車道變換軌跡規劃及策略演算法設計 - artc · 2018-02-27 ·...

中華民國第二十二屆車輛工程學術研討會，國立台北科技大學車輛工程系，台北，2017年 11月 24日 The 22nd National Conference on Vehicle Engineering, National Taipei University of Technology, Taipei, Taiwan. Nov. 24, 2017, A–88

---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

1

車道變換軌跡規劃及策略演算法設計

林伯翰 1、王威仁 1、吳秶菘 1 1車輛研究與測試中心(工程師)

E-mail: [email protected]

科技部計畫編號:106-EC-17-A-25-1379

摘要車道變換是一個相當複雜的駕駛行為，時常因為錯

誤的環境估測、駕駛人疏失等原因導致發生碰撞事故。

在本文中提出藉由界定車輛周圍之環境資訊並依據偵

測資訊分類為不同的狀態特徵來建立訓練數據樣本，使

用非線性自迴歸模型類神經網路演算法 (Nonlinear

AutoRegressive eXogenous model Neural Network,

NARX NN)演算法以數據樣本進行訓練以達到車道變

換行為決策之目的。根據決策結果與車輛周圍的可行駛

空間根據梯形加速度軌跡規劃演算法進行車道變換，利

用該軌跡完成無碰撞且安全的車道變換之駕駛行為。本

文提出之研究方法使用MATLAB設計模擬場景並驗證

決策演算法與所規劃之軌跡，透過模擬結果可以得知決

策模型可以由周圍環境正確判斷能否安全的執行車道

變換並以規劃之軌跡可使車輛順利切換至目標車道。

關鍵詞：車道變換、類神經網路、軌跡規劃、決策系統、

自動駕駛。

1. 前言根據臺灣交通部公路局統計資訊，104 年的國道

A1類交通事故中肇事原因為駕駛人因素高達 79%[1]，

包含未保持行車安全距離、變換車道以及方向不當等原

因，統計 102年至 104年國道 A1類事故同樣以車道變

換不當等為大宗[2]。車道變換成為事故的主要原因乃

是因駕駛者對於車輛周圍環境評估錯誤導致的車輛碰

撞，目前的各界研究皆指出藉由自動或輔助駕駛等系統

可以降低人為駕駛時的潛在錯誤。

為了模擬在多個車道之間的車道變換，參考行駛

車輛與周圍環境的動態因素是有必要性的，舉例來說一

般人為駕駛時再決定要車道變換前會參考許多因素，包

括最小安全距離、目標車道的前車與後車相對速度等。

這些研究以前相對較少被提及，公路事故中大宗原因皆

與對車輛周圍環境的錯誤判斷相關，為降低人為駕駛錯

估駕駛情況的影響，在有關於基於先進輔助駕駛系統的

車道變換功能研究中多發展於規則庫或應用方法等方

向。在[3]和[4]中Kasper等作者使用物件導向貝氏網路

方法模擬交通狀況作為車道變換行為判斷，貝氏網路也

由Schubert等作者使用在車道變換模擬與決策功能上

[5]。在[6]中作者提出使用九宮格概念在維持目前車道

行駛或變換車道駕駛等行為決策前的周圍環境且九宮

格內容會隨環境動態改變。在其他相關研究則專注於車

道變換預測。在[7][8]中訓練類神經模型來預測車道變

換軌跡，動態貝式網路同樣也被Gindele等作者[9]與

Schlechtriemen 等作者[10][11]用來駕駛行為與軌跡預

