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。     

自动驾驶汽车基础测试场景构建研究（双语出版）

针对L2/L3级自动驾驶汽车的仿真测试和封闭场地测试认证需求，结合现有L2/L3级自动驾驶汽车量产车型的主要功能特点，提出自动驾驶汽车基础测试场景群的构建方法。首先针对指定的道路交通环境，分析主车和周围交通参与者可能的相对位置和运动方向的组合，确定复杂场景群。其次分别以主车功能所确定的各个可能运动方向，依此与各干扰车辆的可能运动方向（包括任一干扰车辆不存在的情形）进行组合，组合时采用PICT组合测试工具，并添加必要的运动约束条件，选择参数组合覆盖标准自动生成全部的组合场景群。最后结合场景筛选规则，筛选出具有测试价值的覆盖各个层级及功能的基础测试场景群。采用场景构建方法，对于主车处于三车道中间车道的路段场景和无红绿灯的十字路口场景，分别构建62种和33种基础测试场景。根据驾驶人行为特性、交通规则、汽车在城市、郊区和高速公路工况下的典型车速、加减速度、横向加速度、交通事故和自然驾驶数据库的有关场景数据等，设计主车换道工况的测试用例。采用模型预测控制框架建立主车局部路径规划和控制仿真模型，并对主车危险换道场景进行仿真。研究结果表明：主车在邻车道前车大减速的情况下实现了减速换道并避免了与本车道前车和邻车道前后车的碰撞，同时跟踪到期望跟车间距，验证了该换道测试用例的有效性。     

考虑并线的网联车辆巡航控制研究

针对网联车辆行驶过程中容易出现旁车道的人类驾驶员并线进入车队的问题,本文中提出了一种考虑旁车并线行为的跟车策略,并设计了分布式应用的分层控制系统。首先分析了所提出的跟车策略的合理性,并构建了考虑延时与误差反馈的联网巡航控制(CCC)系统;接着在频域范围内分析了不同控制增益参数对系统稳定性的影响,仿真结果验证了多车队列行驶稳定性;最后搭建测试平台进行实车试验。结果表明:旁车并线时,CCC控制系统可快速实现车辆的制动并保证队列的稳定性,所提出的跟车策略可提升车辆的乘车舒适性与交通系统的安全性。     

基于多模式切换的智能汽车自适应巡航控制研究

针对前车运动状态和驾驶意图的不可预知性导致传统自适应巡航控制(ACC)系统应用受限的问题,设计了一种多模式切换的自适应巡航控制方法。根据自车与前车的运动学关系划分行驶模式,采用紧急系数表征各行驶模式下的危险程度;设计模糊控制器调节模型预测控制(MPC)中目标函数的权重值,以满足不同工况下跟车性和舒适性的需求差异,实现不同控制模式间的切换。仿真结果表明,多模式切换控制方法有效提高了车辆跟车性和舒适性,在各种工况下取得了优良的控制效果。     

基于车路协同的车辆换道Logistic模型研究

本文基于车路协同系统下的多车数据,提取车路协同中距离和速度指标,利用python进行参数估计,并验证了模型的可靠性,同时结合车辆换道过程中的目标车道上前车和后车的距离和速度信息进一步对换道需要满足的最小间距问题进行说明,提出在车路系统系统中嵌套车辆换道最小间距模块,结合车辆换道最小间距和Logistic模型可以减小车辆换道判断误差,为驾驶者提供更加准确的换道参考。     

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。     

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。     

基于并线行为识别的自适应巡航控制方法

本文中针对自适应巡航控制系统受旁车并线影响产生的制动干预时机不确定性问题,提出了一种采用旁道车辆并线行为进行优化的自适应巡航控制策略,以获得制动干预的最佳时机。首先,建立了以历史行驶数据和周围环境为输入、基于长短时记忆网络的驾驶行为识别模型,实现对旁道车辆驾驶行为类别的有效识别。当识别出并线行为后,根据并线车辆运动状态对自适应巡航系统进行加速度控制,建立系统的预测控制模型,确定跟随性、舒适性和油耗这3项性能指标与约束条件,并引入理想点法对期望加速度进行求解,有效避免了人为选择权重因素的干扰。然后,将最优控制序列的第一个元素作用于系统,再重新评估系统状态信息以实现滚动优化。最后,建立MATLAB/Simulink仿真模型,进行定速巡航、跟车行驶和并线工况的对比仿真,并通过实车试验进行验证。结果表明:所提算法能更快响应旁车并线时跟车目标的变化,有效降低速度波动,避免了绝大部分的车辆紧急制动,同时,考虑并线驾驶特性的控制模型能有效提高乘车舒适性,降低安全风险。     

