Browse

Active Lane Change Decision and Control using Data-driven Safety Boundary and Collision Probability
데이터 기반 안전 영역 및 충돌 확률을 이용한 능동형 차로 변경 판단 및 제어 알고리즘 개발

DC Field Value Language
dc.contributor.advisor이경수-
dc.contributor.author채흥석-
dc.date.accessioned2021-11-30T02:03:16Z-
dc.date.available2021-11-30T02:03:16Z-
dc.date.issued2021-02-
dc.identifier.other000000163904-
dc.identifier.urihttps://hdl.handle.net/10371/175149-
dc.identifier.urihttps://dcollection.snu.ac.kr/common/orgView/000000163904ko_KR
dc.description학위논문 (박사) -- 서울대학교 대학원 : 공과대학 기계항공공학부, 2021. 2. 이경수.-
dc.description.abstractThe traffic accidents caused by human error, such as distraction, drowsiness, or mistakes, account for 94 percent of all traffic accidents over last decades. Since safe driving is a goal of road-traffic-vehicle environments, major automakers develop driver assistance and active safety system. Recently, the majority of automotive makers have already commercialized active safety systems. Numerous kinds of research have attempted to integrate individual active safety systems for developing autonomous driving systems to enhance the safety and achieve zero fatalities. Moreover, in recent years, an interest of automotive industry is changed from the development of active safety to that of automated driving system capable of sensing surrounding environments and driving itself. Several projects have been conducted, and many others are still underway to evaluate the effects of automated driving in environmental, demographic, social, and economic aspects.
From a careful review of a considerable amount of literature, autonomous driving systems have been proven to increase the safety of traffic users, reduce traffic congestion, and improve driver convenience. Various methodologies have been employed to develop the core technology of autonomous vehicles, such as perception, motion planning, and control. However, the current state-of-the-art autonomous driving algorithms focus on the development of each technology separately. Consequently, designing automated driving systems from an integrated perspective is not yet sufficiently considered.
This dissertation describes the design, implementation, and evaluation of an active lane change control algorithm for autonomous vehicles with human factor considerations. Lane changes need to be performed considering both driver acceptance and safety with surrounding vehicles. Therefore, autonomous driving systems need to be designed based on an analysis of human driving behavior. Based on the acquired driving data, safety indices are defined using rule based and learning based approaches. Also, collision probability has been employed to consider various uncertainties. A stochastic risk assessment-based lane change decision and control algorithm has been developed. The desired driving mode is decided to cope with all lane changes. To obtain desired reference and constraints, motion planning for lane changes has been designed taking driving data based safety indices into account. A stochastic MPC with constraints has been adopted to determine vehicle control inputs: the steering angle and the longitudinal acceleration. The proposed algorithm has been developed to implement the autonomous vehicle in consideration with diverse uncertainties, light calculation and sensor limitation.
The effectiveness of the proposed automated driving algorithm has been evaluated via test-data based simulations and vehicle tests. Diverse simulations have been proceeded to show performance improvement compared to other algorithms through monte-calro simulation. The proposed active lane change algorithm has been successfully implemented on an autonomous vehicle and evaluated via real-world driving tests. Safe and comfortable lane changes have been demonstrated using our autonomous test vehicle in diverse road environments.
-
dc.description.abstract지난 수십 년 동안 주의 산만, 졸음 또는 실수와 같은 인적 오류로 인한 교통 사고는 전체의 94 %를 차지한다. 안전 운전은 도로 교통 차량 분야들의 목표이기 때문에 주요 자동차 제조업체는 운전자 지원 및 능동형 안전 시스템을 개발해왔다. 최근 대부분의 자동차 제조업체는 이미 능동형 안전 시스템을 상용화했다. 자율 주행 시스템 개발을 위한 개별 능동형 안전 시스템들을 통합하여 안전성을 높이고 사망자 줄이려는 수많은 연구가 진행되고 있다. 더욱이 최근 자동차 산업의 관심은 능동적 안전 개발에서 주변 환경을 감지하고 스스로 운전할 수 있는 자율 주행 시스템으로 확장되고있다. 환경, 인구 통계, 사회 및 경제적 측면에서 자율 주행의 영향을 평가하기 위해 많은 프로젝트가 진행되었다.
