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。     

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%.      

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。     

基于随机森林的雨天车辆跟驰风险行为研究

为降低雨天车辆跟驰行为风险,建立了一种基于随机森林的雨天车辆跟驰风险水平判定模型.通过引入降雨条件和安全距离,同时解决跟驰风险不易被量化分析及准确判定的问题,对传统驾驶风险判别模型进行修正,从而提取降雨条件下车辆运行跟驰风险特征,判定当前状态下的车辆跟驰风险.利用UC-winRoad驾驶模拟器仿真实验输出的降雨条件(包括降雨等级、路面水膜厚度、路面附着系数)和车辆运行数据(包括纵向车速、加速度、安全距离)进行验证,构建了引入风险熵的风险水平判定模型;通过随机森林算法对模型进行训练,并对风险特征进行提取,输出风险水平的判定结果.结果表明,该模型获取的风险水平误差小于1级,相比人工神经网络和支持向量机,平均相对误差分别降低了10.36%和4.54%.所提出模型可作为实用工具判定雨天车辆跟驰风险水平.      

车辆跟驰模型参数标定中的性能指标选择

为揭示性能指标选择对跟驰模型参数标定结果产生的影响,基于美国I-80公路实测数据,针对Gipps,IDM和Newell三个主流跟驰模型,通过选取不同的性能指标参数,以绝对误差RMSE和相对误差U系数作为目标函数分别对上述3个跟驰模型的参数进行标定,并对标定过程中误差产生的原因进行定性及定量的分析。结果表明:在选择性能指标标定跟驰模型参数效果方面,车头间距优于跟驰车速度;此外,在优化求解过程中发现,单个观测间隔内跟驰车行驶过的位移是最基本的物理量;相对于跟驰车速度,选择车头间距作为性能指标参数虽然在一定程度上降低了单个间隔内跟驰车行驶位移的拟合度,但却保证了实测数据从整体上更准确地表征车辆的跟驰过程;因此,车头间距时间序列能够更好地代表跟驰车的跟驰运动行为,以车头间距作为性能指标对跟驰模型参数进行标定能够提高模型的可靠性和准确性。     

利用五轮仪实验数据建立车辆跟驰模型

车辆跟驰模型是微观交通流模拟的一个基本模型，用来分析和描述在无法超车的同一车道上一辆车(驾驶员)跟随另一辆车的方式。由于实际道路上驾驶员信息的获取困难，建立的车辆跟驰模型难以标定或验证。本文利用五轮仪试验系统获取的车辆跟驰数据，应用BP神经网络，建立了车辆跟驰神经网络模拟模型。     

基于VSP分布的车辆跟驰模型的油耗测算对比研究

利用GPS收集了大量北京市快速路上车辆跟驰状态下的驾驶行为数据.以GPS采集的行为数据为前车驾驶数据,采用不同车辆跟驰模型来模拟并输出后车的跟驰行为.对连续的瞬时速度按照60s集成并且划分平均速度区间,在同速度区间内对比分析了不同跟驰模型输出的机动车比功率(VSP)分布与真实分布的差异.其后,利用车载油耗仪收集实测的逐秒油耗数据,采用基于VSP分布的油耗测算方法,测算并对比了不同跟驰模型的平均油耗率和油耗因子与真实油耗的差异.研究发现前后车全速度差是车辆跟驰模型中的关键参数,其能明显提升仿真跟驰行为VSP分布的准确性,进而更准确地测算车辆跟驰状态下的燃油消耗.     

基于工程实测的加速度-速度参数阈值分析

微观交通仿真中的参数标定是科学应用仿真技术的前提.为了减少参数标定的维度,提高仿真手段工程应用效率,将微观仿真参数分为基础参数和模型参数2个部分,并设计道路工程试验方案,对部分基础参数进行工程实测研究,构建实际运动场景下车辆运行加速度取值特征及加速度-速度的关系探究.根据车辆运行过程,将车辆加速过程分为车辆起步、提速、稳定3个阶段,并依据道路实测数据,应用数据包络的方法确定加速度与速度的函数关系及取值范围.在车辆起步阶段(0~7.2 km/h),需要较大动力完成起步动作,速度低加速度高,加速度-速度斜率k=0.1832;车辆提速阶段(7.2~35.4 km/h),需要确定周边运行环境处于安全状态,加速度有一定程度减少然后逐渐上升,加速度-速度关系整体斜率k=0.0259;车辆稳定阶段(35.4 km/h以上),速度相对稳定,加速度-速度斜率约等于0.由此确定了基础参数中加速度的阈值范围,对仿真软件中默认加速度-速度关系进行优化.      

