详情

原文传递面向智能网联汽车的多源信息融合辅助变道技术研究

论文题名：	面向智能网联汽车的多源信息融合辅助变道技术研究
关键词：	智能网联汽车;辅助变道;多源信息融合;目标检测;高精度定位
摘要：	随着智能网联汽车技术的快速发展，智能网联汽车的行驶环境也开始从封闭的园区场景扩展到城市道路、高速公路等开放场景。车道保持和变换是智能网联汽车在这些场景中的最基本工况，如何有效地对变道行为进行预测及安全辅助，防止事故的发生，提高智能网联汽车行驶的安全性，一直是智能网联汽车技术领域需要解决的热点问题。国内外研究人员对汽车变道辅助及预警技术展开了较为深入的研究，但目前针对智能网联汽车在开放场景下的变道行为辨识及预测方法仍存在一定的局限性。针对此问题，本文开展面向智能网联汽车的多源信息融合方法在辅助变道技术中的研究，重点在变道行为特征分析及参数提取，基于深度学习方法的辅助变道交通信息检测，基于机器学习的高精度辅助变道定位信息解算模型设计，以及多源信息融合变道行为检测与预测方法等方面进行深入研究。主要研究内容和创新点如下：　　（1）研究智能网联环境下的变道行为特征参数，设计基于车辆行驶状态的特征参数选取方法，提出基于学习的高速公路车辆变道行为检测模型。针对智能网联行驶环境，结合驾驶风格习惯和车辆行驶状态等信息对车辆变道行为特征进行了深入研究与分析。提取变道行为相关参数建立真实场景下的数据集并进行标注。基于随机森林和极端随机树等机器学习方法建立相关模型，在所建立的数据集上对车辆变道行为特征参数的重要度进行计算，实现了变道行为预测模型特征参数的选取。在特征参数选取的基础上，设计了k近邻算法模型对车辆变道行为进行检测，并与随机森林和极端随机树模型的检测结果进行了对比分析，验证了所提出特征参数及检测模型在车辆变道行为检测中的有效性。　　（2）在研究真实场景下辅助变道交通信息及交通目标特征的基础上，提出基于视觉的交通目标信息深度学习检测模型。针对交通标志的检测问题，设计优化了YOLOv3深度学习模型，引入DenseNet以改善真实场景中的小目标以及受光线、距离等影响造成的清晰度不佳等问题；针对影响车辆变道行为的交通障碍物进行分类，建立了相关数据集并进行标注，分别建立了基于YOLOv3、YOLOv4和YOLOv4-tiny的深度学习检测模型，并针对变道行为影响程度不同的障碍物之间的误识别问题，提出了基于Wasserstein距离损失函数的改进模型；针对车辆尾灯转向信息识别中的干扰问题，提出了基于YOLOv4的改进检测模型。对所提出的模型和方法进行了测试和分析，验证了方法的有效性。　　（3）在研究辅助变道车辆行驶状态信息获取所需的高精度定位及误差消除方法的基础上，提出基于LSTM循环神经网络的GPS/BDS组合单点定位解算方法。针对定位过程中的多来源误差，基于GPS/BDS组合定位接收机的实测数据设计实现了定位解算方法，并结合长短期记忆网络模型对定位解算方法进行了优化，将定位误差序列通过循环神经网络进行预测和误差校正，建立相关模型，从而提高组合定位的精度。分别在静态和动态场景下进行了实测，并对实验结果进行了对比分析，验证了所提出方法的有效性。基于车载高精度定位实测数据对车辆变道行为进行了检测，验证了通过所提出方法获得的车载高精度定位数据在车辆变道行为检测中的有效性。　　（4）在研究变道行为特征参数选取和车辆周围行驶状态参数获取的基础上，提出多源信息融合的变道行为预测模型及其检测方法。综合考虑驾驶风格、周围车辆行驶状态等影响因素，基于所选取的特征参数，对多源信息融合的车辆变道行为预测方法进行了研究。首先，提出了基于本车行驶状态信息的变道行为检测方法。在此基础上，结合驾驶风格习惯和周围车辆的行驶状态信息，提出了一种多源信息融合的变道行为预测模型，设计基于隐马尔可夫模型的方法对当前变道环境进行判断，然后对车辆行驶状态参数进行预测。通过所提出的变道行为检测方法，结合交通环境等信息对车辆变道行为进行预测。最后在真实场景数据集上对所提出方法的准确性和有效性进行了分析验证。
作者：	杜路遥
专业：	交通信息工程及控制
导师：	陈伟
授予学位：	博士
授予学位单位：	武汉理工大学
学位年度：	2022