많은 문헌을 통해, 자율 주행 시스템이 교통 사용자의 안전을 높이고 교통 혼잡을 줄이며 운전자 편의를 향상시키는 것으로 입증되었다. 자율 주행 차량의 핵심 기술인 인지, 거동 계획, 제어 등을 위한 다양한 방법론이 개발되었다. 그러나 현재의 자율 주행 알고리즘은 각 기술의 개별 개발에 초점을 맞추고 있다. 결과적으로 통합 관점에서 자율 주행 시스템을 개발하는 것이 필요하다.
이 논문에서는 운전자 특성을 고려한 자율 주행 차량용 능동형 차로 변경 제어 알고리즘의 설계, 구현 및 평가에 대해 기술한다. 운전자와 주변 차량의 안전을 모두 고려하여 차로 변경이 수행되어야 한다. 따라서 자율 주행 시스템은 사람의 운전 특성을 기반으로 설계되어야 한다. 주행 데이터를 바탕으로 규칙 기반 및 학습 기반 접근 방식을 사용하여 안전 지수를 정의하였다. 또한 충돌 확률을 통해 다양한 불확실성을 고려한다. 이를 바탕으로 확률론적 위험 판단 기반 차로 변경 결정 및 제어 알고리즘이 개발되었다. 주행 모드 결정은 모든 차로 변경 상황을 대처한다. 주행 데이터 기반의 안전 지수를 고려하여 차로 변경을 위한 목표 거동이 계획된다. 확률론적 모델 예측 제어 기법을 통해 차량의 최종 제어 입력이 결정된다. 제안된 알고리즘은 실제 차량에 구현하기 위해 다양한 불확실성, 계산 부하 및 센서 한계를 고려하였다.
제안 된 자율 주행 알고리즘의 효과는 시뮬레이션 및 차량 테스트를 통해 평가되었다. 다른 알고리즘에 비해 성능 향상을 보여주기 위해 다양한 시뮬레이션을 진행하였다. 제안된 능동형 차로 변경 알고리즘은 다양한 주행 도로에서 안전하고 편안한 차로 변경을 차량에 성공적으로 구현했다.
-
dc.description.tableofcontentsChapter 1 Introduction 1
1.1. Background and Motivation 1
1.2. Previous Researches 4
1.3. Thesis Objectives 8
1.4. Thesis Outline 12
Chapter 2 Overview of Autonomous Driving System 14
Chapter 3 Stochastic Motion Prediction 20
3.1. Vehicle Classification 21
3.2. Virtual Vehicle Generation for Perception Limit 25
3.3. Vehicle Model 28
3.4. Prediction Model 32
3.4.1. Prediction of ego vehicle .................................................. 34
3.4.2. Prediction of surrounding vehicle .................................... 36
Chapter 4 Stochastic Risk Assessment 40
4.1. Safety Distance based on Human Driving Data 42
4.1.1. Lane Keeping Safety Distance based on Driving Data .... 43
4.1.2. Lane Change Safety Distance based on Highway Driving Data .................................................................................. 45
4.1.3. Lane Change Safety Distance based on Urban Driving Data .......................................................................................... 50
4.1.4. Kinematic Analysis of Lane Change Safety Distance and Stochastic Prediction based Safety Distance .................... 53
4.2. Lane Change Yield Inference using LSTM-based RNN 55
4.2.1. Dataset Selection .............................................................. 60
4.2.2. Network Architecture ....................................................... 62
4.2.3. Yield Intention Inference based Safety Distance ............. 69
4.3. Collision Probability based on Stochastic Particle 71
4.3.1. Conventional Collision Probability .................................. 72
4.3.2. Proposed Collision Probability to select target for safety control............................................................................... 75
Chapter 5 Decision-Making 80
5.1. Lane Change Availability Check and Target Space Decision 83
5.2. Lane Change Demand Check 87
5.3. Lane Change Possibility Check and Traffic Pressure Mode for Interactive Lane Change 92
5.4. Limit Mode Decision by Road End 95
Chapter 6 Motion Planning and Control 98
6.1. Longitudinal Motion Planning and Control 99
6.2. Lateral Motion Planning and Control 109
