基于优秀驾驶行为的自动爬坡方法研究

摘要

由于人类身体的局限性,驾驶过程存在视觉盲区、醉驾和疲劳驾驶等因素会导致交通事故的频繁发生。所以如何营造一个安全舒适的驾驶环境已经成为交通领域急需解决的问题。自动驾驶技术能够避免人类因为先天局限性所带来的驾驶问题，而自动驾驶技术的最高体现就是实现拟人驾驶，拟人驾驶需要人类的实际优秀驾驶行为提供指导方法和数据支撑并建立学习模型。所以本文在以拟人驾驶为目标的思想下对优秀驾驶行为进行选取研究，并建立精度较高的学习模型。 首先，在分析城市场景中常见的五种驾驶工况（左转弯、右转弯、车辆启动、车辆制动和爬坡过程）的基础上，基于驾驶模拟器平台进行试验路线和试验流程的设计，寻找52名具有不同驾驶特性的驾龄超过两年的驾驶员在城市场景中进行多次的模拟驾驶实验，得到大量驾驶员操作行为信息和车辆运动状态信息，为优秀驾驶行为的选取和学习模型的建立提供数据支持。 其次，阐述优秀驾驶行为的选取意义，对比分析多种聚类算法的优缺点选出描述能力强、分类结果明确、计算高效的最大期望算法（Expectation Maximization Algorithm,EM）的高斯混合模型（Gaussian Mixed Model,GMM）对驾驶行为进行评判，先对每一种工况下的所有行为进行聚类分析选取出较优行为并对其所属的23名驾驶员进行标记，因为驾驶员对熟悉的环境具有认知加工和学习能力，所以环境熟悉程度会给驾驶表现带来一定影响，在选取出的行为进行再次聚类后对驾驶员在熟悉与不熟悉两种场景下的优秀行为占比情况进行比较，结果表明，驾驶员在熟悉场景下有更优秀的驾驶行为表现，为丰富驾驶行为数据库提供一种新的收集思路。 最后，在日常出现的五种驾驶工况中，驾驶员的综合驾驶能力在爬坡过程中能有较好的体现，另外爬坡过程因其地势的特殊性极易发生溜车等交通事故而对驾驶员的驾驶技能有更高的要求，所以本文建立一种优秀爬坡驾驶行为学习模型，分别介绍集成算法随机森林和神经网络两种模型的数学原理，并通过多次训练试验得出模型的主要参数，最后比较得出，随机森林模型在爬坡优秀驾驶行为数据集下有更好的预测精度，验证了端到端模式中环境到动作的直接映射的有效性。

目录

声明

1 绪论

1.1 前言

1.1.1 研究背景

1.1.2 研究意义

1.2 国内外研究现状

1.2.1 国外研究现状

1.2.2 国内研究现状

1.3 主要研究内容及章节安排

1.3.1 主要研究内容

1.3.2 章节安排

2 城市道路驾驶模拟试验设计

2.1 试验设备

2.1.1 试验设备的组成

2.1.2 驾驶模拟平台工作原理

2.2 试验人员的选择

2.3 试验场景设计

2.4 试验流程

2.4.1 试验准备阶段

2.4.2 试验人员的培训

2.4.3 试验过程

2.5 试验数据收集

2.6 本章小结

3 优秀驾驶行为选取

3.1 选取意义

3.2 选取场景

3.3 聚类算法

3.3.1 算法选取

3.3.2 高斯混合模型

3.4 全部行为分析

3.4.1 左转弯

3.4.2 右转弯

3.4.3 启动过程

3.4.4 制动过程

3.4.5 爬坡过程

3.5 熟悉场景下的驾驶行为

3.5.1 熟悉场景的特点

3.5.2 两种场景下行为对比

3.6 本章小结

4 优秀爬坡驾驶行为学习模型

4.1 学习意义及方法

4.2 随机森林原理

4.2.1 抽样产生训练集

4.2.2 构建每棵决策树

4.2.3 森林的形成

4.3 随机森林模型搭建

4.3.1 输入特征选择

4.3.2 决策树数目

4.3.3 模型训练

4.4 神经网络原理

4.4.1 神经元模型

4.4.2 多层网络

4.4.3 学习算法

4.5 神经网络模型搭建

4.5.1 神经元数目选取

4.5.2 模型训练

4.5.3 训练结果

4.6 本章小结

5 全文总结与研究展望

5.1 全文工作总结

5.2 研究展望

参考文献

致谢

大连理工大学学位论文版权使用授权书