驾驶模拟条件下高速公路线形指标对驾驶绩效影响特征分析

驾驶绩效是衡量驾驶员维持正常驾驶能力的重要指标。为研究高速公路平、纵线形指标对驾驶员行车过程中纵向和横向驾驶绩效的影响,利用模拟驾驶实验平台开展了模拟驾驶实验。按照几何线形对实验场景进行路段划分,统计分析了不同线形指标路段单元上车辆速度、车道偏移量等驾驶绩效指标的变化规律。实验结果表明,车辆运行速度随着平曲线半径增大而上升;下坡路段车速随着纵坡坡度的增大出现先上升后下降的小幅度变化;车辆横向偏移量随道路线形指标无明显变化规律,其变化受驾驶经验、车速、线形指标等多因素影响。这一研究可为高速公路人性化道路线形设计提供参考。     

雾天不同能见度条件下高速公路限速建议值研究

高速公路雾天不同能见度条件下,驾驶员对道路线形走向的敏感性有所变化,驾驶员需要不断调整方向盘,以不同的车速行驶在线形不断变化的高速公路上.为了探寻在雾天不同能见度条件下,驾驶员以不同车速通过不同曲率道路时的驾驶行为安全特性,利用UC-win/Road建立道路驾驶模拟环境,采集驾驶员在单因素和正交多因素实验方案条件下的车辆运行轨迹数据,结合驾驶行为特点提出了新的评价指标(车辆横向偏移系数)对驾驶员的驾驶行为进行分析.结果表明,能见度、圆曲线半径和车速对车辆横向偏移均具有显著性影响;并且通过正交试验确定各因素对车辆横向偏移影响由强到弱依次为:能见度(F=531.643)>圆曲线半径(F=256.599)>车速(F=45.986).      

无限速标志条件下左侧路肩宽度对驾驶员综合影响的试验研究

依托驾驶模拟舱,在不控制驾驶员行驶速度的基础上,考察了左侧路肩的安全影响。通过搭建不同左侧路肩宽度的模拟驾驶场景,实时记录了反映驾驶员注视行为、生心理状态与机动车行驶状态的数据,利用统计分析工具(方差分析和对比分析)对数据进行了处理和分析。研究结果表明:左侧路肩对驾驶员的注视行为与车辆的侧位移有影响,尤其是当路肩宽度为0.75 m和1.5 m时,左侧路肩对驾驶员有较大的积极影响;左侧路肩不会增加驾驶员的心理负荷。基于此,选取0.75 m为左侧路肩宽度的最小值,并以1.5 m为左侧路肩宽度的推荐值。     

驾驶员接管自动驾驶车辆研究进展

为全面认识自动驾驶接管行为特征,分析驾驶员接管行为,结合自动驾驶接管的技术和现实背景,从自动驾驶接管绩效的影响因素,包括场景、技术、心理和生理等因素,梳理国内外驾驶员接管自动驾驶车辆的研究成果,总结主要研究内容和方法,并展望其未来研究趋势.通过归纳和分析揭示了影响驾驶员接管自动车辆的因素,主要包括接管场景和接管请求方式,同时非驾驶相关任务和年龄等因素也会影响驾驶员的接管行为和表现.针对驾驶员接管的驾驶特征及行为研究,内容精确丰富,方法科学完善;而对驾驶员接管绩效评价和干预研究,重点关注在统计学的基础上,建立完善的数据指标评价体系,用于评价和干预驾驶员接管绩效.未来针对自动驾驶接管的研究,一方面寻求自动车辆技术突破;另一方面综合心理学和统计学理论基础,建立驾驶员接管能力培训体系.      

基于驾驶行为的疲劳驾驶判别算法研究

为了有效判别驾驶员的疲劳驾驶状态,本文利用模拟驾驶器开展驾驶实验,采集了20名驾驶员在疲劳状态和正常状态的实验数据;为了提取能表征驾驶员疲劳和正常驾驶状态时的行为特征,本文对获取的速度、方向盘转角和车辆横向位置的样本熵进行了分析,最终提取了该三类参数的样本熵作为疲劳驾驶的有效特征组;构建了基于BP神经网络的驾驶员疲劳驾驶判别算法,并采用测试集样本对构建的算法进行验证.实验结果表明:该算法对于驾驶员疲劳驾驶检测的准确率较好、运行时间较短、具有较好的鲁棒性和实用性.     

