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。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

车虫蓝边书

虫虫C1ub有约 如果你有辆巨酷的车，让你不想老婆只想跟它四海为家，又或者你有辆巨烂的车，你跟它的关系却又是欲言还休，想砸了它又舍不得，那你不妨来跟我们侃侃。     

有心思的人才能得到更好的礼物-Nikeid礼品卡

Nikeid礼品卡 参考价格：根据鞋款不同面值变化 最近有朋友跟我打听Nikeid礼品卡，我原以为是赠券一类的东西。朋友说不是，说是可以自己做一双鞋云云。后来跟Nike的公关打听了一番，才知道这东西是时下流行的“礼卡”。说到收礼，我不赞成坐享其成，不劳而获的代价有可能就是“不喜欢”。明目张胆地跟朋友说我想要什么，显得太不客气，又少了些神秘感。这张Nikeid卡，顾名思义肯定跟Nike的球鞋有关。     

利用五轮仪实验数据建立车辆跟驰模型

车辆跟驰模型是微观交通流模拟的一个基本模型，用来分析和描述在无法超车的同一车道上一辆车(驾驶员)跟随另一辆车的方式。由于实际道路上驾驶员信息的获取困难，建立的车辆跟驰模型难以标定或验证。本文利用五轮仪试验系统获取的车辆跟驰数据，应用BP神经网络，建立了车辆跟驰神经网络模拟模型。     

两岸三地应共创经济竞争力

台北县长周锡璋于8月10日在港接受采访时说．全球化的进程中，两岸三地必须跟时间赛跑，取长补短，组成一个世界上最具经济规模和竞争力的经济实体，才能跟欧美市场对抗。     

让我们去兜兜风：1 BMW 5系 GT 沿海高速的出口

离开上海，前往青岛．这是—条有趣且不容分心的路线。有趣，就在于能与形形色色的汽车邂逅。如果可以，请让我跟你走一段，或者你跟我走一段。你跟，或者不跟．路都在那里，不偏不倚。     

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。     

基于能量法的跟管钻进最大深度计算及应用

为解决潜孔锤跟管钻进最大深度难以确定的问题，基于能量法分析冲击功与应变能的转换情况，提出跟管钻进最大深度的假设条件和理论计算方法，并结合现有相关技术规范，通过类比法对跟管钻进的地层侧阻力取值进行完善和补充，然后应用相关实例分析和验证。通过研究和验证取得成果如下： 1）采用材料力学能量法理论，提出较系统、全面的跟管钻进最大深度计算方法； 2）给出单一地层最大深度的计算公式和多个地层的计算步骤； 3）提出套管与地层间动摩阻的取值依据和方法； 4）提出中和点概念，得出双冲击器作用下套管柱受到的应变能作用原理； 5）增大冲击功和增加套管壁厚均有利于提高跟管的最大深度，但影响幅度较小。     

相约德瑞感受阿尔卑斯山的温暖冬日

瑞士滑雪可是去瑞士玩的人津津乐道的一个话题，当地人跟滑雪那关系就像咱们国家跟这乒乓球是一样的。     

自然交通流的跟驰特性研究

在大量实际观测交通流数据的基础上，在研究跟驰车辆表现出的运行特性基础上，本文提出一种基于跟驰特性的车型分类新方法，数据分析表明，将自然交通流中的车辆划分为大型车和小型车就可以刻画出自然交通中不同车型所产生的影响，在此基础上，深入分析了小型车和大型车的分别作为前导车与后随车的跟驰特性，探讨了车型对驾驶员选择跟驰间隔所产生的物理与心理影响因素，并对车速的影响进行了分析。     

基于双目视觉计算的车辆跟驰状态实时感知系统

双目视觉技术能够实现目标的识别与距离计算，在自动驾驶领域有很大的应用空间。然而，现阶段双目视觉存在光照干扰、遮挡、弱纹理区域歧义匹配等问题，影响其测量的准确性和可靠性。提出基于双目视觉的跟驰状态实时感知系统，该系统采用基于车辆跟驰模型的扩展卡尔曼滤波方法对车辆跟驰状态进行实时估计，包括跟驰距离、前后车速度差等。通过实际道路试验，证明了该系统能够识别并修正测量数据中的异常值，解决弱纹理区域误匹配问题。试验结果表明：25 mm焦距与12 mm焦距的双目系统跟驰间距测量值的平均误差分别为2.66%与9.14%；在相对速度测量方面，2种焦距系统的测量精度基本相同，平均误差均为1 m·s^-1左右。所提出的方法在自动驾驶车辆环境感知领域有较好的应用前景。     

“九不跟”防追尾

不跟大型货车 大型货车又宽又大，遮挡行车视线，很容易使后车的驾驶员视线受阻而闯红灯，经常出现大货车过去红灯亮起、后车却难以停车的现象，因此就会出现违章。不跟大型货车，还能防止货物掉落而伤及自己和车辆。     

六月，世界杯!

2014年巴西世界杯似乎跟车迷的距离有些遥远，甚至其开赛时间都跟全年耐力赛重头戏LeMans24以及Nur VLN24大幅度重合了。可是，在这个全民消费世界杯的年代，汽车界都准备好迎接这场4年一度的重头大戏了，Are you ready？！     

欣喜：奇瑞瑞麒G3

奇瑞已经划分为四个子品牌，本次推出的G3挂在定位高端的瑞麒。但我认为，就品牌而言，以瑞麒跟奇瑞目前的关系，暂时还达不到雷克萨斯跟丰田的相对独立的阶段，而就G3而言，新车的一些地方，都留下了A3跟A5的烙印。     

基于可变跟驰时间和随机因素的通行能力理论计算模型

从车头间距构成的理论分析入手，考虑了不同跟驰状态下跟驰时间的变化规律和车辆、驾驶员总体随机特性对车头间距的影响，建立了跟驰时间和车头间距随机项的数学模型，并在此基础上，根据车头间距的一般形式，给出了通行能力的理论计算公式，通过对比改进模型与原有模型的速度－流量关系理论曲线，认为改进模型能更好地反映实际的交通流状况，最后，计算不同自由流速度，不同最大跟驰时间和不不同速度均方差条件下的通行能力，分析了这些影响因素对通行能力造成的影响，进一步说明了改进模型在一定程度上的合理性和实用性。     

基于驾驶行为分析的交通流中车辆跟驰建模与仿真

着重从驾驶行为分析的角度，对车辆跟驰模型中与人的因素有关的GM模型、CA模型、线性Helly模型、AP模型以及基于模糊逻辑和神经网络的车辆跟驰模型进行了详细的评述，提出了未来智能交通流中应充分考虑到数字驾驶行为对智能车辆跟驰建模与仿真的影响，以期正确地揭示出交通流的特性和本质。     

基于长短期记忆神经网络与注意力机制的智能汽车分车型跟驰模型

考虑到跟驰车流中前车车型对智能汽车跟车行为的影响，采用长短期记忆 （Long Short Term Memory，LSTM）神经网络，基于 NGSIM 数据集，通过 One-Hot方法编码车型特征，并引入注意力机制 （Attention Mechanism） 生成输入特征的注意力权重，训练并建立了一种可根据前车车型产生不同跟驰行为的智能车辆跟驰模型 （Identifiable Vehicle Type Car-Following Model，IVT-CF）。在不同前车车型的跟车场景中仿真发现，IVT-CF 模型仿真车辆的速度和位移的均方误差 （Mean Square Error，MSE） 比不分车型的 LSTM 模型分别降低了 23.8%、31.7%，比 IDM 模型分别降低了 15.8%、18.7%，仿真精度更高。在混入大型车辆的车队跟驰场景仿真中发现，交通流速度和车头间距的收敛时间为 92 s，该模型能较快收敛，具有较好的稳定性和抗干扰能力。     

李晨雪的越野日记

前几天跟“细水长流”聊了很久，他说他不知道我是聋人，于是勾起我对往事的回忆。我在很小的时候就失去了听力，具体多大了也记得不清楚了，听大人说我在小时候病了，好像是肺炎因此打了“庆大霉素”针，后来我的听力不是很好了70多年后的今天，我觉得那是命运跟我开的玩笑，我真正觉得我有区别于其他的孩子，是因为朋友们跟我说哨悄话的时候我却听不清楚，导致我成为他们中的异类……     

跟车也有“学问”

跟车是驾车行驶中最常遇到事，也往往是一件被驾驶人所忽视的小事，然而，跟车里面却有“大学问”。跟的距离近了，易产生追尾事故。跟的距离过长，容易被别的车插入。