CN117922576B - 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 - Google Patents
一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 Download PDFInfo
- Publication number
- CN117922576B CN117922576B CN202410332145.5A CN202410332145A CN117922576B CN 117922576 B CN117922576 B CN 117922576B CN 202410332145 A CN202410332145 A CN 202410332145A CN 117922576 B CN117922576 B CN 117922576B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- lane change
- data
- acceleration
- 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
Links
- 230000008859 change Effects 0.000 title claims abstract description 128
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000012549 training Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims description 45
- 230000006399 behavior Effects 0.000 claims description 43
- 230000001133 acceleration Effects 0.000 claims description 40
- 230000005484 gravity Effects 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 16
- 230000009466 transformation Effects 0.000 claims description 16
- 239000013598 vector Substances 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000008569 process Effects 0.000 abstract description 4
- 230000001131 transforming effect Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000003066 decision tree Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008602 contraction Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- 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
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于数据和知识双驱动的自动驾驶车辆换道决策方法,属于自动驾驶技术领域,首先使用搭载激光雷达、摄像头、毫米波雷达的车辆采集高速公路场景下的实验数据,形成数据训练集,基于Transformer构建车辆行为倾向识别模型,并使用随机搜索的方法对模型参数进行优化,使用优化好的车辆行为倾向识别模型对车辆的行为倾向进行实时判断,若行为倾向为左换道或右换道,则采用最小安全距离模型进行安全性判别,换道决策安全则执行换道决策,如果不满足安全性判别将执行车道保持或减速决策。本发明可以通过对换道车辆及其周边车辆在换道过程中的运行特征及位置、速度关系进行安全性分析,保证车辆换道的安全。
Description
技术领域
本发明属于自动驾驶技术领域,具体涉及一种基于数据和知识双驱动的自动驾驶车辆换道决策方法。
背景技术
现阶段自动驾驶技术发展迅速,社会各界对自动驾驶展开了广泛的研究,自动驾驶车辆按照技术构成可以分为三部分:感知、决策和控制,其中自动驾驶车辆的决策是关乎自动驾驶车辆行驶安全的关键,因而近年来有关换道研究也逐渐成为交通和车辆领域内的热点。我们可以将已有的自动驾驶决策方案总结分为两类,第一类是传统基于知识的决策方案。
