基于线性路径跟踪控制的换道避撞控制策略研究

为实现车辆自主避撞,改善道路交通安全状况,提出一种基于线性路径跟踪控制的换道避撞控制策略。为实时确定制动和换道时机,获取跟车状态下自车和前车车速、加速度、相对距离以及驾驶人制动反应时间计算制动安全距离和换道安全距离,并在此基础上分别引入制动危险系数B和换道危险系数S评估制动与换道风险,使得车辆发生追尾碰撞的危险程度和主动干预阈值更直观。根据车辆期望横向加速度和期望横向位移的变化特性,采用5次多项式法规划符合驾驶人换道避撞特性的避撞路径。为保证换道避撞过程中驾驶人的安全舒适,采用最大横向加速度约束换道避撞轨迹。为实现对换道避撞路径的线性跟踪控制,保证车辆的操纵稳定性和横摆稳定性,基于车辆稳态动力学模型建立前馈控制,结合线性反馈控制消除换道路径的位置和横摆角偏差,修正参考路径实现直车道场景追尾避撞控制。仿真和实车交叉验证试验表明：根据车辆期望横向加速度和期望横向位移建立的符合驾驶人换道避撞特性的五次多项式换道路径与驾驶人实际换道避撞路径基本吻合,结合碰撞时间和车间时距的制动避撞控制策略能够在保证车辆行驶安全舒适性的同时有效避免车辆追尾碰撞,减少交通事故的发生。     

多车道高速公路出口车辆换道行为研究

为研究多车道高速公路出口车辆换道行为,提出了出口换道车辆样本的识别指标与标准。基于筛选出的高速公路出口段的车辆换道样本,分析了不同换道需求次数下的出口换道位置分布特征,确定车辆换道影响范围,通过对车辆换道影响范围图的特征和原因的分析,并结合实际情况,提出高速公路出口诱导设置的建议。基于最后一次换道和路段上普通换道的持续时间、速度、横向加速度、纵向加速度样本,利用SPSS中T检验模块,完成换道过程中的车辆运动状态特征显著性分析。最后,找出换道意图关键影响因素,构建驾驶人换道意图与各关键影响因素的二元Logistic关系模型。     

基于驾驶人特性的自适应换道预警算法研究

本文中建立了基于驾驶人行为特性的换道危险感知模型,提出一种参数在线辨识、阈值可调的换道预警算法。通过模糊逻辑方法,以速度关联度、换道安全系数及横向偏移为指标确定周围车辆对自车换道的影响程度,修正换道参数;利用递推极大似然估计对模型参数进行在线辨识,获得实时危险评估值;并基于信息熵搜索最佳报警阈值,将实时评估值与报警阈值进行比较,判断系统的报警状态。采用实车试验的自然驾驶行为数据进行验证,结果表明,自适应预警模型的准确率达92.1%,预测危险状态的时间可提前0.3～1 s,符合驾驶员的心理预期,具备可操作性。     

大型营运客车在高速公路的换道安全性辨识

为了给大型营运客车换道预警系统设计提供参考,采用毫米波雷达、激光雷达、车道线识别传感器、GPS、视频监控系统以及控制器局域网（CAN）总线数据采集仪等设备,基于小型乘用车搭建浮动车采集平台。通过在试验线路上进行1.5×10⁴ km的驾驶试验,获取1 200余次营运客车的真实换道数据。以Jula提出的换道安全性模型为基础,结合营运客车的换道行为特征,通过分析换道进程结束后客车需要与周围车辆保持的安全距离,建立适合于营运客车的3类换道安全性识别模型（客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆）,并利用真实数据对3类模型进行验证。研究结果表明：客车换道持续时间均值为10.4 s,换道起始时刻与目标车道后方车辆的距离为10.0~40.0 m;所有换道样本中,73.3%的换道过程中客车速度要高于目标车道后方车辆,且超过90%的换道过程是由前方慢车引起;不同的速度区间下,车速和航向角联合变化情况下,驾驶人控制营运客车的横向偏移速度保持稳定,可认为客车驾驶人的心理预期换道进程存在固定经验模式,这与小型车换道的研究结论存在较大差异,传统的TTC预警算法识别率较低,在不同速度区间情况下,所提出的模型对客车与自车道前方车辆、目标车道前方车辆、目标车道后方车辆的换道安全识别评价准确率均超过了90%。     

