CN115116228A - 一种八车道高速公路小汽车驾驶员换道决策方法 - Google Patents

一种八车道高速公路小汽车驾驶员换道决策方法 Download PDF

Info

Publication number
CN115116228A
CN115116228A CN202210767398.6A CN202210767398A CN115116228A CN 115116228 A CN115116228 A CN 115116228A CN 202210767398 A CN202210767398 A CN 202210767398A CN 115116228 A CN115116228 A CN 115116228A
Authority
CN
China
Prior art keywords
lane
vehicle
change decision
model
layer
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
CN202210767398.6A
Other languages
English (en)
Inventor
陈飞
李存孝
余瀚林
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 CN202210767398.6A priority Critical patent/CN115116228A/zh
Publication of CN115116228A publication Critical patent/CN115116228A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/09—Arrangements for giving variable traffic instructions

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种八车道高速公路小汽车驾驶员换道决策方法，包括以下步骤：对八车道高速公路小汽车换道行为进行分析，选取基本换道指标；根据基本换道指标选取换道决策变量；构建八车道高速公路换道决策模型，利用换道决策变量训练换道决策模型；所述换道决策模型采用基于CRBM的DBN模型，以换道决策变量为输入，以换道决策为输出；所述换道决策包括保持车道、向左换道或向右换道；利用训练之后的换道决策模型确定驾驶员的换道决策。本发明利用神经网络来构建八车道高速公路驾驶员换道决策模型，在以往换道模型的基础上充分考虑了驾驶员因素在换道过程的影响，使决策模型更加精准地模拟八车道高速公路中的自由换道行为。

