第II阶段内第i个采样点对应的车辆A的加速度；θII_1、
Figure BDA0003238599830000082
分别为第II阶段内第1个采样点和第NII个采样点对应的换道轨迹与车道线的夹角，即初始偏角和终止偏角；
Figure BDA0003238599830000083
分别为第II阶段内第i个采样点和第1个采样点对应的车辆B的速度，
Figure BDA0003238599830000084
分别为第II阶段内第i个采样点和第1个采样点对应的车辆C的速度；
Figure BDA0003238599830000085
为第II阶段内第i个采样点对应的车辆E的加速度。
第III阶段换道轨迹的评价指标计算方法如下：
Figure BDA0003238599830000086
式中UIII为第III阶段换道轨迹的评价指标，
Figure BDA0003238599830000087
分别为车辆A、车辆C、车辆D、车辆E在换道第III阶段的效用指标，计算方法如下：
Figure BDA0003238599830000088
Figure BDA0003238599830000089
Figure BDA00032385998300000810
Figure BDA00032385998300000811
式中NIII为第III阶段内采样点数量，
Figure BDA00032385998300000812
为第III阶段内第j个采样点对应的车辆A的速度，
Figure BDA00032385998300000813
为第III阶段内车辆A的平均速度，
Figure BDA00032385998300000814
为第III阶段内第1个采样点对应的车辆C的车头时距，
Figure BDA00032385998300000815
为第I阶段内第1个采样点对应的车辆C的车头时距；
Figure BDA00032385998300000816
分别为第III阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure BDA00032385998300000817
为第III阶段内第j个采样点对应的车辆E的加速度。
第IV阶段换道轨迹的评价指标计算方法如下：
Figure BDA00032385998300000818
式中UIV为第IV阶段换道轨迹的评价指标，
Figure BDA0003238599830000091
分别为车辆A、车辆B、车辆C、车辆D、车辆E在换道第IV阶段的效用指标，计算方法如下：
Figure BDA0003238599830000092
Figure BDA0003238599830000093
Figure BDA0003238599830000094
Figure BDA0003238599830000095
Figure BDA0003238599830000096
式中NIV为第IV阶段内采样点数量，NIV＝NIII；
Figure BDA0003238599830000097
分别为第IV阶段内第NIV采样点和第1个采样点对应的车辆A的速度，
Figure BDA0003238599830000098
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆A的车头时距；
Figure BDA0003238599830000099
分别为第IV阶段内第j个采样点和第1个时刻对应的车辆B的速度，
Figure BDA00032385998300000910
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆C的速度，
Figure BDA00032385998300000911
分别为第IV阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure BDA00032385998300000912
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆E的车头时距。
在一个实施例中，提供了一种换道轨迹数据集的处理方法，所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练，该方法的具体步骤如下：
1)采用如上所述的分段评价方法对换道轨迹数据集中的每一条换道轨迹数据进行分段评价；
2)将步骤1)得到的评价指标分阶段由低至高进行排序，得到：
Figure BDA00032385998300000913
Figure BDA00032385998300000914
Figure BDA00032385998300000915
Figure BDA00032385998300000916
其中，
Figure BDA00032385998300000917
分别为排序后第I、II、III、IV个阶段内评价指标的集合，
Figure BDA00032385998300000918
为排序后第t个阶段内第n个评价指标，N为换道轨迹数据集中换道轨迹数据的数量；
3)根据设定阈值范围，选择排序后每个阶段内评价指标的集合的前M个评价指标对应的换道轨迹作为基于机器学习进行换道轨迹规划的模型的训练样本。
从NGSIM数据库中提取出1000条初始换道轨迹，根据本发明所提出的分段评价方法，将每条初始换道轨迹细分为四个阶段，并计算每一阶段对应的评价指标，按照从低到高排序，汇总为如下的分阶段评价指标集合：
Figure BDA0003238599830000101
取上述评价指标集合的前30％，得到：
Figure BDA0003238599830000102
Figure BDA0003238599830000103
中各评价指标对应的分阶段换道轨迹即为筛选后的优质换道轨迹，每个阶段300条。将每一阶段的优质换道轨迹分别作为基于机器学习进行换道轨迹规划的模型的训练样本，得到每个阶段的换道轨迹规划模型，在实际规划时，将每个阶段的换道轨迹规划模型的规划结果进行组合，得到最终的结果。
将1000条初始换道轨迹作为基于机器学习进行换道轨迹规划的模型的训练样本，同样得到一个换道轨迹规划模型。
用上述两个模型分别模拟真实交通场景，统计平均通行速度和平均车头时距指标，分别作为效率和安全评价指标，如图3所示，基于分段评价得到的模型使得平均通行速度由85km/h提升至94km/h，提高了10.6％；平均车头时距由2.4s提升至3.1s，提高了29.2％。由此可见，采用本发明的方法，通行效率和行车安全均得到显著提升。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (7)

