基于改进SVM的无人驾驶行为决策算法.pdfVIP

摘要

摘要

基于改进SVM的无人驾驶行为决策算法

得益于人工智能理论的日益完善，无人驾驶汽车相关技术也得到了迅猛发

展。无人驾驶汽车是集环境感知、行为决策、自适应控制和路径规划等多项功能

于一身的综合系统。其中，行为决策模块如同无人驾驶汽车的大脑，为车辆提供

操作指令，使其安全平稳地驾驶，这对实现无人驾驶来说十分重要。但是，由于

现实交通环境的复杂性，无人驾驶行为决策模块目前还未达到可靠性和时效性等

诸多要求，一旦该模块出现错误，将会给无人驾驶车辆造成不可估量的后果。故

此，有必要对该模块进行深入探索和研究。

无人驾驶行为决策模块通过对车辆周围环境信息的分析，做出相应的驾驶决

策，本质上是一个分类问题。本文在深入研究该类问题的背景、意义和国内外研

究现状后，发现支持向量机具有良好的鲁棒性、泛化性，能够有效地解决非线性

分类问题。然而，传统的支持向量机分类效果受参数选取的影响，若参数选择的

不够合理，会导致支持向量机分类性能下降。故本文采用蝙蝠算法进行优化，创

建最优支持向量机模型。蝙蝠算法是一种随机全局优化的模型，能够利用群体优

势，并综合全局和局部搜索，达到寻优效果。但随着寻优迭代的进行，种群的多

样性会有所减少，易陷入局部最优，存在一定缺陷。故此，针对以上问题，本文

提出基于改进支持向量机的无人驾驶行为决策算法，主要创新点包括以下三个方

面：

（1）支持向量机在处理非线性数据及异常点时会引入待定义的参数。不同

的参数值会对模型产生较大的影响。为创建最优的支持向量机模型，本文提出改

进的蝙蝠算法对其进行优化，返回最优解以提升模型准确率。

（2）蝙蝠算法在寻优的过程中，所有蝙蝠个体始终向最优蝙蝠学习，导致

多样性逐渐下降，容易陷入局部最优解。针对该问题，添加了莱维飞行增加蝙蝠

个体位置的多样性且扩大搜索范围；另外，采取自适应频率的方式，进行调整蝙

蝠个体位置更新公式，使蝙蝠的学习效率大幅度提升。

摘要

（3）由于现实生活中的不同需求，存在功能、尺寸不同的车辆。而不同类

型的车辆驾驶方式会有所差异。本文使用SVM模型进行定量分析并加以验证。通

过模型的验证发现，大型汽车更倾向于稳定的驾驶环境，不会轻易换道，而小型

汽车更倾向于较优的驾驶环境，具有更强的灵活性。

最后，本文使用下一代仿真车辆轨迹数据集(NextGenerationSimulation,

NGSIM)进行验证本文算法的可行性，设计横纵向对比实验逐一对本文创新点进行

验证。通过实验结果表明，本文算法生成的无人驾驶行为决策结果准确率最高。

关键词：

无人驾驶，行为决策，支持向量机，主成分分析，蝙蝠算法

Abstract

Abstract

ADecision-makingAlgorithmofAutonomousVehicleBasedon

ImprovedSVM

Duetotheimprovementofartificialintelligencetheory,autonomousvehicle

relatedtechnologyhasalsobeenrapiddevelopment.Driverlessdrivingisa

comprehensivesystemwithmanyfunctions,suchasenvironmentperception,

decision-making,adaptivecontrolandpathplanning.Amongthem,decision-making

islikethebrainofautonomousvehicle,whichprovidesoperationinstructionsfor

thevehicletodrives