基于自然驾驶数据的高速公路跟驰模型参数标定

为了研究中国驾驶人在高速公路上的跟驰行为特征,从上海自然驾驶研究试验数据库中提取48位驾驶人在高速公路上的跟驰事件并进行特征分析。利用自动化筛选准则及人工验证方式提取1 548个有效事件,选取后车车速与车头间距为性能指标,其均方根百分比误差之和为目标函数,利用遗传算法对Gazis-Herman-Rothery模型、GIPPS模型、智能驾驶人模型、全速度差模型和Wiedemann模型进行参数标定及效果验证。基于误差、碰撞及后退等异常情况出现次数等比较其表现性。研究结果表明：不同模型对中国驾驶人的适应性不同,智能驾驶人模型具有最小的误差和误差标准差,更加适合仿真中国驾驶人在高速公路上的跟驰行为。研究结果对于开发适合于中国驾驶人与道路环境特征的跟驰模型具有重要价值。     

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。     

基于自然驾驶数据的跨江大桥小客车跟驰特性研究

为明确跨江大桥的跟驰行为特征以及驾驶模式,在重庆菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用华测航姿测量系统和前视碰撞预警系统Mobileye 630采集自然驾驶状态下汽车的连续行驶速度、车头时距和车头间距等数据。通过筛选得到了725条有效跟驰轨迹数据,对比分析发现跨江大桥与城市一般道路的跟驰行为存在一定差异性,明确了菜园坝大桥车头时距和车头间距的分布特征,并且对强跟驰(小于1.6 s)、过渡区间(1.6~2.6 s之间)以及弱跟驰(大于2.6 s)3种跟驰状态和驾驶人性别差异下的跟驰数据进行了分析。结果表明:桥梁段车头时距分布集中在1.6 s处,车头间距分布集中在18 m处;超过1/3的跟驰轨迹处于强跟驰状态,此状态下前车驾驶行为对跟驰车辆具有较强制约性;当车辆处于弱跟驰状态时,前车对于后车的约束性会随车头时距的增大而快速降低;过渡区间的设立更好地揭示了强/弱跟驰状态之间的转变并不是只有一个临界值,而是存在一个转换过程,并且其间车辆跟驰特性的变化与驾驶人本身的操作行为存在较大关联;驾驶人的性别差异对跟驰距离几乎没有影响,但男性驾驶人往往会采取更加冒险的驾驶行为,平均车头时距、车头间距以及相对速度均高于女性驾驶人。     

基于自然驾驶数据的切入场景队列跟驰仿真

车辆切入是常见的驾驶行为,频繁的变道切入行为影响了通行效率与交通安全。因此,揭示切入场景下的驾驶特性对研究交通拥堵和行驶安全机理具有重要意义。在自然驾驶数据的基础上,根据驾驶人的主观风险感知特性,探究驾驶人的切入行为发生条件,并在期望安全裕度（DSM）模型的基础上,标定了切入场景下的相关参数,根据标定结果进行切入场景下的队列跟驰仿真。仿真结果表明：在仿真区间内,队列的长度、行驶速度以及切入车的切入位置不同会影响队列的稳定性以及队列的调整,当队列长度由4辆变为13辆,速度由5 m/s增至20 m/s,切入车的位置由贴近前后车变为前后2辆车中间时,切入行为对队列的稳定性影响变得越小,队列越容易恢复到稳定状态。

     

基于城市主干路交通流数据的跟驰模型标定

根据某种机理建立的交通流模型需要通过模型标定和验证后才能具体应用到实际中.通过采用视频处理技术,对陕西省西安市二环主干路和浙江省舟山市昌洲大道上上下高峰时期内的车辆微观运动录像进行技术处理,提取得到了包括位移、速度和加速度的车辆微观运动轨迹数据.根据这些交通流数据,采用Levnberg-Marquardt算法,分别对跟驰理论中2个典型的跟驰模型,即惯性模型中的敏感系数、安全时间间隔、最小安全车间距、允许速度和智能驾驶人模型中的理想速度、安全时间间隔、静止安全距离、启步加速度和舒适加速度进行了标定和验证.针对惯性模型,当允许速度大于实际速度时,位移均方差和速度均方差的平均值分别为2.8m和0.58 m/s,当允许速度小于实际速度时,位移均方差和速度均方差的平均值分别为2.22m和0.49 m/s;针对智能驾驶人模型,利用早、中、晚3组数据进行标定,得到的位移均方差和速度均方差的平均值分别为0.12m和0.10 m/s,0.07m和0.10 m/s,0.75m和0.27 m/s.因此,惯性模型与智能驾驶人模型都可用于描述城市主干路近饱和状态(即跟随车辆的最大速度远小于允许速度的行驶状态)下的车辆跟驰行为,而且当智能驾驶人模型中的加速度指数取较大的值时,它较前者更为适合.     