CN110286681B公开了一种变曲率弯道的动态自动驾驶换道轨迹规划方法,包括如下步骤:步骤一、计算直道换道轨迹曲线;步骤二、计算弯道换道轨迹曲线;步骤三、采用防侧翻算法和避撞算法计算轨迹安全性约束;步骤四、确定满足步骤三所述的轨迹安全性约束的最优轨迹;步骤五、输出最终换道轨迹,作为自动驾驶车辆的换道轨迹,从而构建了一套完整的动态车辆换道轨迹规划模型。
CN 112327830 B公开了一种车辆自动驾驶变道轨迹的规划方法,包括:将上一周期规划的第一车体坐标系下的历史规划轨迹变换至当前周期的第二车体坐标系,获得第一变换轨迹;确定第二车体坐标系下的第一参考线;确定当前周期终止时刻的预测位置点;将预测位置点和第一变换轨迹拼接并变换至第三车体坐标系获得第二变换轨迹;将第一参考线变换至第三车体坐标系获得第二参考线;将第二参考线的始末位置点变换至Frenet坐标系并进行多项式拟合,获得横向规划轨迹和纵向规划轨迹;将横向规划轨迹和纵向规划轨迹变换至第三车体坐标系,获得第三变换轨迹;将第二变换轨迹和第三变换轨迹拼接,获得目标规划轨迹。
第二类是基于数据驱动的决策方案。
CN 112793576 B公开了一种基于规则与机器学习融合的换道决策方法及系统,利用车辆换道数据、换道必要性特征、换道安全性特征以及换道收益特征训练换道决策模型;利用训练好的换道决策模型确定换道决策。
CN110619340A公布了一种自动驾驶汽车换道规则的生成方法,包括:步骤1获取选定道路区域的交通数据;步骤2,根据换道行为影响因素从所述交通数据中筛选得到样本数据;步骤3,根据所述样本数据计算各换道行为影响因素的灰熵关联度,获得换道行为的条件属性;步骤4,基于所述换道行为的条件属性的信息增益和增益率,构建换道行为决策树,并根据所述换道行为决策树生成换道规则。
CN115018016A公布了一种人工驾驶车辆换道意图识别方法和系统,所述方法包括:对预设车辆轨迹数据集进行预处理;提取目标车辆的车辆行驶特征及驾驶行为特征;构建基于机器学习的车辆跟驰与换道决策预测模型,将预处理后的车辆轨迹数据集输入所述预测模型进行训练:根据所述目标车辆的车辆行驶特征得到目标车辆的速度、加速度、车头间距,根据所述目标车辆的驾驶行为特征得到大型车特征值和聚类特征值;将所述目标车辆的速度、加速度、车头间距、大型车特征值和聚类特征值输入训练好的预测模型,得到目标车辆的换道意图识别结果。
上述自动驾驶换道决策模型存在的缺点为:1.场景覆盖性差:规则是预定义的,无法自适应场景库里没有的场景模型,因此在新环境中表现可能不佳。2.智能化程度比较低:基于规则的模型无法从数据中学习和改进,也无法通过反馈机制提高自己的性能,无法动态去适应驾驶员的驾驶风格。3.模型的可解释性较差:由于深度学习等技术的复杂性,模型的内部结构和决策过程很难被解释和理解。4.基于学习的模型仍存在准确性的问题。
发明内容
为了解决现有技术的不足,本发明提供了一种基于数据和知识双驱动的自动驾驶车辆换道决策方法,设计合理,解决了现有技术的不足,具有良好的效果。
本发明采用如下技术方案:
一种基于数据和知识双驱动的自动驾驶车辆换道决策方法,包括以下步骤:
S1、选用一辆搭载激光雷达、摄像头、毫米波雷达的换道车辆进行数据采集,激光雷达用来采集周边车辆的距离、位置、角度和航向角,毫米波雷达用来采集换道车辆的速度和加速度,摄像头用来采集前方车辆的图像;
S2、根据S1获得的数据,得到换道车辆与周边车辆之间的距离,换道车辆的速度、横向加速度和纵向加速度,周边车辆的速度和加速度;
S3、根据激光雷达的id以及摄像头采集的图像进行联合标定,将换道车辆的轨迹信息提取出来,对提取的换道车辆轨迹通过对称指数移动平均法进行平滑处理,通过换道车辆的车辆行为记录模块对车辆行为倾向进行筛选分类,分为左换道、右换道、车道保持、减速四个行为倾向,形成训练数据集;
S4、基于Transformer构建车辆行为倾向识别模型,使用训练数据集对该模型进行学习训练,采用特异度、真正率、假正率对准确率四个指标灵敏度进行评价,对训练好的模型使用随机收缩的方法进行参数优化,使用优化好的车辆行为倾向识别模型对车辆的自动驾驶行为倾向进行实时判断;若行为倾向为左换道或右换道,则执行S5;
S5、构建最小安全距离模型,使用该模型对换道行为进行安全性判别,如果满足安全距离,将执行换道决策,如果不满足安全距离,将执行车道保持或者减速决策。
进一步地,在S3中,对数指数移动平均法的表达式为:
;
;
;
其中,为换道车辆在时刻的原始值,为换道车辆在时刻的拟
合值,为考虑边界数据平滑窗口,为平滑宽度,为移动平均幅度,数据时间间隔,为车辆出现的帧数,根据拟合参数不同,取值不同,当x为位置数据时=0.5s,当x
为车速数据时=1s。
进一步地,在S4中,所述车辆行为倾向识别模型包括输入单元、编码器、解码器和输出单元,所述输入单元包括位置编码层,编码器依次由多头注意力层、残差连接和归一化层、前馈神经网络层和残差连接和归一化层构成;
