基于机器视觉的客运车辆危险行驶状态辨识技术研究

为了提高客运车辆危险驾驶状态的辨识效能,提出利用机器视觉辨识危险驾驶行为。使用车载CCD实时采集路面图像,依据图像处理算法检测车道标识线的位置以及本车与前方目标车辆的实时距离,建立了车辆横向偏航辨识模型和车辆纵向危险行驶状态辨识模型;结合所建模型的辨识结果,确定预警方案。实车试验结果表明,所建模型能有效辨识车辆横向偏航和纵向跟车过近危险行驶行为,可用来降低潜在的危险驾驶行为,提高车辆在途行驶安全性。     

面向交叉口主动安全的车路协同辅助决策系统设计

针对交叉口红灯启亮前10 s,驾驶行为不稳定造成的交通秩序混乱、安全性差和效率低等问题,为控制交叉口处的行驶车速,辅助驾驶员准确决策,开发了一种面向交叉口主动安全的车路协同辅助决策系统。采用系统分层模块化设计,将系统分为信息采集、决策控制、智能埋地灯3个模块;根据交叉口信号相位、驶近车辆的速度信息,在分析两难区动态特性的基础上建立辅助决策模型,对当前驾驶行为的安全性进行判断;根据判断结果控制智能埋地灯状态与动态黄灯时间。通过智能埋地灯在熄灭、启亮红色、红色闪烁3种状态间灵活切换,对驾驶员进行视觉提醒,同时结合动态黄灯时间,能够有效规避交叉口事故发生的风险,缩短保守型驾驶行为带来的时间延误,整体提高路网的鲁棒性。     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

基于自然驾驶数据的跨江大桥小客车驾驶行为特征研究

跨江大桥历来都是城市交通的命脉和交通结点,为明确跨江大桥的运行速度特征以及驾驶行为模式,在重庆市菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用航姿测量系统和Mobileye630采集自然驾驶状态下汽车的连续行驶速度、加速度和道路环境信息.基于自然驾驶数据,明确了菜园坝大桥的速度变化模式,分析了车辆合、分流对大桥主线行驶车辆运行特性的影响.研究结果表明,菜园坝长江大桥2个行驶方向都呈"加速-减速-加速-减速"的变化趋势;在自由流状态下,桥头和桥尾15th百分位与85th百分位速度的差值从10 km/h增加到20 km/h,不同驾驶人在大桥上的速度幅值具有较强的离散性,表明车辆之间存在严重的纵向冲突,揭示了跨江大桥车辆追尾事故的本质原因.菜园坝大桥菜苏方向合流区平均减速距离131 m,平均减速度为-0.301 m/s2,分流区平均减速距离213 m,平均减速度-0.406 m/s2,苏菜方向分流区平均减速距离267 m,平均减速为-0.387 m/s2,车辆在合流点附近的减速距离和减速度要低于分流点,合流与分流车辆的换道行为会显著影响大桥主线直行车辆的运行状态,导致驾驶人采取减速行为.匝道出入口与桥头距离越近,车辆速度受到的影响程度就会高,有必要加强分/合流点附近的交通管控和行车引导,提高车辆行驶安全性.      

无人驾驶汽车减速通过交叉口最佳油耗方法研究

针对无人驾驶汽车油耗控制问题,研究了无人驾驶汽车如何以最佳油耗减速通过交叉口的方法。当单个车辆需要减速通过交叉口时,通过在车联网环境下车辆获得的信号灯相位信息和配时信息,结合车辆油耗的特点,寻找车辆的最佳行驶轨迹。     

