基于典型事故场景的雪天高速换道自动驾驶策略

doi:10.13229/j.cnki.jdxbgxb20210267

吉林大学学报(工学版) ›› 2022, Vol. 52 ›› Issue (11): 2558-2567.doi: 10.13229/j.cnki.jdxbgxb20210267

• 交通运输工程·土木工程 • 上一篇

基于典型事故场景的雪天高速换道自动驾驶策略

彭涛^1,²(),方锐²,刘兴亮²,王海玮³(),庞彦伟¹,许洪国⁴,刘福聚²,王涛⁵

^1.天津大学电气自动化与信息工程学院，天津 300072
^2.中国汽车技术研究中心有限公司，天津 300300
^3.广东交通职业技术学院运输与经济管理学院，广州 510650
^4.吉林大学交通学院，长春 130022
^5.天津职业技术师范大学汽车与交通学院，天津 300222

收稿日期:2021-03-30 出版日期:2022-11-01 发布日期:2022-11-16
通讯作者: 王海玮 E-mail:pengtao@tute.edu.cn;whw2046@126.com
作者简介:彭涛（1983-），男，副教授，博士.研究方向：交通环境与安全. E-mail： pengtao@tute.edu.cn
基金资助:
国家重点研发计划项目(2017YFB0102500);国家自然科学基金项目(51808151);天津市多元投入基金项目重点项目(21JCZDJC00700);天津市智能制造专项项目(TJZNZZ1811);汽车安全与节能国家重点实验室开放基金项目(KF2013)

Automatic driving strategy of high⁃speed lane changing in snowy weather based on typical accident scenarios

Tao PENG^1,²(),Rui FANG²,Xing-liang LIU²,Hai-wei WANG³(),Yan-wei PANG¹,Hong-guo XU⁴,Fu-ju LIU²,Tao WANG⁵

^1.School of Electrical and Information Engineering，Tianjin University，Tianjin 300072，China
^2.China Automotive Technology and Research Center Co. ，Ltd. ，Tianjin 300300，China
^3.School of Transportation and Economic Management，Guangdong Communication Polytechnic，Guangzhou 510650，China
^4.College of Transportation，Jilin University，Changchun 130022，China
^5.College of Automobile and Transportation，Tianjin University of Technology and Education，Tianjin 300222，China

Received:2021-03-30 Online:2022-11-01 Published:2022-11-16
Contact: Hai-wei WANG E-mail:pengtao@tute.edu.cn;whw2046@126.com

摘要/Abstract

摘要：

针对雪天低附道路下的车辆高速换道安全问题，提出了一种智能汽车高速安全换道自动驾驶策略。基于典型交通事故案例，研究了车辆雪天高速换道安全特性。构建了Gaussian分布换道轨迹模型，利用决策树和分层加权评分，提出了适应不同驾驶模式的车路协同安全换道决策和路径规划方法。基于PreScan再现交通事故场景，验证低附路面下车辆高速换道智能驾驶策略。仿真结果表明：提出的自动驾驶决策规划机制可有效避免交通事故的发生，可为智能驾驶决策系统开发提供参考。

关键词: 交通运输安全工程, 自动驾驶策略, 雪天, 高速换道, 决策规划, 车路协同

Abstract:

In order to improve the safety of vehicle lane changing on highway in snowy weather， an environment adaptive automatic driving strategy for high-speed safe lane changing of intelligent vehicle was proposed. Based on the typical case of high-speed lane changing traffic accidents， the dynamic mechanism of vehicle instability caused by environment was analyzed， and the lane changing trajectory model was constructed by using Gaussian distribution. Then taking the space-time situation and stability of safe lane changing as constraints， by using decision tree and hierarchical weighted score， a method of cooperative safe lane changing decision and path planning for different driving modes was proposed. Based on the hardware in the loop simulation test platform of intelligent vehicle built by Prescan/Simulink， the traffic accident scene of high-speed lane change of snowy vehicles was used to verify the automatic driving strategy of vehicles on the low attachment road. The simulation results show that the proposed safe lane change decision and path planning mechanism， with vehicle road cooperation， can better ensure the safety and the environmental adaptability of intelligent vehicles， which can provide a reference for the development of intelligent driving decision system.

Key words: engineering communication and transportation safety, automatic driving strategy, snow weather, high-speed lane changing, decision planning, vehicle road cooperation

中图分类号:

U469.2

彭涛,方锐,刘兴亮,王海玮,庞彦伟,许洪国,刘福聚,王涛. 基于典型事故场景的雪天高速换道自动驾驶策略[J]. 吉林大学学报(工学版), 2022, 52(11): 2558-2567.