基于改进跟驰模型的混合车辆编队研究

现有的车辆编队控制研究多基于全智能网联环境，不适用于智能网联汽车(Connected and Automated Vehicle, CAV)与人工驾驶汽车(Human-Driven Vehicles, HDV)组成的混合交通场景，因此以混合交通环境下CAV和HDV组成的车辆编队为研究对象，引入头车及前车、后方HDV信息，提出一种改进的智能驾驶员模型(Intelligent Driver Model, IDM)。为更贴合驾驶员的操作行为，缓解优化速度模型(Optimal Velocity Model, OVM)受前车影响产生的速度波动，通过引入驾驶员误差，对OVM模型进行改进。为验证模型的有效性，分别对以上改进进行仿真对比分析，结果表明改进后的IDM模型和OVM模型组成的混合车辆编队在速度响应时间、跟驰间距、油耗、安全性、稳定性等性能方面得到明显改善。     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

山区城市道路匝道段纵向视错觉减速标线影响研究

为了能够使驾驶员识别到更多的信息获取充足的道路环境状态来保证安全行驶,驾驶员在行驶时需要关注道路上的各种目标,驾驶员视线点在其视野范围内呈一定分布规律,视错觉减速标线的应用对交通安全有着重要影响。该文通过实车试验的方法对设置纵向减速标线的鹅公岩匝道路段和未设置标线的匝道路段的交通流量、区间速度、驾驶员瞳孔指标和轨迹横向偏移量等试验数据进行采集,再结合鹅公岩大桥的道路线形等数据,分析试验路段的交通流特性、驾驶员生理行为指标和轨迹规律,得到在鹅公岩匝道路段设置纵向视错觉减速标线后对驾驶行为及交通流状态的影响规律。试验表明:在匝道路段设置纵向减速标线可以使区间速度的均值降低8.48%,大部分车辆轨迹偏移量一般为0.5～1 m,小于对比路段的1～1.5 m;利用聚类分析结合车辆结构和道路线形,将驾驶员前方视野平面划分为左前方、右前方、左远前方、右远前方、近前方和远前方6个区域。     

视觉分神对驾驶员跟驰行为的影响

为了研究驾驶员视觉通道被车载信息系统所占用时,驾驶员对交通信息进行实时加工处理的机理及其应对事故风险的能力,模拟车载信息系统设计了诱导驾驶员视觉分神的驾驶次级任务。根据次级任务的复杂程度划分为3个任务难度等级,使得驾驶员单次视线离开路面的时间随着次级任务难度增加而递增;基于驾驶仿真试验平台,构建了城市道路和高速公路下的典型跟驰场景;招募熟练驾驶员,于驾驶过程中根据试验声音提示执行驾驶次级任务。对采集的试验数据先采用箱图方法进行离群处理,对筛选后的数据采用方差分析和多重比较的方法,分析驾驶员对车辆车道位置掌握、转向盘调整等相关横向操控行为,驾驶员对车辆纵向位置调整、车速调整等相关纵向操纵行为,以及通过其对车辆横纵向控制反映出的补偿措施。分析结果表明:无论车辆处于高速还是低速行驶环境,处于视觉分神状态的驾驶员对车辆的横向控制能力均会变差;驾驶员视线离开路面的时间越长,其对车辆的横向控制能力越差;车辆高速行驶时,驾驶员将面临更大的横向失控风险;而无论车辆处于高速还是低速行驶环境,驾驶员在意识到自身视线离开路面时间过长后,均会通过降低速度和增大跟车距离,以平衡视觉分神带来的纵向方向上的事故风险。     

