基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。     

智能汽车极限工况下联合制动与转向的自动紧急避撞研究

为提高智能汽车极限工况下的自动紧急避撞能力,提出了一种联合制动与转向的综合控制方法。首先,建立了包含转向、制动和悬架子系统耦合特性的18自由度统一动力学模型,并对其进行了水平路面上的转向制动仿真。接着,提出了联合制动与转向的自动紧急避撞系统总体框架,其中路径规划选用五次多项式规划算法,纵向采用滑模跟踪控制,侧向采用基于2自由度参考模型的最优四轮转向跟踪控制。最后,参考乘用车双移线极限工况测试国际标准,构建自动紧急避撞驾驶场景,对上述模型在不同车速下的自动紧急转向避撞和联合制动与转向避撞进行了对比仿真。结果表明:当车速较高时,车辆实际轨迹与理想跟踪轨迹存在一定滞后,极限工况下仅通过转向操作难以成功避撞;而联合制动与转向的避撞控制系统可进一步提高车辆极限工况下的自动紧急避撞能力,最大通过车速可由50提高至60 km/h。     

紧急避撞工况下驾驶员异常行为检测

在紧急避撞场景下,驾驶员极易因慌乱和误判,产生异常驾驶行为,故提前检测出驾驶员的异常行为对于确保驾驶员自身和周边交通的安全有重要意义.为此,本文中提出了综合转向盘转角残差序列和相平面图判断的异常驾驶行为检测方法.首先,基于相平面法确定车辆稳定性边界;接着,建立基于模型预测控制的驾驶员模型,构造实际驾驶操作与驾驶员模型参...     

驾驶风格K-means聚类与识别方法研究

驾驶风格用来表征驾驶员在实车运行环境中对车辆操作的行为特征,对于混合动力汽车能量经济性有较大影响,为提高驾驶风格识别方法在不同车型上的通用性与适应性,提出了基于K-means聚类的驾驶风格识别方法。针对采集的不同驾驶员所驾驶的商用车和乘用车的行驶数据,利用该识别方法分别进行了驾驶风格的识别,结果表明,将驾驶风格聚为3类具有较好的分类效果,并且该方法对商用车和乘用车均具有较好的识别效果。     

基于驾驶员跟车习惯的报警/避撞算法研究

在驾驶员实车实验的基础上,研究跟车工况中的驾驶员行为特性和习惯,建立驾驶员跟随车距模型,并结合对车辆制动过程的分析,研究分别基于驾驶员制动行为特性和驾驶员跟随车距模型的报警/避撞算法,通过改变算法的参数值,可使算法得到的报警/避撞时机符合不同驾驶员的驾驶习惯。利用实验数据对算法进行离线检验,验证该算法在报警/避撞系统中的适用性。     

基于多分类监督学习的驾驶风格特征指标筛选

交通事故与驾驶风格具有强烈的相关性,而驾驶风格的直观体现是驾驶行为.为深入分析驾驶行为与驾驶风格的关联性,探索不同驾驶风格群体之间的差异,筛选驾驶风格分类与识别影响因素,建立驾驶风格识别模型并验证有效性.依托车联网实验数据,利用K-means++算法对驾驶员样本数据集进行驾驶风格聚类,设计支持向量机-递归特征消除(SV...     

融合预瞄与势场栅格法的紧急避撞驾驶人模型

紧急避障工况下的驾驶人操作具有响应快且动作幅值较大的特点，传统预瞄驾驶人模型已不能适应紧急避障工况的需求，故考虑实际避撞场景开发相应的驾驶人模型就显得尤为必要。针对此种状况，基于驾驶模拟器，结合紧急避撞工况实际驾驶人操纵数据，提出了一种融合预瞄与势场栅格法的紧急避撞驾驶人模型。首先针对紧急避撞工况下车辆运动特点，建立车辆横、纵向耦合非线性动力学模型，并给出其状态空间方程描述；其次，离线仿真分析紧急避撞系统特征，并结合线性二次型最优控制，建立最优曲率预瞄+跟踪误差反馈驾驶人模型；再者，基于紧急避撞工况下真实驾驶人经验转向行为数据，开发基于势场栅格法的驾驶人模型，为进一步提高驾驶人模型对避障行驶工况的适应性，将基于势场栅格法的驾驶人模型与最优曲率预瞄+跟踪误差反馈驾驶人模型进行融合，并基于Sigmoid函数实现两者输出的权重分配；最后，针对所提出的融合预瞄与势场栅格法的驾驶人模型，开展基于避撞台架的驾驶人在环仿真试验以及实车试验。研究结果表明：在紧急避撞工况下，对比最优曲率预瞄+跟踪误差反馈驾驶人模型，融合预瞄与势场栅格法的驾驶人模型输出的转向动作与实际驾驶人行为较为接近，可在保证避障安全性的前提下，兼顾避障路径跟踪精度与车辆行驶的稳定性。     

基于大数据的驾驶风格识别算法研究

开展了基于大数据识别驾驶员驾驶风格的方法,建立驾驶风格识别数据库,包含80名驾驶员并覆盖不同性别、年龄、驾龄、驾驶习惯等属性,从数据库中提取能够反映驾驶风格的工况,包括换道、转弯、跟车等7种工况总计万余条工况数据,最后利用K均值聚类方法和D-S证据理论决策融合方法进行聚类分析,训练并测试了驾驶风格识别模型。经过验证,所提出的驾驶风格识别方法查准率达到80%。     

基于车辆运行数据的纯电动汽车用户驾驶风格识别与驾驶能耗分析

驾驶风格是用来体现驾驶员在车辆运行状态下对车辆操作的行为特征,对用户驾驶风格进行识别与分析,有利于推进智能驾驶的发展。根据基于116 辆纯电动汽车的车辆运行数据,通过主成分分析方法与K-means 聚类算法,对用户驾驶行为进行分类分析,对驾驶风格进行了分类识别。利用XGBoost 算法构建纯电动汽车驾驶行为与能耗输入模型,利用SHAP 对模型进行解释。结果表明,将驾驶风格聚为3 类具有较好的分类效果,可分别对应冷静型、普通型与激进型;当驾驶员的驾驶风格趋向于激进型时时,车辆的驾驶能耗越高,驾驶风格激进一个层级,车辆百公里电耗增加3~4倍。当驾驶员行车时,其车速越高,油门踏板踩得越深,车辆加速度的绝对值越大,车辆的驾驶能耗越高。驾驶员的驾驶风格越激进,车辆的驾驶能耗越高。     

基于车辆与行人危险工况的转向避撞控制策略

为避免在危险出现时车辆与行人发生碰撞,提出了一种辅助驾驶员采用紧急转向的控制策略。从500例发生在日常驾驶过程的危险工况中,筛选出车辆直行与行人发生冲突的典型危险工况。利用Prescan创建开发场景。选用五次多项式规划转向避撞路径,利用前馈控制与反馈控制结合的策略,控制车辆跟踪参考路径。在Carsim和Matlab/Simulink环境下,基于二自由度车辆动力学模型进行联合仿真,以验证该策略的可行性、准确性和鲁棒性。结果表明:针对这类危险场景,该控制策略可以控制车辆跟踪避撞路径,以避免车辆与行人发生碰撞事故。     

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。     

基于自然驾驶数据的驾驶员紧急变道行为开环模型

基于"中国大型实车路试先行实验(China Pilot-FOT)"所采集的自然驾驶数据,提出了一种开环模型,它可以描述驾驶员紧急变换车道行为。将方向盘转角和方向盘转角变化率作为变道紧急程度的筛选条件,从中筛选出228例紧急变换车道工况。基于最大方向盘转角与最大方向盘转角变化率的线性关系,分析了紧急变换车道的持续时间。利用其中50百分位驾驶数据,来拟合模型参数。使用相关性和显著性检验,验证了真实驾驶数据与驾驶计算模型的关系。结果表明:该模型的输出结果与真实驾驶员操作结果一致性良好。因此,该模型可以描述中国一般驾驶员紧急变道行为。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足，减少跟车场景中追尾事故的发生，提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险，并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类，分别对典型制动避撞过程和制动转向避撞过程进行了分析，从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合，获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级，并基于图像处理方法提取了前车制动开始时刻的TM值，从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下，本车车速过低和过高时，TM值的变化均不明显；而在制动转向避撞场景中，只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析，引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值，其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用，对于制动避撞场景，在设定TM值不变和相对速度不变的条件下，分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真，仿真结果显示，相比于TTC而言，TM的评价稳定性受相对速度影响小，在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

驾驶员状态监测目标动作报警阈值的确定

当前驾驶员状态监测目标动作报警阈值的确定多根据技术能力及驾驶员驾驶习惯讨论得出,缺乏理论依据。为此,论文通过设计实验通过驾驶模拟器采集车辆操纵及运行状态参数,建立车辆运行状态评价指标体系。提出一种通过K-means算法对驾驶人不安全驾驶行为数据集进行聚类确定报警动作阈值的方法,可以为驾驶员状态监控系统的开发及相关测试标准的制定提供参考。     

自动驾驶汽车自动紧急避撞测试与评价方法研究

自动驾驶汽车的测试与评价方法对于自动驾驶汽车的快速发展具有重要作用。安全是自动驾驶汽车发展的首要前提,自动紧急避撞是保障自动驾驶汽车行驶安全的重要功能。文章首先分析了自动紧急避撞功能的典型测试场景;其次,基于典型测试场景,研究了自动紧急避撞功能的测试与评价方法;最后,根据提出的测试与评价方法对自动驾驶汽车自动紧急避撞功能进行了实际的案例分析。     

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动（AEB）系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值（K-Means）聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。     

基于KL散度的驾驶员驾驶习性非监督聚类

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

基于KL散度的驾驶员驾驶习性非监督聚类EI北大核心CSCD

为深入理解不同驾驶员的驾驶行为特点,本文中提出了一种基于KL散度的驾驶员驾驶习性非监督聚类算法。首先,建立了驾驶员驾驶数据实车道路试验采集平台,对84位驾驶员进行了测试;接着,将每名驾驶员的驾驶数据视为一个高斯混合模型(GMM),采取EM算法对其进行参数估计;最后,通过蒙特卡洛算法对各GMM之间的KL散度进行估计,从而获得不同驾驶员差异性的定量描述,将驾驶员聚为不同习性类别。对聚类后各类驾驶员的驾驶数据的统计分析表明,所提出的非监督聚类算法能有效实现不同驾驶习性驾驶员的聚类。     

车路协同环境下驾驶员行为识别方法研究

本文中提出了一种介于车辆操纵稳定性和智能交通系统的驾驶员行为识别方法。首先通过微观仿真软件实现不同行驶状态下局部路网仿真,获取大量基本仿真数据,根据汽车动力学理论,实现基本行驶参数到行驶状态参数的转化;然后应用邻域粗糙集来进行特征约简,再使用总体平均经验模态分解(EEMD)、相关系数法和样本熵相结合的方法进行样本数据挖掘,将得到的样本熵数值作为聚类的特征向量;最后将特征向量输入GG模糊聚类进行聚类,利用微观交通软件和UC-Win/Road驾驶模拟器仿真得到的样本,采用最小平均贴近度择近原则实现驾驶行为识别验证,并根据最大贴近度和次最大贴近度计算待测样本属于某类驾驶行为的隶属度。实验表明,该方法取得了良好的识别效果。     

基于外部动态环境的汽车碰撞危险估计算法研究

针对现有紧急情况下车辆的碰撞危险评估算法大多只考虑量测噪声干扰带来的不确定性,提出一种综合考虑路面动态环境不确定性和量测噪声干扰的汽车碰撞危险估计算法。首先,构建"路面状况-车速-最大减速度"模糊推理模型,即由路面状况和自车车速,经模糊推理智能算法快速获取车辆制动最大减速度;建立基于运动学的预测模型,考虑上述路面附着状况动态变化和传感器量测噪声带来的不确定性,采用蒙特卡洛法实时计算自车当前行驶环境下的碰撞概率。根据汽车动力学和道路有关参数预测车辆紧急制动和转向的轨迹,从而得到制动避撞与换道避撞的碰撞概率。以交叉路口和追尾工况为例,对比分析了不同路面情况下制动避撞和转向避撞的碰撞概率,从而为车辆选择合理的避撞方式。结果表明,所提出的危险估计算法与真实交通动态环境下的紧急避撞行为比较相符,具有良好的有效性和可行性。