该模型的输入序列为X,X=( batch size,pad size,d model ),batch size为一次输入的换道车辆数量,pad size为轨迹点的数量,d model为轨迹点的特征参数数量,X的表达式为:
;
;
;
其中,N为换道车辆的数量,为第i个换道车辆n个轨迹点的特征,i∈(1,N),为
第j个轨迹点的特征,j∈(1,n),n为轨迹点的数量;为换道车辆速度,为换道车辆加速
度,为当前车道前方车辆速度,为当前车道前方车辆加速度,为换道车辆与前方
车辆的纵向相对距离,为换道车辆与前方车辆的横向相对距离,为目标车道前车车
辆速度,为目标车道前车车辆加速度,为换道车辆与目标前方车辆的纵向相对距
离,为换道车辆与左前方车辆的横向相对距离,为目标车道后车车辆速度,为
目标车道后车车辆加速度,为换道车辆与左后方车辆的纵向相对距离,为换道车
辆与左后方车辆的横向相对距离;
将输入序列X在输入单元进行相对位置编码,公式为:
;
;
其中,pos为数据在序列中的位置索引,PE为二维张量,dmodel为数据的特征数量,
为数据的特征位置;
在编码器中,首先通过多头注意力层,将经过位置编码的输入序列X线性投影到三个不同的空间,分别得到一组查询向量qi、一组键向量ki和一组值向量vi,经过不同的权重矩阵分别计算得到查询矩阵Q、键矩阵K和值矩阵V,其表达式为:
;
;
;
其中,为查询矩阵Q的权重矩阵,为键矩阵K的权重矩阵,为值矩阵V的
权重矩阵;
对Q和K通过缩放点积注意力评分函数算出权重,公式为:
;
其中,T表示转置,为输入矩阵的特征维度;
使用softmax函数对所有权重归一化,将权重和相应的Q、V进行加权求和,得到注
意力值,公式为:
;
使用多头注意力机制建立多个子空间,首先将Q、K、V经过线性变换后,并行执行m次的缩放点积注意力机制,然后,将m次的缩放点积注意结果加以连接,经过线性变换,转换为预期的维度,得到多头注意力最终值,公式为:
;
;
其中,、/>、/>分别是第s个多头注意力头的查询、键、值矩阵的权重矩阵,是输出的权重矩阵,/>为第s个多头注意力头的输出值,/>,m为多头注意力头的数量,/>为多头注意力最终值;
将多头注意力最终值输入到残差连接和归一化层,改善梯度消
失问题,得到X’,其表达式为:
;
将输入到前馈神经网络层中,得到,前馈神经网络层由两个线性变
化和线性激活函数构成,线性激活函数采用Relu激活函数,其表达式为:
;
其中,为第层隐藏层的权重矩阵,为第层隐藏层的偏置向量,为第2层隐
藏层的权重矩阵,为第2层隐藏层的偏置向量;
将输入到残差连接和归一化层,得到,其表达式为:
;
将输入到解码器中多头注意力层,经解码器输出的数据,在输出单元中先经过
一次线性变换,然后通过Softmax操作得到输出结果。
进一步地,在S5中,构建最小安全距离模型,设M为换道车辆、M1为换道车辆当前车道前方车辆、M2为换道车辆目标车道前方车辆、M3为换道车辆目标车辆后方车辆、M4为换道车辆当前车道后方车辆;
M车与M1车不发生碰撞的条件为:
;
;
其中,为t时刻M1车重心位置横坐标;为t时刻M车重心位置横坐标;为t时刻M1车重心位置纵坐标,为t时刻M车重心位置纵坐标,为M车的重心
位置距车辆前端的距离;为M车的宽度;为M1车重心位置距车辆后端的距离;为
M1车的宽度;θ(t)为t时刻M车的轨迹切线方向与车道线方向的夹角;
令 ,其中,为t
时刻时M车与M1车的车辆间距,t1为换道车辆M开始施加横向加速的时间,t2为换道车辆到达
碰撞点的时间;则在时,只要保证,则保证在换道时M车和M1两车不会发生
碰撞,同样表示为:
;
式中:,为初始时刻M车与M1车的车辆间距,为初始时刻M1车重心位置横坐标,为初始时刻M车重心位置横坐标;为M
车初始时刻的速度,为M1车初始时刻的速度;为M车在t时刻的加速度,
为M1车在t时刻的加速度;换道初始距离的最小值即要求换道时换道车辆M车与同车
道前方车辆M1车不发生任何碰撞的最小安全距离表示为:
;
换道车辆M车与目标车道前方车辆M2车不发生任何碰撞的最小安全距离表示为:
;
s.t. ;
其中,为M2车在t时刻的加速度,为M2车初始时刻的速度,为换道
车辆完成换道行为的时间,为M2车重心位置纵坐标,为M2车的宽度;
换道车辆M车与目标车道前方车辆M3车不发生任何碰撞的最小安全距离表示为:
;
s.t. ;
其中,为M3车在t时刻的加速度,为M3车初始时刻速度,为M车中
心位置距车辆后端的距离,为t时刻M3重心位置纵坐标,为M3车的宽度。
有益技术效果:
本发明提供了一种基于数据和知识双驱动的自动驾驶车辆换道决策方法,根据周围环境感知的信息,基于学习的方法产生驾驶行为的动作倾向,然后用基于规则的方法进行安全性分析,如果安全就通过,反之则驳回。本发明既可以根据不同的驾驶员习惯和风格来进行个性化的换道决策,又可以保证模型的场景覆盖性,同时可以通过对换道车辆及其周边车辆在换道过程中的运行特征及位置、速度关系进行安全性分析,保证车辆换道的安全。
附图说明
