智能车辆自主性换道时机决策方法

摘要

本发明公开了一种智能车辆自主性换道时机决策方法，该方法采用下列步骤：先通过传感器实时读取车辆自主换道时的相关数据；接着对获得的数据导入基于最近邻居分类模型的车辆自主换道决策模块中，该模块的主要构建步骤包括训练与测试数据的选取、内核集的构建、最近邻邻居的选取、换道时机决策的阈值的确定和决策模型的精确度验证；最后通过决策模块可形成自主换道时机的决策判断结果，如决策判断结果为不能换道，则实时地发出警报提醒驾驶员不能换道。本发明减少了预警算法复杂、决策判断规则过多对判断结果的负面影响，提高了车辆自主换道时机决策判断的准确度和可靠性，降低了误报率。

说明书

技术领域

本发明涉及机动车辆驾驶安全领域，特别是涉及一种基于最近邻居分类模型 的自主换道时机决策方法。

背景技术

车辆换道决策失误一直是导致道路交通安全事故发生的重要原因之一。统计 表明，在所有的换道事故中，由于驾驶人判断决策失误而引发的事故约占事故总 量的75％。因此，车辆换道时，特别是车辆行驶过程中进行自主性车道变换时， 给驾驶人提供快速准确的换道决策判断意义重大，对减少道路交通事故的发生， 提高道路交通安全水平有着十分重要的意义。

车辆换道是一种比较复杂的驾驶行为。换道过程中驾驶人需要对自车的前方 区域、后方区域以及侧向区域进行仔细观察，判断这些区域中是否存在其他车辆、 周围车辆与自车的相对运动关系、以及自车与周围车辆发生冲突的可能性。然而， 驾驶人通过后视镜对后方区域、侧向区域地观察通常不如对前方区域地观察那么 直接，在分析换道冲突可能性过程中容易出现失误。另一方面，后视镜的视觉盲 区问题也引起较大的安全隐患。

目前，现有技术已有用于协助变换车道的车辆换道危险预警系统。目前常见 的换道预警系统分为两类，第一类主要针对后视镜的视觉盲区问题，通过采用超 声波传感器对自车侧向、后方临近区域内的车辆进行监控；第二类系统主要针对 换道目标车道后方存在高速接近车辆的情况，通过使用测距雷达对换道过程中自 车与其他车辆的相对距离、相对速度进行实时监控，分析换道过程中引发碰撞事 故的风险程度，在风向程度较高情况下对驾驶人进行预警提示。然而，现有车辆 换道危险预警系统运行所需装置多，预警算法复杂，可靠性不高，误报率不能控 制在较低的水平，难以确保在任何条件下的换道安全，特别是进行自主性车道变 换的情况。因此，目前需要一种车辆自主性换道时预警算法简单、误报率较低的 车辆强制换道决策方法。

发明内容

发明目的：本发明提供一种基于最近邻居分类模型的车辆自主性换道时机决 策模型，利用最近邻距离分类模型给驾驶员进行车辆自主性换道时提供决策判断， 并在换道危险发生时及时地发出警报提醒。所述方法能够有效地为驾驶员进行车 辆自主性换道时提供正确可靠的决策判断，可极大地减少因换道决策失误导致的 道路交通事故。

技术方案：一种智能车辆自主性换道时机决策方法，包括以下步骤：

步骤1：通过多普勒测速雷达传感器获取描述交通状态的样本数据

步骤2：构建基于最近邻居分类模型的车辆自主换道决策模块，分别通过训 练与测试样本数据的选取和处理、内核集的构建、最近邻居的选取、换道时机决 策阈值的确定和决策模型的精确度验证；

步骤3：将获取的7个样本数据实时地导入到车辆自主换道时机决策模块中， 并形成换道时机决策判断。

具体地，所述步骤1中，获取描述交通状态的样本数据 TC(t)＝(Δv_l(t)，g_l(t)，Δv_f(t)，g_f(t)，Δv_v(t)，g_p(t)，v_s(t))即t时刻换道车 辆所在位置的交通状态，其中，Δv_l(t)代表换道车辆t时刻与目标车道前导车的 相对速度，g_l(t)代表换道车辆t时刻与目标车道前导车的相对距离，Δv_f(t)代表 换道车辆t时刻与目标车道后随车的相对速度，g_f(t)代表换道车辆t时刻与目 标车道后随车的相对距离，Δv_p(t)代表换道车辆t时刻与当前车道前导车相对速 度，g_p(t)代表换道车辆t时刻与当前车道前导车相对距离，v_s(t)代表换道车辆 t时刻速度。

具体地，所述步骤2中，训练与测试样本数据的选取与处理环节中的交通状 态数据是基于NextGenerationSimulation数据集中的轨迹数据包括每辆车的 纵坐标、横坐标、速度、加速度和前车辆车间隔时间进行处理得到，轨迹数据的 采样频率为10Hz；并对数据集进行划分，所述数据集一部分用于构建内核集， 称之为训练集，另一部分用于测试，称之为测试集。

具体地，所述步骤2中的内核集构建环节，内核集的元素全部取自训练数据 集中元素，并且采用min-max标准化方法对状态向量中的不同分量进行归一化处 理；归一化公式为：

$x*=\frac{x-min}{max-min}$

其中max为样本数据的最大值，min为样本数据的最小值。

具体地，所述步骤2中的最近邻居的选取其原则是挑选内核集中与当前状态 元素最近的10个元素为最近邻居集；具体方法是：计算待决策交通状态与内核 集中每个元素的距离D_i并按升序排列；距离计算公式如下：

$D_i=\sqrt{\underset{m=1}{\overset{7}{\Sigma }}{\left({\mathrm{TC}}_i^m\right(t_{ei})-{\mathrm{TC}}^m(t\left)\right)}^2}$