减速标线视觉减速有效性实验研究

依托驾驶模拟实验,在虚拟场景中设计纵向减速标线和无震动感横向减速标线,采集车辆运行状态、驾驶员注视行为和操控行为数据并进行处理和分析,验证减速标线的视觉减速有效性.分析结果表明,纵向减速标线和无震动感横向减速标线对驾驶员的视觉特征均具有一定的影响;纵向减速标线和无震动感横向减速标线对车辆运行状态没有显著影响,但对驾驶员从减速意识到减速决策的转化具有显著的促进作用,尤其无震动感横向减速标线对驾驶员减速意识的影响大于纵向减速标线.结果表明,在道路纵坡为1.7%的双向八车道城市快速路虚拟场景中,纵向减速标线和无震动感横向减速标线具有一定的视觉减速有效性.     

基于元胞自动机模型的路侧停车行为对交通流的影响研究

针对路侧停车带来的进出停车位排队延误、低速巡游降低通行效率、过量停车加剧交通负荷等问题,研究了路侧停车对路段动态交通流的影响分析方法。基于视频识别算法,提取路侧停车车辆在驶入车位过程中的运行轨迹和速度波动数据,解析路侧停车过程中的驶入行为特性,并按照行为差异将停车车辆停车全过程细分为进入路段、寻找车位、找到车位、驶入车位、静止停放、驶离车位、汇入路段和错失车位8类状态;分别依据停车车辆和通行车辆的实际驾驶行为,从跟驰特征、速度矫正、换道规则和位置更新等方面对路侧停车元胞自动机模型进行了改进;在选择目标车位时综合考虑了步行至目的地时间和驶入车位耗时2个要素。与常规通行车辆相比,深入分析了停车车辆提前换道和停车完后汇入路段行为对后车的影响。基于实际交通流数据对仿真模型进行参数标定,经验证,模型拟合度为77.6%;仿真分析了在差异化的停车需求强度下,巡游速度对道路通行能力和延误时间的影响规律。结果表明:固定的巡游速度和停车需求强度下,道路延误时间随道路交通量先增加后减少;在低停车需求强度下,巡游速度对道路通行能力影响微弱,在高停车需求强度下,当巡游速度从30 km/h降低至20 km/h,外侧车道饱和流量降低500 veh/h,最高延误时间增加105 s。      

基于车辆加速度数据的互通立交匝道驾驶风险分析

为明确互通立交匝道的运行特性和驾驶风险,在重庆市南山立交和江南立交开展了超过30位被试者的小客车实车驾驶试验,通过Speedbox和Mobileye等车载高精度仪器采集了小客车在4条迂回式匝道上的连续运行数据,包括行驶速度、横向加速度、纵向加速度等,明确了迂回式匝道的车辆运行状态,然后运用表征横、纵向加速度关系的G-G图分析了匝道行驶过程中的驾驶风险,确定了立交匝道不同位置的危险等级及危险驾驶行为的高发路段。研究结果表明:①立交匝道上小客车的横向加速度与速度呈三角形分布,纵向加速度与速度呈椭圆形分布;②小半径曲线匝道上出现危险驾驶行为的比例要高于大半径曲线匝道;③通过统计不同断面的危险驾驶行为点占比,将匝道的危险断面分为低风险、中风险、高风险3个等级;④男性驾驶员在立交匝道上的危险驾驶行为占比要高于女性驾驶员,冒险型驾驶员的危险驾驶行为占比要高于其他驾驶风格的驾驶员;⑤立交匝道的危险高发路段通常位于速度变化剧烈的路段,即入弯减速段和出弯加速段。      