Description

一种八车道高速公路小汽车驾驶员换道决策方法
技术领域
本发明涉及道路交通领域，特别涉及一种八车道高速公路小汽车驾驶员换道决策方法。
背景技术
高速公路在快速发展的同时，公路交通事故数量也在明显增多，相较于城市道路与低等级公路，由于八车道高速公路线性指标最高，车辆运行速度较快、车辆数量较多、车型组成复杂及行车环境良好，驾驶员可以相对自由地选择行车，这些客观条件导致高速公路部分路段车辆间的速度离散性较大、车辆频繁换道等情况，致使八车道高速公路上的交通事故更多，也更容易引发二次事故，威胁后方车辆的行车安全，引发追尾与碰擦等交通事故，不仅威胁公路使用者的生命安全，也严重降低公路的运行效率。
在保障八车道高速公路运行效率的前提下，尽可能提高行车安全性，速度管理措施已成为高速公路运营管理中一项重要内容，速度管理措施可以为驾驶员提供安全舒适的驾驶环境，在公路重要节点给予驾驶人建议性、提示性、警告性和强制性限速信息，提高公路的通行效率与行车安全。八车道高速公路中小汽车换道频繁，对八车道高速公路实时有效的速度管理措施，使交通流更加真实的反应显示情况，小汽车驾驶员换道决策模型的建立必不可少。但由于八车道高速公路车型组成复杂、各车道的最高与最低限速值不同，现有关于八车道公路换道决策的研究中未充分考虑到换道行为对驾驶员微观驾驶行为的影响，比如当小客车驾驶员在车道3或车道4行驶时，为了能尽快驶入驾驶条件更为良好的车道1与车道2，换道意图便会更为强烈，这便导致了在右侧两条车道3、4行驶的驾驶员在车辆周围驾驶环境满足换道条件时，驾驶员执行换道的概率会大于在左侧两条车道行车的驾驶员，因此传统八车道高速公路难以考虑到驾驶员主观换道意图对换道概率的影响，交通流仿真模型中换道规则并不能有效模拟实际交通流状况；且关于驾驶员换道决策与换道执行的研究场景中，尚未考虑分车道限速措施对驾驶的影响。
发明内容
发明目的：针对以上问题，本发明目的是提供一种八车道高速公路小汽车驾驶员换道决策方法，优化现有高速公路速度管理方法。
技术方案：本发明的一种八车道高速公路小汽车驾驶员换道决策方法，包括以下步骤：
步骤1，对八车道高速公路小汽车换道行为进行分析，选取基本换道指标，所述基本换道指标包括换道起止车道、换道起止时刻、换道执行阶段用时、纵向平均行驶速度、横向加速度均值和最大横向加速度；
步骤2，根据基本换道指标选取换道决策变量，所述变量集合为：
X＝{L,v0,v1,v2,v3,v4,v5,d1,d2,d3,d4,d5}
其中，L表示车辆所在车道数编号，沿车辆前进方向最左侧车道至右分别为1、2、3、4；v0表示实验车辆行驶速度；v1表示实验车辆所在车道前方车辆行驶速度；v2表示实验车辆左侧车道前方车辆行驶速度；v3表示实验车辆左侧车道后方车辆行驶速度；v4表示实验车辆右侧车道前方车辆行驶速度；v5表示实验车辆右侧车道后方车辆行驶速度；d1表示实验车辆车头与本车道前方车辆车尾间距离；d2表示实验车辆车头与左侧车道前方车辆车尾间距离；d3表示实验车辆车头与左侧车道后方车辆车头间距离；d4表示实验车辆车头与右侧车道前方车辆车尾间距离；d5表示实验车辆车头与右侧车道后方车辆车头间距离；
步骤3，构建八车道高速公路换道决策模型，利用换道决策变量训练换道决策模型；所述换道决策模型采用基于CRBM的DBN模型，以换道决策变量为输入，以换道决策为输出；所述换道决策包括保持车道、向左换道或向右换道；
步骤4，利用训练之后的换道决策模型确定驾驶员的换道决策。
进一步，在利用换道决策变量训练换道决策模型之前包括：
获取换道决策变量集合后，对集合中的每一个数据进行归一化处理。
进一步，所述DBN模型的隐藏层层数采用逐步试验法来确定，具体步骤包括：
步骤31，首先设定DBN模型为具有一层隐藏层的三层结构，包括输入层、单隐藏层和输出层，对隐藏层设置不同的神经元个数、固定的学习率以及固定的迭代次数，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定单隐藏层中神经元个数最优解IN1；
步骤32，然后设定DBN模型为具有两层隐藏层的四层结构，固定第一层隐藏层神经元个数为IN1，对第二层隐藏层设置不同神经元个数后对DBN模型分别进行训练，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定第二层隐藏层中神经元个数最优解IN2；
步骤33，以此类推，设定DBN模型为具有n层隐藏层的n+2层结构，固定前n-1层神经元个数分别为IN1至INn-1，此时无论对第n层隐藏层的神经元个数如何设置，计算得到DBN模型的RMSE和MAE值均大于设置n-1层隐藏层的误差指标时，则n-1即为隐藏层层数的最优解，第n-1层隐藏层神经元个数为INn-1。
进一步，在DBN模型确定隐藏层层数和各隐藏层神经元个数后，将换道成功数据和换道保持数据作为训练样本输入进DBN模型的输入层，设置学习率和迭代次数，最后一层隐藏层将输出变量输入进DBN模型的输出层，输出层将输出的误差方向传播至CRBM层，实现对模型参数的微调。
有益效果：本发明与现有技术相比，其显著优点是：本发明利用神经网络来构建八车道高速公路驾驶员换道决策模型，在以往换道模型的基础上充分考虑了驾驶员因素在换道过程的影响，使模型更加精准地模拟八车道高速公路中的自由换道行为。
