QQ客服 官方微博 反馈留言

题名	基于驾驶风格学习的轨迹规划方法研究
作者	宋冰
答辩日期	2023
文献子类	硕士
关键词	自动驾驶系统 驾驶风格 轨迹规划 主动学习 反事实推理
英文摘要	在当下数字化、智能化的发展趋势下，自动驾驶汽车已成为智能交通系统的 重要交通工具，是未来智能化社会道路交通的代表，有着良好的发展前景。轨迹 规划是自动驾驶的关键环节之一，当前的轨迹规划算法多是将自动驾驶车辆视 为完全智能、不带任何决策偏好的智能体，这在有驾驶员参与的自动驾驶中忽略 了驾驶员的异质性和风格化，可能会导致驾驶员对规划结果做出干预行为，从而 降低驾驶的智能化程度。本论文旨在以主动学习为基础，结合因果推理、深度学 习等技术，首先对自动驾驶回路中的驾驶员驾驶风格进行分类，并以学习到的驾 驶风格作为指导输入轨迹规划算法，实现符合多种驾驶风格的轨迹。具体的研究 内容如下： （ 1）基于主动学习的驾驶风格分类方法 基于车辆在驾驶过程中收集到的速度、加速度数据，本文提出了一种新的基 于生成式主动学习的驾驶风格分类方法。该方法首先采用驾驶波动性度量的概 念，在多角度衡量车辆在速度和加速度方面的变化幅度，之后将数据做生成，以 降低数据分布对学习效果的影响。采用主动学习的方法将驾驶员分为激进型、普 通和冷静型三种风格。本文采用的方法能够有效地学习到波动性度量中与驾驶 风格相关的特征，提高以驾驶风格为标签的分类精度。通过在真实数据集 UAH Driveset 上进行的实验，生成式主动学习分类的 1 值相较于最新方法有约 2% 的 提升，证明了所提方法的有效性。 （ 2）基于反事实进化推理的轨迹规划方法 在获取驾驶员风格的基础上，需要将风格应用在轨迹规划过程中，使最后规 划出的轨迹能够符合驾驶员风格，提高自动驾驶系统的个性化功能。因此，本论 文首先将问题进行建模，将轨迹规划问题建模为序列决策问题，然后提出反事实 进化推理方法（Counter-factual Evolutionary Reasoning, CER）来解决序列决策问 题。在反事实进化推理方法中，驾驶风格与驾驶特征匹配函数相对应，利用匹配 函数完成对轨迹的优化，从而能够规划出符合驾驶员需求的轨迹。同时在干预过 程中引入反事实推理的思想，得到符合专家经验的干预后轨迹，减少搜索空间。 本文通过在同为序列决策问题的几何问题求解和行人出行轨迹生成两个任务上 进行了对比实验。其中几何问题求解实验中反事实进化推理方法在求解的准确 率上相比现有最好方法提高了约 4%，出行轨迹生成实验中本文的方法取得了与 现有方法相近的 JS 散度，证明了所提方法的优越性和泛化性，在实验层面完成 了对方法的证明。 （ 3）多风格轨迹规划效果的实验验证 本文设计了轨迹规划实验以证明反事实进化推理在解决多风格轨迹规划问 题的有效性。本文进行的多风格轨迹规划实验总体分为两阶段，第一阶段在地图 上人为地生成轨迹，并采用主动学习方法训练好的机器学习模型，对人工轨迹进 行驾驶风格的分类。第二阶段以阶段一判断得到的驾驶风格作为本文轨迹规划 方法的指导。并通过计算各种方法生成的轨迹与人工轨迹之间的相似度并进行 对比来分析多风格规划的效果。通过分析三个风格上的相似度，证明了反事实进 化推理方法能够规划出风格化轨迹来减少自动驾驶系统中的人为干预。 面向有驾驶员参与的自动驾驶轨迹规划任务展开研究，首先对驾驶员的驾 驶风格进行识别和区分，然后将驾驶风格应用于后续的轨迹规划任务，实现多风 格的轨迹规划效果，可以减少驾驶过程中驾驶员的参与，提高车辆的自动化程 度，为自动驾驶的决策部分提供新的方法。
语种	中文
页码	88
内容类型	学位论文
源URL	[http://ir.ia.ac.cn/handle/173211/52120]
专题	毕业生_硕士学位论文
推荐引用方式 GB/T 7714	宋冰. 基于驾驶风格学习的轨迹规划方法研究[D]. 2023.

个性服务

查看访问统计

相关权益政策

暂无数据

收藏/分享

除非特别说明，本系统中所有内容都受版权保护，并保留所有权利。