基于真实驾驶数据的运动基元提取与再生成

摘要：

类人驾驶系统是通过学习人类驾驶员知识与经验来提升无人驾驶系统适用性与接受度的重要技术途径.为解决驾驶员轨迹和操控层面经验的表述向题,以采集得到的大量真实驾驶数据为依托,提出一种基于轨迹基元与操控基元的分层式驾驶员经验表述模型.轨迹基元以动态运动基元算法进行表征,并由概率提取算法完成基元从无标签连续轨迹数据中的分割提取.操控基元在轨迹基元的提取分类结果上,利用高斯混合模型完成基元的训练,并利用高斯回归算法完成转向操控序列的预测.结果 表明,概率提取算法既利用到了表征与提取之间的相互关联关系,又借助于初始分割点的合理设置,提升了算法的效率并使得提取得到的运动基元符合特定的驾驶假设.此外,所提出的运动基元既能以较高精度完成对驾驶员轨迹和操控层面数据的表征,又具备良好的泛化能力以应对运动基元再生成时在期望位置和时间尺度上的变化需求.最终构建了描述全工况驾驶行为的运动基元库,并大幅提升了运动基元应对不同行车环境时的适用性.

关键词：智能车辆、运动基元、驾驶数据、动态运动基元(DMP)、高斯混合模型(GMM)、高斯回归算法(GMR)

所属期刊栏目：56

分类号：TP242(自动化技术及设备)

资助基金：国家自然科学基金61703041

在线出版日期：2020-11-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共11页

页码：155-165