1.一种换道轨迹的分段评价方法，所述换道轨迹为基于机器学习进行换道轨迹规划的模型的训练数据，其特征在于，包括如下步骤：
(1)采集目标换道轨迹中的车辆微观轨迹数据；
(2)确定目标换道轨迹的临界点，对目标换道轨迹进行分段；
(3)计算目标换道轨迹每个阶段的评价指标，完成目标换道轨迹的分段评价。
2.根据权利要求1所述的一种换道轨迹的分段评价方法，其特征在于，步骤(1)中，所述目标车辆微观轨迹数据包括目标车辆及其当前车道和目标车道内前后车的速度、加速度、车头时距，目标车辆换道轨迹与车道线的夹角，所述车道线为当前车道和目标车道之间的车道线。
3.根据权利要求1所述的一种换道轨迹的分段评价方法，其特征在于，步骤(2)具体如下：
记目标换道轨迹中换道车辆从换道起始时刻至其前保险杠中心到达车道线时刻的时间间隔为前半程换道时间TCL，从其前保险杠中心到达车道线时刻至换道结束时刻的时间间隔为后半程换道时间TTL，所述车道线为当前车道和目标车道之间的车道线；
换道轨迹的临界点包括：目标换道轨迹中换道车辆换道起始时刻其前保险杠中心对应的位置K1，目标换道轨迹中换道车辆的换道行为执行TCL/2时其前保险杠中心对应的位置K2，目标换道轨迹中换道车辆前保险杠中心与车道线的交点K3，目标换道轨迹中换道车辆的换道行为执行TCL+TTL/2时其前保险杠中心对应的位置K4，目标换道轨迹中换道车辆换道结束时刻其前保险杠中心对应的位置K5；
目标换道轨迹分为第I至IV阶段：K1到K2之间的轨迹为第I阶段，K2到K3之间的轨迹为第II阶段，K3到K4之间的轨迹为第III阶段，K4到K5之间的轨迹为第IV阶段。
4.根据权利要求3所述的一种换道轨迹的分段评价方法，其特征在于，步骤(3)具体如下：
记目标换道轨迹中换道车辆为车辆A，其当前车道内前车为车辆B、后车为车辆C，其目标车道内前车为车辆D、后车为车辆E；
第I阶段换道轨迹的评价指标计算方法如下：
Figure FDA0003238599820000011
式中UI为第I阶段换道轨迹的评价指标，
Figure FDA0003238599820000012
分别为车辆A、车辆C、车辆E在第I阶段的效用指标，
Figure FDA0003238599820000021
NI为第I阶段内采样点数量，
Figure FDA0003238599820000022
Δt为采样时间，
Figure FDA0003238599820000023
为第I阶段内第i个采样点对应的车辆A的加速度，
Figure FDA0003238599820000024
为第I阶段内第i个采样点对应的车辆C的速度，
Figure FDA0003238599820000025
为第I阶段内车辆C的平均速度，
Figure FDA0003238599820000026
Figure FDA0003238599820000027
为第I阶段内第i个采样点对应的车辆E的车头时距，
Figure FDA0003238599820000028
为第I阶段内第1个采样点对应的车辆E的车头时距；
第II阶段换道轨迹的评价指标计算方法如下：
Figure FDA0003238599820000029
式中UII为第II阶段换道轨迹的评价指标，
Figure FDA00032385998200000210
分别为车辆A、车辆B、车辆C、车辆E在第II阶段的效用指标
Figure FDA00032385998200000211
Figure FDA00032385998200000212
NII为第II阶段内采样点数量，NII＝NI；
Figure FDA00032385998200000213
为第II阶段内第i个采样点对应的车辆A的加速度，θII_1、
Figure FDA00032385998200000214
分别为第II阶段内第1个采样点和第NII个采样点对应的换道轨迹与车道线的夹角；
Figure FDA00032385998200000215
分别为第II阶段内第i个采样点和第1个采样点对应的车辆B的速度，
Figure FDA00032385998200000216
分别为第II阶段内第i个采样点和第1个采样点对应的车辆C的速度；
Figure FDA00032385998200000217
为第II阶段内第i个采样点对应的车辆E的加速度；
第III阶段换道轨迹的评价指标计算方法如下：
Figure FDA00032385998200000218
式中UIII为第III阶段换道轨迹的评价指标，
Figure FDA00032385998200000219
分别为车辆A、车辆C、车辆D、车辆E在第III阶段的效用指标，
Figure FDA0003238599820000031
NIII为第III阶段内采样点数量，
Figure FDA0003238599820000032
