基于驾驶行为和驾驶风格倾性的车辆换道风险态势研究

作     者：周萌 

作者单位：长安大学 

学位级别：硕士

导师姓名：龙雪琴

授予年度：2022年

学科分类：08[工学] 082304[工学-载运工具运用工程] 082303[工学-交通运输规划与管理] 082302[工学-交通信息工程及控制] 0823[工学-交通运输工程] 

主      题：换道行为识别 驾驶风格倾性 换道风险预测 先进驾驶辅助系统 非参数贝叶斯 

摘      要：目前我国道路交通安全形势仍然严峻,随着交通强国战略的提出,提升道路交通主体运行安全迫在眉睫,车辆换道作为一种常见的驾驶行为,由于涉及多车交互,交通环境复杂,存在较大的安全隐患。当前对车辆换道安全的研究大多集中在理论碰撞风险的判定和预警决策制定上,较少深入研究驾驶员个性对换道风险的影响,驾驶员作为产生交通行为的主体,研究其驾驶操作特性对提高换道风险预警能力,推动汽车向智能化自动化方向发展尤为重要,同时,研究驾驶员风格也是自动驾驶车辆增强对周围驾驶员行为的理解,从而制定驾驶决策过程中必要的一环。本文以提高换道安全水平为目的,应用高精度自然驾驶数据集围绕换道行为展开研究,解析驾驶员的短时驾驶风格倾性,建立了换道行为识别-周围车辆驾驶风格倾性提取-换道风险预测-辅助换道框架,为驾驶辅助系统提供参考,辅助车辆安全执行换道。首先,比较了自然驾驶车辆轨迹数据集NGSIM和high D,确定本文选用high D数据集作为研究的数据支撑。对驾驶行为分类进行了描述,将横向驾驶行为作为本文重点研究对象。同时,对数据集中的驾驶参数进行描述性统计,观察数据特点。其次,由于车辆驾驶行为符合马尔可夫过程,同时具有连续性和不可见性,采用隐马尔可夫-高斯混合模型(HMM-GMM)识别驾驶行为。分别建立向左换道、向右换道和车道保持HMM-GMM子模型,在不同时间窗口下模型识别准确率达到84%以上。然后,以换道风险量化为目标,根据周围车辆相对于换道车辆角色的不同,定义了不同的风格特性指标组,采用分层狄利克雷过程-隐半马尔可夫模型(HDP-HSMM)对驾驶员的时间序列驾驶数据进行自适应片段分割,实现驾驶风格倾性语义层面的描述,同时,通过评分实现驾驶风格倾性的量化。最后,建立了考虑实时风险暴露程度(RREL)和实时风险严重程度(RRSL)的换道风险量化指标,其中,RREL除了计算基于车辆动力学的理论碰撞可能性外,融入了周围驾驶员风格倾性量化参数带来的附加可能性,考虑了驾驶员异质性带来的潜在风险。整合各个交互事件的风险程度,得到实时换道风险指数(LCRI＿DS),对风险等级进行分类,通过算法性能比较选择Light GBM实时预测换道风险,对中高风险的识别率可达到85%。同时,提出了包含周围车辆风格倾性语义信息的驾驶辅助预警策略。