城市干路交叉口右转车辆轨迹流线与曲率特性分析

为明确城市干路交叉口汽车右转的轨迹特性和轨迹曲率模式，使用无人机在重庆市4个城市道路交叉口上方进行高空拍摄。利用图像分析方法采集了右转车辆的轨迹数据，包括时间、行驶速度和轨迹坐标等，通过对相邻轨迹点外接圆半径的计算得到轨迹曲率。运用轨迹线-车道边缘线的间距值分析了右转车辆轨迹通过位置分布与交叉口几何布局之间的关系，明确了交叉口右转车辆轨迹的曲率特性。运用聚类方法识别了右转车辆的6种轨迹曲率形态，确定了不同轨迹曲率形态下的常见驾驶行为，并研究了车辆行驶速度与轨迹曲率的相关关系。研究结果表明:①交叉口几何布局（包括路缘半径、车道宽度和出口车道数）对右转轨迹通过位置分布存在影响；②带渠化设计的右转专用道可以限制轨迹分布范围，减少右转交通的冲突和延误；③在右转过程中公交车辆较小型汽车所需侧向空间更大，轨迹分布的离散程度更低；④轨迹曲率的关键点与圆曲线设计中的主要点变化趋势不一致；⑤车辆加速度与轨迹曲率变化率呈负相关关系，相关系数为-0.843 5；⑥行驶速度与等效半径存在正相关关系，车辆行驶速度越快，圆曲线内轨迹的等效半径越大。      

考虑道路平曲线设计的驾驶疲劳对车道保持能力影响研究

不同的道路平面线形几何设计对于驾驶人车道保持能力的需求是有差异的,驾驶人受疲劳程度影响也会呈现车道保持能力下降的趋势,当前的研究未综合考虑以上2个因素:线形和疲劳程度对驾驶横向表现的交互影响.邀请41位被试者分别开展550 km的实车实验,获取车辆位置信息GPS以匹配道路线形类型,基于问卷调查方法获取驾驶过程疲劳等级.分析不同疲劳程度、不同平面线形类型以及弯道半径条件下的车道偏离标准差参数,构建了多元线性回归模型.数据分析结果表明,相同疲劳程度下驾驶人在圆曲线段驾驶的偏离值要超过直线段以及缓和曲线段;当弯道半径超过5 500 m时,曲线段弯道半径越大,车道偏离差值越高.同时,考虑了线形影响的多元线性回归模型对疲劳程度的预测精度要高于未考虑线形因素的模型,进一步说明在针对驾驶疲劳行为表现开展研究时,有必要对道路设计参数加以考虑以提高疲劳辨识精度.      

基于因子分析与熵值法的不同隧道侧向宽度下驾驶负荷模型

为探究隧道侧向宽度对驾驶心理及行为的影响机理，采用眼动仪、CAN-OBD测速仪等设备在滨莱高速试验场开展不同侧向宽度场景实车试验，获取30名男性驾驶人在不同侧向宽度场景下生心理及驾驶行为数据；以心率均值、车速差、速度标准差、平均注视持续时间和注视时间标准差为关键变量，建立基于因子分析与熵值法的驾驶负荷量化模型，量化评价不同侧向宽度下驾驶负荷变化规律；基于K-means聚类算法确定不同等级驾驶负荷阈值，结合ROC曲线的分类判别和最大约登指数值，提出隧道侧向宽度临界阈值计算方法。研究结果表明：当设计速度为120 km·h^-1时，采用较大的隧道侧向宽度不仅有利于提高运行车速，同时可减小驾驶负荷；相较于左、右侧侧向宽度分别为0.75 m和1.25 m的标准断面设计尺寸，隧道左、右侧侧向宽度增加至1.00 m和1.50 m时，小型车和大型车驾驶人运行车速分别提升4.5%和3.6%,驾驶负荷分别减小31%和29%;不同侧向宽度下驾驶负荷低、中、高3个等级对应的阈值为0.23和0.42,隧道左侧最佳侧向宽度阈值为0.75～1.00 m,右侧最佳侧向宽度阈值为1.25～1.50 ...     

