切入场景下基于碰撞风险聚类的改进车速预测方法

摘要

切入工况的高精度车速预测是保证自动驾驶切入安全的关键依据。为提高自动驾驶汽车切入工况安全，开展了基于车车耦合风险聚类的切入场景自车速度高精度预测方法的研究。首先，依据实验所得自然驾驶数据进行车辆切入切出片段提取，使用K-means方法依据碰撞风险与加速度关联特征进行聚类分析。其次，基于支持向量机(SVM)模型，对切入切出工况车车交互状态进行在线识别，对切入危险工况进行实时预测。最后，提出基于自回归综合移动平均(ARIMA)模型的改进车速预测方法，结合在线识别结果进行车速在线优化。仿真结果表明，所提出的基于碰撞风险聚类的改进ARIMA车速预测方法对提高切入安全效果明显，较传统的预测方法车辆的碰撞风险降低了10%～20%。研究结果表明，ARIMA模型的改进车速预测方法对提高自动驾驶车切入安全具有重要的研究意义。

关键词

车速预测 / 碰撞风险 / K-means聚类 / 支持向量机 / ARIMA模型

基金资助

北京市自然科学基金面上项目(3212005);; 公共安全行为科学与工程2022年公安学一流学科培优行动科技创新项目(2022KXGCKJ06);; 运输车辆运行安全技术交通运输行业重点实验室对外开放研究课题(KFKT2022-06);; 天津市科技计划项目(21JCQNJC00810)