測。在此同時Kumar等作者[12]使用支援向量機與貝葉

式濾波器達到相同目的，Naranjo等作者使用模糊邏輯

來模擬人為駕駛時超車的行為與反應[13]，Bahram等作

者提出非線性模型預測方法來實現決策功能[14]。本文模擬高速公路環境建立車道變換場景與決策

模型，在場景中規劃複數車道與鄰車來驗證所提出之決

策模型是否能正確判斷周圍環境決定車道變換行為可

否執行以及追循梯形加速度軌跡進行車道變換。首先，

在車輛周圍定義九宮格範圍[15]與收集 38 個狀態特徵

[16]來並分類周圍環境資訊、本車動態等數據做為訓練

數據樣本給予決策演算法進行訓練，在模擬實驗中使用

方向燈訊號來啟動演算法流程，除了決定車道變換方向

也可降低所要收集數據的維度，將所收集到的數據樣本

輸入至非線性自動回歸類神經網路演算法[17]進行離

線訓練，判斷是否有滿足執行車道變換條件，如滿足決

策條件再設計車道變換軌跡[18]，最後，在模擬場景中

呈現決策結果與規劃的車道變換軌跡。

文章內所出現之數學符號對應如附錄表。本文架構

包含如下:第二章節介紹所用研究方法，包含如何設計

車道變換決策與軌跡規劃的方法。第三章節說明本文提

出之研究方法的模擬結果。第四章節則為本文之結論。

2. 研究方法本章節將會介紹研究架構，包含道路變換之策略設

計方法、決策模型以及軌跡規劃。

2.1 策略設計本文提出之車道變換決策模型首先收集環境資訊

與主車之車身動態並依照相對速度及加速度建立車輛

周圍之時變九宮格範圍，再將收集之數據分類與時變九

宮格的資訊以先前定義好的狀態特徵來建立訓練數據

模型。圖 1為車道變換的示意場景，在圖 1(a)中，階段

一為收集環境資訊以利進行決策階段，此階段將周圍環

境資訊、主車之車身動態並依照相對速度及加速度建立

車輛周圍之時變九宮格範作為決策演算法之輸入，藉此

判斷是否有足夠空間可執行車道變換，如判斷可執行即

進入圖 1(b)的階段二，經由先前收集資訊來規劃避障軌


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

2

跡進行避開前車並變換至目標車道之駕駛行為。

(a)

(b)

圖 1 車道變換決策與軌跡規劃場景;(a) 決策場景，(b)

軌跡規劃場景。

前述中提及許多事故原因為車輛行駛動態環境的

錯誤判斷所造成。因此本文提出時變九宮格的方法，此

方法是藉由收集環境資訊使本車動態來設計車輛周圍

之具有時間間隔(Time Gap)九宮格如圖 2所示，亦即將

直觀的前後車相對距離更改為煞車所需時間資訊。

圖 2 具有時間間隔之時變九宮格設計

設計之九宮格側向範圍涵蓋主車(ego)行駛車道與

左右兩個車道，依照車道寬度為常數定值，九宮格之縱

向長度則依照主車與前後車行駛速度而變化，計算一可

變之安全空間做為決策模型之訓練參數，其縱向距離計

算公式如式(1)-(3)：

𝐷𝑓𝑟𝑜𝑛𝑡1,2,3 = max{𝐷𝑏𝑟𝑒𝑎𝑘1,2,3 , 𝐷𝑚𝑖𝑛𝑒𝑔𝑜} + max*𝑉𝑒𝑔𝑜 − 𝑉𝑓𝑟𝑜𝑛𝑡1,2,3 , 0+ ×

𝑇𝑖𝑚𝑒𝐿𝐶 (1)

𝐷𝑏𝑎𝑐𝑘6,7,8 = 𝐷𝑚𝑖𝑛6,7,8 +max*𝑉𝑏𝑎𝑐𝑘6,7,8 − 𝑉𝑒𝑔𝑜, 0+ × 𝑇𝑖𝑚𝑒𝐿𝐶 (2)

𝐷𝑒𝑔𝑜 = max{𝐷𝑏𝑟𝑒𝑎𝑘1,2,3 , 𝐷𝑚𝑖𝑛𝑒𝑔𝑜} + max {𝑉𝑒𝑔𝑜 − 𝑉𝑓𝑟𝑜𝑛𝑡1,2,3 , 0} × 𝑇𝑇𝑅

(3)

