熊明強，譙 杰，王 亮，夏 芹，江 萌

（1.中國汽車工程研究院股份有限公司，重慶 401122；2.汽車噪聲振動和安全技術(shù)國家重點實驗室，重慶 401122；3.中國城市規(guī)劃設(shè)計研究院西部分院，重慶 401122）

近年來，自動駕駛技術(shù)引起了世界各國的廣泛關(guān)注［1-10］，被認為是緩解交通擁堵，減少交通事故和環(huán)境污染的重要技術(shù)［1，6，11］。目前一些自動駕駛已經(jīng)進行了大規(guī)模的道路測試，比如谷歌自動駕駛和蘋果自動駕駛。研究表明［12］，在如今的交通事故中，有超過30%的道路交通事故是由不合理的換道行為引起的。

目前基于機器學(xué)習(xí)的方法對自動換道軌跡進行的研究還比較少［13-15］，利用機器學(xué)習(xí)進行自動駕駛車輛換道軌跡規(guī)劃的模型需要經(jīng)過大量已有的換道數(shù)據(jù)訓(xùn)練來確定。YAO Wen等［13］將k最近鄰算法應(yīng)用到換道軌跡規(guī)劃中，但是該模型所用到的數(shù)據(jù)較為有限且覆蓋場景不足。在此基礎(chǔ)上，DING Chenxi等［14］構(gòu)建了兩層BP神經(jīng)網(wǎng)絡(luò)對NGSIM數(shù)據(jù)［16］進行學(xué)習(xí)，從而對車輛換道進行端到端的軌跡預(yù)測，但是k最近鄰算法和BP神經(jīng)網(wǎng)絡(luò)對于換道這類時間序列數(shù)據(jù)處理能力有限，通常是單一地復(fù)制已有的數(shù)據(jù)，并未對數(shù)據(jù)前后幀的內(nèi)部邏輯進行判斷和處理［17］。XIE Dongfan等［15］利用經(jīng)典LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測自動駕駛車輛換道軌跡，該模型對換道軌跡曲線的學(xué)習(xí)結(jié)果取得了較高的精度，但是沒有對訓(xùn)練過程中的一些不安全因素進行限制?？紤]到現(xiàn)有基于深度學(xué)習(xí)的自動駕駛車輛換道軌跡規(guī)劃算法只是單一地復(fù)制已有的換道軌跡，忽略了換道過程中的動態(tài)變化，這樣的模型對于換道條件過于苛刻，無法用于現(xiàn)實環(huán)境。反觀人類在對于新事物的學(xué)習(xí)過程中，一方面由已有的理論經(jīng)驗對新事物的反應(yīng)進行指導(dǎo)，另一方面，面對新事物時，人類也在不斷的實踐過程中形成自己的經(jīng)驗。本文借鑒了人類對于新事物的學(xué)習(xí)過程，將所訓(xùn)練的BP神經(jīng)網(wǎng)絡(luò)進行嵌套，從而建立一種可嵌入的深度學(xué)習(xí)網(wǎng)絡(luò)模型，該模型有效地繼承了以往數(shù)據(jù)的換道行為特征，同時能縮短對新數(shù)據(jù)的學(xué)習(xí)過程。

1 嵌入神經(jīng)網(wǎng)絡(luò)換道模型

隨著近年神經(jīng)網(wǎng)絡(luò)的不斷發(fā)展，各種被用于不同領(lǐng)域的神經(jīng)網(wǎng)絡(luò)被不斷地提出和優(yōu)化，但無論是哪種神經(jīng)網(wǎng)絡(luò)，其方法大致上都在模仿人的學(xué)習(xí)過程。人在最初對一個事物進行學(xué)習(xí)時，實際上是從兩個方面來進行學(xué)習(xí)的，一個方面是對該事物已經(jīng)形成的知識進行學(xué)習(xí)，另一個方面是通過不斷的實踐進行學(xué)習(xí)，借鑒這種思路，本文提出了一種新的神經(jīng)網(wǎng)絡(luò)模型，該神經(jīng)網(wǎng)絡(luò)模型旨在更加具體地模仿人的學(xué)習(xí)過程，如圖1所示。

