基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

基于最小安全距离的车辆跟驰模型研究

在传统的基于车头时距的安全距离模型和基于制动过程的安全距离模型的研究基础上,针对前导车分别处于静止、匀速和匀减速等不同行驶状态,相应地建立了单车道跟驰状态下跟随车与前导车不发生追尾碰撞的最小安全距离模型,并充分考虑了车辆制动过程中减速度渐变的过程,避免了以往模型中采用制动减速度突变的问题。最后,通过M atlab仿真系统对改进模型和传统模型进行了同等条件下的仿真,仿真数据从理论上验证了改进模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题,可为今后研究跟驰模型提供一定的参考。     

基于时变期望车距与最大车速的跟驰模型

为了精确模拟城市交通网络中行驶车辆之间的跟驰行为,在研究跟驰状态下车辆行驶特性的基础之上,考虑车辆行驶的最大限制速度和前车速度,对基于最大车速的广义力模型进行改进.改进的跟驰模型将处于跟驰状态的车辆与前车之间的期望车间距看作是与前车、目标车车速相关的时变量.将该模型与基于最大速度的广义力(GF)模型分别用于模拟车辆跟驰过程,与实测数据进行图表对比分析,表明该模型的仿真结果更接近实际的交通流特性.     

考虑道路因素的智能车辆纵向运动决策与控制研究

针对智能车辆纵向运动时的交通道路适应性问题,考虑路面附着系数和前车运动速度等因素,研究了智能车辆纵向运动决策与控制方法。论文研究了基于车头时距的纵向运动决策方法并建立不同驾驶行为的目标车速模型,运用变论域模糊推理算法设计了目标加速度模型。基于纵向动力学模型,运用自适应反演滑模控制算法建立了驱动控制器和制动控制器。对高附着系数路面和低附着系数路面的行驶工况进行仿真试验验证,结果表明,在不同的附着系数路面和前车变速行驶条件下,智能车辆能实时、合理地决策目标车速、目标加速度,实现安全、高效、稳定的跟驰。     

考虑横向干扰的交叉跟驰模型研究

在传统跟驰模型的基础上,对车辆横向位置分布进行了实地调查,分析了周边交通场景对跟随车的横向干扰特性。引入最大转移速度和疏散路程参数,建立了交叉跟驰模型并进行了交通仿真。统计分析结果表明:行驶车辆横向位置分布基本符合正态分布,跟随车的行为变化与车辆偏离中心线的距离大小有关,交叉跟驰模型可以更加准确地反映实际道路交通场景。此模型的建立能够揭示车辆微观交互行为,对保障车辆运行安全和交通流稳定性具有重要的现实意义。     

网联车对抗神经网络跟驰模型

针对当前混行交通流场景下网联车对前车速度变化的实时性、安全性和车队稳定性较差的状况,提出一种由生成模型和辨别模型构成的网联车生成式对抗网络车辆跟驰模型(GANVFM)。其中,生成模型提取跟驰参数中的前车速度、跟驰车速和相对车距计算生成加速度;辨别模型对生成模型生成的加速度参数进行相似度计算,并通过更新函数加以更新。采用速度和加速度的均方差σ、追尾预测因子γn和跟驰状态因子φn作为对应的指标,对车辆的实时性、安全性和车队的稳定性进行分析。实验结果表明:GANVFM的σ和γn均最小,GANVFM对前车速度变化的实时性和安全性高;随着网联车渗透率δ的升高,φn降低、车队长度缩短,车队稳定性提高。     

高速公路弯坡组合路段载重车最小安全车距模型

为降低高速公路弯坡组合路段载重车追尾碰撞风险,通过研究不同平纵组合下高速公路弯坡类型,界定弯坡组合路段参数范围,选取具有较强代表性的车型,针对现有最小安全车距模型的缺陷,建立基于载重车制动减速系统且满足驾驶人驾驶行为特性的弯坡组合路段安全车距计算模型并对其参数进行标定;利用载重车仿真软件TruckSim 2016建立弯坡段双车跟驰模型,分析小半径平曲线下载重车爬坡与下坡行车状态时车辆滑移率、行驶速度、车间距等指标,验证该最小安全车距模型的有效性。     