其中𝐷𝑚𝑖𝑛為主車後方三台車輛的最小安全距離，

𝐷𝑚𝑖𝑛𝑒𝑔𝑜則為主車(ego)的最小安全距離：

𝐷𝑚𝑖𝑛6,7,8 =𝑉𝑏𝑎𝑐𝑘6,7,8

2and𝐷𝑚𝑖𝑛𝑒𝑔𝑜 =

𝑉𝑒𝑔𝑜

2 (4)

主車(ego)前方之安全煞車距離為：

𝐷𝑏𝑟𝑒𝑎𝑘1,2,3 = V × (𝑇𝐵1,2,3 + 𝑇𝑇𝑅 ) +主車車身長度 (5)

其中TTR為 Euro NCAP所規範之反應時間，TB則為煞

車所需時間，其公式如(6)-(7) ：

𝑇𝑇𝑅 = 1.2 𝑆𝑒𝑐 (𝐸𝑢𝑟𝑜 𝑁𝐶𝐴𝑃) (6)

𝑇𝐵1,2,3 = −𝑆1,2,3

𝑉𝑟1,2,3+

√𝑉𝑟1,2,32 −2𝑆1,2,3𝑎𝑟1,2,3

𝑎𝑟1,2,3 (7)

其中𝑆1,2,3、𝑉1,2,3、𝑎1,2,3分別為前車相對縱向距離、相

對縱向速度、相對縱向加速度，本文設𝑎1,2,3 = −0.4𝑔。

透過九宮格之設計將收集之資訊分為 38個特徵，如表

1所示，分別收集橫向與縱向的距離、速度資訊，其中

信號燈為主車之方向燈訊號，作為開始收集決策與軌跡

規劃特徵參數之開始點與中止點如圖 3(a)所示。

表 1 決策之訓練參數

2.2 決策演算法設計本文提出之決策演算法由主車之方向燈訊號作為

起始，決策系統在方向燈運作期間執行特徵收集、車道

變換決策，並根據左/右側方向燈決定道路變換之方向

來簡化於九宮格範圍內收集之訓練參數維度，再經由收

集之訓練參數判斷是否有足夠安全距離可以直行車道

變換如圖 3(b)所示。

(a) (b)

圖 3決策系統之訓練參數收集及演算法流程圖;(a) 收

集決策訓練參數步驟，(b) 決策演算法流程圖。

車道變換決策之演算法以機器學習架構設計，本文

採用非線性自動回歸類神經網路為決策演算法，將前述


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

3

提及之 38個訓練參數作為演算法輸入進行策略訓練，

所使用之類神經網路演算法架構如圖 4所示

圖 4 非線性自動回歸類神經網路架構

在類神經演算法中共分為輸入層、隱藏層、輸出層，在

架構圖中左側的輸入層之輸入為:

𝑈 = [𝑋(𝑡) 𝑋(𝑡 − 0.1)⋯𝑋(𝑡 − 𝑛) 𝑦(𝑡) 𝑦(𝑡 − 0.1)⋯𝑦(𝑡 − 𝑛)] (8)

其中X(t)與 y(t)分別為輸入及輸出之訓練數據樣本，n

代表延遲時間。

隱藏層之輸入為：

𝑖𝑛𝑝𝑢𝑡 𝑛𝑒𝑡 = 𝑊 ∗ 𝑈 (9)

隱藏層之輸出為：

f(𝑛𝑒𝑡) =1

1+𝑒−𝑛𝑒𝑡 (10)

在隱藏層中𝐵𝑋、𝐵𝑦、𝐵𝑓為偏差值，W則是神經元權重

值,𝑤1, 𝑤2,𝑤3… ,𝑤38,-，𝑓𝑥, 𝑓𝑦 , 𝑓為傳遞函數。

在架構中右側的輸出層之輸出為：

Y= output net= 𝑊 ∗ f(𝑛𝑒𝑡) (11)

當方向燈訊號觸發決策演算法後，將輸入及輸出之

訓練樣本輸入類神經網路，藉由隱藏層疊代更新權重值

達到訓練效果，直到達到收斂條件式(12)-(14) ：

𝑦 − �̂� < 設定值 (12)

w(t + 1) −w(t) 足夠小 (13)