基于驾驶行为的追尾避撞控制策略研究

本文中提出了一种通过制动或换道来实现的追尾避撞控制策略。首先通过模拟驾驶仪采集驾驶员避免追尾碰撞的换道时机、制动强度、最大加速度变化率和反应时间,构建了驾驶员制动避撞行为和换道避撞行为模型;然后建立基于制动安全距离、碰撞时间和换道安全距离的危险估计模型,实时计算行车发生追尾碰撞的危险等级并据此选取相应的主动避撞介入时机和方式;最后依据碰撞时间和结合前馈控制的线性状态反馈控制方法,分别建立制动避撞策略和换道避撞策略。Matlab仿真和实车试验验证结果表明,该避撞控制策略能通过自主换道或制动避免中低速跟车行驶时的追尾碰撞。     

基于车路协同的车辆换道Logistic模型研究

本文基于车路协同系统下的多车数据,提取车路协同中距离和速度指标,利用python进行参数估计,并验证了模型的可靠性,同时结合车辆换道过程中的目标车道上前车和后车的距离和速度信息进一步对换道需要满足的最小间距问题进行说明,提出在车路系统系统中嵌套车辆换道最小间距模块,结合车辆换道最小间距和Logistic模型可以减小车辆换道判断误差,为驾驶者提供更加准确的换道参考。     

高速公路弯道路段车辆紧急避撞安全换道模型

针对高速公路弯道路段安全换道问题,本文中基于侧向速度正态分布拟合方法,建立了考虑人-车-路相互作用的高速公路弯道路段车辆紧急避撞安全换道模型,并依据车辆安全避撞位置关系,提出了车辆弯道换道的安全性约束条件,获得了车辆制动换道方式下的车辆最小避撞安全距离。通过与传统模型和2自由度车辆动力学模型仿真对比,结果表明,该模型能较准确地描述车辆弯道路段换道运动轨迹和计算车辆避撞最小安全距离。车辆弯道避撞安全换道模型充分考虑了人、车、路之间的协同关系,为智能车辆与辅助驾驶的研究提供了参考。     

智能网联环境下的多车协同换道策略研究

为提高换道安全性、稳定性和换道效率,本文中提出一种智能网联条件下多车协同安全换道策略。通过建立基于激励模型的换道收益函数进行协同换道可行性判断。基于模型预测控制建立协同换道多目标优化控制函数,实现换道过程的分布式控制。提出一个两阶段协同换道框架,将换道过程分为稀疏纵向距离阶段和换道阶段,以解决由于避撞约束的高维度和车辆运动学的非线性造成的最优控制函数难以求解的问题。采用滚动时域优化算法对优化控制问题逐步动态求解。最后基于美国NGSIM开源交通流数据进行Matlab/Simulink联合仿真,验证了该策略的可行性与准确性。     

车联网关键指标对车辆安全影响仿真测试方法

提出了一种用于分析车联网关键指标对车辆安全影响的仿真测试方法。首先,基于微观交通流仿真软件设计了危险跟驰、换道等基础仿真场景;然后,分析了基于高斯分布的定位误差模型和单跳通信延误模型,并建立了定位误差、通信延误和渗透率在仿真过程中的执行策略;接着,基于车辆最小安全距离跟驰模型和车辆非线性分段制动模型分别提出了车辆危险跟驰预警和危险换道预警方法;最后,通过建立基于HLA(high level architecture)的车联网仿真平台对不同定位误差、通信延误和渗透率对车辆安全的影响进行了仿真测试。结果表明,在危险跟驰场景中,在注入了基于高斯分布的定位误差后,预警成功率为88%,预警成功率随着预警策略中减速度的减小而增大;在危险换道场景中,在注入了单跳通信延误后,预警成功率达100%;成功预警数随着OD(origin destination)取值和渗透率的增大而增大,并且受渗透率影响更加明显。     

