原文传递
基于数据驱动的自动驾驶汽车换道行为建模与控制研究
| 论文题名： | 基于数据驱动的自动驾驶汽车换道行为建模与控制研究 |
| 关键词： | 自动驾驶汽车;换道行为;道路保持;车辆横向控制;端到端驾驶;数据驱动 |
| 摘要： | 换道作为常见的驾驶行为之一，一直是自动驾驶的研究热点。当前对换道过程中车辆控制的研究大多集中于规划换道轨迹，再通过控制算法反解出车辆控制信号。这种规划方式将换道前后的道路保持过程与换道横向偏移过程视为一个整体，无法在换道短时工况变化的情况下对车辆做适应性调整。针对这一问题可以采用端到端的方案改进，从而根据车辆当前工况实时调整模型控制量输出。但考虑到真实驾驶环境中，车辆绝大多数时间处于道路保持状态，道路保持相关数据更加充足，端到端方案更适用于改进道路保持过程。综合以上考虑，本文方案将换道完整过程划分为换道执行阶段与道路保持阶段，并针对两者分别建立模型。 首先，在换道执行模型建模中，采用了基于数据驱动的方式。本文定义了四个方向盘转角曲线几何特征，并以处理好的真实驾驶数据为训练样本，训练AOA-SVR模型预测部分特征。在特征定义中，同样考虑到了驾驶员风格因素，令拟合出的方向盘转角曲线个性化。经过对比其他常见曲线，本文最终使用分段三次Hermite插值多项式拟合转角曲线，并在Carsim中对模型效果进行验证。 其次，在道路保持模型建模中，融合了端到端的概念。数据集中道路保持相关数据足够充足，这为基于深度学习的模型搭建提供基础。本文搭建了以前摄像头拍摄的道路RGB图像为输入，以方向盘转角为输出的CNN-NCP转角预测网络。在训练网络前对用于训练的驾驶数据做数据增强处理。以晴朗天气数据作为训练数据，并最终在数据集其他天气数据中验证了模型预测精度。与基线网络CNN相比，本文使用的网络具有更强的泛化能力和预测精度。 再次，为了完善两阶段模型的进入退出机制，本文设计了考虑驾驶员风格的安全距离模型，用于判断是否能够进入换道执行过程。同时建立模型切换机制，即随时间变化的动态权重，令两模型输出的控制量完成无突变的平顺切换。并在Carsim中验证本文换道模型效果。 最后，为了能够验证本文提出的换道模型可行性，在Carla平台对自动驾驶状态下的试验车辆在面对换道需求时，能否完成切换车道动作做了试验验证。为了弥补道路保持模型在纵向控制上的缺失，补充搭建速度预测网络，并在Carla环境下使用实验室硬件设备重新采集驾驶数据，重新训练转角预测网络与速度预测网络。最终在有无动态车辆的两个实验情境中分别对不同天气下的试验成功率做了统计，并在四组确定条件的试验环境下对车辆的换道过程做仿真验证。结果表明本文提出的模型能够在预期内满足自动驾驶换道需要。 |
| 作者： | 王佳欣 |
| 专业： | 车辆工程 |
| 导师： | 谢飞 |
| 授予学位： | 硕士 |
| 授予学位单位： | 吉林大学 |
| 学位年度： | 2023 |
检索历史
应用推荐
