(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111569940.9 (22)申请日 2021.12.21 (71)申请人 吉林大学 地址 130012 吉林省长 春市前进大街269 9 号 (72)发明人 朱冰　孙一　赵健　宋东鉴　 张伊晗　靳万里　李波　禚淞瑀　 刘宇翔　姜景文　黄殷梓　李响　 (74)专利代理 机构 长春市恒誉 专利代理事务所 (普通合伙) 22212 代理人 梁紫钺 (51)Int.Cl. B60W 60/00(2020.01) B60W 40/064(2012.01) G06F 30/20(2020.01)G06F 30/15(2020.01) (54)发明名称 一种考虑附着系数的自动驾驶汽车类人换 道决策规划方法 (57)摘要 本发明涉及一种考虑附着系数的自动驾驶 汽车类人换道决策规划方法， 将三种常见附着系 数下的驾驶人换道数据分别送入三个基于LSTM 的神经网络决策规划模型， 先使用神经网络决策 模型深度学习的方法学习人类换道决策行为， 再 使用神经网络规划模型深度学习的方法学习人 类换道轨迹， 得到当前交通环 境下每种附着下的 预测轨迹输出； 在驾驶任务中， 接收实际路面附 着系数的估计值,结合离散附着系数的输出轨迹 进行轨迹融合， 得到当前实时决策行为以及规划 轨迹。 本发 明研究人类驾驶员的驾驶行为与 驾驶 习性机理， 并使自动驾驶汽车理解人类驾驶方 式、 像人类一样进行驾驶， 提升人对自动驾驶汽 车的乘坐认同感， 为提升智能驾驶汽 车接受度提 供了参考。 权利要求书4页 说明书9页 附图6页 CN 114030485 A 2022.02.11 CN 114030485 A 1.一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方法， 其特征在于： 包括 以下步骤： 步骤一、 分别采集良好路面附着系数、 中等路面附着系数和低路面附着系数下的熟练 驾驶人换道数据； 步骤二、 对所采集的换道数据进行预处理， 以及统计学特征计算、 特征构造， 对良好路 面附着下采集到的数据特征序列与特征值进行ANOVA相关性分析， 得到对驾驶人换道行为 具有显著影响的特征序列和特征值， 后引入不同附着系数μ下采集得到的驾驶数据， 分析μ 是如何影响驾驶人 的换道行为， 得出映射关系； 分析结果表明， 当路面附着系数μ降低时相 比于正常附着 情况： (1)、 换道切入点远离前 车； (2)、 换道过程自车侧向加速度峰值aymax降低； (3)、 换道时长增 加； 步骤三、 将三种常见附着系数 μ＝0.1、 0.5、 0.8下的驾驶人换道数据分别送入三个基于 LSTM的神经网络决策规划模型， 神经网络决策规划模型采用分层架构， 先使用神经网络决 策模型深度学习的方法学习人类换道决策行为， 即左换道、 右换道、 保持跟车三种决策； 再 使用神经网络规划模型深度学习的方法学习人类换道轨迹， 得到当前 交通环境下每种附着 下的预测轨 迹输出， 即 μ＝0.1、 0.5、 0.8下的三条轨 迹； 步骤四、 在驾驶任务中， 决策规划系统实时接收由感知系统识别得到的实 际路面附着 系数的估计值 结合离散附着系数的输 出轨迹， 采用拉格朗日三次多项式插 值法进行轨迹 融合： 其中， x0、 y0， x1、 y1， x2、 y2分别为μ＝0.1、 0.5、 0.8下的轨迹坐标， x、 y为融合后的轨迹坐 标值； 最终得到当前实际路况下的实时决策行为以及规划轨迹， 并将规划轨迹传递给控制层 作为跟踪轨 迹。 2.