共查询到20条相似文献,搜索用时 230 毫秒
1.
2.
基于驾驶员视觉的车辆跟驰建模与仿真 总被引:1,自引:0,他引:1
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。 相似文献
3.
4.
5.
基于组件式GIS的模拟导航电子地图设计 总被引:1,自引:0,他引:1
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。 相似文献
6.
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。 相似文献
7.
8.
9.
10.
11.
12.
13.
14.
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。 相似文献
15.
基于驾驶员认知过程的车辆跟驰模型的建立 总被引:3,自引:2,他引:1
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。 相似文献
16.
S. Li J. Wang K. Li X. Lian H. Ukawa D. Bai 《International Journal of Automotive Technology》2010,11(1):81-87
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. 相似文献
17.
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。 相似文献
18.
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。 相似文献
19.
特殊过程下的车辆跟驰模型数值模拟分析 总被引:12,自引:1,他引:12
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。 相似文献
20.
《Vehicle System Dynamics: International Journal of Vehicle Mechanics and Mobility》2012,50(6):751-773
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. 相似文献