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      

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究，建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性，在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据，采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型，并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进，以描述不同风格驾驶人的行车安全区域，并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型，结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据，以换道纵向位移最短为目标，实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量，设计基于动力学的线性二次型最优（LQR）反馈控制器，通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制，可满足驾驶人个性化换道需求。     

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景，从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络，对神经元中的激活函数进行替换，从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性，结果显示本模型可以更好地学到人类的安全换道行为，可推广使用。     

考虑频繁换道倾向的交通流元胞自动机模型

为揭示频繁换道对交通流的影响,构建一种考虑频繁换道倾向的元胞自动机模型。对NGSIM车辆轨迹数据进行提取、统计分析,研究车辆速度、车头间距对车辆换道倾向的影响;改进换道概率函数刻画上述影响,并定义驾驶行为倾向函数表征频繁换道对目标车道紧邻后车的影响,构建考虑频繁换道倾向的双车道元胞自动机STCA-FLC模型。结果表明:STCA-FLC模型较STCA模型在车流密度小于13辆/km时,车辆平均速度、流量最大分别提高约6.67%、3.02%;在车流密度大于13辆/km时,车辆平均速度、流量最大分别降低约9.48%、14.91%。     

基于车辆轨迹的驾驶员自由换道行为研究

自由换道行为会对交通流稳定运行产生较大的影响,在换道过程中驾驶员的行为是重要的影响因素。基于车辆运行轨迹的分析,对驾驶员在自由换道过程中的心理行为进行分析,为自由换道模型的构建提供参考依据。     

基于BP神经网络的高速公路入口合流区域换道行为研究

为了应对高速公路入口合流区域并线事故频繁发生,在分析车辆并线行为影响因素的基础上,利用BP神经网络方法建立了车辆在该区域的决策模型,用来预测驾驶人的并线行为决策,保障车辆和驾驶人的安全.借助详细的车辆轨迹数据对模型进行了学习与测试,模型的测试结果表明:建立的BP神经网络模型用于预测驾驶人并线行为具有较高的准确度,并线车辆相对于目标车道前方车辆的相对速度是驾驶人并线时需要考虑的最重要因素.同时模型还可以进一步应用于交通仿真的研究以及驾驶人辅助系统的开发.     

基于动态重复博弈的车辆换道模型

在对车辆换道行为分析的基础上,提出了一种应用动态重复博弈原理建立车辆换道模型的方法,对每个阶段车辆的博弈过程以及车辆行为策略进行了描述,并利用速度期望的值作为车辆不同行为决策概率,在此基础上,考虑影响车辆速度期望的各个因素来对车辆速度期望的获得进行了分析。通过对不同交通流条件下实际调查的车辆换道次数与仿真值进行比较,表明了所提出模型的有效性。     

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性，采用2台无人机同时在200 m的高空对交通流进行拍摄，获取交通流运行状态。构建拍摄路段的高精度地图，获取每一时刻车辆的精确运行状态数据，在此基础上对2个视频进行拼接，最终获得车道位置、速度、车辆编号等8项关键指标，共提取换道行为1 520条，筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据，在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s，平均换道空间距离为148.08 m，换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m），其相对距离在10 m以内的占28.24%，驾驶人为了加快行驶，在与目标车道后方车辆相对距离较小的情况下，依然采取换道措施。与正前方车辆的相对速度差最大，平均值为10.2 km·h^-1，并且在83%的情况下，本车的速度大于前车，说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC，MTC分别对换道起始时刻的安全性进行分析，并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急，非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性，以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

基于轨迹数据的交叉口进口道车辆换道行为特性分析

为探索城市信号交叉口进口道范围内机动车换道行为特性，利用无人机拍摄视频提取车辆换道轨迹数据，分析了进口道车辆换道行为的宏观和微观特性。研究结果表明：强制换道行为多发生在距离停车线60 m～90 m处，自由换道行为在90 m～120 m处；换道时间集中分布在4.5 s～5.5 s之间，其中强制换道的平均时间为4.58 s，自由换道时长为3.81 s；强制换道行为主要受目标车道的可插入间隙及前后车辆的速度差影响，但整体来看分布较为分散；自由换道行为追求行车效率，目标车道的交通运行状况往往要优于原车道，换道行为主要受到原车道前车的相对距离和速度影响。本研究成果可以为城市交叉口的理论研究提供方法参考，为进口道的管理与控制提供理论基础。     

