在复杂交通环境下智能汽车行驶风险评估与智能决策
为验该思想，进行大量实验
自然驾驶数据分析结果
首先进行自然驾驶数据采集，在自然驾驶数据中提取了7631段帧号连续的跟车过程，通过计算各个过程的距离平均作用量，发现平均作用量分布较为集中，驾驶人的车过程中的决策行为趋于稳定。
实车实验
实验采用的是课题组的三调实验平台车，分别为：一辆本田雅阁车（作为车i）和两辆长安悦用车（作为车j和车k），实验分为自由行驶、跟车行驶和邻车切入三个场在昌平区水南路进行。
实车实验数据分析结果
上图说明绝大多数驾驶员都能控制在一个稳定值，实际上驾驶员的操作与理论值都有一些偏差，风险的判别就是看偏差的大小，如果超出一定的值危险就会发生。
按照19个作用量的大小来进行排序，发现另外一个现象，即为了分析驾驶人驾驶过程中的实际作用量S和理论的最小作用量S’之间的关系，我们计算S的均值和方差发现，S的均值越大，方差越大。当驾驶过程满足作用量为最小值S’时，方差为0。可以看到，因此，如果评价一个驾驶员的驾驶水平和驾驶技能，优秀的驾驶员可以用实际驾驶作用量与理论值的接近程度来衡量。
进一步的验证，可用KW验证方法，对六种行为过程的S与S’进行对比分析，结果显示所有过程中的P－ valuel都远大于0．05，说明驾驶人在这六种行为过程中的实际作用量S与理论的最小作用量S’之间没有显着性差异。
在这个基础上用安全性和高效性的联合评价指标——Dse来判断行车的危险，实际作用量S和理论最小作用量S’之间的差异程度是影响写过程中安全性和高效性的关键因素。为了分析两者间的关系，定义Dse为行验过程中安全和高效的联合评价指标，并用归一化形式描述。
实车实验数据分析结果（跟车与切入场的加减速过程）
切入过程中的Dse高于跟车过程，制动过程中的Dse高于加速过程，且切入场中的制动过程Dse值最高（图d），说明切入场景的相较跟车场更复杂也更危险，制动过程相较加速过程更易出现行车风险。
通过实车实验数据证明：驾驶人的决策机制遵循最小作用量原理。因此在这样的理论之下，就可以把人类的决策行为用于智能车的决策当中。
基于最小作用量原理的决策方法
在感知的基础上基于场论进行风险评估，在评估风险的基础上，基于最小作用量原理来实现模拟人的智能决策。
风险评估方法既可以用于综合性的风险评、也可以用于路径的规划，而最小作用量可以用于复杂场景下的协同决策。
未来成果应用
应用框架
自动驾驶系统
交通风险监控系统
交通设施设计评估
智慧城市——智慧交通
分享
图片新闻
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论