城市干路交叉口右转车辆轨迹流线与曲率特性分析

为明确城市干路交叉口汽车右转的轨迹特性和轨迹曲率模式，使用无人机在重庆市4个城市道路交叉口上方进行高空拍摄。利用图像分析方法采集了右转车辆的轨迹数据，包括时间、行驶速度和轨迹坐标等，通过对相邻轨迹点外接圆半径的计算得到轨迹曲率。运用轨迹线-车道边缘线的间距值分析了右转车辆轨迹通过位置分布与交叉口几何布局之间的关系，明确了交叉口右转车辆轨迹的曲率特性。运用聚类方法识别了右转车辆的6种轨迹曲率形态，确定了不同轨迹曲率形态下的常见驾驶行为，并研究了车辆行驶速度与轨迹曲率的相关关系。研究结果表明:①交叉口几何布局（包括路缘半径、车道宽度和出口车道数）对右转轨迹通过位置分布存在影响；②带渠化设计的右转专用道可以限制轨迹分布范围，减少右转交通的冲突和延误；③在右转过程中公交车辆较小型汽车所需侧向空间更大，轨迹分布的离散程度更低；④轨迹曲率的关键点与圆曲线设计中的主要点变化趋势不一致；⑤车辆加速度与轨迹曲率变化率呈负相关关系，相关系数为-0.843 5；⑥行驶速度与等效半径存在正相关关系，车辆行驶速度越快，圆曲线内轨迹的等效半径越大。      

Vehicle Rear-end Collision Warning Algorithm Based on Driver's Braking Behavior

利用图像式汽车行驶记录仪在北京市采集了大量自然行驶状态下的驾驶行为数据,基于追尾碰撞中的驾驶员制动操作行为,分析驾驶员安全与危险跟车状态和车辆状态参数之间的关系,利用Fisher判别分析法建立了符合驾驶员危险感知特性的车辆追尾预警算法.研究结果表明该算法总的判别准确率高达95％.     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据      

基于车辆行驶轨迹的信号交叉口排队长度估计

为了研究如何结合移动检测数据来确定交叉口排队长度,并以此来衡量交通拥堵程度的问题,利用车辆行驶轨迹,分析了通过交叉口车辆的排队特点。根据车辆在队列中的不同排队位置,分车辆通过交叉口时所存在的A,B,C这3种位置,建立了面向延误最小的排队长度估计模型。其中,通过虚拟线圈检测器后开始减速停止在停车线前的A位置车辆排队估计模型基于基本延误模型;减速进入虚拟线圈检测区域停车的B位置车辆排队估计模型基于简化车辆跟驰模型,对可获得车辆行驶轨迹的网联车减速过程进行了重建;减速停止在虚拟线圈检测器前的C位置车辆排队估计模型基于LWR消散模型以及交通流理论算法,并利用网联车车辆行驶轨迹数据进行了加速过程的重建。在此基础上,根据不同位置车辆与队尾网联车的距离不同,对其到达率赋予不同的权重,计算总的排队长度。最后,通过图新地球地图软件投影并筛选车辆在案例交叉口的车辆行驶轨迹,利用微观交通仿真软件VISSIM对本研究的模型进行仿真验证。结果表明,排队长度估计模型与真值的最大误差为12.4%,最小为2.2%,平均误差为8.75%,方差为12.595%~2,绝对与相对误差均保持在可接受范围以内,说明基于车辆行驶轨迹的信号交叉口排队长度估计模型能够较为有效地估计城市道路交叉口的排队长度。     

冬夏绿灯倒计时信号下停止或通过决策的差异性分析

为研究冬夏两季路面状况下驾驶员在绿灯变红灯过程中停止或通过决策的差异性,选取了沈阳市6个交叉口,在夏季(正常路面)与冬季(路面积雪状态)采用录像方法采集车速、最大减速度、倒计时信号、E-Police和距离停车线的距离等数据,分析了目标车辆的接近速度,停止或通过的比例以及最大减速度制动区域.研究发现,夏季,设有倒计时信号灯的交叉口,最大减速多发生在停车线前60~80 m;而在只有E-Police的交叉口,最大减速往往发生在20~30 m.冬季,交叉口设有倒计时信号灯和E-Police,最大减速多发生在停车线前70~80 m;在只有倒计时信号灯的交叉口,最大减速会在40~60 m制动;而在只有E-Police的交叉口,最大减速多发生在停车线前20~40 m.这表明倒计时信号灯有利于车辆平稳地减速,特别是在冬天结冰的道路上,使驾驶员更早做出停止决策,减少了突然刹车的发生.      