基于分子动力学的跟驰特性及其模型

为更好地研究车辆跟驰特性,缓解道路交通拥堵,在车辆跟驰行为受前导车和道路环境等影响的基础上,将单车道道路虚拟为一维管道,道路上的跟驰车辆抽象成相互作用的分子。考虑需求安全距离和期望速度2个影响因素,基于分子动力学构建车辆相互作用势和分子壁面势函数,并建立基于相互作用势函数的分子跟驰模型,给出跟驰车辆的加速度模型。在实际交通环境中建立视频采集试验路段,采集试验路段不同点位的交通流样本,从视频中获得模型所需数据,并将数据分为两部分,一部分用于参数标定,其余用来模型验证。将车辆运行状态分为常态行驶、起动加速和减速停车3种。根据实测交通数据分别对3种车辆运行状态下的经典GM模型和分子跟驰模型进行参数标定,选取3种不同运行状态下的试验数据各3组,代入标定后的分子跟驰模型与经典GM模型计算模型输出加速度,并与实测加速度进行误差分析对比,结果表明,分子跟驰模型输出加速度与实测加速度之间的误差,总体上比经典GM模型要小,而且根据绝对误差方差显示,分子跟驰模型较经典GM模型稳定性更高。选取有代表性的一组跟驰过程进行数据绘图,对比可以看出分子跟驰模型输出加速度与实测数据变化趋势几乎一致,其拟合效果比经典GM模型更好。     

汽车防追尾碰撞数学模型研究

为了提高车辆在高速行驶状态下的主动安全性能,研究了处于追尾行驶状态的本车与前车的运动学特征;针对前车的不同运动状态分别推导出了跟车距离的计算模型并分析了模型中3个关键参数的随机性和动态性,对制动迟滞时间提出了基于模糊推理的确定方法,对本车制动减速度和前车的运动加速度提出了比较实用的动态测算公式;另外,研究了防追尾碰撞的控制与执行,建立了动态调整安全制动停车距离的神经网络模型,提出了基于危险裕度判别的安全控制方法。     

面向混合自动驾驶车流的协同自适应巡航控制EI北大核心CSCD

车联网V2V环境下能实时获取自车和周围车辆的运动状态、驾驶工况和道路环境,为汽车自适应巡航控制系统提供更准确的信息。为消除自动驾驶汽车(AV)和人工驾驶汽车(MV)混合行驶工况下的车头时距干扰对汽车纵向巡航控制的影响,提出了一种基于车联网V2V的协同自适应控制方法。通过车联网V2V实时采集车辆跟驰过程中车辆基本安全信息(basic safety message,BSM),进而获得车辆相对运动状态和驾驶行为序列;应用线性最优二次型方法建立驾驶操纵序贯链优化目标函数,再对扰动作用下的汽车运动状态改变量进行短时预测;在此基础上,以混合车流车头时距的最优均衡状态为目标,构建了车辆跟驰间距的滚动优化模型和协同自适应控制方法。实验结果表明,在头车加/减速行驶工况下,改进后的车辆控制器能更快响应前车运动状态的变化量,并在保证车辆安全跟驰间距的情况下,降低了车头时距,提高了道路通行能力。     

车路集成环境下车辆防撞预警安全状态判别模型的研究

针对现有安全状态判别模型未能兼顾行车安全与道路空间资源利用率,且忽略了实际行驶环境下动态制动减速度信息的问题,提出了车路集成条件下车辆防撞预警安全状态判别模型。通过车-路通信协作实现对路面类型等实际行驶环境因素的动态识别,并确定车辆采取制动措施时所能获得的动态制动减速度;通过分析前车与自车的有效制动时间和车辆制动全过程,建立了新型临界跟车距离模型,并给出了模型关键参数的获取方法。仿真结果表明,该判别模型具有较强的自适应性,更贴近车辆实际行驶环境下的制动过程,有利于提高道路空间的利用率。     