Figure FDA0003238599820000033
为第III阶段内第j个采样点对应的车辆A的速度，
Figure FDA0003238599820000034
为第III阶段内车辆A的平均速度，
Figure FDA0003238599820000035
Figure FDA0003238599820000036
为第III阶段内第1个采样点对应的车辆C的车头时距，
Figure FDA0003238599820000037
为第I阶段内第1个采样点对应的车辆C的车头时距；
Figure FDA0003238599820000038
分别为第III阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure FDA0003238599820000039
为第III阶段内第j个采样点对应的车辆E的加速度；
第IV阶段换道轨迹的评价指标计算方法如下：
Figure FDA00032385998200000310
式中UIV为第IV阶段换道轨迹的评价指标，
Figure FDA00032385998200000311
分别为车辆A、车辆B、车辆C、车辆D、车辆E在第IV阶段的效用指标，
Figure FDA00032385998200000312
Figure FDA00032385998200000313
NIV为第IV阶段内采样点数量，NIV＝NIII；
Figure FDA00032385998200000314
Figure FDA00032385998200000315
分别为第IV阶段内第NIV采样点和第1个采样点对应的车辆A的速度，
Figure FDA00032385998200000316
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆A的车头时距；
Figure FDA00032385998200000317
分别为第IV阶段内第j个采样点和第1个时刻对应的车辆B的速度，
Figure FDA00032385998200000318
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆C的速度，
Figure FDA00032385998200000319
分别为第IV阶段内第j个采样点和第1个采样点对应的车辆D的速度；
Figure FDA00032385998200000320
分别为第IV阶段内第NIV个采样点和第1个采样点对应的车辆E的车头时距。
5.一种换道轨迹数据集的处理方法，所述换道轨迹数据集用于基于机器学习进行换道轨迹规划的模型训练，其特征在于，该方法的具体步骤如下：
1)采用如权利要求1至4中任一所述的方法对换道轨迹数据集中的每一条换道轨迹数据进行分段评价；
2)将步骤1)得到的评价指标分阶段由低至高进行排序，得到：
Figure FDA0003238599820000041
Figure FDA0003238599820000042
Figure FDA0003238599820000043
Figure FDA0003238599820000044
其中，
Figure FDA0003238599820000045
分别为排序后第I、II、III、IV个阶段内评价指标的集合，
Figure FDA0003238599820000046
为排序后第t个阶段内第n个评价指标，N为换道轨迹数据集中换道轨迹数据的数量；
3)根据设定阈值范围，选择排序后每个阶段内评价指标的集合的前M个评价指标对应的换道轨迹作为基于机器学习进行换道轨迹规划的模型的训练样本。
6.一种换道轨迹的分段评价设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至4中任一所述的换道轨迹的分段评价方法的步骤。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至4中任一所述的换道轨迹的分段评价方法的步骤。
CN202111010077.3A 2021-08-31 2021-08-31 一种换道轨迹的分段评价方法 Active CN113723815B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111010077.3A CN113723815B (zh) 2021-08-31 2021-08-31 一种换道轨迹的分段评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111010077.3A CN113723815B (zh) 2021-08-31 2021-08-31 一种换道轨迹的分段评价方法

