車道的案例
車道保持系統(tǒng)工作原理及實例介紹
車輛安全駕駛技術(shù)有兩個關(guān)鍵點,一是保障本車不與前車碰撞,二是保障本車在自己的車道上行駛,不偏離到其他車道上。當(dāng)然還有其他安全駕駛技術(shù),但根據(jù)權(quán)威統(tǒng)計,這兩點技術(shù)如果能做到位,發(fā)生安全事故的概率會明顯變小。資源是有限的,要絕對杜絕安全事故的發(fā)生,需要花費(fèi)巨額的資金進(jìn)行產(chǎn)品研發(fā)。這里介紹車道保持系統(tǒng)工作原理及實例。
一、車道保持系統(tǒng)的基本功能
車道保持系統(tǒng)用于幫助司機(jī)使車輛一直保持在規(guī)定的某個車道上行駛,車輛不偏離車道(見圖1)。
圖1 車道保持系統(tǒng)的基本功能示意圖
如果車輛行駛偏離自己的車道,車道保持系統(tǒng)會讓轉(zhuǎn)向系統(tǒng)自動糾偏。
二、車道線識別的基本原理
在前車窗內(nèi)側(cè)的上方,安裝一個攝像頭(見圖2)。攝像頭能看清車道線,形成清晰的圖像。在計算機(jī)的幫助下,通過一定算法,判斷出車輛是否在規(guī)定車道內(nèi) 。如果偏離車道(左右偏離),計算機(jī)會給出報警信號和糾偏指令。攝像頭成像(這是傳統(tǒng)技術(shù))是基本要求,對圖像掃描后,形成數(shù)字信號,這是比較關(guān)鍵的技術(shù),接下來關(guān)鍵的是計算機(jī)芯片(處理器)的計算速度和存儲器容量大小。
圖2 車道線識別原理示意圖
通俗的講,攝像頭要滿足車用要求,車輛是高速運(yùn)動的,攝像頭拍的照片要清晰,計算機(jī)芯片(處理器)也必須是專業(yè)級。
注意:道路上要劃分出車道是基礎(chǔ),其車道線清晰度的要求,符合國際標(biāo)準(zhǔn)ISO 17361和GB/T26773-2011。
圖3 國家符合標(biāo)準(zhǔn)的車道圖
三、車道保持系統(tǒng)工作原理
車道保持系統(tǒng)基本結(jié)構(gòu)分為:識別、分析、決策系統(tǒng)和控制執(zhí)行系統(tǒng)。
1)識別、分析、決策系統(tǒng)
通過攝像頭的畫面的處理,得出當(dāng)前車輛相對車道線的位置,偏離的方向和速度,當(dāng)車輛靠近識別出的邊界線且要駛離該車道時,系統(tǒng)會通過聲音和圖像對司機(jī)進(jìn)行提醒。
展開 基于Python的復(fù)雜環(huán)境中車道線自動檢測系統(tǒng)
正常版：在馬路上尋找車道線
在這個項目中，本文建立了一個計算機(jī)視覺算法，用于檢測車道線并創(chuàng)建平均和外推的邊界線。 流程如下：
1）將幀轉(zhuǎn)換為灰度；
2）為黃色和白色像素創(chuàng)建蒙版；
3）應(yīng)用高斯平滑；
4）應(yīng)用Canny邊緣檢測；
5）創(chuàng)建一個額外的遮罩，以專注于車輛前方的“感興趣區(qū)域”；
6）將XY空間中的點（即像素）轉(zhuǎn)換為霍夫空間中的線；
7）霍夫空間中的線相交（即點）的地方，XY空間中存在一條線；
8）使用生成的線的極值，創(chuàng)建兩條平均線s；
9）在整個幀中創(chuàng)建兩條平均線，以實現(xiàn)流暢的視頻播放；10）在每幀上畫線。
從霍夫空間轉(zhuǎn)換后的原始線
可流暢播放的平均線
工作流程：
