切入場景下基于碰撞風(fēng)險(xiǎn)聚類的改進(jìn)車速預(yù)測方法

馬 彬,周世亞,姜文龍,史立峰,趙 宇

(1.北京信息科技大學(xué) 機(jī)電學(xué)院, 北京 100192;2.新能源汽車北京實(shí)驗(yàn)室, 北京 100192;3.北京電動車輛協(xié)同創(chuàng)新中心, 北京 100192;4.中國人民公安大學(xué) 交通管理學(xué)院, 北京 100038;5.中國公路車輛機(jī)械有限公司, 北京 100010;6.天津中德應(yīng)用技術(shù)大學(xué) 汽車與軌道交通學(xué)院, 天津 300350)

0 引言

隨著智能汽車的發(fā)展,自動駕駛汽車的行駛安全成為一個重要的關(guān)注點(diǎn)。其中,統(tǒng)計(jì)結(jié)果顯示,換道、超車等切入場景發(fā)生交通事故的比例為4%～10%。因此,提高換道、超車等自動駕駛汽車的行駛安全具有重要意義[1]。當(dāng)前基于自車的車速預(yù)測并結(jié)合碰撞風(fēng)險(xiǎn)指標(biāo)已經(jīng)能夠提高換道、超車的安全性[2],但在目標(biāo)車輛切入過程中無法針對周車行為做出及時決策[3],限制了自動駕駛安全性的提升。研究結(jié)果顯示,考慮車車耦合碰撞風(fēng)險(xiǎn)預(yù)測的車速預(yù)測可以進(jìn)一步提高自動駕駛車輛的行駛安全性,解決切入場景下車輛行駛的不確定性問題。

當(dāng)前,碰撞風(fēng)險(xiǎn)預(yù)測的研究方法主要分為基于速度的預(yù)測和基于軌跡的預(yù)測。在基于軌跡的碰撞風(fēng)險(xiǎn)預(yù)測方面,Wang等[4]基于LSTM進(jìn)行周圍車輛的軌跡預(yù)測,并將風(fēng)險(xiǎn)評估指數(shù)作為車輛風(fēng)險(xiǎn)評估的基本指標(biāo),實(shí)現(xiàn)了對碰撞風(fēng)險(xiǎn)的實(shí)時估計(jì)。Wang等[5]采用通用迭代的方式進(jìn)行軌跡預(yù)測,通過加速度計(jì)算下一時刻速度,生成速度軌跡。然而,上述軌跡預(yù)測方法在預(yù)測時域內(nèi)基于恒速假設(shè),計(jì)算出的TTC在實(shí)際駕駛場景中由于車車耦合具有短期非線性特征存而存在較大誤差。基于速度的預(yù)測可以提高碰撞預(yù)測的準(zhǔn)確性。而危險(xiǎn)工況下的車速預(yù)測主要包括道路運(yùn)行時切入切出等快變工況和交叉口內(nèi)的車速預(yù)測。宋傳杰等[6]通過對事故數(shù)據(jù)的多元線性回歸提取特征要素,并采用馬爾科夫鏈和循環(huán)神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了道路運(yùn)行時平穩(wěn)工況和快變工況下前車車速預(yù)測。馬瑩瑩等[7]建立了基于神經(jīng)網(wǎng)絡(luò)的無信號控制交叉路口內(nèi)車速預(yù)測模型,擬合了車輛通過交叉路口的速度與其影響因素之間的復(fù)雜關(guān)系,提高了交叉路口內(nèi)的車速預(yù)測精度。史立峰等[8]提出了一種基于參數(shù)自適應(yīng)調(diào)整的在線徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的車速預(yù)測方法,實(shí)現(xiàn)了車速的高精度預(yù)測。然而,線性回歸無法捕捉到復(fù)雜數(shù)據(jù)的非線性模式,神經(jīng)網(wǎng)絡(luò)則過度依賴數(shù)據(jù)質(zhì)量。此外,數(shù)據(jù)來源多依賴于昂貴的車載及路側(cè)傳感器設(shè)備,全場景的數(shù)據(jù)提取目前需要人為實(shí)現(xiàn),限制了神經(jīng)網(wǎng)絡(luò)等機(jī)器學(xué)習(xí)的進(jìn)一步使用。因此,低成本、高精度車速預(yù)測方法是目前的發(fā)展方向。其中,差分自回歸移動平均(ARIMA)模型在時間序列預(yù)測方面具有顯著優(yōu)勢[9]。Cadenas等[10]利用ARIMA模型進(jìn)行了風(fēng)速預(yù)測,Guo等[11]基于ARIMA模型完成了車輛循環(huán)工況的道路坡度和車速預(yù)測,Fan等[12]結(jié)合ARIMA和LSTM實(shí)現(xiàn)油井產(chǎn)量的預(yù)測,郭興等[9]使用變階ARIMA模型提高了車速的預(yù)測精度。

