交通環(huán)境是多個交通參與者相互影響、動態(tài)變化的復雜系統(tǒng),高速公路上車輛的速度較快,車輛之間的沖突頻繁且交通事故的傷害性較大,相鄰車道上前方車輛的危險換道或超車動作會影響到智能車輛的正常行駛。本文提出了一種基于相鄰車道上前方車輛駕駛行為識別的橫向換道避障控制技術(shù),該技術(shù)能夠提前識別相鄰車道上前方車輛的換道切入行為,并針對相鄰車道上前方車輛的危險換道切入行為實施避障控制。首先,針對相鄰車道上前方車輛的換道切入行為的識別問題,提出了一種基于混合高斯-隱馬爾科夫模型（Gaussian Mixture-Hidden Markov Model,GM-HMM）的駕駛行為識別方法�；诟咚俟穲鼍爸熊囕v換道的特性以及駕駛員決策的特點,以相鄰車道上前方車輛的縱向速度、0.5秒內(nèi)橫向位移和橫向速度作為觀測變量,利用Baum-Welch算法和前向-后向算法對前方車輛的三種駕駛行為（包括車道保持、向左車道變換和向右車道變換）進行建模和識別,并且測試不同識別時間窗口下的三種駕駛行為的識別準確率。測試結(jié)果表明,GM-HMM能夠快速準確地識別出相鄰車道上前方車輛的換道切入行為,可以為后續(xù)的行駛環(huán)境安全評估和智能主車決... 

【文章來源】：江蘇大學江蘇省

【文章頁數(shù)】：79 頁

【學位級別】：碩士

【部分圖文】：

車車輛運動狀態(tài)傳感器車速傳感器轉(zhuǎn)向角傳感器中�！�

基于相鄰車道前方車輛駕駛行為識別的換道避障控制研究61.3本文的主要研究內(nèi)容及組織結(jié)構(gòu)圖1.2相鄰車道車輛切入本車道Fig.1.2Vehicleinadjacentlanescutting-in交通環(huán)境是一個復雜的系統(tǒng)，系統(tǒng)中的多個交通參與者相互作用，動態(tài)變化。相鄰車道上的前方車輛駕駛員可能會做出錯誤的換道或超車行為，從而影響智能主車的正常行駛，甚至導致車輛碰撞事故。如圖1.2所示，車輛M表示智能主車，車輛P表示相鄰車道上的即將切入本車道的威脅車輛，當車輛P與車輛M之間的縱向距離不滿足安全距離要求時，兩車必然會發(fā)生碰撞。因此，智能車輛盡早識別相鄰車道上前方車輛的駕駛行為并在緊急情況下采用主動避障技術(shù)，可以有效地避免危險事故的發(fā)生，提高車輛行駛的安全性。本文研究高速公路直線路段場景下的車輛駕駛行為識別與車輛主動避撞控制技術(shù)，提出了一種基于相鄰車道上前方車輛駕駛行為識別的橫向換道避障控制技術(shù)。該研究由三部分組成：首先，基于隱馬爾科夫模型（HiddenMarkovModel，HMM）對相鄰車道上前方車輛的駕駛行為進行識別，本文以前車的縱向速度、橫向位移和橫向速度作為最佳可觀測變量，對前車的車道保持、向左變換車道和向右變換車道三種駕駛行為進行建模和識別。其次，針對相鄰車道上前方車輛的切入行為，基于安全距離模型判斷切入行為是否有碰撞威脅；針對相鄰車道上前方車輛的危險切入行為，判斷智能主車的行駛環(huán)境是否滿足安全換道避障的條件。最后，設(shè)計智能主車的橫向換道避障控制器，根據(jù)換道橫向加速度計算出理想的前輪轉(zhuǎn)向角，并基于非對稱障礙Lyapunov函數(shù)采用Backstepping和動態(tài)面控制技術(shù)相結(jié)合的方法設(shè)計車輛直接橫擺力矩控制器以更穩(wěn)定安全地跟蹤期望軌跡。本文的研究方案框架如圖1.3所示。

