冰雪条件下中国驾驶员跟驰行为及模型研究

分析驾驶员在冰雪条件下的驾驶行为特性，建立考虑驾驶员行为特性的跟驰模型，有助于丰富现有交通流理论.通过招募驾驶员开展实车跟驰试验，对比分析正常条件与冰雪条件下的驾驶行为差异.进而基于任务难度均衡理论构建包含人类因素参数的任务难度模块，引入改进后的智能驾驶员模型，并采用车辆轨迹数据对模型进行标定和有效性验证.研究表明：驾驶员在跟驰行驶过程中受外界刺激及自身驾驶能力影响时会对车辆行驶状态进行动态调整，试图保持期望间距，且速度与前车一致的状态；冰雪条件下驾驶员采取风险补偿行为，其车头时距波动幅度较正常条件收窄，模型引入人类因素参数可以较好地描述其差异性. 模型有效性验证表明，新模型在6个仿真场景中的表现都优于传统智能驾驶员模型，且表现出更好的鲁棒性.研究结果可为冰雪条件下的交通管理措施制定提供理论支持.     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。