人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

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。     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据     

自动驾驶车辆混行集聚MAS控制模型

随着车路协同技术和自动驾驶技术的不断发展,越来越多的网联自动驾驶车辆(Connected and Autonomous Vehicle,CAV)涌入道路交通,与传统人工驾驶车辆(Human Pilot Vehicle,HPV)形成混合交通流(Mixed Traffic Stream,MTS).为在提高MTS交通流量的同...     

智能网联环境下基于安全势场理论的车辆跟驰模型

为有效刻画未来智能网联环境下交通流微观跟驰行为,以更加精确地进行车辆的运动决策,建立了基于安全势场理论下的车辆跟驰模型。模型以势场理论为基础,首先阐述了交通环境中安全势场的客观性、普遍性以及可测性,然后通过引入加速度参数对既有安全势场模型进行改进,改进后的安全势场模型能够有效刻画出在不同速度、加速度值下车辆安全势场的变化趋势。在分析安全势场变化基础上,构建的车辆跟驰模型强化了加速度参数对车辆跟驰行为的影响,由于不同速度、加速度信息在智能网联环境下车辆可以实时获取,因此该模型可应用于未来智能网联环境中。此外,在模型参数标定过程中,通过对NGSIM数据进行筛选,得到含有较多减速停车以及启动加速状态的轨迹数据,共筛选得到412组NGSIM真实跟驰车对数据,并最终利用人工蜂群算法对该模型进行参数标定。为评估模型仿真效果,选择OVM模型、IDM模型与本文模型进行比较,并选取均方根误差RMSE和平均绝对百分误差MAPE为参数标定结果评价与验证的指标,结果表明,建立的基于安全势场理论的车辆跟驰模型具有良好的精度,适用于描述考虑加速度参数条件下的跟驰行为,可为今后智能网联环境下车辆微观驾驶安全决策、交通流中观安全势场分布、交通流宏观状态估计等奠定理论基础。     

基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中,传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题,提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象,通过分析系统的横纵向控制模型,推导出系统状态方程,采用递推数值方法在线逼近最优解,并通过对最优反馈控制矩阵进行优化求解,得到最优控制输入。该算法简化了系统的控制输入参数,仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入,即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证,结果表明,该算法控制参数简单、收敛速度快、控制精度高、适应性强,能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距,同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。     

机非混行环境下驾驶员行为建模及仿真

运用冲突点法分析了自行车对机动车驾驶员行为的影响,将冲突模型转化为一种特殊的车辆跟驰或车道变换来研究,并进行了机非混行复杂环境下驾驶员行为的仿真建模和试验验证.结果表明:用冲突点法进行驾驶员行为仿真,其结果与实际观测数据基本一致,试验结果的拟合率和误差率都在理想范围内;冲突点法是机非混行环境下驾驶员行为建模的可行方法.研究结果为深入分析多源信息刺激下驾驶员协同行为提供了理论基础.     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,网联自动驾驶车辆(CAV)、自动驾驶车辆(AV)和常规人驾车辆混行的交通流将在未来长时间存在.建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型,考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素,并进行典型...     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型.首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布.其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相...     

人机混驾环境下基于深度学习的车辆切入轨迹预测

为保证人机混驾环境下自动驾驶汽车的安全行驶,对周围车辆切入轨迹的预测至关重要.本文首先使用Savitzky-Golay滤波器对大规模采集的自然驾驶数据进行去噪处理,根据准则提取车辆切入片段,建立符合中国道路状况的车辆切入数据集.其次,发挥Bi-LSTM网络能充分利用上下文信息的优点和in-out快捷连接有效减少梯度消失...     

基于混行跟驰仿真的CAV专用进口道动态设置方法

信号交叉口是影响交通系统运行安全和效率的关键。在国家新基建战略的提出以及车路协同技术不断发展的环境下,合理设置网联自动驾驶车辆(Connected and Autonomous Vehicle,CAV)专用进口道,对信号交叉口进口道处不同网联类型的车辆进行科学的交通组织,能够提高交叉口的通行能力,降低行车延误,促进城市交通系统效率与安全的双提升。建立协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆跟驰模型和GM (General Motor)模型分别描述混行环境下网联车辆与非网联车的跟驰行为,以提高进口道通行能力、降低延误和油耗为优化目标,采取敏感度分析方法,提出不同CAV比例、进口道车道数、交通量和信号配时方案组合情况下CAV专用进口道的动态设置条件,适用于不同交通状况的信号交叉口,具有较强的普适性。数值仿真结果表明：采用该方法设置CAV专用进口道能够提高混行信号交叉口的通行能力、降低延误和车均油耗;在实际应用时,可视交叉口类型和交通智能化程度灵活选取CAV专用进口道设置方式,为混行交通流环境下交叉口进口道的交通组织优化提供理论依据和模型支持,对车路协同系统的相关研究具有参考意义。     

