基于安全风险预测的自动驾驶自适应巡航控制优化

摘要  ：从周边车辆活动学状态参数和门路设施条件参数中提取场景特征指标和安全风险度量指标，采用极端梯度提拔模型（XGboost  ）和是非时影象模型（  LSTM  ）举行安全风险预测，由此提出基于安全风险预测的自动驾驶自适应巡航控制（ACC  ）优化方法，并选取碰撞发生概率、速率匀称值、速率标准差3  种指标评价  ACC  表现。通过  Prescan  和  Simulink  团结仿真推演，验证了 ACC   优化方法的合理性和有效性。效果表明，基于安全风险预测的 ACC   优化方法的控制表现优于一般ACC  ；使用  LSTM  预测安全风险，相比  XGboost  具有更好的 ACC   优化表现；预测安全风险时增长门路设施条件参数，显著提拔了 ACC   表现，低落了自动驾驶碰撞发生概率。     关键词  ：交通运输；自动驾驶；安全风险预测；控制优化；仿真推演        巡航控制是自动驾驶汽车决策控制系统重要组成之一       。频仍加减速、紧急制动等巡航控制，不仅影响交通通行效率和稳固性   ，还会影响车辆行驶过程中的安全性和舒服性   ，甚至导致严重的碰撞事故   。预测自动驾驶汽车行驶过程中安全风险并举行合理有效的巡航控制，对提拔自动驾驶汽车应急避险本领、低落碰撞事故发生概率具有重要意义。       自动驾驶巡航控制通常包括自适应巡航控制（adaptive cruise control   ，   ACC   ）       、协同自适应巡航控制（cooperative adaptive cruise control   ，   CACC   ）   等。ACC   原理是基于目标前车的活动学状态，根据车头间距       、车头时距   等使用车辆活动学模型   行速率控制。然而，在有车辆切入       、切出   等门路交通条件复杂   的路段，自动驾驶汽车难以包管ACC和   CACC   相应的及时性和有效性。虽然有研究将周边更多目标车的活动学状态和驾驶行为特征纳入巡航控制考虑之中，并定义了风险场   、风险域   等来量化周边车辆对自动驾驶汽车造成的潜在威胁，但是，基于多目标车的ACC   控制策略在叠加多车综合影响时存在困难，因此难以应用到现实车辆控制系统中。此外，传统ACC   策略没有将门路设施条件考虑在控制模型中，自动驾驶汽车不会因门路线形变革、匝道出入口等举行速率优化，导致ACC 在复杂门路设施条件和复杂交通条件耦合作用下相应不及时，易引发自动驾驶汽车人工接受或碰撞。近年来，不少研究通过深度强化学习   等方式，提出了端对端的控制策略   ，这不仅可辨别造成自动驾驶潜在碰撞的风险源，还可实现自动驾驶汽车轨迹选择和路径规划，如变道轨迹优化、纵向速率控制等。然而，深度强化学习对用于模型练习的数据规模和数据质量要求高，且难以表明其内在关联性，因此“希罕”和“长尾”场景中存在决策失效的潜在隐患。            本文考虑自动驾驶汽车和周边车辆的活动学状态以及门路设施条件，量化自动驾驶汽车行驶过程中安全风险并使用深度学习等模型举行安全风险预测，由此提出基于安全风险预测的自动驾驶ACC    控制优化方法。搭建基于 Prescan     和     Simulink     的团结仿真推演平台，构建自动驾驶汽车安全风险预测模块和ACC    优化模块，基于现实导入的路网开展仿真模仿，验证ACC    优化方法的合理性和有效性。       1 模型与方法

   1. 1 名词定义

       （    1    ）最小车头间距：自动驾驶汽车跟随前车稳固行驶时预设的最小跟车间隔。最小车头间距越大，自动驾驶汽车有更长的时间对前车行为做出反应。           （    2    ）自动驾驶限速：预设的自动驾驶汽车最大速率，依据门路限速和驾驶习惯自主设定，且不应高出门路限速和自动驾驶汽车运行计划域（operationaldesign domain，    ODD    ）的速率要求。           （    3    ）安全风险度量指标：自动驾驶汽车行驶过程中，表征其安全风险水平的定量化评价指标，包括碰撞时距（time to collision    ，    TTC    ）、避免碰撞减速率（deceleration rate to avoid a crash    ，    DRAC    ）、单步概率驾 驶 风 险 场（single step probabilistic driving risk field，    SPDRF    ）等。本文提出基于概率的指标举行安全风险度量。           （    4    ）场景特征指标：场景特征指标指从自车和周边车辆活动学参数和门路设施条件参数中提取，用作自动驾驶汽车场景描述的指标。           （    5    ）预测时长：预测时长是预测时刻与当前时刻的时间差。           （    6    ）    ACC    控制优化：在    ACC    的基础上，自动驾驶系统根据周边车辆活动学状态和门路设施条件，举行的速率控制优化。本文仅指纵向速率控制优化，不涉及自动驾驶汽车变道控制。       1. 2 参数与指标

   1. 2. 1 场景特征指标

       自动驾驶汽车运行安全风险与周边车辆的活动学状态相关。选取车辆活动学参数包括自车速率、自车加快率、前车速率、前车加快率、跟车间距、周边车辆（除前车）匀称速率、周边车辆速率标准差等 7个参数。此外，门路曲率、交叉口或匝道出入口、中央分隔带可通过性等门路设施条件也会影响自动驾驶汽车运行安全风险。本文以快速路作为实行场景，重要考虑门路曲率和匝道出入口对安全风险的影响。选取门路曲率半径和距匝道出入口的间隔2 个门路设施条件参数。针对不同安全风险预测模型，提取不同的场景特征指标。在是非时影象（long short-    term memory model    ，    LSTM    ）模型中，提取以上9个参数的时间序列构成场景特征指标用作场景描述。在 极 端 梯 度 提 升（extreme gradient boosting    ，XGboost）模型中，提取以上     9     个参数中每个参数时间序列的均值、标准差、最大值、最小值，耦合成 36个场景特征指标用作场景描述。       1. 2. 2 安全风险度量指标

       常用安全风险度量纵向指标有     TTC    、    DRAC等，重要考虑车辆发生纵向碰撞的风险。横纵向指标有SPDRF    等，同时考虑车辆发生横纵向碰撞的风险。本文在SPDRF    指标的基础上，提出综合碰撞概率指标（synthetic collision probability index    ，    SCPI    ）作为安全风险度量指标。SCPI     值介于    0    和    1    之间，表征车辆在一段时间内发生碰撞的综合概率。
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。