人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据      

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。     

智能网联环境下的多车协同换道策略研究

为提高换道安全性、稳定性和换道效率,本文中提出一种智能网联条件下多车协同安全换道策略。通过建立基于激励模型的换道收益函数进行协同换道可行性判断。基于模型预测控制建立协同换道多目标优化控制函数,实现换道过程的分布式控制。提出一个两阶段协同换道框架,将换道过程分为稀疏纵向距离阶段和换道阶段,以解决由于避撞约束的高维度和车辆运动学的非线性造成的最优控制函数难以求解的问题。采用滚动时域优化算法对优化控制问题逐步动态求解。最后基于美国NGSIM开源交通流数据进行Matlab/Simulink联合仿真,验证了该策略的可行性与准确性。     

基于样本熵特征的驾驶人换道过程特征分析

在行车环境中,驾驶人的精神负荷是否能合理分配直接影响行驶安全,因而驾驶人的驾驶熟练程度与驾驶人驾驶过程中的精神负荷分配之间关系值得研究,其中脑电是客观评价驾驶人精神负荷的重要指标.通过实验采集了10组城市道路环境下驾驶人驾驶过程中的脑电信号,并记录了车辆行驶过程中的车辆数据,然后使用样本熵的方法来定量计算脑电数据,从而评价驾驶人在换道过程中的精神负荷问题.样本熵计算结果显示:换道过程中驾驶人的脑电特征要明显比非换道过程中驾驶人的脑电特征复杂;换道过程中驾驶人的脑电特征样本熵明显大于非换道状态下的驾驶人脑电特征样本熵,熟练驾驶人的脑电数据样本熵明显小于非熟练驾驶人的样本熵值,熟练驾驶人在换道过程中车速高于非熟练驾驶人;相较于跟驰驾驶行为,换道驾驶行为过程占用更多的精神负荷,熟练驾驶人比非熟练驾驶人分配更少的精神负荷在换道过程中.     

考虑频繁换道倾向的交通流元胞自动机模型

为揭示频繁换道对交通流的影响,构建一种考虑频繁换道倾向的元胞自动机模型。对NGSIM车辆轨迹数据进行提取、统计分析,研究车辆速度、车头间距对车辆换道倾向的影响;改进换道概率函数刻画上述影响,并定义驾驶行为倾向函数表征频繁换道对目标车道紧邻后车的影响,构建考虑频繁换道倾向的双车道元胞自动机STCA-FLC模型。结果表明:STCA-FLC模型较STCA模型在车流密度小于13辆/km时,车辆平均速度、流量最大分别提高约6.67%、3.02%;在车流密度大于13辆/km时,车辆平均速度、流量最大分别降低约9.48%、14.91%。     

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。     

基于相关向量机的换道安全性评估

针对传统换道预警系统算法存在的准确率和可靠率等问题,利用毫米波雷达、AWS视觉传感器、车载陀螺仪等设备搭建了试验车,在普通高速公路上对19名被试人员进行了实际道路驾驶试验,并从试验数据中筛选出近1000次换道行为数据.以3段式换道轨迹模型为基础,将横摆角速度统计值作为确定各个阶段曲率半径的依据,根据横摆角速度α= 0.05的上侧分位数确定可接受安全域的上限;并以换道持续时间的极大值为基准,通过分析12 s以上的换道过程,形成一系列控制点,采用B样条曲线规划确定了可接受安全域的下限.通过利用相关向量机(RVM)模型对换道过程参数进行估计,并利用7次多项式模型对换道轨迹进行拟合,然后将拟合轨迹与可接受安全域上限或者下限所围成面积与可接受安全域面积的比值作为预警参数,实现了对换道安全性的评估.利用真实数据对上述评估算法进行验证,结果表明,所提出的换道安全算法的评估结果能正确反映换道的真实安全性,并且与驾驶人的操作行为具有良好的相关性.      

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型。首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布。其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相比于传统的车间临界距离计算模型,提出方法能够动态刻画出车辆在不同速度、加速度条件下临界距离的变化趋势,并且能够根据车辆不同的运动状态,动态表达出车辆间临界距离的变化。在此基础上,根据智能网联环境下车辆各类运动状态能够被实时感知的特点,总结出车辆各类运动状态下需要的换道安全临界时间,最终建立基于安全势场理论的最小安全距离换道模型。最后,对模型进行数值仿真分析,仿真结果表明：车辆换道所需要的最小纵向安全距离与换道车辆以及其周围车辆的运动状态有着直接关系。在今后趋于成熟的智能网联环境下,该模型可以进一步进行扩展,利用安全势场的分布情况,对车辆换道过程进行动态实时干涉,能够为今后智能网联环境下车辆协同换道、车辆自动驾驶以及车辆群体优化控制等相关研究提供一定的理论支撑。     

