不确定性条件下智能车辆动态环境认知方法研究

【摘要】：智能网联汽车(Automated and Connected Vehicles,ACVs)的发展有助于交通系统的安全、节能以及高效,所以智能网联汽车的研究在近几年得到了广泛的关注。环境认知(Situational Awareness,SA)是智能汽车(Automated Vehicles,AVs)对环境进行深度理解的重要部分,有助于智能车辆进行决策规划。为满足复杂交通环境下智能车辆决策的需求,目前智能车辆环境认知水平还有待提高,主要包括以下几个问题:一是智能车辆对交通环境未来的变化认知不足;二是智能车辆对驾驶不确定性包括感知不确定性以及驾驶行为不确定性认知不足;三是在复杂交通环境下,智能车辆对多车间的交互与博弈认知有待提高。为提高智能车辆环境认知水平,针对目前环境认知的问题,本文围绕环境认知科学,在复杂交通环境下,对环境进行预测,分析不确定性对态势评估的影响,以及考虑多车间的交互与博弈研究行为预测与规划方法,并基于实车实验和仿真实验对结果进行分析验证。论文首先回顾了环境认知中驾驶行为认知及轨迹预测、态势评估、以及多车交互与博弈方面的研究现状。针对当前环境认知问题,在当前相关学术研究的基础上,提出本文的研究内容,并在此基础上构建本文的总体研究方案和体系结构。其次,为了提高智能车辆对环境的预测能力,本文提出基于物理学和行为认知的交互式多模型融合的轨迹预测方法,并基于自然驾驶数据,对驾驶行为认知模型和多模型融合的轨迹预测(IMMTP)方法进行验证分析。本文基于动态贝叶斯网络理论,设计驾驶行为认知网络模型;同时,为了提高驾驶行为认知能力,本文考虑驾驶行为识别时间,提出驾驶行为认知评价指标,构建分布式遗传算法及其优化函数,优化驾驶行为认知网络。基于驾驶行为认知模型,为了既保证短时间内轨迹预测的准确性又考虑车辆长时间轨迹变化的趋势,通过交互式多模型理论,融合基于运动学轨迹预测模型和基于行为认知的轨迹预测模型。以自然驾驶数据为基础,构建换道场景下的数据库,验证并对比分析结构优化后的驾驶行为认知网络的驾驶认知能力和多模型融合的轨迹预测(IMMTP)方法的轨迹预测能力。再次,为了考虑感知不确定性和行车轨迹预测不确定性对态势评估的影响,研究基于行车轨迹预测,考虑未来一段时间内的碰撞概率、碰撞时间、碰撞能量,以及预测时间范围外的风险,构建综合态势评估模型。同时,基于高斯假设,通过环境态势评估模型,仿真分析交通环境中Unexpected Obstacles、传感器失效或者通信丢失、以及不同感知精度下的环境态势评估结果,并分析不确定性对态势评估的影响。最后,为了分析复杂交通环境下多车间的交互与博弈,研究基于扩展树博弈理论,通过设计多车间的博弈代价函数,分析扩展树的混合和战略纳什均衡,构建考虑多车交互和博弈的行为预测与规划方法。同时,基于不同的换道场景,仿真验证并分析了多车间交互与博弈的结果。该方法考虑多车间的交互与博弈,对周围车辆进行行为预测并同时进行自车行为规划,提高智能车辆对环境的深度认知能力,并可以做出合作性行为决策。