Autonomous driving is one of the promising technologies to tackle traffic accident and congestion problems nowadays. Even though an autonomous vehicle is operated without humans, it is necessary to reflect the driving characteristics of a human driver. This can increase user acceptance to autonomous driving system, which in turn will improve driving safety because of human occupants' trust in it. In this paper, a combined trajectory planning and tracking algorithm is proposed for the vehicle control. Firstly, traffic environments and driving styles are modeled with the Artificial Potential Field (APF) approach. Secondly, those APF values are integrated into the Model Predictive Control (MPC) design process, which can optimize the trajectories and control outputs. In this way, we add people's driving habits and styles into the controller, so that the controlled vehicle can move under the effects of the traffic environments and human's driving styles. At last, autonomous driving, which reflects two types of human drivers' driving styles (a cautious driving style and an aggressive one), is tested by the simulation experiments in two scenarios (car-following and lane-changing). Furthermore, the result demonstrates that the proposed algorithm can reflect driving styles. Accordingly, this novel controller can be utilized in the autonomous vehicle control field.

OpenDRIVE格式是高精度地图数据的存储格式标准，但从原始数据采集到OpenDRIVE高精度地图生成的过程涉及环节多、过程复杂，构建难度大。为此，设计了从shp数据到OpenDRIVE格式的高精地图构建方案，重点解决了轨迹坐标计算、曲线拟合、节点属性值计算、仿真验证等关键问题，并通过真实数据的转换验证了方法的可行性，有效提高了OpenDRIVE高精度地图生成的自动化程度。

在实现完全自动驾驶之前,驾驶人和车载智能系统共同控制车辆的局面（人机共驾）将长期存在,由此产生的人机匹配失调、驾驶人分心和认知局限性成为影响交通安全的重要因素。目前国内交通安全领域,驾驶人接管自动驾驶车辆的认知研究主要集中在局部认知行为（如操作特性、情景意识、注意力分配等方面）,研究方法局限于行为实验,缺少可计算的建模研究。由于认知系统的复杂性,认知体系结构建模发展较为缓慢。本文对人机共驾车辆驾驶人接管过程进行认知体系结构建模,具体工作如下:首先,在国内外文献的基础上对人机共驾车辆驾驶人接管方式进行了分类,对接管条件和典型场景进行了界定。根据驾驶行为层次模型将换道控制任务划分为基本车辆控制、观察周边交通环境,以及换道决策任务。通过引入安全裕度建立车辆横向控制认知体系结构,通过引入最大视距完善了驾驶人纵向控制认知体系结构,将驾驶人视区分为正前方、左车道前方、右车道前方、左后视镜、右后视镜5个区域,根据驾驶人的注视特性建立了行车环境的观察过程模型,基于横纵向控制和观察策略,分析了车道变换及超车认知体系结构,建立了车辆控制模型。基于QN-ACTR建立了车辆换道控制模型,包括车辆横纵向控制、行车环境的观察、车道变换及超车等模型。通过实际道路实验进行参数标定,包括驾驶人眼动特性、车辆状态等参数,然后搭建基于TORCS车辆仿真系统和QN-ACTR Java的驾驶人认知一体化仿真平台,基于该平台对典型的手动驾驶任务进行模拟仿真,通过模拟驾驶实验验证了单任务和双任务情况下驾驶人的反应时间、驾驶负荷和横纵向驾驶绩效等。另一方面,在分析了人机共驾接管过程的影响因素和车内非驾驶任务后,对人机共驾非驾驶任务进行认知体系结构建模,包括标准视觉Su RT（Surrogate reference task）任务、标准听觉2-back任务、DRT（Detection response task）驾驶人检测反应任务。根据QN-ACTR的不中断处理机制,将单任务模型组件组合在一起,建立了人机共驾车辆驾驶人接管过程认知体系结构模型,并对模型产生式规则需要排队处理的情况进行了分析。通过开展模拟驾驶实验,从非驾驶任务、接管预警时间和交通风险程度等方面对人机共驾车辆接管过程认知体系结构模型进行了验证,建立的模型没有调整任何认知神经心理学参数,较好的适应了驾驶人数据。在上述研究的基础上,利用人机共驾认知评估系统对人机共驾任务中驾驶人的接管眼动特性、驾驶负荷和车辆横纵向稳定性进行了评价。通过驾驶人模型眼动行为记录评价了水平视线分散程度。通过资源需求分解分析方法研究了驾驶负荷下的认知资源瓶颈和绩效受损机理。通过查看驾驶人模型的产生式匹配情况,分析了驾驶绩效产生的人因机理。该认知评估系统对人机共驾交通安全问题的改善提供了理论依据,为后期开发应用人机共驾车辆驾驶人接管过程的认知体系结构模型提供了新的思路。