附图说明
图1为换道过程示意图；
图2为换道决策变量示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。
本实施例所述的一种八车道高速公路小汽车驾驶员换道决策方法，包括以下步骤：
步骤1，对八车道高速公路小汽车换道行为进行分析，选取基本换道指标，所述基本换道指标包括换道起止车道、换道起止时刻、换道执行阶段用时、纵向平均行驶速度、横向加速度均值和最大横向加速度。
将小汽车在八车道高速公路上单次换道行为划分为决策阶段与换道执行阶段两个部分，如图1。在决策阶段中，驾驶员在衡量周围驾驶条件，确定换道执行的起始时间节点，在此阶段中，车辆可能会发生连续且微小的横向偏移；在执行阶段中，驾驶员大幅度转动方向盘，车辆朝向目标车道连续横向位移，横移结束后以平行于道路的直线行驶。
在决策阶段中，车辆的横向加速度基本趋于0，仅会以极小幅度进行变化，待执行阶段正式开始后，驾驶员转动方向盘控制车辆驶入目标车道，车辆横向加速度不断增大，至一定峰值后不断下降直至0附近，待车辆基本驶入目标车道后，驾驶员反方向转动方向盘以确保车辆沿目标车道正常行驶，此过程中车辆横向加速度依然会持续增大至一定峰值，在车辆平稳行驶后再次下降至0附近。
为研究不同限速场景对驾驶员换道行为的影响，本实施例中选取驾驶员换道过程中的换道起止车道、换道起止时刻、换道执行阶段用时、纵向平均行驶速度、横向加速度均值(绝对值)、最大横向加速度(绝对值)作为基本换道指标。
步骤2，根据基本换道指标选取换道决策变量，所述变量集合为：
X＝{L,v0,v1,v2,v3,v4,v5,d1,d2,d3,d4,d5}
其中，L表示车辆所在车道数编号，沿车辆前进方向最左侧车道至右分别为1、2、3、4；v0表示实验车辆行驶速度；v1表示实验车辆所在车道前方车辆行驶速度；v2表示实验车辆左侧车道前方车辆行驶速度；v3表示实验车辆左侧车道后方车辆行驶速度；v4表示实验车辆右侧车道前方车辆行驶速度；v5表示实验车辆右侧车道后方车辆行驶速度；d1表示实验车辆车头与本车道前方车辆车尾间距离；d2表示实验车辆车头与左侧车道前方车辆车尾间距离；d3表示实验车辆车头与左侧车道后方车辆车头间距离；d4表示实验车辆车头与右侧车道前方车辆车尾间距离；d5表示实验车辆车头与右侧车道后方车辆车头间距离。
在提取驾驶员换道决策数据前，首先分析影响驾驶员换道决策的各项因素，选取合适的变量构成模型的单组输入数据。综合考虑了基本换道指标、采集难度与对驾驶员换道决策的实际影响程度后，选取的换道决策变量集合如下：
X＝{L,v0,v1,v2,v3,v4,v5,d1,d2,d3,d4,d5}
如图2所示，L表示车辆所在车道数编号，沿车辆前进方向最左侧车道至右分别为1、2、3、4；v0表示实验车辆行驶速度；v1表示实验车辆所在车道前方车辆行驶速度；v2表示实验车辆左侧车道前方车辆行驶速度；v3表示实验车辆左侧车道后方车辆行驶速度；v4表示实验车辆右侧车道前方车辆行驶速度；v5表示实验车辆右侧车道后方车辆行驶速度；d1表示实验车辆车头与本车道前方车辆车尾间距离；d2表示实验车辆车头与左侧车道前方车辆车尾间距离；d3表示实验车辆车头与左侧车道后方车辆车头间距离；d4表示实验车辆车头与右侧车道前方车辆车尾间距离；d5表示实验车辆车头与右侧车道后方车辆车头间距离。
上述变量即为单组换道输入数据的换道决策变量集，除了上述集中的12项变量外，输入数据还包括每次换道行为的决策结果。
在八车道高速公路，行驶在车道2与车道3的驾驶员在产生一定换道意图时，会对上述换道决策变量进行综合感知与判断，最终做出如下三种行为的其中一种：保持车道、向左侧换道、向右侧换道；对于行驶在车道1与车道4的驾驶员，只有保持车道与向邻侧换道两种选择。如果以0、1、2分别表示保持车道、向左换道、向右换道，虽然可以直观表征4条车道中所有车辆可能进行的所有换道决策结果，但不满足机器学习的学习机制，因为三个值之间的差值不同，0值与2值的差值为2，模型会判定向右换道为与保持车道的相悖程度更高，从而影响拟合的结果。因此，本实施例中在单组输入变量中增加三项换道结果变量，以(1、0、0)的输入组合表示保持车道，以(0、1、0)的输入组合表示向左换道，以(0、0、1)的输入组合表示向右换道，则换道决策变量数据总共15项。
在明确换道决策变量数据后，定义换道决策的时间窗口，提取换道数据的时间节点。由于换道决策是一段驾驶员对周围驾驶环境的综合感知过程，决策时长会受驾驶员驾驶经验、风格、状态等因素影响。换道执行阶段起始时刻为车辆的横向加速度连续且均匀增大的起始时间点，以此时间节点作为成功发生换道的数据采集节点。
