Hoefs标定下GM跟驰模型仿真分析

通过对GM模型发展过程的分析与阐述,引入Hoefs标定的GM跟驰模型的参数组合,应用Madab构建仿真环境,以车头间距为研究对象,拟定试验情景,分别对Hoefs标定在不同运行状态下的参数组合进行了仿真,分析了不同参数组合下跟驰队列车头间距的变化情况.结果表明：在加速跟驰、无刹车减速跟驰和刹车减速跟驰状态下,跟驰队列的波动均呈现一定程度的衰减,但波动幅值和频率的衰减依次增大,且跟驰队列车头间距波动幅值的衰减程度随着参数的增大而减小;在加速跟驰状态下,跟驰车辆的三维相图呈螺旋轨迹,其余状态下呈无规则波动.     

驾驶模拟器运动系统对跟驰行为平稳性影响分析

跟驰过程中跟驰车速、跟车间距的波动性表征了驾驶员跟驰行为平稳性.利用8自由度高逼真驾驶模拟器,通过开启关闭运动系统构建动静态模拟器,分析运动系统对不同跟驰状态下驾驶员跟驰行为平稳性的影响.动态模拟器相对于静态模拟器对比结果表明:加速跟驰状态下,跟驰车速、跟车间距平稳性分别提高了12.5%和27.4%;减速跟驰状态下,跟驰车速、跟车间距平稳性分别提高了27.4%和22.9%;稳定跟驰状态下,在跟驰车速为10 km/h、40 km/h和80 km/h时,跟驰车速平稳性分别提高了30.7%、22.2%和17.6%,跟车间距平稳性分别提高了23.6%、37.9%和17.0%.显著性检验结果表明:在跟驰车速为40 km/h的稳定跟驰状态下,跟驰车速和跟车间距在动静态模拟下的平稳性存在显著差异;加速跟驰状态下,动静态模拟器下驾驶员跟车间距平稳性存在显著性差异;减速跟驰状态下,动静态模拟器下驾驶员跟驰车速平稳性存在显著性差异.研究成果为开展驾驶模拟实验的动静态模拟器的选择提供了参考.     

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.     

基于驾驶模拟技术的不良天气对驾驶员跟驰行为的综合影响研究

近年来不良天气频发,对城市交通流运行影响较大。从驾驶行为角度,利用驾驶模拟技术,搭建城市快速路场景,分析多种雨、雪、雾等不良天气对直线路段下跟驰行为的影响。利用单因素方差分析方法,研究不同天气条件下车头时距、车头间距振幅、最小跟驰车速差、最大跟驰车速差以及跟驰加速度等指标的显著性,进而使用主成分分析方法研究不良天气对道路交通流的影响。研究结果表明:车头时距、车头间距振幅、最小跟驰车速差在不同天气条件下具有显著性差异,且一般随天气恶劣程度增加,车头时距与车头间距振动幅度变大,最小跟驰车速差减小。不同天气条件对交通流顺畅性影响从大到小依次为大暴雪、大雨、大暴雨、大雾、中雨、雾、强浓雾、大雪、轻雾、小雨、晴天。     

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。      

跟跟驰驰自自动动驾驾驶驶车车时时人人驾驾车车行行为为研研究究：实证与建模

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,智能网联车辆（Connected and Automated Vehicle,CAV）、自动驾驶车辆（Autonomous Vehicle,AV）和人工驾驶车辆（Human-driven Vehicle,HDV）混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model,IDM）,建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下...     

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。     

听觉-言语认知负荷下工作记忆容量对跟车行驶影响

听觉-言语认知负荷作为一种典型的认知负荷,是驾驶人认知分心的主要来源,容易导致驾驶绩效下降,认知负荷对驾驶绩效的影响程度与个体工作记忆有关。为研究听觉-言语认知负荷下工作记忆容量对跟车驾驶绩效的影响,本文开展心理学与模拟驾驶实验。首先,设置不同听觉-言语认知负荷水平的n-back任务,构建车头时距变化和前车速度变化的跟车场景;其次,采集并预处理工作记忆容量、驾驶人操作行为与车辆运行状态数据,选择跟车速度差、绝对加速度、横向稳定性、制动反应时间及跟车间距作为分析指标,获得36名被试数据;最后,采用方差分析及事后比较,分析认知负荷和工作记忆容量在跟车时对驾驶绩效的影响,并探讨两种因素对驾驶绩效的交互和调节作用。研究表明：认知负荷增加导致驾驶人更大的加减速倾向,更长的制动反应时间;工作记忆容量较高的驾驶人具有更小的制动反应时间和更稳定的跟车间距,更频繁的方向修正和更好的车道保持水平;在工作记忆容量和制动反应时间中,听觉-言语认知负荷具有正向调节作用。本文可以为驾驶安全培训干预提供驾驶人认知特性方面的见解和理论参考。     

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。      

高速公路平直路段雾霾天气下的IDM跟驰模型分析

雾霾等恶劣气候对交通安全带来严重威胁.为分析雾霾天气下驾驶行为规律,利用高逼真度驾驶模拟器,构建了高速公路平直路段雾霾天气场景,开展了自由加速、紧急制动和跟驰试验;基于采集的试验数据利用遗传算法对IDM (Intelligent Driver Model)跟驰模型进行了标定,并与晴天同路段标定参数进行了对比分析.结果显示,雾霾天气下IDM模型中起步加速度和舒适减速度参数并无显著差异,但安全距离、安全车头时距、期望速度等参数比晴天情况显著减小,由此表明雾霾天气下的交通冲突风险显著增大,应加强雾霾天气下的安全管理.     

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.      

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.     

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。     

环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明:环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数λ的值在0.2 ～1.0之间,λ值为0.38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的.     

环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明：环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数A的值在0．2—1．0之间,A值为0．38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的．     

沙尘环境下交通流跟驰模型及仿真

沙尘环境下,沙、尘土及其他异物会影响驾驶员的视线,让驾驶员额外增加辨别道路条件和周围交通状况的反应时间,带来一定的交通安全隐患.为探讨沙尘环境对道路交通流的影响,本文建立了基于沙尘环境下驾驶行为的跟驰模型(SDM).线性稳定性分析和数值模拟结果表明：沙尘环境下,SDM的稳定区域缩小,交通流出现小的扰动后,难以恢复到稳定状态;而且,交通流受沙尘影响越严重,车辆速度的离散性越大,加速度的波动幅度也越大.可见,沙尘环境使交通流处于不安全的状态,易引发道路交通事故.     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明:基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。