导读:本文包含了换道决策论文开题报告文献综述及选题提纲参考文献，主要关键词:公路运输,决策模型,RBF神经网络,车辆换道
换道决策论文文献综述
王俊彦,蔡骏宇[1]（2019）在《基于RBF神经网络的车辆安全换道时机决策模型研究》一文中研究指出为了帮助驾驶人正确决策车辆换道时机,使用了一种模式识别方法——RBF神经网络,建立了车辆换道时机决策模型。模型可以预测车辆换道的安全性,从而保证驾驶人和车辆的安全。对车辆换道时机决策的影响因素进行了分析,提出了11个现代传感器容易获取的影响参数,并作为RBF神经网络的输入变量。模型的学习和测试运用了大量的车辆行驶数据,实验结果显示:11个参数的RBF神经网络模型预测精度较高,可以达到87. 9%,高于7个参数模型的81. 8%;随着模型精度的不断提高,在驾驶主动安全系统和智能车辆无人驾驶系统中,本文模型也可以起到关键的作用。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年11期）
邓建华,冯焕焕,葛婷[2]（2019）在《多车道元胞自动机换道决策模型的冲突处理策略》一文中研究指出换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现:在特定空间占有率区间,不同换道冲突处理策略将引起较显着换道动机概率差异与换道成功概率差异.(本文来源于《交通运输系统工程与信息》期刊2019年04期）
张青周,李振龙,曹政,张靖思[3]（2019）在《高速公路浓雾环境下换道决策规则提取及决策算法》一文中研究指出依据换道决策规则进行换道是当前无人驾驶车辆常用的决策方法之一。针对浓雾环境下换道决策规则提取困难和研究较少的问题,研究了高速公路浓雾环境下的换道决策行为。首先,招募24名职业司机,利用Auto Sim驾驶模拟舱搭建虚拟高速公路浓雾环境进行驾驶实验;其次,提出了基于CART决策树的换道决策规则提取方法,提取出15条换道决策规则;最后,对换道决策规则进行了验证。结果表明,用CART决策树算法提取高速公路浓雾环境下换道决策规则是可行的,提取的规则能准确反应驾驶员换道行为的决策过程,可为高速公路浓雾环境下无人驾驶车辆的换道决策提供一定的理论支撑。(本文来源于《科学技术与工程》期刊2019年21期）
刘帅[4]（2019）在《基于安全场的智能汽车个性化换道决策与规划算法研究》一文中研究指出智能汽车是目前汽车技术的主流发展方向,有望在未来提供更加安全、经济、舒适、便捷的出行方案。决策规划算法作为智能汽车技术体系的重要组成部分,已经得到了研究人员的广泛关注,但是现有研究对驾乘人员个性化需求的考虑非常少。实际上,不同驾乘人员倾向的车辆行驶风格是不同的,以车道保持和换道工况为例:激进型驾乘人员往往偏好跟车距离较近、换道过程紧凑的风格;而保守型驾乘人员则希望保持较大的跟车距离,同时在换道过程中尽可能使车辆在两车道之间进行平缓过渡。在研究决策规划算法的过程中,对这种差异的忽略会导致车辆行驶状态与驾乘人员的期望水平出现较大偏差,降低用户体验。为此,本文依托国家重点研发计划课题(2016YFB0100904)、国家自然科学基金(51775235)、吉林省自然科学基金(20170101138JC)等项目,在驾驶人驾驶数据分析的基础上开展了基于安全场方法的智能汽车个性化换道决策与规划算法研究。主要研究内容包括:(1)驾驶人驾驶数据采集与分析为获取真实环境下的驾驶人跟车及换道数据,利用高精度惯性导航系统和数据采集系统搭建了驾驶人驾驶数据实车采集平台;随后根据换道决策和轨迹规划需求设计了涵盖跟车、换道和超车等驾驶行为的五种典型工况,并从多个维度选取驾驶人样本进行了数据采集试验;最后从车间时距、制动跟车和换道操作的触发时机、制动调节减速度、换道用时等方面进行数据统计分析,表明了驾驶人决策规划行为的差异性。