[发明专利]一种Apollo平台下的车辆跟驰行为预测方法

说明书

本发明公开了一种Apollo平台下的车辆跟驰行为预测方法，在构建过程中通过场景理解获取车辆行驶中的动态信息以及静态信息，通过捕捉驾驶员的行为特征得出其期望距离以及反应时间，并采用启发式搜索算法改进车辆跟驰模型的去模糊化过程，在经过模糊推理模型计算后得出跟驰车加速度范围基于安全性和舒适性的最优解。同时使用Apollo仿真平台对模型进行测试及验证，确保模型的准确性与实用性。本发明解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑的问题。

技术领域

本发明属于车辆跟驰行为技术领域，具体涉及一种Apollo平台下的车辆跟驰行为预测方法。

背景技术

交通，是市民出行的工具和环境。随着我国经济水平的提升，科技水平的发展，城市化进程的加快，市民在提高生活水平的同时，也对出行的需求和质量提出了更高的要求。然而，一、二线城市的发展和壮大，城市人口密度的不断加大，市民对汽车的消费购买力的提升，造成城市的交通负荷逐年攀升。市区的面积以及路网交通资源的限制，造成了城市交通的拥挤与堵塞现象，严重地降低了市民的出行满意度。为了应对日益严重的交通拥堵，国家先后出台了大力发展公共交通、车辆限号、车牌号摇号或拍卖、停车收费等政策，但是仍旧难以遏制小汽车数量激增的势头。车辆跟驰是道路交通中重要的现象，特别在交通拥堵时，车辆无法换道超车，车辆跟驰行为普遍存在。所以车辆跟驰行为的研究有助于理解交通流的特性。

自上个世纪50年代起，跟驰模型理论才开始得以发展，那时主要是依照数据拟合的思想对实测的车辆数据信息进行拟合，从而得出一定的数学公式，但这类方法得到的跟驰模型具有一定局限性，如数据发生变化时，其模型便不再适用，不利于模型的推广和扩展。因此，近年来学者从跟驰行为的内因出发，提出了多种模型极大丰富了交通流理论的研究。

但是由于驾驶员驾车时受多源信息影响，故其在决策、判断过程中表现为复杂的非线性形态，无法用一个简单的数学表达式来描述驾驶员的心理决策。模糊理论和人工神经网络在处理复杂非线性问题上表现出一定的运算优势，并且在大数据样本下也表现出较好的学习能力。故模糊理论和人工神经网络常常被用于模拟不同环境下的驾驶行为。但是由于目前的模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑。

2017年4月，百度提出了自动驾驶开放平台Apollo，该平台经过多次版本迭代后已具备定位、感知、决策、仿真等使能。Apollo可以帮助汽车行业及自动驾驶领域的合作伙伴结合车辆和硬件系统，快速搭建一套属于自己的自动驾驶系统。在Apollo仿真环境下，交通标识、标线及与周边车辆之间的关系等环境信息可通过相应接口输入到Dreamview中进行驾驶环境的构建。不仅如此，Apollo还可以对车辆跟驰模型进行验证，以及通过3D可视化界面进行算法调优。

发明内容

本发明的目的是提供一种Apollo平台下的车辆跟驰行为预测方法，解决了现有技术中模糊理论和人工神经网络的方法都只考虑引导车和跟驰车的速度、加速度以及两车的间距，缺乏对驾驶环境的考虑的问题。

本发明所采用的技术方案是，一种Apollo平台下的车辆跟驰行为预测方法，具体按照以下步骤实施：

步骤1、将车辆自动行驶过程中的场景信息分为静态信息和动态信息，并导入Apollo平台的Dreamview中构建道路场景；

步骤2：捕捉跟驰状态中跟驰车驾驶员行为特征，根据驾驶员的行驶数据，通过动力学公式计算出驾驶员的期望距离，以及利用多项式回归的方法拟合出在速度差和相对距离影响下驾驶员的反应时间分布函数；

步骤3：首先，将捕捉到的跟驰车驶员的行为特征数据采用改进的模糊推理车辆模型方法进行模糊化处理；其次，根据跟驰车驾驶员的驾驶行为特征分析，选定隶属函数，制定模糊规则库；再次，利用模糊推理中的Mamdani模型进行模糊推理；最后，利用启发式学习改进去模糊化的方法，提高解效率；