達到最大疊代次數 (14)

滿足收斂條件即為完成訓練並輸出結果判斷是否能夠

執行車道變換，演算法流程如圖 5所示。

圖 5 演算法流程圖

2.3 軌跡規劃設計本章節說明軌跡規劃演算法。經過決策演算法判定

有足夠空間可執行車道變換便開始執行規劃軌跡。本文

採用梯形加速度軌跡[4]進行軌跡規劃，經由決策演算

法所設定最大側向加速度及最大側向急跳度規畫車道

變換軌跡如式(15) ：

𝑎𝑦,𝑇𝐴𝑃(𝑡) =

{

0

𝐽𝑦,𝑚𝑎𝑥𝑡𝑎𝑦,𝑚𝑎𝑥

𝑎𝑦,𝑚𝑎𝑥 − 𝐽𝑦,𝑚𝑎𝑥(𝑡 − 𝑡2)

−𝐽𝑦,𝑚𝑎𝑥(𝑡 − 𝑡3)−𝑎𝑦,𝑚𝑎𝑥

−𝑎𝑦,𝑚𝑎𝑥 + 𝐽𝑦,𝑚𝑎𝑥(𝑡 − 𝑡5)

0

𝑓𝑜𝑟 𝑡 ≤ 0

𝑓𝑜𝑟 0 < 𝑡 ≤ 𝑡1

𝑓𝑜𝑟 𝑡1 < 𝑡 ≤ 𝑡2





𝑓𝑜𝑟 𝑡 > 𝑡6

(15)

其中𝐽𝑦,𝑚𝑎𝑥為最大可產生之側向急跳速度(Lateral jerk)，

為可調整的一個參數，𝑎𝑦,𝑚𝑎𝑥為本車可使用之最側向大

加速度以及車道變換時各時間常數定義如下:

𝑡1 =𝑎𝑚𝑎𝑥

𝐽𝑦,𝑚𝑎𝑥，𝑡2 =

−𝑡12+√𝑡1

4+4𝑡1𝑦𝑒𝑣𝑎𝐽𝑦,𝑚𝑎𝑥

2𝑡1 (16)

𝑡3 = 𝑡1 + 𝑡2，𝑡4 = 2𝑡1 + 𝑡2，𝑡5 = 𝑡1 + 2𝑡2，𝑡6 = 2𝑡1 + 2𝑡2 (17)

根據(15)-(17)可得到車道變換側向加速度與車道變換

時間之關係圖如圖 6所示，圖 6(a)為車道變換期間的側

向加速度變化情形，其中時間總長為 3.62sec，藉由加

速度規劃來發展車道變換之軌跡，圖 6(b)為車道變換過

程中的速度規劃，圖 6(c)為向左方之目標車道的變換軌

跡，其中𝑦𝑒𝑣𝑎為車道變換所需要之側向位移，𝑅𝐿𝑃𝑆為車

道變換起始點至結束點之距離。


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

4

(a)

(b)

(c)

