基于零反应时间的自动驾驶车辆跟驰模型研究

自动驾驶车辆可以通过数据驱动模型较好地学习人类驾驶员的跟驰行为,但单纯的学习并不能发挥自动驾驶车辆反应更敏捷的特性.文中利用NGSIM数据集开发一种基于零反应时间数据的跟驰行为学习模型.首先,基于人类驾驶行为数据建立反应时间预测的神经网络模型,预测每条人类跟驰轨迹数据每个时间步的反应时间,并在原轨迹中剪除反应时间内的数据,进而重构样本数据,获得近似于零反应时间、更符合自动驾驶车辆特性的样本集.在此基础上采用LSTM架构,建立基于新学习样本的跟驰行为模型(LSTM-0RT).仿真对比发现:LSTM-0RT跟驰模型比传统LSTM模型提前50 s收敛,且速度变化趋势与前车基本一致,充分体现反应速度快的特点;在混驶环境测试中,采用LSTM-0RT模型的自动驾驶车辆比例越大,跟驰车队的渐进稳定性越高,车流波动的影响范围越小;交通流特性分析显示LSTM-0RT模型在不同交通流密度下的适用性明显优于LSTM模型;车头时距指标测算也表明LSTM-0RT模型具有更高的跟驰安全性.     

面向群体行驶场景的时空信息融合车辆轨迹预测…

将车辆间时空交互信息融入卷积社会池化网络中，提出了一种面向群体行驶场景的有人驾驶车辆轨迹预测模型；使用长短时记忆(LSTM)网络预测群体车辆速度，基于此预测值计算群体车辆间的速度差；构造LSTM编码器捕捉群体车辆行驶轨迹的时间序列特征，设计卷积社会池化网络提取群体车辆间的空间依赖关系，使用LSTM解码器预测未来车辆各种动作的出现概率和相应轨迹，将具有最高出现概率的动作及其轨迹作为最终轨迹预测结果；使用真实轨迹数据集对所构建模型进行了参数标定和性能验证，测试了不同轨迹编解码与速度预测方法对模型性能的影响，确定了最优模型结构。计算结果表明:相较于历史速度，使用预测速度计算速度差作为模型输入可将均方根误差(RMSE)降低19.45%；相较于门控循环神经网络，使用LSTM进行速度预测可将RMSE降低4.91%；相较于原始卷积社会池化网络，所提出模型的轨迹预测误差在RMSE与负似然对数2个指标上分别降低了20.32%和21.04%，明显优于其他卷积社会池化网络变体；所提出模型与原始卷积社会池化网络计算耗时差距约3 ms，能够满足实时应用要求。      

理想条件下路网临界速度的研究

运用最优化和跟驰理论，确定了车辆稳定跟驰行驶速度与车辆在该状态下的车头间距和行驶时间等关系。建立了路网临界速度模型，同时应用该模型和利用先进的地理信息定位系统（车载GPS）在北京市路网上采集的基础数据，计算出北京市路网达到理想容量状态时的临界行驶速度。     

道路几何设计对IDM模型跟驰行为的影响

考虑道路几何设计参数转弯半径、超高、坡度对车辆跟驰行为的影响,对车辆跟驰智能驾驶员模型(IDM)进行了改进.结合二自由度车辆动力学模型,利用Matlab/Simulink建立改进后的跟驰模型并进行仿真.仿真分析发现:在具有转弯、超高和坡度的道路上,改进后的模型,其跟驰车辆车头时距增大,行驶速度减小,保证了车辆行驶的安全性;车辆横摆角速度和侧向速度随半径和超高的增加而减小,保证了汽车操纵稳定性.结果表明,改进后的模型能够更准确地描述道路几何设计对车辆跟驰行为的影响.     

基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 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, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

实时道路条件的跟驰模型研究

为了研究实时道路条件对车辆跟驰行为的影响,应用车辆动力学结合车载GPS和传感器数据实时估算路面与轮胎间的附着系数,并应用附着系数对智能驾驶模型的最小期望跟驰间距进行修正,建立考虑实时道路条件的跟驰模型。对模型的分析表明:考虑实时道路条件的跟驰模型在保证乘客舒适性的基础上能提高道路的服务水平。     

货车移动遮断影响下的小客车驾驶行为识别

为识别山区双车道公路货车移动遮断影响下的小客车驾驶行为，通过无人机拍摄和图像 处理提取车辆轨迹数据，根据车头时距、小客车横向位置曲线斜率的阈值标准，标定小客车的跟 驰、换道和超车这3种驾驶行为类别；采用Kruskal Wallis检验和主成分分析法对小客车驾驶行为 特征参数进行筛选和降维，获取识别模型输入变量；运用网格搜索算法确定核函数最优参数组 合，建立基于支持向量机(SVM)的货车移动遮断下小客车驾驶行为识别模型。以云南省典型山区 双车道公路为例，多维度分析货车移动遮断下的小客车驾驶行为特性，并对识别模型进行训练和 测试。结果表明：货车移动遮断下小客车的行车速度比自由流条件下低约20~30 km·h-1；小客车 在山区双车道跟驰货车行驶时的平均车头时距为2.53 s，小于相关规范中规定的最小安全车头时 距，跟驰行车风险较大；基于SVM的货车移动遮断下小客车驾驶行为识别模型的识别准确率达 98.41%，具有良好的识别能力和应用前景。     

基于相关分析的跟驰模型及其稳定性

为了精确地模拟车辆跟驰过程,应用相关分析的方法建立一系列跟驰模型,用微积分的方法解析模型.通过变量筛选.明确了影响车辆跟驰的重要因素有速度差、间距和前车速度.通过对模型的解析.确定了模型参数的合理取值范围以确保模拟的稳定.建立的跟驰模型可以模拟不同车辆之间的跟驰行为.预测跟驰车辆的运动状态,用于智能车辆控制或者用于追尾预警.如果获得了更完备的实验数据,基于相关分析建立跟驰模型的方法可以更精确地考虑到车辆运动状况、动力性能、道路条件、驾驶特性等影响因素.     

