[发明专利]一种人类驾驶员弯道轨迹建模方法

说明书

本发明公开了一种人类驾驶员弯道轨迹建模方法，属于智能车辆轨迹规划领域，首先提取人类驾驶员弯道上的车辆轨迹，然后计算侧向偏移量之间的回归系数及与回归系数对应的车速、视距和道路曲率，最后基于GRNN建立人类驾驶员弯道轨迹模型。本发明可以将不同起始位置、不同车速下的轨迹数据放在同一尺度下进行比较分析，考虑了车辆轨迹具有连续性这一特点，把道路、交通环境、驾驶员与车辆紧密的联系在一起，实现了人类驾驶员弯道轨迹建模。

技术领域

本发明属于智能车辆轨迹规划领域，特别涉及人类驾驶员在弯曲道路上行车轨迹的建模方法。

背景技术

目前，智能车辆技术发展迅速，该技术可以提高汽车的安全性、乘坐的舒适性，以及可以提供优良的人车交互界面，引领着未来汽车技术的发展方向。智能车辆是一个集环境感知、规划决策、多等级辅助驾驶等功能于一体的综合系统，它集中运用了计算机、现代传感、信息融合、通讯、人工智能及自动控制等技术，是典型的高新技术综合体。智能车辆一个最基本的功能是可以自主规划行车轨迹(此轨迹一般被称为参考轨迹)，然后控制车辆按照既定的轨迹行驶，实现轨迹跟踪。

对于结构化道路而言，由于这类道路具有清晰的道路标志线，道路的背景环境比较单一，道路的几何特征也比较明显，所以智能车辆可直接将车道中心线或车道分界线作为参考轨迹。这种做法不仅简单方便，而且易于实现。但一个重要的缺陷是此种方法需要智能车辆强有力的控制模型实现对车辆精确而稳定的控制，在现实复杂的行车环境中往往是难以做到的。另一种主流的轨迹规划方法是采集道路上大量的历史轨迹数据，根据采集到的数据进行深度学习从而建立轨迹预测。中国专利(CN107610464A)公开了一种基于高斯混合时间序列模型(Gauss Time Series Model，简称GMTSM)的轨迹预测方法，其对海量车辆历史轨迹进行模型回归和路段车流量的分析，实现车辆轨迹预测。上述专利是一种典型的数据驱动模型，即借助高级时序数据建模方法，通过大量轨迹数据直接建立轨迹模型。此类方法不考虑车辆轨迹形成的原因和与交通环境的内在关联，其精确程度与适用性完全依赖于历史数据的多少与建模方法的好坏。众所周知，人类驾驶员在驾驶车辆时，车辆的轨迹受多种因素影响，例如车速、道路曲率、视线情况、交通标志、天气、驾驶员驾驶经验、驾驶员对道路的熟悉程度等等。而我们知道，优秀的人类驾驶员(例如赛车手)可以在许多极限的工况下实现车辆的快速稳定控制。若让智能车辆向人类驾驶员学习，便可将智能车辆与交通环境连为一体，使得智能车辆能更好地服务于大众消费者。

发明内容

基于以上分析，首先需要解决的问题是人类驾驶员行车轨迹有哪些特征，以及影响人类驾驶员行车轨迹的原因有哪些。为此，本发明在分析了人类驾驶员在弯道上行车轨迹特征的基础上，先将轨迹转换为侧向偏移量，然后将一条轨迹上的点看作递归关系，利用线性多元回归算法计算得到相应的回归系数，最后通过广义回归神经网络(GRNN)建立了车速、道路曲率、视距和回归系数之间的联系，得到人类驾驶员弯道轨迹模型。该模型从实际数据出发，对轨迹数据进行了合理的简化，同时将道路、交通环境、驾驶员与车辆紧密的联系在一起，对各类驾驶工况具有良好的泛化性能，此模型不但高效精确，还具有简便易实现的特点。

为解决上述技术问题，本发明提供一种人类驾驶员弯道轨迹建模方法，包括以下步骤：

(1)提取人类驾驶员弯道上的车辆轨迹

①通过实车采集不同驾驶员在弯道上驾驶车辆的轨迹信息

首先挑选若干名经验丰富、技术优秀的汽车驾驶员和一条弯曲试验道路，然后在试验车辆上安装高精度GPS轨迹采集设备，最后请驾驶员按照不同的车速驾驶试验车辆反复行驶过试验道路，由此得到多条车辆轨迹数据；

②设置虚拟桩

由于每条轨迹的起始位置有细微差别，同时轨迹记录设备是按照固定时间间隔记录轨迹，所以导致采集到的多条轨迹之间有错位，从而无法分析和比较；为此，在弯道上设置多个虚拟桩，所有虚拟桩以等间隔的方式设置在车道分界线上，虚拟桩之间的间隔为4-8m；