圖 6 車道變換之側向加速度、速度規劃與軌跡關係

圖;(a) 車道變換期間的側向加速度變化，(b) 車道變換

過程中的速度規劃，(c) 向左方之目標車道的變換軌

跡。

本文提出之決策與軌跡規劃架構如圖 7 所示，在

左半部藍色流程圖為決策系統，決策期間透過收集周圍

環境資訊建立數據樣本，以機器學習架構之類神經演算

法進行決策，如決策輸出為允許車道變換即開始依照環

境資訊規劃軌跡並輸出給車輛執行如右半部綠色流程

圖所示。

圖 7 決策與軌跡規劃架構圖

3. 模擬結果經由模擬結果來測試本文提出之決策模型與軌跡

規劃，其中包含了模擬場景中的決策輸出與車道變換軌

跡。

3.1 模擬場景如同圖 1 所示，本文提出之決策演算法的模擬場

景為雙車道之直線道路，道路上車輛包含了主車與鄰車

以不同速度行駛(主車為紅色，鄰車為藍色)，模擬場景

中位於左側車道的主車欲避開前方鄰車，故執行向右的

車道變換至右側車道，模擬結果會呈現在主車周圍的鄰

車在不同位置下主車欲執行車道變換時的決策結果與

可執行時的軌跡規劃結果。

3.2 決策輸出與車道變換軌跡本文提出車道變換決策與軌跡規劃演算法，其內容

根據圖1所表示之場景與圖7所示決策及軌跡規畫架構，

模擬場景使用的參數如表 3所示，再以 MATLAB進行

模擬驗證，。

藉由前述表 1之訓練樣本與圖 5之決策演算法，將

訓練樣本輸入進行訓練後得到之決策判斷是否進行車

道變換。

圖 8 訓練結果

表 2 訓練樣本參數

數據樣本 1300

訓練樣本 875

測試樣本 200

驗證樣本 225

車道變換事件 100

成功樣本數 1200

成功率 92%

預設可執行與不允許執行車道變換之訓練樣本輸

入作為訓練目標，將收集之 1300筆數據分為訓練樣本

875筆、測試樣本 200筆、以及驗證樣本 225筆如表 2

所示，藉由輸入至類神經網路演算法進行訓練，由圖 8

之結果可以看到在輸入的1300筆資料中有1200筆之結

果接近預設之目標，訓練成功率達 92%。

圖 9 為本車進行右側車道變換模擬圖，圖 9(a)-(b)

為決策階段，圖 9(a)為主車啟動右側方向燈，圖 9(b)

為主車收集環境資訊後，本車使用前述的九宮格概念建

立數據樣本後交由決策演算法計算安全空間使得本車


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

5

可以執行車道變換。圖 9(c)-(e)為軌跡規劃階段。圖 9(c)

為接收到允許車道變換命令時同時規劃避障軌跡，圖

9(d)為主車依據該變換軌跡進行車道變換至目標車道，

圖 9(e)完成車道變換任務。

(a)

(b)

(c)

(d)

(e)

圖 9 右側車道變換決策與軌跡規劃模擬結果;(a) 主車

啟動右側方向燈，(b) 計算安全空間使得本車可以執行

車道變換，(c) 接收到允許車道變換命令時同時規劃避

障軌跡，(d) 主車依據該變換軌跡進行車道變換至目標

車道，(e) 完成車道變換任務。

表 3 模擬實驗參數表

橫向最大加速度(𝑎𝑦𝑚𝑎𝑥) 2𝑚 𝑠2⁄

橫向最大急跳速度(𝑗𝑦𝑚𝑎𝑥) 4𝑎𝑦𝑚𝑎𝑥 = 8𝑚 𝑠3⁄

車道變換時間(t) 3sec

主車初始速度(𝑣𝑒𝑔𝑜) 65 𝑘𝑚 ⁄

左側車道(上)車輛速度 60 𝑘𝑚 ⁄

右側車道(下)車輛速度 50 𝑘𝑚 ⁄

前車縱向加速度(𝑎1,2) −0.4g

延遲時間(n) 0.4

圖10為本車進行左側車道變換模擬圖，圖10(a)-(c)

為決策階段，圖 10(a)為主車啟動左側方向燈，圖 10(b)

-(c)為主車收集環境資訊後，本車使用前述的九宮格概

念建立數據樣本後交由決策演算法計算安全空間。圖

10(b)顯示本車與目標車道間有鄰車存在於空間中使得

本車無法執行車道變換，因此本車等待直到車道變換之

安全空間出現才決定進行車道變換如圖 10(c)。圖

10(d)-(f)為軌跡規劃階段。圖 10(d)為接收到允許車道變

換命令時同時規劃避障軌跡，圖 10(e)為主車依據該變

換軌跡進行車道變換至目標車道，圖 10(f)完成車道變

換任務。

(a)

(b)

(c)

(d)

(e)

(f)