基于自然驾驶数据的中国驾驶人城市快速路跟驰模型标定与验证

为了评估既有跟驰模型在仿真中国驾驶人跟驰行为方面的表现,对5种代表性跟驰模型进行参数标定与效果验证。基于"上海自然驾驶研究项目"采集的60位驾驶人、累计超过16万km的实际驾驶行为数据,根据雷达、车辆总线数据自动提取2 100个城市快速路稳定跟驰行为片段;采取5-折交叉验证法划分标定与验证数据集,即将每位驾驶人的50个跟车片段随机划分成5个不相交的子集（每个子集包含10个跟车片段）,其中4个子集作为标定数据集,剩下的1个作为验证数据集,依次轮换标定数据集与验证数据集5次,展开5次模型标定与验证。基于标定数据集,采用遗传算法对Gazis-Herman-Rothery、Gipps、智能驾驶人、全速度差（FVD）以及Wiedemann模型进行参数标定;基于验证数据集,评估5种模型在预测两车间距方面的精度。结果表明：FVD模型在5种模型中表现最佳,具有最小的误差（21%）和误差标准差;相对于微观交通仿真软件VISSIM中所采用的Wiedeman模型,FVD模型具有精度高、易于标定、对不同驾驶人鲁棒性强3个优势,更加适应于仿真中国驾驶人的跟驰行为。研究结果对于开发适合于中国驾驶人与道路交通环境特征的跟驰模型及微观交通仿真系统具有重要价值。     

基于城市主干路交通流数据的跟驰模型标定

根据某种机理建立的交通流模型需要通过模型标定和验证后才能具体应用到实际中.通过采用视频处理技术,对陕西省西安市二环主干路和浙江省舟山市昌洲大道上上下高峰时期内的车辆微观运动录像进行技术处理,提取得到了包括位移、速度和加速度的车辆微观运动轨迹数据.根据这些交通流数据,采用Levnberg-Marquardt算法,分别对跟驰理论中2个典型的跟驰模型,即惯性模型中的敏感系数、安全时间间隔、最小安全车间距、允许速度和智能驾驶人模型中的理想速度、安全时间间隔、静止安全距离、启步加速度和舒适加速度进行了标定和验证.针对惯性模型,当允许速度大于实际速度时,位移均方差和速度均方差的平均值分别为2.8m和0.58 m/s,当允许速度小于实际速度时,位移均方差和速度均方差的平均值分别为2.22m和0.49 m/s;针对智能驾驶人模型,利用早、中、晚3组数据进行标定,得到的位移均方差和速度均方差的平均值分别为0.12m和0.10 m/s,0.07m和0.10 m/s,0.75m和0.27 m/s.因此,惯性模型与智能驾驶人模型都可用于描述城市主干路近饱和状态(即跟随车辆的最大速度远小于允许速度的行驶状态)下的车辆跟驰行为,而且当智能驾驶人模型中的加速度指数取较大的值时,它较前者更为适合.      

信号交叉口集聚车辆跟驰模型

为验证优化速度模型和广义力模型在模拟信号交叉口停车跟驰行为方面的适应性,在试验分析基础上提出考虑信号灯作用的跟驰模型,分别基于现有优化速度模型和广义力模型构建模拟系统对信号交叉口的停车跟驰行为进行仿真,分析其存在的问题及原因;采用实测数据标定广义力模型的参数,分析标定后模型的适应性;通过试验分析构建信号交叉口停车跟驰模型需考虑的因素并构建1个新的跟驰模型。结果表明:现有优化速度模型不适合描述信号交叉口的停车跟驰行为;重新标定的广义力模型仍存在倒车问题;新提出的跟驰模型能够避免倒车问题且能够很好地拟合实测数据。     

无人机视频的交通参数提取方法及验证

为了研究无人机监测视频准确提取运动车辆交通参数信息,采用计算机人工智能图像处理技术和实际道路场景验证试验方法,提出一种基于YOLO v3神经网络模型的目标检测和Deep-Sort多目标跟踪算法相结合的运动车辆参数提取方法。为了验证无人机交通参数提取方法的可行性、准确性、可靠性,采用试验路段场景数字化、特征点标记、世界坐标采集的方法,标定世界坐标与图像坐标转换矩阵。采用装载高精度GNSS-RTK定位和车载OBD的试验车辆实时记录车辆微观运动参数(时间、速度、加速度等),对比验证视频提取车辆参数的准确性。共进行7组不同飞行高度(150～350 m)、不同行驶速度(40～90 km/h)验证试验,累计获得70 min试验路段监测视频,2辆试验车共获得5 400帧、1 192个速度验证信息。验证试验结果表明:视频识别算法目标检测精度为90. 88%、追踪精度为98. 9%,提取的车辆速度参数整体绝对误差在±3 km/h以内、相对误差在2%以内,参数提取整体准确率达98%。验证了无人机视频交通参数提取的可靠性和准确性,为交通管控提供了一种监测方法和数据提取手段,也为交通行为研究提供了数据采集手段。     