高速公路合流区是高速公路的瓶颈。通常,在高速公路合流区,匝道车辆驶入加速车道进行加速,同时寻找可接受的间隙换道汇入主道。匝道车辆的换道合流操作会引发合流区主线车辆频繁的换道和让行,从而导致主线车辆速度降低。在高流量情况下,匝道车辆的换道合流行为甚至会产生交通流振荡,从而导致合流区通行效率降低、燃油消耗增加,甚至追尾碰撞等安全事故。自动驾驶与车路协同技术的发展为车辆精细化协同控制提供了可能。在智能网联环境下可以对高速合流区主线和匝道的自动驾驶车辆进行协同决策,精细控制,从而实现平稳、安全合流的目标,进而提升合流区交通安全以及通行效率。针对合流区车辆合流特性,本文提出了基于组队的协同合流策略。该策略核心在于对合流区车辆进行组队协同控制。一方面,基于车头时距,先将合流区车辆进行分组然后进行最优通行次序求解。另一方面,在得到最优通行次序后,将合流区内主线和匝道两线车道的车辆看作一个特殊的车辆队列系统,利用协同控制算法可以保证车辆队列系统的车间距和车辆速度分别达到期望值。相应地,当匝道车辆行驶到合流点时,主线车道有合适的车间距。与此同时,匝道车辆与主线前车和跟随车速度相同,匝道车辆可以安全平顺的换道汇入主线车道。本文主要研究内容与结论如下:首先,对合流区车辆进行通行次序决策。为减少车辆通行次序可行解空间,从而缩短规划时间,同时保证找到最优解或者足够好的次优解,本文采取基于分组的通行次序决策算法。将车头时距小于给定阈值的车辆组成车辆队列,一个车辆队列看作一辆特殊的智能网联车辆,然后再进行通行次序规划。基于合流区车辆位置物理约束,构建合流区车辆的通行次序可行解空间,利用最优化方法求解得到最优通行次序。为验证基于分组通行次序决策的有效性,结合车辆合流场景实例进行分析,并利用数值分析对基于枚举法的通行次序决策方法以及基于FIFO的通行次序决策方法进行对比分析。结果表明基于分组的通行次序决策算法可以得到近似最优解,且求解速度满足实时性要求。然后,对合流区车辆进行协同控制。为实现平稳安全合流的总体目标,将合流区车辆看作一个特殊的车辆队列系统,结合分布式一致性控制算法,可以实现合流区车辆的协同控制。合流区车辆协同控制目的是在最优化通行次序确定的前提下,通过协同控制合流区车辆,使其形成一个特殊的车辆队列,从而保证匝道车辆到达合流点时,主线车道有合适的车间距以及与主线车道前车和跟随车速度相同。将车辆队列系统看作多智能体系统,从而车辆队列系统的协同控制问题转化为多智能体系统的一致性问题。利用车间通信和车路协同技术,合流区车辆可以获取期望状态和邻近车辆运动状态信息。由此,可以建立车辆队列的通信拓扑结构模型,结合多智能体一致性理论和队列车辆节点动力学,提出了考虑通信延迟的分布式一致性协议,从而可以得到队列车辆的控制输入。通过理论分析得到了在提出的分布式一致性协议下,车辆队列系统实现收敛以及保证弦稳定的条件。最后,结合实例进行了算法验证,仿真结果表明提出的分布式一致性控制算法可以实现车辆队列系统的协同控制。最后,利用真实高速公路合流区车辆轨迹数据,提取了典型合流场景的合流区车辆初始状态信息,利用组队协同控制算法,结合Webots平台,对合流区车辆进行仿真验证实验。仿真结果显示协同控制工况下两辆匝道车辆的合流时间分别减少46.8%、47.9%。另外,利用TTC、TET、TIT作为车辆安全性评价指标来评估该合流场景中车辆纵向安全性。结果显示,车辆协同控制之后,三个评价指标数值均减少。进一步,为了实现对车辆协同控制前后合流区交通流安全与效率进行评估,搭建了基于Webots-SUMO仿真平台。结合真实交通流数据,得到了人工驾驶以及协同控制两种工况下的速度变异系数、交通流密度时空图以及广义平均密度。分析表明,对合流区车辆进行协同控制能够提升合流区交通流安全性,对交通流效率也有提升。