圖1 神經(jīng)網(wǎng)絡(luò)嵌入過程

該神經(jīng)網(wǎng)絡(luò)模型有兩級，第1級橫向上是一個3層的全連接網(wǎng)絡(luò)，第2層是嵌入層，嵌入層里面每一個神經(jīng)元都是一個單獨的神經(jīng)網(wǎng)絡(luò)，第2級是需要嵌入的神經(jīng)網(wǎng)絡(luò)。本文把這些嵌套的神經(jīng)網(wǎng)絡(luò)暫定為BP神經(jīng)網(wǎng)絡(luò)，這些BP神經(jīng)網(wǎng)絡(luò)分為兩種：（1）根據(jù)需要已經(jīng)訓(xùn)練好；（2）尚未進行訓(xùn)練。由此實現(xiàn)在學(xué)習(xí)過程中既能夠?qū)W到已有的知識，又能通過尚未訓(xùn)練的神經(jīng)網(wǎng)絡(luò)進行學(xué)習(xí)的目的。所以神經(jīng)網(wǎng)絡(luò)參數(shù)分為橫向參數(shù)和縱向參數(shù)。

1.1 橫向參數(shù)

一般而言，本文設(shè)計的神經(jīng)網(wǎng)絡(luò)主要由以下3個部分組成：輸入層、嵌入層和輸出層。

輸入層：根據(jù)不同學(xué)習(xí)對象的實際情況，設(shè)定神經(jīng)元數(shù)量。輸入的數(shù)據(jù)為交通環(huán)境數(shù)據(jù)，即上一時刻換道車輛和換道車輛周邊車輛的位置、速度、加速度等數(shù)據(jù)。

嵌入層：由于嵌入層內(nèi)部各個神經(jīng)元可能用到的輸入變量長度不一樣，所以本文設(shè)置了嵌入層，嵌入層神經(jīng)元的數(shù)量根據(jù)實際情況進行尋優(yōu)及測試。

輸出層：根據(jù)實際問題需要設(shè)置數(shù)量，輸出為神經(jīng)網(wǎng)絡(luò)預(yù)測的下一時刻換道車輛位置和速度。

1.2 縱向參數(shù)

縱向上，各層神經(jīng)元由兩部分構(gòu)成，一部分是已經(jīng)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)（圖1主神經(jīng)網(wǎng)絡(luò)），以激活函數(shù)的形式嵌入，但這些神經(jīng)網(wǎng)絡(luò)必須針對同樣的問題，利用不同數(shù)據(jù)進行訓(xùn)練后得到的，這些神經(jīng)網(wǎng)絡(luò)在訓(xùn)練的過程中不需要進行參數(shù)調(diào)整，只需要利用輸入，得到輸出結(jié)果即可。如有需要，可嵌入沒有訓(xùn)練過的神經(jīng)網(wǎng)絡(luò)，在主神經(jīng)網(wǎng)絡(luò)訓(xùn)練的過程中進行同步訓(xùn)練。

1.3 數(shù)學(xué)模型

耦合的表現(xiàn)形式為兩個或兩個以上的系統(tǒng)構(gòu)成一個網(wǎng)絡(luò)時，若其中某一子系統(tǒng)中數(shù)據(jù)發(fā)生變化，能影響到其他子系統(tǒng)數(shù)據(jù)也發(fā)生類似的變化。其機理也多種多樣，本節(jié)主要采取數(shù)據(jù)耦合的方式?；谏疃葘W(xué)習(xí)的方式無法規(guī)避換道過程中的危險因素，單一地復(fù)刻已有數(shù)據(jù)，且是黑盒模式導(dǎo)致無法控制訓(xùn)練參數(shù)?；谝?guī)則的模型都是對顯性數(shù)據(jù)進行計算，無法研究交通環(huán)境中隱形數(shù)據(jù)對換道過程的影響。本文將二者結(jié)合起來，試圖尋找通過一種機制讓二者互補的方式，如圖2所示。

圖2 神經(jīng)網(wǎng)絡(luò)和規(guī)則的耦合過程

深度學(xué)習(xí)模塊的訓(xùn)練是持續(xù)的，深度學(xué)習(xí)模塊在訓(xùn)練的過程中，運動學(xué)模塊不斷地向深度學(xué)習(xí)模塊傳遞安全性的數(shù)據(jù)，讓深度學(xué)習(xí)也不斷對安全性數(shù)據(jù)進行學(xué)習(xí)，雖然無法控制訓(xùn)練過程中的參數(shù)，但是這種數(shù)據(jù)耦合的方式可以在訓(xùn)練中潛移默化地讓模型更具安全性。

