【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及露天礦山無人駕駛的軌跡預(yù)測(cè)，特別涉及一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法。
技術(shù)介紹
1、避撞技術(shù)是無人駕駛車輛的關(guān)鍵核心技術(shù)之一。目前大多數(shù)的縱橫向避撞策略都假設(shè)周圍車輛的軌跡是已知的和準(zhǔn)確的，較少考慮其不確定性，因此現(xiàn)有縱橫向避撞策略不適用于無人駕駛車輛。無人駕駛車輛通過毫米波雷達(dá)、激光雷達(dá)和攝像頭等各類車載傳感器與高精地圖實(shí)時(shí)感知外部環(huán)境信息，綜合判斷未來時(shí)段內(nèi)自車安全情況，適時(shí)啟動(dòng)主動(dòng)避撞策略以確保其行駛安全性。其中，預(yù)測(cè)前車未來行駛軌跡，獲取前車與本車的動(dòng)態(tài)安全距離，也是無人駕駛車輛主動(dòng)避撞的前提。然而,由于受制于各類傳感器硬件屬性、行駛工況變化以及道路環(huán)境參數(shù)等外部因素影響，單一的前車軌跡預(yù)測(cè)模型難以對(duì)不同行駛特征的車輛行駛軌跡進(jìn)行精準(zhǔn)預(yù)測(cè)。
2、目前，針對(duì)前車軌跡預(yù)測(cè)方法的研究，已有文獻(xiàn)基于前車運(yùn)動(dòng)軌跡預(yù)測(cè)的高速車輛運(yùn)動(dòng)規(guī)劃算法，考慮運(yùn)動(dòng)模型和駕駛意圖預(yù)測(cè)軌跡，但是此方法僅適用于工況較為理想條件。已有文獻(xiàn)應(yīng)用無跡卡爾曼濾波器來預(yù)測(cè)周圍車輛的軌跡，以確保實(shí)時(shí)生成安全的軌跡，但是對(duì)于前車復(fù)雜運(yùn)動(dòng)情況仍無法有效解決。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的克服現(xiàn)有技術(shù)存在的不足，為實(shí)現(xiàn)以上目的，采用一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，以解決上述
技術(shù)介紹
中提出的問題。
2、一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，包括以下步驟：
3、步驟s1、對(duì)前車行駛過程觀測(cè)信號(hào)進(jìn)行提取得到u-shapelets集合
4、步驟s2、根據(jù)得到的聚類結(jié)果，再基于各類車載傳感器所采集數(shù)據(jù)分別訓(xùn)練長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型，進(jìn)行預(yù)測(cè)，得到前車行駛軌跡；
5、步驟s3、根據(jù)得到的前車預(yù)測(cè)軌跡和自身車輛動(dòng)力學(xué)穩(wěn)定性，制定得到主動(dòng)避撞策略。
6、作為本專利技術(shù)的進(jìn)一步的方案：所述步驟s1中提取得到u-shapelets集合的具體步驟包括：
7、選用各類典型路段的數(shù)據(jù)為深度學(xué)習(xí)模型構(gòu)建訓(xùn)練集；所述數(shù)據(jù)集原始數(shù)據(jù)是由激光雷達(dá)、毫米波雷達(dá)，以及攝像頭進(jìn)行同步收集，并通過圖像處理技術(shù)輸出得到原始數(shù)據(jù)；
8、設(shè)定子序列長(zhǎng)度slen，在前車行駛過程監(jiān)測(cè)信號(hào)數(shù)據(jù)集d上，獲取所有長(zhǎng)度為slen的子序列，作為候選集；其次,計(jì)算每條候選s與前車行駛過程監(jiān)測(cè)信號(hào)數(shù)據(jù)集d中每條前車行駛過程監(jiān)測(cè)信號(hào)t的距離sdist，公式為：
9、sdist(t,s)＝min(dist(s,ti))；
10、式中，ti為前車行駛過程監(jiān)測(cè)信號(hào)t中長(zhǎng)度為slen的子序列，i表示子序列在過程監(jiān)測(cè)信號(hào)t中的起始位置；
11、根據(jù)預(yù)設(shè)的分割點(diǎn)d，將時(shí)間序列數(shù)據(jù)集d分為兩個(gè)子集dl與dr；對(duì)距離數(shù)據(jù)進(jìn)行排序，根據(jù)每?jī)蓚€(gè)距離數(shù)據(jù)中點(diǎn)計(jì)算數(shù)據(jù)集分割的gap值，其中g(shù)ap值最大為最佳分割點(diǎn)d。
12、作為本專利技術(shù)的進(jìn)一步的方案：所述步驟s1中得到距離矩陣，并對(duì)距離矩陣進(jìn)行聚類的具體步驟包括：
13、根據(jù)得到的u-shapelets集合后，提取每個(gè)s與行駛過程監(jiān)測(cè)信號(hào)數(shù)據(jù)集d中所有過程監(jiān)測(cè)信號(hào)t的距離sdist,得到距離矩陣dis；
14、對(duì)每臺(tái)前車行駛前3秒內(nèi)的監(jiān)測(cè)數(shù)據(jù)提取采樣點(diǎn)長(zhǎng)度為3000的子序列,即slen＝3000,作為u-shapelets候選集，并提取集合，計(jì)算每條u-shapelet與數(shù)據(jù)集中過程監(jiān)測(cè)數(shù)據(jù)的距離，得到距離矩陣；
15、對(duì)距離矩陣采用dbscan進(jìn)行聚類,得到聚類結(jié)果；
16、其中，聚類結(jié)果分為若干類型；類型1為兩車間隔距離小于最小變道安全距離；類型2為兩車間隔距離大于或等于最大變道安全距離；類型3為兩車間隔距離在最小變道安全距離和最大變道安全距離之間；
17、通過各前車行駛過程監(jiān)測(cè)信號(hào)與u-shapelets的距離將不同行駛安全趨勢(shì)過程監(jiān)測(cè)信號(hào)聚類,即將不同安全變化規(guī)律的前車進(jìn)行聚類，得到聚類結(jié)果。
