流形学习算法概述

流形学习是一种非监督学习算法,流形学习算法的目的是挖掘嵌入在高维数据空间中的低维光滑流形,本文在论述流形学习算法诞生及研究现状的基础之上,指明流形学习算法的研究重点:流形本征维数估计、有监督学习、样本外学习能力、特殊流形降维,并指出流形学习的研究意义。     

高速条件下隧道出入口行驶速度特性

为明确山区隧道出入口区段的车辆运行特性和驾驶行为，揭示隧道洞口交通事故的发生机制，在高速公路和城市快速路各选择3座隧道，采集了小客车和货车在隧道出入口区段的断面速度，高速公路单个断面观测样本大于500 veh，快速路隧道单个断面样本大于1 100 veh，基于断面数据分析了车辆行驶速度的变化规律和影响因素，并建立了运行速度预测模型。分析结果表明:驾驶人临近隧道洞口时会减速，小客车速度降幅为12~21 km·h-1，货车速度降幅为2~10 km·h-1，货车速度降幅低于小客车；洞口位置小客车运行速度大于80 km·h-1，货车运行速度大于70 km·h-1；高速公路隧道出入口段的车速范围为75~110 km·h-1，快速路隧道出入口段的车速范围为60~88 km·h-1，高速公路隧道出入口段的车速普遍高于城市快速路隧道; 驾驶人进入隧道洞内适应环境之后会加速行驶，驶出隧道时有加速行为，但当隧道出口前方有小半径弯道和互通立交时，驾驶人会减速以适应前方的道路条件；隧道入口前100 m至洞口范围内的车辆减速度最大，货车减速度范围为0.23~0.58 m·s-2，小客车减速度范围为0.47~ 0.70 m·s-2；同一断面的速度观测值存在较强的离散性，表明车辆之间存在明显的纵向干涉，容易发生追尾事故。      

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息，是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题，面向智能网联环境，构建了混合交通流全样本车辆轨迹重构模型. 首先，分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境；然后，提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型，实现了对插入轨迹数量、轨迹位置和速度等参数的估计；最后，设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle，CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle，CV）的渗透率为8%和20%时，该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹；重构轨迹准确性随着CAV和CV渗透率的增加而提高；当交通密度为70辆/km，且CAV渗透率仅为4%的情况下，模型也能重构82%的车辆轨迹.      

基于自权值线性判别分析算法的图像处理研究

鉴于传统的线性判别分析(LDA)算法未考虑数据从高维空间嵌入到低维子空间中样本之间的相似性,导致该算法在处理非高斯分布数据时不能取得较好的效果,为此,本文提出了一种改进的自权值线性判别分析算法。改进的模型通过将样本对之间的距离分布转换为样本点之间的权值以区分样本之间的差异性,使模型考虑数据从高维空间嵌入到低维子空间中隐含的局部流形结构,进而提高模型处理非高斯数据的能力。通过人工合成数据和真实数据对改进的模型进行实验验证,表明改进的自权值算法在一定程度上可以改善传统LDA在处理非高斯数据上的降维性能。     

驾驶风格聚类与识别研究

为实现驾驶人驾驶风格的准确聚类和有效识别,以NGSIM数据为依据,提取包含换道行为的16 s车辆行驶轨迹,选取可以全方位表征驾驶人驾驶特性的评价指标并借助因子分析法实现指标的降维;在此基础上选用k-means聚类算法对所得样本数据进行聚类分析,把驾驶风格分为谨慎型、普通型和激进型;最后对比了SVM和ANN驾驶风格识别模型。结果显示:车辆行驶速度、加速度和横向速度更能表征驾驶人驾驶风格;SVM模型和ANN模型在降维前后数据中的识别精度都能达到90%以上,而SVM模型的识别精度更高,说明SVM驾驶风格识别模型在小样本上的有效性。     

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.      

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) — 定位(Location) — 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.     

基于轨迹数据的过饱和信号路口排队长度分析

针对交通过饱和情况，利用网联车轨迹数据提供的车辆到达和停车位置等信息，提出一种基于交通冲击波的周期初始队列长度和最大排队长度的估计方法。基于网联车车辆轨迹确定车辆到达时刻、排队时刻、启动时刻及驶离时刻4个临界点的时空数据，并根据时空信息建立到达率估计模型，运用冲击波理论对每个周期初始队列长度及最大排队长度进行估计，应用微观交通仿真软件SUMO对模型进行仿真验证。实验结果表明：在网联车渗透率不低于20%的情况下，当v/c=1.0(v为实际交通流量，c为道路通行能力)时，初始队列长度MAE值小于6.5 m,MAPE值小于10%，最大排队长度的MAE值小于16.0 m,MAPE值小于11%，说明基于车辆轨迹的交叉口排队长度估计模型能够较为有效地估计过饱和交叉口的最大排队长度和初始队列长度。     