1）檢查霍夫返回的每條線，并根據(jù)其坡度確定是在左車道還是右車道。因為我們正在對陣列進(jìn)行“上下顛倒”，所以左側(cè)車道的斜率為負(fù)，右側(cè)車道的正值為；2）極值；3）計算平均值；4）解決b截距；5）用極值求積分；6）流暢的幀和緩存。
從霍夫空間轉(zhuǎn)換后的原始視頻
可流暢播放的車道線視頻
困難版： 這篇文檔為自動駕駛汽車的車道線檢測和跟蹤提供了強(qiáng)大的解決方案。
步驟如下所示：
1）相機(jī)校準(zhǔn)；2）失真校正；3）漸變和顏色閾值；4）透視變換；5）車道線搜索和搜索優(yōu)化；6）繪制車道覆蓋。
相機(jī)校準(zhǔn)
我們需要在棋盤上存儲對象點的數(shù)量或感興趣的位置。 僅考慮不在最外邊緣上的點。
展開 用于自動駕駛的實時車道線檢測和智能告警
來自TUSimple 數(shù)據(jù)集的示例圖像以及車道線掩碼
在這個數(shù)據(jù)集上，我們可以訓(xùn)練一個語義分割模型來分割出屬于lane類的像素。U-Net model非常適合做這個，因為它是一個具有實時推理速度的輕量級模型。U-Net是一種帶有跳躍連接的編譯碼器和解碼器模塊的編譯碼器模型。模型架構(gòu)如下所示。
來自U-Net論文的U-Net模型結(jié)構(gòu)
然而，損失函數(shù)需要修改為Dice損失系數(shù)。車道線分割問題是一個極其不平衡的數(shù)據(jù)問題。圖像中的大多數(shù)像素屬于背景類。Dice Loss基于Sorenson-Dice系數(shù)，其對false positives和false negatives的重要性相似，這使得它在處理不平衡數(shù)據(jù)問題時表現(xiàn)得更好。Dice損失試圖匹配groundtruth和預(yù)測模型中的車道線像素，希望能夠得到一個清晰的邊界預(yù)測。
LaneNet模型
這里，我使用了LaneNet模型來生成車道線。LaneNet模型是一種兩階段車道線預(yù)測器。第一階段是一個編碼器-解碼器模型，為車道線創(chuàng)建分割掩碼。第二階段是車道先定位網(wǎng)絡(luò)，從掩碼中提取的車道點作為輸入，使用LSTM學(xué)習(xí)一個二次函數(shù)來預(yù)測車道線點。
下圖顯示了這兩個階段的運(yùn)行情況。左邊是原始圖像，中間是階段1的車道線掩碼輸出，右邊是階段2的最終輸出。
LaneNet模型的解釋
生成智能告警
我將車道線預(yù)測與物體檢測結(jié)合起來，生成智能警報。這些智能警報可能涉及：
檢測其他車輛是否在車道線內(nèi)，并量度與他們的距離
檢測鄰近車道上是否有車輛的存在
了解彎曲道路的轉(zhuǎn)彎半徑
在這里，我使用YOLO-v5來檢測道路上的汽車和人。
展開 拋磚引玉，大開言路——MIDAS中關(guān)于移動荷載車道的定義
MIDAS中關(guān)于移動荷載車道的定義很多人都不是很清楚原理，MIDAS自己也講的不是很清楚，事實上很多累死軟件對橫向荷載的分布處理也不是很完善，下面我就我個人理解，參考其他前輩的理解，說說我的看法，希望大家積極跟帖，多多討論，把這個問題搞清楚。
定義一般車道時，應(yīng)該就是選擇距離設(shè)計車道中心線最近的一根縱梁作為車道單元，然后定義偏心來按規(guī)范規(guī)定的等效車道荷載加載。
