欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021115699409
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 一般车辆
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法,其特征在于:包括以下步骤:步骤一、分别采集良好路面附着系数、中等路面附着系数和低路面附着系数下的熟练驾驶人换道数据;

步骤二、对所采集的换道数据进行预处理,以及统计学特征计算、特征构造,对良好路面附着下采集到的数据特征序列与特征值进行ANOVA相关性分析,得到对驾驶人换道行为具有显著影响的特征序列和特征值,后引入不同附着系数μ下采集得到的驾驶数据,分析μ是如何影响驾驶人的换道行为,得出映射关系;分析结果表明,当路面附着系数μ降低时相比于正常附着情况:(1)、换道切入点远离前车;

(2)、换道过程自车侧向加速度峰值aymax降低;

(3)、换道时长增加;

步骤三、将三种常见附着系数μ=0.1、0.5、0.8下的驾驶人换道数据分别送入三个基于LSTM的神经网络决策规划模型,神经网络决策规划模型采用分层架构,先使用神经网络决策模型深度学习的方法学习人类换道决策行为,即左换道、右换道、保持跟车三种决策;再使用神经网络规划模型深度学习的方法学习人类换道轨迹,得到当前交通环境下每种附着下的预测轨迹输出,即μ=0.1、0.5、0.8下的三条轨迹;

步骤四、在驾驶任务中,决策规划系统实时接收由感知系统识别得到的实际路面附着系数的估计值 结合离散附着系数的输出轨迹,采用拉格朗日三次多项式插值法进行轨迹融合:其中,x0、y0,x1、y1,x2、y2分别为μ=0.1、0.5、0.8下的轨迹坐标,x、y为融合后的轨迹坐标值;

最终得到当前实际路况下的实时决策行为以及规划轨迹,并将规划轨迹传递给控制层作为跟踪轨迹。

2.根据权利要求1所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法,其特征在于:步骤一中,搭建基于VI‑grade软硬件平台的高精度高拟真驾驶模拟器数据采集平台进行驾驶人换道数据的采集;

软件环境中,采用VI‑WorldSim作为场景软件,使用Unreal虚幻4渲染引擎,对车辆、车道、天气、路线等进行配置,视觉场景效果更加逼真;建立不同天气条件下的换道场景,并使附着系数产生对应的变化;采用VI‑Simsound声学模块,提供NVH仿真级声效,提升声觉感受;首先建立用于数据采集及验证的高精度车辆动力学模型,对整车七个子系统包括转向、悬架、制动、转向、动力系统、轮胎、空气动力学系统分别建模,车辆转向建模应用pfeffer的高级物理转向模型,详细描述了转向系统各运动副的摩擦和阻尼力,包括:(1)指数弹簧摩擦(ESF)模型:

其中,FSF为摩擦力,Flim是摩擦力极限值,fESF为x为0时的刚度;

(2)指数弹簧摩擦模型结合平行麦克斯韦模型(ESFM):

ESFM单元采用并行非线性麦克斯韦模型进行增强,以覆盖动态效应;

FM=FM,lim·tanh(kM·v)

其中,FM为麦克斯韦摩擦力,FM,lim为最大的弹簧力,kM为弹簧刚度;

(3)伪库仑摩擦模型:为了将依赖于载荷的摩擦效应考虑到模型中(平移或旋转),可选用一个伪库仑类型的摩擦模型,根据方程摩擦力或力矩与施加的载荷有线性依赖关系:其中,FC为伪库伦摩擦力,Fn是元素负载,Vs为元素相对速度;Vt是静摩擦与动摩擦之间的过渡速度;

然后在仿真软件中建立与实车道路试验相同的工况并进行仿真,通过与客观试验采集数据对标,确保该模型稳态和瞬态响应精度高达90%以上;

硬件部分的转向电机采用FanatecDD2直驱电机基座,其峰值扭矩达20N·m,具备1:1复现转向系统力反馈的能力;制动踏板总成采用FanatecV3踏板,方向盘盘体使用原车方向盘保证触感与原车一致,解算模块采用具有6个CPU核心的Concurrent实时仿真机,保证解算实时性,场景渲染采用搭载RTX3090的工作站保证画面流畅度。