本实施例中利用视频软件对单组驾驶实验的录像进行分析，以提取上述15项换道决策变量数据，选用Houdini FX 18.0.499软件，提取驾驶员的换道决策变量。软件中主要使用到的五项功能区域分别为视频播放区域、视频时长选择区域、逻辑搭建区域、编码区域与数据输出区域，本实施例所用的车辆跟踪算法基于Houdini软件的Image Tracker算法，其基本原理如下：将单条视频插入工作区域的XY象限内，首先利用车道宽度(3.75m)设定像素点间的比例尺，接着根据换道数据库查询每次换道行为的起始时间点，以确定换道决策数据的采集时间点，以实验车在第n秒开始发生横向加速度变化为例(换道开始时刻)，拖动视频时长至第n秒处，放大视频直至实验车辆像素点清晰可见后，利用box绘制功能以其车头为矩形右边长绘制box1，以此方法对本车道实验车前车车身绘制相同的box2。此时两个box的中心点坐标已被自动录入进Tracker算法，输出栏目可以直接输出两个box之间的y轴距离，经比例尺转换后即为实验车与本车道前车的距离数据d1；由于视频质量为30帧，每帧图片对应的时间为0.0333s，因此为了获取两辆车在某时刻的瞬时速度v0和v1，可将速度采集时间窗口设置为10帧，即该时刻后5帧时的车辆位置与该时刻前5帧时的车辆位置的距离差除以10帧所对应的时长0.333s，即可当作车辆在该时刻的瞬时速度。
在对单次换道行为进行数据提取后，继续对实验车、本车道前车、邻车道前后车均绘制box，若在某次换道数据提取时发现存在某条实验车邻车道内不存在前车或者不存在后车，则其速度数据与距离数据均取为0，并且单组视频中的换道保持数据采集组数应大于换道成功数据组数。最终本实施例共采集792组换道成功样本数据，1200组换道保持样本数据。
步骤3，构建八车道高速公路换道决策模型，利用换道决策变量训练换道决策模型；换道决策模型采用基于改进型连续受限玻尔兹曼机CRBM(Continuous RestrictedBoltzmann Machine)的DBN模型，以换道决策变量为输入，以换道决策为输出；其中换道决策结果包括保持车道、向左换道或向右换道。
换道决策模型的输入数据集为：
X＝{x1,x2,...,x15}＝{L,v0,v1,v2,v3,v4,v5,d1,d2,d3,d4,d5,a,b,c}
换道决策模型的输出数据集为：
Y＝{y1,y2,y3}
式中，a、b、c表示换道决策结果实际值，y1、y2、y3表示三个总和为1的概率值，三个输出样本数据间满足以下关系：
Figure BDA0003722684330000061
在利用换道决策变量训练换道决策模型之前包括：
获取换道决策变量集合后，为了消除不同变量间量纲不同所造成的影响，对集合中的每一个数据进行归一化处理，将其映射到[0,1]范围之内，使各项变量数据处于同一量级。归一化处理不仅可以大幅提升模型的收敛速度，也能提高预测精度，本实施例中选用Min-Max标准化法对数据进行处理，表达式为：
xscale＝(x-xmin)/(xmax-xmin)
式中，xscale表示归一化后的换道决策变量数据值；xmin表示换道决策变量数据最小值；xmax表示换道决策变量数据最大值。
选用平方根均方误差RMSE(Root Mean Square Error)误差评价标准对DBN模型的训练误差进行评价，表达式如下：
Figure BDA0003722684330000062
式中，yi表示车辆换道决策的实际结果；y′i表示车辆换道决策的实际结果；n表示样本数。由于本实施例所建模型输出预测结果变量为Y＝{y1,y2,y3}，预测真实值为{a,b,c}，则本DBN模型的误差指标表达式为：
Figure BDA0003722684330000063
在DBN模型的结构设置中，首先需要确定的是输入层的神经元个数，由于选取15项换道决策变量指标，故输入层神经元个数设置为15。其次需要确定的是隐藏层层数与各隐藏层中神经元的数量，隐藏层神经元的数目关系到整个DBN模型的预测准确率，若隐藏层神经元数量过少，构建的模型网络性能会较差，输出数据的误差会过大；若隐藏层神经元数量过多，虽然可以减小整个网络的系统误差，但也会大幅增加训练时长，并可能导致模型出现过拟合、泛化能力差等问题。
DBN模型的隐藏层层数确定法采用逐步试验法，具体步骤包括：
步骤31，首先设定DBN模型为具有一层隐藏层的三层结构，包括输入层、单隐藏层和输出层，对隐藏层设置不同神经元个数、学习率以及迭代次数，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定单隐藏层中神经元个数最优解IN1；
步骤32，然后设定DBN模型为具有两层隐藏层的四层结构，固定第一层隐藏层神经元个数为IN1，对第二层隐藏层设置不同神经元个数后对DBN模型分别进行训练，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定第二层隐藏层中神经元个数最优解IN2；
步骤33，以此类推，设定DBN模型为具有n层隐藏层的n+2层结构，固定前n-1层神经元个数分别为IN1至INn-1，此时无论对第n层隐藏层的神经元个数如何设置，计算得到DBN模型的RMSE和MAE值均大于设置n-1层隐藏层的误差指标时，则n-1即为隐藏层层数的最优解，第n-1层隐藏层神经元个数为INn-1。
本实施例的单组输入变量个数为15，输出变量个数为3，则输入层与输出层的神经元个数分别15与3，采用如下经验公式来设置隐藏层中神经元个数：
Figure BDA0003722684330000071
式中，IN表示隐藏层神经元设置个数；nx表示输入层神经元数；ny表示输出层神经元个数；K为属于区间[0,10]的整数。
