密集交通场景下无人驾驶重卡换道决策规划方法

准确估计周围车辆的驾驶员合作程度能提高无人驾驶车辆在密集交通场景下的换道安全性与效率,特别是对于自身灵活性和稳定性较差、对周围车辆安全威胁较大的重型卡车。因此,提出一种基于周围车辆驾驶员合作程度预测以及非对称风险评估的无人驾驶重型卡车换道决策规划方法。该方法基于高斯混合模型对周围车辆进行运动轨迹预测,结合当前驾驶环境估计目标车道后车的驾驶员合作程度,并用于构建非对称风险模型;基于轨迹预测结果,采用效用理论建模无人驾驶重型卡车当前和未来的车道选择概率,综合当前和未来的风险评估,输出最终的驾驶行为决策;设计多目标代价函数用于从多项式候选轨迹中选取最优轨迹。基于自然驾驶数据集的仿真试验表明,提出的方法可以准确地预测目标车道后车的驾驶员合作程度以及对周围车辆的风险等级,使无人驾驶重型卡车在密集交通流下也能安全高效地执行换道决策和轨迹规划。     

基于改进TTR算法的车辆侧翻预警研究

侧翻时限(TTR)能有效用于车辆侧翻预警,然而传统的TTR方法所选定的侧翻阈值因行车条件的改变难以精确设定,会导致预警提前或滞后等问题。为了弥补传统TTR算法的不足,提高车辆侧翻预警的有效性,建立了三自由度车辆动力学模型;提出了以车辆的当前侧向加速度与实时侧向极限加速度的比值这一相对量作为侧翻评价指标,替代传统依靠侧倾角或侧向加速度等绝对量来进行侧翻预测;根据当前车辆运动状态计算未来发生侧翻时的TTR值,从而得到改进TTR侧翻预警算法。结果表明：改进TTR侧翻预警算法较传统基于侧倾角或侧向加速度的这两种TTR侧翻预警算法,能更准确地发现侧翻危险。