智能车辆自由换道模型研究

针对传统的车辆换道模型在换道过程中存在着侧向加速度过大或产生跃变、轨迹曲率不连续以及换道过程起始时刻侧向加速度不为零的问题,以四段式车道变换理论为基础,提出一种新的车辆自由换道轨迹函数,并引入B样条理论对换道轨迹进行再规划,进而建立一种新的高速公路车辆自由换道模型。该模型能够较好的解决传统车道变换模型存在的上述缺陷。给定车辆换道轨迹性能评价参数,利用Matlab仿真计算得到新模型产生的换道轨迹,并与另外两种换道模型产生的轨迹进行对比分析。分析结果验证了该模型的正确性及有效性。     

A cellular automata traffic flow model combined with a BP neural network based microscopic lane changing decision model

The purpose of this study is to propose a cellular automata (CA) traffic flow model with high accuracy for lane change decision and name it LCCAM. A driving simulator experiment was conducted to find factors affecting lane changing decisions. A back-propagate (BP) neural network was used to obtain the lane changing rules for the microscopic lane changing decision model (LCDM), and the collected accurate vehicular trajectory data were used to train the BP neural networks for the prediction of lane changes. After comparing different input variable combinations, the most accurate input setting was determined, including the locations and velocities of neighboring vehicles, inner/outer lane indicator, and the speed limits of the corresponding lane. Then, the determined BP neural network was adopted in the LCCAM as the LCDM. Simulation results showed that the LCCAM can capture important characteristics such as the mean velocities and the number of lane changes well, by comparing with observed traffic flow. Meanwhile, the LCCAM illustrates a better performance in replicating the number of lane changes than the other reference CA models. The research results show that the LCCAM proposed in this study will have potential and value for autonomous driving and active safety analysis in the future.     

通行能力仿真中的换道模型研究

道路通行能力是在饱和交通流下得到的,而目前交通微观仿真中缺少分析饱和流状况下的换道模型,从分析饱和流下换道行为的特性出发,建立了饱和流率下的换道模型。该模型在需求判断中用累积的速度优势代替了传统模型的瞬间速度优势,避免了仿真中车辆在短时间内频繁换道的现象;在可行性检测中加入了前后间距不足时司机的减速行为,与传统模型相比该模型能更好地反映拥挤流下的换道行为,更适合于道路通行能力的仿真。     

面向车道变换的路径规划及模型预测轨迹跟踪

为解决智能车辆在车道变换过程中的路径规划和路径跟踪问题,首先,利用梯形加速度法设计了车道变换虚拟理想轨迹,该路径规划方法的适应性取决于车道变换时间、横向加速度及变化率等关键变量的约束条件,因而对各关键变量之间的数学关系进行了定量计算,并绘制了不同工况下的车道变换虚拟理想轨迹,用于分析各关键变量对路径规划的影响;其次,建立了线性离散的车辆动力学预测模型,综合分析了车辆模型的控制输入、状态变量以及道路结构参数等约束条件,构建了多约束模型预测控制（MMPC）系统用于车道变换路径跟踪,并基于Hildreth二次规划算法对其目标函数进行了求解,获得前轮转向角控制量,从而保证智能车辆在车道变换过程中的路径跟踪性能及操纵稳定性能;最后,利用MATLAB和Carsim软件对提出的多约束模型预测控制系统进行联合仿真,并构建单约束模型预测控制（SMPC）系统与其进行性能比较,分别对车道变换时间为3 s和6 s时的车道变换性能进行比较分析。结果表明：当车道变换时间为6 s时,2种控制系统都能较好地实现车道变换功能;当车道变换时间为3 s时,与SMPC控制系统相比较,MMPC控制系统能够在有效跟踪期望行驶路径的同时改善车辆的操纵稳定性,从而提高车辆在路径跟踪过程中的主动安全性能。     

