• ISSN 0258-2724
  • CN 51-1277/U
  • EI Compendex
  • Scopus 收录
  • 全国中文核心期刊
  • 中国科技论文统计源期刊
  • 中国科学引文数据库来源期刊

基于航测数据的不同风格换道轨迹规划

徐婷 邓恺龙 刘永涛 赵磊 张志顺 范娜 马金凤 陈姝屹

徐婷, 邓恺龙, 刘永涛, 赵磊, 张志顺, 范娜, 马金凤, 陈姝屹. 基于航测数据的不同风格换道轨迹规划[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230392
引用本文: 徐婷, 邓恺龙, 刘永涛, 赵磊, 张志顺, 范娜, 马金凤, 陈姝屹. 基于航测数据的不同风格换道轨迹规划[J]. 西南交通大学学报. doi: 10.3969/j.issn.0258-2724.20230392
XU Ting, DENG Kailong, LIU Yongtao, ZHAO Lei, ZHANG Zhishun, FAN Na, MA Jinfeng, CHEN Shuyi. Different Styles of Lane Changing Trajectory Planning Based on Aerial Survey Data[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230392
Citation: XU Ting, DENG Kailong, LIU Yongtao, ZHAO Lei, ZHANG Zhishun, FAN Na, MA Jinfeng, CHEN Shuyi. Different Styles of Lane Changing Trajectory Planning Based on Aerial Survey Data[J]. Journal of Southwest Jiaotong University. doi: 10.3969/j.issn.0258-2724.20230392

基于航测数据的不同风格换道轨迹规划

doi: 10.3969/j.issn.0258-2724.20230392
基金项目: 国家自然科学基金(51878066,52002033);中央高校基本科研业务费专项资金(300102343205) ;陕西省自然科学基础研究计划(2021 JQ-276);高等学校学科创新引智计划(B20035)
详细信息
    作者简介:

    徐婷 (1983—)女,教授,博士,研究方向为智能网联技术、安全技术,E-mail:xuting@chd.edu.cn

    通讯作者:

    刘永涛 (1989—),男,副教授,博士,研究方向为智能网联车路协同控制,E-mail:liuyongtao86@163.com

  • 中图分类号: U491.54

Different Styles of Lane Changing Trajectory Planning Based on Aerial Survey Data

  • 摘要:

    不当的换道行为可能危及交通安全,导致交通事故和拥堵,因此有必要探索不同驾驶风格下在车道出口的换道轨迹. 本文利用中国高速公路和快速路拥堵场景数据集中的车辆轨迹数据,采用K-means算法将驾驶人分为谨慎型、普通型和激进型三类;通过聚类分析和换道时间预测,以最小化换道纵向位移和行驶稳定性加权值之和为优化目标,同时以舒适性和安全性评价指标为约束条件,采用五次多项式进行最优换道轨迹规划;随后,使用遗传算法解决轨迹规划问题,基于Prescan、CarSim、MATLAB/Simulink仿真平台建立横纵向联合控制二自由度车辆动力学模型;最后,设计自车前车、目标车道前车和目标车道后车三种典型换道场景,并通过仿真实验评价不同驾驶风格下的换道轨迹规划效果和车辆轨迹跟踪控制效果. 实验结果表明:在目标车道有车的场景下提出的融合驾驶风格的轨迹规划算法使得规划的换道轨迹增加了激进型驾驶风格的换道时长,同时减少了普通型和谨慎型驾驶风格司机的换道时长,进而能够确保换道过程的时效性、安全性和舒适性.

     

  • 图 1  换道时间节点

    Figure 1.  Lane-changing time node

    图 2  自车与周围6个位置的车辆的相关信息

    Figure 2.  Correlation information between studied vehicle and surrounding six vehicles in different positions

    图 3  椭圆车辆模型

    Figure 3.  Elliptical vehicle model

    图 4  自车与周围其他车辆交互场景示意

    Figure 4.  Interaction between studied vehicle and other vehicles

    图 5  车辆换道轨迹规划

    Figure 5.  Lane-changing trajectory planning

    图 6  车辆动力学模型

    Figure 6.  Vehicle dynamics model

    图 7  不同场景下不同驾驶风格车辆的轨迹跟踪效果对比

    Figure 7.  Comparison of trajectory tracking effect of vehicles with different driving styles in three scenarios