偏心距離是車道中心距離就近梁單元中心的距離。結(jié)構(gòu)尺寸確定后，車道中心和每個縱梁的中心（如果是單梁那就是結(jié)構(gòu)的中心）都是已知的，這時就很容易確定車道的偏心距離了。橫向聯(lián)系梁車道定義時和一般車道定義方法是一樣的，要選擇就近的一根縱梁作為車道單元，定義偏心、定義跨度、定義車道分配單元，唯一不同的就是橫向聯(lián)系梁要選擇橫向聯(lián)系梁結(jié)構(gòu)組而已。
MIDAS官方的說法是：車道單元是定義車道位置的參考單元，civil中目前橫向車道位置需由用戶定義。車道偏心量為車輛中心線距參考單元距離。
我理解的具體加載情況是：一根單梁，車道中心布置，如果定義車道時不考慮車輛寬度，則荷載加載在梁單元中心線上；而如果定義車道時考慮車輛寬度（貌似2006版才有了這個功能）1.8m，則荷載為偏心梁單元荷載，分別加載在梁單元中心兩側(cè)0.9m的位置上，因此換算成梁單元荷載就是集中載和換算扭矩。對于單梁分析，是否考慮車輛寬度對結(jié)構(gòu)沒有影響，但如果是梁格模型，是否考慮車輛寬度對結(jié)果的影響還是很大的。
規(guī)范規(guī)定的等效車道荷載是沒有考慮車輛寬度的（但是，我在邵旭東的《橋梁工程》中看到了一句大實話：車道荷載的單向布載寬度為3.0m，這個才更接近實際情況）。
具體的，根據(jù)規(guī)范進(jìn)行雙車道中載和偏載加載時，一個是把車道荷載分別加載在兩個車道設(shè)計中心線上，一個就是以最小間距3m來在一側(cè)布置2個車道加載。
展開 
車道線檢測方法的一些近期論文
其利用深度學(xué)習(xí)模型得到的概率圖，包括以下模塊：自適應(yīng)車道點檢測、彎曲車道檢測、車道重建和跟蹤等，如圖所示。注：這里采用了兩個模型SCNN和ENet-SAD做實驗。
這里是一些增強(qiáng)結(jié)果的比較：兩個數(shù)據(jù)集測試
8. “Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection“，arXiv 2010.12035，11，2020
LaneATT，和Line-CNN一樣的，基于錨點的車道線檢測方法，類似YOLO3和SSD。除了局部信息，也強(qiáng)調(diào)全局信息，比如遮擋、缺失或者弱顯示等情況下的處理。該方法實時性強(qiáng) （速度250FPS），在三個基準(zhǔn)數(shù)據(jù)集測試過：TuSimple, CULane 和 LLAMAS。
其架構(gòu)如圖：除了錨點的特征池化（類似Fast R-CNN），還有attention機(jī)制的采用。
如下是結(jié)果比較：
9. “End-to-end Lane Shape Prediction with Transformers“，arXiv 2011.04233， 11，2020
無所不在的Transformers，很善于學(xué)習(xí)全局上下文，針對車道線這種細(xì)長結(jié)構(gòu)，直接估計車道線形狀模型，即lane shape model。
展開 車道感知多樣化軌跡預(yù)測的分治策略
4 基于車道錨點的軌跡預(yù)測
在本節(jié)中，我們將介紹一種稱為ALAN的單一表示模型，它在向前傳遞中為多個交通參與者生成車道感知軌跡。我們將問題表述為跨越時間的不同假設(shè)的單例回歸。接下來將詳細(xì)描述我們的方法。
