对智能驾驶员模型的改进及其应用

传统的跟驰模型在自由流附近不能得到车辆以自由流速度行驶的结论,分段描述的模型解决了这个问题,却破坏了模型的统一性和简单性.智能驾驶员模型(IDM)能够以较少的参数和统一的形式描述从自由流到拥堵流的车辆行为.然而IDM模型在期望距离非负和反应时间问题上存在缺陷,改进了这2点不足.并在分析模型特性的基础上采用北京实测数据,标定了该模型,并应用这个模型研究了快速路出口车队遇到下游信号灯路口后排队和拥堵的产生机制.     

城市交通网络中相继故障问题的研究

为了探讨城市交通网络拥堵产生机理,在分析城市交通网络特性的基础上,建立了双层城市交通网络模型,构建了交通动力学模型,并引人累计到达目的地的车辆数目和网络瘫痪时刻2个参数来刻画交通网络拥堵相变。通过计算机仿真,分析了网络拓扑结构、车辆生成率、道路交叉口能力和网络规模对网络拥堵相变临界值的影响,运用车辆到达数目对时间的导数将网络划分为自由流、亚拥堵和瘫痪3种状态,并给出了对应的区间值。研究表明,对于随机出行网络和无标度出行网络来说,都存在自由相到拥堵相的相变,相变点的值可以用来衡量网络能力,且车辆生成率、交叉口能力和网络规模对网络能力有着不同程度的影响。     

基于车辆个体特征的IDM模型研究

现有的跟驰模型大多基于标准驾驶行为建立,未能真实体现车辆的个体差异.文中将反应时间和车型作为车辆的个体特征加入IDM跟驰模型中.假设反应时间在驾驶员人群和单个驾驶员的反应过程中都存在离散,采用车辆尺寸,加减速性能和车头时距等要素描述不同车型的差异,建立了考虑反应时间和车型的跟驰模型.对信号灯放行状态和稠密交通流中扰动传播的仿真表明,考虑反应时间和车型的跟驰模型能较好体现交通系统的随机性和异质流特征,仿真效果与实际更加契合.      

基于位置匹配的多车道自由流电子收费技术研究

提出一种基于车载电子标签和车辆的位置实时匹配的多车道自由流电子收费方法,通过电子标签和车辆的实时位置匹配实现自动收费和自动稽查功能,能有效降低系统后台稽查成本,可应用于高速公路和城市道路的自由流收费、拥堵收费等场景。     

基于高斯混合模型的车辆自由流速度分布

基于车辆速度参数是描述交通流运行的最基本参数之一,在交通状态评价与交通安全性分析中具有的重要作用,针对城市道路不同种类车型混合运行的特征,提出采用高斯混合模型来描述自由流状态下的车辆速度分布.结合实测速度数据中的双峰分布特性,将混合车流车型分为大型车与小型车2类,进而建立了2类型的高斯混合模型,并采用期望最大化算法对模型参数进行估计.通过实测数据验证结果表明,模型能够很好的拟合观测速度数据,并能够有效区分不同类型车辆速度,为确定不同类型车辆限速标准、分析不同类型车辆相互影响提供理论依据.     

高速公路匝道自由流预交易系统研究与应用

匝道自由流预交易系统是基于现阶段的国标5. 8GHz的ETC收费体系,运用了多车道自由流并行交易技术以及ETC多阶段交易技术,采用了空间换取时间的方法,把ETC车辆通行费在车道交易的提前至匝道,匝道负责预交易、车道负责验证,实现ETC车辆在ETC车道和MTC车道的快速通行,解决了收费广场易拥堵问题,提升了收费广场通行能力,给予了人民群众全新的快速通行体验。     

拥堵条件下驾驶人群体重复换道博弈的仿真研究

为完善拥堵交通流仿真中拥堵产生与消散的自发性,研究不同驾驶人群体的换道策略对拥堵产生与消散的影响,通过参考智能驾驶人模型(IDM)建立智能体,构建了基于多智能体系统的3车道交通环境,对交通流仿真方法进行改进,使其可以更加真实地表现出现实环境中拥堵的产生和消散.通过仿真实验,产生不断演化的交通流,得到一系列的仿真数据.利用仿真数据,采用重复博弈的理论分析驾驶员群体的策略对道路通行能力的影响.仿真及推理结果表明,在不发生事故的前提下,驾驶人群体采取占优的换道策略最多可以提高所有车辆7%的平均车速;理性的驾驶员换道策略的调整的最终结果会使道路通行能力降低.      

寒冷地区二级公路路段交通微观仿真研究

以通行能力研究与主要目的，在调查常握寒冷地区二级公路交通流特性的基础上，借鉴国内外成熟的交换流仿真模型，建立了以发车模型，自由行驶模型，跟驰模型和超车模型为主要模块的寒冷地区二级公中路段交通仿真模型，并对各子模型进行了详细的描述，最后给出寒冷地区二级公路的路段通行能力及车辆换算系数。     

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息.为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法.采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号.将轨迹从图像坐标转换为车道基准下Frenet坐标,构建集合经验模态分解(EEMD)模型进行轨迹数据噪声消除.采用南京市快速路无人机拍摄的2组开源航拍视频,涵盖拥堵与自由流交通状态,对轨迹提取算法进行效果测试.结果表明,在自由流和拥挤条件下轨迹准确率分别为98.86％和98.83％,轨迹召回率为93.00％和86.69％,构建算法的轨迹提取速度为0.07 s/辆/m.该方法处理得到的详细车辆时空轨迹信息能为交通流、交通安全、交通管控研究提供广泛的数据支撑,数据公开于http://seutraffic.com/.     