然而,當(dāng)前車速預(yù)測忽略了車車耦合等典型非線性場景對自車速度變化的影響。在目標(biāo)車輛的切入場景中,考慮周圍車輛的行駛狀態(tài)能夠有效避免碰撞發(fā)生。研究結(jié)果表明,基于支持向量機(jī)(SVM)、隱Markov模型(HMM)等機(jī)器學(xué)習(xí)算法能夠有效識別和捕捉車車耦合等場景的典型非線性特性。崔格格等[13]通過構(gòu)建動靜態(tài)要素屬性與要素之間隱含交互關(guān)系的圖特征,建立了基于SVM的駕駛員個性化危險(xiǎn)場景識別模型,提高了模型識別的準(zhǔn)確率。張海倫等[14]基于雙層HMM模型,完成了高速場景下相鄰前車換道行為的識別,并考慮相鄰前車與周圍環(huán)境車輛的交互作用來預(yù)測駕駛?cè)说膿Q道意圖,且模型仿真計(jì)算時間滿足系統(tǒng)實(shí)時性的需求。

然而,上述研究雖然基于機(jī)器學(xué)習(xí)算法實(shí)現(xiàn)了對車車耦合風(fēng)險(xiǎn)的在線識別,但均缺少危險(xiǎn)工況下對自車速度的改進(jìn)。因此,本文中提出了一種結(jié)合SVM和ARIMA模型的改進(jìn)車速預(yù)測方法,旨在降低車輛的碰撞風(fēng)險(xiǎn),提高車速的預(yù)測精度并改進(jìn)車輛在切入場景下的車速的預(yù)測效果。以碰撞時間(TTC)作為評價指標(biāo),對改進(jìn)前后的風(fēng)險(xiǎn)進(jìn)行評估。最后,利用自然駕駛數(shù)據(jù)在Matlab環(huán)境下進(jìn)行多工況的仿真,驗(yàn)證了文中所提方法能夠有效提高自車的速度預(yù)測精度,并降低前車切入場景下的碰撞風(fēng)險(xiǎn)。

1 車速預(yù)測方法及數(shù)據(jù)準(zhǔn)備

為提高自動駕駛汽車切入工況的安全性,開展了基于車車耦合風(fēng)險(xiǎn)聚類的切入場景自車速度高精度預(yù)測方法的研究。首先,依據(jù)實(shí)驗(yàn)所得自然駕駛數(shù)據(jù)進(jìn)行車輛切入切出片段提取,使用K-means方法,在確定特征向量的基礎(chǔ)上進(jìn)行車車耦合碰撞風(fēng)險(xiǎn)聚類分析。其次,基于支持向量機(jī)SVM模型,對切入切出工況車車交互狀態(tài)進(jìn)行在線識別,對切入危險(xiǎn)工況進(jìn)行實(shí)時預(yù)測;提出基于ARIMA的車速預(yù)測方法,并結(jié)合在線識別結(jié)果進(jìn)行車速在線優(yōu)化。所提出的基于碰撞風(fēng)險(xiǎn)聚類的改進(jìn)車速預(yù)測方法,框架如圖1所示。