4.1 問題陳述
我們的方法采用兩種形式的場景信息輸入：a) 場景的柵格化鳥瞰(BEV)表示，記為尺寸為H × W × 3的I，b) 每個交通參與者的車道中心線信息作為錨點。我們定義車道錨點L={L1，…，Lp}作為包含p個點的序列，在BEV參考系中坐標(biāo)為Lp =(x, y)。我們將Xi = {Xi1，…，XiT}表示為包含每個交通參與點的過去和未來觀測結(jié)果的笛卡爾形式的軌跡坐標(biāo)，其中Xit = (xit，yit)。對于每個交通參與者i，我們根據(jù)軌跡信息，如最近距離、偏航對齊和其他參數(shù)，確定車輛可能采取的一組候選車道。我們將其表示為一組可信的車道中心線A = { L1，…，Lk}，其中k表示車輛可能沿著其行駛的車道中心線的總數(shù)。然后我們在二維曲線法向—切向坐標(biāo)系(nt)中沿這些中心線定義車輛軌跡Xi。將Ni, k = {Ni, k1，…，Ni, kT}表示為交通參與者i沿車道中心線Lk的nt坐標(biāo)，其中Ni, kt = (ni, kt，li, kt)表示到車道最近點的法向和縱向距離。nt坐標(biāo)的使用對于捕獲復(fù)雜的道路拓?fù)浜拖嚓P(guān)的動態(tài)是至關(guān)重要的，坐標(biāo)用以提供語義一致的預(yù)測，這已經(jīng)在我們的實驗中得到了研究(第5節(jié))。
展開 英格蘭安裝LED智能道釘 幫助駕駛保持正確車道內(nèi)
（原標(biāo)題：英格蘭安裝LED智能道釘 使高速公路交叉口駕駛員保持在車道內(nèi)）
核心提示：據(jù)外媒報道，英格蘭公路公司（Highways England）安裝了175個機(jī)場跑道式LED道釘（road stud），以幫助在英格蘭最繁忙的高速公路交叉口之一劃出車道，此交叉口每天有90,000多輛車經(jīng)過。此外，此智能LED道釘，將在交通信號燈變綠時開啟，幫助駕駛保持在正確車道內(nèi)。此次是首次在主要高速公路交叉口處引入交通智能燈。
據(jù)外媒報道，英格蘭公路公司（Highways England）安裝了175個機(jī)場跑道式LED道釘（road stud），以幫助在英格蘭最繁忙的高速公路交叉口之一劃出車道，此交叉口每天有90,000多輛車經(jīng)過。此外，此智能LED道釘，將在交通信號燈變綠時開啟，幫助駕駛保持在正確車道內(nèi)。此次是首次在主要高速公路交叉口處引入交通智能燈。
該創(chuàng)新LED道釘在900米遠(yuǎn)處就可看見，比可看見傳統(tǒng)的反光道釘?shù)木嚯x更遠(yuǎn)，而且已經(jīng)被證明可以幫助阻止駕駛員在車道之間漂移，從而降低碰撞風(fēng)險。路面下的電纜通過附近的控制器單元將該道釘連接到交通燈，當(dāng)交通信號燈變成綠色時，LED道釘會自動開啟。
作為Switch Island計劃的一部分，新型交通燈將安裝在高于5米的地方（高于載重物車輛和雙層巴士），以便接近交叉路口的駕駛員可以清楚看到智能LED道釘何時發(fā)生變化。此外，道路布局、車道標(biāo)記、車道障礙物也得以改變，還將在每個車道上設(shè)置4個新的架空架臺，以便駕駛員知道他們應(yīng)該保持在哪條車道上。
該智能道釘設(shè)計師Andy Salotti表示：“此次是首次在英格蘭戰(zhàn)略公路網(wǎng)的主要高速公路交界處進(jìn)行動態(tài)劃分項目，與綠色交通信號燈同步照明的LED道釘將為駕駛員提供清晰的車道指引。