智能网联环境下复杂异质交通流稳定性解析

针对网联车辆与普通车辆构成的异质交通流，考虑网联车辆车对车(V2V)、车对基础设施(V2I)不同通信技术，研究复杂异质交通流稳定性.基于李雅普诺夫理论，分析对比不同通信技术下网联车辆与普通车辆构成的异质交通流稳定性；基于V2V、V2V/V2I的网联车辆和普通车辆以不同比例混合时，进行异质交通流稳定性判别及稳定域解析.通过数值仿真，验证理论解析的正确性.研究结果表明，基于V2V/V2I的网联车辆比基于V2V的网联车辆混入对异质交通流稳定性改善效果更显著.基于V2V、V2V/V2I的网联车辆同时汇入普通车辆交通流的情况下，当基于V2V的网联车辆比例较低时，不会明显提高异质交通流稳定性；而基于 V2V/V2I的网联车辆即使在低比例时，也会显著改善交通流稳定性；且基于V2V网联车辆比例较低时，平衡态临界速度值随着基于V2V/V2I网联车辆的比例增加近似呈线性减小.     

基于车路协同的车辆定位算法研究

为解决道路交叉口车辆由于定位信号缺失或者延迟引起的车辆定位偏差较大的问题,提出了基于车路协同的协同地图匹配算法（cooperative map-matching,CMM）. 首先利用扩展Kalman滤波（extended Kalman filter,EKF）融合GPS与车载航位推算系统（vehicular dead reckoning,DR）信息作为协同地图匹配的预先定位;然后基于短程通讯技术实现车辆信息的交换与共享,在电子地图的基础上,利用道路约束实现车辆进一步定位. 为了验证算法的有效性,搭建了模拟真实场景的仿真环境进行实验. 研究结果表明:采用EKF融合GPS/DR数据的交叉口车辆定位平均偏差为9.09 m,相比GPS 的14.31 m,定位偏差减小30.87%;采用CMM算法的交叉口车辆,当参与CMM车辆数为7时,平均位置偏差为4.5 m,参与CMM车辆数为10辆时,平均位置偏差为2.75 m,相比EKF定位偏差减小69.74%.      

隧道路面抗滑性能测定及其对行车安全影响分析

通过自行开发的三轴加速度仪对某山区高速公路的八条隧道的不同位置的路面抗滑性能进行测定,分析了不同路面结构和纵坡下的隧道路面抗滑性能的变化规律.随后,采用汽车动力学仿真技术对附着系数变化下的隧道行车安全进行分析,揭示了事故产生的主要原因.最后,结合国内外隧道路面铺装技术对隧道路面的结构设计提出合理建议.     

隧道路面抗滑性能测定及其对行车安全影响分析

通过自行开发的三轴加速度仪对某山区高速公路的八条隧道的不同位置的路面抗滑性能进行测定,分析了不同路面结构和纵坡下的隧道路面抗滑性能的变化规律.随后,采用汽车动力学仿真技术对附着系数变化下的隧道行车安全进行分析,揭示了事故产生的主要原因.最后,结合国内外隧道路面铺装技术对隧道路面的结构设计提出合理建议.     

隧道超速超车气动特性研究

利用先进的CFD动网格技术实现了汽车在隧道中超速、超车行驶过程的二维非稳态空气动力特性数值模拟,并与相同条件下非隧道行车时的仿真结果进行对比。研究结果表明:汽车在隧道中超速、超车时,流场和压力场变化幅度较大,超车车辆之间气动干扰影响较大,汽车的行驶安全性降低。     

基于RFID技术的位置信息辅助系统

为提高车辆获取位置信息的准确性,基于RFID（射频识别）技术提出一种车辆位置信息辅助系统,在本系统中,将RFID标签铺设至路面上,为装有RFID读卡器车辆提供准确的道路和位置信息系统.根据标签中提供的位置信息,利用车间通信,并依据车辆的运行状态,让无RFID车辆同时能够计算出自身的位置,达到信息扩散与共享的效果.本文结合8种不同的道路状况,进行仿真实验.结果表明：本系统能够在不同的道路状况下良好运行,实现位置信息的扩散与共享.     

