8、自动驾驶车道变更决策中车辆模型组合方法研究

自动驾驶车道变更决策中车辆模型组合方法研究

1. 模型处理与基础问题

对于不考虑俯仰和侧倾的非线性单轨模型，由于与真实数据相比只有一个数据点不同，无法在模型边界上训练支持向量机（SVM）。因为在由1505个数据点组成的数据集上训练二分类器，其中一类只有一个点，这样的训练不会得到可用结果，也无法进行合理验证。所以，这个偏离的数据点被排除在车辆模型范围之外。而考虑俯仰和侧倾的非线性单轨模型，由于这些数据被视为真实数据，因此无法定义应用边界。

2. 基于模型质量的驾驶员辅助系统开发

在之前对四种不同车辆模型的质量进行了检查并确定了它们的应用限制之后，本节再次训练SVM作为自动车道变更的高级驾驶辅助系统（ADAS）的决策器。与之前不同的是，此次会结合车辆模型的应用范围来使用这些模型。不同车辆模型所需的计算时间差异很大，本节在更大的数据集上训练SVM，研究使用生成的多保真度模型（即根据车辆模型的适用性一起进行模拟）对计算时间和准确率的影响，并与仅在考虑俯仰和侧倾的非线性单轨模型模拟数据上训练的SVM进行比较。

2.1 数据生成和模型训练

• 数据规模变化 ：此次SVM训练与之前基本相似，但使用了更广泛的数据集，从1505次模拟运行增加到5447次。为此，将接近车辆的速度$v_{BV}$和其与自车的初始距离$d_{BV}$的网格减半。并且只使用能产生期望车道变更操作的参数组合，即前车速度慢于自车，后车速度快于自车。
• 车辆模型使用方式改变 ：之前是对四种车辆模型分别进行模拟运行，现在会结合之前确定的模型应用限制。即数据集不再是单一车辆模型