基于支持向量机的跟车模型优化

利用毫米波雷达、车辆总线设备及GPS等设备搭建实车数据采集平台,采集真实交通环境下车辆跟车行驶时前车运动状态表征参数,以两车间相对速度、相对距离、自车速度和横摆角速度为输入参数,基于支持向量机理论,利用粒子群算法对支持向量机参数进行优化,建立跟车行驶时前车运动状态预测模型。结果表明,该模型能有效预测前车加速、减速及稳速状态,时间窗口宽度为3s时,直线道路上的预测准确率为89%;时间窗口宽度为3.5s时,曲线道路上的预测准确率为87%。     

基于驾驶员视觉的车辆跟驰建模与仿真

着重从驾驶员心理-生理(AP)跟车模型的角度出发,根据AP模型的不足,提出了驾驶员视觉范围变化对车辆跟车模型的影响,建立跟车模型,并用仿真的方法分析其稳定性,提出了跟车系统稳定性的参数数值范围,以期正确地提出驾驶员的跟车行为。     

基于道路试验的跟车场景挖掘系统设计

为满足智能网联汽车开发和测试过程中对驾驶场景的需求,设计了一种跟车场景挖掘系统,该系统由车辆空间位置模块、跟车目标选择模块、跟车约束模块、信号及时间片断处理模块组成,车辆空间位置模块和跟车目标选择模块对跟车目标和跟车场景开始时间进行标定,跟车约束模块对跟车场景结束时间进行标定,最终通过信号及时间片断处理模块完成跟车场景信号的挖掘。离线场景挖掘和道路试验结果表明,该系统具有较高的准确性。     

交织车辆的跟车换道行为研究

在不满足换道条件下,交织车辆因换道的强制要求,会有选择地放弃跟车转而进行挤车换道.针对此现象,在深入分析交织车辆的跟车换道行为的基础上,从驾驶员的角度出发,选择其跟车换道的影响因素,构建了跟车换道的效用函数,建立了交织车辆跟车换道的二元选择 Logit 概率模型.基于车辆轨迹获取技术对模型的相关变量进行了调查,采用最大似然估计法对模型进行了标定.选择命中率作为评价指标,采用实例对模型的有效性进行了验证.结果表明,模型能有效地模拟交织车辆的跟车换道行为,精度高达99.0%.      

基于组件式GIS的模拟导航电子地图设计

在车辆导航系统中,通常采用全球定位系统GPS获得车辆位置信息,并准确在电子地图上显示和定位,可认为通过GPS获得定位数据是地理信息系统GIS的一种数据采集方式。文中利用目前较先进的组件式GIS技术开发了一套能实时动态显示、模拟GPS信息的电子地图。     

基于组件式GIS技术的导航电子地图设计

在车辆导航系统中,通常采用GPS来获得车辆的位置信息,并准确地在电子地图上显示和定位。可以认为通过GPS获得定位数据是GIS的一种数据采集方式。它可以实现车辆位置的实时、动态确定。利用目前较先进的组建式GIS技术开发了一套能够实时动态显示模拟GPS信息的电子地图,具有较高的实用和教学意义。     

车辆GPS监控导航系统研究

综合分析了GPS车辆监控导航管理系统的研究背景以及国内外GPS车辆监控导航管理系统的研究现状.在此基础之上,以MapInfo为研究平台,选用VC++作为系统的开发工具,研制了符合我国国情的车辆导航系统.文中重点阐述了GPS车辆监控导航管理系统的设计方法,进而拟定了系统软件开发框架和各组成部分的性质功能.并以武汉市一环线为案例进行了模拟研究,结果表明所研制的GPS车辆监控导航管理系统能够有效的实施车辆的跟踪导航.     

网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。     

多媒体GPS车辆监控导航管理系统研究

简述GPS技术的原理，综合分析多媒体GPS车辆监控导航管理系统的研究背景以及国内外GPS车辆监控导航等理系统的研究现状，在此基础之上，着重研究符合我国国情的车辆导航系统，重点阐述了多媒体GPS车辆监控导航管理系统的设计方法，进而拟定系统软件开发框架和各组成部分的性质功能。详细介绍图文信息完善结合的软件工具MapInfo及其桌面地图信息系统的鲜明特点。     

跟车模型研究综述

车辆跟驰理论作为最基础的交通流理论分支,国外在这方面的研究已经持续了半个多世纪,随着智能交通系统(ITS)正蓬勃展开,司机行为和车辆运行特征是构建智能交通系统的基础,从微观角度研究司机、车辆在快速路中的行为特征,其成果将为防止车辆追尾事故、构建智能交通系统、实现交通仿真和估算通行能力提供理论基础。文章在认真分析国内外车辆跟驰理论领域研究的基础上认为,尽管现有的许多跟车模型已经应用于实践,但每个模型都存在或多或少的不足,综合评述已有的成果,发现已有的研究缺乏描述跟车行为的时间序列数据。     

考虑驾驶员行为特性的模糊推理跟驰模型改进研究

基于模糊推理的车辆跟驰模型实现了用数学方法描述驾驶员的主观判断、推理和执行的过程,但现有的这类模型通常未考虑驾驶员行为特性的差异。针对这一问题,在基于模糊推理的跟驰模型中引入期望车头时距,不同行为特性的驾驶员具有不同的期望车头时距,在此基础上建立了改进的车辆跟驰模型。仿真结果表明,改进的跟驰模型能准确描述不同类型驾驶员的跟驰行为及其差异。     