根据权利要求1所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方 法， 其特征在于： 步骤一中， 搭建基于V I‑grade软硬件平台的高精度高拟真驾驶模拟 器数据 采集平台进行驾驶人 换道数据的采集； 软件环境中， 采用VI ‑WorldSim作为场景软件， 使用Unreal虚幻4渲染引擎， 对车辆、 车 道、 天气、 路线等进 行配置， 视觉场景效果更加逼真； 建立不同天气条件 下的换道场景， 并使 附着系数产生对应的变化； 采用VI ‑Simsound声学模块， 提供NVH仿真级声效， 提升声觉感 受； 首先建立用于数据采集及 验证的高精度车辆动力学模型， 对整 车七个子系统包括转向、 悬架、 制动、 转向、 动力系统、 轮胎、 空气动力学系统分别建模， 车辆转向建模应用pfeffer的 高级物理转向模型， 详细描述了转向系统各运动副的摩擦和阻尼力， 包括： (1)指数弹簧摩擦(ESF)模型： 权　利　要　求　书 1/4 页 2 CN 114030485 A 2其中， FSF为摩擦力， Flim是摩擦力极限值， fESF为x为0时的刚度； (2)指数弹簧摩擦模型 结合平行麦克斯韦模型(ESFM)： ESFM单元采用并行非线性麦克斯韦模型进行增强， 以覆盖动态效应； FM＝FM,lim·tanh(kM·v) 其中， FM为麦克斯韦 摩擦力， FM， lim为最大的弹簧力， kM为弹簧刚度； (3)伪库仑摩擦模型： 为了将依赖于载荷的摩擦效应考虑到模型中(平移或旋转)， 可选 用一个伪库仑类型的摩擦模型， 根据方程摩擦力或力矩与施加的载荷有 线性依赖关系： 其中， FC为伪库伦摩擦力， Fn是元素负载， Vs为元素相对速度； Vt 是静摩擦与动摩擦 之间 的过渡速度； 然后在仿真软件中建立与实车道路试验相同的工况并进行仿真， 通过与客观试验采集 数据对标， 确保该模型 稳态和瞬态响应精度高达90％以上； 硬件部分的转向电机采用FanatecDD2直驱电机基座， 其峰值扭矩达20N ·m， 具备1:1复 现转向系统力反馈的能力； 制动踏板总成采用FanatecV3踏板， 方向盘盘体使用原车方向盘 保证触感与原车一致， 解算模块采用具有6个CPU核心的Concurrent实时仿真机， 保证解算 实时性， 场景渲染采用搭 载RTX3090的工作站保证画面 流畅度。 3.根据权利要求2所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方 法， 其特征在于： 采集的换道数据包括： 换道和超车过程中本车道前车车距df、 本车道前车 相对速度vf、 本车道后车车距dr、 本车道后车相对 速度vr、 换道时长tc、 换道距离sc、 换道过程 自车侧向加速度峰值aymax、 换道过程自车侧向加速度均值ayave、 换道过程自车纵向加速度峰 值axmax、 换道过程自车纵向加速度均值axave、 预计碰撞时间tttc。 4.根据权利要求1所述的一种考虑路面附着系数的自动驾驶汽车类人换道决策规划方 法， 其特征在于： 步骤二中具体包括以下步骤： 第一步： 标准差标准 化： z‑score标准差标准 化为类似正态分布， 均值 为0， 标准差为1： 其中均值 为 标准差为 第二步： 对于所属范围未知或者所属范围是全体实数， 同时不服从正态分布的数据进 行非线性归一 化： tanh函数： 第三步： 相似性度量， 采用DTW对不同长度的数据进行比较分析， 通过降低其时间和空 间复杂度探究其内在特 征： 设定向量C＝{c(1),c(1),...,c(N)}， 其中， c(n)＝(i(n),j(n))， i,j为两个不同长度 的序列， c(n)即为第n个 匹配点对， d(xi(n),yj(n))为两个点的局部 匹配距离； DTW即通过优化 时间规整目标函数实现不同长度 序列匹配点加权距离总和最小：权　利　要　求　书 2/4 页 3 CN 114030485 A 3