浅谈模糊支持向量机的旁车道车辆并线意图识别方法

《浅谈模糊支持向量机的旁车道车辆并线意图识别方法》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、浅谈模糊支持向量机的旁车道车辆并线意图识别方法前言　　旁车道车辆并线意图识别是驾驶员辅助系统的重要组成部分，它可对自适应巡航控制(adaptivecruisecontrol，ACC)等驾驶员辅助系统提供决策参考信息，以改善在旁车道车辆并线工况下的控制效果。ACC可由车载雷达获取交通信息并通过电子节气门和主动制动系统完成主车道车辆纵向动力自动控制，以实现定速巡航(安全车距内无前车)或以安全车距跟随前车行驶(前车车速小于巡航车速)，由此可减轻驾驶员的负担并减小追尾事故发生的概率。但目前的ACC系统大都只利用主车道内

2、的目标车辆行驶信息进行控制决策，在并线工况下，只有旁车道车辆完全进入主车道内时才会引起ACC目标车辆的改变，因此主车道车辆不能提前利用旁车道车辆的并线行驶信息进行控制。特别是在旁车道车辆强行并线工况下，目标车辆更新滞后会造成安全隐患，当ACC系统在主车道内检测到并线车辆时往往会对主车道车辆施加大强度制动以避免碰撞，这会影响到主车道车辆乘员的舒适性和后续车辆的正常行驶。如果在并线车辆尚在旁车道时即可确定其并线意图，使主车道车辆提前按并线车辆更新期望车速与期望车距，则可避免上述问题。因此，旁车道车辆并线意图识别对上

3、述工况的ACC控制尤为重要。　　针对传统ACC的旁车道车辆并线工况，文献中利用仿真证实了约有一半的驾驶员为确保安全会主动采取制动操作以中断ACC的自动控制。为了描述车辆并线行为，文献中建立了多车交互的并线模型，但它只能说明有并线需求的驾驶员会在何种行驶条件下采取并线操作，并不能检测驾驶员的并线意图与动作;文献中则采用主车道车辆与旁车道车辆的侧向相对距离与相对速度利用模糊决策来确定旁车道车辆的并线意图，认为有较小侧向相对距离与较大侧向相对速度的旁车道车辆为并线车辆，但这种方法主观因素较大，有时不能客观反映并线车辆

4、的行驶规律。针对以上问题，本文中采用机器学习的方法，利用模糊支持向量机对实际行驶工况下的旁车道车辆并线数据样本进行学习，得到基于实测数据的并线意图识别器，以用于实车ACC控制器对旁车道车辆并线意图的实时在线识别。　　1并线样本　　本文中利用模糊支持向量机进行并线意图识别器的训练，因此并线样本包括训练样本与待分类样本，它们均可在实际的交通环境中获得，且其结构组成一致。其中训练样本在经过离线人工分类获得分类标签后用于并线意图识别器的训练，而待分类样本在ACC控制中实时通过并线意图识别器判断旁车道车辆的并线意图。　　

5、为了充分描述主车道车辆与旁车道车辆的运动关系，训练样本与待分类样本由7个结构属性组成，包括主车道车辆速度vh、主车道车辆与旁车道车辆的纵向相对车距dx、纵向相对车速vx、纵向相对加速度ax、横向相对车距dy、横向相对车速vy和横向相对加速度ay。车载雷达的目标更新周期为50ms，因此并线样本的更新与雷达保持一致。同时，在先前的研究中已经完成了雷达对主车道和旁车道目标的跟踪，因此dx、vx、dy和vy可由雷达返回目标车辆的相对距离dd、相对车速vd(径向速度)与方位角θd按下式计算:　　dx=&rho

6、;dcosθddy=ρdsinθ{d(1)　　vx=vdcosθd-ρdθdsinθdvy=vdsinθd+ρdθdcosθ{d(2)　　相对加速度信息无法直接获得，可设计以dx(dy)、vx(vy)、ax(ay)为状态变量，以dan滤波估计得到的ax可有效抑制噪声，避免了并线样本信息的不准确。同时对ay的估计也有相同的结论。　　训练样本由主车道车辆在实际交通环境中采集获得，经过离线分析后，把

7、并线车辆从开始向主车道移动至完全进入主车道后的样本标记为1，认为检测到驾驶员有并线意图(正样本);而把其余的旁车道车辆样本标记为-1，认为驾驶员没有并线意图(负样本)。由此共获得正样本52组(左右车道并线各26组)，共计7683个样本点，负样本87组(左车道43组，右车道44组)，共计15426个样本点。这些带有分类标记的样本点将用于并线意图识别器训练。在获得并线意图识别器后，由ACC控制器实时采集计算得到的待分类样本即可根据其对识别器输出的结果来判断旁车道车辆的并线意图。　　2支持向量机与模糊支持向量机　　支

8、持向量机是基于统计学习理论的一种机器学习算法，它可在模型的复杂度和学习能力之间获得较佳折衷，并可转化为凸二次优化问题进行求解，因此支持向量机算法简单，且学习后得到的模型有较强的推广能力，适合本文中小样本学习的情况。支持向量机解决二分类问题的过程如下。　　设序号为i的训练样本点为(xi，yi)，其中xi为样本的属性，在本文中xi由vh、dx、vx、ax、dy、vy和ay7个属性构成;yi