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。      

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分，对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式，提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先，考虑车辆类型对驾驶行为产生直接的影响，分析了大车和小车的车辆轨迹特征变量分布的差异性，包括速度、加速度、碰撞时间倒数、车头时距等，在标记危险驾驶行为的过程中考虑车辆类型的影响。其次，针对不同的车辆类型，利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估，将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间，评估驾驶人的整体驾驶状态是否危险，作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数，为了提高模型识别效率，将关键特征参数进行排序，从而确定最优判别指标；最后，利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别，并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下，LGBM算法对危险驾驶行为的理论识别率最高可达93.62%，可以实现基于机器学习算法的危险驾驶行为的高精度自动识别，该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

山区道路橡胶减速带车辆运行特性分析

为明确山区道路中减速带布设对车辆运行的影响，选择在重庆市主城区江南立交开展减速带布设区域的实车试验，采集了车辆的速度和加速度等数据，以此分析试验路段的运行特征。结果表明:①速度分布带宽在减速带两侧各40 m左右达到极小值，在减速带位置速度带宽出现反弹，表明在减速带布设位置车辆运行速度差异较大，容易产生追尾风险；②减速带对驾驶员的速度选择行为有较强的约束力，且2个减速带相隔越近对速度选择行为的约束作用越强，减速效果更好；③通过减速带之前的初速度越大，所需的减速长度越长，应越早采取减速措施；85th百分位减速长度值和加速长度值分别为225，212 m；④车辆通过减速带时的加速度、减速度与制动初速度、加速前初速度的大小密切相关；道路环境越复杂，车辆通过减速带时减速度与加速度曲线的差异性越显著；⑤减速带对车辆的速度折减率上限可达0.9，下限随初始速度的增大而增加。      

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域，经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换，这对于实现安全高效的自动驾驶至关重要，然而目前的自动驾驶车辆往往缺乏这种预测能力。为此，基于深度学习理论，提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法，利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征，并引入碰撞时间（Time to Collision，TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash，DRAC）2种风险指标，将变道车辆及其周围车辆视为一个整体状态单元，同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征，从而更有效地刻画车辆间的动态交互行为；然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory，LSTM）的编-解码器，预测交织区车辆变道的未来运动轨迹，通过添加软注意力模块，使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息，再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度，在长时域的变道轨迹拟合上有显著的优越性，为辅助和自动驾驶领域的发展提供了新思路。     

信号交叉口基于出发时刻预测的生态驾驶方法

在城市道路交通中,信号交叉口区域内车辆频繁停车启动的现象,加剧了整体交通流的能源消耗、污染排放与车辆延误。为了减少信号交叉口启停波现象对整体交通流产生的负面影响,以面向未来人工驾驶车辆(HDV)/智能网联车辆(CAV)混合构成的新型混合交通环境为基础,提出了一种基于出发时刻预测的生态驾驶方法,通过优化CAV的驾驶轨迹,减少交叉口区域的车辆延误和能源消耗。首先,对混合交通流的基本图模型进行了分析,根据启停波影响范围,划分CAV通过交叉口的驾驶场景;然后,建立了子区渗透率对饱和车头时距的影响关系,预测了CAV以当前饱和车头时距通过交叉口的时间;最后,结合车辆与交叉口的距离,利用分段三角函数模型,生成其通过交叉口的速度限制曲线,并将优化速度嵌入到智能车辆的跟驰模型中作为限制速度,从而使CAV在无法通过当前绿灯窗口的条件下,实现提前减速,在通过交叉口区域后解除速度限制,切换回自身的跟驰模型。此外,还提出了平均综合效能这一指标来综合评价驾驶策略在效率和能耗2个方面的性能,并将提出的基于出发时刻预测的生态驾驶方法与传统网联车辆控制方法、经典交叉口节能控制方法进行了对比。研究结果表明:提出的出发时刻预测方法可以精确预测CAV在交叉口的出发时刻,有效减少车辆的能源消耗与污染排放,同时提高信号交叉口的通行效率;在渗透率大于60%情况下,该方法对系统效能的提高达到12%左右,在10%渗透率条件下也可以达到6%的效能增益;在交通饱和流率在0.5~0.9的范围内时,系统的效能增益较明显。     