当搭建三层DBN模型时，输入层与输出层神经元个数nx与ny分别为15与3，单隐藏层的神经元个数取值区间为[6.7,16.7]，因此分别设置8、10、12、14、16个隐层神经元个数进行训练，学习率ε设置为0.01，迭代次数t设置为100，参数θH与θL分别设置为训练数据中的最大值与最小值。模型完成所有训练任务后，各误差指标数如下表1所示。
表1三层结构DBN模型在不同隐藏层神经元个数下的训练误差
IN<sub>1</sub> RMSE MAE
8 1.691686104 2.568728577
10 1.305899369 2.119655058
12 1.183871867 1.322790556
14 1.553622857 1.270400602
16 1.586530838 1.568091977
由表1可知，当DBN模型只设置单隐藏层时，DBN模型在隐藏层神经元个数为12时训练误差指标RMSE的值最小，在隐藏层神经元可数为14时MAE的值最小，但此时RMSE与MAE的均值大于隐藏层神经元可数为12时两者的均值，所以当DBN模型为三层结构时，隐藏层神经元个数IN1的最优解为12个。
在确定第一层隐藏层神经元个数后，搭建四层DBN模型(输入层+两层隐藏层+输出层)，以同样的参数值、学习率与迭代次数对DBN模型进行训练，在完成所有训练任务后，各误差指标数如表2所示。
表2四层结构DBN模型在不同隐藏层神经元个数下的训练误差
IN<sub>2</sub> RMSE MAE
8 1.216590465 1.263969752
10 0.893827502 0.762180588
12 0.954881103 0.935667090
14 0.849369514 0.657145857
16 0.998402822 1.105542763
当DBN模型设置两层隐藏层时，DBN模型在隐藏层神经元个数为14时训练误差指标RMSE与MAE均达到了最小值，所以当DBN模型为四层结构时，隐藏层神经元个数IN2的最优解为14个。
在确定第二层隐藏层神经元个数后，搭建五层DBN模型(输入层+三层隐藏层+输出层)，以同样的参数值、学习率与迭代次数对DBN模型进行训练，在完成所有训练任务后，各误差指标数如表3所示。
表3五层结构DBN模型在不同隐藏层神经元个数下的训练误差
Figure BDA0003722684330000081
Figure BDA0003722684330000091
当模型设置三层隐藏层时，模型在隐藏层神经元个数为14时训练误差指标RMSE达到最小值，为1.124743293；在隐藏层神经元个数为12时MAE达到最小值，为1.110361757，而这两项数值均大于只设置两层隐藏层的DBN模型的训练误差值，所以模型隐藏层层数的最优解为2层。
综上所述，本实施例中搭建的DBN模型采用双隐藏层结构，其中输入层神经元个数设置为15；第一隐藏层神经元个数IN1设为12；第一隐藏层神经元个数IN2设为14；输出层神经元个数设为3。
在确定了DBN模型隐藏层层数与各隐藏层神经元个数后，将准备好的500组换道成功数据与900组换道保持数据作为训练样本集X输入进DBN模型的输入层，学习率ε设置为0.01，迭代次数t设置为100，两层CRBM隐藏层在完成预设的迭代次数后，第二层隐藏层将输出变量输进BP层(输出层)，BP层将输出的误差方向传播至两个CRBM层中，以实现对参数的微调，使整个DBN预测模型达到最优解，从而达到有监督的训练。
步骤4，利用训练之后的换道决策模型确定驾驶员的换道决策。
模型训练完毕后，将剩余的292组换道成功数据与300组换道保持数据作为测试样本集输入模型，待模型输出预测结果后，对结果进行分类与整理，计算预测精确度值Accuracy。模型的预测结果如表4所示：
表4 DBN模型测试结果
实际值 y<sub>max</sub>＝y<sub>1</sub> y<sub>max</sub>＝y<sub>2</sub> y<sub>max</sub>＝y<sub>3</sub> 总数
1，0，0 277(预测正确) 20(预测错误) 3(预测错误) 300
0，1，0 9(预测错误) 131(预测正确) 1(预测错误) 141
0，0，1 3(预测错误) 0 148(预测正确) 151
由表4可以看出，对于141组向左换道的决策数据，DBN模型成功预测了其中的131组，剩余10组预测错误的数据中，9组被预测为车道保持，1组被预测为向右换道；对于151组向右换道的决策数据，模型成功预测了其中的148组，剩余3组被预测为车道保持；对于300组车道保持的决策数据，模型成功预测了277组，剩余23组预测错误的数据中，20组被预测为向左换道，3组被预测为向右换道。预测精度如表5所示。
表5DBN模型预测精度Accuracy
Figure BDA0003722684330000092
Figure BDA0003722684330000101
综合而言，对于592组训练数据，本文所构建的DBN模型成功预测了其中的550组，预测精度达到了93.92％，可以较为准确地预测八车道高速公路在实行复杂分车道限速措施下的驾驶员换道决策结果。

