专业及非专业驾驶人跟驰安全特性评价

为研究专业与非专业驾驶人的跟驰安全性,以真实道路交通环境下驾驶人跟驰行为的数据采集为基础,应用碰撞时间TTC及其拓展指标TET和TIT 3个跟驰安全评价指标,对比分析了受测专业及非专业驾驶人TTC频率分布和单位时间内TET及TIT平均百分比,从而对专业及非专业驾驶人跟驰安全特性进行了评价.研究结果表明在跟驰过程中专业驾驶人保持较小碰撞时间的比例比非专业驾驶人高,同时专业驾驶人单位时间内TET及TIT平均百分比大于非专业驾驶人.     

驾驶经验和气质类型对驾驶行为的影响分析

驾驶人的生理心理因素会对驾驶人的驾驶行为产生一定的影响已经得到了较多认同,但是通过科学实验进行定量化实证分析的研究还较少。论文首先采用量表测量与仪器测试相结合的实验方法,以专业和非专业驾驶人为实验对象,利用气质类型量表测量驾驶人的气质类型;利用实验车在实际道路交通环境下行驶以获得跟驰车辆对前后车的行驶轨迹,并计算得到影响驾驶行为的关键参数。基于实验数据分析了驾驶经验和气质类型对驾驶人的行驶速度、加速度、跟驰距离、时间间隔等方面的影响。在跟驰时驾驶人的速度和加速度选择方面,专业驾驶人对速度和加速度的选择更加具有自主性,并且内向型性格驾驶人的行驶速度和加/减速幅度一般要小于外向型性格的驾驶人。在跟驰时驾驶人对空间和时间距离的选择方面,无论是跟驰距离还是时间间隔,气质类型对非专业驾驶人空间和时间距离选择的影响更加明显,并且各速度段内向型性格驾驶人选择的空间和时间距离一般大于外向型性格驾驶人;相同气质类型的非专业驾驶人选择的时间间隔都要大于专业驾驶人。经研究建立了驾驶人生理心理特性与驾驶行为特性之间的关系,为分析驾驶人行为特性与交通安全之间的关系奠定了良好的基础。     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

智能网联车辆交通流优化对交通安全的改善

为改善常规驾驶车辆交通流追尾碰撞交通安全状况,提出智能网联车辆（Connected and Automated Vehicles,CAV）与常规车辆构成的混合交通流车队稳定性优化控制方法。基于全速度差模型,应用集成速度与加速度的多前车反馈构建CAV跟驰模型,考虑CAV混合交通流车辆空间分布的随机性,将各类型局部车队稳定性作为优化目标,以局部车队头车速度扰动为系统输入,以尾车速度扰动为系统输出,应用经典控制理论领域的传递函数法推导局部车队稳定性约束条件;分析关于平衡态速度与CAV反馈系数的车队稳定域,以各类型局部车队能够在任意平衡态速度下均稳定为控制目标,对CAV反馈系数输出进行优化控制;设计高速公路上匝道交通瓶颈数值仿真试验,在不同CAV比例等多种条件下,分析CAV混合交通流优化控制对交通流车辆追尾碰撞风险的影响。研究结果表明：CAV混合交通流优化控制可降低车辆追尾碰撞风险,在碰撞时间阈值小于2 s时,100%比例的CAV交通流可将交通流的车辆追尾碰撞风险降低85.81%以上;在碰撞时间阈值大于2 s时,追尾碰撞风险可降低48.22%～78.80%。所提优化控制方法可有效降低CAV车队优化控制的复杂性,为大规模CAV背景下的混合交通流优化控制以及车辆追尾碰撞交通安全提升策略提供直接理论参考。     

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。     

雾环境下高速公路驾驶人跟驰行为研究

雾环境下驾驶人行车与正常天气相比，在低能见度下视觉参照物较少，驾驶人更倾向于跟驰行驶。为研究雾环境下高速公路驾驶人跟驰行为，以真实雾环境下实车试验方式，选择多条高速公路作为试验路段，以Smart Eye眼动仪获取车辆在雾环境下高速公路驾驶人视觉参数，包含驾驶人注视区域、注视角度、注视持续时间、瞳孔直径、扫视速度以及扫视幅度等，以归一化方法对驾驶人注视重心进行分析，研究不同能见度下驾驶人的跟驰需求，并通过对雾环境下上述视觉参数进行规律总结。对雾环境下驾驶人跟驰特性进行统计及分类，将跟驰行为划分为主动、半主动、半被动以及全被动跟驰；通过分析雾区低能见度下驾驶人跟驰行驶条件，引入多维偏好理论及后悔理论，进行驾驶人跟驰决策模型构建，并基于差分法对模型进行参数标定及验证。研究结果表明：驾驶人在1次跟驰动态过程中，正常车道保持时驾驶人扫视速度较低，而当处于车道调整时，驾驶人扫视速度存在较大波动，且平均扫视速度较高，低能见度下驾驶人注视点转移速度27.0 （°）·s^-1明显低于晴好天气的52.0 （°）·s^-1；驾驶人在跟驰过程中，能见度对驾驶人跟驰时的视觉特征有显著影响，通过跟驰模型构建可为后续雾环境下车辆跟驰前后车距及车速预测提供理论支撑。     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