判定跟驰状态的研究

在大量实际观测交通流数据的基础上,深入分析跟驰车辆运行特性与车头时距的关系,提出利用相对速度绝对值随车头时距变化的规律定量地判定车辆行驶状态的新方法,即利用坐标变换确定车辆跟驰状态与自由行驶状态转折点。通过大量实测数据对该方法的验证表明,车头时距低于5s的车辆处于跟驰状态,而大于8s的车辆处于自由行驶状态;同时,车速对跟驰状态的界限没有显著影响。     

城市公交车与社会车辆混合流速度模型及交通运行状态分析

为了精确解析城市公交车和社会车辆混合运行的状态,在基本路段车速模型适用性分析的基础上,引入公交车流量、社会车辆流量、公交车比例等参数,建立了改进的混合机动车运行速度模型,分别选取单向二车道和单向三车道路段进行交通试验调查,采用Metrocount 5600气压管式车辆分型系统进行数据采集并用于改进模型的参数标定,并分别建立了2种车型的速度差模型,提出了路段混合车流3种不同交通运行状态的评价方法。研究结果表明：同等车流量情况下,不同公交车比例对社会车辆速度的影响表现为3个显著的变化区间;随着路段饱和度的增加,社会车辆和公交车之间的速度差呈现出从几乎不变、快速缩小到接近于零3个较为明显的运行状态;考虑车流组成中公交车比例的变化可以细化路段车流畅通状态、拥堵形成状态以及拥堵状态的判别。     

基于非线性模型预测控制的车辆纵向队列协调控制

本文中针对基于分层控制结构的车辆队列上、下层控制缺少联系的问题,提出了车辆队列跟驰与个体车辆动力学稳定性协调控制的思路,其基本思想是在保证队列中个体车辆安全稳定行驶的同时,尽可能实现队列跟驰控制的目标。基于非线性模型预测控制(nonlinear model predictive control,NMPC)方法设计了车辆队列协调控制方案,设计了包括跟驰间距误差、跟驰速度误差以及车速与车轮圆周速度差3个子目标的优化目标函数,将队列跟驰与车辆动力学稳定性的协调控制转化为约束优化控制问题;基于序列二次规划(sequential quadratic programming,SQP)方法进行求解,得到车辆前、后轴的制动/驱动力矩来实现上层决策输出的期望跟驰加速度。基于由3车辆组成的非线性队列模型对控制方案进行了仿真分析,结果表明,所提出的基于NMPC的车辆队列协调控制策略可以在大范围操纵工况下,在保证车辆安全稳定行驶的基础上实现队列的跟驰控制。     

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.     

高速公路相机自动标定及道路坐标系构建

为解决高速公路场景下利用视频监控系统正确描述车辆相对于道路的空间位置问题，通过引入Frenet坐标系概念，提出一种基于相机自动标定的道路坐标系模型。在相机自动标定阶段，利用线分段拟合方法从曲线车辆轨迹中提取平行于直线路段的轨迹点，并通过级联霍夫变换精确估计道路方向的消失点。然后,根据多车辆三维模型约束，对相机参数进行迭代优化。基于标定结果，将车辆轨迹映射到世界坐标系平面上，并用3次样条插值进行拟合。根据大量运动车辆在道路平面内形成的轨迹域分布特征，综合边界约束估计道路中心点。最后，结合道路中心线在各点处的法线向量与车道宽度信息确定平移量，并利用点平移运动拟合车道线，实现道路坐标系的自动建立。使用真实高速公路视频数据，在多种道路条件下进行试验。研究结果表明:在标定阶段，构建方法对不同高速公路场景的最大标定误差不超过11.55%;与最新的方法相比，直线道路平均标定误差分别降低6.68%和3.58%，弯曲道路平均标定误差分别降低7.43%和2.61%;在道路坐标系构建阶段，构建方法的平均投影距离为0.077 m，接近最新方法的0.069 5 m；而其平均精度为0.916，显著优于最新方法的0.663；所提道路坐标系能够自适应道路形态的变化，有效解决了从监控视频中描述车辆与道路之间相对位置关系的问题。     

跟驰状态下城市主干道交通流特征研究

为了研究城市主干道在跟驰状态下的交通流特征,对长沙市典型主干道基本路段进行了高峰时期道路交通数据信息采集,采用Corel Video Stuio Pro软件系统对采集的数据做了精细化的处理,最后通过统计分析解析了我国城市主干道基本路段在跟驰状态下的车头时距特征、速度特征、跟驰车辆速度差特征、车辆换道特征及车辆换道对城市主干道通行能力的影响。