不同车速多前导车对跟驰行驶特性的影响

单车道跟驰是驾驶员的主要跟驰行为之一,掌握微观跟驰行为特性对于深入认识宏观交通流特征、改善交通拥堵具有重要的理论意义和应用价值。已有研究发现,除相邻前导车外,下游多辆前导车的行驶状态亦对驾驶员跟驰行为产生影响。然而,目前尚无对下游前导车辆影响跟驰行为的空间范围的定量研究。以美国NGSIM数据为研究对象,定量化研究下游多前导车行驶速度对跟驰车辆运行特性的影响,同时分析了不同速度区间下,前导车对跟驰车产生影响的空间范围及变化趋势。利用Pearson相关系数计算下游车辆速度与跟驰车辆交通参数间的相关系数,进而分析其相关强度,评价其影响程度,为构建考虑下游多车影响的跟驰模型提供理论依据。     

数据驱动跟驰模型综述

车辆跟驰模型是被交通科学与交通工程领域广泛认可的微观交通流模型，是交通流理论 的基础。近年来，信息感知与获取、大数据、人工智能等技术快速发展，推动了数据驱动跟驰模型 的快速发展。数据驱动跟驰模型，是以真实的车辆行驶数据为基础，利用数据科学与机器学习等 理论和方法，通过样本数据的训练、学习、迭代、进化，挖掘车辆跟驰行为的内在规律。本文系统 回顾了数据驱动跟驰模型在过去20余年的发展历程以及由神经网络和深度学习带动的两次研究 热潮，归纳了基于传统机器学习理论的跟驰模型、基于深度学习的跟驰模型、模型与数据混合驱 动的跟驰模型3类数据驱动跟驰模型，并分别介绍了其中的典型代表。分析数据源发现，尽管各 种高精度轨迹数据不断涌现，目前研究仍多使用美国于2006年发布的Next Generation Simulation (NGSIM)高精度车辆轨迹数据，模型的可移植性和泛化能力值得思考与研究。提出关于模型输 入、输出的3个问题：如何考虑更多驾驶行为变量，是否有必要考虑更多行为变量，现有输入、输出 是否可替换。在模型测试与验证方面，发现并讨论了目前测试不充分、对比不完整、缺少统一测 试集与测试标准等问题。最后，探讨了数据驱动跟驰模型原创性与成功的关键因素等问题。期 望通过本文的梳理，帮助研究者更好地了解数据驱动跟驰模型的过去与现状，促进相关研究的快 速发展。     

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。      

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为，基于实测数据验证全速差模型发现，其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异，基于4 种跟驰情景，即小客车跟驰小客车(car-car)，小客车跟驰公交车(car-bus)，公交车跟驰小客车(bus-car)，公交车跟驰公交车(bus-bus)，建立考虑车流异质性的车辆跟驰模型. 结果表明，改进模型的性能提升明显，较全速差模型，速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%，22.32%，更符合交叉口进口道异质疏解车流的跟驰行为.     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。      

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。      

基于分子动力学的车流运行动态特性及其模型

车辆跟驰行为受前导车和道路环境等的影响,将车辆抽象成相互作用的分子,基于分子动力学构建相互作用势函数,建立基于相互作用势函数的分子跟驰模型.采集试验路段不同点位的交通流样本,从视频中获得所需数据,并对加速度波动特性进行分析.将车辆运行状态分为常态行驶,起动加速和减速停车3种,根据实测交通数据对3种车辆运行状态进行模型参数标定,同时对分子跟驰模型进行稳定性分析验证,结果表明,相对于经典GM模型,分子跟驰模型稳定性更好,对实际交通状态拟合程度更高.     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

����ǰ�����ۺ���Ϣ�����ӳ�����ģ��

基于智能交通诱导信息考虑前方多辆车,司机又通过后视镜考虑后方车辆,提出一种改进的耦合映射跟驰模型,用于描述单车道的交通流的动力学特性及其拥堵控制。利用离散延迟反馈控制动力学模式,通过调整模型中控制参数给出了抑制交通拥堵的策略。利用反馈控制理论,导出了在头车速度发生变化时,交通流保持稳定性的条件。分析结果表明,考虑前后方更多车辆的信息对交通流有致稳作用,亦即稳定性条件明显减弱。数值模拟证实了理论分析的正确性,通过与前人相关工作的比较得知,考虑前后方车辆的信息能够更有效地抑制交通拥堵。     

基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性辨识模型;对 8位驾驶人的实车数据分析和辨识结果表明,以加速度,与前车相对速度、相对距离,跟车时距,碰撞时间倒数的平均值、标准差、中位数、小波能量熵为特征向量的随机森林模型,驾驶人识别的准确率能达到96.48%,袋外错误率为4.55%,相比于支持向量机、K近邻、BP神经网络,具有更高的识别准确性。说明运用多尺度细化特征向量建立的随机森林模型在识别跟车工况下驾驶人的差异性方面是可行的,该结果对驾驶行为精细化研究及个性化辅助驾驶系统发展具有重要意义。