高速公路具有車輛行駛速度快,在跟車和自由換道的過程中容易產生碰撞的特點。當前,傳統的高速公路場景中的換道決策模型僅考慮駕駛任務的完成,不完全符合人類駕駛員在駕駛行為決策時所采用的綜合考慮安全性與通行效率的決策機理,未能充分考慮周圍車輛行為不確定給主車帶來的碰撞風險。所以,為了使自動駕駛汽車可以在高速公路的動態(tài)不確定場景中安全可靠的運行,自動駕駛系統需要有預測其他交通參與者的運動并評估其行為帶來的潛在風險的能力。本文主要研究高速公路場景下考慮周圍車輛駕駛員風格和長時運動預測的自主駕駛車輛風險評估和行為決策研究。圍繞人類駕駛車輛駕駛風格分析、場景中其他車輛意圖識別和概率性軌跡預測、碰撞風險評估和自動駕駛行為決策四個方面進行研究。首先,從車輛歷史軌跡中提取了駕駛人的風格特征,對人類駕駛車輛的駕駛員風格進行了聚類分析,對比K-Means++、模糊均值(FCM)和層次聚類算法在多個聚類中心下的聚類效果;使用支持向量機(SVM)對駕駛風格進行分類;分析了三種風格駕駛員換道與跟車狀態(tài)下的操作特性。結果顯示,使用K-Means++算法將駕駛風格聚類成三種類型具有較好的效果;SVM在三種駕駛風格的測試數...

【文章頁數】：73 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 研究背景及意義
    1.2 國內外研究現狀
        1.2.1 駕駛風格分析研究現狀
        1.2.2 意圖識別算法研究現狀
        1.2.3 軌跡預測算法研究現狀
        1.2.4 駕駛風險評估與行為決策研究現狀
    1.3 研究內容與論文章節(jié)安排
        1.3.1 研究內容
        1.3.2 論文章節(jié)安排
2 人類駕駛員駕駛風格分析
    2.1 引言
    2.2 駕駛風格特征選擇
    2.3 駕駛風格聚類和分類模型
        2.3.1 駕駛風格聚類算法
        2.3.2 駕駛風格分類算法
    2.4 試驗驗證
        2.4.1 數據集介紹
        2.4.2 數據預處理
        2.4.3 主成分分析
        2.4.4 駕駛風格聚類和分類
    2.5 不同風格駕駛員行為特性分析
        2.5.1 車輛行駛軌跡提取
        2.5.2 不同風格駕駛員行為特性
    2.6 本章總結
3 結合駕駛意圖的車輛軌跡預測模型
    3.1 引言
    3.2 駕駛意圖識別
        3.2.1 問題描述
        3.2.2 數據準備
        3.2.3 模型構建
        3.2.4 模型的訓練和測試
        3.2.5 預測結果對比
    3.3 基于車輛駕駛意圖識別的軌跡預測
        3.3.1 LSTM編碼解碼網絡
        3.3.2 混合密度網絡
        3.3.3 模型的訓練和測試
    3.4 車輛運動預測實驗
        3.4.1 實驗目的
        3.4.2 交通流數據采集
        3.4.3 目標車輛軌跡的提取與運動預測
    3.5 本章小結
4 基于軌跡沖突量化的風險評估及換道決策
    4.1 引言
    4.2 主車軌跡簇篩選方法
    4.3 主車目標車道的選擇
    4.4 基于意圖的軌跡規(guī)劃
    4.5 意圖沖突
    4.6 軌跡沖突
        4.6.1 對主車軌跡簇分層篩選的方法
        4.6.2 軌跡相交的快速檢測
        4.6.3 兩條軌跡沖突的量化方式
    4.7 基于對主車軌跡與周圍多車軌跡沖突量化的主車軌跡選擇
    4.8 案例分析
    4.9 本章小結
5 總結與展望
    5.1 總結
    5.2 展望
致謝
參考文獻



本文編號：3780460