一种差异性自动换道决策方法

1.本发明属于辅助驾驶系统技术领域，尤其涉及一种差异性自动换道决策方法。


背景技术：

2.近年来辅助驾驶系统得到了快速发展，相关应用有效提升了驾驶过程中的安全性，减轻了驾驶员在旅途中的劳累程度。实际驾驶中，换道主要依靠驾驶员的经验完成，研究表明，驾驶人在换道过程中换道决策车道选取错误导致交通事故发生的概率高达75％，驾驶人车道变换不当导致的事故数约占事故总量的6％左右，造成的交通延误高达交通事故所致总延误时间的10％，使用自主换道系统可以有效降低换道中的事故发生概率。面对前方换道车辆，不同驾驶员的反应有很大差别，为了能够对不同驾驶员进行适当地预测，需要根据其历史驾驶数据进行驾驶风格分类，这样一来在对后车进行预测时，可以结合驾驶风格标签和运动学信息完成预测，实现更合理的决策。例如，针对激进的驾驶员，可以做相对保守的换道决策。
3.目前用于进行驾驶行为分析及预测的数据驱动方法主要有隐式马尔科夫模型(hmm)，支持向量机(svm)，长短记忆神经网络(lstm)等，该类方法通过对驾驶过程中目标车辆和周围车辆运动学数据的分析和学习，可以训练出由车辆运动学历史数据和其他车辆或道路属性判断驾驶行为的模型。传统的换道决策安全判别通过计算碰撞时距(ttc)来进行，但是该方法考虑的因素较少，可能会导致不安全的跟车工况出现，采用责任敏感安全模型(rss)可以更加全面地考虑影响安全的因素，得出更加合理的安全跟车距离。
4.综上所述，目前换道过程中对其他车辆的行为分析及预测可以帮助驾驶员做出合理判断，减少事故发生，同时在自动驾驶算法中，引入对其他车辆的预测可以更好地进行决策。在换道决策方面，如果仅判断能否相撞，不符合人类驾驶员的习惯，需要更加合理的安全距离模型来解决这一问题。