基于稳态转向特性的智能车辆换道轨迹规划

为提高智能车辆在高速公路上的换道安全性,分析了车辆在高速状态下的转向特性并对换道轨迹曲线的最大曲率进行限制,以防止车辆在换道过程中出现侧滑现象,分析了交通车对换道安全性的影响,利用多项式函数进行换道轨迹规划,以车辆侧向加速度和换道时间为换道优化函数的优化变量,建立了基于稳态转向特性和换道安全距离的换道模型。利用MATLAB和CarSim软件对换道轨迹进行仿真分析,结果表明,该换道轨迹规划方法能够安全平稳地实现智能车辆的换道行为。     

基于车车通信的车辆并行协同自动换道控制

为研究多车协同自动换道,分析了三车道八车场景中两车协同行为,对两车并行协同行为进行界定,提出了两车并行协同自动换道控制策略。针对三车道八车场景,以车车通信为条件,实时获取周围车辆的运动状态变化和换道意图,根据周围车辆的运动状态,设计了两车协同换道轨迹模型,规划换道车辆的参考协同换道轨迹。在此基础上,提出了并行协同自动换道安全距离模型,以形成换道车辆与周围车辆的换道轨迹约束,保证生成安全可靠的协同换道轨迹。最终根据规划的安全参考轨迹,采用模型预测控制算法,实时优化换道车辆的速度和前轮转角,实现轨迹纵横向跟踪。仿真结果表明,所提出的并行协同控制策略能够实现两车安全协同自动换道,同时提高换道效率。     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。     

基于ACC系统的目标车辆换道与出入弯道状态辨识算法

自适应巡航控制(ACC)系统利用雷达对前方目标进行追踪,当前车进行换道或进出弯道时,ACC系统无法区分这两种状态,容易引发交通冲突。针对此问题,本文中通过实际驾驶试验,获取了前车不同运动状态的数据,采用道路曲率估算值、前车行驶轨迹的斜率及其变化率和前车与自车之间横向距离作为表征参数,结合车-路协同运动特征,建立了前车换道与进出弯道的识别模型,并利用实测数据对模型的有效性进行了验证。结果表明:当自车处于直道时,对前车换道和进入弯道的识别率分别达到91.46%和89.81%;当自车处于弯道时,对前车换道和驶出弯道的识别率分别达到87.06%和90.42%。     

换道操作对智能车辆乘客舒适性的影响研究

乘坐舒适性是决定乘客对智能车辆接受度的重要因素之一。为了提升智能车辆的舒适性,服务智能驾驶控制算法的设计和优化,开展了基于乘客主观感知的实车乘坐舒适性试验,试验中驾驶人驾驶传统车辆执行多次换道操作,获取了60名被试乘客对换道操作的舒适性评价数据,并采集了车辆的运动数据。选取换道时横向最大加速度、回正时横向最大加速度、横向最大加加速度、横向加速度转换幅值以及横向加速度转换频率这5个车辆运动参数作为研究对象。采用二元Logistic回归单因素分析法分析了这5个车辆运动参数对乘坐舒适性的影响,采用接收者操作特征(ROC)曲线分析法为不同晕车易感性的乘客分别确立了这5个车辆运动参数的舒适性阈值,并根据岭回归分析法确定了不同参数对乘坐舒适性的影响权重。结果表明：所选取的5个车辆运动参数对乘坐舒适性具有显著影响,易晕乘客的舒适性阈值小于不易晕乘客的舒适性阈值,在换道过程中,换道时横向最大加速度、回正时横向最大加速度和横向加速度转换幅值是影响乘坐舒适性的主要因素。最后根据车辆运动参数和乘客生理特征参数建立了基于动态时间归整(DTW)和K最近邻(KNN)算法的乘坐舒适性预测模型,该模型对乘坐舒适性的预测准确率为84%,可用于智能车辆控制算法的舒适性判断。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