18、作為本專利技術(shù)的進(jìn)一步的方案：所述步驟s2中的具體步驟包括：
19、步驟s21、通過創(chuàng)建數(shù)據(jù)隨機(jī)索引，將前80％數(shù)據(jù)作為訓(xùn)練集，后20％數(shù)據(jù)作為驗(yàn)證集。然后，將訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理。
20、步驟s22、初始化超參數(shù)集，構(gòu)造四維特征，以多維特征為輸入量，以未來軌跡信息為輸出量，利用多種訓(xùn)練超參數(shù)建立數(shù)據(jù)驅(qū)動(dòng)模型；
21、基于lstm構(gòu)建前車行駛軌跡預(yù)測(cè)模型，以過程監(jiān)測(cè)信號(hào)作為輸入，模型包含三層lstm層，每層節(jié)點(diǎn)數(shù)512，再連接一層dropout層防止模型過擬合；lstm層后包含兩層全連接層及rul輸出層，兩層全連接成分別以線性整流函數(shù)、雙曲正切函數(shù)作為激活函數(shù)，rul輸出層則無激活函數(shù)；
22、根據(jù)構(gòu)建的前車行駛軌跡預(yù)測(cè)模型，采用sgd優(yōu)化器對(duì)其進(jìn)行訓(xùn)練，訓(xùn)練的損失函數(shù)定義為平均絕對(duì)誤差，公式為：
23、
24、式中，yi為rul理論值；為rul預(yù)測(cè)值；m為每一批訓(xùn)練樣本的數(shù)量；
25、步驟s23、隨機(jī)從所有訓(xùn)練數(shù)據(jù)中選取多組驗(yàn)證集，對(duì)訓(xùn)練模型進(jìn)行循環(huán)精度驗(yàn)證。以計(jì)算得出的回歸誤差為標(biāo)準(zhǔn)，得到精度最好的預(yù)測(cè)模型；
26、步驟s24、基于歷史特征數(shù)據(jù)進(jìn)行特征遞推，代入最好精度模型，將過程監(jiān)測(cè)信號(hào)輸入基于lstm的前車行駛軌跡預(yù)測(cè)模型中,對(duì)前車未來行駛軌跡進(jìn)行預(yù)測(cè)。
27、作為本專利技術(shù)的進(jìn)一步的方案：所述步驟s3中主動(dòng)避撞策略的具體步驟包括：
28、根據(jù)得到的前車預(yù)測(cè)軌跡和自身車輛動(dòng)力學(xué)穩(wěn)定性；以及
29、再根據(jù)自車傳感器測(cè)得相鄰前車未來時(shí)段間縱向距離d與主動(dòng)安全預(yù)警距離閾值dwmin、dwmax進(jìn)行對(duì)比,判斷是否存在碰撞危險(xiǎn),并進(jìn)行預(yù)警及分級(jí)制動(dòng)；
30、當(dāng)d≥dwmax時(shí),即相鄰前車未對(duì)自車的正常行駛造成影響，主動(dòng)避撞系統(tǒng)不介入；
31、當(dāng)dwmin<d<dwmax時(shí)，相鄰前車的未來行駛軌跡會(huì)影響自車的行駛安全，存在碰撞危險(xiǎn),主動(dòng)避撞系統(tǒng)進(jìn)行預(yù)警，并以目標(biāo)減速度控制自身車輛減速；
32、當(dāng)車載傳感器測(cè)得相鄰前車的縱向距離d≤dwmin時(shí)，需提高自身車輛制動(dòng)強(qiáng)度，此時(shí)目標(biāo)減速度為當(dāng)前路面附著條件下最大制動(dòng)減速度。
33、與現(xiàn)有技術(shù)相比，本專利技術(shù)存在以下技術(shù)效果：
34、采用上述的技術(shù)方案，通過提取u-shapelets集合并計(jì)算其與時(shí)間序列的距離矩陣進(jìn)行聚類，以識(shí)別不同行駛安全趨勢(shì)的車輛；其次，基于聚類結(jié)果和車載傳感器數(shù)據(jù)，利用長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)模型訓(xùn)練并預(yù)測(cè)前車行駛軌跡；最后，根據(jù)預(yù)測(cè)的前車軌跡和自身車輛動(dòng)力學(xué)穩(wěn)定性，制定主動(dòng)避撞策略，包括預(yù)警和分級(jí)制動(dòng)，以確保行車安全。
本文檔來自技高網(wǎng)...【技術(shù)保護(hù)點(diǎn)】
1.一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，所述步驟S1中提取得到u-shapelets集合的具體步驟包括：
3.根據(jù)權(quán)利要求2所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，所述步驟S1中得到距離矩陣，并對(duì)距離矩陣進(jìn)行聚類的具體步驟包括：
4.根據(jù)權(quán)利要求1所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，所述步驟S2中的具體步驟包括：
5.根據(jù)權(quán)利要求1所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，所述步驟S3中主動(dòng)避撞策略的具體步驟包括：
【技術(shù)特征摘要】
1.一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于，所述步驟s1中提取得到u-shapelets集合的具體步驟包括：
3.根據(jù)權(quán)利要求2所述一種基于前車軌跡聚類預(yù)測(cè)的無人車輛主動(dòng)避撞方法，其特征在于...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：吳志國(guó)，潘偉，王文捷，汪易開，
申請(qǐng)(專利權(quán))人：安徽海博智能科技有限責(zé)任公司，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。