基于车联网V2P 的行人碰撞风险辨识研究

为探索基于车联网V2P(Vehicle to Pedestrian)通信技术的行人碰撞风险辨识方法, 首先,在车联网环境下实时获取了目标位置、速度、运动方向等信息,并分析了典型人-车相 对运动场景中交通参与者的行为不确定性,进而提出了人-车碰撞区域随机几何模型;然后, 综合考虑了车联网系统的通信延时、定位误差、人-车相对运动不确定性等多因素的影响,建 立了人-车碰撞事故概率和冲突风险程度模型;最后,通过仿真实验分析了行车速度、通信延 时、定位精度等因素对行人碰撞风险辨识模型效果的影响,以及各因素间的相关性关系.本文 提出的方法对行人安全保护研究具有一定的参考价值,研究结果同时指出了车联网系统通信 延时与定位精度的技术要求.     

高速公路车辆轨迹摆动特征与小客车道宽度研究

为明确车辆在高速公路车道保持阶段行驶过程中的轨迹横向摆动行为特征，利用高速公路无人机航拍的车辆轨迹数据集，基于车辆位置坐标提取行驶轨迹和速度，计算车辆在自然驾驶状态下的轨迹摆动特征指标，包括轨迹横向摆动的幅度和在摆动周期内的纵向行驶距离，分析不同车型的速度分布特征，研究行驶速度和车道位置对车辆轨迹横向摆动指标的影响。结果表明，尽管小型车和大型车的车身尺寸和动力性能存在显著差别，但两者的轨迹摆动幅度在整体上基本相同，两种车型的摆动幅度平均值分别为0.587 m和0.560 m，摆动周期内的行驶距离分别为252.95 m和251.99 m；车辆轨迹的横向摆动幅度对速度变化不敏感，不会随速度增加而增大，在高速条件下趋于平稳甚至下降，同样，摆动周期内的行驶距离与行驶速度之间未见显著相关性；不同的车道位置对轨迹摆动行为有一定影响，对小型车而言，车道位置由内向外变化时，轨迹摆幅有一定的增加趋势，而大型车的轨迹摆幅则是中间车道最小；国内高速公路车辆轨迹摆幅略高于德国HighD数据集的分析结果，但整体上非常接近；根据车辆轨迹的横向摆动幅度特征，可以确定高速公路小客车专用车道(或是小客车专用高速公路)的...     

侧向风作用下车-桥系统的气动特性——基于风洞试验的参数研究

为考虑侧向风作用下车辆运动对车-桥系统气动特性的影响,基于研制的移动车辆模型风洞试验系统,针对轨道交通车辆和公路交通车辆,分别采用三车模型和单车模型,测试了不同工况下车辆、桥梁的气动力系数,讨论了车速、风向角、车辆在桥上所处轨道位置以及车辆类型等因素对车辆和桥梁气动特性的影响.研究表明,随着车速的增大和合成风向角的减小,车辆阻力系数和升力系数存在增大的趋势,车速对单车模型气动力系数的影响更显著;车辆在桥上所处轨道位置不同对车辆、桥梁气动力系数的影响均较大,桥梁气动力系数对车速和合成风向角不敏感.     

车路协同环境下群体车辆诱导与协同运行方法

为解决城市发展带来的交通拥堵问题,发掘道路交通的潜力,提高车路协同环境下车辆在路网中的行驶效率,面向群体车辆提出了一种诱导优化方法和协同控制策略;在车辆诱导分配方面,在起始点和目的地之间的可达路径中,以交通效率最优、车辆排放最小为目标,设计了基于道路饱和度、车辆行程时间和延误的群体车辆分配规则,建立了群体车辆诱导分配优化模型,并用多目标非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)和多目标粒子群优化算法进行求解;在车辆协同运行控制策略方面,基于引力场思想建立了多车协同运行模型,并提出了多车协同加减速策略;通过仿真验证比较了不同网联自动驾驶车辆(CAV)渗透率下的车辆诱导优化结果,同时仿真了车辆协同加减速策略,并将诱导优化方法和协同控制策略进行了联合仿真。仿真结果表明:多目标诱导分配方法可以提升车辆速度和环境效益,且群体车辆平均速度与CAV渗透率正相关;在四车组队行驶环境中,车辆协同加减速策略能够将车辆在加速和减速时的初始平均加速度分别提高15.0%和8.2%,让车辆快速达到目标速度,保障行车安全;在联合仿真环境中,路网群体车辆的加速度平均提高了11.6%,速度平均提高了1.6%,碳氧化合物排放量减少约4.9%。由此可见,提出的方法能够提高路网通行效率,降低车辆能源消耗,减少对环境造成的不良影响。