基于相关向量机的换道安全性评估

针对传统换道预警系统算法存在的准确率和可靠率等问题,利用毫米波雷达、AWS视觉传感器、车载陀螺仪等设备搭建了试验车,在普通高速公路上对19名被试人员进行了实际道路驾驶试验,并从试验数据中筛选出近1000次换道行为数据.以3段式换道轨迹模型为基础,将横摆角速度统计值作为确定各个阶段曲率半径的依据,根据横摆角速度α= 0.05的上侧分位数确定可接受安全域的上限;并以换道持续时间的极大值为基准,通过分析12 s以上的换道过程,形成一系列控制点,采用B样条曲线规划确定了可接受安全域的下限.通过利用相关向量机(RVM)模型对换道过程参数进行估计,并利用7次多项式模型对换道轨迹进行拟合,然后将拟合轨迹与可接受安全域上限或者下限所围成面积与可接受安全域面积的比值作为预警参数,实现了对换道安全性的评估.利用真实数据对上述评估算法进行验证,结果表明,所提出的换道安全算法的评估结果能正确反映换道的真实安全性,并且与驾驶人的操作行为具有良好的相关性.      

基于虚拟现实的车辆换道最小安全距离研究

从换道需求和换道安全两个方面对换道行为进行了分析,结合阅读文献给出了常用的分析模型。在此基础上,以换道车辆为目标,运用车辆运动学理论,对车辆换道过程中目标车辆与周围车辆的安全距离进行了分析,给出了多车道、多车辆情况下相应的换道最小安全距离模型。为使换道时各车辆间的位置关系以及运动安全状态有效、直观的表现出来,利用虚拟现实建模语言VRML和Matlab/Simulink建立了联合动态仿真模型,对给出的最小安全距离模型进行了实验验证。实验结果显示,给出的换道最小安全距离模型能够有效的实施安全换道决策,避免碰撞发生。     

基于机器视觉的智能车辆避撞预警算法

由于受到信息采集源性能影响,造成了智能车辆避撞预警系统(Collision Warning System,CWS)前后车相对距离测量精度低的问题,针对此问题提出了一种基于机器视觉的预警算法(Collision Warning Algorithm,CWA),利用机器视觉获得了较高精度的测距信息,有效提高了预警算法的有效性。在分析驾驶员驾驶行为基础上,确定CWA的报警准则。基于机器视觉技术建立了一种多输入、多输出的CWA模型,给出了模型预警原理、决策阈值确定方法、逻辑结构图,以及基于机器视觉的车辆信息获取方法。设计了一个单车道双车辆跟驰实车试验,采集模型测试所需的数据,并利用实测数据对模型进行了验证。试验结果显示,平均测距误差不超过3.6 m,预警模型能够准确给出预警信息,对提高车辆行驶主动安全性具有重要意义。     

基于自然驾驶数据的驾驶人换道决策识别研究

为实现人机共驾模式下智能系统对驾驶人换道决策的准确识别,将换道决策细分并提出了基于改进的极端梯度提升(XGBoost)的换道决策识别模型。以实车试验采集的自然驾驶数据作为输入,并采用滑动时间窗法确定识别时刻,建立各识别时间窗口下基于XGBoost的换道决策识别模型,同时运用交叉检验和网格搜索(GS)算法进一步提升模型性能,最后利用验证集数据评估所构建GS-XGBoost模型的识别性能,并与机器学习及深度学习模型进行对比。结果表明,所提出的模型在具体换道决策辨识上具有较好的实时性和准确性,且在1.8 s和1.6 s时间窗下的识别准确率最高,达到86.2%。     

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究,建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性,在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据,采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型,并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进,以描述不同风格驾驶人的行车安全区域,并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型,结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据,以换道纵向位移最短为目标,实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量,设计基于动力学的线性二次型最优（LQR）反馈控制器,通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制,可满足驾驶人个性化换道需求。