基于人工智能算法的换道超车功能开发

随着汽车电气化、智能化的不断发展,汽车行驶的场景越来越趋于多样化和复杂化,从而促使汽车从辅助驾驶向智能驾驶不断创新。随着人工智能的引入,汽车智能驾驶功能越来越趋于实用,正在逐步实现向解放驾驶员双手、向车载高级驾驶辅助系统代替人脑进行复杂驾驶场景实时响应的阶段发展;高阶复杂场景智能驾驶功能则在辅助驾驶功能实现的基础上,针对驾驶员实际驾驶感受并结合人工智能算法实现向车辆复杂场景下的自动驾驶操作的方向发展。介绍了基于人工智能算法的换道超车功能开发,即通过换道条件的智能选择,使车辆以最佳方式自动完成换道超车过程。     

汽车电子转向技术发展与展望

汽车电子转向系统是一种全新概念的转向系统，其取消了转向盘和转向车之间的机械连接，通过软件协调它们之间的运动关系，可以实现一系列传统转向系统无法实现的特殊功能。它可以实现传动比的任意设置，并对随车速变化的参数进行补偿。并且可以和ABS、汽车动力学控制、防碰撞、单个车轮转向、轨道跟踪、自动侧向导航等功能相结合，实现对汽车的整体控制。综述了国外汽车电子转向技术的研究现状，介绍了电子转向系统的结构及性能特点，阐述了电子转向系统的关键技术、主要问题及解决方法，并展望了电子转向系统的发展趋势。     

转向加速工况下汽车驱动防滑控制系统滑转率算法研究

汽车低速转弯加速时,用后轮轮速作为参考车速计算驱动轮滑转率会造成计算偏差,引起驱动防滑控制系统误干预,为此提出了驱动轮滑转率计算的修正算法.该修正算法不需要增加前轮转角传感器,而是采用两非驱动轮轮速估计车身横摆角速度和汽车前轮转角,进而计算出前轮参考轮速,并将前轮参考轮速代替车速对转弯工况的驱动轮滑转率计算进行修正.试验结果表明,该修正算法消除了滑转率计算误差,可防止汽车在高附着路面上转弯加速时驱动防滑控制系统的误干预.     

基于hp自适应伪谱法的智能汽车紧急变道轨迹规划与优化

为了提高智能汽车紧急变道轨迹规划的实时性和适应性，将紧急变道过程分为初始阶段和跟踪阶段，初始阶段的轨迹由优秀驾驶人紧急变道模型产生，跟踪阶段的轨迹采用Sigmoid函数规划出紧急避让路径。首先通过聚类分析处理优秀驾驶人转向操作的实车试验数据，拟合得出紧急变道过程中的方向盘转角随时间的关系（即驾驶人紧急变道模型），作为智能汽车在紧急变道初始阶段不同速度下车辆控制的输入量。然后通过建立与求解约束方程，满足避撞约束、侧向位移约束以及最大侧向加速度约束，得出Sigmoid函数表达式，作为智能汽车在紧急变道过程跟踪阶段的参考路径。最后利用hp自适应伪谱法加入切换点的物理量约束，逼近全局正交多项式的状态量和控制量，自动调整和处理2个阶段的切换点位置和衔接问题，以最小变道距离为目标对跟踪阶段的变道轨迹进行优化。运用PreScan与MATLAB对4种不同工况下的紧急变道轨迹规划进行联合仿真。结果表明：提出的轨迹规划与优化方法在满足各项约束的情况下成功避开障碍物，同时缩短了需要优化的轨迹，优化时间都小于0.9 s，并且与基于多项式函数轨迹规划方法相比，该方法能够以距障碍物较远的距离避开障碍物，在不同的车辆速度、道路曲率和障碍物宽度的复杂工况下具有更好的适应性。     

汽车操纵稳定性的中间位置转向试验

操纵稳定性中间位置转向试验最初是由美国德尔福公司制定的，是汽车在高速行驶条件下操纵性和稳定性的重要评价方法。通过试验的原始数据可以绘制出转向盘转角与侧向加速度、转向盘力矩与侧向加速度、转向盘力矩与转向盘转角等多条特性曲线，以作为不同的评价指标。以CAll41载货汽车作为实例分析，发现该车转向干摩擦偏大，转向刚度偏低，高速行驶时的非线性路感不够理想。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

Role of steering wheel feedback on driver performance: driving simulator and modeling analysis

When driving in curves, how do drivers use the force appearing on the steering wheel? As it carries information related to lateral acceleration, this force could be necessary for drivers to tune their internal model of vehicle dynamics; alternatively, being opposed to the drivers' efforts, it could just help them stabilize the steering wheel position. To assess these two hypotheses, we designed an experiment on a motion-based driving simulator. The steering characteristics of the vehicle were modified in the course of driving, unknown to drivers. Results obtained with standard drivers showed a surprisingly wide range of adaptation, except for exaggerated modifications of the steering force feedback. A two-level driver model, combining a preview of vehicle dynamics and a neuromuscular steering control, reproduces these experimental results qualitatively and indicates that adaptation occurs at the haptic level rather than in the internal model of vehicle dynamics. This effect is related to other theories on the manual control of dynamics systems, wherein force feedback characteristics are abstracted at the position control level. This research also illustrates the use of driving simulation for the study of driver behavior and future intelligent steering assistance systems.     