Claims (4)

1.一种八车道高速公路小汽车驾驶员换道决策方法，其特征在于，包括以下步骤：
步骤1，对八车道高速公路小汽车换道行为进行分析，选取基本换道指标，所述基本换道指标包括换道起止车道、换道起止时刻、换道执行阶段用时、纵向平均行驶速度、横向加速度均值和最大横向加速度；
步骤2，根据基本换道指标选取换道决策变量，变量集合为：
X＝{L,v0,v1,v2,v3,v4,v5,d1,d2,d3,d4,d5}
其中，L表示车辆所在车道数编号，沿车辆前进方向最左侧车道至右分别为1、2、3、4；v0表示实验车辆行驶速度；v1表示实验车辆所在车道前方车辆行驶速度；v2表示实验车辆左侧车道前方车辆行驶速度；v3表示实验车辆左侧车道后方车辆行驶速度；v4表示实验车辆右侧车道前方车辆行驶速度；v5表示实验车辆右侧车道后方车辆行驶速度；d1表示实验车辆车头与本车道前方车辆车尾间距离；d2表示实验车辆车头与左侧车道前方车辆车尾间距离；d3表示实验车辆车头与左侧车道后方车辆车头间距离；d4表示实验车辆车头与右侧车道前方车辆车尾间距离；d5表示实验车辆车头与右侧车道后方车辆车头间距离；
步骤3，构建八车道高速公路换道决策模型，利用换道决策变量训练换道决策模型；所述换道决策模型采用基于CRBM的DBN模型，以换道决策变量为输入，以换道决策为输出；所述换道决策包括保持车道、向左换道或向右换道；
步骤4，利用训练之后的换道决策模型确定驾驶员的换道决策。
2.根据权利要求1所述的换道决策方法，其特征在于，在利用换道决策变量训练换道决策模型之前包括：
获取换道决策变量集合后，对集合中的每一个数据进行归一化处理。
3.根据权利要求2所述的换道决策方法，其特征在于，所述DBN模型的隐藏层层数采用逐步试验法确定，具体步骤包括：
步骤31，首先设定DBN模型为具有一层隐藏层的三层结构，包括输入层、单隐藏层和输出层，对隐藏层设置不同的神经元个数、固定的学习率以及固定的迭代次数，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定单隐藏层中神经元个数最优解IN1；
步骤32，然后设定DBN模型为具有两层隐藏层的四层结构，固定第一层隐藏层神经元个数为IN1，对第二层隐藏层设置不同神经元个数后对DBN模型分别进行训练，计算不同神经元个数训练后DBN模型的误差指标RMSE与MAE，确定第二层隐藏层中神经元个数最优解IN2；
步骤33，以此类推，设定DBN模型为具有n层隐藏层的n+2层结构，固定前n-1层神经元个数分别为IN1至INn-1，此时无论对第n层隐藏层的神经元个数如何设置，计算得到DBN模型的RMSE和MAE值均大于设置n-1层隐藏层的误差指标时，则n-1即为隐藏层层数的最优解，第n-1层隐藏层神经元个数为INn-1。
4.根据权利要求3所述的换道决策方法，其特征在于，在DBN模型确定隐藏层层数和各隐藏层神经元个数后，将换道成功数据和换道保持数据作为训练样本输入进DBN模型的输入层，设置学习率和迭代次数，最后一层隐藏层将输出变量输入进DBN模型的输出层，输出层将输出的误差方向传播至CRBM层，实现对模型参数的微调。
CN202210767398.6A 2022-06-30 2022-06-30 一种八车道高速公路小汽车驾驶员换道决策方法 Pending CN115116228A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210767398.6A CN115116228A (zh) 2022-06-30 2022-06-30 一种八车道高速公路小汽车驾驶员换道决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210767398.6A CN115116228A (zh) 2022-06-30 2022-06-30 一种八车道高速公路小汽车驾驶员换道决策方法