应急车辆延误情况调查及应对措施研究

因交通拥堵而造成的应急车辆救援延误导致悲剧事件频发。为了解应急车辆救援延误的情况并研究应对措施,以普通机动车驾驶者为对象进行问卷调查,针对驾驶者对应急车辆的认识和对应急车道的占用情况,驾驶者在驾驶过程中对应急车辆是否避让,以及避让方法进行调查。然后利用SPSS数据统计软件筛选出对驾驶者驾驶行为影响权重较大的特征变量,并基于Logistic模型建立了驾驶者特征与占用应急车道和避让应急车辆行为的模型。在此基础上提出相应的应对方案,利用Vissim仿真软件对解决方案进行仿真。结果显示:对有一定驾驶年龄并有本科以上学历的青壮年的驾驶行为对应急车辆延误有较大影响,且正确的避让方法能明显地减少应急车辆的行程时间。      

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%。      

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境，其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论，构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型（Long-short-term-memory-based Autonomous Vehicles Lane Changing，LSTM-LC）。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用，对换道行为影响因素进行分析；同时，为了提升模型的迁移性，引入道路横向偏移量信息。结合LSTM神经网络的输入要求，使用美国公开交通数据集Next Generation SIMulation（NGSIM）构建换道行为样本库。针对LSTM-LC模型，以均方差MSE作为损失函数，使用RMSprop优化方法进行训练，对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后，针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明：相比GRU-LC模型，LSTM-LC模型对换道行为的表征更准确，在模型的精度和迁移性上有着显著的提升；GRU-LC模型的均方差为4.64 m²，迁移性均方差为119.82 m²，而LSTM-LC模型的均方差为3.18 m²，迁移性均方差为79.58 m²，分别优化了31.5%和39.71%；通过引入道路横向偏移量M，可将LSTM-LC模型精度和迁移性提升约10%，且模型稳定性更强。     

基于轨迹数据的交叉口相位切换期间危险驾驶行为实证分析

基于交叉口相位切换期间的车辆轨迹数据,分别根据单车和跟车行驶状态,识别和分析了相位切换期间可能发生的危险驾驶行为。通过视频拍摄和图像处理的方式,提取了曹安公路沿线3个交叉口共312条单车状态和四平路-大连路交叉口共449条跟车状态的高精度车辆轨迹数据。针对交叉口相位切换期间的危险驾驶行为特征,利用速度、加减速度、减速度变化率、潜在碰撞时间（TTC）等指标,研究在此期间车辆发生危险驾驶行为的特点和类型。对于单车状态下行驶的车辆,按停止、通过分类,依据减速度、减速度变化率、减速度变化率的峰值差等指标将停止车辆的危险驾驶行为分为紧急减速型、增强减速型和持续急减型,依据过停车线时间、速度、加速度等指标将通过车辆分为闯红灯型、超速过线型、激进加速型和持续高速型。对于在跟车状态下行驶的车辆,按前、后车不同的停止、通过决策组合分类,依据连续5个时间间隔（0.12 s）的TTC分析前、后车的危险驾驶行为及发生追尾事故的危险程度。针对识别出的危险驾驶行为类型,讨论车辆的关键行为参数与危险驾驶行为之间的内在关联。研究结果表明：单车状态下有17%的车辆存在危险驾驶行为,其中53%为紧急减速行为;跟车状态下有19%的跟车行为是危险的,其中停止车辆的比例是通过车辆的2倍以上。研究成果可进一步应用于驾驶行为模型的参数标定、基于车辆轨迹的交叉口安全评价以及预防危险驾驶行为的主动安全控制策略等。     

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性，采用2台无人机同时在200 m的高空对交通流进行拍摄，获取交通流运行状态。构建拍摄路段的高精度地图，获取每一时刻车辆的精确运行状态数据，在此基础上对2个视频进行拼接，最终获得车道位置、速度、车辆编号等8项关键指标，共提取换道行为1 520条，筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据，在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s，平均换道空间距离为148.08 m，换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m），其相对距离在10 m以内的占28.24%，驾驶人为了加快行驶，在与目标车道后方车辆相对距离较小的情况下，依然采取换道措施。与正前方车辆的相对速度差最大，平均值为10.2 km·h^-1，并且在83%的情况下，本车的速度大于前车，说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC，MTC分别对换道起始时刻的安全性进行分析，并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急，非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性，以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。