论文部分内容阅读
驾驶行为分析是智慧交通和无人驾驶领域的热门研究话题。建立合适的驾驶行为分析和表示模型,对个性化车辆控制系统的研发具有十分重要的意义。同时,对驾驶行为的有效分析能够为驾驶风格识别、异常驾驶行为检测等问题提供解决方案。因此如何建立驾驶行为分析模型并对其进行实际应用成为了研究的关键问题。本课题提出通过对真实驾驶行为进行学习,将原始驾驶行为映射到联邦测试循环(Federal Test Procedre,FTP)下的车辆标准工况FTP-72之中。以此排除驾驶环境不同所带来的干扰,实现驾驶行为的标准化。使用实际场景下具有人工驾驶风格标注的车辆测试数据(Vehicle Test Data,VTD)作为输入。选取能量谱密度均值作为驾驶行为标准化后的驾驶风格评价的量化指标。实验表明该标准化的方法能够对原始的驾驶风格进行保留和复现,同时为不同驾驶员之间的驾驶行为分析提供了标准的参考系。进一步地,本课题提出了基于相空间重构和预训练卷积神经网络的驾驶行为特征向量表示模型。该模型基于驾驶行为标准化的结果,将驾驶行为标准化后的油门踏板序列进行相空间重构,再将重构的曲线以图片的形式经过预训练的卷积神经网络计算,得到卷积层输出作为驾驶行为的特征向量。本课题使用中国四个城市的实际正常驾驶行为和根据现有驾驶行为理论模拟的异常驾驶行为数据,设计测试实验。通过t-SNE算法的降维表示和Kmeans算法聚类分析,展示了不同驾驶行为的分布特征和计算特性,验证了方法有效性。针对车辆的跟驰场景,本课题基于驾驶行为标准化的思想,并结合学习控制理论中的直接逆模型法,建立了个性化的驾驶员车辆跟驰模型,由于实际的具有驾驶风格标注的车辆跟驰数据难以获得,本课题使用基于VTD和车辆时距(time headway)理论构建车辆跟驰数据。通过对车辆跟驰的场景进行仿真设计了车辆跟驰测试系统,对个性化车辆跟驰模型进行了实验测试。测试结果表明个性化跟驰模型能够在较好地跟随前方车辆的基础上,体现出自身的驾驶行为风格。