技术实现要素：

5.本发明实施例的目的在于提供一种差异性自动换道决策方法，旨在解决上述背景技术中提出的问题。
6.本发明实施例是这样实现的，一种差异性自动换道决策方法，通过将邻车驾驶风格标签化的方式进行差异性自动换道决策，包括以下步骤：
7.步骤1、在车辆行驶时，使用数据记录系统记录可以表征驾驶员在驾驶过程中的风格的参数，采集的参数包括车速(velocity)、加速度绝对值(ava)、冲击度绝对值(avj)、节气门踏板开度(tpo)、节气门踏板开度变化率绝对值(avcrtpo)和制动踏板压力(bpp)共六项。
8.计算这些参数在每秒内的平均值(mean)、标准差(std)、最大值(max)、最小值(min)、中值(median)，由此生成一个每秒30维的特征参数，使用以上参数对驾驶风格进行分类，形成驾驶风格标签。
9.步骤2、基于周边车辆的被观测轨迹，结合驾驶风格标签，使用lstm神经网络预测其接下来的轨迹。
10.步骤3、在进行换道决策的安全性判断时，选择使用换道开始时的安全距离作为标准。对于不同的驾驶风格，可以预设不同的反应时间、最大加速度和刹车减速度等，增加换道安全验证的实用性。同时，基于v2v通讯，车辆之间可以传递自车归类的驾驶风格信息。
11.步骤4、针对自车周围的交通参与者，可以选取一个安全相关区域，即该区域内目标车道存在车辆时，初步判断为换道动作不安全，其中的几项距离分别为如下：
12.1.同向行驶的纵向前方车辆，2.自车后方的车辆，3.对向靠近车辆，4.横向拓展安全相关区域。
13.步骤5、当安全相关区域内存在目标时，智能车辆应优先处理安全相关目标，保证不处于危险状态，当自车处于安全状态，且目标车道上的车辆也与自车保持安全距离时，确认可以执行变道动作。安全相关区域的选取确保了车辆在变道中留出了充分的缓冲空间，避免发生鲁莽切入车道的行为，进而实现了自主换道算法的安全监测。
14.进一步的技术方案，第1和2项为纵向安全距离，计算方法如下：
[0015][0016]
其中，ρ表示驾驶员最小反应时间，α
max
表示车辆最大加速度，β
min
表示刹车时的最小减速度，β
max
表示刹车时的最大减速度，vr是后车当前速度，vf是前车当前速度，最后该值取正数。当车距小于此距离时，表明后车若不采取制动措施则可能发生碰撞风险，因此在此距离内的纵向目标被视为安全相关目标。
[0017]
进一步的技术方案，第3项距离主要由对向车辆安全距离确定，其计算方式如下：
[0018][0019]
其中v1和v2是自车和对向车的速度，β
min,correct
表示对向车辆减速度，我们认为β
min,correct
≤β
min
，因为正常行驶的车辆很可能不过多考虑对向车辆越线行驶。小于此距离时，我们认为对向车辆之间已经产生安全影响，应将其考虑为安全相关目标。
[0020]
进一步的技术方案，第4项的左右边界为横向安全距离，计算方法如下：
[0021][0022]
其中，μ是横向运动的安全边界值，vi代表车辆i的当前横向速度，v
i,ρ
是反应时间过后车辆i的横向速度，在反应时间内，默认车辆i以α
max
的加速度进行横向加速运动，β
min
是在反应时间过后最小的横向减速度。该距离表示了横向运动的安全距离，在此横向范围内的目标可以被视为安全相关目标。
[0023]
进一步的技术方案，在所述步骤1中，对数据进行分类时，采用无监督学习中的k-means聚类方法。
[0024]
本发明实施例提供的一种差异性自动换道决策方法，利用邻车行驶大数据，基于
k-means聚类分析方法建立邻车行驶风格标签，从而大概率推测邻车行驶风格，为本车合理换道提供可靠的理论支撑。同时将lstm与rss模型相融合，兼顾考虑动态时间窗下的轨迹预测与横、纵向安全距离，为本车合理换道提供更安全的技术支撑。可以显著提升换道过程的安全性，避免了在传统驾驶中因观察不充分导致的危险情况，可以帮助经验不足的驾驶员完成换道；提供了更加个性化、更符合驾驶员个人驾驶习惯的换道方式，有效提升驾驶员对于算法的接受度和乘坐舒适度。
附图说明
[0025]
图1为本发明实施例提供的一种差异性自动换道决策方法的设计流程图；
[0026]
图2为本发明实施例提供的一种差异性自动换道决策方法中的根据风格差异选择参数的流程图；
[0027]
图3为本发明实施例提供的一种差异性自动换道决策方法中的安全相关区域示意图；
[0028]
图4为本发明实施例提供的一种差异性自动换道决策方法中的lstm模型图。
具体实施方式
[0029]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0030]
以下结合具体实施例对本发明的具体实现进行详细描述。