图1为本发明中自动驾驶车辆换道决策方法流程图。
图2为本发明中基于Transformer构建车辆行为倾向识别模型的训练流程图。
图3为本发明中换道场景示意图。
图4为本发明中换道车辆M同车道前方车辆M1的轨迹示意图。
图5为对换道决策进行安全性判断的流程图。
具体实施方式
为了使本发明的目的、技术方案以及优点部分更加明确,以下结合附图及实施例,对本发明做进一步的详细说明。下面通过参考附图描述的实例属于示例性质,并不能认为是对本发明的限制。需要理解的是,在本发明的描述中,所涉及到如顶、底、上、下、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
为进一步说明本发明的技术方案,下面将通过多个具体实施例进行详细说明。
一种基于数据和知识双驱动的自动驾驶车辆换道决策方法,如图1所示,包括以下步骤:
S1、选用一辆搭载激光雷达、摄像头、毫米波雷达的换道车辆进行数据采集,激光雷达用来采集周边车辆的距离、位置、角度和航向角,毫米波雷达用来采集换道车辆的速度和加速度,摄像头用来采集前方车辆的图像;
S2、根据S1获得的数据,得到换道车辆与周边车辆之间的距离,换道车辆的速度、横向加速度和纵向加速度,周边车辆的速度和加速度;
S3、根据激光雷达的id以及摄像头采集的图像进行联合标定,将换道车辆的轨迹信息提取出来,对提取的换道车辆轨迹通过对称指数移动平均法进行平滑处理,通过换道车辆的车辆行为记录模块对车辆行为倾向进行筛选分类,分为左换道、右换道、车道保持、减速四个行为倾向,形成训练数据集;
对数指数移动平均法的表达式为:
;
;
;
其中,为换道车辆在时刻的原始值,为换道车辆在时刻的拟
合值,为考虑边界数据平滑窗口,为平滑宽度,为移动平均幅度,数据时间间隔,为车辆出现的帧数,根据拟合参数不同,取值不同,当x为位置数据时=0.5s,当x
为车速数据时=1s。
S4、基于Transformer构建车辆行为倾向识别模型,使用训练数据集对该模型进行学习训练,采用特异度、真正率、假正率对准确率四个指标灵敏度进行评价,对训练好的模型使用随机收缩的方法进行参数优化;使用优化好的车辆行为倾向识别模型对车辆的自动驾驶行为倾向进行实时判断;若行为倾向为左换道或右换道,则执行S5;
在S4中,车辆行为倾向识别模型包括输入单元、编码器、解码器和输出单元,输入单元包括位置编码层,编码器依次由多头注意力层、残差连接和归一化层、前馈神经网络层和残差连接和归一化层构成,如图2所示;
该模型的输入序列为X,X=( batch size,pad size,d model ),batch size为一次输入的换道车辆数量,pad size为轨迹点的数量,d model为轨迹点的特征参数数量;X的表达式为:
;
;
;
其中,N为换道车辆的数量,为第i个换道车辆n个轨迹点的特征,i∈(1,N),为
第j个轨迹点的特征,j∈(1,n),n为轨迹点的数量;为换道车辆速度,为换道车辆加速
度,为当前车道前方车辆速度,为当前车道前方车辆加速度,为换道车辆与前方
车辆的纵向相对距离,为换道车辆与前方车辆的横向相对距离,为目标车道前车车
辆速度,为目标车道前车车辆加速度,为换道车辆与目标前方车辆的纵向相对距
离,为换道车辆与左前方车辆的横向相对距离,为目标车道后车车辆速度,为
目标车道后车车辆加速度,为换道车辆与左后方车辆的纵向相对距离,为换道车
辆与左右方车辆的横向相对距离;
将输入序列X在输入单元进行相对位置编码,公式为:
;
;
其中,pos为数据在序列中的位置索引,PE为二维张量,dmodel为数据的特征数量,
为数据的特征位置;
在编码器中,首先通过多头注意力层,将经过位置编码的输入序列X线性投影到三个不同的空间,分别得到一组查询向量qi、一组键向量ki和一组值向量vi,经过不同的权重矩阵分别计算得到查询矩阵Q、键矩阵K和值矩阵V,其表达式为:
;
;
;
其中,为查询矩阵Q的权重矩阵,为键矩阵K的权重矩阵,为值矩阵V的
权重矩阵;
对Q和每个K通过缩放点积注意力评分函数算出权重,公式为:
;
其中,T表示转置,为输入矩阵的特征维度;
使用softmax函数对所有权重归一化,将权重和相应的Q、V进行加权求和,得到注
意力值,公式为:
;
使用多头注意力机制建立多个子空间,首先将Q、K、V经过线性变换后,并行执行m次的缩放点积注意力机制,然后,将m次的缩放点积注意结果加以连接,经过线性变换,转换为预期的维度,得到多头注意力最终值,公式为:
;
;
其中,、、分别是第s个多头注意力头的查询、键、值矩阵的权重矩阵,是输出的权重矩阵,为第s个多头注意力头的输出值,,m为多头注意力头
的数量,为多头注意力最终值,函数用于将多个头连起来;
将多头注意力最终值输入到残差连接层,改善梯度消失问题,得
到X’,其表达式为:
;
将输入到前馈神经网络层中,得到,前馈神经网络层由两个线性变
化和线性激活函数构成,线性激活函数采用Relu激活函数,其表达式为:
;
其中,为第层隐藏层的权重矩阵,为第层隐藏层的偏置向量,为第2层隐
藏层的权重矩阵,为第2层隐藏层的偏置向量;
将输入到残差连接层,得到,其表达式为:
;
将输入到解码器中多头注意力层,经解码器输出的数据,在输出单元中先经过
一次线性变换,然后通过Softmax操作得到输出结果。
S5、构建最小安全距离模型,使用该模型对换道行为进行安全性判别,如果满足安全距离,将执行换道决策,如果不满足安全距离,将执行车道保持或者减速决策。
在S5中,构建最小安全距离模型,如图3所示,设M为换道车辆、M1为换道车辆当前车道前方车辆、M2为换道车辆目标车道前方车辆、M3为换道车辆目标车辆后方车辆、M4为换道车辆当前车道后方车辆;
如图4所示,换道车辆M车与同车道前方车辆M1车最小安全距离模型:当换道车辆M向目标车道进行换道的过程中,为保证变道车辆M与同车道前方车辆M1不发生碰撞,需要保证换道车辆M的右前角在到达L1线之时未与同车道前车M1发生碰撞。因而将A点定义为两车的临界碰撞点,即换道车辆M的右前角与同车道前车M1左后角发生接触的位置,其中,S0为两车的初始距离; L1线为原车道上车辆行驶的左侧边缘线。
考虑到碰撞形式可能发生,M车与M1车不发生碰撞的条件为:
;
;
其中,为t时刻M1车重心位置横坐标;为t时刻M车重心位置的横坐标;为t时刻M1车重心位置纵坐标,为t时刻M车重心位置纵坐标,为M车的重心
距车辆前端的距离,单位为m;为M车的宽度,单位为m;为M1车重心距车辆后端的距
离,单位为m;为M1车的宽度,单位为m;θ(t)为t时刻M车的轨迹切线方向与车道线方向
的夹角;
令 ,其中,为t
时刻时M车与M1车的车辆间距,t1为换道车辆M开始施加横向加速的时间,t2为换道车辆到达
碰撞点的时间;则在时,只要保证,则保证在换道时M车和M1两车不会发生
碰撞,同样表示为:
;
式中:,为初始时刻M车与M1车的车辆间距,为初始时刻M1车重心位置横坐标,为初始时刻M车重心位置横坐标;为M
车初始时刻的速度,为M1车初始时刻的速度;为M车在t时刻的加速度,
为M1车在t时刻的加速度;换道初始距离的最小值即要求换道时换道车辆M车与同车
道前方车辆M1车不发生任何碰撞的最小安全距离表示为:
;
换道车辆M车与目标车道前方车辆M2车不发生任何碰撞的最小安全距离表示为:
;
s.t. ;
其中,为M2车在t时刻的加速度,为M2车初始时刻的速度,为换道
车辆完成换道行为的时间,为M2车重心位置纵坐标,为M2车的宽度;
换道车辆M车与目标车道前方车辆M3车不发生任何碰撞的最小安全距离表示为:
;
s.t. ;
其中,为M3车在t时刻的加速度,为M3车初始时刻的速度,为M车
中心位置距车辆后端的距离,为t时刻M3重心位置纵坐标,为M3车的宽度。
图5为对基于机器学习的换道模型进行安全性判断的流程图,将训练优化好的车辆行为识别模型生成的自动驾驶动作倾向输入,然后对输入的自动驾驶动作倾向使用上述最小安全距离模型进行安全性判别,当车辆满足换道安全性分析后执行换道决策,如果不满足将进行车道保持决策,如果换道车量的速度大于同车道前车的速度,进行减速决策,当换道车辆车速小于等于同车道前车的速度将进行车道保持决策。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (4)
1.一种自动驾驶车辆换道决策方法,其特征在于,包括以下步骤:
S1、选用一辆搭载激光雷达、摄像头、毫米波雷达的换道车辆进行数据采集;
S2、根据S1获得的数据,得到换道车辆与周边车辆之间的距离,换道车辆的速度、横向加速度和纵向加速度,周边车辆的速度和加速度;
S3、根据激光雷达的id以及摄像头采集的图像进行联合标定,将换道车辆的轨迹信息提取出来,对提取的换道车辆轨迹通过对称指数移动平均法进行平滑处理,通过换道车辆的车辆行为记录模块对车辆行为倾向进行筛选分类,分为左换道、右换道、车道保持、减速四个行为倾向,形成训练数据集;
S4、基于Transformer构建车辆行为倾向识别模型,使用训练数据集对该模型进行学习训练,采用特异度、真正率、假正率、对准确率四个指标灵敏度进行评价,对训练好的模型使用随机搜索的方法进行参数优化,使用优化好的车辆行为倾向识别模型对车辆的自动驾驶行为倾向进行实时判断;若行为倾向为左换道或右换道,则执行S5;
S5、构建最小安全距离模型,使用该模型对换道行为进行安全性判别,如果满足安全距离,将执行换道决策,如果不满足安全距离,将执行车道保持或者减速决策;
其中,在S4中,该模型的输入序列为X,X=(batch size,pad size,d model),batchsize为一次输入的换道车辆数量,pad size为轨迹点的数量,d model为轨迹点的特征参数数量,X的表达式为:
X=[x1,x2,x3,…,xN]T;
xi=[t1,t2,t3,…,tn]T;