展開 強(qiáng)化學(xué)習(xí)算法20分鐘內(nèi)可教會車輛車道保持
據(jù)外媒報道，英國Wayve公司的一組研究人員在短短20分鐘內(nèi)就教會了一輛自動駕駛汽車保持在自己的車道上行駛，考慮到一些人類駕駛員窮盡一生都無法做到保持在自己的車道上行駛，此舉令人印象深刻。
除了路怒癥（road rage）之外，Wayve公司團(tuán)隊還詳細(xì)介紹了其“強(qiáng)化學(xué)習(xí)”算法，該算法與人類安全駕駛員一起，在“15至20分鐘內(nèi)”教會了自動駕駛汽車如何保持在車道內(nèi)行駛。Wayve是一家由劍橋大學(xué)工程部的研究員創(chuàng)建的公司。
之前，DeepMind Technologies公司就通過展示強(qiáng)化學(xué)習(xí)人工智能如何學(xué)習(xí)玩圍棋（Go）或象棋（Chess）等游戲，證明其高效性。
Wayve團(tuán)隊在其YouTube頻道上發(fā)布了一個視頻，展示了汽車學(xué)習(xí)的實際情況，并指出這是“首個在自動駕駛汽車上進(jìn)行強(qiáng)化學(xué)習(xí)的例子。” 一開始，汽車像蹣跚學(xué)步的嬰兒一樣邁出第一步，但當(dāng)它轉(zhuǎn)向車道外時，一名人類安全駕駛員將介入，將其轉(zhuǎn)回車道。車載算法學(xué)習(xí)到其每次修正路線都會犯錯，而且學(xué)習(xí)到其在沒有任何干預(yù)的情況下行駛了多遠(yuǎn)會獲得“獎勵”。
該視頻描述了用作“深度卷積神經(jīng)網(wǎng)絡(luò)”的車型只使用一個車載GPU處理接收到的單圖。與其他自動駕駛汽車不同，Wayve改裝后的雷諾汽車不需要“大型車型、花式傳感器以及無數(shù)的數(shù)據(jù)”，只利用公司的“快速有效學(xué)習(xí)的智能培訓(xùn)流程”就可學(xué)會自己在車道內(nèi)駕駛。
Wayve聯(lián)合創(chuàng)始人Amar Shah在今年5月曾發(fā)表講話說：“我們希望為車輛提供更好的大腦，而不是更多的硬件。” Wayve的下一個任務(wù)是擴(kuò)大其技術(shù)范圍，不只是讓自動駕駛汽車保持在原有車道內(nèi)行駛，而是完成更復(fù)雜的駕駛?cè)蝿?wù)，Wayve希望該系統(tǒng)最終“能夠處理交通信號燈、環(huán)形交叉路口以及十字路口等情況” 。
展開 湍流—跑出自己行車道亂撞的流動
層流是這樣亂成湍流的
所謂層流就是流動與鄰居沒有混合，都老老實實在各自的車道上前行。如果流體世界里有行車道，流體敢壓線跑就有交警開罰單，那么相信我，流體世界會永遠(yuǎn)保持層流狀態(tài)。
層流就是這樣老老實實在車道里跑?
誘導(dǎo)層流變湍流的經(jīng)典的特征叫TS波。當(dāng)前行速度有快有慢，流體產(chǎn)生了換道超車的動力，因此有了與流動方向垂直的橫向流動，很快引起連環(huán)的轉(zhuǎn)彎和碰撞。汽車只能在二維的馬路上換道畫出的是曲線，流體是在三維空間中換道形成的就是曲面軌跡了。 當(dāng)局部的混亂蔓延到大部分區(qū)域，在我們眼中成為一團(tuán)亂麻，這就是湍流了。
均 勻------->有快有慢---->換車道--->湍流?