智能汽车是智能交通系统的重要组成部分,可有效缓解交通拥堵、减少交通事故发生、降低能源消耗。随着我国经济社会发展,货运物流需求日益增长,在商用车行业,尤其是货运车辆,将是最早实现自动驾驶产业化的领域。纵向控制作为智能汽车最重要的系统之一,其最终功能是实现对车辆纵向运动的自动控制,包括速度决策和控制2个方面。本文建立基于卡尔曼滤波与递推最小二乘（Kalman Filter-Recursive Least Square,KF-RLS）的联合参数估计方法,可实现车辆与道路关键参数的准确识别。同时,搭建考虑驾驶员行为特性的车速模型,设计可适应道路几何特征与前方目标车辆的自适应巡航控制系统（Adaptive Cruise Control,ACC）。具体的研究内容包括以下几个方面:首先,研究基于KF-RLS的联合参数估计方法。该方法由2部分组成,KF用于滤除传感器检测的状态噪声;RLS利用滤除噪声后的状态量,结合车辆纵向动力学模型进行参数估计。整个方法可分为3层,先估计整车质量,接着获取车辆质心位置,在此基础上实现路面附着系数的识别。仿真实验表明,联合估计算法比单一的RLS具有更高的精度和抗干扰能力。然后,分析车辆转向时的动力学模型,从横向与纵向安全的角度进行车速建模。同时考虑驾驶员的速度选择特性及前车对自车速度的影响,通过引入驾驶员因子和车间反应距离,建立考虑人车路耦合的车速决策模型,为自动驾驶速度决策提供支撑。最后,在前2部分的基础上,设计可适应道路几何特征与前方目标车辆的ACC系统。整个系统由上下2层控制器构成:基于模型预测控制（Model Predictive Control,MPC）滚动优化思想设计的上层控制器,以及由卡车执行机构特性设计的下层控制器。并根据车辆行驶状态的不同将控制系统分为自由巡航、紧急制动与跟车行驶3种模式,可由行驶工况的变化自动切换。并且针对不同的控制模式重新调节目标函数中的权重系数和约束范围,从而获得最优的控制效果。为了验证多模式控制系统的有效性,先在直线道路下利用4种典型工况进行验证。其次,针对高速公路易发生事故的弯道路段,设置2组不同路面附着系数的弯道综合行驶工况。研究结果表明:本文设计的ACC系统可根据行驶道路信息和目标车辆状态进行合理的速度决策,并实现不同模式的自动切换,同时兼顾车辆行驶的多个目标,实现安全、舒适行驶,从而提升了ACC系统的性能,扩大了使用范围。