本文中采用的自然駕駛數(shù)據(jù)由實(shí)車測試所得。車載自然駕駛數(shù)據(jù)采集系統(tǒng)如圖2所示。

圖2 自然駕駛數(shù)據(jù)采集系統(tǒng)示意圖

實(shí)車采集設(shè)備包括Mobileye、毫米波雷達(dá)、攝像機(jī)和車載GPS。其中,CAN總線采樣頻率為25 Hz,用來獲取車輛的位置、縱向速度、縱向加速度、橫向加速度、轉(zhuǎn)向角和制動情況;毫米波雷達(dá)、攝像頭等用來獲取自車與周圍車輛之間的相對縱向位置、相對橫向位置、相對縱向速度、相對橫向速度等信息。

為保證數(shù)據(jù)分析結(jié)果,對采集的數(shù)據(jù)噪聲進(jìn)行去噪處理。常用的數(shù)據(jù)去噪方法主要有均值濾波、卡爾曼濾波和Savitzky-Golay(SG)濾波[15]等。SG濾波可以在平滑數(shù)據(jù)的同時保留數(shù)據(jù)的趨勢和形狀,因此選用SG濾波器對所采集到的自然駕駛數(shù)據(jù)進(jìn)行處理,SG濾波器的表達(dá)式為:

(3)

式中:M為在原始數(shù)據(jù)x(i)附件選取的采樣點(diǎn)個數(shù);p為多項(xiàng)式y(tǒng)(i)的階數(shù);E為數(shù)據(jù)擬合誤差;i=-M,…,0,…,M,p≤2M+1,k=0,1,2,…,p。

采集的自然駕駛數(shù)據(jù)中原始速度和加速度信息在經(jīng)過SG濾波后的數(shù)據(jù)結(jié)果如圖3所示。由結(jié)果可知,經(jīng)過濾波之后的數(shù)據(jù)變得更加平滑的同時也保留了數(shù)據(jù)的趨勢和形狀。后文選用濾波后的數(shù)據(jù)進(jìn)行車車耦合風(fēng)險(xiǎn)分析和車速預(yù)測。

圖3 車速和加速度SG濾波結(jié)果

2 基于SVM的車車耦合場景識別

2.1 切入切出場景提取

為研究切入場景下碰撞風(fēng)險(xiǎn)等級與加速度之間的關(guān)系,進(jìn)行了不同速度及路況下切入切出場景的實(shí)車數(shù)據(jù)采集。其中,切入標(biāo)準(zhǔn)場景如圖4所示。

圖4 標(biāo)準(zhǔn)場景下車輛切入示意圖

將車輛的切入或切出過程劃分為準(zhǔn)備和穩(wěn)定2個階段[16],以橫向距離和縱向距離作為切入或切出數(shù)據(jù)長度的劃分指標(biāo)。例如,目標(biāo)車輛切入前與自車不在同一車道,所以,此時兩車間的橫向距離滿足2.0 m≤|Y|≤3.5 m[5],在切入完成后,目標(biāo)車輛與自車的橫向距離間距滿足|Y|≤1.2 m[17]。同時,考慮到擁堵、停車、等紅燈以及距離較遠(yuǎn)的車輛對自車的影響,所以縱向距離滿足5 m≤X≤120 m,以此來消除對結(jié)果造成干擾的切入切出行為。根據(jù)挑選原則,從采集到的自然駕駛視頻數(shù)據(jù)中篩選出包含車輛切入和切出場景的數(shù)據(jù)片段,共得到50個案例。其中切入場景占比為70%,切出場景占比為30%。