D′＝{D′_i|i＝1，2，…，k}代表按升序重排过后的距离集。

具体地，所述步骤2中的换道时机决策阈值的确定，具体方法是：计算待决 策交通状态与最近邻居集中元素距离的平均值D_TS，表征待决策交通状态与适合 成功换道的交通状态之间的相似度，计算公式如下：

$D_{TS}=\frac{{\Sigma }_{i=1}^{i=10}{D^{\prime }}_i}{10}$

D_Threshold记为决定是否可以成功换道的阈值，由内核集S_Kernel(k)确定，被设置 成代表TC_i(t_ei)和S_Kernel(k)之间的距离。如果D_TS≤D_Threshold(k)， 换道车辆结束换道准备过程，开始执行换道；否则，继续换道准备过程。 D_Threshold(k)随着K值的调整动态变化。

具体地，所述步骤2中的决策模型的精确度验证环节，根据决策阈值对测试 数据进行识别，并将识别结果与实际的自主换道情况进行对比，用识别的准确性 验证模型的准确性。

有益效果：与现有技术相比，本发明的优点在于：

1、换道时机决策模型松弛了对传统模型对数学形式和变量分布的要求，因 此，该模型可以更加现实地模拟驾驶员换道行为的非线性特性。

2、决策精度可以随着内核集规模的扩大而提高，并且计算复杂度低，实用 性强。

附图说明

图1是自主性换道决策示意图。

具体实施方式

下面结合附图和具体实施方式，进一步阐明本发明。

如图1所示，一种智能车辆自主性换道时机决策方法，通过对比当前交通状 态与已经成功执行换道的的换道开始交通状态的相似度来决定是否执行换道，其 中相似度用欧式距离来衡量；如果相似度满足某种条件，则执行换道；如果相似 度不满足某种条件，则拒绝执行换道，继续换道准备过程，具体的算法过程如下：

步骤1：通过多普勒测速雷达传感器获取交通状态描述样本数据TC(t)＝ (Δv_l(t)，g_l(t)，Δv_f(t)，g_f(t)，Δv_p(t)，g_p(t)，v_s(t))即t时刻换道车辆所在位 置的交通状态。TCⁱ(t)，i＝1,2,…,7代表描述交通状态的第i个元素。其中，Δv_l(t) 代表换道车辆t时刻与目标车道前导车的相对速度，g_l(t)代表换道车辆t时刻与 目标车道前导车的相对距离，Δv_f(t)代表换道车辆t时刻与目标车道后随车的相 对速度，g_f(t)代表换道车辆t时刻与目标车道后随车的相对距离，Δv_p(t)代表换 道车辆t时刻与当前车道前导车相对速度，g_p(t)代表换道车辆t时刻与当前车 道前导车相对距离，v_s(t)代表换道车辆t时刻速度。

步骤2：构建基于最近邻居分类模型的车辆自主换道决策模块，分别通过训 练与测试样本数据的选取和处理、内核集的构建、最近邻居的选取、换道时机决 策阈值的确定和决策模型的精确度验证；

步骤3：将获取的交通状态样本数据实时地导入到车辆自主换道时机决策模 块中，并形成换道时机决策判断。

进一步，所述步骤2中的构建内核集所需的样本数据由NextGeneration Simulation(NGSIM)提供，NGSIM数据集中的轨迹数据提供每辆车的纵坐标、 横坐标、速度、加速度和前车辆车间隔时间，采样频率为10Hz；并对数据集进 行划分，所述数据集一部分用于构建内核集，另一部分用于测试。内核集记为 S_Kernel(k)＝{TC₁(t_e1)，TC₂(t_e2_…，TC_i(t_ei)，…，TC_k(t_ek)}，其中，TC_i(t_ei)代 表换道执行开始时刻t_ei时的交通状态，i代表元素的顺序，k代表集合中元素的 个数，原则上K越大越好。内核集的元素全部采用min-max标准化方法对交通状 态向量中的不同分量进行归一化处理。归一化公式为：

$x*=\frac{x-\min }{max-\min }$

其中max为样本数据的最大值，min为样本数据的最小值。

进一步，所述步骤2中最近邻居的选取其原则是挑选内核集中与当前状态元 素最近的10个元素为最近邻居集。具体方法是：计算待决策交通状态与内核集 中每个元素的距离D_i并按升序排列。距离计算公式如下：

$D_i=\sqrt{\underset{m=1}{\overset{7}{\Sigma }}{\left({\mathrm{TC}}_i^m\right(t_{ei})-{\mathrm{TC}}^m(t\left)\right)}^2}$

D′＝{D′_i|i＝1，2，…，k}代表按升序重排过后的距离集。

进一步，所述步骤2中的换道时机决策阈值的确定，具体方法是：计算待决 策交通状态与最近邻居集中元素距离的平均值D_TS，表征待决策交通状态与适合 成功换道的交通状态之间的相似度，计算公式如下：

$D_{TS}=\frac{{\Sigma }_{i=1}^{i=10}{D^{\prime }}_i}{10}$

D_Threshold记为决定是否可以成功换道的阈值，由内核集S_Kernel(k)确定，被设置 成代表TC_i(t_ei)和S_Kernel(k)之间的距离。如果D_TS≤D_Threshold(k)， 换道车辆结束换道准备过程，开始执行换道；否则，继续换道准备过程。 D_Threshold(k)随着K值的调整动态变化。因此，该决策方法中的阈值是在线学习 和动态进化的。

进一步，所述步骤2中验证自主换道时机决策模型的准确度，对于执行换道 决策和不执行换道决策分别取50个测试样本，测试结果如下表所示，执行换道 决策的准确度为72％，不执行换道决策的准确度为90％。

样本数据换道时机决策准确率