交叉口混合交通流跟驰行为研究

为了研究机动车流和非机动车流在交叉口交通信号灯影响下的过街跟驰情况,文章对西安市南稍门十字以及小寨十字进行了观测与记录,采用录制视频的方式,观测了在一个交通信号灯周期内车流的过街跟驰情况,采集并分析数据后,针对机动车流的跟驰行为构建了基于安全距离的跟驰模型,通过分析可以看出,在交叉口处机动车和非机动车过街行为受行人和机动车流影响较大,转向车流与直行的车流也会互相影响。     

利用因子分析选取车辆跟驰模型输入变量

现有的微观仿真模型中,车辆跟驰模型的构建多数是基于对交通现象的感性认识,有些模型对数据进行了统计分析,却未直接涉及到对输入变量选择的研究。本文运用因子分析非线性多元统计方法提取典型实验数据的有用信息,寻求能够最大程度反映跟车信息的内生变量作为跟驰模型的输入变量。     

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。     

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。     

Modeling and verification of heavy-duty truck drivers’ car-following characteristics

In order to capture drivers’ car-following characteristics and apply this information to the design of an Adaptive Cruise Control algorithm, this paper builds a driver car-following model with vehicle speed-dependent control gains. Proposed for use with heavy-duty truck drivers, we introduced the concept of driver sensitivity to tracking errors, identified driver’s sensitivity to tracking errors and analyzed quantitatively the relationship between control gain and vehicle speed. To model the driver characteristics precisely and concisely, a SVE/SDE (Sensitivity to Velocity Error/Sensitivity to Distance Error) based linear car-following model was built and a nonlinear optimization algorithm was adopted to identify the model parameters. When validating the model accurancy, we proposed a comparative verification method based on hypothesis-testing theory here to reduce the influence of randomicity in the drivers’ manipulation. The modeling and verification indicate that the proposed car-following model is superior to the tranditional linear car-following model, but its structure still approximates linear, which implies it is applicable for the design of a vehicular following controller.     

基于双目视觉计算的车辆跟驰状态实时感知系统

双目视觉技术能够实现目标的识别与距离计算，在自动驾驶领域有很大的应用空间。然而，现阶段双目视觉存在光照干扰、遮挡、弱纹理区域歧义匹配等问题，影响其测量的准确性和可靠性。提出基于双目视觉的跟驰状态实时感知系统，该系统采用基于车辆跟驰模型的扩展卡尔曼滤波方法对车辆跟驰状态进行实时估计，包括跟驰距离、前后车速度差等。通过实际道路试验，证明了该系统能够识别并修正测量数据中的异常值，解决弱纹理区域误匹配问题。试验结果表明：25 mm焦距与12 mm焦距的双目系统跟驰间距测量值的平均误差分别为2.66%与9.14%；在相对速度测量方面，2种焦距系统的测量精度基本相同，平均误差均为1 m·s^-1左右。所提出的方法在自动驾驶车辆环境感知领域有较好的应用前景。     

智能网联环境下基于安全势场理论的车辆跟驰模型

为有效刻画未来智能网联环境下交通流微观跟驰行为，以更加精确地进行车辆的运动决策，建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础，首先阐述了交通环境中安全势场的客观性、普遍性以及可测性，然后通过引入加速度参数对既有安全势场模型进行改进，改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上，构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响，由于不同速度、加速度信息在智能网联环境下车辆可以实时获取，因此该模型可应用于未来智能网联环境中。此外，在模型参数标定过程中，通过对NGSIM数据进行筛选，得到含有较多减速停车以及启动加速状态的轨迹数据，共筛选得到412组NGSIM真实跟驰车对数据，并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果，选择OVM模型、IDM模型与本文模型进行比较，并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标，结果表明，建立的基于安全势场理论的车辆跟驰模型具有良好的精度，适用于描述考虑加速度参数条件下的跟驰行为，可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。     

特殊过程下的车辆跟驰模型数值模拟分析

为分析车辆跟驰模型的性能和存在的问题,并在试验基础上有针对性地提出模型的关联因素,利用开发的FMSS数值模拟系统,对3种车辆跟驰模型的稳定性、真实性和存在的问题进行了特殊过程下的跟车数值模拟和分析。结合五轮仪跟车试验结果,分析了建立跟驰模型需要系统考虑的问题,提出了一个概念模型。研究表明:所分析的跟驰模型在特殊过程下都是不稳定的跟驰模型,要建立具有良好综合性能的跟驰模型,应引入主观意愿、驾驶环境等不确定的智能因素,建立包含数学、逻辑映射的综合模型。     

Development of an errorable car-following driver model

An errorable car-following driver model is presented in this paper. An errorable driver model is one that emulates human driver’s functions and can generate both nominal (error-free), as well as devious (with error) behaviours. This model was developed for evaluation and design of active safety systems. The car-following data used for developing and validating the model were obtained from a large-scale naturalistic driving database. The stochastic car-following behaviour was first analysed and modelled as a random process. Three error-inducing behaviours were then introduced. First, human perceptual limitation was studied and implemented. Distraction due to non-driving tasks was then identified based on the statistical analysis of the driving data. Finally, time delay of human drivers was estimated through a recursive least-square identification process. By including these three error-inducing behaviours, rear-end collisions with the lead vehicle could occur. The simulated crash rate was found to be similar but somewhat higher than that reported in traffic statistics.