[发明专利]智能汽车换道时长预测及拟人化轨迹规划方法

说明书

本申请涉及智能汽车应用技术领域，特别涉及一种智能汽车换道时长预测及拟人化轨迹规划方法，包括：从自然驾驶数据中提取优秀驾驶员的换道轨迹，并提取多车影响下的换道时长；获取换道车辆的周车运动信息，将周车影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得周车影响下的换道时长预测模型；智能汽车应用换道时长预测模型时，基于预期换道纵向位移、当前纵向速度和换道后目标车道预期车速，结合周车信息，利用预测模型进行换道时长的优选，进而实现拟人化的换道轨迹规划。由此，充分挖掘了自然驾驶数据中优秀驾驶员的操纵规律，为智能汽车科学合理的换道决策提供参考，是智能汽车拟人化决策理念在换道决策中的体现。

技术领域

本申请涉及智能汽车应用技术领域，特别涉及一种智能汽车换道时长预测及拟人化轨迹规划方法。

背景技术

在人工驾驶和自动驾驶混行的混合交通环境下，自动驾驶汽车的换道行为受到周围交通车的影响，特别是人工驾驶车辆的不确定性影响，使得换道轨迹的纵向运动规律十分复杂。

相关技术中，通常假定换道过程中，智能汽车纵向速度保持不变，在这种理想工况下规划获得的换道轨迹，换道轨迹规划对横向运动规律的考量较多，然而，该方式缺乏对换道过程中车辆纵向运动的分析，未能充分考虑周围车辆对自车换道过程中纵向驾驶行为的影响，使得规划的轨迹的预期性能不一定能够满足预期要求，可能导致频繁的加减速，造成换道舒适性的降低，甚至还存在换道时长不足导致车辆侧向加速度过大，诱发自车的侧滑和侧倾等失稳风险，以及与周围车辆的碰撞风险增加等安全问题，亟待解决。

发明内容

本申请提供一种智能汽车换道时长预测及拟人化轨迹规划方法，以解决相关智能汽车技术中未能充分量化评估周围车辆对自车换道过程中纵向驾驶行为的影响，而导致的换道时长决策合理性不足、可解释性差和可能存在的安全风险的问题，充分挖掘自然驾驶数据中优秀驾驶员的驾驶操纵规律，为智能汽车科学合理的换道决策提供参考，是智能汽车“学习人、模拟人、超越人和服务人”的拟人化决策理念在换道决策中的体现。

本申请第一方面实施例提供一种智能汽车换道时长预测及拟人化轨迹规划方法，包括以下步骤：

从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长；

获取换道车辆的周车运动信息，并根据所述周车运动信息建立多车影响下的车辆换道纵向运动学模型，以及将所述周车的影响表征为周车运动学参数对换道车辆的平均纵向加速度的非线性映射，进而获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数；

在网联多车环境下的智能汽车应用所述换道时长预测模型进行决策的情况下，当下达换道指令时，基于预期换道纵向位移、所述智能汽车的纵向速度和换道后目标车道预期车速，结合所述智能汽车的周车信息，利用所述换道时长预测模型对所述智能汽车的换道时长进行优选，并根据优选获得的所述智能汽车的换道时长进行拟人化的轨迹规划，以实现所述智能汽车换道意图的准确实施。

在一些示例中，所述从若干驾驶员的自然驾驶数据中提取优秀驾驶员的换道轨迹，并由所述优秀驾驶员的换道轨迹提取真实多车影响下的优秀驾驶员换道时长，包括：

计算所述优秀驾驶员的换道轨迹的朝向角；

基于所述朝向角从所述自然驾驶数据中确定峰值点，并且由所述峰值点向两边搜索，得到满足预设条件的时间点；

由所述时间点匹配对应的换道轨迹的初始区间；

根据所述初始区间计算所述换道轨迹侧向加速度峰-峰值时间差，并基于所述时间差计算侧向加速度取得最大值和最小值时对应的时间点，得到所述换道轨迹在真实多车影响下的优秀驾驶员换道时长。

在一些示例中，所述获得训练好的多车影响下的换道时长预测模型和辨识获得的模型参数，包括：