Publications (2)

Publication Number Publication Date
CN113723815A true CN113723815A (zh) 2021-11-30
CN113723815B CN113723815B (zh) 2024-05-24

Family

ID=78679613

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111010077.3A Active CN113723815B (zh) 2021-08-31 2021-08-31 一种换道轨迹的分段评价方法

Country Status (1)

Country Link
CN (1) CN113723815B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN112863245A (zh) * 2019-11-28 2021-05-28 南京理工大学 基于深度神经网络的车辆换道轨迹实时预测方法
US20210200212A1 (en) * 2019-12-31 2021-07-01 Uatc, Llc Jointly Learnable Behavior and Trajectory Planning for Autonomous Vehicles

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107315411A (zh) * 2017-07-04 2017-11-03 合肥工业大学 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法
CN112863245A (zh) * 2019-11-28 2021-05-28 南京理工大学 基于深度神经网络的车辆换道轨迹实时预测方法
US20210200212A1 (en) * 2019-12-31 2021-07-01 Uatc, Llc Jointly Learnable Behavior and Trajectory Planning for Autonomous Vehicles

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张新锋;夏八科;张甫城;: "基于V2V的高速换道轨迹多目标规划", 江苏大学学报(自然科学版), no. 02 *

Also Published As

Publication number Publication date
CN113723815B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN109471436A (zh) 基于混合高斯-隐马尔科夫模型的换道模型参数优化方法
CN113486822B (zh) 一种基于驾驶意图的周围车辆轨迹预测方法及系统
CN111599181A (zh) 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法
CN110386144B (zh) 一种对驾驶人制动意图进行辨识的ghmm/ggap-rbf混合模型及辨识方法
EP3393875B1 (de) Verfahren zum verbesserten erkennen von objekten durch ein fahrerassistenzsystem
DE102016119502A1 (de) Kategorisierung von Fahrzeugen in der Umgebung eines Kraftfahrzeugs
CN112863245B (zh) 基于深度神经网络的车辆换道轨迹实时预测方法
CN105740914A (zh) 一种基于近邻多分类器集成的车牌识别方法及系统
EP3789926A1 (de) Verfahren zum erkennen einer adversarialen störung in eingangsdaten eines neuronalen netzes
CN114926802B (zh) 基于双层lstm网络的车辆轨迹预测方法
DE102016216772A1 (de) Autonomes Fahren auf einer mehrstreifigen Fahrbahn
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统
CN113306558B (zh) 一种基于换道交互意图的换道决策方法及系统
CN117021959A (zh) 一种基于驾驶风格识别的滑行回收扭矩获取方法
CN115451987A (zh) 一种自动驾驶汽车的路径规划学习方法
CN113807009B (zh) 一种微观换道轨迹的分段提取方法
CN113723815A (zh) 一种换道轨迹的分段评价方法
CN113642114A (zh) 可犯错的拟人化随机跟车驾驶行为建模方法
EP4022535A1 (de) Klassifizierung von ki-modulen
CN113723529B (zh) 一种基于速度预测算法的交通信息可信辨识方法
CN114169147A (zh) 一种基于信息补全的车辆仿真轨迹拟合度计算方法
CN110667597B (zh) 基于车辆控制器局域网数据信息的驾驶风格状态辨识方法
CN114707573A (zh) 一种基于基本驾驶操作事件的无监督驾驶风格分析方法
Ma et al. Lane change analysis and prediction using mean impact value method and logistic regression model

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