機器學(xué)習(xí)的過程，就是通過數(shù)據(jù)的前向傳播求得預(yù)測值和真實值的誤差，用反向傳播算法縮小誤差的一個過程。在進行前向傳播之前，本文會根據(jù)特定的問題和基于規(guī)則的換道數(shù)據(jù)和基于人類的換道數(shù)據(jù)訓(xùn)練若干個BP神經(jīng)網(wǎng)絡(luò)net1，net2，…netn，本文將這些神經(jīng)網(wǎng)絡(luò)以替換的方式，將經(jīng)典的BP神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)替換，原激活函數(shù)的輸入變?yōu)榍度肷窠?jīng)元的輸入，原激活函數(shù)的輸出變?yōu)榍度肷窠?jīng)元的輸出。

1.3.1 前向傳播

如果一個經(jīng)典BP神經(jīng)網(wǎng)絡(luò)有若干個輸出神經(jīng)元，該網(wǎng)絡(luò)每一次前向傳播后，任意一個神經(jīng)元j的輸入是：

第j個神經(jīng)元的輸出是：

式中：f（）是激活函數(shù)，在本方法中激活函數(shù)為：

式中：net為嵌入的BP經(jīng)網(wǎng)絡(luò)。

本文令隱藏層任意神經(jīng)元h的輸入為：

式中：wmn是隱藏層與輸入層的連接權(quán)重。

令輸出層任意神經(jīng)元j的輸出為：

式中：Sh為隱層神經(jīng)元h的輸出。

式中：f（）為激活函數(shù)。

最終得到嵌入神經(jīng)網(wǎng)絡(luò)的p個輸出=即：

所以主神經(jīng)網(wǎng)絡(luò)神經(jīng)元j的輸入值為：

主神經(jīng)網(wǎng)絡(luò)與真實值相比誤差為：

1.3.2 反向傳播

至此，一次前向傳播結(jié)束，神經(jīng)網(wǎng)絡(luò)的最終目標是要使誤差盡可能地小，所以需要將前向傳播所得到的誤差進行反向傳播，訓(xùn)練得到相應(yīng)的參數(shù)w，設(shè)第一層神經(jīng)網(wǎng)絡(luò)權(quán)值矩陣為Wl=嵌入神經(jīng)網(wǎng)絡(luò)權(quán)重矩陣為Wq=嵌入層神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)整方式為：

輸出層第j個神經(jīng)元所對應(yīng)的誤差為：

以圖1中權(quán)重矩陣Wpm為例進行說明：

根據(jù)βj的定義，顯然有：

將式（14）和式（15）代入式（13），得到Wpm的更新公式為：

式中：學(xué)習(xí)率η∈(0，1)。

將式（12）具體化為：

式中：fyj'(Sj)為輸出層第j個神經(jīng)元對應(yīng)的Sj的傳播方程導(dǎo)數(shù)，得到損失矩陣為：

主神經(jīng)網(wǎng)絡(luò)權(quán)重的更新方式為：

1.3.3 最優(yōu)軌跡模型

自動駕駛車輛在換道過程中，會根據(jù)實時交通環(huán)境進行軌跡規(guī)劃，每個時間步長內(nèi)會為車輛規(guī)劃出最優(yōu)的換道軌跡，由于基于時間多項式的換道軌跡算法計算較為復(fù)雜，可能存在較大延遲，本文選擇形式較為簡單的3次多項式作為基于規(guī)則的軌跡規(guī)劃算法，其表達式為：

式中：a0、a1、a2、a3均為待確定的參數(shù)；xn為車輛n的縱向位置；yn為車輛n的橫向位置。確定各項參數(shù)有：

式中：θi為規(guī)劃步長起點的航向角；為終點橫向坐標，均為已知量。

1.3.4 避障算法

在圖3中，換道車輛為主車輛SV，當(dāng)前車道前車為PV，以及目標車道前車LV和目標車道后車FV。其中，穿過車道變化的虛線是車輛SV的換道軌跡，包括換道準備OP和換道執(zhí)行PD兩個階段，車輛SV在O點開始換道準備，在P點完成換道準備開始換道執(zhí)行，在D點完成換道。若定義換道執(zhí)行開始點為坐標原點，那么換道執(zhí)行開始點P的位置坐標為（0，0），換道執(zhí)行結(jié)束點的坐標為（xf，yf）。車輛SV在換道準備過程中受到PV的影響，當(dāng)換道條件滿足的時候進行換道執(zhí)行，車輛從當(dāng)前車道中心線移動到目標車輛中心線，根據(jù)Gipps模型［18］的推演，在執(zhí)行換道過程中受到車輛LV和FV的影響，車輛SV在換道過程中主要受這3輛車的影響。車輛在換道過程中，可能的沖突區(qū)域如圖3所示.