(2)基于安全场的智能汽车个性化换道决策方法研究通过对制动过程的分析建立了以车辆间相对速度和相对距离为输入,以临界制动减速度为输出的安全场,用以表征车辆行驶安全性;随后根据驾驶人在操作习惯和对危险敏感程度上的差异,设立了不同的决策参数阈值,从而进行个性化换道意图与可行性判断;在此基础上,综合考虑本车道前方、目标车道前方以及侧后方交通车,建立了个性化换道策略;最后利用CarSim和Simulink/Stateflow软件对自由换道工况、多车工况以及变速调节工况进行了离线仿真试验,试验结果表明换道决策算法能够在保证安全性、舒适性的同时适应不同风格驾乘人员的换道习性。(3)基于安全场的结构化道路轨迹规划算法研究从宏观路径搜索和微观换道轨迹规划两个层面对结构化道路环境下的规划任务进行研究。在宏观路径规划方面,采用Dijkstra算法和A*算法进行路径搜索,通过加入对交通环境约束的考虑使路径搜索算法适用于动态行驶环境;在微观轨迹规划方面,对多项式曲线、B样条曲线、正反梯形加速度曲线这叁种换道轨迹形式进行了分析和对比,随后提出基于回旋曲线的换道轨迹规划方法;最后利用四种曲线进行了个性化的换道轨迹规划,并结合自由换道工况下的换道决策规划仿真试验,验证了回旋曲线换道轨迹在跟随稳定性和舒适性方面的优势。(4)基于安全场的非结构化道路轨迹规划算法研究在现有RRT以及RRT*算法的基础上,通过加入目标偏向策略、带有角度约束和安全场引导的节点扩展策略以及双向搜索策略建立了一种适应非结构化道路环境的改进RRT*算法;以剪枝处理和B样条曲线平滑的方式对RRT*算法的搜索结果进行后处理,从而使轨迹长度更短并且平滑可跟随;最后,通过仿真对RRT算法、RRT*算法以及改进RRT*算法进行了对比,结果表明,改进RRT*算法具备生成满足航向角约束的平滑轨迹的能力,并且可以大大提高搜索效率。(本文来源于《吉林大学》期刊2019-05-01）
后士浩[5]（2019）在《面向嵌入式换道决策辅助系统的视觉车辆检测和测距算法研究》一文中研究指出换道是一种较为普遍的驾驶行为,涉及到车辆的横向和纵向运动。驾驶员在换道的过程中往往需要密切关注目标车道和前方的驾驶环境,极易由于疏忽大意而引发交通事故。以换道决策辅助系统(lane change decision aid system,LCDAS)为代表的高级驾驶辅助系统(advanced driving assistant system,ADAS)可以利用车载传感器对道路环境进行实时准确的感知,从而有利于发现潜在危险,并及时向驾驶员发出警告或采取主动控制车辆制动、转向等措施以避免交通事故的发生,成为了人们行车安全的重要保障。本文以换道决策辅助系统的环境感知为研究内容,主要开展了视觉车辆目标检测、跟踪和测距算法的研究,完成的具体工作内容包括:(1)提出Enhancement-tiny YOLOv3车辆目标检测算法。为了提高Tiny YOLOv3模型检测小目标车辆的准确率,本文将Tiny YOLOv3网络的maxpool3层修改为conv4层,增加conv5层将conv4层的特征通道维度压缩以减少无效参数,同时连接conv6层和新增的upsample2层的特征通道维度作为特征金字塔网络的特征图分支层,进一步利用k-means算法修改anchor box的个数和尺寸,并详细介绍车辆检测算法的工作流程。(2)研究车辆目标跟踪技术。在不利用图像信息的前提下,本文从运动建模理论出发提出了基于卡尔曼滤波的车辆跟踪算法。假设车辆目标在图像序列间匀速移动,根据车辆检测包围框与跟踪包围框的重迭度(intersection over union,IOU)以及匈牙利匹配算法建立跟踪框和检测框的对应关系,并通过卡尔曼滤波算法对不同匹配类型的目标车辆位置进行预测和更新。(3)研究基于单目视觉的车辆目标测距技术。本文通过道路消失点检测算法估计摄像机的偏航角和俯仰角,将俯仰角的变化考虑到逆透视变换(inverse perspective mapping,IPM)中建立动态逆透视变换模型,并对动态逆透视变换俯视图中的摄像机偏航角进行几何建模,最终建立换道决策辅助系统的基础测距模型。进一步考虑侧后方和前方摄像机的安装位置不同,判断车辆目标方位,并利用对应的位置信息进行测距。(4)分别对车辆检测、跟踪和测距算法进行试验验证。