基于智能驾驶员模型算法的长期跟车车速预测研究

针对新能源汽车能量管理中难以长期、精准地预测车速的问题，提出了一种基于模型的参数化车速预测方法，利用传感器和GPS提供的前瞻数据预测车辆的速度轨迹。首先根据整车动力学和车辆停车转弯趋势建立基于智能驾驶员模型（IDM）的车速预测算法；然后，从NGSIM公开数据集中筛选数据用于参数标定及仿真；最后，利用遗传算法（GA）对算法参数进行标定。仿真验证结果表明，优化后的车速预测算法在通畅或拥堵的交通环境中，对于长期车速预测均有较高的精度，误差可控制在8%～13%范围内。     

跟驰模型中反应延迟时间项作用机制的数值模拟

人类对于事件的反应机制决定了道路行驶车辆在跟驰过程中存在反应延迟现象。对几类常见跟驰模型中所反映出的延迟时间的含义进行了定义与区分。利用Matlab软件对GHR模型、OV模型以及FVD模型进行了2车跟驰状态和车队信号灯放行阶段的模拟,分析了这3类模型中反应延迟时间设置的必要性。结果显示GHR模型中反应延迟时间不可忽视,而OV模型以及FVD模型中反应延迟时间可以省略,同时也证明了各跟驰模型建模思路的合理性。     

基于双目视觉计算的车辆跟驰状态实时感知系统

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。     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

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。     

期望车头间距的混沌模型研究

通过对跟驰车队刺激———反应过程以及人车单元组合的微观特性分析,说明跟驰车队中具有产生混沌现象的必要特征。首先运用数学方法给出4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,认为改进的期望车头间距模型能更好地反映实际交通流的跟驰特性。     

特殊过程下的车辆跟驰模型数值模拟分析

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。     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题，研究了4种基于车路协同环境下实时优化各车的车速引导模型。对车辆进行所属车辆列队划分，考虑车速引导影响对FVD跟驰模型进行改进。以车辆列队为引导单元，将车辆可能面临的交通状况细分为8种引导场景，以引导车辆不停车或少停车通过交叉口为目标，直接优化车辆加/减速度，建立车辆列队后车根据改进的跟驰模型计算目标跟驰加/减速度，并与头车组成列队以同一目标车速通过交叉口停车线的4种车速引导模型。以南昌市海棠北路/枫林西大街交叉口为例进行仿真验证，结果表明，所提出的车速引导模型能使车辆行程时间减少18.9%，最大排队长度减少58.8%，延误减少60.8%，燃油消耗减少36.4%，且适用于不同交通饱和状态，对提高信号交叉口通行效率和减少车辆燃油消耗有显著效果。      

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。     

小样本下基于迁移学习与LSTM的雾天高速公路车辆跟驰模型

由于在现实生活中能够采集到的不同雾天等级的高速公路车辆跟驰样本有限，导致雾天跟驰模型精度不佳，为此在长短时记忆神经网络（long short-term memory，LSTM）跟驰模型的基础上，采用迁移学习（transfer learning，TL）方法来提升雾天跟驰模型的性能。利用驾驶模拟实验平台搭建高速公路雾天与正常天气2种实验场景进行驾驶模拟实验，获得296组正常天气下（源域）的跟驰样本与100组雾天下（目标域）的跟驰样本。提出了基于最长公共子序列（longest common sequence solution，LCSS）的迁移样本选择方法，从源域中选出100个样本迁移至目标域中，通过扩大训练样本提升LSTM从源域、目标域特征到目标域输出的端对端泛化学习能力，得到雾天高速公路车辆跟驰模型。为对比所提样本迁移方法对LSTM模型的效用，将LSTM-TL模型与训练样本全部来源于源域的LSTM-S模型和训练样本全部来源于目标域的LSTM-T模型进行对比，LSTM-TL模型的均方误差、均方根误差和平均绝对误差比LSTM-S模型分别减小47.5%、27.7%和46.5%，比LSTM-T模型减小31.1%、17.0%和29.9%。为对比不同模型在仅有100组目标域样本时的性能，将LSTM-TL模型与Gipps、IDM、BP这3个模型进行对比，LSTM-TL模型的均方误差、均方根误差和平均绝对误差比3个模型中表现最优的Gipps模型减小18.5%、8.0%和25.9%。结果表明:直接将LSTM-S模型应用于目标域的预测，其精度不高，采用样本迁移合理可行；LCSS方法对源域样本筛选有效，由100个源域样本迁移到目标域训练得到的LSTM-TL模型的精度最高；在小样本情况下，拥有较少参数的Gipps模型预测精度优于LSTM-T或LSTM-S模型，但由于迁移学习能够从源域样本中获取知识的特性，LSTM-TL模型有着最高的精度。      

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。