高速公路弯坡组合路段载重车最小安全车距模型

为降低高速公路弯坡组合路段载重车追尾碰撞风险,通过研究不同平纵组合下高速公路弯坡类型,界定弯坡组合路段参数范围,选取具有较强代表性的车型,针对现有最小安全车距模型的缺陷,建立基于载重车制动减速系统且满足驾驶人驾驶行为特性的弯坡组合路段安全车距计算模型并对其参数进行标定;利用载重车仿真软件TruckSim 2016建立弯坡段双车跟驰模型,分析小半径平曲线下载重车爬坡与下坡行车状态时车辆滑移率、行驶速度、车间距等指标,验证该最小安全车距模型的有效性。     

基于最小安全距离的车辆跟驰模型研究

在传统的基于车头时距的安全距离模型和基于制动过程的安全距离模型的研究基础上,针对前导车分别处于静止、匀速和匀减速等不同行驶状态,相应地建立了单车道跟驰状态下跟随车与前导车不发生追尾碰撞的最小安全距离模型,并充分考虑了车辆制动过程中减速度渐变的过程,避免了以往模型中采用制动减速度突变的问题。最后,通过M atlab仿真系统对改进模型和传统模型进行了同等条件下的仿真,仿真数据从理论上验证了改进模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题,可为今后研究跟驰模型提供一定的参考。     

基于相对危险暴露量的驾驶人事故风险分析

为探究不同类型驾驶人的事故倾向性,以湖南省湘潭市2008—2017年间发生的交通事故为研究对象,采用相对危险暴露量方法计算了中国驾驶人在驾龄、年龄及其交互作用下的事故风险值,并针对不同交通环境,分析了高风险驾驶群体的3类碰撞事故风险.结果表明:相比25~45岁的壮年驾驶人,小于25岁的青年驾驶人在几乎所有环境下都更易发生追尾事故与刮擦事故;驾龄小于1年的新手驾驶人在复杂环境下更易发生追尾事故;中老年新手驾驶人是事故风险仅次于青年新手驾驶人的群体,并且其在恶劣天气下的事故风险甚至高于青年新手驾驶人.基于研究结果提出了针对青年新手驾驶人、中老年新手驾驶人和高驾龄驾驶人的安全改善对策.      

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.     

道路交通次级冲突的研究分析

介绍了次级冲突的定义和分类,分析了次级冲突的产生、传播和消散的过程,把次级冲突的传递看做是一种波的传播,主要研究了首部车辆和次级冲突车辆之间的间距和速度等状态。当加速波大于减速波时,该次级冲突的影响就会消散;并提出了一种基于交通波传递和消散的计算方法,用于计算次级冲突的影响车辆数,在此基础上采用调查方法来实现这一计算方法。同时该影响范围可以为交通冲突的严重性的判断提供一个科学定量的参考依据。     

Hardware and software for collecting microscopic trajectory data on naturalistic driving behavior

This article presents a method to collect naturalistic microscopic longitudinal vehicle trajectory data with a modest budget. The drivers studied are not aware that they are participating in an experiment; hence one can collect naturalistic driving behavior. This article presents the hardware and software developed, and we include a detailed example of a particular case study that was conducted with data collected from the system. The case study examines drivers' willingness to accept very short headways, and casts that behavior in light of their subsequent lane-changing decisions. The data show a statistically defensible connection between these behaviors. These phenomena are not new, but highlight the importance of the data quality and of observing naturalistic driving behavior, and this article demonstrates a method to calibrate specific parameters related to the behavior.     

基于期望间距的车辆跟驰模型的建立

以“期望间距”为基准参理，考虑驾驶员的心理和生理因素，建立了车辆跟驰模型，为研究驾驶行为提供了一种新的思路。     

考虑横向干扰的交叉跟驰模型研究

在传统跟驰模型的基础上,对车辆横向位置分布进行了实地调查,分析了周边交通场景对跟随车的横向干扰特性。引入最大转移速度和疏散路程参数,建立了交叉跟驰模型并进行了交通仿真。统计分析结果表明:行驶车辆横向位置分布基本符合正态分布,跟随车的行为变化与车辆偏离中心线的距离大小有关,交叉跟驰模型可以更加准确地反映实际道路交通场景。此模型的建立能够揭示车辆微观交互行为,对保障车辆运行安全和交通流稳定性具有重要的现实意义。     

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。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

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.