原文传递
基于周围车辆行为预测的自动驾驶车辆换道决策研究
| 论文题名： | 基于周围车辆行为预测的自动驾驶车辆换道决策研究 |
| 关键词： | 自动驾驶车辆;行为预测;换道决策;收益评估;纳什Q学习;换道决策模型 |
| 摘要： | 作为自动驾驶车辆的大脑，行为决策系统决定了其未来行驶的安全性以及合理性，提高行为决策系统的智能化水平一直都是自动驾驶技术领域研究的重点和难点。考虑到在实际的换道场景中，自动驾驶车辆在进行换道决策时，需要时刻关注周围环境的发展态势和可能面临的危险状况，但目前大多数的换道决策方法要么忽略了周围车辆的运动轨迹对自车决策的影响，要么忽略了周围车辆未来的交互反应，无法满足未来自动驾驶换道决策系统的需求。因此，本文建立了能够考虑车车交互的换道决策模型，并针对周围车辆的驾驶意图的辨识、轨迹预测和车车交互的未来行为预测等问题进行了研究，主要的研究内容为： （1）采用基于原型轨迹数据的运动预测方法，对数据集“下一代模拟（NGSIM）”进行预处理，提取周围车辆历史行驶数据的行驶特征值，构建基于深度学习的驾驶意图辨识模型，结合车辆的驾驶意图实现对周围车辆未来轨迹的长期预测。保证本文提出的方法能够有效地根据车辆历史轨迹辨识驾驶意图。 （2）针对自动驾驶车辆驾驶行为引发与周围车辆的交互影响带来的不确定性问题，提出一种基于车车交互博弈的周围车辆行为预测模型，通过博弈理论来模拟交通参与者之间的交互行为。通过定义车辆的驾驶行为建立驾驶行为空间，采用基于运动学与基于行为的运动模型对车辆的未来运动进行预测，基于危险评估函数以及空间收益函数，构建多车交互与博弈的收益评估函数，通过明确博弈中的交互关系确定每种交互行为的期望收益，完成车车之间未来交互行为的预测。 （3）考虑到车车交互的影响，提出一种基于纳什Q学习算法的随机博弈决策模型。研究车辆产生换道行为原因以及不同换道行为，建立一种动态的轨迹规划模型，针对预测得到的周围车辆交互行为，建立基于纳什Q学习算法的随机博弈决策模型，通过求解纳什均衡确定自车最优的动作状态序列，通过道路汇合场景对模型进行验证。 |
| 作者： | 匡登明 |
| 专业： | 车辆工程 |
| 导师： | 赵万忠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 南京航空航天大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
