随着智能驾驶汽车快速发展,预期功能安全(safety of the intended functionality,SOTIF)愈发凸显其重要性。自动变道控制系统作为自动驾驶系统的重要组成部分,在决策规划层面存在SOTIF不足的风险。基于ISO21448和系统过程理论(system-th...随着智能驾驶汽车快速发展,预期功能安全(safety of the intended functionality,SOTIF)愈发凸显其重要性。自动变道控制系统作为自动驾驶系统的重要组成部分,在决策规划层面存在SOTIF不足的风险。基于ISO21448和系统过程理论(system-theoretic process analysis,STPA),对车辆变道决策规划系统的预期功能安全进行分析,找到潜在的危害触发事件并得到相应的安全目标。针对安全目标进行算法改进,综合考虑车型、车速、路面状况等行驶因素,利用高斯过程回归和模糊综合评价的方法得出目标车辆加速度用以评估当前变道安全性。结合最小变道时间及变道终点确定最优变道轨迹,并在变道过程中实时更新周围车辆行驶状态,利用提出的安全系数判断本车当前的安全状态并采取不同的变道措施,以保证车辆安全变道或在紧急情况无法完成变道时可以安全返回。建立验证场景,对不同场景下功能改进前后系统的风险进行对比。结果表明:功能改进后系统的风险显著降低,变道过程中的安全水平明显提高。展开更多
现有的网联自动驾驶车辆(Connected and Automated Vehicles,CAV)换道决策模型鲁棒性较差,存在安全隐患,且单纯依赖自车信息、较小范围内的感知信息,难以在CAV与人工驾驶车辆(Human-Driven Vehicles,HDV)混行的环境中推断出最优动作.综...现有的网联自动驾驶车辆(Connected and Automated Vehicles,CAV)换道决策模型鲁棒性较差,存在安全隐患,且单纯依赖自车信息、较小范围内的感知信息,难以在CAV与人工驾驶车辆(Human-Driven Vehicles,HDV)混行的环境中推断出最优动作.综合考虑感知信息、自车以及车-车通信(Vehicle-to-Vehicle,V2V)范围内上、下游CAV信息,提出一种混合交通流环境下集成多源信息融合的深度强化学习(Multi-Source Information Fusion Deep Reinforcement Learning,MSIF-DRL)端到端网联自动驾驶换道决策模型.首先,构建含有多源信息的状态空间,并为不同信息分配权重;其次,通过编码网络将各种动态信息编码到高维特征空间,进行信息融合得到特征图;然后,将其扁平化送入拥有优先经验回放机制的竞争双深度Q网络中,进行动作的选择和评估;最后,分别设计适用于主线、匝道CAV的奖励函数引导所提MSIF-DRL模型解决高速公路合流区驾驶场景中CAV的自由以及强制换道问题.基于SUMO软件在各种仿真条件下进行实验,将所提出的MSIF-DRL换道决策模型与现有换道模型进行比较,验证其有效性和优越性.研究结果表明:相较于现有模型,所提MSIF-DRL模型在各种仿真条件下均拥有最高的奖励值、换道成功率、合流成功率、平均行车速度、舒适性以及最低的碰撞风险,其中换道成功率、合流成功率、平均行车速度最大分别提升了29.17%、27.71%、17.43%;随着渗透率的提高,该模型在处理混合交通流环境下CAV的换道决策问题时拥有更强的性能和鲁棒性.展开更多
文摘随着智能驾驶汽车快速发展,预期功能安全(safety of the intended functionality,SOTIF)愈发凸显其重要性。自动变道控制系统作为自动驾驶系统的重要组成部分,在决策规划层面存在SOTIF不足的风险。基于ISO21448和系统过程理论(system-theoretic process analysis,STPA),对车辆变道决策规划系统的预期功能安全进行分析,找到潜在的危害触发事件并得到相应的安全目标。针对安全目标进行算法改进,综合考虑车型、车速、路面状况等行驶因素,利用高斯过程回归和模糊综合评价的方法得出目标车辆加速度用以评估当前变道安全性。结合最小变道时间及变道终点确定最优变道轨迹,并在变道过程中实时更新周围车辆行驶状态,利用提出的安全系数判断本车当前的安全状态并采取不同的变道措施,以保证车辆安全变道或在紧急情况无法完成变道时可以安全返回。建立验证场景,对不同场景下功能改进前后系统的风险进行对比。结果表明:功能改进后系统的风险显著降低,变道过程中的安全水平明显提高。
文摘现有的网联自动驾驶车辆(Connected and Automated Vehicles,CAV)换道决策模型鲁棒性较差,存在安全隐患,且单纯依赖自车信息、较小范围内的感知信息,难以在CAV与人工驾驶车辆(Human-Driven Vehicles,HDV)混行的环境中推断出最优动作.综合考虑感知信息、自车以及车-车通信(Vehicle-to-Vehicle,V2V)范围内上、下游CAV信息,提出一种混合交通流环境下集成多源信息融合的深度强化学习(Multi-Source Information Fusion Deep Reinforcement Learning,MSIF-DRL)端到端网联自动驾驶换道决策模型.首先,构建含有多源信息的状态空间,并为不同信息分配权重;其次,通过编码网络将各种动态信息编码到高维特征空间,进行信息融合得到特征图;然后,将其扁平化送入拥有优先经验回放机制的竞争双深度Q网络中,进行动作的选择和评估;最后,分别设计适用于主线、匝道CAV的奖励函数引导所提MSIF-DRL模型解决高速公路合流区驾驶场景中CAV的自由以及强制换道问题.基于SUMO软件在各种仿真条件下进行实验,将所提出的MSIF-DRL换道决策模型与现有换道模型进行比较,验证其有效性和优越性.研究结果表明:相较于现有模型,所提MSIF-DRL模型在各种仿真条件下均拥有最高的奖励值、换道成功率、合流成功率、平均行车速度、舒适性以及最低的碰撞风险,其中换道成功率、合流成功率、平均行车速度最大分别提升了29.17%、27.71%、17.43%;随着渗透率的提高,该模型在处理混合交通流环境下CAV的换道决策问题时拥有更强的性能和鲁棒性.
