跟车行驶五注意

注意前车车速 跟车行驶中，应密切注意前车车速，及时调整必要的跟车距离。这里有两种情况：一是当前车作匀速行驶时，后车也以同样的速度行驶动，这时跟车距离的米数约等于前车车速的公里／小时数。     

基于红外测距的道路前方车辆探测预警系统研究

进行道路前方车辆探测预警系统设计时,通常采用红外测距仪来获取道路前方车距信息,并以此作为前车探测的基础数据。为了消除系统状态误差和测量误差对车距信息数据精度的影响,可根据车距信息和相对车速不会突变的特性建立预测模型,基于此预测模型,应用Kalman滤波理论准确预测相对车速,并利用车距信息和相对车速计算安全距离报警阈值。试验证明该探测及预警方法可大大提高车辆探测的准确性和鲁棒性。     

安全小贴士：注意保持“安全车距”

道路交通肇事中,很多是因为驾驶员跟车方法不当,或不能保持合适的跟车距离而造成的。因此,掌握正确的跟车方法,保持合适的跟车距离,对减少事故有重要意义。《中华人民共和国道路交通安全法》第四十三条规定:同车道行驶的机动车,后车应当与前车保持足以采取紧急制动措施的安全距离。     

基于专用短程通信技术的自动跟车控制策略研究

针对跟车巡航功能中由于单车传感器精度受限和单车信息孤立等影响跟车效率和安全性的问题,文章采用新一代专用短程通信技术,建立了基于车车协同的自动跟车系统,实现自车与前车的关键状态信息实时共享和交互,设计开发了一套基于专用短程通信的自动跟车控制策略,提高跟车效率和安全性。实车试验表明,基于专用短程通信技术的自动跟车系统可有效实现跟车功能,自动跟车过程表现稳定合理,自动跟车控制策略可实时控制自车在安全距离范围内紧凑且安全地跟车,很好地兼顾跟车安全性和道路通行效率。     

距离产生美

每天当我们在道路上行驶时，由于过红绿灯或者堵车难免会走走停停，这就要求我们跟前车保持一定的距离。特别是新手们，免不了要频繁跟车，由于驾驶经验的不足，常常是危机四伏。距离长了吧，别的车一下就卡进来了，把自己搞得手忙脚乱的：距离太近了吧，又怕与前车追尾。因此，正确掌握跟车技巧，不断积累跟车经验就显得格外重要了。要注意哪些才能安全跟车呢？[编者按]     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足，减少跟车场景中追尾事故的发生，提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险，并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类，分别对典型制动避撞过程和制动转向避撞过程进行了分析，从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合，获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级，并基于图像处理方法提取了前车制动开始时刻的TM值，从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下，本车车速过低和过高时，TM值的变化均不明显；而在制动转向避撞场景中，只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析，引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值，其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用，对于制动避撞场景，在设定TM值不变和相对速度不变的条件下，分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真，仿真结果显示，相比于TTC而言，TM的评价稳定性受相对速度影响小，在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

如何克服驾驶盲区?

一忌跟车太近 有关统计显示,发生交通意外的主要原因之一,就是跟车太近.与前车的距离太近的话,驾驶视野就会被前车遮挡,无法清楚观察前方的交通情况,形成盲区.一旦发生紧急情况,如前方有障碍物,或者前车突然减速行驶,就无法作出最快、最敏捷的反应,甚至因刹车距离不足而追尾前车,引起交通意外.     

相邻车道车辆并道预测与跟车控制改进的研究

为在自适应跟车控制中,预测相邻车道车辆的并道行为,提前调整自车速度控制策略,以提高自车的乘坐舒适性和安全性,通过采集和分析实际道路上自车与周围车辆的运动状态信息,建立相邻车道车辆并道行为预测模型,并在此基础上对现有期望间距跟车模型进行改进。仿真结果表明:自车车速vM、自车与前车的车头时距t1、自车与前车的相对速度vML和自车与相邻车道车辆的相对速度vMF可作为预测并道行为的表征参数;所建立的预测模型可提前2s预测并道行为的类型,对两种并道行为预测的准确率分别达到88%和90%;改进的期望间距模型使跟车过程更加平稳,可提高车辆的舒适性与安全性。     

跟车同行防"追尾"

1 所谓安全跟车距离 安全跟车距离是指车辆在行驶中,前后两车之间的安全距离.道路上常有多辆汽车来往行驶,一般都是根据其车速的快慢和道路条件,如同车队一样,自动地排列并按顺序行进着.     