本文搭建了基于NVIDIA Jetson Xavier嵌入式开发板和3个USB摄像机的实车试验平台,验证本文车辆检测、跟踪和测距算法的可行性和有效性。试验表明:相比Tiny YOLOv3模型,在没有跟踪算法的情况下,Enhancement-tiny YOLOv3模型的平均精确率和平均召回率分别提高了4.6%和7.4%;加入跟踪算法后,融合算法的平均精确率和平均召回率分别提高了10.6%和23.6%;加入测距算法后,本文测距模型的动静态误差在7%以内,且平均处理速度可达28帧/s。结果表明,本文算法能够满足嵌入式换道决策辅助系统实时性和准确性的要求。(本文来源于《江苏大学》期刊2019-04-01）
徐兵,刘潇,汪子扬,刘飞虎,梁军[6]（2019）在《采用梯度提升决策树的车辆换道融合决策模型》一文中研究指出车辆在执行换道行为时,由于受到较多环境因素影响,难以准确进行换道识别和预测.为解决这一问题,提出一种基于梯度提升决策树(GBDT)进行特征变换的融合换道决策模型,以仿真驾驶员在高速公路上自由换道时的决策行为.采用主体车辆与目标车道后车的碰撞时间tlag及车辆周围交通状态变量进行车辆换道行为的建模分析,在NGSIM数据集上对建立的融合换道决策模型进行参数标定和模型测试.实验结果表明:融合换道决策模型以95.45%的预测准确率超越支持向量机、随机森林和GBDT等单一的换道决策模型,获得了最突出的表现.变量分析结果表明:新引入的换道决策变量tlag对车辆换道行为具有重要影响.提出的融合换道决策模型能够进一步减少因换道决策误判而导致的交通事故.(本文来源于《浙江大学学报(工学版)》期刊2019年06期）
巴兴强,刘娇娇[7]（2019）在《基于博弈论的公交进站换道决策行为研究》一文中研究指出针对公交进站强制换道行为的决策阶段,立足于现状调查,应用概率统计的方法,分析了公交换道位置的空间分布,提出了基于公交位置的强制换道概率模型。通过对公交驾驶员与目标车道跟随车驾驶员在换道决策阶段交互博弈的分析,考虑行车安全、时间、换道需求的收益,建立了换道博弈模型,然后结合上述概率模型,应用收益相等法求得混合战略博弈的纳什均衡点,得到公交车辆换道的理论最优混合策略。最后通过实际算例可知公交进站换道最优混合策略为:在距停靠站20 m处以53. 3%的概率选择强制换道。这与实际情况下公交换道决策阶段的运行特征相符,可为欲进站停靠的公交驾驶员及其影响范围内的社会车辆驾驶员安全驾驶提供理论参考。(本文来源于《重庆理工大学学报(自然科学)》期刊2019年02期）
杨达,苏刚,吴丹红,熊明强,蒲云[8]（2018）在《基于社会力的驾驶员换道决策行为建模》一文中研究指出为建立更加简单的换道决策模型和考虑换道车辆和目标车道车辆间的相互作用,在换道效用和安全间隙选择的传统方法基础上,将社会力跟驰模型与换道模型相结合,提出了一种基于社会力的驾驶员主动换道决策行为模型.首先,以社会力模型中跟驰力作为各车道运行效用函数,构建换道目标车道选择效用模型;其次,考虑换道过程车辆纵向安全性,利用跟驰力搭建换道车辆和目标车道车辆间相互作用效用模型以对安全间隙选择进行约束;最后,对所建立的模型利用NGSIM(next generation simulation)数据和MATLAB遗传算法工具箱中genetic algorithm函数对多车道下驾驶员换道决策行为(不换道、向右换道、向左换道)进行标定和验证.研究结果表明:基于社会力的主动换道决策模型能够很好地识别出驾驶员的换道决策行为,最优参数在标定数据中对不换道、向右换道、向左换道的识别率分别达到了93.44%、93.14%和90.77%,验证数据中换道决策行为识别率分别达到了86.16%、80.00%和80.27%;标定和验证的单个识别率都在80.00%以上,整体识别率分别达到92.66%和83.28%.(本文来源于《西南交通大学学报》期刊2018年04期）
