基于随机森林的车辆跟驰行为模型

为克服传统车辆跟驰模型不易获得驾驶员在决策过程中潜在的决策模式和各影响因素间的潜在关系的不足,采用随机森林(random forest,RF)算法建立车辆跟驰模型。模拟单车道车辆跟驰行为,利用NGSIM(next generation simulation)车辆轨迹实测数据对所建模型进行训练和测试,并与Gipps跟驰模型的测试结果进行对比。结果表明:与Gipps模型相比,RF模型的各项误差指标的精度均得到较大提升。     

基于支持向量机的车辆跟驰模型

基于支持向量机算法建立车辆跟驰模型,模拟单车道车辆跟驰行为——加速、减速、无动作;利用NGSIM数据对模型进行训练和测试,并与Gipps车辆跟驰模型的测试结果进行对比。结果表明:所建模型各项误差指标的精度均有较大提升,能够挖掘出影响跟驰行为的变量之间的潜在关系,弥补了传统车辆跟驰模型的不足。     

基于最优间距的车辆跟驰模型及其特性

为真实地反应车辆跟驰机理,假设在跟驰状态下,驾驶员倾向于保持最优跟驰间距,在分析最优间距函数的基础上,建立了车辆跟驰模型(optimal distance model, ODM).利用NGSIM数据,对ODM模型和经典Gipps车辆跟驰模型进行参数标定和评价.用仿真方法分析了ODM模型再现宏观交通流现象的能力和加速度特性.研究结果表明:与Gipps模型相比, ODM模型的加速度、速度和距离的仿真精度分别提高了0.36 m/s2、0.99 m/s和0.73 m,并能够再现实际交通流中稳定车流和冲击波等交通现象;在稳定交通流中, ODM模型总是趋向于使车辆间距等于最优跟驰间距,或在其附近小幅度波动.      

机器学习——动力学耦合车辆跟驰模型

目前,跟驰模型的建立主要基于动力学方法和机器学习算法,将两者耦合起来建立跟驰模型的研究还没有.以线性组合预测为基础,对最优加权法中的目标函数进行改进,将经典的Gipps模型和基于BP神经网络的跟驰模型(BP Car-following Model,BP)耦合起来,建立线性组合车辆跟驰模型(Linear Combination Car-following Model,LC-CF).结果表明:BP模型的预测结果更加贴近真实值,Gipps模型的预测结果更加贴近安全值;LC-CF模型可以通过调整参数,来控制BP模型和Gipps模型在LC-CF模型中的权重,进而达到控制预测速度的真实性和安全性的目的.     

实时道路条件的跟驰模型研究

为了研究实时道路条件对车辆跟驰行为的影响,应用车辆动力学结合车载GPS和传感器数据实时估算路面与轮胎间的附着系数,并应用附着系数对智能驾驶模型的最小期望跟驰间距进行修正,建立考虑实时道路条件的跟驰模型。对模型的分析表明:考虑实时道路条件的跟驰模型在保证乘客舒适性的基础上能提高道路的服务水平。     

道路几何设计对IDM模型跟驰行为的影响

考虑道路几何设计参数转弯半径、超高、坡度对车辆跟驰行为的影响,对车辆跟驰智能驾驶员模型(IDM)进行了改进.结合二自由度车辆动力学模型,利用Matlab/Simulink建立改进后的跟驰模型并进行仿真.仿真分析发现:在具有转弯、超高和坡度的道路上,改进后的模型,其跟驰车辆车头时距增大,行驶速度减小,保证了车辆行驶的安全性;车辆横摆角速度和侧向速度随半径和超高的增加而减小,保证了汽车操纵稳定性.结果表明,改进后的模型能够更准确地描述道路几何设计对车辆跟驰行为的影响.     

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。     

环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明:环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数λ的值在0.2 ～1.0之间,λ值为0.38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的.     

基于相关分析的跟驰模型及其稳定性

为了精确地模拟车辆跟驰过程,应用相关分析的方法建立一系列跟驰模型,用微积分的方法解析模型.通过变量筛选.明确了影响车辆跟驰的重要因素有速度差、间距和前车速度.通过对模型的解析.确定了模型参数的合理取值范围以确保模拟的稳定.建立的跟驰模型可以模拟不同车辆之间的跟驰行为.预测跟驰车辆的运动状态,用于智能车辆控制或者用于追尾预警.如果获得了更完备的实验数据,基于相关分析建立跟驰模型的方法可以更精确地考虑到车辆运动状况、动力性能、道路条件、驾驶特性等影响因素.     

环形交叉口入口道车辆跟驰行为研究

为了研究环形交叉口入口道车辆跟驰行为,依据实地交通调查的数据,利用线性跟驰模型和回归分析方法对环形交叉口入口道跟驰车辆进行分析,分析结果表明：环形交叉口入口道的车辆跟驰行为是符合线性跟驰模型的,但是有别于普通道路上的车辆跟驰行为,其反应强度系数A的值在0．2—1．0之间,A值为0．38出现的概率比较大,占40％,进行稳定性分析可知车间距的摆动处于基本稳定和衰减摆动两种状态,是符合局部稳定性的．