2.2 基于K-means的車輛切入風(fēng)險(xiǎn)聚類

2.2.1K-means聚類方法基本原理

K-means聚類算法是一種經(jīng)典的無監(jiān)督機(jī)器學(xué)習(xí)算法[18],具有良好的可擴(kuò)展性。K-means聚類算法使用距離作為相似性的評價指標(biāo),從給定的n個樣本點(diǎn)x1、x2、…、xn中隨機(jī)選取k個點(diǎn)作為初始聚類中心c1、c2、…、ck,應(yīng)用迭代思想,不斷移動聚類中心直到聚類誤差函數(shù)收斂或達(dá)到最大迭代次數(shù)為止[19],計(jì)算公式如下:

(6)

圖5 基于K-means的車輛切入風(fēng)險(xiǎn)聚類流程

2.2.2 特征參數(shù)的選擇

特征參數(shù)的選取對實(shí)現(xiàn)精確風(fēng)險(xiǎn)聚類具有重要影響。特征參數(shù)的選擇越多,所包含的車輛信息也就越豐富,但過多的特征參數(shù)會增加計(jì)算負(fù)擔(dān)進(jìn)而影響計(jì)算效率和車輛的響應(yīng)速度[18]。因此,根據(jù)車車耦合的關(guān)系,選取了平均加速度、平均縱向距離、碰撞時間(TTC)和車頭時距(THW)作為特征參數(shù),來表達(dá)不同場景下目標(biāo)車輛的切入特征。

1) 平均加速度為目標(biāo)車輛切入過程中速度變化的平均值。該參數(shù)有效揭示了目標(biāo)車輛在不同切入場景下的速度變化的大小。

2) 平均縱向距離在切入場景中自車與目標(biāo)車輛間的平均縱向距離會受到車速、車輛類型等多因素的影響,能有效表達(dá)不同切入場景下的距離特征。

3) TTC是用于評估車輛間距離和速度差的量化指標(biāo)。在不同的切入場景中,TTC可用來評估目標(biāo)車輛切入過程的安全性。其計(jì)算公式如下

(7)

式中:D為前車和自車的相對縱向距離,m;Vr和Vf分別為自車和前車的速度,m/s。

4) THW(time to hazard warning)是指發(fā)現(xiàn)潛在危險(xiǎn)到系統(tǒng)發(fā)出警告的時間,在切入場景中用來表征對不同切入場景的危險(xiǎn)認(rèn)知程度。

(8)

2.2.3 車輛切入風(fēng)險(xiǎn)的K-means聚類分析

根據(jù)上述所選擇的特征參數(shù),采用K-means聚類算法,對所提取的切入切出場景數(shù)據(jù)進(jìn)行風(fēng)險(xiǎn)聚類。聚類結(jié)果分為前車加速切出,前車勻速切出,前車加速切入,自車減速避讓,自車緊急避讓5類。最終的聚類結(jié)果如圖6所示,得到聚類結(jié)果與加速度之間的關(guān)系,如圖7所示。

圖6 基于K-means算法的聚類結(jié)果

圖7 K-means的聚類結(jié)果與加速度之間的關(guān)系

聚類結(jié)果與自車加速度范圍如表1所示。通過對切入場景下車車耦合關(guān)系的風(fēng)險(xiǎn)聚類分析,建立了碰撞風(fēng)險(xiǎn)等級與加速度的關(guān)系模型,為預(yù)測車速的改進(jìn)提供了理論依據(jù)。

表1 聚類結(jié)果與加速度范圍

2.3 基于SVM的風(fēng)險(xiǎn)場景識別

支持向量機(jī)SVM是一種常見的機(jī)器學(xué)習(xí)算法[20],常用于分類和回歸問題。SVM的基本思想是在特征空間中找到一個超平面(或多個超平面)作為決策曲面,將不同類別的樣本分隔開來,并使得離超平面最近的樣本點(diǎn)到超平面的距離最大化,其分類原理如圖8所示。

圖8 基于SVM的分類模型

SVM最早用于解決線型可分的二分類問題,假設(shè)SVM的訓(xùn)練樣本為:

{(xi,yi),i=1,2,…,l},x∈Rn

(9)

式中:yi∈{-1,1}由2類構(gòu)成:xi為特征輸入,若xi屬于第一類,記yi=1;若xi屬于第二類,記yi=-1。找到圖8所示的分類超平面wx+b=0,將集合內(nèi)的數(shù)據(jù)正確分類,則該集合需要滿足:

(10)

式中:距離超平面最近的幾個樣本稱之為支持向量,b為偏置,確定了超平面和坐標(biāo)原點(diǎn)之間的距離;w=(w1,w2,…,wd),為可調(diào)權(quán)重向量,它決定了超平面的方向;則任意一點(diǎn)xi到超平面的距離為:

(11)

則超平面之間的最大間隔為:

(12)

(14)

式中,ai為Lagrange系數(shù)。

在多數(shù)情況下,數(shù)據(jù)并不是線性的,這時候無法找到圖8所示的超平面。此時,需要將特征輸入映射到高維空間中,并構(gòu)造高維空間中的最優(yōu)超平面,引入適當(dāng)?shù)暮撕瘮?shù)k(xi,yj)將低維空間中的非線性問題轉(zhuǎn)換成高維空間的線型問題,此時最優(yōu)超平面的目標(biāo)函數(shù)變?yōu)?

(15)

構(gòu)建基于SVM方法的車車耦合場景在線識別模型,以所選取的特征參數(shù)和基于K-means的聚類結(jié)果作為SVM算法的輸入和輸出,識別當(dāng)前場景下目標(biāo)車輛切入過程中的風(fēng)險(xiǎn)狀況。為驗(yàn)證SVM風(fēng)險(xiǎn)識別準(zhǔn)確性,在提取的切入切出場景中隨機(jī)產(chǎn)生訓(xùn)練集和測試集,其識別結(jié)果如圖9所示,識別準(zhǔn)確率為97.611%,驗(yàn)證了基于SVM的車輛切入風(fēng)險(xiǎn)識別模型的有效性和可靠性。

圖9 基于SVM算法的車輛切入風(fēng)險(xiǎn)識別結(jié)果

3 基于ARIMA模型的改進(jìn)車速預(yù)測方法

3.1 ARIMA模型車速預(yù)測方法

ARIMA模型是一種用于時間序列預(yù)測和分析的統(tǒng)計(jì)模型,因其具有靈活、簡易與精度高的特點(diǎn)得到廣泛應(yīng)用。ARIMA模型首先進(jìn)行白噪聲檢驗(yàn),將非平穩(wěn)的時間序列經(jīng)過差分處理得到平穩(wěn)的時間序列。在建立模型時,ARIMA僅考慮因變量的當(dāng)前值和滯后值,以及隨機(jī)誤差項(xiàng)的當(dāng)前值和滯后值,并進(jìn)行回歸運(yùn)算來建立模型,其數(shù)學(xué)表達(dá)式為:

yt=c+φ1yt-1+φ2yt-2+…+φpyp-1+
εt+θ1εt-1+…+θqεt-q,t∈Z

(16)

式中:p表示自回歸(AR)的模型階數(shù);q表示移動平均(MA)的模型階數(shù);εt-1,εt-2…,εt-q是誤差項(xiàng);c是常數(shù);φ1,φ2,…,φp表示AR模型的系數(shù);θ1,θ2,…,θq表示MA模型的系數(shù)。

本文中以自車的歷史速度序列作為ARIMA預(yù)測的輸入,并采用滑動時間窗口將時間序列數(shù)據(jù)分割為多個子序列,以捕捉目標(biāo)車輛切入過程中,自車速度變化的關(guān)鍵信息,從而提高自車速度的預(yù)測精度。

ARIMA模型速度預(yù)測的輸入數(shù)據(jù)為自車的歷史速度序列X,輸出為預(yù)測的速度序列Y。

X=[V1,…,Vt-1,Vt]

(17)

