基于自然驾驶数据的高速公路跟驰模型参数标定

为了研究中国驾驶人在高速公路上的跟驰行为特征，从上海自然驾驶研究试验数据库中提取48位驾驶人在高速公路上的跟驰事件并进行特征分析。利用自动化筛选准则及人工验证方式提取1 548个有效事件，选取后车车速与车头间距为性能指标，其均方根百分比误差之和为目标函数，利用遗传算法对Gazis-Herman-Rothery模型、GIPPS模型、智能驾驶人模型、全速度差模型和Wiedemann模型进行参数标定及效果验证。基于误差、碰撞及后退等异常情况出现次数等比较其表现性。研究结果表明：不同模型对中国驾驶人的适应性不同，智能驾驶人模型具有最小的误差和误差标准差，更加适合仿真中国驾驶人在高速公路上的跟驰行为。研究结果对于开发适合于中国驾驶人与道路环境特征的跟驰模型具有重要价值。     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

智能网联环境下基于安全势场理论的车辆跟驰模型

为有效刻画未来智能网联环境下交通流微观跟驰行为，以更加精确地进行车辆的运动决策，建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础，首先阐述了交通环境中安全势场的客观性、普遍性以及可测性，然后通过引入加速度参数对既有安全势场模型进行改进，改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上，构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响，由于不同速度、加速度信息在智能网联环境下车辆可以实时获取，因此该模型可应用于未来智能网联环境中。此外，在模型参数标定过程中，通过对NGSIM数据进行筛选，得到含有较多减速停车以及启动加速状态的轨迹数据，共筛选得到412组NGSIM真实跟驰车对数据，并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果，选择OVM模型、IDM模型与本文模型进行比较，并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标，结果表明，建立的基于安全势场理论的车辆跟驰模型具有良好的精度，适用于描述考虑加速度参数条件下的跟驰行为，可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。     

基于长短期记忆模型的跟车距离预测研究

当前不少前向碰撞预警系统以预警距离作为预警的特征量对驾驶人进行预警,因此,提高对跟车距离的预测准度能够直观有效提高该前向碰撞预警系统的预警能力。研究通过驾驶模拟器构建跟车场景,收集了41名驾驶员的跟车行为数据,按照3:1的比例将试验数据划分为训练集和测试集。将驾驶人的跟车距离与速度作为长短期记忆模型的输入,跟车距离作为模型的输出,对驾驶人的跟车距离进行了预测分析研究。结果表明,利用该数据集的模型能够很好的预测驾驶人的跟车行为,泛化性能较好,没有过度拟合现象。并且通过输入不同时间窗口长度的测试集发现,随着测试集长度的降低,预测结果的误差会更大。能够为提高前向碰撞预警系统的精准度提供理论支持,从而增加驾驶员对预警系统的接受度。     

利用因子分析选取车辆跟驰模型输入变量

现有的微观仿真模型中,车辆跟驰模型的构建多数是基于对交通现象的感性认识,有些模型对数据进行了统计分析,却未直接涉及到对输入变量选择的研究。本文运用因子分析非线性多元统计方法提取典型实验数据的有用信息,寻求能够最大程度反映跟车信息的内生变量作为跟驰模型的输入变量。     

信号交叉口集聚车辆跟驰模型

为验证优化速度模型和广义力模型在模拟信号交叉口停车跟驰行为方面的适应性,在试验分析基础上提出考虑信号灯作用的跟驰模型,分别基于现有优化速度模型和广义力模型构建模拟系统对信号交叉口的停车跟驰行为进行仿真,分析其存在的问题及原因;采用实测数据标定广义力模型的参数,分析标定后模型的适应性;通过试验分析构建信号交叉口停车跟驰模型需考虑的因素并构建1个新的跟驰模型。结果表明:现有优化速度模型不适合描述信号交叉口的停车跟驰行为;重新标定的广义力模型仍存在倒车问题;新提出的跟驰模型能够避免倒车问题且能够很好地拟合实测数据。     

