详情

原文传递基于自学习生成模型的个性化纵向驾驶辅助研究

论文题名：	基于自学习生成模型的个性化纵向驾驶辅助研究
关键词：	个性化驾驶辅助系统;跟驰行为;个体差异性;自学习生成模型;交通安全
摘要：	先进的驾驶辅助系统（Advanced Driving Assistance System，ADAS）作为智能驾驶领域的研究热点之一，在提高驾驶安全性以及减缓驾驶压力等方面发挥着重要作用。随着市场渗透率及驾照持有者数量的增加，ADAS用户数也逐渐增多。然而，由于驾驶人年龄、驾驶经验以及对信息的处理与决策能力不同，其驾驶行为表现出不同程度的差异性。为应对ADAS多样化的使用条件，提高用户接受度，进行驾驶辅助系统的个性化开发具有重要意义。本文以个体驾驶人跟驰行为为研究对象，开展自适应驾驶人习性的纵向驾驶辅助系统研究。主要工作归纳如下：　　针对差异性特征提取方式单一的问题，开展驾驶人差异性分析与辨识研究。基于自然驾驶数据，从统计域、频域和时频域三个方面，多尺度分析跟驰行为特征分布，确定差异性参数；提取参数的统计特征和小波能量熵构建特征集，通过多种机器学习算法建立驾驶人差异性辨识模型；研究不同参数组合对辨识效果的影响，确定最佳参数输入，为构建个性化跟驰模型奠定基础。　　针对现有驾驶辅助系统对不同驾驶人适应能力较低的问题，开展个性化驾驶人模型研究，建立自适应期望跟驰间距和驾驶习性的双层跟驰模型。首先，提取驾驶人均衡跟驰状态数据，采用高斯混合和概率密度函数建立驾驶人期望跟驰间距模型；然后，基于高斯混合-隐马尔可夫模型学习驾驶习性，并引入期望跟驰间距参数，建立个性化驾驶人跟驰模型；最后，研究不同高斯分量数量对模型的影响，对比双层模型与Gipps模型、最优间距模型、单层模型和通用模型的性能。　　针对模型应用问题展开纵向速度控制研究。采用模型预测控制和车辆逆动力学模型建立纵向速度控制系统。基于模型预测控制设计上层控制器，将期望加速度及期望跟驰间距作为参考输入，并增加控制约束，提高车辆行驶安全性。采用车辆逆动力学模型构建下层控制器，输出节气门开度及制动压力，实现车辆纵向速度控制。　　基于Prescan、Carsim和Simulink搭建系统仿真平台，实现控制系统验证。首先，利用Carsim和Prescan建立主车动力学模型和跟驰工况仿真环境；然后，利用Simulink搭建控制系统，完成联合仿真；最后，在低速和高速工况下对控制算法进行仿真实验，验证个性化模型及系统的可行性和有效性。　　本文采用8位驾驶人实车实验数据验证驾驶人辨识模型和个性化跟驰模型，采用仿真实验验证纵向速度控制系统，实验结果如下：1）在相同跟驰环境下，不同驾驶人加速度、跟驰间距、与前车相对速度及碰撞时间倒数的统计分布和时频分布存在一定差异，以此建立辨识模型，辨识精度达96.81%，表明提取差异性参数特征的有效性；2）构建双层个性化跟驰模型，模型在训练集和测试集的加速度预测误差均值分别为0.101m/s2和0.123m/s2，相较于对比模型，预测效果提升30%以上；3）仿真实验验证双层控制系统，在低速及高速工况下，系统能准确跟踪期望加速度序列，并保持驾驶安全性与舒适性；不同驾驶人的加速度及跟驰距离在低速及高速工况下表现出不同程度的差异性，进一步表明个性化跟驰模型的有效性及控制系统的可行性。
作者：	张凯铎
专业：	交通运输工程
导师：	刘志强
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022