基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制

为实现实际动态交通环境下智能汽车的变道控制, 提出了基于轨迹预瞄的智能汽车变道动态轨迹规划与跟踪控制策略; 针对实际交通环境下目标车道车速和加速度的动态变化, 提出了智能汽车变道动态轨迹规划算法, 获得了能够避免智能汽车发生碰撞的变道轨迹的动态最大纵向长度; 设计了兼顾变道效率和乘员舒适性的优化目标函数, 优化获得了在变道轨迹最大纵向长度范围内的实时动态最优变道轨迹; 利用轨迹预瞄前馈和状态反馈相结合的类人转向控制方式, 实现了智能汽车变道动态轨迹跟踪和乘员舒适性的最优控制, 并利用硬件在环试验台验证了所提控制策略的正确性。研究结果表明: 定速工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.4%、4.8%和0.59 m·s-2; 定加速度工况下实际与参考轨迹的侧向位移误差、航向角误差和最大侧向加速度分别为1.1%、4.6%和0.48 m·s-2; 变加速度激烈工况下实际与参考轨迹的侧向位移误差和最大侧向加速度分别为1.7%和0.80 m·s-2, 航向角超调后能迅速重新跟踪动态轨迹航向角; 所提控制策略可以很好地跟踪控制实际交通环境下目标车道汽车在定车速、定加速度和变加速度工况下的智能汽车动态变道轨迹, 从而能实现智能汽车最优变道, 可确保变道过程中不与目标车道汽车发生碰撞, 并兼顾变道效率和乘员舒适性。      

基于多目标优化的智能车辆换道轨迹规划

为提高智能车辆换道轨迹规划的拟人性和实时性,提出了安全、舒适、节能等多目标协同优化的换道轨迹规划算法,该轨迹规划方法的适应性取决于车辆换道时间、纵横向速度及加速度等关键变量的约束条件;基于车辆运动学和动力学理论,分析了动态未知环境下车辆换道安全区域,建立了六次多项式车辆理想换道轨迹模型,并运用遗传算法-BP神经网络理论对换道终止时刻及目标位置进行预测,得到了复杂场景下车辆换道轨迹簇;分析了基于可行解空间的车辆换道安全性、舒适性、经济性等性能评价函数,构建了多性能目标协同优化目标函数和约束条件,运用鲸鱼优化算法对换道轨迹簇进行优化,实现多性能目标协同的智能车辆换道轨迹最优规划;为进一步验证多目标优化轨迹规划算法的准确性,运用L3级智能车辆测试平台对结构化道路场景下多目标优化换道轨迹规划算法进行了试验验证。仿真和试验结果表明:提出的轨迹规划算法在满足各项约束的情况下可成功实现平稳、安全换道,并且与传统驾驶人换道相比,换道过程的安全性、舒适性及多目标综合性能分别提升了5.1%、3.3%和1.7%,有效提升了动态环境下智能车辆换道轨迹规划的拟人性。      

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车，因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究，分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC)，以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%，两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为；考虑相邻前车与周围环境车辆的交互作用，可使模型具有预测性，两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求，为本车驾驶人预留出反应时间，为预测周围车辆行驶轨迹研究提供支持.     

一种虚拟交通环境中的微观交通仿真模型

为提高虚拟交通环境中车辆行为仿真的逼真度及解决用户与系统的实时交互问题,提出了一种微观交通模型.该模型由道路模型和车辆行为模型构成:道路模型包括了车道的交通属性、几何形状、路网拓扑关系等数据;车辆行为模型考虑驾驶员的交通性格、车辆性能等因素,包括自由行驶、跟驰及换道模型.车辆行为模型可检测与用户所驾驶的汽车仿真器的位置关系,并作出减速、换道、停车等响应.建立了包含153个车道的虚拟交通环境,对模型进行测试,结果表明:所建立的微观交通仿真模型能够反映仿真车辆的个体行为差异;路网中仿真车辆为600辆时,仿真周期约2~4 ms,能实现实时仿真及与用户的实时交互.      

混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划

为解决城市道路拥挤状态下车辆可行换道间隙少、换道时间长,进而导致停车等待、堵塞后续车流等问题,本文基于智能网联环境下车辆之间的交互协同,提出了一种混合自动驾驶场景多换道需求下的主动间隙适配和换道序列规划模型.首先,采用多项式和三角函数分别描述了换道过程中的空间轨迹和速度曲线,得出了换道间隙可行性判别依据.在此基础上,构造了换道启动可行状态集合,并构建了单个换道请求下的间隙适配和协同换道的最优控制模型.然后,考虑多换道需求,构建了主动间隙适配和换道序列规划模型,对换道序列进行整体优化.最后,设计了数值仿真实验,验证了本文模型可对多换道需求进行时空优化.仿真实验结果表明,本文模型能够降低换道行为对城市道路通行能力的影响,且适用于不同的交通需求,模型可提升24％的道路通过量.     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

考虑驾驶行为异质性的城市快速路合流区仿真模型

为研究城市快速路合流区车辆运行规律，基于车辆自然轨迹数据，提出考虑驾驶行为异质性的合流区元胞自动机仿真模型。模型将合流区分为上游区域、合流区域及下游区域，3个区域由11条路段组成。首先，利用Kalman滤波算法对自然轨迹数据进行降噪处理；然后，计算每辆车驾驶行为特征参数并进行K-means聚类分析，结合聚类效果评价指标Silhouette系数将驾驶行为分为：保守-谨慎型、激进-谨慎型、保守-轻率型及激进-轻率型这4种类型；最后，依据分类结果， 建立考虑加速度、随机慢化概率异质性的跟驰模型和考虑换道安全间距、换道决策的多级异质性换道模型。在各空间占有率的情境下，基于Matlab进行数值仿真，统计同质驾驶行为和异质驾驶 行为条件下，合流区域车道的流量、密度、速度、时空位置及换道频率等参数。仿真结果表明：在空间占有率为10%~20%时，同质交通流相比异质交通流更容易产生局部交通拥堵和交通流失效情境，并且同质交通流量峰值比异质交通量小27.1%；随着空间占有率的增加，同质车辆和异质车辆驾驶频率均呈现增加-稳定-下降的趋势，而异质驾驶行为换道频率的极大值比同质交通流高 20.74%。     

计及安全性与舒适性的智能车辆换道轨迹规划研究

针对当前智能车辆在换道过程中的安全性以及乘员舒适性问题,本文提出一种基于风险场评估轨迹的二次筛选方法。首先,在Frenet坐标系下,将车辆运动解耦为横向和纵向两个维度,基于五次多项式生成所有横向d-t曲线簇和纵向s-t曲线簇;其次,由车辆的动力学特性和三圆碰撞模型设计轨迹初筛评价函数,选取合格轨迹作为候选轨迹;最后,参考人工势场理论的思想,引入行车过程中风险场的概念,根据换道效率,换道风险值和横、纵向冲击度建立总损失函数评价候选轨迹以进行二次筛选,选取最佳轨迹并完成可视化。为检验算法的可行性,通过搭建双车道的道路环境,设计障碍车不同速度和加速度的多场景进行弯道换道的仿真验证。研究结果表明,本文所提算法能够满足换道的安全性和舒适性需求。同时,在正常换道场景下,乘员在换道过程的97.5%时间处于舒适状态,在紧急避障场景下也能达到平衡安全性与舒适性的目标。     

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

强制性换道的空间特征对分流区交通流的影响

为研究车辆在多车道分流区的跟驰换道行为，将强制性换道划分为激进型和保守型.在考虑驾驶员换道需求与空间位置关系的基础上，量化两种强制性换道行为的转换条件，并给出车辆强制性换道规则；对跟驰模型中的减速度参数进行优化，建立多车道下分流车辆的跟驰换道模型；采用实际数据标定模型中关键参数，并验证模型的可行性.仿真结果表明：分流车辆的横向空间分布对交通流的干扰具有显著性影响；当分流车辆集中在最左侧车道时，中间2车道的运行速度波动明显，折减量最大时达到51.4%，恢复稳定所需时间更多；通过 4组实验场景发现，分流车辆的合理空间分布对交通流运行速度有较大的改善作用.     

轨道列车时刻表问题研究综述

广泛的实践应用和复杂的计算挑战,使得轨道列车时刻表优化问题,多年来一直是交通运 输及运筹管理学界的热点研究问题。作为轨道交通运营规划的一个子阶段,列车时刻表向上与 线路规划(或开行方案)、向下与动车组调度融合,可以得到多个延伸的研究选题。在特定的时空 网络中,列车时刻表设计就是为每个列车确定一条无冲突的运行路径,使基于用户的度量指标如 乘客候车时间,或企业的度量指标如运营费用达到最优。对于没有列车越行和停站模式给定的 情况,通过整数变量可以完整地刻画列车时刻表模型,但如果考虑列车越行或列车停站决策,则 需要引入列车在车站出发顺序或停车决策的0-1变量。一般而言,列车时刻表问题的数学模型是 一类典型的大规模、多目标、强耦合的NP完全问题。算法设计是列车时刻表问题最为重要和困 难的部分。对于问题较简单或规模较小的情况,常用方法是对原有复杂问题进行适当简化和(或) 对难处理表达式进行合理修改,然后使用先进的计算架构和商用优化软件求解更新后模型。当 然,分支定界和动态规划这两类直接分解算法,是求解列车时刻表问题的重要方法。对于问题复 杂和规模庞大的情况,以拉格朗日和列生成为代表的对偶分解算法,则是求解列车时刻表问题的 最佳选择。未来,探讨列车时刻表与各种现实需要(如设施维修),以及时变票价和客票分配等因 素之间的深度融合,是一个有价值的研究方向;其次,研究网络环境下列车时刻表问题,将是一个 非常有意义的研究选题;最后,应进一步设计集成了问题特点与现代优化技术的各类求解算法, 开发能够完全应用于实际运营的商用软件。     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一，在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上，依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类，并通过进一步优化车辆状态更新算法，提出了换道冲突处理多策略，车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下，驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间，不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

车道分隔方式对驾驶换道行为的影响

为探索不同车道分隔方式对驾驶换道行为的影响，在分析机动车驾驶换道决策机理与换道决策属性的基础上，改进双车道元胞自动机(STCA)的换道规则模型，提出了基于层次分析法(AHP)的多属性换道决策模型.在同向 3车道上设置不同车道分隔方式，运行模型以获得每种分隔方式在不同空间占有率情况下的换道动机概率、换道成功概率分布规律.分析发现：平均换道动机概率直接与交通流内部状态属性有关，平均换道成功概率则由交通流内部状态属性与车道隔离方式共同决定；通过对不同分隔方式下的换道规律分析，表明模型能较好诠释不同车道分隔方式的交通管理法规涵义.该换道决策模型构造方法上具有同时处理多个外部决策属性的能力，具有较强的通用性.     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。      

临近交叉口的车辆跟驰换道行为研究

临近交叉口的车辆往往呈现出复杂多样的跟驰换道行为.基于二维最优速度(OV)交通流模型,本文构建了一个改进的双车道车辆跟驰换道模型,以刻画交叉口前路段上的车辆跟驰换道机制及车流宏观特征.借助模型分析了换道车辆比例、换道期望参数和跟驰安全距离等对交通流宏观特征的影响.结果表明:换道车辆比例对通过停车线的进口道流量有负面影响,换道行为越多,进口道流量越小.换道期望参数越大,换道成功率越大;当道路拥堵时,增大换道期望会减少进口道流量.增大安全距离,容易提升换道成功率但会减小进口道流量,同时促使拥堵发生.     

施工区混行车流跟驰及换道模型研究

为研究施工区网联车与普通车混行状态下的车流跟驰及换道行为,分析网联车的区域内通讯及更小安全车距等特性,改进普通车元胞自动机模型的减速规则和随机慢化规则,构建网联车跟驰模型。建立普通车和网联车在施工区不同区段的换道意向规则,基于车距采集和空位排序算法建立网联车在通讯区域的预期换道和施工区域的强制换道模型,结合普通车换道模型模拟施工区混行车辆的换道规则及车流分布规律。采用算例验证模型,运用MATLAB仿真,多次实验消除随机因素影响,结果验证了网联车对扩大通行能力,提高平均车速及降低走行时间的有效性;不同比例下的换道点分布显示,网联车比例越高,预期换道区的换道点越靠近强制换道区,且强制换道点越靠前;而普通车换道点分布受混行车流比例的影响较小。