基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

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.     

网联与非网联环境下驾驶人换道意图识别研究

网联时代的到来必将改变驾驶人的注意力分配和环境感知能力，进而影响其认知与行为模式。此时，非网联环境中建立的换道意图模型是否继续适用于网联环境值得研究。因此，基于驾驶模拟器搭建了网联与非网联换道场景，对比分析了2种环境下驾驶人换道意图表征参数与换道意图识别模型。结果发现：网联环境下的换道意图时间窗口长度(6.6 s)比非网联环境(4.1 s)长了约60.98%。网联环境下，意图表征参数(车辆运动与驾驶人操作参数)波动幅度显著小于非网联环境。换道意图阶段，非网联环境下驾驶人的平均扫视速度、后视镜观看频次以及注视时间与网联环境下存在显著差异。模型对比发现，当提前0.5 s识别时，网联与非网联环境下的模型识别精度无明显差异，分别为98.25%和96.35%;当提前2 s识别时，网联环境下的模型识别精度(93.48%)显著高于非网联环境(85.68%);在提前3 s识别时，网联环境下的模型识别精度为92.23%,非网联环境下出现了训练不收敛的情况。综上可见，网联与非网联环境下驾驶人换道意图表征参数与模型识别精度存在较大的差异。此外，网联环境下驾驶人换道意图通过所提模型精确识别后利用网联通信方式发...     

基于元胞自动机的破损路面车辆换道仿真

针对路面破损条件下,驾驶员为获得更高行驶效益而进行车道变换的现象,以元胞自动机Na Sch模型为基础,引入慢启动规则和换道规则,建立路面破损条件下双车道车辆微观换道模型。以换道需求、车道选择、间隙检测和换道执行4个过程确立仿真流程,对不同路面破损条件下的驾驶员特性、交通流特性和车辆换道特性进行仿真分析。从车辆运行角度对路面破损等级进行划分,依据效用理论计算车辆在不同车道上的行驶效益,建立车辆车道选择模型,并定义换道系数,分析单块路面破损对车辆换道行为的影响。基于驾驶员的行为差异,在仿真过程中将驾驶员分为冒险型、机敏型、谨慎型和迟缓型4类,通过设置仿真参数,对不同类型驾驶员在路面破损条件下的行为特性进行分析。结果表明:换道系数随路面破损等级的增加而不断增大,破损等级越高,车辆在破损路段行驶的效益越低,进一步增大驾驶员进行车道变换的概率,能够很好地模拟路面破损对车辆换道行为产生的影响。冒险型驾驶员在中密度区的换道率最高,随着路面破损程度的增加,车辆换道率和行驶速度方差随之增大,说明破损路面会降低车辆行驶效益,加剧换道行为的产生,同时增加车辆行驶速度的波动性,对交通流正常运行产生一定干扰,不利于行车安全。     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型。首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布。其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相比于传统的车间临界距离计算模型,提出方法能够动态刻画出车辆在不同速度、加速度条件下临界距离的变化趋势,并且能够根据车辆不同的运动状态,动态表达出车辆间临界距离的变化。在此基础上,根据智能网联环境下车辆各类运动状态能够被实时感知的特点,总结出车辆各类运动状态下需要的换道安全临界时间,最终建立基于安全势场理论的最小安全距离换道模型。最后,对模型进行数值仿真分析,仿真结果表明：车辆换道所需要的最小纵向安全距离与换道车辆以及其周围车辆的运动状态有着直接关系。在今后趋于成熟的智能网联环境下,该模型可以进一步进行扩展,利用安全势场的分布情况,对车辆换道过程进行动态实时干涉,能够为今后智能网联环境下车辆协同换道、车辆自动驾驶以及车辆群体优化控制等相关研究提供一定的理论支撑。     

城市道路指路信息对进口道车流交织长度及通行能力的影响

基于高速公路交织段的概念,结合城市道路间断流运行特征及路侧指路信息对交织车辆的影响机理,提出城市道路交叉口进口道车流实际交织长度的确定方法.根据道路交通设计特征及驾驶员变道行为特征分别确定了城市道路进口道交织段的起讫点.选取上海市典型交叉口对车辆换道行为及微观行车特征进行视频观测,共获得159个有效样本,分析了车辆换道决策点在信息指示标志附近的分布规律,结果显示,换道决策点在信息指示标志附近呈正态分布.结合指路信息的影响改进了现有交织段通行能力计算模型,比较了该交叉口三个典型断面的通行能力:停车线断面、交织段断面、路段断面,并指出随指路信息位置变化时交织段通行能力的变化趋势,据此提出指路信息最佳设置位置.     

高速公路施工区自动车辆行驶轨迹优化方法

为改善高速公路施工区路段车辆运行状态,建立了一种集合优化换道比例和可变跟车时距的换道控制策略.通过引入交通运行效率和冲突风险目标函数并进行在线求解,从而对施工区车辆行驶轨迹进行优化,提高了车辆的平顺性.在网联自动车环境下,以施工区上游路段车辆平均速度为目标函数,借助遗传算法遍历交通流状态集合,求解换道比例,以此调整施工区上游车辆分布.以施工区汇入路段车辆交通效率和冲突风险为可变跟车时距模型的目标函数,调用CPLEX/Matlab求解器得到汇入路段可变跟车时距.为了在线计算和可视化建立了Matlab/Vissim_COM的仿真平台,通过Matlab编程技术以单步仿真的方式提取Vissim车辆信息,将CPLEX求解器和Vissim的封装环境以函数调用的方式与遗传算法结合,对车辆信息进行优化计算和参数反馈.在总仿真次数达到400次时,模型控制得到最优.结果表明,与未实施控制相比,在最优控制中,当仿真时长达到800 s时,每条车道交通量输入达到700 veh/h,优化效果较为明显,即全局车辆在汇入路段"曝光"次数减少,车辆行驶轨迹变的"平滑",全局运行速度提高了48%,速度标准差的变化幅度降低,全局车辆的速度离散性得到改善,以后侵入时间表征冲突风险,冲突次数降低了39%,高速公路施工区车辆运行状态得到了改善.      

拥堵条件下驾驶人群体重复换道博弈的仿真研究

为完善拥堵交通流仿真中拥堵产生与消散的自发性,研究不同驾驶人群体的换道策略对拥堵产生与消散的影响,通过参考智能驾驶人模型(IDM)建立智能体,构建了基于多智能体系统的3车道交通环境,对交通流仿真方法进行改进,使其可以更加真实地表现出现实环境中拥堵的产生和消散.通过仿真实验,产生不断演化的交通流,得到一系列的仿真数据.利用仿真数据,采用重复博弈的理论分析驾驶员群体的策略对道路通行能力的影响.仿真及推理结果表明,在不发生事故的前提下,驾驶人群体采取占优的换道策略最多可以提高所有车辆7%的平均车速;理性的驾驶员换道策略的调整的最终结果会使道路通行能力降低.      

基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立...     

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。     

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。     

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。     

基于交通状况及行驶速度的高速公路换道时间研究

换道行为是影响高速公路运营安全的重要因素之一,而换道时间为交通安全分析模型中的关键参数,在换道时间标定中应考虑不同交通状况和不同行驶速度的影响。为此,在交通状况不同的多条高速公路进行了一系列的现场实车试验,通过行车记录仪采集连续的行车视频,采用计算机视觉技术中的Canny算法识别行车视频图像中的车道边缘线,获取精确的车辆轨迹与车道边缘线的偏移值,实现对车辆换道行为的准确识别。根据车载辅助驾驶装置记录的试验车辆换道时的行驶速度,以及换道影响区域内试验车辆邻近的各种车辆,对车辆换道时所处的不同交通状况和行驶速度组合条件下的车辆换道时间进行分析研究。结果表明:不同交通状况下的高速公路换道时间均服从对数正态分布;换道时间与车辆换道影响区域内的交通状况存在显著联系,车辆在处于低密度交通状况下的换道时间比在中、高密度交通状况下的换道时间长;当车辆在处于低密度交通状况和低行驶速度下换道时,换道时间比其他交通状况和行驶速度组合下的长,而在中、高密度交通状况下车辆的换道时间并不受车辆行驶速度的影响。本研究成果可为自动驾驶、微观交通仿真等相关模型的换道行为参数标定提供参考。     

基于BP神经网络的路面不平度识别

将BP神经网络作为识别路面不平度的工具，确定了用于识别的评价指标。建立了前后轮路面不平度滤波白噪声模型和汽车平顺性4 自由度平面模型，通过仿真获得车辆响应和前后轮路面不平度，作为BP 神经网络的输入和输出。采用3 层BP 神经网络识别路面不平度，先后构造了44 种车辆响应输入方案进行训练和测试，通过评价指标选出最优输入方案。研究结果表明，在车辆行驶的常用路面和车速条件下，识别前后轮路面不平度的最优输入方案由车轮垂直加速度、车轮垂直位移和悬架动挠度组成。     

危险换道驾驶行为预测方法研究

提出了两种危险换道驾驶行为预测算法,分别为基于贝叶斯因子阈值法的隐马尔可夫模型预测算法和基于运动时间窗特征提取法的支持向量机预测算法,它们所需的车辆运行特征变量均可在车联网环境下获得。通过基于Prescan-Simulink联合仿真的驾驶员在环仿真,获得危险和正常两种换道场景下的车辆运动数据,进而对提出的两种算法进行验证和比较。结果表明,两种预测算法对危险换道驾驶行为的预测均有较高的准确率,有助于对危险换道的驾驶员给予及时警告或辅助纠正,从而减少危险换道事故的发生。在样本数据有限的条件下,SVM算法的预测效果更好。     

高速动态交通场景下自动驾驶车辆换道意图识别模型研究

为提高自动驾驶车辆在高速动态复杂交通场景下车辆换道意图识别精度和预判能力，提出了基于融合注意力机制的卷积残差双向长短时记忆（BiLSTM）识别模型。采用一维卷积神经网络提取车辆运动状态特征；将构造的特征向量作为BiLSTM输入信息；通过残差连接，解决多层BiLSTM易出现的优化瓶颈和梯度消失问题；利用注意力机制，调整残差BiLSTM不同时刻输出权重；应用Softmax函数计算驾驶意图概率。采用NGSIM高速公路数据集对模型进行验证，并与其他4种模型进行对比，结果表明：该模型对换道意图整体识别准确率最高，达到97.44%，在换道前2.5 s预测结果准确率达到90%以上，具有更好的识别精度和预判能力。     

协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制（ACC）车辆和协同自适应巡航控制（CACC）车辆的行车行为特征分析的基础上，运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境，解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型，利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间（TTC）、暴露碰撞时间（TET）、整合碰撞时间（TIT）等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟，仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时，混合交通流安全性恶化最严重，TET和TIT分别增加约68%和89%，车辆速度离散系数为0.9以上；通过在下匝道分流区设置远端强制换道区（设置长度≤ 1 000 m），可有效降低混合交通流的追尾碰撞风险。      

基于虚拟线圈的车型识别研究

在车型识别系统中,车辆的特征提取是非常重要的.传统的检测方法受摄像机的成像精度与架设方式等因素的影响,给车辆特征的提取带来困难.提出了一种采用虚拟线圈识别车型的方法.该方法将检测线与虚拟线圈相结合,对提取的车辆信息进行预处理,以检测线检测到达预先设置位置的车辆,然后触发虚拟线圈来提取车辆特征,通过BP神经网络来训练识别的车辆特征,以达到车型识别的目的.试验证明,该方法识别效果好,识别有效率达99%.     

高速公路驾驶人换道意图识别模型

为了增加驾驶人换道过程中的安全性,提出一种基于隐马尔科夫理论的驾驶人意图换道识别方法.在模拟高速公路环境下,采用非接触式眼动追踪仪采集驾驶人的眼动数据、头部运动数据以及车辆行驶数据,选取左-右链结构的隐马尔科夫模型(GM-HMM)分别建立向左换道、向右换道和车道保持模型.结果显示,所建立的驾驶人的意图识别模型的准确率达到了90%以上.     

基于VanetMobiSim/NS-2的车辆换道模型仿真

高速公路上驾驶人换道行为容易导致车辆碰撞事故。利用车载自组网（Vanet）车车通信提醒驾驶人在换道过程中可能遇到的危险,但在真实环境中测试车载自组网难度大,代价高。Vanet-MobiSim和NS-2分别是优秀的交通、网络仿真器,两者联合可以为车载自组网提供真实可靠的微观仿真平台。文中结合开源的VanetMobiSim中的智能驾驶人换道模型——IDM_LC设计Vanet环境下的车辆换道模型,仿真产生不同车密度、车道数下的移动车辆Trace文件。将Trace文件导入开源的NS-2中进行仿真分析。结果表明,采用VanetMobiSim/NS-2联合仿真平台可以很好的模拟设计的不同情景下的车辆换道模型,车辆换道时的车车通信将使得车辆换道效率和安全性都得到提高。