Tao PENG,Rui FANG,Xing-liang LIU,Hai-wei WANG,Yan-wei PANG,Hong-guo XU,Fu-ju LIU,Tao WANG. Automatic driving strategy of high⁃speed lane changing in snowy weather based on typical accident scenarios[J]. Journal of Jilin University(Engineering and Technology Edition), 2022, 52(11): 2558-2567.

图/表 13

图1

图2

表1

表2

图3

表3

表4

自动驾驶汽车换道避障路径规划模式"

模式	应用条件	转向频率/Hz/ 制动减速度/（m·s^-2）	分数	优化驾驶策略转向频率/（Hz）/ 制动减速度/（m·s^-2）
1	$S X 0 ≥ 200$	0.10/0.5	6.9	0.10/0.5
		0.15/0	6.8
		0.15/0.5	6.1
		0.20/0	6.0
		0.20/0.5	4.9
		0.10/1	4.1
		0.25/0	4.1
		0.15/1	3.6
		0.20/1	3.1
		0.25/0.5	3.35
		0.10/0	0
2	$170 ≤ S X 0 < 200$	0.15/0	6.8	0.15/0
		0.15/0.5	6.1
		0.20/0	6.0
		0.20/0.5	4.9
		0.25/0	4.1
		0.15/1	3.6
		0.20/1	3.1
		0.25/0.5	3.35
		0.10/0	0
		0.10/0.5	0
		0.10/1	0
3	$140 ≤ S X 0 < 170$	0.20/0	6.0	0.20/0
		0.20/0.5	4.9
		0.25/0	4.1
		0.20/1	3.1
		0.25/0.5	3.35
		0.10/0	0
		0.10/0.5	0
		0.10/1	0
		0.15/0	0
		0.15/0.5	0
		0.15/1	0
4	$108 ≤ S X 0 < 140$	0.25/0	4.1	0.25/0
		0.25/0.5	3.35
		0.10/0	0
		0.10/0.5	0
		0.10/1	0
		0.15/0	0
		0.15/0.5	0
		0.15/1	0
		0.20/0	0
		0.20/0.5	0
		0.20/1	0
5	$S X 0 < 108$	危险

表4

表5

图4

图5

图6

图7

图8

参考文献 15

1	Jonathan J R, Shirley R, Salissou M, et al. What are the factors that contribute to road accidents? an assessment of law enforcement views, ordinary drivers' opinions, and road accident records[J]. Accident Analysis & Prevention, 2018, 115: 11-24.
2	张荣辉, 游峰, 初鑫男, 等. 车-车协同下无人驾驶车辆的换道汇入控制方法[J]. 中国公路学报, 2018, 31(4): 180-191.
	Zhang Rong-hui, You Feng, Chu Xin-nan, et al. Lane change merging control method for unmanned vehicle under V2V cooperation environment[J]. China Journal of Highway and Transport, 2018, 31(4): 180-191.
3	陈虹, 申忱, 郭洪艳, 等. 面向动态避障的智能汽车滚动时域路径规划[J]. 中国公路学报, 2019, 32(1): 162-172.
	Chen Hong, Shen Chen, Guo Hong-yan, et al. Moving Horizon path planning for intelligent vehicle considering dynamic obstacle avoidance[J]. China Journal of Highway and Transport, 2019, 32(1): 162-172.
4	Gipps P G. A model for the structure of lane-changing decisions[J]. Transportation Research, Part B, 1986, 20(5): 403-414.
5	Ratrout N T, Rahman S M. A comparative analysis of currently used microscopic and macroscopic traffic simulation software[J]. The Arabian Journal for Science and Engineering, 2009, 34(1): 121-133.
6	黄玲, 郭亨聪, 张荣辉, 等. 人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型[J]. 中国公路学报, 2020, 33(7): 156-166.
	Huang Ling, Guo Heng-cong, Zhang Rong-hui, et al. LSTM-based lane-changing behavior model for unmanned vehicle under environment of heterogeneous human-driven and autonomous vehicles[J]. China Journal of Highway and Transport, 2020, 33(7): 156-166.
7	Lecun Y, Cosatto E, Ben J, et al. Dave: autonomous off-road vehicle control using end-to-end learning[R]. Courant Institute, New York University, USA:Technical Report DARPA-IPTO Final Report, 2004.
8	杨顺, 蒋渊德, 吴坚, 等. 基于多类型传感数据的自动驾驶深度强化学习方法[J]. 吉林大学学报: 工学版, 2019, 49(4): 1026-1033.
	Yang Shun, Jiang Yuan-de, Wu Jian, et al. Autonomous driving policy learning based on deep reinforcement learning and muti-type sensor data[J]. Journal of Jilin University(Engineering and Technology Edition), 2019, 49(4): 1026-1033.
9	Ngai D C K, Yung N H C. A multiple-goal reinforcement learning method for complexvehicle overtaking maneuvers[J]. IEEE Transactions on Intelligent Transportation Systems, 2011, 12(2): 509-522.
10	Matthew M N, Chris U, Jhon M D, et al. Motion planning for autonomous driving with a conformal spatiotemporal lattice[C]∥IEEE International Conference on Robotics and Automation, Shanghai, China, 2011: 4889-4895.
11	Zhang F, Gonzales J, Li S E, et al. Drift control for cornering maneuver of autonomous vehicles[J]. Mechatronics, 2018, 54: 167-174.
12	Nurbaiti W, Hairi Z, Mohd A A R, et al. Study on potential field based motion planning and control for automated vehicle collision avoidance systems[C]∥IEEE International Conference on Mechatronics, Churchill, Australia, 2017: 208-213.
13	孙浩, 邓伟文, 张索民, 等. 考虑全局最优性的汽车微观动态轨迹规划[J]. 吉林大学学报: 工学版, 2014, 44(4): 918-924.
	Sun Hao, Deng Wei-wen, Zhang Suo-min, et al. Micro vehicle dynamic trajectory plan with global optimality[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(4): 918-924.
14	夏小云, 周育人. 蚁群优化算法的理论研究进展[J]. 智能系统学报, 2016, 11: 9-16.
	Xia Xiao-yun, Zhou Yu-ren. Advances in theoretical research of ant colony optimization[J]. CAAI Transactions on Intelligent Systems, 2016, 11: 9-16.
15	Muller U, Ben J, Cosatto E, et al. Offroad obstacle avoidance through endtoend learning[C]∥Advances in Neural Information Processing Systems, Vancouver, Canada, 2006: 739746.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed

车辆	参数	数值
客车	宽度B₀/m	2.54
	质心至前轴距离b/m	2.10
	后悬b'/m	3.28
货车	宽度B₁/m	2.50

工况	初始车速 /（m·s^-1）	弯道半径/m	制动减速度 /（m·s^-2）	概率系数	转向频率/Hz	a_0max /（m·s^-2）	φ_c（t）_max /rad	S_Y_c（t_p）_m /m	t_p/s	V_X₀（t_p） /（m·s^-1）	S_X_0m/m	S_X_1m/m	S_X_2m/m
恒速	27.78	2510	—	2.25	0.10	0.5428	0.0274	2.6670	7.0012	27.78	204.4933	19.7317	18.3818
					0.15	0.7998	0.0396	2.7323	5.0632	27.78	150.6557	17.0378	16.2307
					0.20	1.1234	0.0510	2.7928	4.0960	27.78	123.7869	15.6934	15.1571
					0.25	1.4988	0.0616	2.8490	3.5169	27.78	107.6995	14.8885	14.5143
					0.30	1.9141	0.0715	2.9013	3.0976	27.78	96.0513	14.3057	14.0488
制动	27.78	2510	0.5	2.25	0.10	0.7380	0.0304	2.6828	7.0749	25.08	195.8971	19.0246	18.4636
					0.15	0.9432	0.0425	2.7475	5.1296	25.91	147.2571	17.8946	16.3044
					0.20	1.2297	0.0539	2.8076	4.1588	26.33	122.2756	16.5452	15.2268
					0.25	1.5800	0.0645	2.8637	3.5778	26.58	107.0993	15.7376	14.5819
					0.30	1.9783	0.0744	2.9159	3.1915	26.75	96.9155	15.2007	14.1531
			1	2.25	0.10	1.1378	0.0341	2.7027	7.1059	22.33	185.5829	10.0000	18.6632
					0.15	1.2805	0.0459	2.7655	5.1495	24.00	142.2442	13.5067	16.4427
					0.20	1.5040	0.0571	2.8248	4.1740	24.83	119.2046	14.8546	15.3355
					0.25	1.8018	0.0676	2.8804	3.5904	25.33	104.9660	15.2060	14.6731