圖 10 左側車道變換決策與軌跡規劃模擬結果; (a) 主

車啟動右側方向燈，(b) 本車與目標車道間有鄰車存在

於空間中使得本車無法執行車道變換，(c) 本車等待直

到車道變換之安全空間出現，(d) 接收到允許車道變換

命令時同時規劃避障軌跡，(e) 主車依據該變換軌跡進

行車道變換至目標車道，(f) 完成車道變換任務。


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

6

4. 結論在本文中提出了車道變換的決策與軌跡規劃演算

法，本演算法可根據周圍環境及本車動態之間的相對關

係判定是否有足夠安全空間可執行車道變換並規劃避

障軌跡完成車道變換動作。結合碰撞與煞車時間與所計

算的九宮格之間的空間關係與定義好的狀態特徵能夠

應對各種車道變換狀況並建立訓練數據樣本，透過非線

性自迴歸模型類神經網路演算法去自我訓練調整隱藏

層的權重達到車道變換的決策功能，進而判定一完全安

全之車道空間是否存在。此外，本文使用梯形加速度軌

跡規劃演算法進行車道變換之軌跡規劃，考慮了車輛動

態包含側向加速度與急跳度，使得車道變換過程更加平

穩。從實驗結果可知，本演算法可在車道變換中得到良

好的效果。

5. 致謝本文作者感謝財團法人車輛研究測試中心的經費

與實驗之協助，計畫編號 B061-ADS2

6. 附錄符號對照表

變數定義變數定義

𝐷𝑓𝑟𝑜𝑛𝑡1,2,3 主車前方九宮格

範圍 𝑎1,2,3

前車縱向

相對加速度

𝐷𝑏𝑎𝑐𝑘6,7,8 主車後方九宮格

範圍 X(t) 輸入之訓練樣本

𝐷𝑏𝑟𝑒𝑎𝑘1,2,3 主車前方車輛

煞車距離 y(t) 輸出之訓練目標

𝐷𝑚𝑖𝑛6,7,8 主車後方三台車

最小安全距離 𝐵𝑋 , 𝐵𝑌 , 𝐵𝑓 偏差值

𝐷𝑚𝑖𝑛𝑒𝑔𝑜 主車最小安全距離 W 神經元權重值

𝐷𝑒𝑔𝑜 主車所在九宮格

範圍 𝑓𝑥, 𝑓𝑦, 𝑥𝑓 傳遞函數

𝑉𝑒𝑔𝑜 主車車速 f(net) 隱藏層輸出

𝑉𝑓𝑟𝑜𝑛𝑡1,2,3 主車前方九宮格

範圍內車輛車速 �̂� 訓練樣本輸出

𝑇𝑖𝑚𝑒𝐿𝐶 車道變換時間 𝑎𝑦,𝑇𝐴𝑃 車道變換軌跡

𝑇𝑇𝑅 Euro NCAP所規範

之反應時間 𝐽𝑦,𝑚𝑎𝑥 最大側向急跳速度

𝑇𝐵1,2,3 前方三台車所需

煞車時間 𝑎𝑦,𝑚𝑎𝑥 最大側向加速度

𝑆1,2,3 前車縱向相對距離 𝑦𝑒𝑣𝑎 車道變換側向距離

𝑉1,2,3 前車縱向相對速度 𝑅𝐿𝑃𝑆 車道變換起始點至

結束點之距離

7. 參考文獻 [1] 高公局 104年國道事故檢討分析報告 P.13

[2] http://www.freeway.gov.tw/Publish.aspx?cnid=516&

p=2849 高工局交通安全資訊國道交通事故統計

及特性分析

[3] D. Kasper, G. Weidl, and T. Dang, et al., “Object-oriented Bayesian networks for detection of

lane change maneuvers,” IEEE Intell. Transp. Syst.

Mag., vol. 4, no. 1, pp. 19–31, 2014.

[4] D. Kasper, G. Weidl, and T. Dang, et al., “Object-oriented Bayesian networks for detection of

lane change maneuvers,” in Proc. IEEE Intelligent

Vehicles Symp., 2010, pp. 673–678.