基于侧向车辆影响的跟驰模型建模及仿真

应用实际交通数据对现有的2种跟驰模型进行模拟验证,结果显示,其与实测数据均存在一定误差.之后通过分析车辆在跟驰状态下行驶所受影响因素,结合驾驶员心理,在优化速度模型的基础上结合侧向车辆的影响因素建立新的交通流跟驰模型.通过线性稳定性分析,得到了模型的稳定性条件,分析结果表明,模型稳定性受侧向邻车行驶状态的影响,侧向影响越小,模型稳定性越好.通过西安市某路段的交通数据对新模型进行了验证,结果表明,相对于优化速度模型,新模型仿真结果更贴近实测交通数据,均方差降低62.89%,最大绝对误差降低66.39%,最小绝对误差降低33.4%.      

基于Trucksim的下坡路段制动距离仿真与分析

为探究道路附着系数和车辆载重与坡度的交互作用对载重货车制动距离的影响,以下坡路段为研究对象,通过Trucksim建立人—车—路耦合系统,进行了不同工况的仿真实验,采用最小二乘法建立了坡度路段制动距离预测模型。最后,在某特定工况下验证了该模型的合理性。结果表明:与传统理论模型相比,该模型计算结果趋于保守,以此作为坡度路段最小跟驰距离更有利于行车安全。     

基于自适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型.针对这一问题,应用自适应模糊神经推理系统(ANFIS)建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练.最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真.结果表明,前者输出的跟驰车辆加速度值更接近于真实值.     

基于白适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型。针对这一问题,应用自适应模糊神经推理系统（ANFIS）建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练。最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真。结果表明,前者输出的跟驰车辆加速度值更接近于真实值。     

基于深度学习LSTM的智能车辆避撞模型及验证

建立了一种基于深度学习长短期记忆(LSTM)网络的智能车辆避撞模型.搭载虚拟测试驾驶(VTD)仿真软件的模拟驾驶器;针对跟车行驶、前车紧急制动这一危险工况,开展模拟驾驶实验;以相对距离、相对速度、前车减速度、碰撞时间、横向距离作为输入参数;通过未经训练的样本数据对模型迁移性进行验证,并与传统反向传播(BP)神经网络进行...     

高密度交通流状态下行车安全性分析

在高密度交通流状态下,车辆行驶的自由度下降,相互影响逐渐增大,主要以跟驰行驶和换车道行驶为主。事故统计表明,高密度交通流状态是交通事故多发的主要原因之一。根据行车动力学原理和车辆运行特征,分别构建了跟驰行驶和换车道行驶的安全约束条件。根据不同交通状态下车辆安全制动的加速度,初步建立非线性的行车风险评价模型。借助交通仿真软件Vissim对某山区高速公路路段进行模拟实例分析,能有效地反映高密度交通流状态下车辆行驶的安全性。     

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%。     

高速公路弯道路段车辆紧急避撞安全换道模型

针对高速公路弯道路段安全换道问题,本文中基于侧向速度正态分布拟合方法,建立了考虑人-车-路相互作用的高速公路弯道路段车辆紧急避撞安全换道模型,并依据车辆安全避撞位置关系,提出了车辆弯道换道的安全性约束条件,获得了车辆制动换道方式下的车辆最小避撞安全距离。通过与传统模型和2自由度车辆动力学模型仿真对比,结果表明,该模型能较准确地描述车辆弯道路段换道运动轨迹和计算车辆避撞最小安全距离。车辆弯道避撞安全换道模型充分考虑了人、车、路之间的协同关系,为智能车辆与辅助驾驶的研究提供了参考。     

高速公路养护工程安全变道控制距离研究

为探究高速公路养护工程安全变道概率条件下车辆行驶的控制距离，对变道过程中车辆跟驰行驶安全约束条件进行分析，并运用概率论与交通流理论研究车辆变道概率组合特性，推导出安全变道控制距离与成功变道概率之间的关系。结合实例计算，对推导模型与规范中的建议值和计算值进行吻合性验证。