自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

一种基于信息融合的跟随驾驶行为协同仿真模型

基于信息融合技术模拟驾驶人信息感知、分析决策和车辆控制的全过程,建立跟随驾驶协同仿真模型.模型以动态交通信息为输入,设计单个神经元仿真驾驶人对感知信息的筛选,采用模糊径向基高斯神经网络提取驾驶行为特征向量,应用模糊积分法模拟驾驶人对信息的分析和决策过程,输出为车辆控制状态.离线检验结果表明,该模型能较好地描述跟随车状态变化,具有较高的精度.     

自动驾驶环境下驾驶人接管行为结构方程模型

为提取自动驾驶环境下驾驶人接管行为的关键影响因素,使用驾驶模拟器和眼动仪进行自动驾驶环境下驾驶人接管试验;采集了11个受试者对5种接管情境的反应数据,包括车辆运行数据和眼部运动数据,并调查了受试者的个人属性;基于实测数据定性分析和情境差异定量分析的结果,利用AMOS软件建立了描述驾驶人接管行为的结构方程模型;假设纵向接管行为、横向接管行为和眼部运动行为是3个潜在变量,找到可以表征这3个潜在变量的9个观测变量;根据修正指数多次修正得到最终的结构方程模型,由此获得表征驾驶人接管行为的各变量间的关系及对应的参数。研究结果表明：驾驶人接管自动驾驶车辆的全过程可分为5个阶段,即感知反应、减速避让、加速回升、稳定恢复以及稳定运行;当左前方车辆汇入当前车道,此时驾驶人接管风险较高;横向驾驶行为与纵向驾驶行为、眼部运动行为均显著负相关,相关系数分别为-0.226和-0.223,纵向驾驶行为与眼部运动行为正相关,相关系数为0.152;平均速度、总体横摆角均值、一秒内扫视时间可分别高度解释驾驶人接管自动驾驶车辆时纵向、横向及眼部的潜在行为。可见,此模型能有效揭示驾驶人接管自动驾驶车辆的整体行为与局部行为,有助于改进人机交互模式与自动驾驶接管请求提示。     

听觉-言语认知负荷下工作记忆容量对跟车行驶影响

听觉-言语认知负荷作为一种典型的认知负荷,是驾驶人认知分心的主要来源,容易导致驾驶绩效下降,认知负荷对驾驶绩效的影响程度与个体工作记忆有关。为研究听觉-言语认知负荷下工作记忆容量对跟车驾驶绩效的影响,本文开展心理学与模拟驾驶实验。首先,设置不同听觉-言语认知负荷水平的n-back任务,构建车头时距变化和前车速度变化的跟车场景;其次,采集并预处理工作记忆容量、驾驶人操作行为与车辆运行状态数据,选择跟车速度差、绝对加速度、横向稳定性、制动反应时间及跟车间距作为分析指标,获得36名被试数据;最后,采用方差分析及事后比较,分析认知负荷和工作记忆容量在跟车时对驾驶绩效的影响,并探讨两种因素对驾驶绩效的交互和调节作用。研究表明：认知负荷增加导致驾驶人更大的加减速倾向,更长的制动反应时间;工作记忆容量较高的驾驶人具有更小的制动反应时间和更稳定的跟车间距,更频繁的方向修正和更好的车道保持水平;在工作记忆容量和制动反应时间中,听觉-言语认知负荷具有正向调节作用。本文可以为驾驶安全培训干预提供驾驶人认知特性方面的见解和理论参考。     

跟驰车流中的反应时间和车头间距研究

为了研究利用驾驶模拟舱研究驾驶行为的效果,考虑道路几何线形、交通设施、环境条件、交通条件等因素,以北京四环道路环境为例搭建模拟场景,在该模拟环境和相应真实道路环境下进行车辆跟驰实验,提取并对比了加减速跟车状态下的反应时间和车头间距数据,从虚拟环境深度线索和仿真车辆行为特性两方面分析了实验结果.研究结果表明,在加速和减速跟驰状态, 在仿真环境中的驾驶人反应时间均略大于真实道路环境,但差别不显著;仿真环境下的车头间距显著大于真实环境;采用驾驶模拟舱研究驾驶行为时,需修正与距离相关的参数才能得到与实际道路环境相符的结果,修正系数的取值范围为1.5~2.0.      