[5] R. Schubert, K. Schulze, and G. Wanielik, “Situation assessment for automated lane-change maneuvers,”

IEEE Trans. Intell. Transp. Syst., vol. 11, no. 3, pp.

607–616, 2010.

[6] S. Sivaraman and M. M. Trivedi, “Dynamic probabilistic drivability maps for lane change and

merge driver assistance,” IEEE Trans. Intell. Transp.

Syst., vol. 15, pp. 2063–2073, 2014.

[7] R.S. Tomar, S. Verma, and G.S. Tomar, “Prediction of lane change trajectories through neural network,”

in Proc Int. Conf. Computational Intelligence and

Communication Networks, 2010, pp. 249–253.

[8] A. Polychronopoulos, M. Tsogas, and A. Amditis, et al., “Dynamic situation and threat assessment for

collision warning systems: the euclide approach,” in

Proc. IEEE Intelligent Vehicles Symp., 2004, pp.

636–641.

[9] T. Gindele, S. Brechtel, and R. Dillmann, “A probabilistic model for estimating driver behaviors

and vehicle trajectories in traffic environments,”in

Proc Int. IEEE Conf. Intelligent Transportation

Systems, 2010, pp.1625–1631.

[10] J. Schlechtriemen, A. Wedel, J. Hillenbrand, G. Breuel, and K. Kuhnert, “A lane change detection

approach using feature ranking with maximized

predictive power,” in Proc. IEEE Intelligent Vehicles

Symp., 2014, pp. 108–114.

[11] J. Schlechtriemen, F. Wirthmueller, A. Wedel, G. Breuel, and K. D. Kuhnert, “When will it change the

lane? A probabilistic regression approach for rarely

occurring events,” in Proc. IEEE Intelligent Vehicles

Symp., 2015, pp. 1373–1379.

[12] P. Kumar, M. Perrollaz, S. Lef `evre, and C. Laugier, “Learning-based approach for online lane change

intention prediction,” in Proc. IEEE Intelligent

Vehicles Symp., 2013, pp. 797–802.

[13] E. Naranjo, C. Gonzalez, R. Garcia, and T. de Pedro, “Lane-change fuzzy control in autonomous vehicles

for the overtaking maneuver,” IEEE Trans. Intell.

Transp. Syst., vol. 9, no. 3, pp. 438–450, 2008.

[14] M. Bahram, A. Wolf, M. Aeberhard, and D. Wollherr, “A prediction-based reactive driving strategy for

highly automated driving function on freeways,”in

Proc. IEEE Intelligent Vehicles Symp., 2014, pp.

400–406.

[15] Quoc Huy Do, Seiichi Mita, Hossein Tehrani, Masumi Egawa, Kenji Muto and Keisuke Yoneda,

“Human Drivers Based Active-Passive Model for

Automated Lane Change”, IEEE Intelligent

transportation systems magazine, pp.42-56,Spring

2017.

[16] Wonshik Chee, Masayoshi Tomizuka, Vehicle Lane Change Maneuver In Automated Highway

Systems,Spring,1994

[17] Shahid M. Awan, Member, IEEE, Zubair. A. Khan1, M. Aslam, Waqar Mahmood, Affan Ahsan,

“Application of NARX based FFNN, SVR and ANN

Fitting models for long term industrial load

forecasting and their comparison”, IEEE International

http://www.freeway.gov.tw/Publish.aspx?cnid=516&p=2849http://www.freeway.gov.tw/Publish.aspx?cnid=516&p=2849http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6230783


---------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------

7

Symposium on Industrial Electronics , 2012

[18] Wonshik Chee, Masayoshi Tomizuka,“Vehicle Lane Change Maneuver In Automated Highway Systems”,

California PATH Research Report,

UCB-ITS-PRR-94-22, 1994
http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6230783http://ieeexplore.ieee.org/xpl/mostRecentIssue.jsp?punumber=6230783

車道變換軌跡規劃及策略演算法設計 - artc · 2018-02-27 ·...

Documents