浅谈模糊支持向量机的旁车道车辆并线意图识别方法.doc

浅谈模糊支持向量机的旁车道车辆并线意图识别方法.doc浅谈模糊支持向量机的旁车道车辆并线意图识别方法前言旁车道车辆并线意图识别是驾驶员辅助系统的重要组成部分, 它可对自适应巡航控制(adaptivecruisecontrol , ACC) 等驾驶员辅助系统提供决策参考信息,以改善在旁车道车辆并线工况下的控制效果。 ACC 可由车载雷达获取交通信息并通过电子节气门和主动制动系统完成主车道车辆纵向动力自动控制,以实现定速巡航( 安全车距内无前车) 或以安全车距跟随前车行驶( 前车车速小于巡航车速) ,由此可减轻驾驶员的负担并减小追尾事故发生的概率。但目前的 ACC 系统大都只利用主车道内的目标车辆行驶信息进行控制决策, 在并线工况下, 只有旁车道车辆完全进入主车道内时才会引起 ACC 目标车辆的改变, 因此主车道车辆不能提前利用旁车道车辆的并线行驶信息进行控制。特别是在旁车道车辆强行并线工况下, 目标车辆更新滞后会造成安全隐患,当 ACC 系统在主车道内检测到并线车辆时往往会对主车道车辆施加大强度制动以避免碰撞, 这会影响到主车道车辆乘员的舒适性和后续车辆的正常行驶。如果在并线车辆尚在旁车道时即可确定其并线意图,使主车道车辆提前按并线车辆更新期望车速与期望车距, 则可避免上述问题。因此,旁车道车辆并线意图识别对上述工况的 ACC 控制尤为重要。针对传统 ACC 的旁车道车辆并线工况, 文献中利用仿真证实了约有一半的驾驶员为确保安全会主动采取制动操作以中断 ACC 的自动控制。为了描述车辆并线行为, 文献中建立了多车交互的并线模型, 但它只能说明有并线需求的驾驶员会在何种行驶条件下采取并线操作,并不能检测驾驶员的并线意图与动作; 文献中则采用主车道车辆与旁车道车辆的侧向相对距离与相对速度利用模糊决策来确定旁车道车辆的并线意图, 认为有较小侧向相对距离与较大侧向相对速度的旁车道车辆为并线车辆, 但这种方法主观因素较大, 有时不能客观反映并线车辆的行驶规律。针对以上问题, 本文中采用机器学****的方法, 利用模糊支持向量机对实际行驶工况下的旁车道车辆并线数据样本进行学****得到基于实测数据的并线意图识别器, 以用于实车 ACC 控制器对旁车道车辆并线意图的实时在线识别。 1 并线样本本文中利用模糊支持向量机进行并线意图识别器的训练, 因此并线样本包括训练样本与待分类样本, 它们均可在实际的交通环境中获得, 且其结构组成一致。其中训练样本在经过离线人工分类获得分类标签后用于并线意图识别器的训练, 而待分类样本在 ACC 控制中实时通过并线意图识别器判断旁车道车辆的并线意图。为了充分描述主车道车辆与旁车道车辆的运动关系, 训练样本与待分类样本由 7 个结构属性组成,包括主车道车辆速度 vh 、主车道车辆与旁车道车辆的纵向相对车距 dx 、纵向相对车速 vx 、纵向相对加速度 ax、横向相对车距 dy、横向相对车速 vy 和横向相对加速度 ay 。车载雷达的目标更新周期为 50ms ,因此并线样本的更新与雷达保持一致。同时, 在先前的研究中已经完成了雷达对主车道和旁车道目标的跟踪, 因此 dx、 vx、 dy和 vy 可由雷达返回目标车辆的相对距离 dd 、相对车速 vd( 径向速度) 与方位角θd 按下式计算: dx=ρdcosθddy=ρdsinθ{d(1) vx=vdcosθd-ρdθ · dsinθdvy=vdsinθ d+ρdθ · dcosθ{d(2) 相对加速度信息无法直接获得, 可设计以 dx(dy 移动至完全进入主车道后的样本标记为1, 认为检测到驾驶员有并线意图( 正样本); 而把其余的旁车道车辆样本标记为-1 ,认为驾驶员没有并线意图(负样本)。由此共获得正样本 52组( 左右车道并线各 26组), 共计 768 3 个样本点,负样本 87组( 左车道 43 组,右车道 44组) ,共计 1542 6 个样本点。这些带有分类标记的样本点将用于并线意图识别器训练。在获得并线意图识别器后,由 ACC 控制器实时采集计算得到的待分类样本即可根据其对识别器输出的结果来判断旁车道车辆的并线意图。 2 支持向量机与模糊支持向量机支持向量机是基于统计学****理论的一种机器学****算法, 它可在模型的复杂度和学****能力之间获得较佳折衷, 并可转化为凸二次优化问题进行求解, 因此支持向量机算法简单, 且学****后得到的模型有较强的推广能力, 适合本文中小样本学****的情况。支持向量机解决二分类问题的过程如下。设序号为 i 的训练样本点为(xi , yi) , 其中 xi 为样本的属性, 在本文中 xi由 vh、 dx、 vx、 ax、 dy、 vy和 ay7 个属性构成;yi