不同行为模型框架下的数据驱动类人驾驶模型比较

摘要：

传统的驾驶行为模型框架把驾驶行为划分为跟驰行为和换道行为两大类,并分别进行模型构建;而综合驾驶行为模型框架则认为跟驰行为和换道行为密不可分,因此将所有驾驶行为看作一个整体来进行建模.文中基于这两种行为模型框架,对数据驱动类人驾驶模型的性能进行分析.首先,建立综合驾驶行为模型框架和跟驰换道组合模型框架,并根据驾驶过程中的影响因素,确定模型的输入和输出.其次,提出了基于跟驰、换道和意图识别模块的两种跟驰换道组合方式:判别组合和概率组合.随后,对原始数据集进行处理筛选,构建综合驾驶行为、跟驰行为、换道行为和意图识别4个样本库,分别用于对相应行为模块进行训练和标定.最后,将两种跟驰换道组合模型与综合驾驶行为模型进行模型精度、安全性、鲁棒性和迁移性比较.结果表明:在模型输入输出、参数标定流程和样本数据库一样的情况下,基于长短期记忆神经网络(LSTM)的类人驾驶模型精度优于基于FNN的模型,其中基于LSTM的模型均方误差可达到0.227 m2,基于FNN的模型均方误差为0.470 m2.而在基于LSTM的模型中,采用跟驰换道组合模型框架的模型比采用综合驾驶行为模型框架的模型具有更好的鲁棒性和迁移性,其中跟驰换道组合模型在±10％噪声下的鲁棒性均方误差可达到1.383 m2,迁移性均方误差可达到0.462 m2;综合驾驶行为模型在±10％噪声下的鲁棒性均方误差为2.314 m2,迁移性均方误差为0.484 m2.

关键词：数据驱动、类人驾驶、综合驾驶行为、换道行为、跟驰行为、长短期记忆神经网络

所属期刊栏目：50

分类号：U491(交通工程与公路运输技术管理)

资助基金：广东省区域联合基金资助项目;广州市重点领域研发计划项目;广东省普通高校特色创新类项目;华南理工大学亚热带建筑科学国家重点实验室开放研究项目

在线出版日期：2022-12-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：1-10