誘發(fā)流動不均勻，最常見的就是壁面的粘性導(dǎo)致壁面速度為零，與主流速度產(chǎn)生了很大的差異。壁面的流體速度這么低當(dāng)然不干了，向主流換道想跑快些，主流的受到碰撞又反沖向壁面，于是靠近壁面的流體就被帶著跑快了。
邊界層的層流轉(zhuǎn)捩為湍流
壁面上的粗糙度也是誘導(dǎo)湍流發(fā)生的因素，粗糙度就是壁面有很多細(xì)小的凸起和凹陷，這對于流體就是巨大的路障。流體只有繞行而過，難免與鄰居發(fā)生碰撞，也許就誘發(fā)連環(huán)的碰撞，發(fā)展為湍流。 當(dāng)粗糙度小到流體不必繞行，粗糙度才不會誘導(dǎo)湍流發(fā)生。
如何保持層流
不讓層流轉(zhuǎn)捩為湍流，是很多設(shè)計師的夢想，因為湍流的摩擦阻力是層流的幾十倍，要想大幅降低阻力最好的辦法就是保持物體的壁面是層流狀態(tài)。既然層流變湍流的根本原因是亂換道，有個好方法是在壁面刻上細(xì)長的溝槽，等于給流體畫好行車道，不讓它換道，確實可以延遲層流變湍流，降低阻力。
為何又要誘發(fā)湍流
湍流也有好處，湍流意味著流體與相鄰的流體發(fā)生頻繁的碰撞，雖然會消耗能量，但是更有利于將高速流動與低速流動摻混，可以減小低速流動區(qū)域，這就是為什么湍流邊界層的厚度低于層流邊界層。
展開 中航威海3100米車道高端客滾船4號船開工
7月30日，由中航船舶承接、中航威海為瑞典Stena 集團(tuán)建造的3100米車道高端客滾船4號船 (W0267)開工。
該船長214.5米，寬27.8米，設(shè)計吃水6.4米，航速22節(jié)，滿足冰級規(guī)范的1C冰級要求及安全返港（SRTP）等國際最新規(guī)范，入級DNV-GL船級社；滾裝部分可裝載轎車、載重汽車和集裝箱拖車等大小車輛300余輛，客艙部分可乘客1015人。
3100米車道高端客滾船結(jié)合了豪華郵輪的部分特點，設(shè)有超市商店、酒吧、影院、游戲室、貴賓休息室、兒童樂園、餐廳、咖啡廳等公共娛樂場所，集旅行、休閑、娛樂于一體。
來源：龍de船人
中航威海開工一艘3100米車道高端客滾船
10月15日，由中航船舶承接、中航威海為瑞典Stena 集團(tuán)建造的3100米車道高端客滾船W0266開工。
高精度地圖如何進(jìn)行數(shù)據(jù)播發(fā)？如何與自動駕駛控制器進(jìn)行信息交互？
每條車道都有屬性和幾何描述，車道模型概要文件包含描述特定路徑上的車道的信息。對于每個車道，它包括關(guān)于車道號、方向、過渡和車道類型的信息，以及描述車道邊界的兩個線性對象標(biāo)識符。一般的，車道模型包含不同的類型，如普通車道、應(yīng)急車道、公交車道、超車道、加速車道、非機(jī)動車道等。
車道的方向和連接描述了道路的邏輯視圖，再次呈現(xiàn)出地平線路徑的一部分。識別車道的方法是在駕駛方向上從右到左從1開始計數(shù)，包括肩道(如果要表示肩道)。作為高精數(shù)據(jù)的車道模型是按照一定規(guī)則打斷后播發(fā)的基礎(chǔ)單元，包含了車道類型、編號、轉(zhuǎn)化關(guān)系等信息。
e)車道連接屬性Lane Connectivity
車道連接屬性表示了一個車道模型到下一個車道模型之間的車道連接關(guān)系。他可以對不同車道之間建立有效的連接關(guān)系，也可以對同一車道內(nèi)的有效車道與無效車道之間建立分隔關(guān)系。首先通過對車道路徑按照一定的距離進(jìn)行打點分割，將分割的兩段車道線進(jìn)行編號排序，排好序的車道屬性作為車道行駛路徑連接的規(guī)劃點表達(dá)（車道編號：LaneNumber，車道所在路徑編號：PathID）。
f)導(dǎo)航路徑規(guī)劃 Navigation Path Planning