跟车模型研究综述

车辆跟驰理论作为最基础的交通流理论分支,国外在这方面的研究已经持续了半个多世纪,随着智能交通系统(ITS)正蓬勃展开,司机行为和车辆运行特征是构建智能交通系统的基础,从微观角度研究司机、车辆在快速路中的行为特征,其成果将为防止车辆追尾事故、构建智能交通系统、实现交通仿真和估算通行能力提供理论基础。文章在认真分析国内外车辆跟驰理论领域研究的基础上认为,尽管现有的许多跟车模型已经应用于实践,但每个模型都存在或多或少的不足,综合评述已有的成果,发现已有的研究缺乏描述跟车行为的时间序列数据。     

基于城市主干路交通流数据的跟驰模型标定

根据某种机理建立的交通流模型需要通过模型标定和验证后才能具体应用到实际中.通过采用视频处理技术,对陕西省西安市二环主干路和浙江省舟山市昌洲大道上上下高峰时期内的车辆微观运动录像进行技术处理,提取得到了包括位移、速度和加速度的车辆微观运动轨迹数据.根据这些交通流数据,采用Levnberg-Marquardt算法,分别对跟驰理论中2个典型的跟驰模型,即惯性模型中的敏感系数、安全时间间隔、最小安全车间距、允许速度和智能驾驶人模型中的理想速度、安全时间间隔、静止安全距离、启步加速度和舒适加速度进行了标定和验证.针对惯性模型,当允许速度大于实际速度时,位移均方差和速度均方差的平均值分别为2.8m和0.58 m/s,当允许速度小于实际速度时,位移均方差和速度均方差的平均值分别为2.22m和0.49 m/s;针对智能驾驶人模型,利用早、中、晚3组数据进行标定,得到的位移均方差和速度均方差的平均值分别为0.12m和0.10 m/s,0.07m和0.10 m/s,0.75m和0.27 m/s.因此,惯性模型与智能驾驶人模型都可用于描述城市主干路近饱和状态(即跟随车辆的最大速度远小于允许速度的行驶状态)下的车辆跟驰行为,而且当智能驾驶人模型中的加速度指数取较大的值时,它较前者更为适合.      

基于改进IDM-GARCH模型的速度波动不确定性研究（双语出版）

为定量分析跟驰行为中由驾驶人感知不确定性产生的速度波动不确定性，基于改进IDM-GARCH模型研究了后车速度波动存在的异方差性。首先，提出在经典智能驾驶模型中加入速度差刺激项和非对称系数，以增强速度波动方程残差项的实际意义。在此基础上，为度量速度波动的不确定性引入异方差的思想，并验证速度波动方程残差项的异方差性，最后运用广义自回归条件异方差模型对其异方差性建模。实证分析中，采用了美国联邦公路管理局主导下的下一代仿真项目中真实有效的跟驰数据。研究结果表明：改进的IDM模型能有效地拟合实际跟驰行为中后车的速度变化，且较经典IDM模型在精度上有了很大提高；同时，GARCH类模型估计的条件方差也能准确反映后车速度波动的趋势和幅度，以及不同驾驶人驾驶行为的差异。     

基于VSP分布的车辆跟驰模型的油耗测算对比研究

利用GPS收集了大量北京市快速路上车辆跟驰状态下的驾驶行为数据.以GPS采集的行为数据为前车驾驶数据,采用不同车辆跟驰模型来模拟并输出后车的跟驰行为.对连续的瞬时速度按照60s集成并且划分平均速度区间,在同速度区间内对比分析了不同跟驰模型输出的机动车比功率(VSP)分布与真实分布的差异.其后,利用车载油耗仪收集实测的逐秒油耗数据,采用基于VSP分布的油耗测算方法,测算并对比了不同跟驰模型的平均油耗率和油耗因子与真实油耗的差异.研究发现前后车全速度差是车辆跟驰模型中的关键参数,其能明显提升仿真跟驰行为VSP分布的准确性,进而更准确地测算车辆跟驰状态下的燃油消耗.     