Role of steering wheel feedback on driver performance: driving simulator and modeling analysis

When driving in curves, how do drivers use the force appearing on the steering wheel? As it carries information related to lateral acceleration, this force could be necessary for drivers to tune their internal model of vehicle dynamics; alternatively, being opposed to the drivers' efforts, it could just help them stabilize the steering wheel position. To assess these two hypotheses, we designed an experiment on a motion-based driving simulator. The steering characteristics of the vehicle were modified in the course of driving, unknown to drivers. Results obtained with standard drivers showed a surprisingly wide range of adaptation, except for exaggerated modifications of the steering force feedback. A two-level driver model, combining a preview of vehicle dynamics and a neuromuscular steering control, reproduces these experimental results qualitatively and indicates that adaptation occurs at the haptic level rather than in the internal model of vehicle dynamics. This effect is related to other theories on the manual control of dynamics systems, wherein force feedback characteristics are abstracted at the position control level. This research also illustrates the use of driving simulation for the study of driver behavior and future intelligent steering assistance systems.     

Drowsy behavior detection based on driving information

Drowsy behavior is more likely to occur in sleep-deprived drivers. Individuals’ drowsy behavior detection technology should be developed to prevent drowsiness related crashes. Driving information such as acceleration, steering angle and velocity, and physiological signals of drivers such as electroencephalogram (EEG), and eye tracking are adopted in present drowsy behavior detection technologies. However, it is difficult to measure physiological signal, and eye tracking requires complex experiment equipment. As a result, driving information is adopted for drowsy driving detection. In order to achieve this purpose, driving experiment is performed for obtaining driving information through driving simulator. Moreover, this paper investigates effects of using different input parameter combinations, which is consisted of lateral acceleration, longitudinal acceleration, and steering angles with different time window sizes (i.e. 4 s, 10 s, 20 s, 30 s, 60 s), on drowsy driving detection using random forest algorithm. 20 s-size datasets using parameter combination of accelerations in lateral and longitudinal directions, compared to the other combination cases of driving information such as steering angles combined with lateral and longitudinal acceleration, steering angles only, longitudinal acceleration only, and lateral acceleration only, is considered the most effective information for drivers’ drowsy behavior detection. Moreover, comparing to ANN algorithm, RF algorithm performs better on processing complex input data for drowsy behavior detection. The results, which reveal high accuracy 84.8 % on drowsy driving behavior detection, can be applied on condition of operating real vehicles.     

线控转向系统路感模糊控制仿真分析

驾驶员希望通过转向盘的力矩信息感知汽车的行驶状态。文章主要研究汽车转向盘力特性与转向盘转角、车速、侧向加速度及转向阻力矩的关系,运用多变量模糊控制技术研究了线控转向系统的路感,通过ADAMS提供离线汽车数据,在Matlab／Simulink中对路感多变量模糊控制器进行了仿真,并对其中一种控制结构进行了硬件在环试验,给出了路感多变量模糊控制的一种参数调整方法以及路感数据。表明仿真同硬件在环仿真结果基本一致,验证了路感多变量模糊控制方法可行。     

基于 MPC 的分布式驱动越野车辆原地转向控制研究

针对轮毂电机分布式驱动越野车辆在狭小空间快速机动的需求，设计了一种分层结构的原地转向控制策略。基于动力学原理分析了各轮载荷、附着条件对原地转向横摆速度的影响机理，并搭建原地转向运动学模型，上层采用模型预测控制算法设计原地转向理想轨迹以及期望的横摆角速度，开发基于 PI滑模控制的横摆运动跟踪算法，通过补偿转向横摆力矩以提高方向角控制的鲁棒性和稳定性，下层以最优轮胎利用率为目标，设计二次规划算法优化分配各轮附加横摆力矩。dSPACE 硬件在环测试结果表明，所提出的控制算法可在保证稳定性的前提下实现原地转向，大幅提高了车辆的转向机动性，在方向盘动态输入仿真中，车辆最大转弯半径为 0.157 m，转向中心的最大偏移量为 3.610 m；同时，驾驶员能对转向过程进行闭环控制，实现了原地转向过程中横摆速度的实时调节。