Chapter 7 Performance Evaluation 115
7.1. Simulation Test 115
7.1.1. Simulation Environment ................................................. 116
7.1.2. Overtaking simulation for decision-making evaluation . 119
7.1.3. Overtaking simulation to evaluate the effectiveness of virtual vehicle ................................................................. 129
7.1.4. Simulation about cut-in vehicle safety to evaluate the stochastic risk assessment and the predictive control ..... 133
7.1.5. Merging simulation in on-ramp to evaluate MLC .......... 139
7.1.6. Interactive lane change simulation in congested traffic to evaluate the yield intention inference ............................. 145
7.2. Vehicle Test 149
7.2.1. Self-directed Test using First Vehicle Platform ............. 150
x
7.2.2. Highway DLC and MLC Test using First Vehicle Platform ........................................................................................ 156
7.2.3. Highway Overtaking Test for DLC using Second Vehicle Platform .......................................................................... 173
7.2.4. Urban DLC and MLC Test using Third Vehicle Platform ........................................................................................ 181
7.2.5. Self-directed Interactive Lane Change Test using Second Vehicle Platform ............................................................ 193
Chapter 8 Conclusion & Future Works 204
8.1. Conclusion 204
8.2. Future Works 207
Bibliography 208
Abstract in Korean 217
-
dc.format.extentx, 218-
dc.language.isoeng-
dc.publisher서울대학교 대학원-
dc.subjectAutonomous driving vehicle-
dc.subjectHuman driving data-
dc.subjectStochastic prediction-
dc.subjectRisk Assessment-
dc.subjectIntention inference-
dc.subjectRecurrent neural network-
dc.subjectDecision-making-
dc.subjectLane change decision-
dc.subjectMotion planning-
dc.subjectVirtual vehicle-
dc.subjectModel predictive control-
dc.subjectActive lane change-
dc.subject자율 주행 자동차-
dc.subject운전자 주행 데이터-
dc.subject확률론적 예측-
dc.subject위 험 판단-
dc.subject의도 추론-
dc.subject회귀 뉴럴 네트워크-
dc.subject의사 결정-
dc.subject차로 변경 판 단-
dc.subject거동 계획-
dc.subject가상 차량-
dc.subject모델 예측 제어-
dc.subject능동형 차로 변경-
dc.subject.ddc621-
dc.titleActive Lane Change Decision and Control using Data-driven Safety Boundary and Collision Probability-
dc.title.alternative데이터 기반 안전 영역 및 충돌 확률을 이용한 능동형 차로 변경 판단 및 제어 알고리즘 개발-
dc.typeThesis-
dc.typeDissertation-
dc.contributor.AlternativeAuthorCHAE Heungseok-
dc.contributor.department공과대학 기계항공공학부-
dc.description.degreeDoctor-
dc.date.awarded2021-02-
dc.identifier.uciI804:11032-000000163904-
dc.identifier.holdings000000000044▲000000000050▲000000163904▲-
Appears in Collections:
College of Engineering/Engineering Practice School (공과대학/대학원)Dept. of Mechanical Aerospace Engineering (기계항공공학부)Theses (Ph.D. / Sc.D._기계항공공학부)
Files in This Item:
  • mendeley

Items in S-Space are protected by copyright, with all rights reserved, unless otherwise indicated.

Browse