    图 8  不同场景下不同驾驶风格车辆的方向盘转角对比

    Figure 8.  Comparison of steering wheel angle for vehicles with different driving styles in three scenarios

    图 9  不同场景下不同驾驶风格的自车与周围车辆的距离对比

    Figure 9.  Comparison of distance between studied vehicle and surrounding vehicles with different driving styles in three scenarios

    表  1  航拍摄像机参数

    Table  1.   Parameters of aerial filming camera

    参数 取值
    影像传感器 1/2.3英寸CMOS,有效像素1200万
    镜头 视角 83°,等效焦距 24 mm,光圈f/2.8
    数字变焦范围 4K:2倍,2.7K:3倍,FHD:4 倍
    最长飞行时间 31 min(无风环境 17 km/h 匀速飞行)
    最大信号有效
    距离
    10 km (FCC),6 km (CE/SRRC/MIC)
    录像分辨率 4K:3840 × 2160@24/25/自车fps
    2.7K:2720 × 1530@24/25/30/48/50/60fps
    FHD:1920 × 1080@24/25/30/48/50/60fps
    下载: 导出CSV

    表  2  评价指标的含义

    Table  2.   Meaning of evaluation indicators

    符号 含义 符号 含义
    vxmean/(m·s−1 纵向速度均值 axstd/(m·s−2 纵向加速度标准差
    vxstd/(m·s−1 纵向速度标准差 axmax/(m·s−2 纵向加速度最大值
    vxmax/(m·s−1 纵向速度最大值 aymean/(m·s−2 横向加速度均值
    vymean/(m·s−1 横向速度均值 aystd/(m·s−2 横向加速度标准差
    vystd/(m·s−2 横向速度标准差 aymax/(m·s−2 横向加速度最大值
    vymax/(m·s−1 横向速度最大值 dhw/m 最小跟车距离
    axmean/(m·s−2 纵向加速度均值 thw/(s·辆−1 最小车头时距
    下载: 导出CSV

    表  3  总方差解释

    Table  3.   Explained total variance

    公因子 特征值 方差/% 累计/%
    1 4.464 31.886 31.886
    2 3.057 21.836 53.722
    3 2.870 20.503 74.225
    4 2.184 15.601 89.826
    下载: 导出CSV

    表  4  聚类中心值和类别数

    Table  4.   Cluster center values and number of categories

    类别 F1 F2 F3 F4 数目/辆
    1 1.097 −0.453 0.143 −0.085 725
    2 −0.102 −0.469 0.056 0.023 1391
    3 −0.682 1.472 −0.347 0.019 932
    下载: 导出CSV

    表  5  各场景下遗传算法求得的最优换道距离与换道时长

    Table  5.   Optimal lane-changing distance and lane-changing time by genetic algorithm in each scenario

    场景驾驶风格换道距离/m换道时长/s
    1激进型35.026.92
    普通型46.346.55
    谨慎型88.885.72
    2激进型38.236.84
    普通型50.526.46
    谨慎型97.185.67
    3激进型38.166.77
    普通型50.666.40
    谨慎型97.765.69
    下载: 导出CSV
  • [1] 吕思雨. 车辆换道意图识别及换道轨迹预测[D]. 广州: 广州大学,2022.
    [2] DO Q H, TEHRANI H, MITA S, et al. Human drivers based active-passive model for automated lane change[J]. IEEE Intelligent Transportation Systems Magazine, 2017, 9(1): 42-56. doi: 10.1109/MITS.2016.2613913
    [3] LUO Y G, XIANG Y, CAO K, et al. A dynamic automated lane change maneuver based on vehicle-to-vehicle communication[J]. Transportation Research Part C: Emerging Technologies, 2016, 62: 87-102. doi: 10.1016/j.trc.2015.11.011
    [4] 禹乐文,罗霞,刘仕焜. 复杂车路环境下自动驾驶车辆换道仿真研究[J]. 计算机仿真,2021,38(5): 146-152. doi: 10.3969/j.issn.1006-9348.2021.05.030