稳定跟车状态驾驶风格识别及迁移特性

为探究高速工况稳定跟车状态下不同类型驾驶人的跟车特性及驾驶风格识别方法,选取20名驾驶人开展实车驾驶试验,采集自然驾驶状态下的自车速度、跟车间距、跟车时距等指标,基于雷达数据等确定稳定跟车事件提取规则。通过耦合分析稳定跟车状态下的驾驶行为指标分布规律及跟车特性,选取跟车间距、跟车时距及加速踏板开度为聚类指标,使用K均值聚类算法对301段稳定跟车事件进行聚类分析,并根据不同风格类型出现的频数及所占比例将驾驶人划分为3种风格类型(保守型、一般型、激进型)。最后通过CART决策树方法对聚类结果进行验证,进一步分析长时间稳定跟车状态下驾驶风格的迁移特性。研究结果表明：随自车速度增大,跟车间距与加速踏板开度亦呈现增大趋势,且在不同速度区间下均具有显著性差异。不同速度区间下的跟车时距均值无明显变化,稳定分布于2.57～2.72 s。CART决策树验证驾驶风格聚类划分结果总体吻合率达99.7%。不同风格驾驶人的车速与油门踏板开度、跟车间距与跟车时距均存在显著性差异。随时间推移,保守驾驶人更加趋于保守,激进驾驶人更加趋于激进,一般驾驶人则相对较为稳定。研究结果可为高级别自动驾驶系统跟车控制策略及参数的...     

基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性...     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。     

基于多源参数的高速工况驾驶行为模式识别方法

准确识别车辆当前驾驶行为模式是自动驾驶领域亟待解决的技术问题。为实现驾驶行为模式精准解析,提高模型识别精度和可靠性,通过开展自然驾驶试验,采集高速工况下20名驾驶人的驾驶行为数据及视觉特性数据等多源参数信息,分析4类典型驾驶行为模式(自由行驶、跟车、左换道、右换道)运行规律及多源参数耦合特性。基于主成分分析法确定4类驾驶行为模式表征指标集,使用支持向量机、随机森林决策树算法建立驾驶行为模式识别模型,通过学习训练,分析比较模型识别结果,对识别效果较好的模型进一步优化,分析优化模型对4类驾驶行为模式识别精度的时序性变化特征。研究结果表明：支持向量机模型、随机森林决策树模型、基于多层感知器神经网络的随机森林优化模型总体识别精度分别为89.4%、90.5%、91.9%;4类驾驶行为模式的AUC (area under the curve)值均高于0.93,可较好地识别车辆当前驾驶行为模式。此外,随机森林优化模型对4类驾驶行为模式的识别精度均随时间推移,呈现先增长后趋于稳定的变化态势,且同一时刻的自由行驶及跟车模式识别精度高于向左及向右换道模式。研究结果可为高级别自动驾驶系统决策及控制策略的制定...     

考虑车辆调度和调度员分配的共享汽车混合车队规模优化

针对电动汽车存在充电续航问题与传统燃油汽车存在环境污染问题的矛盾,本文提出共 享汽车混合车队规模优化方法。首先,在不考虑成本条件下,分析动态车辆调度和实时调度员分 配对共享汽车系统需求满足和车辆利用的影响。然后,针对由传统内燃汽车、混合动力汽车、插 入式混合动力汽车和纯电动汽车构成的混合共享汽车系统,考虑车辆调度和调度员分配,以运营 商利润最大化为目标,CO2排放量和道路拥堵为约束,构建混合车队规模优化模型。通过Matlab 调用Gurobi求解器求解上述混合整数线性规划模型。最后,以成都市为例,分析不同CO2排放量 约束,以及车辆调度对共享汽车运营商利润、不同类型的车队规模、车辆利用率和用户需求满足 率的影响。同时,比较单一车队和混合车队共享汽车系统,结果显示,混合车队和单一插入式混 合动力车队可以实现经济效益和环境效益的双赢,是目前最适合共享汽车系统发展的模式。     

