详情

原文传递面向智能网联的驾驶行为识别与预测预警方法研究

论文题名：	面向智能网联的驾驶行为识别与预测预警方法研究
关键词：	智能网联汽车;驾驶行为;深度学习;危险态势;主动安全预警
摘要：	近些年来，由于国家政策的支持以及通信、人工智能等技术创新成果的有效应用，智能网联汽车相关技术及功能得到了快速的发展。智能网联汽车的兴起为提高公路交通系统的稳定性、安全性带来了新的发展机遇与挑战。在逐步实现车路协同和自动驾驶的发展过程中，由网联不充分、智能化程度不等、渗透率逐步提升的智能网联汽车与人驾车辆共同组成的异质混杂交通流成为了公路交通的主流场景并将长期保持。在人机共驾的背景下，以保障智能网联汽车安全行驶为目的驾驶行为研究成为了交通运输工程以及车辆工程领域热门方向。但迄今为止，由于混杂交通环境下场景的多样性和人驾车辆的不确定性，在相关研究中仍存在诸多问题：如何对车辆横向以及纵向运动的异常驾驶行为进行判定和挖掘，并建立有效、多元、海量的驾驶行为训练集；如何针对人驾车辆在复杂交通环境下的潜在驾驶意图及行为进行预测；如何在网联多车环境下对行驶轨迹做出精准预测，并对智能网联汽车的危险态势进行评估分析与预警。　　本文充分发挥深度学习模型在特征挖掘方面的优势，旨在提高智能网联汽车的行驶安全能力，围绕驾驶行为的识别、预测以及预警需求展开研究，以异质混杂交通环境为研究背景，以高质量车辆行驶状态数据为研究基础，期望在“如何通过驾驶行为研究为提高智能网联汽车安全性能提供支撑？”这个关键问题上取得突破。主要的创新工作有：　　（1）针对严重影响交通流稳定性的异常驾驶行为，提出一种基于深度学习的异常驾驶行为识别方法。搭建由多源数据采集平台和封闭测试场地共同组成的行为感知实车试验环境，实现异常驾驶行为样本采集，分析不同行为数据表征模式并提出微观短时事件切分模型，利用公开数据集构建多维多元异常驾驶行为训练集。提出异常驾驶行为深度学习识别方法，实现自注意力机制和深度残差异构模型的有机结合，并利用训练集对模型参数进行优化。验证实验结果表明：提出的方法对异常驾驶行为识别率最高可达97%，平均可达95%左右，且能对历史行程中的异常驾驶行为进行挖掘，可以有效且精确地识别异常驾驶行为。　　（2）基于传统人驾车辆驾驶行为的不确定性，以及复杂环境下驾驶意图及行为的准确预判在智能网联汽车主动安全预警中的重要性，开展驾驶行为预测研究。引入有限状态机理论以简化激励-行为-状态转化机理，提出一种复杂环境驾驶意图博弈和多维深度学习驾驶行为预测方法，建立基于斯塔克伯格博弈的换道决策预测模型，分析高速公路场景常见行为构建典型驾驶行为样本集，针对驾驶行为预测过程中准确性和时效性并存的需求，将深度学习模型轻量化设计同时实现典型驾驶行为的预测。验证实验结果表明：驾驶意图博弈模型能够达到输出车辆潜在换道概率的目的，搭建的轻量化深度学习算法模型可以有效预测典型驾驶行为，两个模型的有机结合可以做到对典型驾驶行为在0.2-0.4秒内预测精度达到94%左右。　　（3）基于智能网联汽车实时碰撞风险预警需求，提出一种危险态势人工势场评估法，以及结合主车候选路径与背景车轨迹融合的智能网联危险态势预警策略。针对异质混杂交通环境下的人机共驾特征，在驾驶行为可预测的前提下构建人驾车辆轨迹预测模型，以长短时记忆网络为编码-解码器，并利用社交张量池实现场景数据耦合，达到对轨迹的有效预测；针对目标车辆提出基于三阶贝塞尔曲线的局部候选路径生成方法，结合场景边界在细粒度层面上最大覆盖目标车辆潜在轨迹，并利用人工势场法分析不同场景下网联车辆的碰撞风险。验证实验结果表明：轨迹预测算法模型对人驾车辆的轨迹预测有较高精度，结合目标车辆局部候选路径可对危险态势实现精确预警，可用于智能网联车辆的主动安全预警。　　本文针对异质混杂交通流下与智能网联汽车行驶安全相关的驾驶行为所涉及的理论、方法及技术方面展开深入研究。本文提出的模型及算法可以为智能网联汽车的主动安全预警系统提供有力的理论及技术支持，有效提升车辆的行驶安全性能。
作者：	贾硕
专业：	交通信息工程及控制
导师：	李士宁;惠飞
授予学位：	博士
授予学位单位：	长安大学
学位年度：	2022