圖3 沖突區(qū)域

Gipps模型是領(lǐng)域內(nèi)經(jīng)典的車輛安全距離模型，可以較好地擬合兩輛跟馳車輛之間的行駛狀態(tài)，但沒有考慮車輛車身長度。所以本文在經(jīng)典Gipps模型的基礎(chǔ)上加入車身長度進行改進，作為3次軌跡曲線的約束條件。

車輛換道過程中受到周圍車輛實時的影響，為了保證換道過程的安全性，需要實時檢測周圍車輛的行駛狀態(tài)，并對周圍車輛的行駛狀態(tài)進行預(yù)測。

式中：j為編號為n-1的車輛；xj（t0）為t0時刻車輛j的縱向位置；vj為車輛j的速度；xj（t）為t時刻車輛j的縱向位置。

Gipps模型求解的是前車緊急停車時，后車在經(jīng)過反應(yīng)時間τ后也采取緊急停車，恰好不追尾所采取的速度。在經(jīng)典的Gipps模型中，車身的長度沒有被考慮到，也沒有考慮到實際跟馳過程中前后兩車的時變速度，本文對經(jīng)典Gipps模型進行改進，如圖4所示。

圖4 安全距離

后車緊急制動距離為：

式中：xstopn-1為前車從采取制動動作到車輛停止期間行駛過的距離；xstopn為后車從采取制動動作到車輛停止期間行駛過的距離；xn-1（t）為前車在t時刻的位置；x（t）為后車在t時刻的位置；vn-1（t）為前車在t時刻的速度；v（t）為后車在t時刻的速度；bn-1為前車最大制動加速度；b為后車最大制動加速度；a為后車實時加速度；τ為后車的反應(yīng)時間。

式中：ln-1為前車長度；l為后車長度。

由此計算公式，得到SV與其他3輛車的安全距離為：

式中：xp（tstop）、x（tstop）分別為車輛PV和車輛SV緊急制動時的縱向坐標；xp（t）、x（t）分別為緊急制動開始時車輛PV和車輛SV的縱向位置坐標；vP（t）、v（t）分別為車輛PV和車輛SV的速度；bP、b分別為車輛PV和車輛SV的最大減速度；τ為車輛的反應(yīng)時間；xl（t）為車輛LV的縱向位置坐標；vl（t）為車輛LV的速度；bl為車輛LV的最大減速度；ll為車輛LV的車身長度；lf為車輛FV的車身長度；xf（t）為車輛FV的縱向位置坐標；vf（t）為車輛FV的速度；bf為車輛FV的最大減速度。

車輛換道的安全性與車輛速度也有關(guān)，本文根據(jù)改進的Gipps安全模型計算車輛的安全速度。由式（37）的最小安全間隙gapn-1safe，推算出車輛n的安全速度范圍。車輛n受到車輛n-1影響的最大安全速度vn-1n(t)為：

2 仿真驗證

2.1 數(shù)據(jù)介紹

本模型使用的是美國聯(lián)邦高速公路公布的NGSIM （Next Generation Simulation）數(shù)據(jù)［19］。NGSIM數(shù)據(jù)依據(jù)其真實性、高可靠性和高精度的特點，廣泛用于自動駕駛的各類應(yīng)用和交通研究領(lǐng)域，是目前行業(yè)內(nèi)較為權(quán)威的車輛行駛數(shù)據(jù)。NGSIM數(shù)據(jù)是使用攝像頭來搜集的交通信息，其中包括車輛的位置、速度、車型、車道等，時間的分辨率為0.1 s。數(shù)據(jù)采集選用的兩段高速公路路段如圖5所示。

圖5 NGSIM數(shù)據(jù)收集場景圖

2.2 訓(xùn)練結(jié)果

根據(jù)Kolmogorov［20］定理，本文構(gòu)建的網(wǎng)絡(luò)為3層神經(jīng)網(wǎng)絡(luò)，包括一個輸入層、一個隱藏層以及一個輸出層，隱藏層節(jié)點個數(shù)l是根據(jù)輸出層節(jié)點個數(shù)決定的，通過經(jīng)驗公式確定l的值，其中經(jīng)驗公式為：