Publications (1)

Publication Number Publication Date
CN115116228A true CN115116228A (zh) 2022-09-27

Family

ID=83331167

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210767398.6A Pending CN115116228A (zh) 2022-06-30 2022-06-30 一种八车道高速公路小汽车驾驶员换道决策方法

Country Status (1)

Country Link
CN (1) CN115116228A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105620480A (zh) * 2015-12-29 2016-06-01 东南大学 智能车辆自主性换道时机决策方法
CN110853377A (zh) * 2019-11-15 2020-02-28 东南大学 基于车头时距的公路车辆换道模型标定与决策方法及装置
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台
CN113158332A (zh) * 2021-03-29 2021-07-23 东南大学 一种基于驾驶员反应时间的高原公路停车视距计算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105620480A (zh) * 2015-12-29 2016-06-01 东南大学 智能车辆自主性换道时机决策方法
CN110853377A (zh) * 2019-11-15 2020-02-28 东南大学 基于车头时距的公路车辆换道模型标定与决策方法及装置
CN112542049A (zh) * 2020-12-29 2021-03-23 四川高路交通信息工程有限公司 智慧交通综合管控平台
CN113158332A (zh) * 2021-03-29 2021-07-23 东南大学 一种基于驾驶员反应时间的高原公路停车视距计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
余瀚林: "八车道高速公路速度管理方案研究", 《工程科技II辑》 *

Similar Documents

Publication Publication Date Title
CN111079590B (zh) 一种无人驾驶车辆的周边车辆行为预判方法
WO2021077725A1 (zh) 一种基于驾驶意图的周围车辆运动状态预测系统及方法
Tang et al. Driver lane change intention recognition of intelligent vehicle based on long short-term memory network
CN110843789A (zh) 一种基于时序卷积网络的车辆换道意图预测方法
Wirthmüller et al. Predicting the time until a vehicle changes the lane using LSTM-based recurrent neural networks
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法
CN112053589A (zh) 一种目标车辆换道行为自适应识别模型构建方法
Li et al. Modeling vehicle merging position selection behaviors based on a finite mixture of linear regression models
CN112249008A (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN112365710B (zh) 一种基于概率输出模型的智能车辆换道决策方法
CN113581182A (zh) 基于强化学习的自动驾驶车辆换道轨迹规划方法及系统
Sun et al. DDPG-based decision-making strategy of adaptive cruising for heavy vehicles considering stability
CN110989568A (zh) 一种基于模糊控制器的自动驾驶车辆安全通行方法及系统
CN112201033A (zh) 一种道路交通运行主动管控策略选择方法
CN115056798A (zh) 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法
Chen et al. Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road
CN116341288B (zh) 一种异质交通流行车安全场建模方法
Griesbach et al. Prediction of lane change by echo state networks
CN115116228A (zh) 一种八车道高速公路小汽车驾驶员换道决策方法
Zhang et al. A lane-changing prediction method based on temporal convolution network
CN115871671A (zh) 一种考虑周边车辆的智能汽车换道决策与轨迹规划方法、系统
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
Chada et al. Learning-based driver behavior modeling and delay compensation to improve the efficiency of an eco-driving assistance system
CN113313941A (zh) 基于记忆网络和编码器-解码器模型的车辆轨迹预测方法
Bagwe et al. RAMRL: Towards Robust On-Ramp Merging via Augmented Multimodal Reinforcement Learning

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