科研新品上线啦！付款即可马上解锁下载连接-自动发货！遇到支付问题，请加我V：AAA2025010101，支付问题记得备注“支付”

———————————————————————

注意：代码不会使用联系up，一定会第一时间回复您，放心！

———————————————————————

发货的内容是和视频所有内容完全一样滴打包发，运行结果和展示一致！

———————————————————————

视频详情链接->在b站up：Joymoss，主页内搜索同标题名称查看~

两车交互场景下自主车辆运动规划算法（智能驾驶、减速避撞与换道）：基于深度学习轨迹预测与模型预测算法结合

1.深度学习轨迹预测与模型预测控制融合的自主车辆运动规划算法，以车车交互场景为研究对象，通过将目标车辆（TV）的深度学习轨迹预测结果嵌入自车（EV）MPC 的安全约束，构建风险感知的无碰撞运动规划框架

2.代码实现思路：

（1）目标车辆轨迹预测模块：针对换道场景构建车辆轨迹数据集，采用GRU-RNN 时序预测模型，基于目标车辆历史轨迹序列实现未来轨迹的时序预测；通过数据校准消除样本坐标偏移、轨迹偏移补偿修正预测起点误差，提升预测结果的有效性与准确性。

（2）自车模型预测控制模块：基于线性化离散化运动学自行车模型建立自车状态方程，以参考轨迹跟踪与控制输入优化为目标函数，引入道路边界、车辆物理特性、控制输入可行域等约束，并新增基于目标车辆预测轨迹的椭圆避撞安全约束，将目标车辆预测位置作为椭圆中心，自车状态需满足椭圆域外的距离约束，形成带风险感知约束的 MPC 最优控制问题，通过滚动优化迭代求解最优控制序列。

（3）两车规划算法：将经偏移补偿的目标车辆预测轨迹，直接编码为自车 MPC 的安全约束，实现深度学习轨迹预测与模型预测控制的深度耦合，使自车运动规划实时纳入目标车辆的运动趋势，实现车车交互下的风险感知决策。

3.仿真验证结论：以双车道高速公路车车交互换道场景为验证场景（自车行驶于中间车道，目标车辆从外侧车道换入中间车道，存在潜在碰撞风险）开展仿真，验证结论如下：

（1）GRU-RNN 预测模型收敛性与精度良好，训练集 RMSE=15.92、测试集 RMSE=10.91，可精准捕捉 TV 换道时序特征，满足实时控制需求；

（2）算法具备有效的风险感知与无碰撞规划能力，可使 EV 根据 TV 预测轨迹主动减速避撞、换道完成后平滑回归参考状态，且随 TV 历史数据累积，预测轨迹贴合度提升，避撞决策更精准。

4.文献：《Incorporating Target Vehicle Trajectories Predicted by Deep Learning into Model Predictive Controlled Vehicles》