式中：n為輸入層神經(jīng)元的數(shù)量；m為輸出層神經(jīng)元的數(shù)量。

本文在以上定理的基礎(chǔ)上，擬用典型的非線性函數(shù)—對數(shù)函數(shù)對神經(jīng)網(wǎng)絡(luò)進行參數(shù)調(diào)優(yōu)，對在以e為底x的對數(shù)函數(shù)，將嵌入神經(jīng)網(wǎng)絡(luò)前后擬合的結(jié)果進行對比。本次試驗使用的傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的參數(shù)是3層神經(jīng)網(wǎng)絡(luò)，其中輸入神經(jīng)元和輸出神經(jīng)元數(shù)量都是1，隱層神經(jīng)元設(shè)置為90個，而本模型提出的神經(jīng)網(wǎng)絡(luò)第一級的參數(shù)和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)完全相同，第2級神經(jīng)網(wǎng)絡(luò)選擇了一個已經(jīng)對目標函數(shù)訓(xùn)練好了之后的4層神經(jīng)網(wǎng)絡(luò)，其中輸入層和輸出層神經(jīng)元均為1個，兩個隱層神經(jīng)元均設(shè)置成90個。圖6是傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)和本文提出的神經(jīng)網(wǎng)絡(luò)對log（x）的學(xué)習(xí)結(jié)果，可以看出，在訓(xùn)練次數(shù)明顯較少的情況下，嵌入神經(jīng)網(wǎng)絡(luò)后在精度方面明顯優(yōu)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)。

圖6 非線性數(shù)據(jù)擬合結(jié)果

神經(jīng)網(wǎng)絡(luò)參數(shù)調(diào)整好后，對基于耦合深度學(xué)習(xí)-運動學(xué)的自動駕駛一體化換道模型進行訓(xùn)練和測試，本節(jié)共選用了100輛車的換道數(shù)據(jù)，其中70組數(shù)據(jù)作為訓(xùn)練集，剩余30組數(shù)據(jù)作為驗證數(shù)據(jù)集。如圖7所示，圖中藍色曲線表示本模型訓(xùn)練誤差隨著訓(xùn)練次數(shù)增加而變化的趨勢，可知訓(xùn)練誤差隨著訓(xùn)練次數(shù)快速下降，訓(xùn)練超過20次時，損失值穩(wěn)定并且趨于收斂?？紤]時間成本和梯度下降所需的時間，將搭建的神經(jīng)網(wǎng)絡(luò)訓(xùn)練次數(shù)設(shè)置為25次。

圖7 誤差隨訓(xùn)練次數(shù)的變化

圖8為本模型預(yù)測的自動駕駛換道軌跡規(guī)劃曲線，其中黃色曲線為原始軌跡曲線，藍色曲線為本模型訓(xùn)練之后得到的學(xué)習(xí)結(jié)果。從圖中細節(jié)可知，相較于車輛啟動換道階段，利用本模型可以更快地啟動換道，其原因主要是機器決策所需的反應(yīng)時間比人類決策所需時間縮短了；在換道過程中間階段，車輛穩(wěn)定地發(fā)生橫向和縱向位移，總趨勢同人類換道一致；在換道結(jié)束階段，本模型更早地完成了換道，其原因也是在保證與后車安全性的前提下，及早完成換道，增大與前車的距離。由此可證明本模型可以規(guī)劃出平滑的軌跡曲線，且由于縮短了反應(yīng)時間和人為差異等因素，使換道過程變得更可控、更高效。

圖8 車輛成功換道場景仿真

2.3 誤差統(tǒng)計

為了直觀地體現(xiàn)訓(xùn)練數(shù)據(jù)和原始數(shù)據(jù)的區(qū)別，本節(jié)摘抄部分名義值和預(yù)測值數(shù)據(jù)，如圖9和表1～3所示。

圖9 NGSIM原始數(shù)據(jù)

表1 32號車橫向位移對比表

表2 32號車縱向位移對比表

表3 32號車速度對比表

本節(jié)使用了70組換道數(shù)據(jù)進行訓(xùn)練和驗證，擬用平均絕對誤差（Mean Absolute Error，MAE）以及平均絕對相對誤差（Root Mean Squared Error，MARE）這兩個統(tǒng)計學(xué)中常用的統(tǒng)計量對模型進行誤差統(tǒng)計。

