摘要：针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络(Long Short-term Memory Network, LSTM)对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型(VP-LSTM)。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明:提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。

摘要：为保证线控底盘电动汽车在遭遇执行器失效时的稳定性,并考虑人-车交互行为,提出了以驾驶人为领导者的一主多从(Single-leader-multiple-follower,SLMF)混合博弈容错控制框架。为实现驾驶人-车辆的交互控制,首先建立了两者的耦合模型。其次,将驾驶人及5个底盘子系统即主动前轮转向(Active Front Steering,AFS)系统和4个轮毂电机建模为博弈中的6个参与者,基于Stackelberg主从博弈与多人合作博弈设计了SLMF混合博弈控制框架。考虑驾驶人具有优先控制权限及执行器对驾驶人行为的补偿作用,基于Stackelberg博弈理论建立了驾驶人与底盘子系统的主从博弈模型,其中驾驶人作为领导者通过感知跟随者的行为做出转向决策,而5个底盘子系统被建模为跟随者。由于跟随者追求共同的横向稳定控制目标,因此基于合作博弈理论建立了合作模型,并对领导者的转向策略做出最优响应。最后,为研究跟随者之间追求不同目标导致不合作时的控制效果,设计了非合作Nash博弈与Stackelberg博弈相结合的混合博弈为对比方法,通过实时硬件在环测试验证并对比了2种方法。结果表明:针对不同风格的驾驶人,所设计的方法可以保证遭遇执行器卡死失效车辆的稳定性。与不合作的情况相比,2种不同风格的驾驶人驾驶的车辆在底盘子系统合作时,车辆稳定性分别提升了54.62%和53.78%,驾驶人工作负荷分别降低了31.79%和36.07%。