[0031]
本发明一个实施例提供的一种差异性自动换道决策方法，通过将邻车驾驶风格标签化的方式进行差异性自动换道决策，包括以下步骤：
[0032]
步骤1、在车辆行驶时，使用数据记录系统记录如表1所示的主要参数，
[0033]
表1主要参数及其特征
[0034][0035]
这些参数可以表征驾驶员在驾驶过程中的风格，采集的参数包括车速(velocity)、加速度绝对值(ava)、冲击度绝对值(avj)、节气门踏板开度(tpo)、节气门踏板开度变化率绝对值(avcrtpo)、制动踏板压力(bpp)共六项。计算这些参数在每秒内的平均值(mean)、标准差(std)、最大值(max)、最小值(min)、中值(median)，由此生成一个每秒30维的特征参数，使用以上参数对驾驶风格进行分类，形成驾驶风格标签。
[0036]
步骤2、基于周边车辆的被观测轨迹，结合驾驶风格标签，使用lstm神经网络预测其接下来的轨迹。lstm，全称long short term memory(长短期记忆)是一种特殊的递归神经网络，适于处理时序数据，在轨迹预测领域有较好的成果。lstm单元包含遗忘门、记忆门和输出，可以用来模拟人对于时序数据的记忆方式，通过训练，模型可以分配不同时间段数据的记忆程度，达到较好的预测效果。
[0037]
步骤3、在进行换道决策的安全性判断时，选择使用换道开始时的安全距离作为标准。对于不同的驾驶风格，可以预设不同的反应时间、最大加速度和刹车减速度等，如图2所示，增加换道安全验证的实用性。同时，基于v2v通讯，车辆之间可以传递自车归类的驾驶风格信息。
[0038]
针对自车周围的交通参与者，可以选取一个安全相关区域，即该区域内目标车道存在车辆时，初步判断为换道动作不安全，如图3所示，其中的几项距离分别为如下：
[0039]
1：同向行驶的纵向前方车辆，2：自车后方的车辆，3：对向靠近车辆，4：横向拓展安全相关区域。
[0040]
第1和2项为纵向安全距离：
[0041][0042]
其中，ρ表示驾驶员最小反应时间，α
max
表示车辆最大加速度，β
min
表示刹车时的最小减速度，β
max
表示刹车时的最大减速度，vr是后车当前速度，vf是前车当前速度，最后该值取正数。当车距小于此距离时，表明后车若不采取制动措施则可能发生碰撞风险，因此在此距离内的纵向目标被视为安全相关目标。
[0043]
第3项距离主要由对向车辆安全距离确定，计算方式如下：
[0044][0045]
其中v1和v2是自车和对向车的速度，β
min,correct
表示对向车辆减速度，我们认为β
min,correct
≤β
min
，因为正常行驶的车辆很可能不过多考虑对向车辆越线行驶。小于此距离时，我们认为对向车辆之间已经产生安全影响，应将其考虑为安全相关目标。
[0046]
第4项的左右边界为横向安全距离，计算方法如下：
[0047][0048]
其中，μ是横向运动的安全边界值，vi代表车辆i的当前横向速度，v
i,ρ
是反应时间过后车辆i的横向速度，在反应时间内，默认车辆i以α
max
的加速度进行横向加速运动，β
min
是在反应时间过后最小的横向减速度。该距离表示了横向运动的安全距离，在此横向范围内的目标可以被视为安全相关目标。
[0049]
当安全相关区域内存在目标时，智能车辆应优先处理安全相关目标，保证不处于危险状态，当自车处于安全状态，且目标车道上的车辆也与自车保持安全距离时，确认可以执行变道动作。安全相关区域的选取确保了车辆在变道中留出了充分的缓冲空间，避免发生鲁莽切入车道的行为，进而实现了自主换道算法的安全监测。
[0050]
作为本发明的一种优选实施例，在所述步骤1中，对数据进行分类时采用k均值聚类方法，无监督学习中的k-means聚类方法对于处理大型数据集任务能表现出更加简单高效的优势，同时，其具有时间复杂度低、空间复杂度低以及收敛速度快的特点，因此采用k-means算法对驾驶风格进行聚类。k-means算法又称为k均值聚类算法，其中k表示聚类类别数，means表示为取每一个聚类中数据值的均值作为该簇的中心，或称为质心，即选用每一个类的质心描述该簇。
[0051]
具体的：选取k个初始聚类中心，计算各个数据点到各聚类中心的距离，根据结果将数据点划分离其距离最近的聚类中心所在类，完成一次分类后就更新初始聚类中心。采用平均值法确定聚类中心，不断将数据点进行迭代分配，直至聚类中心不再发生变化，标志着聚类准则函数已经收敛，即完成了聚类分析过程。最终的聚类结果是使得各类的聚类平方和最小，直至其不变为止，准则函数计算如下：
[0052][0053]
式中，k为样本簇集合，n为样本数量，xi为样本点，uj为样本簇中心。
[0054]