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。     

网联环境下高速公路辅助驾驶车辆编队评估

为评估智能网联环境下高速公路辅助驾驶车辆编队的效果,首先基于V2X （Vehicle to Everything）和智能驾驶人模型（Intelligent Driver Model,IDM）对网联环境下的车辆跟驰行为进行建模,并对其进行参数校准;其次从安全性评价指标和通行效率两方面构建编队效果评价体系;然后通过VISSIM和VBA联合仿真,改变编队的车道、交通流量、网联车渗透率等变量进行试验。仿真结果表明,网联环境下车辆辅助驾驶编队在不同层面对于安全性与效率性都有提升;最后以不同期望速度在网联环境和非网联环境下分别进行实车辅助驾驶编队试验,以验证评价指标体系以及仿真试验的有效性。其中,实车试验结果显示,期望速度为70 km·h^-1时,网联环境下的辅助驾驶编队通行效率比非网联环境提升56%,90 km·h^-1时提升37.2%,110 km·h^-1时提升39.8%。通过与仿真试验结果对比,表明网联环境下车辆辅助驾驶编队对交通流安全性有一定程度的提升。     

人机共驾智能车驾驶模式决策属性析取研究

为了深入分析驾驶模式决策影响因子,通过实车试验采集了人-车-路多源特征信息。用驾驶人主观经验将驾驶模式划分为人工驾驶、警示辅助、自动驾驶3种状态,并利用采集的驾驶人血流量脉冲（BVP）和皮肤电导（SC）值进行K均值聚类,将驾驶人当前合适的驾驶模式自动聚类为3级。通过融合驾驶人自汇报结果和聚类结果对驾驶模式进行准确标定。采用以信息增益为依据的Ranker算法对多特征进行排序,并在此基础上,根据多分类器分级结果确定最优特征属性集合。研究结果表明：当选取车速、车头时距、车道中心距离、前轮转角标准差、驾驶经验5个指标为特征子集时,支持向量机、朴素贝叶斯及K近邻这3种分类器的识别准确率都超过90%;除警示辅助模式与自动驾驶模式下的车速值和车道中心距之外,其余所有不同模式决策属性值均呈显著性差异;研究结果可为人机共驾智能车驾驶模式决策提供依据。     

网联环境下基于速度引导的车辆能耗优化方法

传统的车速引导策略考虑交通信号的信号配时（signal phases and timing,SPAT）信息和到下游交叉口的距离,来对车辆进行速度建议和引导,以提高交叉口通行效率、减少能源消耗。但由于通信设备频率的限制,实时诱导效果欠佳。随着车载设备与路侧基础设施通信技术（vehicle to infrastructure,V2I）的发展,能实时、同步地获取交通流的多维信息,研究了1种符合真实驾驶场景的实时变速引导策略。以信号相位时间和道路通行限制条件为约束,构建三阶段变速诱导模型。提出将车辆通过连续路口的车速引导问题分解为车辆通过多个相邻路口的子问题进行求解。针对任意相邻2个交叉口,求解车辆到达下游交叉口的可通行时间区域,并将到达时间区域离散化,计算车辆到达时间区域内的每1个时间节点的能耗。将连续路口车速引导问题转换为速度轨迹寻优问题进行求解,以车辆能耗为权重,采用Dijkstra算法在所有可通行速度轨迹中寻找能耗最小的速度轨迹。利用交通仿真软件SUMO搭建仿真环境,并用Python对SUMO进行二次开发,以武汉市经济开发区东风大道的3个连续路口为研究对象进行仿真验证。实验结果表明：所提车速引导方法在过饱和,饱和、欠饱和流量下,与多级最优策略相比能耗分别减少0.68%,1.64%,3.97%,与匀速策略相比能耗分别减少0.7%,2.60%,9.80%。所提变速诱导方法在不同交通流量情况下均能诱导车辆节能地驶离交叉口,在欠饱和流量下效果最佳。     

智能网联环境下的混合交通流LWR模型

LWR（Lighthill,Whitham and Richards,LWR）模型可推演交通流宏观状态演化过程,在智能网联环境下混有协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）车辆混合交通流LWR模型的研究,可为该混合交通流的宏观动力学特性分析提供理论工具。应用加州伯克利PATH真车试验验证的CACC模型作为CACC车辆跟驰模型,采用智能驾驶人模型（Intelligent Driver Model,IDM）模拟驾驶人在智能网联环境中的"智能"驾驶特性。基于不同CACC车辆比例下的混合交通流基本图,证明混合交通流基本图的切线斜率为交通波在混合车队中传播的波速,建立混合交通流LWR模型的一般性解析框架,得到混有CACC车辆的混合交通流LWR模型。最后,针对LWR模型冲击波特性,在6组平衡态条件下进行数值仿真试验。研究结果表明：所建立的混合交通流LWR模型可较好地描述不同CACC车辆比例时冲击波在混合车队中的传播波速;冲击波波速理论值与仿真均值的相对误差基本控制在10%以内,当冲击波处于由正向波转变为反向波的过渡阶段时,相对误差较大,为19%~26%,但绝对误差仍然较小。研究结果一方面可为混有CACC车辆的交通流宏观状态演化提供理论参考,具有推动该混合交通流其他宏观模型研究进展的积极作用;另一方面,建立的混合交通流LWR模型解析框架能够适应CACC车辆与人工-网联车辆跟驰模型选取的多样性,同时可为其他类型混合交通流LWR模型的建立提供理论支撑。     

车联网环境下自动驾驶车辆车道选择决策模型

试验车道选择行为是自动驾驶车辆最基本的决策行为之一,利用车联网技术可以使车道选择结果更加全面、合理.首先,对高速公路自动驾驶车辆车道选择决策过程进行分析,并以车联网感知通信范围内的车辆的平均速度、重车比例及前往车道的理想换道时间为主要指标创建成本函数,根据计算结果输出最优车道序列;然后,以Gipps安全驾驶模型为基础,...