3.根据权利要求2所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法,其特征在于:采集的换道数据包括:换道和超车过程中本车道前车车距df、本车道前车相对速度vf、本车道后车车距dr、本车道后车相对速度vr、换道时长tc、换道距离sc、换道过程自车侧向加速度峰值aymax、换道过程自车侧向加速度均值ayave、换道过程自车纵向加速度峰值axmax、换道过程自车纵向加速度均值axave、预计碰撞时间tttc。

4.根据权利要求1所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法,其特征在于:步骤二中具体包括以下步骤:第一步:标准差标准化:

z‑score标准差标准化为类似正态分布,均值为0,标准差为1:

其中均值为 标准差为

第二步:对于所属范围未知或者所属范围是全体实数,同时不服从正态分布的数据进行非线性归一化:tanh函数:

第三步:相似性度量,采用DTW对不同长度的数据进行比较分析,通过降低其时间和空间复杂度探究其内在特征:设定向量C={c(1),c(1),...,c(N)},其中,c(n)=(i(n),j(n)),i,j为两个不同长度的序列,c(n)即为第n个匹配点对,d(xi(n),yj(n))为两个点的局部匹配距离;DTW即通过优化时间规整目标函数实现不同长度序列匹配点加权距离总和最小:定义最小累计匹配函数g(i,j),表示所有匹配点对的最小累计匹配距离:在计算的时候,首先令i(1)=j(1)=1,g(1,1)=2d(x1,y1)其中,Reg为平行四边形约束区域,两条边的斜率为0.5和2,同时两个顶点坐标分别为(1,1)和(i,j);通过递推求解g(i,j)来确定下一匹配点:其中,i=2,3,…,I;j=2,3,…,J;(i,j)∈Reg;

第四步:对良好附着下采集到的数据特征序列与特征值进行ANOVA相关性分析,得到对驾驶人换道行为具有显著影响的特征序列和特征值,后引入不同附着系数μ下采集得到的驾驶数据,分析μ是如何影响驾驶人的换道行为,得出映射关系。

5.根据权利要求1所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法,其特征在于:步骤三中所述的基于LSTM的神经网络决策规划模型输入向量定义为所提取的特征序列I、两个换道标志位M以及道路曲率ρ,输出即为自车在预测时域内的横纵向坐标序列以及速度序列,记为O;

网络框架如下,输入I经过ReLU函数激活的全连接层处理后进入LSTM单元,LSTM共包含遗忘门(forget gate)ft、输入门(inputgate)it、输出门(outputgate)ot和一个类似于隐含层的细胞状态(Cell State)ct;其中,遗忘门以上一时刻的隐含层状态ht‑1和当前时刻的输入量xt作为输入,以对上一时刻的细胞状态ct‑1保留比例作为输出:ft=σ(Wfxxt+Wfhht‑1+bf)························(3.1)下一步即确定在细胞状态中保留哪些新信息,主要分为两部分,一部分是通过输入门确定哪些值需要进行更新:it=σ(Wixxt+Wihht‑1+bi)························(3.2)另一部分是通过一个tanh网络层来创建一个细胞状态更新部,用来添加到细胞状态;

这两部分点乘运算的结果即为当前输入对网络状态的更新:

最后,通过输出门和更新后的细胞状态确定当前时刻隐含层的输出:

ot=σ(Woxxt+Wohht‑1+bo)·························(3.5)

ht=ot⊙tanh(ct)··························(3.6)式中,⊙为哈达玛积(Hadamard product),Wfx、Wfh、Wix、Wih、Wcx、Wch、Wox、Woh为网络的权重矩阵,bf、bi、bc、bo为网络的偏置向量,tanh(·)和σ(·)分别是双曲正切函数和sigmoid函数:通过这种方式学习历史轨迹序列中的规律,经softmax函数归一后输出换道意图概率向量Ω再经过one‑hot编码后生成最终换道决策,换道概率超过80%的决策转化为100%;

同时,一个LSTM负责将被预测车辆的历史轨迹信息及其周围车辆的历史轨迹信息编码为一个固定长度的上下文向量r,该向量包含了编码器对历史轨迹特征的理解与记忆;

再经过一个LSTM网络后得到预测时域的输出轨迹。