式中：N為測試數(shù)據(jù)樣本數(shù)；dr，i為第i輛車的名義值；ds，i為第i輛車的預(yù)測值。

針對實際情況，做如下定義：MAEreal和MAREreal分別表示預(yù)測值與名義值的平均絕對誤差和平均絕對相對誤差，這兩個統(tǒng)計量可以表征實際值和預(yù)測值的誤差。

本節(jié)對基于嵌入神經(jīng)網(wǎng)絡(luò)訓(xùn)練之后的一萬余條預(yù)測數(shù)據(jù)和原始數(shù)據(jù)進行比較，結(jié)果見表4。

表4 誤差對比表

2.4 基于CarSim的仿真驗證

CarSim是用于車輛動力學(xué)的專用仿真軟件，該軟件可以對駕駛員、路面條件以及空氣動力等方面進行仿真輸入，對車輛制動性、穩(wěn)定性參數(shù)等進行輸出。CarSim可以方便靈活地定義試驗環(huán)境和試驗過程［21］。

將提出的深度學(xué)習(xí)模型輸出的車輛軌跡數(shù)據(jù)作為CarSim輸入，擬用該軟件對模型軌跡進行可跟蹤性、平穩(wěn)性等參數(shù)的評估。

本節(jié)對訓(xùn)練的70組車輛換道軌跡隨機選擇一組輸入到CarSim仿真軟件中進行動力學(xué)仿真，圖10為車輛SV在成功換道場景下本模型預(yù)測模型的仿真結(jié)果。圖10a為車輛SV在成功換道場景下，本模型輸出軌跡的仿真結(jié)果，其中藍色曲線為本模型輸出的軌跡，亦即目標軌跡，紅色軌跡是CarSim仿真條件下的跟蹤軌跡，從圖中可知，本模型輸出的軌跡在動力學(xué)仿真中變化平穩(wěn)，可以和目標軌跡保持較小誤差的條件下被跟蹤。圖10b為車輛SV在成功換道場景下，本模型輸出速度的仿真結(jié)果，其中藍色曲線為本模型輸出的速度，即目標跟蹤速度，紅色曲線是CarSim仿真條件下的跟蹤速度，由圖可知，本模型輸出的速度在動力學(xué)仿真中在駐點以及拐點處同目標速度有一定差異，但是同樣較為平滑，在可接受的范圍內(nèi)。圖10c為換道過程中車輛前輪轉(zhuǎn)向角隨時間變化情況，紅色曲線代表了車輛的右前輪轉(zhuǎn)向角變化情況，藍色曲線代表了車輛的左前輪轉(zhuǎn)向角變化情況，車輛在換道準備階段前輪轉(zhuǎn)向角為0，在換道執(zhí)行階段，車輛前輪由0逐漸增大到最大值后，逐漸減小至0，然后向相反方向行駛至較大值后減小至0。此外，車輛左前輪與右前輪的轉(zhuǎn)向角存在差異，與車輛真實換道情況相符合。圖10d顯示了車輛輪胎的側(cè)向滑移角，4個車輪的變化保持一致，變化的數(shù)值較小。

圖10 車輛成功換道場景各參數(shù)圖像

為了對比曲線的平滑程度，本節(jié)將原始數(shù)據(jù)中的加速度值和神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進行對比，可見，本模型預(yù)測加速度較真實平均值結(jié)果較小，結(jié)果見表5。

表5 加速度對比表

3 結(jié)論

本文提出的自動駕駛領(lǐng)域提出一種耦合深度學(xué)習(xí)-運動學(xué)的自動駕駛一體化換道算法，建立了嵌入神經(jīng)網(wǎng)絡(luò)模型，并綜合考慮了目前主流換道模型的不足，從而引入基于規(guī)則的訓(xùn)練模型，對于有限數(shù)據(jù)下神經(jīng)網(wǎng)絡(luò)如何能適應(yīng)和學(xué)習(xí)到更多駕駛技巧的問題提出了解決思路。得到以下主要結(jié)論：

（1）利用本模型可以規(guī)劃出一條合適的自動駕駛車輛換道軌跡，且能保證換道車輛能夠更安全、更舒適地完成換道。

（2）仿真發(fā)現(xiàn)，構(gòu)建的換道軌跡規(guī)劃模型可以用于自動駕駛車輛換道的場景。車輛可以在有限的數(shù)據(jù)量條件下對新的交通場景做出合理的反應(yīng)。

（3）CarSim的仿真顯示，本章節(jié)提出的模型所規(guī)劃出的換道的軌跡和速度能夠被自動駕駛車輛跟蹤，車輛行駛穩(wěn)定性良好。