自动驾驶接管影响因素分析与研究进展

部分或有条件自动驾驶车辆允许驾驶员将驾驶任务移交给自动驾驶系统，但驾驶员仍需对驾驶环境进行监测，若发生紧急事件或驾驶环境超出系统运行设计域等情况，驾驶员需要及时接管车辆。影响驾驶接管过程的因素主要包括：人因、交通环境以及人-机交互系统。本文分析了驾驶员认知负荷特性等人因对接管过程和接管时间预算的影响。分析发现，驾驶员长时间脱离驾驶任务会导致其陷入被动疲劳或驾驶分心状态，从而降低接管绩效。适当的非驾驶任务可以使驾驶员保持一定的认知负荷，降低驾驶员的被动疲劳水平。结合网联技术的应用可以多次发出预警信号，提高接管绩效。本文讨论了交通密度、道路条件等交通环境对接管时驾驶员感知、认知及决策的影响，探讨混合交通下过渡区智能网联车辆控制权切换 (Transitions of Control, ToC) 的管理问题。在复杂道路交通下，驾驶员需要更多时间恢复对环境的感知，且驾驶员在弯道接管车辆时更容易出现较大横向偏差。在混合交通环境中，为防止过渡区出现集中的ToC，可以制定相应交通管理措施，以降低过渡区域中车辆之间的相互干扰。本文还分析了视觉、听觉、触 觉、嗅觉及其组合类型交互方式的优、缺点，讨论网联环境下人-机交互系统设计以及ToC形式。 单个的交互方式有其自身的优、缺点，多种类型相结合的交互形式能形成优势互补，及时地将接 管信息传递给驾驶员，并将其注意力集中于对环境的感知。网联技术发展使得可利用的行车信息的数量和种类都有所提高，网联信息需要更好地呈现策略，以保证人-机交互界面具有较高的可用性和接受性，为驾驶员提供更加准确的交互信息。同时，利用驾驶员状态识别技术实时监测驾驶员所处状态，并通过人-机交互系统提醒驾驶员，使其保持警觉，提高接管绩效。未来研究应该重点关注非驾驶任务对驾驶员认知特性的影响，结合接管时的驾驶环境，遵循预测算法辅助驾驶员实现控制权的平稳过渡。随着网联技术的不断应用，逐步改进现有人-机交互系统的设计和性能，对过渡区域ToC的管理问题展开深入研究。     

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.     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

基于行为识别的智能车纵向决策研究

针对智能车纵向决策问题,提出基于环境车辆偏离车道程度识别运动模式的方法;构建动态环境车辆横纵向轨迹预测模型,并求解;构建保持、先行、避让在内的决策集,提出基于预测轨迹的单个车辆决策方法,并基于所有动态环境车辆的决策结果在加速、减速和匀速3 种结果中做出综合决策. 实车实验表明：在直行、换道和转弯运动模式下轨迹预测平均误差分别为0.11,0.29,0.80 m,预测精度较高;复杂动态环境下,本文提供的纵向决策信息提升了智能车行驶的安全性和舒适性.     

基于数据挖掘的危险货物运输风险驾驶行为聚类分析

不良驾驶行为(车速过高,车速变化过快等)影响危险货物及车辆的稳定性,是导致危险货物运输事故频发且后果严重的重要原因. 基于对营运车辆联网联控系统海量数据的分析处理,根据其属性提取8 个驾驶行为量化指标,采用因子分析和模糊C均值聚类相结合的方法,实现对危险货物运输车辆驾驶员风险驾驶行为的科学聚类. 结果表明,危险货物运输车辆驾驶行为特征可有效聚为急加减速、超速驾驶和变速驾驶3 种行为,且在每种驾驶行为下实现对驾驶员安全等级的分类. 由此可以识别风险较高的驾驶员,这对危险货物运输企业和行业管理部门有重要参考意义.     