基于驾驶人不满度的高速公路自动驾驶换道决策

为了实现高速公路的自由换道行为决策，并满足行车安全高效性、决策结果平稳无震荡、与运动规划模块结合引导车辆行驶等要求，提出了一种基于驾驶人不满度的换道行为决策方法。首先，根据驾驶人的速度期望建立了驾驶人不满度累积模型，并基于驾驶人速度不满累积度产生换道意图。其次，依据不同车道障碍车的运动状态，设计了2种目标车道选择策略，通过预测引擎对各个待选车道进行预测和评估，选取其中行车效率较高的车道作为目标车道，同时建立换道最小安全距离模型，用以在换道全过程中判断换道的可行性。然后，将换道行为决策的结果以目标车道的形式传递给基于改进人工势场的运动规划模块，用于运动规划模块目标的选取，以引导车辆横纵向运动。最后，在CarSim/PreScan/Simulink的联合仿真平台和硬件在环平台上建立多种测试场景，验证换道行为决策算法。试验结果表明：换道行为决策算法能够依据驾驶人速度不满累积度产生稳定的换道意图，进而根据所设计的换道策略选取具有更高行车效率的目标车道，并在换道过程中持续判断换道的可行性，以应对障碍车辆突然加减速等突发状况，保证换道过程的高效性和安全性；换道行为决策算法通过目标车道的转换，引导运动规划模块调整车辆的运动，实现跟车、换道等行为。     

基于线性路径跟踪控制的换道避撞控制策略研究

为实现车辆自主避撞，改善道路交通安全状况，提出一种基于线性路径跟踪控制的换道避撞控制策略。为实时确定制动和换道时机，获取跟车状态下自车和前车车速、加速度、相对距离以及驾驶人制动反应时间计算制动安全距离和换道安全距离，并在此基础上分别引入制动危险系数B和换道危险系数S评估制动与换道风险，使得车辆发生追尾碰撞的危险程度和主动干预阈值更直观。根据车辆期望横向加速度和期望横向位移的变化特性，采用5次多项式法规划符合驾驶人换道避撞特性的避撞路径。为保证换道避撞过程中驾驶人的安全舒适，采用最大横向加速度约束换道避撞轨迹。为实现对换道避撞路径的线性跟踪控制，保证车辆的操纵稳定性和横摆稳定性，基于车辆稳态动力学模型建立前馈控制，结合线性反馈控制消除换道路径的位置和横摆角偏差，修正参考路径实现直车道场景追尾避撞控制。仿真和实车交叉验证试验表明：根据车辆期望横向加速度和期望横向位移建立的符合驾驶人换道避撞特性的五次多项式换道路径与驾驶人实际换道避撞路径基本吻合，结合碰撞时间和车间时距的制动避撞控制策略能够在保证车辆行驶安全舒适性的同时有效避免车辆追尾碰撞，减少交通事故的发生。     

新手出行要点

行车时不应跟车过近在城市里开车的时候,许多新手习惯紧跟前车,这一点在早晚高峰时尤为明显。赶时间的驾驶人们排起车辆的长龙,努力拉近彼此间的车间距,多数驾驶人选择跟紧前车是为了防止加塞情况的发生。但是,如果前车突发事故或故障,会使紧跟的后车无法并线更换车道。因此,在堵车或红灯的情况下,建议不要跟车太近,以防前车不能行走时,自己也被夹在中间,这样做     

高速行驶车辆跟车安全距离预警系统设计与研究

正高速行驶车辆与前车跟车安全距离识别系统设计时,可采用毫米波雷达获得与前车的距离,并以此作为识别预警系统的基础应用数据。根据跟车距离和相对车速不会突变的特性建立预测模型,应用卡尔曼滤波理论预测相对车速,可有效消除系统状态误差和测量误差对测量精度的影响,利用跟车距离和相对车速计算安全距离报警阈值。同时,为适应不断更新的预测模型,采用深度学习的策略不断对预测模型参数进行学习训练,在大量学习样本的     

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究，建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性，在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据，采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型，并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进，以描述不同风格驾驶人的行车安全区域，并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型，结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据，以换道纵向位移最短为目标，实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量，设计基于动力学的线性二次型最优（LQR）反馈控制器，通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制，可满足驾驶人个性化换道需求。     