tj=[vm,am,vm1,am1,Δxm1,Δym1,vm2,am2,Δxm2,Δym2,vm3,am3,Δxm3,Δym3];
其中,N为换道车辆的数量,xi为第i个换道车辆n个轨迹点的特征,i∈(1,N),tj为第j个轨迹点的特征,j∈(1,n),n为轨迹点的数量;vm为换道车辆速度,am为换道车辆加速度,vm1为当前车道前方车辆速度,am1为当前车道前方车辆加速度,Δxm1为换道车辆与前方车辆的纵向相对距离,Δym1为换道车辆与前方车辆的横向相对距离,vm2为目标车道前车车辆速度,am2为目标车道前车车辆加速度,Δxm2为换道车辆与目标车道前车车辆的纵向相对距离,Δym2为换道车辆与左前方车辆的横向相对距离,vm3为目标车道后车车辆速度,am3为目标车道后车车辆加速度,Δxm3为换道车辆与左后方车辆的纵向相对距离,Δym3为换道车辆与左后方车辆的横向相对距离。
2.根据权利要求1所述的一种自动驾驶车辆换道决策方法,其特征在于,在S3中,对数指数移动平均法的表达式为:
Δ=T/d;
D=min{3Δ,t-1,NM-t};
其中,xM(t)为换道车辆M在t时刻的原始值,为换道车辆M在t时刻的拟合值,D为考虑边界数据平滑窗口,Δ为平滑宽度,T为移动平均幅度,d数据时间间隔,NM为车辆M出现的帧数,T根据拟合参数不同,取值不同,当x为位置数据时T=0.5s,当x为车速数据时T=1s。
3.根据权利要求1所述的一种自动驾驶车辆换道决策方法,其特征在于,在S4中,所述车辆行为倾向识别模型包括输入单元、编码器、解码器和输出单元,所述输入单元包括位置编码层,编码器依次由多头注意力层、残差连接和归一化层、前馈神经网络层和残差连接和归一化层构成;
将输入序列X在输入单元进行相对位置编码,公式为:
其中,pos为数据在序列中的位置索引,PE为二维张量,dmodel为数据的特征数量,s为数据的特征位置;
在编码器中,首先通过多头注意力层,将经过位置编码的输入序列X线性投影到三个不同的空间,分别得到一组查询向量qi、一组键向量ki和一组值向量vi,经过不同的权重矩阵分别计算得到查询矩阵Q、键矩阵K和值矩阵V,其表达式为:
Q=XWQ;
K=XWK;
V=XWV;
其中,WQ为查询矩阵Q的权重矩阵,WK为键矩阵K的权重矩阵,WV为值矩阵V的权重矩阵;
对Q和K通过缩放点积注意力评分函数算出权重a(Q,K),公式为:
其中,T表示转置,dK为输入矩阵K的特征维度;
使用softmax函数对所有权重归一化,将权重和相应的Q、V进行加权求和,得到注意力值Attention(Q,K,V),公式为:
使用多头注意力机制建立多个子空间,首先将Q、K、V经过线性变换后,并行执行m次的缩放点积注意力机制,然后,将m次的缩放点积注意结果加以连接,经过线性变换,转换为预期的维度,得到多头注意力最终值,公式为:
MultiHead(Q,K,V)=Concat(head1,…,headm)Wo;
其中,分别是第s个多头注意力头的查询、键、值矩阵的权重矩阵,Wo是输出的权重矩阵,heads为第s个多头注意力头的输出值,s∈(1,m),m为多头注意力头的数量,MultiHead(Q,K,V)为多头注意力最终值;
将多头注意力最终值MultiHead(Q,K,V)输入到残差连接和归一化层,改善梯度消失问题,得到X',其表达式为:
X'=X+MultiHead(Q,K,V);
将X'输入到前馈神经网络层中,得到FFN(X'),前馈神经网络层由两个线性变化和线性激活函数构成,线性激活函数采用Relu激活函数,其表达式为:
FFN(X')=max(0,X'Wl+bl)W2+b2;
其中,Wl为第l层隐藏层的权重矩阵,bl为第l层隐藏层的偏置向量,W2为第2层隐藏层的权重矩阵,b2为第2层隐藏层的偏置向量;
将FFN(X')输入到残差连接和归一化层,得到X”,其表达式为:
X”=X'+FFN(X');
将X”输入到解码器中多头注意力层,经解码器输出的数据,在输出单元中先经过一次线性变换,然后通过Softmax操作得到输出结果。
4.根据权利要求1所述的一种自动驾驶车辆换道决策方法,其特征在于,在S5中,构建最小安全距离模型,设M为换道车辆、M1为换道车辆当前车道前方车辆、M2为换道车辆目标车道前方车辆、M3为换道车辆目标车道后方车辆、M4为换道车辆当前车道后方车辆;
换道车辆M车与换道车辆当前车道前方车辆M1不发生任何碰撞的最小安全距离MSS(M,M1)表示为:
aM(t)为M车在t时刻的加速度,为M1车在t时刻的加速度;vM(0)为M车初始时刻的速度,/>为M1车初始时刻的速度;LfM为M车的重心位置距车辆前端的距离;BM为M车的宽度;θ(t)为t时刻M车的轨迹切线方向与车道线方向的夹角;t1为换道车辆M开始施加横向加速的时间,t2为换道车辆到达碰撞点的时间;
换道车辆M车与换道车辆目标车道前方车辆M2不发生任何碰撞的最小安全距离MSS(M,M2)表示为:
其中,为M2车在t时刻的加速度,/>为M2车初始时刻的速度,t4为换道车辆完成换道行为的时间;
换道车辆M车与换道车辆目标车道后方车辆M3不发生任何碰撞的最小安全距离MSS(M,M3)表示为:
其中,为M3车在t时刻的加速度,/>为M3车初始时刻速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410332145.5A CN117922576B (zh) | 2024-03-22 | 2024-03-22 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410332145.5A CN117922576B (zh) | 2024-03-22 | 2024-03-22 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117922576A CN117922576A (zh) | 2024-04-26 |
CN117922576B true CN117922576B (zh) | 2024-05-17 |
Family
ID=90752354
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410332145.5A Active CN117922576B (zh) | 2024-03-22 | 2024-03-22 | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117922576B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
KR20220096359A (ko) * | 2020-12-31 | 2022-07-07 | (주)에이치브레인 | Ai 디스플레이 장치 및 이를 이용한 충돌 방지시스템 |
CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
WO2023155231A1 (zh) * | 2022-02-21 | 2023-08-24 | 东南大学 | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 |
CN116853272A (zh) * | 2023-07-12 | 2023-10-10 | 江苏大学 | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 |
CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20240059312A1 (en) * | 2022-08-22 | 2024-02-22 | Waymo Llc | Predictability estimation using behavior prediction models |
-
2024
- 2024-03-22 CN CN202410332145.5A patent/CN117922576B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109460023A (zh) * | 2018-11-09 | 2019-03-12 | 上海理工大学 | 基于隐马尔科夫模型的驾驶人换道意图识别方法 |
CN109727490A (zh) * | 2019-01-25 | 2019-05-07 | 江苏大学 | 一种基于行车预测场的周边车辆行为自适应矫正预测方法 |
KR20220096359A (ko) * | 2020-12-31 | 2022-07-07 | (주)에이치브레인 | Ai 디스플레이 장치 및 이를 이용한 충돌 방지시스템 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
WO2023155231A1 (zh) * | 2022-02-21 | 2023-08-24 | 东南大学 | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 |
CN115050177A (zh) * | 2022-05-11 | 2022-09-13 | 杭州像素元科技有限公司 | 一种基于时空多头注意力机制的高速公路拥堵预测方法 |
CN116853272A (zh) * | 2023-07-12 | 2023-10-10 | 江苏大学 | 一种融合复杂网络和图Transformer的自动驾驶车辆行为预测方法及系统 |
CN117141517A (zh) * | 2023-09-13 | 2023-12-01 | 厦门大学 | 数据驱动与知识引导相结合的车辆轨迹预测模型构建方法 |
