✨ 长期致力于智能驾驶汽车、个性化风格、驾驶决策、轨迹规划、行车风险场、运动控制研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于高斯混合模型与行车风险场的个性化跟车模型：
利用HighD自然驾驶数据集，提取激进型、正常型和保守型三类驾驶人的跟车行为特征，包括时距、减速度峰值和反应时间。采用高斯混合模型聚类，每类包含3000个样本，协方差矩阵的对角元素反映风格离散度。构建行车风险场，其势能函数为R = R_0 * exp( -k1 * d^2 ) * (1 + k2 * v_rel)，其中d为车间距，v_rel为相对速度，参数k1、k2通过最大化似然拟合每类驾驶人的实际风险感知。激进型驾驶人k1=0.12，k2=0.05；保守型k1=0.28，k2=0.15。将风险场集成到自适应巡航控制中，控制器输出期望加速度 = -∂R/∂d。在驾驶模拟器上招募20名驾驶员进行测试，激进型风格的控制器产生的平均车头时距为1.2秒，保守型为1.9秒，与驾驶员自身驾驶风格相关系数0.89。
（2）风险态势滚动预测的多点预瞄轨迹规划：
将车辆前方100米内等距选取5个预瞄点，每个点考虑车道线约束和周围车辆风险场。规划器在每100毫秒内生成5条候选轨迹，每条轨迹由五次多项式描述。轨迹代价函数包含三部分：安全性代价（轨迹上各点的风险场积分）、舒适性代价（最大加加速度平方和乘以0.1）、个性化代价（与乘客偏好参考轨迹的偏差平方乘以权重）。个性化权重根据乘客在系统初始化时选择的风格档位设定，激进档取0.2，保守档取0.8。通过动态规划求解最优轨迹，求解时间平均65毫秒。在换道场景仿真中，激进型轨迹的最大横向加速度为0.28g，保守型为0.15g，均符合各自舒适度阈值。
（3）连续变曲率弯道的风险认知驱动型规划与模型预测控制：
在曲线坐标系下建立车辆-道路模型，行车风险场的纵向范围随道路曲率自动调整，曲率半径小于200米时纵向范围缩短30%。汇车点选择模型采用模糊逻辑，输入为自车速度、邻车距离和曲率，输出为汇车概率。模型预测控制器的预测时域设为1.5秒，控制周期0.05秒，约束包括前轮转角（±0.5弧度）和纵向加速度（-3至2 m/s^2）。目标函数为跟踪误差加权加上控制量变化率惩罚。在连续S形弯道（最小半径120米）仿真中，控制器成功保持车道中心，最大横向偏差0.18米，远小于传统Stanley方法的0.35米。在驾驶模拟器实验中，12名被试者主观评价个性化轨迹的接受度评分为4.7/5，显著高于统一风格轨迹的3.2/5。
import numpy as np from scipy.optimize import minimize class RiskField: def __init__(self, k1, k2, R0=2.0): self.k1 = k1 self.k2 = k2 self.R0 = R0 def potential(self, d, v_rel): return self.R0 * np.exp(-self.k1 * d**2) * (1 + self.k2 * np.abs(v_rel)) class PersonalizedTrajectoryPlanner: def __init__(self, risk_field, style_weight): self.risk = risk_field self.w = style_weight def cost(self, traj, obstacles): # traj: 5x2 array of (x,y) safety = 0.0 for p in traj: for obs in obstacles: d = np.linalg.norm(p - obs['pos']) safety += self.risk.potential(d, 0) jerk = np.sum(np.diff(traj, axis=0)**2) return safety + 0.1 * jerk + self.w * np.sum((traj - self.ref_path[:len(traj)])**2) def plan(self, start, goal, ref_path, obstacles): self.ref_path = ref_path # 五次多项式参数化 def poly5(t, a0,a1,a2,a3,a4,a5): return a0 + a1*t + a2*t**2 + a3*t**3 + a4*t**4 + a5*t**5 # 简化为直接优化waypoints x0 = np.linspace(start[0], goal[0], 5) y0 = np.linspace(start[1], goal[1], 5) initial_guess = np.column_stack((x0, y0)).flatten() bounds = [(start[0]-1, goal[0]+1)]*5 + [(start[1]-2, goal[1]+2)]*5 res = minimize(lambda p: self.cost(p.reshape(5,2), obstacles), initial_guess, bounds=bounds) return res.x.reshape(5,2) # 示例 risk_agg = RiskField(k1=0.12, k2=0.05) risk_con = RiskField(k1=0.28, k2=0.15) planner_agg = PersonalizedTrajectoryPlanner(risk_agg, style_weight=0.2) start = (0, 0); goal = (50, 3) ref_path = np.array([[i*2, 0.5*np.sin(i*0.2)] for i in range(26)]) obstacles = [{'pos': (25, 1.5)}, {'pos': (30, 2.0)}] traj_agg = planner_agg.plan(start, goal, ref_path, obstacles) print('激进风格轨迹: ', traj_agg[-1])