基于检测器数据的快速路路阻模型标定

针对交通规划中的路阻模型变量的要求，探讨了检测器数据的处理方法以及模型的标定方法。同时结合交通规划软件中路阻函数模型的要求和形式，参数标定采用了适用于非线性、非二次型逆的修正BFGS算法的非线性回归方法。其中，步长一维搜索采用Wolfe准则。由于非线性问题对样本数据质量非常敏感，同时，提出了对调查（检测器）数据质量检查的方法。利用上海快速路检测数据进行回归分析，从结果看，该模型对快速路具有很好的适应性，并具有较高的精度.     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

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。     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

基于模糊推断的车辆跟驰模型

在微观交通流模拟中，由于驾驶行为的不确定性，难以建立精确模型。在模糊推断的基础上，以直接自然的语言描述驾驶行为准则，提出了车辆跟驰模型。     

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明,驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式（如脑电波等）或半侵入式（如视频等）检测驾驶人分心的方法,不仅对驾驶任务造成一定干扰,且受多种环境因素的制约,误报率较高。基于此,只考虑非侵入式车辆运动特征,提出一种基于深度学习的驾驶人分心状态识别方法：首先,从自然驾驶数据集中获得大量的跟驰片段,采用态势感知方法,提取典型的分心驾驶片段,并建立仅包含车辆运动学特征的分心判别指标集;其次,利用梯度提升决策树-递归特征消除算法（GBDT-RFE）和随机森林-递归特征消除算法（RF-RFE）对特征进行重要度排序,得到重要度较高的分心监测指标;最后,采用长短时记忆神经网络（LSTM-NN）实现分心驾驶的分类识别,并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明：LSTM-NN在判别分心或正常状态时F₁分别为89%、91%,高于SVM和AdaBoost对应二分类结果;进行多分类任务时,判别分心情景的平均F₁较SVM和AdaBoost分别提升了12%和7%,不同类别分心识别的误报率在15%以下,说明LSTM-NN能够有效学习分心序列的前后信息,有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

城乡快速干道车-人冲突时间窗预测模型

为了解决城乡快速干道车-人冲突和事故严重的问题,将车-人冲突点的分析方法扩展到车-人冲突时间窗的分析方法,构建一种行人运动轨迹实时监测和穿越时间预测相结合的车-人冲突时间窗组合预测模型。首先,分析行人违规穿越的实测数据,确定不同类别行人对应的穿越时间置信区间以及松弛时间;其次,根据运动学模型的预测结果判断行人的所属类别并初步确定行人的穿越时间,同时通过卡尔曼滤波算法对行人穿越过程进行实时监测;再次,融合运动学模型预测结果和卡尔曼滤波监测结果,确定最终的车-人冲突时间窗;最后,对所提出的组合预测模型进行标定和验证,并通过VISSIM仿真平台进行安全性能测试。模型验证结果表明：在正常情况下,该模型能够保障行人的安全且能兼顾松弛时间重置次数;在行人初始穿越速度过低或穿越前、中期存在持续低速的情况下,该模型可以通过多次松弛时间重置来解决模型的适用性问题。安全性能测试结果表明,在车辆行驶时间均值增加4.7%的情况下,安全车辆数占比增加了37.3%,车辆的后侵占时间(PET)测试值则增加53.8%。因此,与无松弛时间的预测模型相比,所提出的有松弛时间的车-人冲突时间窗预测模型能够在对交通效率影响较小的前提下,较大程度地提高车-人冲突的安全性。     

自然驾驶状态下重型工程车驾驶人驾驶稳定性分析

重型工程车行驶过程中事故风险大,发生恶性事故的概率高,易造成重大生命和经济损失,其运输安全管理问题面临挑战.为探究重型工程车驾驶人驾驶稳定性与相关影响因素之间的关系,开展重型工程车自然驾驶试验,提取车辆运动学、道路条件、驾驶人状态和工作时间等数据;采用速度均值和速度标准差表征驾驶人驾驶稳定性,以睡眠模式、道路线形、道路...     

基于贝叶斯空间相关模型的城市快速路安全影响因素研究

快速路是城市交通的主骨架,其运行安全态势直接影响整体通行效率的发挥。利用线圈检测器数据和由事故视频监控系统采集的2011~2013年共50069起事故数据,应用贝叶斯空间相关模型,对上海市南北高架、延安路高架、内环和中环4条快速路进行建模分析。为了反映路段间的潜在空间联系,在负二项模型的基础上,加入空间随机影响项建立相邻空间相关模型;进一步改进了该空间随机项的协方差矩阵,建立距离空间相关模型。通过贝叶斯回归方法比较3个模型的回归效果。结果显示,距离空间相关模型具有最优的拟合效果,其方差信息标准(DIC)较负二项模型降低6.04%。由此证明,事故在道路中的分布存在空间关联,且其相关性受距离影响。在道路几何特性影响因素中,路段前后1 km 内匝道数越多,每公里转角越大,事故风险越大;入口-出口型交织路段事故发生几率较高。日均交通量与事故风险显著正相关。不同快速路对比分析表明内环事故风险偏高,中环事故风险较低。     

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价,由于自动驾驶系统复杂程度的增加及设计运行区域的扩大,面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此,建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法,可解决现有方法在逻辑场景层面安全性评价的缺陷。首先,建立基于自然驾驶数据的逻辑场景构建流程,分析场景描述参数,搭建自然驾驶数据采集平台采集相关自然驾驶数据,采用高斯分布模型描述参数概率分布;进而,离散逻辑场景参数空间获取具体测试用例,并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试,通过高斯模型将测试结果中的危险场景参数聚类,获取被测算法在逻辑场景中的危险区域;最后,综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域,提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数,并以前车制动和前车切入场景为例,给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5,在前车制动场景中具有较大的安全风险,与仿真测试的直观结果相符;通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。