自动驾驶4WS车辆路径跟踪最优控制算法仿真

针对自动驾驶车辆高速主动转向工况下传统的控制算法的控制效果容易出现较多的超调量和较长调节时间的问题,提出了基于车辆动力学模型的轨迹预测跟踪主动转向控制算法,并基于轮胎侧偏刚度非线性的特性设计了权系数线性最优二次型(LQR)后轮转角控制算法,通过联合仿真对控制算法效果进行了验证。仿真结果表明:自动驾驶四轮转向车辆在低、高速工况下进行自主换道行驶时,算法控制效果满足汽车操纵稳定性要求,且权系数LQR后轮转向算法比定侧偏刚度的LQR线性控制算法有更优越的操控性能。     

自动驾驶环境下交叉口车辆路径规划与最优控制模型

自动驾驶环境下的交叉口基于车车/车路之间的双向信息交互, 能保障自动驾驶车辆相互穿插与协作地通过交叉口, 而无需信号灯控制. 因此, 如何设计高效的面向自动驾驶车辆通行的交叉口管控模型, 已成为研究的热点. 已有研究在建模时, 均基于自动驾驶车辆在交叉口内部的行驶路径已知并作为模型输入, 且大多对交叉口内部的冲突点进行简化. 本文首先将交叉口空间离散化处理, 考虑车辆的实际尺寸并面向非常规交叉口, 使用椭圆曲线建立转弯车辆行驶路径的精确轨迹方程, 再通过外边界投影降维法建立轨迹方程和交叉口空间的映射关系. 建立了基于混合整数线性规划(Mixed integer linear programming, MILP)的自动驾驶交叉口管控模型, 以交叉口总延误最小为控制目标, 同时优化车辆在交叉口的最佳行驶路径和驶入时刻, 使用AMPL (A mathematical programming language)对模型进行编译并使用CPLEX求解器求解. 与经典感应控制和先到先服务模型进行对比, 结果表明, 本文所提出模型能对车辆进入交叉口的时刻和行驶路径进行双重优化, 显著降低自动驾驶车辆通过交叉口的车均延误, 提高交叉口空间的利用效率.     

基于多项式的智能车辆换道轨迹规划

以智能车辆换道过程为研究对象,提出一种基于多项式理论的车辆换道轨迹规划算法。该算法采用矩形对换道车辆及障碍车辆进行包裹,结合换道车辆的边界条件由以时间为参数的多项式计算得到换道轨迹。由该算法生成的换道轨迹符合四段式车道变换模型,并适用于复杂道路环境。新算法将复杂道路环境中期望换道轨迹的求取问题转换为单一参数求取问题,简化了计算,同时考虑了车辆动力学限制对生成轨迹的影响。计算机仿真验证了算法的正确性及有效性,尤其是在复杂路面情况下体现了该换道轨迹规划算法的优势。     

基于博弈论的人类驾驶与无人驾驶协作换道模型

无人驾驶汽车根据自身获取信息进行决策,与人类驾驶缺乏有效的交互机制,在复杂交通环境下难以发挥优势,甚至会引起事故。为此,引入智能网联汽车的设计思想,针对车辆在行驶过程中的换道行为,基于博弈论构建一种包含车辆协同机制的换道模型。考虑驾驶员实施换道的行为特征,车辆在做出换道决策后观察分析其他车辆的驾驶风格,其结果会影响最终决策。根据安全前提下可能获得的加速空间决定支付函数,同时加入表征驾驶风格的参数,并量化得到驾驶风格分数。在SUMO仿真软件上的测试结果显示,使用博弈换道模型的车辆在不同车流密度环境下平均通行数量提高5.60%,平均通行时间减少8.44%,测试中未发生事故,表明模型具有感知、判断人类驾驶风格的能力,可在保证安全的前提下提高通行效率。     

