考虑驾驶员风格的IDM-LSTM组合型跟车模型建立方法技术

本发明专利技术公开了考虑驾驶员风格的IDM

【技术实现步骤摘要】
考虑驾驶员风格的IDM
‑
LSTM组合型跟车模型建立方法


[0001]本专利技术属于自动驾驶
，尤其涉及考虑驾驶员风格的IDM
‑
LSTM组合型ACC跟驰模型建立方法。

技术介绍

[0002]自适应巡航控制(ACC,Adaptive Cruise Control)系统是驾驶员驾驶辅助系统(ADAS,Advanced Driver Assistance System)中已经在实车上量产的功能，也是智能汽车往高自动驾驶等级发展中的重要技术之一。随着不同自动驾驶级别的车辆进入市场，不同智能化程度的汽车将与人类驾驶汽车共享道路，这就需要智能驾驶汽车能理解人类的操纵特征，且智能驾驶汽车的操纵行为符合人类驾驶员的操纵特征。驾驶员的操纵特征是整个“人
‑
车
‑
路”框架中，最难研究且最为重要的一环。具有不同驾驶风格的驾驶员在驾驶过程中，其驾驶行为存在差异，即便针对同样的交通环境，不同的驾驶员也可能做出不同的驾驶决策。除此之外，即便驾驶员规划出类似的操作，如避障，环道，超车等，不同驾驶员的操纵风格不尽相同，故对车辆的操纵特征也有所不同。
[0003]故对于新型的ACC系统而言，需要准确对驾驶员的跟车风格进行识别。目前对于驾驶员跟车风格的分类方法一般采用聚类方法，对驾驶员跟车的指标参数进行聚类分析，从而获取驾驶员的跟车风格。然而，目前关于指标参数的选择大多凭借经验，缺乏理论依据，此外，选取的驾驶员样本较少且少为真实交通场景，不能保证体现不同驾驶员风格的差异。因此，基于大量真实驾驶员的跟车数据，选取有意义的跟车指标参数进行驾驶员风格分类，并建立适应于不同风格驾驶员的跟车模型是目前亟待解决的问题。