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%。     

基于高速实车驾驶数据的驾驶人跟车模型研究

通过实车试验采集驾驶人在高速公路的跟车数据,分析了跟车过程中加速、稳速和减速阶段的划分标准,探讨了稳速跟车阶段驾驶人的期望跟车间距与跟车速度之间的关系,建立期望间距跟车模型,并与自适应巡航控制(ACC)系统所用的安全距离模型进行对比。结果表明:加速和减速阶段,驾驶人的反应并非对称,加速阶段的车辆状态变化更频繁;在稳速跟车阶段,驾驶人的期望跟车间距随车速的升高而增加;与安全距离模型相比,所建立的期望间距跟车模型更符合驾驶人跟车习惯。     

跟车行驶有技巧

<正>行车过程中,跟车行驶是每个驾驶员都要面对的事情。学会跟车行驶,掌握跟车技巧是必要条件。目测前车,正确控制跟车间距跟车行驶过程中,驾驶员的视线易被前车阻挡,接收前方路况信息的时间相对滞后,处理情况和驾驶操作过程中易出现     

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。     

安全不是梦

尾撞事故也称追尾事故，．它是指运动中的汽车，后车正面与前车尾部相撞的交通事故。其原因通常是前车突然制动、转弯、倒车，后车盲目超车、跟车距离过近、处置情况不力等而造成的在尾撞交通事故的处理中，由于少数办案人员及驾驶员对《道路交通管理条例》的理解和应用不同，     

基于单片机的汽车刹车预警系统设计

通过光电式传感器测速、雷达测距来测量车辆的实时车速和前后车辆的距离,并将数据传入单片机进行分析、计算。在汽车处于一定车速时,当车距小于安全距离时,单片机就会控制车辆自动刹车,以保证车辆与前车处于安全车距。通过这样的控制方式,来实现车辆的实时制动,使车辆处于安全情况。     

基于驾驶员实际跟车特性的自适应巡航系统研究

合理决策安全跟车距离是自适应巡航控制算法开发的核心,分析驾驶员实际驾驶特性,得出安全跟车距离与静态距离、预瞄时间、相对速度之间的关系,并提出计算安全跟车距离的算法,应用到自适应巡航系统控制中,经验证明设计的自适应巡航系统比较符合驾驶员的跟车习惯,通过调整相关特征参数,能够适应和匹配不同的驾驶特性。     

基于模型预测控制的智能车辆纵向控制研究

在ADAS的控制算法中，普遍的控制算法只能在本车道跟车，据此提出一种新方法，不仅能使车辆在本车道内跟车，还能在本车道无车的情况下，进行跨车道跟车。首先在考虑前后车辆制动距离的情况下，对车距算法进行了优化，并把其他车道的车辆通过算法投影至本车道；其次搭建了基于模型预测控制（MPC）算法的车辆离散化模型系统，对其控制参数施加约束；最后通过设置前车不同的车速和车况，在CarSim搭建车辆模型并与Matlab/Simulink联合仿真，针对车辆的纵向加速度变化的研究。     

跟车要注意车速和间距

在同向行驶的一列汽车中,后车跟随前车运行,总不愿(也不该)落后很多,总是紧随前车,这是一种"紧随要求".从安全角度看,跟驶车辆要满足两个条件:一是后车的速度只能在前车的车速附近摆动,否则会发生撞车,这是"车速条件".二是前后车之间应有足够的安全距离,而又不能过大,这是"间距条件".     

基于贝叶斯网络的联网环境中跟车工况下的前车运动状态预测

车辆行驶过程中,前方车辆运动状态预测是车辆智能控制系统的重要研究部分。车辆运动状态受其驾驶员驾驶风格、道路状况、交通流、前方车辆运动速度和加速度等因素的影响,使车辆在未来一定时间段内的运动状态具有较大不确定性,给前方车辆的运动状态预测带来困难,因此本文中对跟车工况下前车运动状态预测进行研究。本文中在分析车辆跟车工况时的运动特性,采用贝叶斯网络对前方车辆运动速度进行预测,将获得的车辆跟车工况时的运动状态数据分为训练集和测试集。通过训练集辨识前车速度预测贝叶斯网络参数,通过测试集检验前车速度预测贝叶斯网络的预测效果。对前车未来0.1,0.5,1和2s时的运动速度进行预测,预测结果表明,前车的实际运动速度均在前车速度预测贝叶斯网络预测的95%置信区间内。     

基于层次分析法的智能跟车功能评价模型研究

围绕智能跟车功能综合评价进行了深入分析和研究,构建智能跟车功能综合评价体系。基于智能跟车功能相关测试标准及专著文献,将预计碰撞时间（TTC）、车头时距（THW）、最大加（减）速度、速度、车道线和道路边缘相对距离、加速度变化率和停车距离作为评价参数,应用德尔菲法（Delphi）对各评价参数与安全性和舒适性的相关性进行专家咨询,应用层次分析法（AHP）将安全性与舒适性作为评价准则,建立一套智能跟车功能的综合评价指标体系。构筑客观安全与主观体验相结合的多维度评估模型,为智能跟车功能综合评价提供评价依据。