基于相鄰車道前方車輛駕駛行為識別的換道避障控制研究18圖2.5HMM訓練流程圖Fig.2.5HMMtrainingflowchart為使HMM具有識別駕駛行為的功能，本文的訓練步驟如下所述。步驟1：提取典型駕駛行為的觀測序列的樣本集，應包括車道保持、向左車道變換和向右車道變換三種駕駛行為的訓練樣本集。前方車輛的縱向速度、0.5秒內(nèi)的橫向位移和橫向速度作為識別相鄰車道的前方車輛駕駛行為的觀測變量，因此，在t時刻的觀測值是一個三維向量Ot，觀測序列O是一個三維向量序列，如式(2.31)和式(2.32)所示。(),(),()txyyOvtxtvt(2.31)12,,TOOOO(2.32)式中，vx(t)為前方車輛的縱向速度，xy(t)為前方車輛的在0.5秒內(nèi)的橫向位移，vy(t)為前方車輛的橫向速度。本文首先研究使用長度為2.0秒的時間窗口對HMM進行訓練和識別，即每個訓練樣本的序列共包含20個數(shù)據(jù)點。創(chuàng)建訓練腳本文件初始化模型參數(shù)輸入訓練樣本序列用Baum-Welch算法進行模型參數(shù)重估判斷是否收斂獲得模型參數(shù)YN

【參考文獻】：
期刊論文
[1]基于GPS定位數(shù)據(jù)的高速公路換道特征分析與行為識別[J]. 楊龍海,羅沂,徐洪.  北京交通大學學報. 2017(03)
[2]基于模糊控制的拖拉機路徑跟蹤仿真研究[J]. 石翔,馬蓉,張長龍,梁錦.  農(nóng)機化研究. 2016(08)
[3]基于前方車輛行為識別的碰撞預警系統(tǒng)[J]. 黃慧玲,楊明,王春香,王冰.  華中科技大學學報(自然科學版). 2015(S1)
[4]自主駕駛車輛的預測避障控制[J]. 余如,郭洪艷,陳虹.  信息與控制. 2015(01)
[5]基于HMM的車輛行駛狀態(tài)實時判別方法研究[J]. 王相海,叢志環(huán),方玲玲,秦鉅鰲.  自動化學報. 2013(12)
[6]基于最小安全距離的車輛換道安全研究[J]. 陳秀鋒,楊萬三,曲大義.  昆明理工大學學報(自然科學版). 2013(03)
[7]基于模糊PID的智能4WS車輛換道路徑跟蹤控制[J]. 戚志錦,楊志剛,黃燕.  汽車工程學報. 2012(05)
[8]基于模糊神經(jīng)網(wǎng)絡的智能車輛路徑跟蹤[J]. 楊君,馬戎,劉婷,付維平.  計算機仿真. 2012(07)
[9]基于遺傳優(yōu)化的無人車橫向模糊控制[J]. 郭景華,胡平,李琳輝,王榮本,張明恒,郭烈.  機械工程學報. 2012(06)
[10]智能車輛橫向混合切換控制器設(shè)計[J]. 郭景華,胡平,李琳輝,王榮本,郭烈.  農(nóng)業(yè)機械學報. 2012(02)

博士論文
[1]基于駕駛員視覺特性的駕駛行為預測方法研究[D]. 冀秉魁.吉林大學 2014
[2]面向高速公路行車安全預警的車道偏離及換道模型研究[D]. 羅強.華南理工大學 2014
[3]電動輪獨立驅(qū)動汽車差動助力轉(zhuǎn)向技術(shù)研究[D]. 王軍年.吉林大學 2009

碩士論文
[1]基于GPS數(shù)據(jù)的高速公路駕駛行為識別[D]. 羅沂.哈爾濱工業(yè)大學 2017
[2]基于激光雷達的智能車橫向避障研究[D]. 李勇.湖南大學 2017
[3]基于隱馬爾科夫模型的石油鉆井過程異常檢測的研究[D]. 袁坤杰.鄭州大學 2017
[4]智能汽車變道行為判斷及碰撞風險估計方法研究[D]. 馬士杰.哈爾濱工業(yè)大學 2016
[5]電動輪驅(qū)動鉸接轉(zhuǎn)向車輛差動協(xié)同轉(zhuǎn)向控制[D]. 魏武.吉林大學 2016
[6]基于最小安全距離的車輛換道控制研究[D]. 吳杭哲.哈爾濱工業(yè)大學 2015
[7]智能車避障路徑動態(tài)規(guī)劃和車體控制研究[D]. 郭達.長安大學 2015
[8]具有輸入未建模動態(tài)的非線性系統(tǒng)自適應輸出反饋控制研究[D]. 陳佳勝.揚州大學 2015
[9]可重復使用運載器自適應動態(tài)面控制技術(shù)研究[D]. 唐文彬.哈爾濱工業(yè)大學 2014
[10]電動汽車主動安全避撞控制系統(tǒng)研究[D]. 胡蕾蕾.吉林大學 2014



本文編號：3235765