技术实现思路

[0004]本专利技术依据现有技术中存在的问题，提出了考虑驾驶员风格的IDM
‑
LSTM组合型跟车模型建立方法，本专利技术利用IDM模型的标定参数去辨识驾驶员跟车风格，以提高驾驶员跟车风格识别准确率。
[0005]本专利技术所采用的技术方案如下：
[0006]考虑驾驶员风格的IDM
‑
LSTM组合型跟车模型建立方法，包括如下步骤：
[0007]步骤1、通过车载雷达、摄像头等传感器获取驾驶员实车跟驰数据，即跟驰过程中的前后车信息；
[0008]步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；所述前后车信息包括一段时间序列内的主车加速度、主车车速、前后车距和前后车速差，所述跟车参数包括IDM预测模型中的期望最大减速度a0、期望最大加速度b、期望速度期望车头时距和最小安全车头距离S0；
[0009]步骤3、根据步骤2中通过IDM预测模型标定的跟车参数，通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别。
[0010]步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到
LSTM神经网络模型的预测输出。
[0011]步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。
[0012]步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。
[0013]进一步，构建的IDM预测模型表示为：
[0014][0015]式中，a
n
(t)为t时刻主车加速度，a0为期望最大减速度，v
n
(t)为t时刻主车车速，为期望速度，v
n
‑1(t)为t
‑
1时刻主车车速，s
n
(t)为t时刻前后车距，为期望车头间距，S0为最小安全车头距离，为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数。
[0016]进一步，基于所构建的IDM预测模型，对驾驶员的跟车参数进行标定的方法为：
[0017]将跟车参数作为寻优对象，则将优化问题可转换成：
[0018][0019]其中，J为适应度函数，Y
ireal
,Y
isim
分别为第i个变量的实际值与仿真值，N为变量的总数；
[0020]同时根据跟车参数的动力学约束范围得到优化问题的约束条件，表示为：
[0021][0022]‑
4m/s2≤a0≤
‑
0.1m/s2[0023]0.1m/s2≤b≤4m/s2[0024][0025]0.1m≤S0≤30m
[0026]基于上述约束条件对不同驾驶员的跟车参数进行标定。
[0027]进一步，构建离线驾驶员风格分类模型的方法：
[0028]首先，基于NGSIM公开跟驰数据集获取到不同驾驶员的跟驰数据，利用主成分分析对标定出的不同驾驶员的IDM预测模型跟车参数进行处理，获取到最具代表性的两个跟车参数，再使用模糊C均值聚类算法对主成分分析处理后的跟车参数进行聚类，基于聚类结果将驾驶员风格分为激进型、一般型与保守型；再依据聚类得到的不同风格驾驶员的边界进行多项式拟合，即可得到驾驶员风格分类的数学模型。
[0029]进一步，所述LSTM离线预测模型包括1个输入层、2个LSTM层和1个输出层组成，输入层节点有6个，分别为前车车速、主车车速、车速差、前车加速度、主车加速度与车距；输出层节点有1个，为主车在下一时刻的加速度；LSTM层内的神经元个数为30个。
[0030]进一步，输出层内的学习率为0.05，学习步数为8000。
[0031]进一步，步骤6中LSTM预测模型与IDM预测模型相融合的方法为：
[0032][0033]其中，为t时刻融合后的预测值，β1、β2分别为IDM预测模型与LSTM预测模型的加权系数，且满足β1+β2＝1，，分别为t时刻两模型加权前的预测值，。
[0034]进一步，步骤6中LSTM预测模型与IDM预测模型相融合的加权系数整定的方法为：
[0035]选取各风格驾驶员聚类中心的驾驶员，选取其IDM预测模型主观参数，定义此时的IDM模型输出为风格加速度结合最优加权理论，可得到融合驾驶员风格的最优加权模型的目标函数：
[0036][0037]其中，E'为加权误差，e
t
为t时刻两预测模型加权后的误差之和，a(t)为t时刻加速度的真实值，e
1t
、e
2t
分别为t时刻两预测模型的误差值；对不同风格驾驶员的加权系数的求解可转化为：在时间段T内，E'取最小值时，对β1与β2的寻优问题；利用遗传算法进行寻优，求解最优加权模型的目标函数，得到各风格驾驶员类型对应的最优加权系数组合。
[0038]进一步，对获取跟驰数据进行平滑处理。
[0039]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.考虑驾驶员风格的IDM
‑
LSTM组合型跟车模型建立方法，其特征在于，包括如下步骤：步骤1、通过车载雷达、摄像头等传感器获取驾驶员实车跟驰数据，即跟驰过程中的前后车信息；步骤2、将步骤1中获得的前后车信息输入IDM预测模型，对驾驶员的跟车参数进行标定；所述前后车信息包括一段时间序列内的主车加速度、主车车速、前后车距和前后车速差，所述跟车参数包括IDM预测模型中的期望最大减速度a0、期望最大加速度b、期望速度v～、期望车头时距T～和最小安全车头距离S0；步骤3、根据步骤2中通过IDM预测模型标定的跟车参数，通过离线驾驶员风格分类模型对驾驶员风格进行在线辨别。步骤4、依据步骤1中获得的前后车信息输入LSTM神经网络离线预测模型，得到LSTM神经网络模型的预测输出。步骤5、依据步骤1中获得的前后车信息输入IDM预测模型，得到IDM模型的预测输出；所述IDM预测模型的跟车参数为步骤2标定出的参数。步骤6、依据步骤3确定驾驶员风格后，选取该驾驶员风格下的最优加权系数,通过最优加权系数对步骤4得到的LSTM预测模型的输出与步骤5得到的IDM预测模型的输出进行加权，得到融合驾驶员风格的期望加速度，并基于该期望加速度进行跟车控制。2.根据权利要求1所述的考虑驾驶员风格的IDM
‑
LSTM组合型跟车模型建立方法，其特征在于，构建的IDM预测模型表示为：式中，a
n
(t)为t时刻主车加速度，a0为期望最大减速度，v
n
(t)为t时刻主车车速，为期望速度，v
n
‑1(t)为t
‑
1时刻主车车速，s
n
(t)为t时刻前后车距，为期望车头间距，S0为最小安全车头距离，为期望车头时距，Δv(t)为t时刻前后车速差，b为期望最大加速度，λ为加速度系数。3.根据权利要求2所述的基于所构建的IDM预测模型，其特征在于，对驾驶员的跟车参数进行标定的方法为：将跟车参数作为寻优对象，则将优化问题可转换成：其中，J为适应度函数，Y
ireal
,Y
isim
分别为第i个变量的实际值与仿真值，N为变量的总数；同时根据跟车参数的动力学约束范围得到优化问题的约束条件，表示为：
‑
4m/s2≤a0≤
‑
0.1m/s20.1m/s2≤b≤4m/s20.1m≤S0≤30m基于上述约束条件对不同驾驶员的跟车参数进行标定...

【专利技术属性】
技术研发人员：冯张棋，江浩斌，韦奇志，洪阳珂，
申请(专利权)人：江苏大学，
类型：发明
国别省市：