基于轨迹数据的地下快速路换道决策模型研究

为准确描述城市地下快速路换道行为特性,基于8自由度驾驶模拟试验,获取了不同交通流情况下,全时全员车辆高精度轨迹数据,并提取了471个自由换道和164个强制换道样本。分析主车与目标车道前、后车以及当前车道的前车间隙特征,选取车速为性能指标,均方根百分比误差为拟合优度函数,利用遗传算法对GIPPS模型进行参数标定及效果验证。结果表明:自由换道决策时,与目标车道前车的间隙远大于与目标车道后车的间隙,而强制换道决策更多受驾驶任务影响,周围车辆间隙大小无显著差异。自由换道间隙符合对数正态分布,强制换道间隙符合伽马分布。GIPPS换道决策模型在自由换道和强制换道行为样本的验证中,模型预测误差值不同,自由换道模型参数的误差更小。研究结果对于构建符合地下快速路环境特征的换道决策模型具有重要价值。     

基于LSTM概率多模态预期轨迹预测方法

针对单模态轨迹预测无法充分表示未来预测空间以及解决轨迹预测固有的不确定性问题，本文构建了驾驶行为意图识别及交通车辆预期轨迹预测模型。驾驶行为意图识别模块识别被预测车辆车道保持、左换道、右换道、左加速换道和右加速换道的概率；交通车辆预期轨迹预测模块采用编码器-解码器架构，输出被预测车辆未来6 s内可能发生的多种行为和轨迹。通过HighD数据集对模型进行训练、验证与测试。试验结果表明：基于意图识别的预期轨迹预测模型生成的多模态概率分布可提高本车行驶安全性，与其他方法相比显著提高轨迹预测精度，在预测长时域轨迹上具有明显的优势。     

车路协同下避让紧急车辆协同换道策略

为加快紧急车辆抵达事故现场的速度，同时减少紧急车辆优先权对其他车辆的影响，运用车路协同系统，提出避让紧急车辆协同换道策略，通过调整紧急车辆下游车辆位置，实现紧急车辆高效通过路段。以紧急车辆前车（DV）及其相邻目标车道车辆为控制对象，根据相邻车道车辆间距与车车通信范围，搜索DV可换道空间间隙集。以交通流整体恢复稳定时间最小为目标，确定DV换道轨迹和相邻车道协作车辆的速度变化，引导车辆完成协同合流，既能保障车辆安全换道，还能降低换道造成的速度振荡传递。同时，为快速恢复DV换道造成的目标车道车辆速度波动，对上游车辆（UV）采取先进先出规则的换道控制策略。所提协同避让紧急车辆的策略考虑了车辆协同换道对交通流的整体影响，并在原有换道策略的基础上提出了减少速度波动传递的控制方法。案例分析结果表明:采用上下游协同换道策略最短换道时间为6s，此时紧急车辆距前车78.66 m时发送避让信号。同时研究发现，恢复交通流速度稳定所需的时间为29 s，比未采用上下游协同换道策略降低了34%。      

微观交通仿真中换道模型的研究综述

与跟车行为相比,换道行为需要考虑的车辆更多,司机的决策过程更加复杂,也更难于描述,目前跟车模型的研究已趋于成熟,而换道模型的研究则相对滞后.针对多数交通仿真系统存在的算法内核封装性和保密性问题,对当前应用较多的几种换道模型进行了综述,介绍了几种模型的构建思想和算法,对这些模型的优缺点进行了评述和展望.期望能对换车道模型研究的深入化和精准化起到一定的参考和借鉴作用.     

基于机器视觉的客运车辆危险行驶状态辨识技术研究

为了提高客运车辆危险驾驶状态的辨识效能,提出利用机器视觉辨识危险驾驶行为。使用车载CCD实时采集路面图像,依据图像处理算法检测车道标识线的位置以及本车与前方目标车辆的实时距离,建立了车辆横向偏航辨识模型和车辆纵向危险行驶状态辨识模型;结合所建模型的辨识结果,确定预警方案。实车试验结果表明,所建模型能有效辨识车辆横向偏航和纵向跟车过近危险行驶行为,可用来降低潜在的危险驾驶行为,提高车辆在途行驶安全性。     

车辆自适应巡航控制系统的建模与分层控制

为改善车辆自适应巡航控制(ACC)系统的功能,本文中研究一种ACC系统建模和分层控制方法。首先建立考虑纵向、侧向和垂向耦合特性的14自由度整车模型,并根据电子节气门和制动器的实际物理特性建立能准确跟踪期望输入的执行器模型。接着建立包含驱动/制动切换逻辑、发动机逆模型和制动器逆模型的车辆逆动力学模型。最后针对ACC系统的功能需求,应用模型匹配控制理论设计能适应不同工况的鲁棒下层控制器,而上层控制器则通过线性二次最优控制理论获得综合考虑车距、相对速度和自车加速度的期望跟车加速度。仿真结果表明,该ACC系统能使车辆在加速行驶、稳态跟车和制动减速等行驶工况下保持良好的跟踪性和自适应性。