基于VC的AHS车辆自动驾驶仿真实现

该文结合选定的车辆系统动力学模型,利用VisualC++6.0强大的库函数和内部响应机制实现了一种基于改进型PID算法的汽车自动驾驶仿真。仿真实验结果表明,作用于AHS车辆的控制算法收敛快、超调小,能使车辆根据路况信息和车间状况自动做出校正动作,在多车连锁运行模型中,亦能实现车辆的高速跟驰。     

基于视觉的缩微智能车自主换道

基于简单视觉的缩微智能车自主驾驶行为,提出一种完全基于视觉的超车换道策略及超车开关模糊控制算法.根据检测车道线拟合出的行驶轨迹,获得车辆中心轴与行驶轨迹之间的偏移距离E及其变化率Ec,针对直道行驶和超车换道行驶采用不同的模糊转向控制算法.此外,本文通过实验研究像素点距与实际距离关系、安全超车距离与速度的关系;并通过实验验证视觉换道策略的有效性及车辆切换模糊控制算法的高效性和稳定性.     

基于混合模糊多人多目标非合作博弈的车道选择模型

建立汽车安全驾驶辅助系统（包括安全驾驶预警系统）是保证交通安全的有效手段.准确预测车辆集群态势是汽车安全辅助驾驶的前提,车道选择是车辆集群态势发生转移最为根本的原因,也是交通流理论研究的基本内容.以往研究没有综合考虑车辆集群复杂态势下各运动实体特征及其操控者类型,以及多个车道间车辆的冲突对车道选择的影响.为此,本文综合考虑各运动实体特征及其操控者类型,基于混合模糊多人多目标非合作博弈方法,建立城市快速路基本路段上的驾驶员车道选择模型.通过分析各方驾驶员在不同车道选择策略下的收益,确定换道博弈的Nash均衡,得到驾驶员最优车道选择策略.研究结果表明:基于混合模糊多人多目标非合作博弈方法建构的驾驶员车道选择模型,其预测准确率可达到85.2%.     

自动驾驶车辆在无信号交叉口右转驾驶决策技术研究

利用深度强化学习（deep reinforcement learning,DRL）技术实现自动驾驶决策已成为国内外研究热点,现有研究中的车辆交通流缺乏随机性与真实性,同时自动驾驶车辆在环境中的有效探索具有局限性。因此利用TD3算法进行自动驾驶车辆在无信号交叉口下的右转驾驶决策研究,首先在Carla仿真平台中开发无信号交叉口的训练与测试场景,并添加交通流管理功能,提高系统训练和测试随机性。其次,为了提高自动驾驶车辆的探索性,对TD3算法中的Actor网络进行改进,为目标动作添加OU噪声。最后使用通行成功率和平均通行时间评估指标评价自动驾驶行为决策。结果表明,在不同交通流场景下,改进后的TD3算法通行成功率与基于DDPG算法控制的车辆相比平均提升6.2%,与基于规则的AEB模型相比平均提升23%。改进后的TD3算法不仅能够探索更多可能,而且其通行决策表现更加突出。     

基于深度强化学习的自动驾驶技术研究

传统的自动驾驶行为决策算法需要人为设定复杂的规则,从而导致车辆决策时间长、决策效果不佳、对于新的环境不具有适应性,而强化学习作为近年来机器学习和智能控制领域的主要方法之一,车辆仅通过与环境交互便可以学习到合理、有效的策略。本文基于DDPG(Deep Deterministic Policy Gradient)算法,通过设计合理的奖励函数、深度卷积网络、探索策略,在Carla模拟器中实现指定路线的自动驾驶。     

智能汽车换道控制算法的仿真研究

针对传统智能车辆跟随轨迹控制方法所存在的延迟反应问题,基于预瞄一跟随理论建立了智能车辆换道过中的轨迹跟随运动模型,提出了智能车辆换道过程中的控制算法.在PreScan和matlab/simulink的联合仿真环境下,实现了智能车辆换道过程中轨迹跟随控制,并进行了36km/h、72km/h和108km/h速度下的仿真验证.仿真结果表明,仿真轨迹与实测换道轨迹走势接近且重合度较高.