導(dǎo)航路徑規(guī)劃實際是高精地圖接收導(dǎo)航地圖發(fā)送的駕駛員設(shè)置目的地信息進(jìn)行路徑規(guī)劃的過程，它包含對當(dāng)前車輛位置的探測，車輛下一時刻形式位置的預(yù)測，并對該預(yù)測出的路徑打上標(biāo)簽發(fā)送標(biāo)志信號給自動駕駛中央控制器以進(jìn)行相應(yīng)的車輛軌跡規(guī)劃。
當(dāng)前車輛定位完成后，分別生成了兩段可行使路徑，隨后在設(shè)置了導(dǎo)航路徑后，分別為該兩段路徑打上標(biāo)簽，當(dāng)某段路徑屬性與當(dāng)前位置路段屬性一致時，則將兩端同一屬性的路徑標(biāo)實為下一時刻需要行駛的路徑。
展開 面向自動駕駛車輛驗證的抽象仿真場景生成
將每個連接到交叉口的道路定義為具有可變車道的多車道道路，并假設(shè)這些道路可以是單向的，也可以是雙向的。
（一）道路布置：每一條道路的定位都是基于一個中心矩形計算出來的，以使所有道路盡可能靠近中心。四條道路中的每一條都可以有不同數(shù)量的車道，也可以是雙向或單向的，這意味著它們也可以有不同的寬度。要計算矩形，將使用頂部和底部道路之間的最大寬度以及左側(cè)和右側(cè)道路之間的最大寬度來確定大小。頂部道路的中心與底部道路的中心對齊，左側(cè)和右側(cè)道路也是如此。為了基于該系統(tǒng)將道路移動到它們的坐標(biāo)，根據(jù)它們之間的數(shù)學(xué)關(guān)系將它們從第一條道路的末端（沿矩形的底部道路的中心）移動。（二）車道路徑：由于場景從一個片段到另一個片段呈線性移動，因此只有底部片段的車道需要為車輛可以行駛的位置定義選項。其他道路對此有一個有限的版本，以便為其他參與者獲得潛在的路徑。如果選擇左轉(zhuǎn)，則從左側(cè)開始最多兩條車道設(shè)置為“僅左轉(zhuǎn)”車道。設(shè)置為“僅左”的數(shù)量基于其他潛在方向的可用車道數(shù)以及向左行駛的可用車道數(shù)。如果還有更多車道，則將其設(shè)置為“僅向前”車道，直到有多少車道可向前行駛（如果有的話）。剩余車道設(shè)置為僅右轉(zhuǎn)車道，最多可右轉(zhuǎn)車道數(shù)，因為右轉(zhuǎn)是一個選項。如果這是一個選項，并且沒有左車道，則最右側(cè)的車道將有額外的右行選項。如果有額外的車道可用，它們將被賦予與在另一側(cè)合并的僅向前車道相同的行為。如果沒有足夠的車道，例如每個方向都有一條車道可供選擇，則該車道被定義為中立車道，并允許這些方向中的任何一個。
C、 擴(kuò)展道路屬性
生成道路時，將存儲在道路對象中的來自輸入的附加值，例如其條件和速度限制。速度限制反映在場景中，即在計算參與者的路徑時。在道路計算過程中也會設(shè)置車道標(biāo)記。它們作為一個數(shù)組傳入，并帶有每一行的屬性。對于雙向道路中的中心線，它被隨機(jī)定義為雙黃線或黃色虛線。
展開 基于優(yōu)化嵌入強(qiáng)化學(xué)習(xí)的環(huán)島場景下自動駕駛自適應(yīng)決策方法研究
當(dāng)前車道上有一輛周車v10，內(nèi)車道上沒有其他周圍車輛。因此，主車將切換到內(nèi)車道，并當(dāng)接近入口E3時切換至外車道。在不同決策參數(shù)和恒定決策參數(shù)下，總仿真時間分別為9.97和11.6秒。圖9（a）的子圖（2）顯示了部分周車的軌跡輪廓。周車和主車在不同決策參數(shù)和恒定決策參數(shù)下的軌跡輪廓（如表三所示）在圖9（a）的子圖（2）呈現(xiàn)。與周車的最小距離如圖9（a）的子圖（3）所示。決策動作參數(shù)如圖9（a）的子圖（4）-（6）所示。從這些子圖中可以看出，這兩種決策方法導(dǎo)致環(huán)形交叉口中不同的車道變換時間，以及不同的期望加速度atar和期望動作持續(xù)時間ta。采用可變參數(shù)決策的車輛可以在較短的時間內(nèi)順利執(zhí)行內(nèi)車道的換道并通過環(huán)島。