k-means聚类方法的主要步骤如下：
[0055]
(1)选定要聚类的类别数目k；
[0056]
(2)随机选取k个数据点作为聚类中心；
[0057]
(3)数据集中每一个样本点，都需要计算其与每一个聚类中心的欧拉距离，从而找到距离其最近的聚类中心点，并将其化为到距离最近的聚类中心点所属簇；
[0058]
(4)根据上一次样本点分配的结果，重新计算簇内中心点，更新各个聚类中心；
[0059]
(5)计算数据集中所有的点与新的聚类中心点的聚类之和；
[0060]
(6)重复以上3-5步，直到各个数据点不在变更自己所属簇或者达到设定的迭代次数。
[0061]
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种差异性自动换道决策方法，通过将邻车驾驶风格标签化的方式进行差异性自动换道决策，其特征在于，包括以下步骤：步骤1、在车辆行驶时，使用数据记录系统记录用于表征驾驶员在驾驶过程中的风格的参数，采集的参数包括车速、加速度绝对值、冲击度绝对值、节气门踏板开度、节气门踏板开度变化率绝对值和制动踏板压力共六项，计算这些参数在每秒内的平均值、标准差、最大值、最小值和中值，由此生成一个每秒30维的特征参数，使用以上参数对驾驶风格进行分类，形成驾驶风格标签；步骤2、基于周边车辆的被观测轨迹，结合驾驶风格标签，使用lstm神经网络预测其接下来的轨迹；步骤3、在进行换道决策的安全性判断时，选择使用换道开始时的安全距离作为标准，对于不同的驾驶风格，预设不同的反应时间、最大加速度和刹车减速度，保证换道安全验证的实用性；同时，基于v2v通讯，在车辆之间传递自车归类的驾驶风格信息；步骤4、针对自车周围的交通参与者，选取一个安全相关区域，该区域内目标车道存在车辆时，初步判断为换道动作不安全，确定以下几个距离：第1项：同向行驶的纵向前方车辆，第2项：自车后方的车辆，第3项：对向靠近车辆，第4项：横向拓展安全相关区域；步骤5、当安全相关区域内存在目标时，智能车辆应优先处理安全相关目标，保证不处于危险状态，当自车处于安全状态，且目标车道上的车辆也与自车保持安全距离时，确认可以执行变道动作，安全相关区域的选取确保车辆在变道中留出了充分的缓冲空间，并对自主换道算法进行安全监测。2.根据权利要求1所述的差异性自动换道决策方法，其特征在于，在所述步骤4中，第1和2项为纵向安全距离，计算方法如下：其中，ρ表示驾驶员最小反应时间，α
max
表示车辆最大加速度，β
min
表示刹车时的最小减速度，β
max
表示刹车时的最大减速度，v
r
是后车当前速度，v
f
是前车当前速度，最后计算数值取正数；当车距小于此距离时，表明后车若不采取制动措施则存在发生碰撞的风险，因此在此距离内的纵向目标被视为安全相关目标。3.根据权利要求2所述的差异性自动换道决策方法，其特征在于，第3项距离由对向车辆安全距离确定，其计算方式如下：
其中v1和v2是自车和对向车的速度，β
min,correct
表示对向车辆减速度，并设定β
min,correct
≤β
min
；当车距小于此距离时，判定对向车辆之间已经产生安全影响，将其认定为安全相关目标。4.根据权利要求3所述的差异性自动换道决策方法，其特征在于，第4项的左右边界为横向安全距离，计算方法如下：其中，μ是横向运动的安全边界值，vi代表车辆i的当前横向速度，v
i,ρ
是反应时间过后车辆i的横向速度，在反应时间内，默认车辆i以α
max
的加速度进行横向加速运动，β
min
是在反应时间过后最小的横向减速度；该距离表示了横向运动的安全距离，在此横向范围内的目标被视为安全相关目标。5.根据权利要求1所述的差异性自动换道决策方法，其特征在于，在所述步骤1中，对数据进行分类时，采用无监督学习中的k-means聚类方法。

技术总结
本发明适用于辅助驾驶系统技术领域，提供了一种差异性自动换道决策方法，包括以下步骤：记录用于表征驾驶员在驾驶过程中的风格的参数，使用参数对驾驶风格进行分类；基于周边车辆的被观测轨迹，结合驾驶风格标签，使用LSTM神经网络预测其接下来的轨迹；选择使用换道开始时的安全距离作为标准，对于不同的驾驶风格，预设不同的反应时间、最大加速度和刹车减速度；针对自车周围的交通参与者，选取一个安全相关区域，当安全相关区域内存在目标时，优先处理安全相关目标，当自车处于安全状态，确认可以执行变道动作。本方法可以显著提升换道过程的安全性，提供了更加个性化的换道方式，有效提升驾驶员对于算法的接受度和乘坐舒适度。适度。适度。


技术研发人员：高镇海 刘达禹 孙天骏 于桐 蔡荣贵 赵浩源 赵客寒
受保护的技术使用者：吉林大学
技术研发日：2023.03.20
技术公布日：2023/6/27