共查询到20条相似文献,搜索用时 62 毫秒
1.
2.
3.
本文阐述了车路协同技术的基本概念,并从车、路、边、网、云等方面分析了车路协同技术在智慧交通中的应用途径。结合车路协同技术,对城市交通中典型应用场景进行分析研究,得出车路协同技术的应用有利于提升城市交通智能化、信息化水平,对解决城市交通拥堵、道路安全等问题,提升交通系统运行效率有着现实意义。 相似文献
4.
中国大量的道路基建工程建设充当着城市化发展的重要指标之一,然而交通基建并不能时刻满足日益增长的交通需求,随之而来的交通事故推动着车辆自身的安全及预警技术的研发,而该技术正是自动驾驶技术的基础。自动驾驶通过感知(传感器与创建环境地图)、规划(寻找与优化路径)与执行(ECU驱动车辆自动驾驶和安全功能)三个层面来实现,车辆自身的安全技术可被归纳为被动安全技术、防碰撞预警技术、主动安全技术和主动式无人驾驶技术,因此自动驾驶也是实现车辆安全技术的最高等级,然而即使是当下已商用的自动驾驶系统也不能完全保障交通安全,不成熟的避让算法、机器识别效率或处理系统高负载运行崩溃将更容易触发致命事故。自动驾驶的发展具有明朗的前景,但需要与智慧道路形成更高层次的环境感知水平,从而真正的推动人、车、路交通三要素有机结合,在更完善的交通感知环境中全方位保障三者在交通参与过程中的安全,助力车辆自动驾驶技术实现相应的社会价值。 相似文献
5.
6.
吴中元 《拖拉机汽车驾驶员》2012,(2):176-179
想想你希望自己的坐驾拥有哪些智能的科技?自动收集有用的路况信息对于城市驾驶者来说应该是非常实用的,这样我们可以避免拥堵,挑选一条最佳路径。而在长距离奔波时,如果电子系统能接过枯燥的驾驶则是很享受的事情。甚至再多一点奢望,如果在我们疲于驾驶的时候,车辆能自动运行那就最理想了。 相似文献
7.
8.
9.
随着车路协同技术的发展,车路协同安全应用的相关技术是否会影响驾驶人的感知、判断、操作等驾驶行为受到愈来愈多的关注.基于这样的背景,通过对国内外车路协同技术的当前研究进展进行综述,分析车路协同环境下驾驶行为的变化,从而得出在车路协同安全应用技术全面推广之前,应充分评估车路协同技术对驾驶人行为,以及驾驶安全可靠性的影响,特别是如何最大限度地发挥其安全保障作用. 相似文献
10.
PRT个人捷运交通系统为无人驾驶功能的新型交通系统,具备乘坐舒适、搭乘便捷、较低建设成本、较低运营成本的优点。PRT系统由小型车辆及其专用走行线路组成,将传统人等车的理念转变为车等人。文章分析了适用于PRT车辆的专用自动防护系统(AVP系统),其独立于PRT的中央控制系统,利用物理块原理实现车辆自动防护及防撞,确保所有车辆在线路上有序运行,确保车辆无追尾、碰撞等安全事故发生,确保车辆在线路交汇处安全有序通过。文章从AVP系统的结构组成、信号时许、可靠性分析入手,可为后续PRT工程提供参考。 相似文献
11.
12.
13.
自动驾驶技术和共享经济融合产生的共享自动驾驶汽车(SAV)可为人们提供优质的出行服务。为探究出行者选择SAV的行为特性,对受访者的社会经济属性、历史出行特性、行为态度特征进行调查,并采用正交试验设计出行方式选择意向调查问卷,收集到311份有效数据。为充分考虑个体异质性,利用潜在类别分析探究SAV使用者的潜在类别,并将所得潜在类别作为变量融入离散选择Logit模型,建立SAV使用意向的潜在类别-Logit模型。结合多项或混合Logit模型以及划分的3个潜在类别,根据4个合理的模型标定的性别、交通模式、SAV使用人群类型、等待时间等59个变量的参数,识别SAV使用意向的显著性影响因素,并采用7个拟合优度指标评价多项Logit、混合Logit、潜在类别-Logit等8个模型。利用边际效应分析,探讨出行方式属性对SAV使用意向的具体影响。结果表明:涉及3个潜在类别的离散选择Logit模型具有更强的解释性,这3个潜在类别可分别描述为冲动的积极创新者、矛盾的保守创新者和理智的保守使用者;不同潜在类别人群的显著性因素存在明显差异,SAV使用人群类型是不同潜在类别人群共有的显著性因素,其中SAV创新者在各个模型中的显著性水平值均小于0.1;潜在类别-Logit模型的第1类和第2类预测正确率比其他Logit模型分别高出5.9%~28.3% 和5.4%~18.5%,可以更好地解释出行者对SAV的使用意向;出行等待时间对出行者选择SAV的影响最大;当SAV选择概率接近于0.5时,轻微降低SAV人均出行费用最易引起选择私人小汽车的出行者转而选择SAV。 相似文献
14.
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。 相似文献
15.
16.
为了总结面向智能车辆的现役道路设施行驶适应性,即现役道路基础设施承载智能车辆行驶的适宜程度,阐述自主智能驾驶定义与驾驶自动化等级分类,在此基础上剖析不同等级间的人机功能差异,并分别从感知层、感知-决策层、决策-控制层探讨与道路设计要素相关联的人机功能差异,通过归纳总结智能车辆与道路几何要素、路面性能及其他道路要素(如道路标线)的相互作用机制研究,从道路工程角度及其他道路要素方面回顾该领域的研究现状,指出存在的问题和未来发展方向。研究结果表明:相比传统车辆,配置高等级自动驾驶系统的智能车辆对现役道路设施行驶适应性最高,主动安全系统次之,而驾驶辅助及有条件自动驾驶系统适应性不足。而目前研究主要问题包括:难以归纳、标定不同驾驶自动化等级间的人机功能差异及其对于道路设计参数的需求设计值;测试道路场景条件过于理想,考虑的驾驶自动化等级单一,试验规模和样本有限;道路几何、路面性能以及道路标志、标线等道路要素与智能车辆间的相互作用机制研究不足,缺乏与不同道路场景相匹配的智能车辆驾驶特征数据的获取手段。因此建议:重视并推动与道路设计要素相关联的关键人机功能差异指标信息共享;联合高保真且可交互的道路场景、高精度感知传感器物理模型、车辆动力学模型及微观交通流模型,利用测试场景自动化生成、极限工况场景搜寻与泛化等技术开展智能驾驶虚拟测试,突破现有研究的深度和广度;探索反映不同等级智能车辆的道路行驶适应性特征指标与评价标准,精准、有效地评估预测复杂道路场景及不利道路条件下的行驶适应性。 相似文献
17.
18.
19.