基于线性路径跟踪控制的换道避撞控制策略研究

为实现车辆自主避撞，改善道路交通安全状况，提出一种基于线性路径跟踪控制的换道避撞控制策略。为实时确定制动和换道时机，获取跟车状态下自车和前车车速、加速度、相对距离以及驾驶人制动反应时间计算制动安全距离和换道安全距离，并在此基础上分别引入制动危险系数B和换道危险系数S评估制动与换道风险，使得车辆发生追尾碰撞的危险程度和主动干预阈值更直观。根据车辆期望横向加速度和期望横向位移的变化特性，采用5次多项式法规划符合驾驶人换道避撞特性的避撞路径。为保证换道避撞过程中驾驶人的安全舒适，采用最大横向加速度约束换道避撞轨迹。为实现对换道避撞路径的线性跟踪控制，保证车辆的操纵稳定性和横摆稳定性，基于车辆稳态动力学模型建立前馈控制，结合线性反馈控制消除换道路径的位置和横摆角偏差，修正参考路径实现直车道场景追尾避撞控制。仿真和实车交叉验证试验表明：根据车辆期望横向加速度和期望横向位移建立的符合驾驶人换道避撞特性的五次多项式换道路径与驾驶人实际换道避撞路径基本吻合，结合碰撞时间和车间时距的制动避撞控制策略能够在保证车辆行驶安全舒适性的同时有效避免车辆追尾碰撞，减少交通事故的发生。     

车路协同下车队避让紧急车辆的换道引导方法

为保证紧急车辆更安全、高效地到达紧急事故现场,基于车路协同系统,提出车队避让紧急车辆的换道引导策略。针对目标车道无车辆、有车辆和有车队3种不同场景,分别提出确保紧急车辆快速通过的协同换道策略。通过协同换道策略引导紧急车辆前方行驶的车队和目标车道的车辆改变速度以调整车辆间距,使其满足换道安全距离,依据换道轨迹规划使车队完成换道,并提出紧急车辆发送紧急避让信号的位置方法,计算当不影响紧急车辆的速度情况下,其发送紧急避让信号时与车队尾车的最短距离。利用SUMO交通仿真软件,实现车路协同环境下3种不同场景车队避让紧急车辆的换道引导,并比较目标车道为车队的场景下,车队换道至目标车队的每个空档中（方式A）和车队换道至目标车队的同一个空档中（方式B）2种不同的换道引导策略。研究结果表明：目标车道有车队的场景下,方式B的协同换道时间更短,发送紧急信号的位置距车队尾车82 m,较方式A的87 m更近,对周围车辆影响更小,因此此场景采用方式B的协同换道策略;在目标车道无车辆、有车辆和有车队3种场景下,紧急车辆分别距车队尾车71,71,82 m时发送紧急避让信号,其可以维持期望速度,验证了最短距离与车辆速度的关系式;与未使用换道引导策略的情况相比,紧急车辆的速度提高,延误减少。     

车联网环境下自动驾驶车辆车道选择决策模型

试验车道选择行为是自动驾驶车辆最基本的决策行为之一,利用车联网技术可以使车道选择结果更加全面、合理.首先,对高速公路自动驾驶车辆车道选择决策过程进行分析,并以车联网感知通信范围内的车辆的平均速度、重车比例及前往车道的理想换道时间为主要指标创建成本函数,根据计算结果输出最优车道序列;然后,以Gipps安全驾驶模型为基础,...     

基于驾驶行为的城市道路车辆主观换道模型研究

车辆换道行为因其运行环境复杂,所涉及的交通因素众多,容易引起交通冲突,从而降低道路交通系统的安全性.对车辆换道行为的动态特性及其对车流运行的影响机理进行建模与研究,对提高交通系统的运行效率有重要意义.基于城市道路车辆换道行为的特征,改进了元胞自动机模型细化车辆换道过程;考虑驾驶员特性、车辆类型的影响,采用模糊推理理论描述驾驶员的换道决策,进而建立了城市道路驾驶员主观换道模型.通过将实测交通流数据与仿真输出数据进行对比,验证模型的有效性.结果表明,所建立的模型输出结果与实测数据的误差较小,说明模型具有一定的有效性.     

基于改进LSTM-NN的安全性自动驾驶换道轨迹规划模型

为改善现有的自动驾驶换道轨迹规划模型产生的换道轨迹与真实的换道轨迹存在较大偏差的问题，提出了一种改进LSTM-NN的安全敏感性深度学习模型，该模型可以缓解当前自动驾驶轨迹规划存在的不足，输出轨迹既保证了较高的精度又提高了安全性。CarSim仿真软件模拟了本模型产生轨迹的可跟踪性，结果显示轨迹非常平滑，并且自动驾驶车辆可以高效、安全地完成换道。