邓建华,冯焕焕[9]（2018）在《基于换道决策机理的多车道元胞自动机模型》一文中研究指出在探索机动车驾驶换道决策机理,分析影响驾驶员换道决策内外因子的基础上,提出了以内部因子为决策变量,外部因子为约束条件的机动车多车道换道模型,并将其引入一维改进舒适驾驶元胞自动机模型,形成基于换道决策机理的多车道元胞自动机模型.不同V/C条件下该元胞自动机模型的运行分析表明:换道驾驶行为会导致自身及周边车辆的加减速、匀速、怠速等运行工况发生变化;不同的内外因子导致车流平均换道次数不同,车流平均速度的波动规律也不同.本文提出的多车道换道模型描述决策机理清晰,能同时描述多个内外因子的共同作用,具有很好的适应性与扩展性.(本文来源于《交通运输系统工程与信息》期刊2018年03期）
梁文斌[10]（2018）在《网联环境下自主车的换道决策研究》一文中研究指出随着交通拥堵、环境污染、交通事故等交通问题的日益突出,无人驾驶技术被认为是解决当前交通问题的有效方法。移动模型是无人驾驶技术的重要组成部分,是自主车进行决策与控制的依据。自主车的主要战术决策和行为是换道决策和跟驰,其中的换道决策是碰撞和拥堵的主要来源,是最具有挑战性的战术决策。然而,许多换道模型都是基于数学公式和交通流理论建立起来的,虽然在一定程度上能够模拟车辆的换道过程,为车辆提供换道决策,但缺乏车辆之间相互交互的考虑以及对其他影响因素的研究,使得其决策性能较低,不能够很好的作为自主车的换道决策。本文主要研究了网联环境下自主车的换道决策,主要贡献如下:(1)将车辆的换道场景看作是完全信息下的非合作博弈,通过分析换道场景下的博弈要素与行为,提出了联合驾驶风格和博弈理论的车辆换道决策,并且作为混合场景下自主车的换道决策进行仿真实验,最后在数据集上进行有效性验证。将风格系数引入到各方的博弈收益,体现不同风格对收益的重要影响,更加符合实际情况;使用恒定加速度和智能驾驶员模型的离散加速度两种方式来预测换道车辆的位置,更加接近实际情况。该决策模型能够进一步用于驾驶员辅助系统的开发和作为有人驾驶与无人驾驶混合环境下自主车的换道决策。(2)提出了一种基于函数逼近Q学习的自主车换道决策方法,为自主车提供换道决策。使用车头时距来降低状态空间的维度,有利于策略的探索与学习;通过合理的设置?-greedy策略的探索因子,从而加快算法的收敛速度;利用函数逼近的方法实现强化学习的泛化,更好的解决实际问题。最后进行了仿真实验,使用函数逼近Q学习的方法控制自主车的换道,并且与联合驾驶风格和博弈的换道决策以及其他方法进行比较,验证了方法的有效性。(本文来源于《大连理工大学》期刊2018-05-03）
换道决策论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现:在特定空间占有率区间,不同换道冲突处理策略将引起较显着换道动机概率差异与换道成功概率差异.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
换道决策论文参考文献
[1].王俊彦,蔡骏宇.基于RBF神经网络的车辆安全换道时机决策模型研究[J].重庆理工大学学报(自然科学).2019
[2].邓建华,冯焕焕,葛婷.多车道元胞自动机换道决策模型的冲突处理策略[J].交通运输系统工程与信息.2019
[3].张青周,李振龙,曹政,张靖思.高速公路浓雾环境下换道决策规则提取及决策算法[J].科学技术与工程.2019
[4].刘帅.基于安全场的智能汽车个性化换道决策与规划算法研究[D].吉林大学.2019
[5].后士浩.面向嵌入式换道决策辅助系统的视觉车辆检测和测距算法研究[D].江苏大学.2019
[6].徐兵,刘潇,汪子扬,刘飞虎,梁军.采用梯度提升决策树的车辆换道融合决策模型[J].浙江大学学报(工学版).2019
[7].巴兴强,刘娇娇.基于博弈论的公交进站换道决策行为研究[J].重庆理工大学学报(自然科学).2019
[8].杨达,苏刚,吴丹红,熊明强,蒲云.基于社会力的驾驶员换道决策行为建模[J].西南交通大学学报.2018
[9].邓建华,冯焕焕.基于换道决策机理的多车道元胞自动机模型[J].交通运输系统工程与信息.2018
[10].梁文斌.网联环境下自主车的换道决策研究[D].大连理工大学.2018