层次	性能	f/a	最大加速度/（m·s^-2）	最小安全距离/m	评价参数	分值
1	总体	—	—	—	—	s₁=s₂×（i×s₃+j×s₄）
2	安全	—	a_i ≤a_max （i=0，1，2）	S_Xi ≥S_Xi_m （i=0，1，2）	a_i S_Xi	s₂=1（SXi-SXim>0）
2	安全	—	a_i ≤a_max （i=0，1，2）	S_Xi ≥S_Xi_m （i=0，1，2）	a_i S_Xi	s₂=0（SXi-SXim≤0）
3	舒适	0.10/0	0.5428	204.4933	a_0max	s₃=10
		0.10/0.5	0.7380	195.8971		s₃=9
		0.15/0	0.7998	150.6557		s₃=8
		0.15/0.5	0.9432	147.2571		s₃=7
		0.20/0	1.1234	123.7869		s₃=6
		0.10/1	1.1378	185.5829		s₃=5
		0.20/0.5	1.2297	122.2756		s₃=4
		0.15/1	1.2805	142.2442		s₃=3
		0.25/0	1.4988	107.6995		s₃=2
		0.20/1	1.5040	119.2046		s₃=1
		0.25/0.5	1.5800	107.0993		s₃=0.5
4	效率	0.25/0.5	1.5800	107.0993	S_X_0m	s₄=10
		0.25/0	1.4988	107.6995		s₄=9
		0.20/1	1.5040	119.2046		s₄=8
		0.20/0.5	1.2297	122.2756		s₄=7
		0.20/0	1.1234	123.7869		s₄=6
		0.15/1	1.2805	142.2442		s₄=5
		0.15/0.5	0.9432	147.2571		s₄=4
		0.15/0	0.7998	150.6557		s₄=3
		0.10/1	1.1378	185.5829		s₄=2
		0.10/0.5	0.7380	195.8971		s₄=1
		0.10/0	0.5428	204.4933		s₄=0.5

车辆	决策反应时间/s	（制动/加速延迟时间）/s	侧向运动延迟时间/s	初始速度 /（m·s^-1）	距离/m
自动驾驶汽车	0.5	0.05	0.4	27.78	S_X₀=120 S_X₁=20 S_X₂=20
原车道前车	—			0
目标车道前车	0.5	0.05	—	25
目标车道后车	0.5	0.05	—	30

[1]	朱洁玉,马艳丽. 合流区域多车交互风险实时评估方法[J]. 吉林大学学报(工学版), 2022, 52(7): 1574-1581.
[2]	程国柱,程瑞,徐亮,张文会. 基于乘员伤害分析的公路路侧事故风险评价[J]. 吉林大学学报(工学版), 2021, 51(3): 875-885.
[3]	张家旭,王欣志,赵健,施正堂. 汽车高速换道避让路径规划及离散滑模跟踪控制[J]. 吉林大学学报(工学版), 2021, 51(3): 1081-1090.
[4]	王露,刘玉雯,陈红. 侧风下峡谷桥隧连接段汽车的行驶特性[J]. 吉林大学学报(工学版), 2019, 49(3): 736-748.
[5]	代存杰,李引珍,马昌喜,柴获,牟海波. 不确定条件下危险品配送路线多准则优化[J]. 吉林大学学报(工学版), 2018, 48(6): 1694-1702.
[6]	王芳荣, 郭柏苍, 金立生, 高琳琳, 岳欣羽. 次任务驾驶安全评价指标筛选及其权值计算[J]. 吉林大学学报(工学版), 2017, 47(6): 1710-1715.
[7]	谭立东, 刘丹, 李文军. 基于蝇复眼的交通事故现场全景图像阵列仿生设计[J]. 吉林大学学报(工学版), 2017, 47(6): 1738-1744.
[8]	李显生, 孟祥雨, 郑雪莲, 程竹青, 任圆圆. 非满载罐体内液体冲击动力学特性[J]. 吉林大学学报(工学版), 2017, 47(3): 737-743.
[9]	王占中, 赵利英, 曹宁博. 基于多层编码遗传算法的危险品运输调度模型[J]. 吉林大学学报(工学版), 2017, 47(3): 751-755.
[10]	徐进, 陈薇, 周佳, 罗骁, 邵毅明. 汽车转向盘操作与驾驶负荷的相关性[J]. 吉林大学学报(工学版), 2017, 47(2): 438-445.
[11]	郭应时, 付锐, 赵凯, 马勇, 袁伟. 驾驶人换道意图实时识别模型评价及测试[J]. 吉林大学学报(工学版), 2016, 46(6): 1836-1844.
[12]	孙璐，徐建，崔相民. 面板数据模型分析及交通事故预测[J]. 吉林大学学报(工学版), 2015, 45(6): 1771-1778.
[13]	王喆, 杨柏婷, 刘昕, 刘群, 宋现敏. 基于模糊聚类的驾驶决策判别[J]. 吉林大学学报(工学版), 2015, 45(5): 1414-1419.
[14]	马勇, 石涌泉, 付锐, 郭应时. 驾驶人分心时长对车道偏离影响的实车试验[J]. 吉林大学学报(工学版), 2015, 45(4): 1095-1101.
[15]	徐建, 孙璐. 解决交通事故数据分析中零值问题的模型[J]. 吉林大学学报(工学版), 2015, 45(3): 769-775.

基于典型事故场景的雪天高速换道自动驾驶策略

Automatic driving strategy of high⁃speed lane changing in snowy weather based on typical accident scenarios

RICH HTML

PDF (PC)

摘要/Abstract

引用本文

使用本文

图/表 13

参考文献 15

相关文章 15

Metrics

本文评价

推荐阅读 0