Lane-changing Decision Model Development by Combining Rules Abstract and Machine Learning Technique

Abstract

摘要： 自主换道系统是智能车辆技术的重要发展方向，而换道决策是自主换道系统的关键。针对结构化道路下的自由换道场景，提出基于规则与机器学习融合的换道决策模型。针对换道决策过程中存在的多参数与非线性问题，提出基于支持向量机的换道决策模型，并引入贝叶斯优化算法确定决策模型的最优参数。从基于规则的角度出发，分析换道决策过程中的影响因素，包括换道必要性、安全性与换道收益，并将上述规则转化为模型训练数据的新特征与安全约束，对原有训练样本进行增广，以提升支持向量机模型的分类准确率。在NGSIM数据集上进行测试验证，结果表明，仅利用周围车辆基本行驶信息进行模型训练，对换道行为预测的准确率为73.05%，而引入基于换道规则计算得到的新特征后，模型预测准确率提升至83.83%。

Topics & Concepts