    YU Yuewen, LUO Xia, LIU Shikun. Research on simulation of lane-changing for autonomous vehicles under complex road conditions[J]. Computer Simulation, 2021, 38(5): 146-152. doi: 10.3969/j.issn.1006-9348.2021.05.030
    [5] 邓召文,乔宝山,袁显举,等. 不同冲击度约束下智能汽车换道轨迹优化[J]. 机械设计与制造,2022(2): 17-20. doi: 10.3969/j.issn.1001-3997.2022.02.004

    DENG Zhaowen, QIAO Baoshan, YUAN Xianju, et al. Optimal design of the lane-change trajectory of intelligent vehicle under different jerking[J]. Machinery Design & Manufacture, 2022(2): 17-20. doi: 10.3969/j.issn.1001-3997.2022.02.004
    [6] 李文礼,邱凡珂,廖达明,等. 基于深度强化学习的高速公路换道跟踪控制模型[J]. 汽车安全与节能学报,2022,13(4): 750-759. doi: 10.3969/j.issn.1674-8484.2022.04.016

    LI Wenli, QIU Fanke, LIAO Daming, et al. Highway lane change decision control model based on deep reinforcement learning[J]. Journal of Automotive Safety and Energy, 2022, 13(4): 750-759. doi: 10.3969/j.issn.1674-8484.2022.04.016
    [7] 朱煦晗. 智能汽车换道决策与轨迹规划算法研究[D]. 长春: 吉林大学,2021.
    [8] 邱添,张志安,王海龙. 移动机器人的栅格概率路径图法路径规划[J]. 机床与液压,2022,50(21): 14-19. doi: 10.3969/j.issn.1001-3881.2022.21.003

    QIU Tian, ZHANG Zhian, WANG Hailong. Path planning of mobile robot based on grid probability path graph[J]. Machine Tool & Hydraulics, 2022, 50(21): 14-19. doi: 10.3969/j.issn.1001-3881.2022.21.003
    [9] 郑奇. 智能驾驶中驾驶员风格识别及车辆行为预测研究[D]. 杭州: 浙江大学,2022.
    [10] 周波波. 基于深度学习的自动驾驶汽车主动换道决策与轨迹规划研究[D]. 重庆: 重庆大学,2021.
    [11] 王科银,杨亚会,王思山,等. 驾驶风格聚类与识别研究[J]. 湖北汽车工业学院学报,2021,35(3): 1-6,10. doi: 10.3969/j.issn.1008-5483.2021.03.001

    WANG Keyin, YANG Yahui, WANG Sishan, et al. Research of clustering and recognition for driving style[J]. Journal of Hubei University of Automotive Technology, 2021, 35(3): 1-6,10. doi: 10.3969/j.issn.1008-5483.2021.03.001
    [12] 胡春燕,曲大义,赵梓旭,等. 考虑前车驾驶风格的改进自适应巡航控制跟驰模型及仿真[J]. 济南大学学报(自然科学版),2023,37(3): 331-338.

    HU Chunyan, QU Dayi, ZHAO Zixu, et al. Improved adaptive cruise control car-following model and simulation considering driving styles of leading car[J]. Journal of University of Jinan (Science and Technology), 2023, 37(3): 331-338.
    [13] 马依宁,姜为,吴靖宇,等. 基于不同风格行驶模型的自动驾驶仿真测试自演绎场景研究[J]. 中国公路学报,2023,36(2): 216-228. doi: 10.3969/j.issn.1001-7372.2023.02.018

    MA Yining, JIANG Wei, WU Jingyu, et al. Self-evolution scenarios for simulation tests of autonomous vehicles based on different models of driving styles[J]. China Journal of Highway and Transport, 2023, 36(2): 216-228. doi: 10.3969/j.issn.1001-7372.2023.02.018
    [14] HAN S F, XIAO L. An improved adaptive genetic algorithm[J]. SHS Web of Conferences, 2022, 140: 01044.1-01044.6.
    [15] 郑金. 有关科氏加速度的疑难问题探究[J]. 物理通报,2021(11): 12-14. doi: 10.3969/j.issn.0509-4038.2021.11.004
  • 加载中
图(9) / 表(5)
计量
  • 文章访问数:  55
  • HTML全文浏览量:  14
  • PDF下载量:  8
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-08-15
  • 修回日期:  2024-01-14
  • 网络出版日期:  2024-04-25

目录

    /

    返回文章
    返回