基于状态空间采样的高速公路智能网联车辆轨迹动态规划

为实现智能网联车辆在高速公路动态行车环境下的轨迹实时规划，提出一种基于状态空间采样的轨迹动态规划方法。首先，以安全性为原则选取主车当前行驶的理想车道。基于Frenet坐标与笛卡尔坐标的转换关系，建立车辆运动横、纵向解耦的独立积分系统。将高速公路常见的行驶状态分为车道保持与定速巡航、变道以及前车跟随3类，预测主车行驶车道并针对3类行驶状态分别设计轨迹终端的目标配置方法。然后，利用多项式函数生成连接初始配置和目标配置的多条待选轨迹。构建考虑轨迹偏离理想车道程度、始末速度变化、规划周期和轨迹舒适性的综合损失函数，结合速度、加速度、曲率检查来评价各条待选轨迹的成本并进行排序。最后，预测车辆的横、纵向运动轨迹并构建一种胶囊形的车辆虚拟安全边界，通过碰撞检测，确定主车的最优轨迹，设置动态规划触发条件及时更新最优轨迹并避免过度规划浪费资源。研究结果表明：提出的算法能满足高速公路场景的动态规划需求；通过对轨迹规划周期、虚拟安全边界、动态规划时间间隔等关键参数的分析与优化，主车的横摆角速度范围稳定在-0.1~0.15 (°)·s^-1，横向加速度范围稳定在-0.16~0.32 m·s^-2，跟踪参考轨迹的最大误差不超过0.022 m，提出的算法能规划出具有高安全性、稳定性和舒适性的轨迹。     

节能导向的信号交叉口生态驾驶策略研究

为解决信号交叉口区域车辆频繁启停及怠速停车造成的燃油浪费和污染物排放问题,研究了以节能为导向的信号交叉口的生态驾驶策略问题.借助交叉口区域的V2I通信系统获得车辆自身定位和运动状态数据,以及信号灯状态与配时信息,对车辆所处车速引导场景及可通行性进行判定.对各场景下车辆时空运动轨迹进行分析,综合考虑交叉口上下游的燃油消耗,以平均每公里油耗最小建立统一的优化目标函数,求得生态驾驶轨迹最优解,以向驾驶员提供车速建议.利用M atlab开展的随机仿真实验表明,与不采用生态驾驶车速引导相比,采用生态驾驶车速引导至少可降低10% 以上的燃油消耗.对于划分的6种车速引导场景而言,最优生态驾驶策略在场景2下的节油效果最为显著,可达到30% ~60%;其次是场景4,可达到25% ~50%;在场景3和场景5中表现略差.从节约能源的角度而言,车辆在通过信号交叉口时应尽量避免停车等待,防止发动机长时间空转造成的燃油浪费,必要时可采取适当加减速的方式通过交叉口.      

自动驾驶汽车基础测试场景构建研究（双语出版）

针对L2/L3级自动驾驶汽车的仿真测试和封闭场地测试认证需求，结合现有L2/L3级自动驾驶汽车量产车型的主要功能特点，提出自动驾驶汽车基础测试场景群的构建方法。首先针对指定的道路交通环境，分析主车和周围交通参与者可能的相对位置和运动方向的组合，确定复杂场景群。其次分别以主车功能所确定的各个可能运动方向，依此与各干扰车辆的可能运动方向（包括任一干扰车辆不存在的情形）进行组合，组合时采用PICT组合测试工具，并添加必要的运动约束条件，选择参数组合覆盖标准自动生成全部的组合场景群。最后结合场景筛选规则，筛选出具有测试价值的覆盖各个层级及功能的基础测试场景群。采用场景构建方法，对于主车处于三车道中间车道的路段场景和无红绿灯的十字路口场景，分别构建62种和33种基础测试场景。根据驾驶人行为特性、交通规则、汽车在城市、郊区和高速公路工况下的典型车速、加减速度、横向加速度、交通事故和自然驾驶数据库的有关场景数据等，设计主车换道工况的测试用例。采用模型预测控制框架建立主车局部路径规划和控制仿真模型，并对主车危险换道场景进行仿真。研究结果表明：主车在邻车道前车大减速的情况下实现了减速换道并避免了与本车道前车和邻车道前后车的碰撞，同时跟踪到期望跟车间距，验证了该换道测试用例的有效性。