Non-Patent Citations (1)
Title |
---|
基于影响系数的高速公路行车风险评估模型;邱磊;叱干都;邓志刚;刘建蓓;马小龙;;公路交通科技;20200315(第03期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117922576A (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111079834B (zh) | 一种考虑多车交互的智能车辆安全态势评估方法 | |
Moujahid et al. | Machine learning techniques in ADAS: A review | |
Tang et al. | Driver lane change intention recognition of intelligent vehicle based on long short-term memory network | |
CN113911129B (zh) | 一种基于驾驶行为生成机制的交通车意图识别方法 | |
CN113486822B (zh) | 一种基于驾驶意图的周围车辆轨迹预测方法及系统 | |
CN112258841B (zh) | 一种基于它车辆轨迹预测的智能车辆风险评估方法 | |
Liu et al. | Early recognition of driving intention for lane change based on recurrent hidden semi-Markov model | |
Wang et al. | End-to-end autonomous driving: An angle branched network approach | |
CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
Guo et al. | Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data | |
CN112116100B (zh) | 一种考虑驾驶员类型的博弈论决策方法 | |
Zhang et al. | Research on traffic vehicle behavior prediction method based on game theory and HMM | |
Zhang et al. | A framework for turning behavior classification at intersections using 3D LIDAR | |
US20210303732A1 (en) | Measuring the sensitivity of neural network image classifiers against adversarial attacks | |
Wang et al. | Cognitive competence improvement for autonomous vehicles: A lane change identification model for distant preceding vehicles | |
Li et al. | Attention-based lane change and crash risk prediction model in highways | |
CN114179830B (zh) | 一种自动驾驶车辆的自主超车方法和系统 | |
CN116503446A (zh) | 目标驱动和分布热力图输出的多模态车辆轨迹预测方法 | |
Li et al. | Dp and ds-lcd: A new lane change decision model coupling driver’s psychology and driving style | |
KR101050687B1 (ko) | 사후확률을 이용한 보행자 인식 장치 및 방법과 그를이용한 보행자 보호 장치 | |
WO2024109763A1 (zh) | 一种基于场景自适应识别的自动驾驶方法及系统 | |
CN117922576B (zh) | 一种基于数据和知识双驱动的自动驾驶车辆换道决策方法 | |
Zhao et al. | Road friction estimation based on vision for safe autonomous driving | |
CN111160089B (zh) | 一种基于不同车辆类型的轨迹预测系统及方法 | |
CN114670837B (zh) | 一种智能汽车类人弯道轨迹双重规划系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |