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。     

基于白适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型。针对这一问题,应用自适应模糊神经推理系统（ANFIS）建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练。最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真。结果表明,前者输出的跟驰车辆加速度值更接近于真实值。     

基于自适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型.针对这一问题,应用自适应模糊神经推理系统(ANFIS)建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练.最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真.结果表明,前者输出的跟驰车辆加速度值更接近于真实值.     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

考虑横向干扰的交叉跟驰模型研究

在传统跟驰模型的基础上,对车辆横向位置分布进行了实地调查,分析了周边交通场景对跟随车的横向干扰特性。引入最大转移速度和疏散路程参数,建立了交叉跟驰模型并进行了交通仿真。统计分析结果表明:行驶车辆横向位置分布基本符合正态分布,跟随车的行为变化与车辆偏离中心线的距离大小有关,交叉跟驰模型可以更加准确地反映实际道路交通场景。此模型的建立能够揭示车辆微观交互行为,对保障车辆运行安全和交通流稳定性具有重要的现实意义。     

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。     

基于VSP分布的车辆跟驰模型的油耗测算对比研究

利用GPS收集了大量北京市快速路上车辆跟驰状态下的驾驶行为数据.以GPS采集的行为数据为前车驾驶数据,采用不同车辆跟驰模型来模拟并输出后车的跟驰行为.对连续的瞬时速度按照60s集成并且划分平均速度区间,在同速度区间内对比分析了不同跟驰模型输出的机动车比功率(VSP)分布与真实分布的差异.其后,利用车载油耗仪收集实测的逐秒油耗数据,采用基于VSP分布的油耗测算方法,测算并对比了不同跟驰模型的平均油耗率和油耗因子与真实油耗的差异.研究发现前后车全速度差是车辆跟驰模型中的关键参数,其能明显提升仿真跟驰行为VSP分布的准确性,进而更准确地测算车辆跟驰状态下的燃油消耗.     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

基于滑模控制的时滞自动车辆跟随系统数学模型

基于非线性车辆动力学方程和固定车辆间距跟随策略,对具有时间滞后的自动化公路系统车辆纵向跟随控制问题进行了研究。在假定车队中的每个被控制车辆能够接收到车队领头车辆以及该车前面一个车辆的位移、速度和加速度信息的情况下,应用滑模变结构控制方法,通过对滑模运动方程的分析,得到了关于车辆间距误差的车辆纵向跟随系统的数学模型。该模型属于一类具有时间滞后的无限维非线性关联大系统。在具有时间滞后的车辆纵向跟随控制器设计中,利用该类非线性关联大系统的稳定性判定条件来设计控制参数,可确保车辆纵向跟随控制系统的稳定性。     

基于模糊控制理论的汽车纵向防撞控制研究

研究了模糊控制理论在汽车防撞中的应用.利用毫米波雷达,霍尔传感器等测得本车与前车的相对速度和相对距离,并经模糊算法模糊化处理后作为输入,对节气门和刹车的控制量（即后车的加速度）作为输出量进行模糊控制研究,本文通过对汽车纵向行驶控制行为的模糊集定义,在安全距离的数学模型基础上,设计了车辆跟驰情况下的汽车防撞模糊智能控制器。利用matlab仿真软件进行了相应的验证及分析,结果表明该模糊控制控制系统能达到防撞控制效果。     

期望车头间距的混沌模型研究

通过对跟驰车队刺激———反应过程以及人车单元组合的微观特性分析,说明跟驰车队中具有产生混沌现象的必要特征。首先运用数学方法给出4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,认为改进的期望车头间距模型能更好地反映实际交通流的跟驰特性。     

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。     

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。     

基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题，研究了4种基于车路协同环境下实时优化各车的车速引导模型。对车辆进行所属车辆列队划分，考虑车速引导影响对FVD跟驰模型进行改进。以车辆列队为引导单元，将车辆可能面临的交通状况细分为8种引导场景，以引导车辆不停车或少停车通过交叉口为目标，直接优化车辆加/减速度，建立车辆列队后车根据改进的跟驰模型计算目标跟驰加/减速度，并与头车组成列队以同一目标车速通过交叉口停车线的4种车速引导模型。以南昌市海棠北路/枫林西大街交叉口为例进行仿真验证，结果表明，所提出的车速引导模型能使车辆行程时间减少18.9%，最大排队长度减少58.8%，延误减少60.8%，燃油消耗减少36.4%，且适用于不同交通饱和状态，对提高信号交叉口通行效率和减少车辆燃油消耗有显著效果。      

理想条件下路网临界车头间距的研究

基于经典的跟驰理论，建立理想条件下车辆稳定跟驰行驶时的车头间距模型。并且利用高精度的车载GPS系统在北京市路网上采集的数据对该模型进行标定。同时根据最优化的相关理论确定出北京市路网达到其理想容量时车辆的临界行驶速度及临界车头间距，从而为确定理想路网容量奠定基础。     

考虑慢车影响的双车道PFV跟驰模型研究

在双车道交通系统中会有较多的因素影响跟驰行为,针对单车道提出的跟驰模型能否直接适用于双车道系统值得研究。双车道交通系统中的车辆存在换道行为,因此,在研究双车道跟驰行为时不仅应考虑本车道前后车辆的影响,还应该考虑邻近车道车辆的影响,合理地将换道规则引入跟驰模型中。考虑慢车影响,基于PFV跟驰策略建立了双车道跟驰模型。仿真结果表明,相较于FVD策略而言,采用PFV策略,慢车在双车道交通系统中造成的车辆延误较小且无碰撞发生,可以更好地描述车辆在双车道系统中遇到慢车时的跟驰行为。     

车路协同下HMI对跟驰行为与视觉特性的影响

为研究车路协同系统对驾驶员跟驰行为和视觉特性的影响,基于驾驶模拟器搭建高速公路场景和车路协同环境,针对常规状态和意外事件这2种情况,采集跟驰过程中的驾驶行为数据和驾驶员眼动数据,对比分析了有HMI和无HMI这2种情况下的车头间距、车头时距、加速踏板深度、平均制动次数及驾驶员在每个区域的注视时长和扫视频率等行为变量.分析结果表明,常规状态的跟驰过程中,设置HMI车辆的车头间距和车头时距分别增大12.91%和23.70%,加速踏板使用幅度及制动踏板平均使用次数分别降低7.55%和10.14%,设置HMI可使驾驶员注视车辆前方区域的时长减少,在HMI区域的注视时长占总时长的6.18%,而扫视频率没有明显变化;在意外事件的跟驰过程中,HMI的预警对速度和车头时距产生显著性影响,使方向盘转角和加速度方差变化幅度减小,且在保证安全距离的前提下,通过不停地扫视以获取换道时机.      

短时交通流的非线性动力学特性

基于Bierley跟驰模型理论,建立了由5辆机动车组成的动态交通流仿真模型.利用Matlab软件产生了5辆机动车的交通流时间序列,分析了相邻前后车辆的车头间距、速度差等变化过程,对仿真结果与实际交通流特点做了理论分析.讨论了模型参数对交通流动力学特性的影响,并从理论上证明了短时交通流具有混沌特性.结果表明:后车驾驶员对前后车相对速度和前后车车头间距越敏感就越容易出现混沌现象.