跟驰模型中反应延迟时间项作用机制的数值模拟

人类对于事件的反应机制决定了道路行驶车辆在跟驰过程中存在反应延迟现象。对几类常见跟驰模型中所反映出的延迟时间的含义进行了定义与区分。利用Matlab软件对GHR模型、OV模型以及FVD模型进行了2车跟驰状态和车队信号灯放行阶段的模拟,分析了这3类模型中反应延迟时间设置的必要性。结果显示GHR模型中反应延迟时间不可忽视,而OV模型以及FVD模型中反应延迟时间可以省略,同时也证明了各跟驰模型建模思路的合理性。     

对智能驾驶员模型的改进及其应用

传统的跟驰模型在自由流附近不能得到车辆以自由流速度行驶的结论,分段描述的模型解决了这个问题,却破坏了模型的统一性和简单性.智能驾驶员模型（IDM）能够以较少的参数和统一的形式描述从自由流到拥堵流的车辆行为.然而IDM模型在期望距离非负和反应时间问题上存在缺陷,改进了这2点不足.并在分析模型特性的基础上采用北京实测数据,标定了该模型,并应用这个模型研究了快速路出口车队遇到下游信号灯路口后排队和拥堵的产生机制.     

Development of an errorable car-following driver model

An errorable car-following driver model is presented in this paper. An errorable driver model is one that emulates human driver’s functions and can generate both nominal (error-free), as well as devious (with error) behaviours. This model was developed for evaluation and design of active safety systems. The car-following data used for developing and validating the model were obtained from a large-scale naturalistic driving database. The stochastic car-following behaviour was first analysed and modelled as a random process. Three error-inducing behaviours were then introduced. First, human perceptual limitation was studied and implemented. Distraction due to non-driving tasks was then identified based on the statistical analysis of the driving data. Finally, time delay of human drivers was estimated through a recursive least-square identification process. By including these three error-inducing behaviours, rear-end collisions with the lead vehicle could occur. The simulated crash rate was found to be similar but somewhat higher than that reported in traffic statistics.     

考虑驾驶员行为特性的模糊推理跟驰模型改进研究

基于模糊推理的车辆跟驰模型实现了用数学方法描述驾驶员的主观判断、推理和执行的过程,但现有的这类模型通常未考虑驾驶员行为特性的差异。针对这一问题,在基于模糊推理的跟驰模型中引入期望车头时距,不同行为特性的驾驶员具有不同的期望车头时距,在此基础上建立了改进的车辆跟驰模型。仿真结果表明,改进的跟驰模型能准确描述不同类型驾驶员的跟驰行为及其差异。     

期望车头间距的混沌模型研究

通过对跟驰车队刺激———反应过程以及人车单元组合的微观特性分析,说明跟驰车队中具有产生混沌现象的必要特征。首先运用数学方法给出4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,认为改进的期望车头间距模型能更好地反映实际交通流的跟驰特性。     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题，研究了4种基于车路协同环境下实时优化各车的车速引导模型。对车辆进行所属车辆列队划分，考虑车速引导影响对FVD跟驰模型进行改进。以车辆列队为引导单元，将车辆可能面临的交通状况细分为8种引导场景，以引导车辆不停车或少停车通过交叉口为目标，直接优化车辆加/减速度，建立车辆列队后车根据改进的跟驰模型计算目标跟驰加/减速度，并与头车组成列队以同一目标车速通过交叉口停车线的4种车速引导模型。以南昌市海棠北路/枫林西大街交叉口为例进行仿真验证，结果表明，所提出的车速引导模型能使车辆行程时间减少18.9%，最大排队长度减少58.8%，延误减少60.8%，燃油消耗减少36.4%，且适用于不同交通饱和状态，对提高信号交叉口通行效率和减少车辆燃油消耗有显著效果。