Y=[Vt_1,…,Vt_pre-1,Vt_pre]

(18)

式中:Vt_1,…,Vt_pre-1,Vt_pre為預(yù)測時域內(nèi)自車的速度;Vt為t時刻車輛的速度。

在傳統(tǒng)ARIMA模型速度預(yù)測的基礎(chǔ)上,基于碰撞風(fēng)險(xiǎn)的改進(jìn)車速預(yù)測方法的步驟為:

1) 根據(jù)SVM算法對當(dāng)前切入場景下車車耦合風(fēng)險(xiǎn)的在線識別結(jié)果,以及風(fēng)險(xiǎn)等級與加速度的匹配關(guān)系,得到預(yù)測時域內(nèi)自車加速度

a=[a1,…,aprf]

(19)

2) 根據(jù)加速度的匹配關(guān)系,進(jìn)行預(yù)測時域內(nèi)的速度改進(jìn),具體改進(jìn)規(guī)則為

Yipv=[Vtf1+a1,…,Vtfpre+apre]

(20)

3.2 ARIMA模型車速預(yù)測方法性能分析

為驗(yàn)證ARIMA模型車速預(yù)測效果,采用傳統(tǒng)LSTM及RBF預(yù)測方法進(jìn)行對比分析。由于車輛駕駛行為具有一定的內(nèi)在規(guī)律,如圖10所示,對所選取的切入切出場景的速度和加速的進(jìn)行分析,當(dāng)車速低于20 km/時,車輛的加速度多處于-0.4～0.4 m/s2。

圖10 切入切出場景下不同速度區(qū)間的加速度分布

當(dāng)車速在20～30 km/h時,車輛的加速度多分布在-0.2～0.2 m/s2。而當(dāng)車速高于30 km/h時車輛的加速度多集中在-0.1～0.4 m/s2。這也正是使用LSTM等神經(jīng)網(wǎng)絡(luò)預(yù)測模型所需學(xué)習(xí)和模擬的特性[21]。因此,本文中選用不同場景下的自然駕駛數(shù)據(jù)作為訓(xùn)練集,對LSTM神經(jīng)網(wǎng)絡(luò)模型進(jìn)行離線訓(xùn)練,以保證使用樣本的合理性。同時,利用自車過去10 s內(nèi)的歷史數(shù)據(jù),以0.4 s為時間間隔作為LSTM的測試集以及RBF模型和ARIMA模型的輸入,預(yù)測未來2 s內(nèi)的車速。此外,本文中采用均方根誤差(RMSE)作為速度預(yù)測精度的評價指標(biāo)。其預(yù)測結(jié)果及RMSE的對比結(jié)果如圖11—圖13所示。

圖11 高速區(qū)間的車速預(yù)測結(jié)果及RMSE曲線

圖12 中速區(qū)間的車速預(yù)測結(jié)果及RMSE曲線

(21)

由預(yù)測結(jié)果的RMSE對比可知,盡管ARIMA、LSTM及RBF預(yù)測結(jié)果的RMSE都在1 m/s以內(nèi),但ARIMA的預(yù)測結(jié)果比LSTM和RBF誤差更小,精度更高。此外,LSTM需要不同場景下的自然駕駛數(shù)據(jù)進(jìn)行離線訓(xùn)練,而 ARIMA僅需要自車過去10 s內(nèi)的歷史數(shù)據(jù)即可實(shí)現(xiàn)更高精度的車速預(yù)測效果。因此,ARIMA模型在處理小樣本高精度的車速在線預(yù)測問題時具有更大的優(yōu)勢。

3.3 基于碰撞風(fēng)險(xiǎn)聚類的改進(jìn)車速預(yù)測

選取目標(biāo)車輛勻速切入、目標(biāo)車輛減速切入、目標(biāo)車輛加速切入3種不同場景對本文中算法進(jìn)行驗(yàn)證,以說明改進(jìn)速度預(yù)測方法的準(zhǔn)確性。改進(jìn)的速度預(yù)測結(jié)果如圖14—圖16所示。

