详情

原文传递基于多源感知融合与深度学习决策的自主换道方法研究

论文题名：	基于多源感知融合与深度学习决策的自主换道方法研究
关键词：	自主换道方法;多源感知融合;深度学习决策;卡尔曼滤波
摘要：	换道行为是常见驾驶行为之一，因此自主换道功能也是智能驾驶车辆的重要研究方向，良好的自主换道功能可以在保证行驶安全性的前提下提高通行效率，并且还能较好符合人类驾驶员的驾驶习惯，避免乘客出现不适，因此本文对基于多源感知融合与深度学习决策的自主换道方法展开研究。本文首先建立了面向智能驾驶车辆端的传感器融合方案，以优化感知输出，为后续工作奠定基础；之后使用数据驱动的方法建立基于深度学习的换道决策模型在适合换道的时刻输出换道决策；随后基于多项式形式曲线对换道轨迹进行规划；最后使用模型预测控制方法对车辆进行动力学控制以完成轨迹跟随。　　首先，在感知方面，本文分析智能驾驶车辆端常用的毫米波雷达、摄像头等传感器特性，明确智能驾驶车辆端传感器融合的功能目标，提出了智能驾驶车辆端传感器融合的解决方案，包含感知信息预处理、坐标系统一、目标跟踪与融合三部分。本部分首先比较了常用数据关联方法的优劣势，提出基于马氏距离的匈牙利算法作为数据关联方案以完成感知信息预处理；然后介绍坐标系变换相关知识以完成坐标系统一任务；最后结合传感器特点，选择卡尔曼滤波方法对传感器信息进行融合跟踪，并在融合过程中完成目标的跟踪、目标新建、目标编号等功能。　　其次，在换道决策方面，建立基于深度学习的换道决策模型。本部分首先对换道过程进行分析，得到影响换道决策的因素，并据此建立换道决策微观交通模型；并且本文认为换道决策是一个时序积累的过程，因此采用能够关联时序特征的长短时记忆神经网络模型来进行建模；在对已有数据清洗时，从换道动机出发筛选换道以及车道保持样本，尽可能减轻数据的不平衡度；之后对模型的损失函数、学习率、优化算法等进行探讨，综合对比之后建立基于长短时记忆神经网络的换道决策模型；最后使用筛选的数据对换道决策模型进行训练，结果表明，模型对换道决策以及车道保持决策的识别准确率达到92%以上。　　再次，在换道轨迹规划与轨迹跟踪控制方面，建立基于五次多项式曲线的轨迹规划模型和基于模型预测控制的控制模型。首先根据行驶工况生成基于预瞄距离的五次多项式轨迹簇，然后建立综合换道效率性和舒适性的目标函数，通过优化目标函数选取最优换道轨迹；最后建立三自由度车辆动力学模型并进行线性化处理，结合模型预测控制算法建立轨迹跟踪模型。　　最后，使用Carmaker/Simulink软件平台对传感器融合程序以及自主换道功能进行仿真验证。首先在Carmaker中建立仿真环境与传感器模型，在Simulink中搭建融合程序，对比传感器原始输出与融合之后的数据，证明融合程序能够在很大程度上降低传感器原始噪音；然后基于传感器融合程序的感知输出在Simulink中搭建换道决策、轨迹规划、跟踪控制模型，输出控制量对Carmaker中车辆动力学模型进行控制以验证自主换道功能的完整性与可行性。
作者：	曹卓
专业：	车辆工程
导师：	初亮
授予学位：	硕士
授予学位单位：	吉林大学
学位年度：	2023