考虑车辆价值的倒计时信号交叉口 驾驶员驾驶行为建模

为了发现车辆价值是否对驾驶员在倒计时信号交叉口的驾驶行为产生影响, 以激进型驾驶行为、普通型驾驶行为和保守型驾驶行为为典型的驾驶行为,运用交叉口 录像获取数据方法,采集了车辆经过典型倒计时信号交叉口时的车辆价值、车速、倒计时 剩余时间、所在车道等具体数据,并对3 种驾驶行为进行了判定,建立了分时段的倒计时 信号交叉口驾驶行为Logistic 模型.结果表明,在红灯倒计时显示的3~0 s 时间段内,与保 守型驾驶行为相比,激进型驾驶行为与车辆价值、车速、所在车道有关系,普通型驾驶行 为仅与车辆价值、车速有关系;在绿灯倒计时显示时间为3~0 s 与n ~3 s 的时间段内,激进 型驾驶行为与普通型驾驶行为与车辆价值、车速有关系.结果说明,驾驶员所驾驶的车辆 价值对驾驶员在倒计时信号交叉口的驾驶行为产生影响.     

基于自回归条件持续期模型的疲劳驾驶研究

对实际驾驶实验中不同驾驶员的车速数据进行处理,得到车速变化持续期间序列,应用自回归条件持续期模型(ACD),讨论了车速变化持续期的相关性质,并对模型的可靠性做了评估.使用ACD模型为车速变化持续期时间序列建模,其优点是能够在不损失原始非等间隔时间序列特性的条件下,直接分析得到驾驶状态的时域微观性质.采用EACD(1,1)和 WACD(1,1)模型对不同驾驶员的车速变化时间序列进行建模,结果表明：其具有较好的拟合程度,当实际期间小于条件预期期间,驾驶员的驾驶状态有变好的可能;当实际期间大于条件预期期间,驾驶员的驾驶状态有变差的可能.     

考虑驾驶风格差异的高原公路危险路段识别研究

针对高原环境中驾驶人风格、生理变化与危险路段特征之间的潜在关联，提出一种基于驾驶状态的危险路段识别方法，辨识和分析不同风格驾驶人具有潜在风险的路段，并提出优化方案。首先，通过实车实验采集驾驶人行为及生理指标数据，使用DBSCAN(Density Based Spatial Clustering of Applications with Noise)得出驾驶风格类型，并依据行为特征对驾驶风格进行差异性 分析；其次，采用卷积神经网络、双向长短时记忆神经网络与注意力机制搭建危险状态识别模型，通过GPS(Global Positioning System)点位对应实现危险路段辨识，并基于驾驶风格差异，从驾驶人感知、操纵与生理角度对危险路段进行致因分析；最后，将生理与道路线形作为优化参考，以车速建议为着力点进行多元回归分析，并按照生理舒适域确定车速建议区间。结果表明：驾驶人根据行为特点分为谨慎、稳健和激进型，3类驾驶人在上行和下行途中的危险路段多为具有弯坡特征的组合型路段；海拔提升可加速危险驾驶状态的出现，各类驾驶人在上行时的紧张状态多源于弯坡组合值和转角值的增长，激进型驾驶人在坡度大于6%的直纵坡路段时亦会开始高度紧张；下行时，谨慎与激进型驾驶人在直纵坡坡度大于3%时易出现危险状态，激进型驾驶人在转角值大于80°且弯坡组合值大于50时亦存在驾驶风险。研究成果可满足高原公路人因事故预防的需求，为线形设计与交通管理措施制定提供理论依据。