圖14 目標(biāo)車輛減速切入場景速度預(yù)測結(jié)果曲線

目標(biāo)車輛減速切入場景的預(yù)測車速改進(jìn)結(jié)果如圖14所示。此場景下,SVM在線識別結(jié)果為自車處于緊急避讓狀態(tài),因此對預(yù)測時域內(nèi)的速度進(jìn)行減速處理。由圖14(a)可知,經(jīng)過改進(jìn)之后車輛預(yù)測速度低于原始車速,降低了車輛切入風(fēng)險(xiǎn)。經(jīng)過改進(jìn),切入過程TTC平均值的提高說明改進(jìn)后的預(yù)測速度能夠有效降低車輛的碰撞風(fēng)險(xiǎn)。

目標(biāo)車輛加速切入場景的預(yù)測車速改進(jìn)結(jié)果如圖15所示。此場景下,SVM在線風(fēng)險(xiǎn)識別結(jié)果為前車加速切入,且目標(biāo)車輛與自車之間的TTC為負(fù)值,沒有碰撞風(fēng)險(xiǎn)。同時,改進(jìn)前后的預(yù)測車速近似相等,這表明所提出的方法在無碰撞風(fēng)險(xiǎn)的情況下,不對速度預(yù)測作出改進(jìn),維持原速度進(jìn)行后期控制符合實(shí)際駕駛情況。

圖15 目標(biāo)車輛加速切入場景速度預(yù)測結(jié)果曲線

目標(biāo)車輛勻速切入場景的預(yù)測車速改進(jìn)結(jié)果如圖16所示。此場景下,SVM在線風(fēng)險(xiǎn)識別結(jié)果為自車處于減速避讓狀態(tài)。因此,根據(jù)風(fēng)險(xiǎn)識別結(jié)果對預(yù)測時域內(nèi)的速度進(jìn)行減速處理。由圖16(a)可知,經(jīng)過改進(jìn)之后車輛的預(yù)測車速明顯降低,切入全過程中TTC值均有所提升,表明改進(jìn)后的速度預(yù)測序列能夠根據(jù)車車耦合關(guān)系進(jìn)行實(shí)時改進(jìn),降低切入過程車輛碰撞風(fēng)險(xiǎn)。此外,TTC的提高表明所提出方法在目標(biāo)車輛勻速切入場景中同樣適用。

圖16 目標(biāo)車輛勻速切入場景速度預(yù)測結(jié)果曲線

表2 切入過程改進(jìn)車速預(yù)測結(jié)果

4 結(jié)論

1) 針對目標(biāo)車輛的切入場景,對自車速度的預(yù)測方法進(jìn)行研究,提出了一種基于碰撞風(fēng)險(xiǎn)聚類的改進(jìn)車速預(yù)測方法,有效提高了車輛切入場景下自動駕駛車輛的安全性。

2) 利用ARIMA模型樣本需求少、預(yù)測精度高的特點(diǎn),實(shí)現(xiàn)了自車速度的高精度預(yù)測;結(jié)合K-means和SVM算法對目標(biāo)車輛的切入過程進(jìn)行風(fēng)險(xiǎn)聚類和識別,得到不同風(fēng)險(xiǎn)場景下的速度改進(jìn)規(guī)則以及當(dāng)前切入場景的風(fēng)險(xiǎn)類型,改進(jìn)ARIMA的車速預(yù)測效果,從而降低了車輛切入過程中的碰撞風(fēng)險(xiǎn)。

3) 基于Matlab環(huán)境進(jìn)行仿真驗(yàn)證,結(jié)果表明:在不同的切入場景下的車速預(yù)測結(jié)果與改進(jìn)前相比,車輛的碰撞風(fēng)險(xiǎn)降低10%～20%。研究結(jié)果對提高自動駕駛安全性具有一定的參考價值。