在车辆智能化驾驶的过程中,车道线检测是环境感知的重要技术内容之一。以车道线检测技术为基础实现的车道偏离预警和车道保持等高级辅助驾驶系统,能够有效减少事故碰撞的风险。在自动驾驶车辆中,车道线检测技术作为辅助手段,为其指明行车区域。本文对车道线检测技术的研究现状进行了总结,探讨了车道线在图像中所表达出来的特点及检测难点。顾及车道线检测实时性、准确性和鲁棒性的要求,结合相机成像模型,提出了基于灭点方向的车道直线检测方法,及直线和贝塞尔曲线组合的车道线模型估计方法。论文具体研究内容包括以下几个方面:1)以灭点方向与车道线区域互相迭代的方式完成车道直线的检测。结合相机成像模型,根据局部统计特征保留较为完整的车道线结构,并剔除明显干扰特征。基于灭点的导向作用,通过直方图统计设计车道线可信区域的提取方法;并在可信区域基础上,重新对灭点方向进行估计。迭代这一过程直至稳定。通过代价函数完成车道中心直线的筛选。2)建立直线和二次贝塞尔曲线组合的车道线模型。基于已知车道中心直线完成对二次贝塞尔曲线的两个节点的确定,并用粒子滤波直接完成对贝塞尔曲线最后一个节点的估计。在曲线估计过程中,为保证曲线的稳定性,用与灭点的距离表示最后一个节点以关联两侧车道线,在一次粒子滤波过程中完成估计,同时也保证了实时性。根据车道线统计分布特征对粒子权重的计算进行设计。3)为了保证实时性,在涉及全幅图像的操作中,如特征提取、噪声滤除和似然度计算等等,针对行扫描线的特点,设计使用邻域均值及统计为基础进行处理,能够通过递推方式实现,减少计算时间;并以Bresenham直线表示方式构建不同长宽的直线坐标映射空间,提高直方图统计过程的效率。4)最后,在公开数据集和武汉大学的实车数据集上进行了算法实验。实验结果表明,本文算法能够满足不同场景下的车道线检测需求,具有良好的实时性、准确性和鲁棒性。

冰雪寒冷天气是我国北方冬季典型的气候现象,其复杂、特殊的交通环境是引发东北地区冬季事故的主要原因。降雪后道路结冰或积雪,导致自动驾驶车辆感知及决策控制能力减弱,冰雪环境状态的不同引起的自动驾驶车辆感知、决策控制能力的改变可能危及到行车安全,因此开展冰雪环境下自动驾驶车辆智能表现评价研究,对于预防和减少复杂冰雪环境引起的安全事故具有重要意义。本文针对冰雪环境自动驾驶车辆智能表现评价方法进行研究,主要内容如下:（1）依托国家智能网联汽车应用（北方）示范区,调研了该封闭测试场冬季冰雪环境情况,分析冰雪环境要素,设计问卷调查表,对冰雪环境状态难易度分级。同时,参考《智能网联汽车自动驾驶功能测试规程（试行）》标准测试场景,设计并归纳了冰雪环境自动驾驶车辆测试场景集。（2）建立冰雪环境自动驾驶车辆评价体系。首先,从安全特性、智能特性、平稳特性、速度特性四个方面建立冰雪环境自动驾驶车辆评价体系。然后,通过对各赋权法的分析,选取熵值法与序关系法,对自动驾驶各级评价指标进行赋权。最后,采用模糊综合评价法建立冰雪环境自动驾驶车辆评价模型。（3）搭建基于数字孪生的SCANe R仿真测试平台,基于混沌理论对车辆行驶轨迹量化分析,规划出车辆在理想状态下的行驶轨迹,与实际轨迹对比。对车辆行驶轨迹数据进行了时间轨迹序列的进行分析重构,计算李雅普诺夫指数,验证行驶轨迹的混沌性,从而充分体现了自动驾驶车辆在复杂的冰雪环境下行驶智能程度状况的重要表征。（4）选择2021中国长春（国际）自动驾驶汽车冰雪挑战赛考点,采集了参赛车辆在冰雪场景中行驶轨迹的数据,并对冰雪场景中自动驾驶车辆行驶轨迹进行量化计算和分析。计算每个评价指标的权重系数,得出冰雪环境下自动驾驶车辆智能表现综合评价结果,对评价模型进行验证。

移动机器人的障碍物快速检测是其导航、避障、轨迹跟踪的关键技术。目前多数传感器存在距离盲区以及异常尺度等问题,且现有算法大多计算复杂,难以满足实时性需求。为了改善这些问题,本文提出了一种基于环视逆投影差分的移动机器人障碍

路径规划是为机器人生成可行驶路径以实现循迹的过程。因此,机器人的位置应该位于或靠近规划的行驶路径。从而,路径规划可为机器人定位产生重要的约束。该文提出一种规划路径约束的位置概率图(PILPM)模型,该模型通过概率来表征机器人在