在方案N2中，同樣對上述內(nèi)容進(jìn)行比較。如圖9（b）的子圖（1）所示，周車v10在當(dāng)前車道的內(nèi)車道上行駛，且與當(dāng)前車道上周車的距離大于內(nèi)車道。具有可變參數(shù)決策的主車將加速和延長換道動作時間，以實現(xiàn)換道，而不是像具有恒定參數(shù)決策的主車那樣保持車道。同時，在此過程中，與周圍其他車輛的最小距離保持在安全的情況下。在變化的決策參數(shù)和恒定的決策參數(shù)下，總模擬時間分別為9.7和12.0秒。
在場景T1中，測試未經(jīng)訓(xùn)練的完全不同的環(huán)島場景。環(huán)島僅有三條車道，主車需要在E1和E3中進(jìn)出。半徑比原始環(huán)島小得多，原始環(huán)島分別為33米、29米和25米。如圖10的子圖（4）-（6）所示，在進(jìn)入內(nèi)部車道后，主車僅在兩個時間步長內(nèi)保持車道，然后轉(zhuǎn)向外部車道以退出環(huán)島。
圖10 場景T1仿真結(jié)果
在這些仿真中，我們可以看到，主車已經(jīng)學(xué)習(xí)了主動駕駛策略，這表明在沒有潛在危險情況下主車將嘗試超車。
展開 高階自動換道系統(tǒng)的設(shè)計方法
換道規(guī)劃過程中，需要首先明確速度調(diào)節(jié)范圍，由于自車將跟隨目標(biāo)車道前方車輛行駛，且速度調(diào)節(jié)過程中自車和量交通車之間的速度差是同步變化的。
實際換道控制過程中，從靈活度和交通效率上講，換道前始終不能始終保持勻速行駛。在換道前進(jìn)行速度調(diào)節(jié)可以充分利用道路空間資源，同時對本車道空間充裕而目標(biāo)車道當(dāng)前空間較為狹小等情形，換道調(diào)節(jié)速度能夠很好的提升車輛行駛安全性并增加換到道決策方法的適應(yīng)性。這里主要講解下如果在目標(biāo)車道有低車速行駛的前車時，自車通過減速換道行進(jìn)至目標(biāo)車道的情況。
假設(shè)自車與本車道前車之間的相對狀態(tài)對應(yīng)平面上的A點，自車與目標(biāo)車道前車之間的相對狀態(tài)對應(yīng)于B點，在換道規(guī)劃過程中，首先需要明確速度調(diào)節(jié)范圍，由于自車最終將跟隨目標(biāo)車道前方車輛行駛，且速度調(diào)節(jié)過程中自車和兩交通車之間的速度是同步變化的，也即A、B兩點的狀態(tài)軌跡在水平軸上的位移分量相同，為了避免額外的速度損失，換道前的最大速度調(diào)節(jié)量應(yīng)等于換道出事時刻自車和目標(biāo)車前車之間的速度差，也就是B點對應(yīng)的delta v值。此時，換到開始時刻的自車和本車道前方交通車間的相對狀態(tài)點應(yīng)當(dāng)在換道警戒線之上，以保證有足夠的縱向換道空間。綜合換道相對速度和相對距離這兩個條件可以確定下圖虛線框所標(biāo)的自車換道前的速度調(diào)節(jié)范圍。
為了獲得最優(yōu)換道方案，選取了一系列離散減速度值，并以等時間間隔分別計算各個車輛對應(yīng)時刻的狀態(tài)，如下圖黑點表示了不同制動減速度和換道時機(jī)組合形成的不同換道初始狀態(tài)方案。隨后利用換道可行性判斷方法篩選可行的換道方案，并根據(jù)以下公式計算各個方案評價指標(biāo)：
式中，J是評價指標(biāo)參數(shù)，alimit是駕駛?cè)丝山邮芊秶鷥?nèi)得最小制動減速度，abef是換道前速度調(diào)節(jié)的目標(biāo)減速度；aaft是換到結(jié)束時刻為了避免與前車相撞采用的目標(biāo)減速度。
展開 