Maskinlärning för målval för adaptiv fartreglering

Vehicles will be more complex, safe, and intelligent in the future. For instance, with the support of the advanced driver assistance system (ADAS), the safety and comfort of the driver and the passengers can be significantly improved. This degree project proposes data-driven solutions for adaptive cruise control (ACC) target selection that can be used to select one of the preceding vehicles as the primary target that similar to the choice of human drivers. This master degree project was carried out at Scania CV AB. A shared-network and a shared-LSTM network were used to select the primary target. Besides, A novel machine learning based target selection model (compare-target model) was designed, which can consider all neighboring vehicles together by comparing vehicles. A compare-target network and a compare-target XGBoost are developed based on the compare-target model. In total, four different machine learning methods were adopted to select the primary target for ACC, includ- ing a shared network, a shared-LSTM network, a compare-target network, and a compare-target XGBoost model. These methods were compared and analyzed. Fine-tuning was adopted to overcome the data imbalance problem of rare situations. The compare-target XGBoost can achieve 94.85% accuracy on the test set.Fordon kommer att vara mer komplexa, säkra och intelligenta i framtiden. Till exempel, med stöd av det avancerade förarassistanssystemet (ADAS) kan föraren och passagerarnas säkerhet och komfort förbättras avsevärt. Detta examensarbete föreslår datastyrda lösningar för målval för adaptivt fartreglering (ACC) för att välja ett av föregående fordon som det primära målet. Valet liknar det som människor gör. Arbetet genomfördes i samarbete med Scania CV AB. Ett delat nätverk och ett gemensamt LSTM-nätverk användes för att välja det primära målet. Dessutom har en ny maskinbaserad målvalsmodell (jämförelse-målmodell) utformats, vilken kan överväga alla närliggande fordon tillsammans genom att jämföra fordon. Ett jämför-mål-nätverk och ett jämförbart mål XGBoost utvecklas baserat på jämförelsemodellen. Totalt användes fyra olika maskininlärningsmetoder för att välja det primara målet för ACC, inklusive ett delat nätverk, ett gemensamt LSTM-nätverk, ett jämförelsemål-nätverk och en jämförbar XGBoost-modell. Dessa meto- der jämfördes och analyserades. Finjustering antogs för att motverka dataobalansproblemet för sällsynta situationer. Jämförelse-målet XGBoost kan uppnå 94.85% noggrannhet på testuppsättningen