车辆跟驰时间序列实测数据采集方法研究

在分析国内外跟车模型数据采集方法研究历史的基础上,利用车载高精度GPS接收机,通过试验,建立基于GPS的实时动态车辆跟驰数据采集方法,较好地解决了困扰国内外研究者多年的反映跟车状态下驾驶员行为和车辆运行特征的时间序列实测数据采集的问题。     

基于人-车-路环境下的车辆跟驰模型

在现有的跟驰模型基础上,综合考虑驾驶员个体差异、车辆制动性能差异和交通路况因素,并针对前车静止、减速和匀速或加速三种不同行驶状态,以前后车所需的最小安全距离为目标,建立不同行驶工况下的人-车-路环境下的最小安全距离车辆跟驰模型。最后,针对前车不同行驶工况下对最小安全距离进行数值计算,并与现有的传统模型计算结果进行对比。结果表明:在车辆跟驰过程中,前后车之间所需的最小安全距离会受人、车、道路环境影响而有所变化,文中建立的模型更加准确、合理,符合真实交通现象。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

跟车模型研究综述

车辆跟驰理论作为最基础的交通流理论分支,国外在这方面的研究已经持续了半个多世纪,随着智能交通系统(ITS)正蓬勃展开,司机行为和车辆运行特征是构建智能交通系统的基础,从微观角度研究司机、车辆在快速路中的行为特征,其成果将为防止车辆追尾事故、构建智能交通系统、实现交通仿真和估算通行能力提供理论基础。文章在认真分析国内外车辆跟驰理论领域研究的基础上认为,尽管现有的许多跟车模型已经应用于实践,但每个模型都存在或多或少的不足,综合评述已有的成果,发现已有的研究缺乏描述跟车行为的时间序列数据。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

基于分子动力学的跟驰特性及其模型

为更好地研究车辆跟驰特性,缓解道路交通拥堵,在车辆跟驰行为受前导车和道路环境等影响的基础上,将单车道道路虚拟为一维管道,道路上的跟驰车辆抽象成相互作用的分子。考虑需求安全距离和期望速度2个影响因素,基于分子动力学构建车辆相互作用势和分子壁面势函数,并建立基于相互作用势函数的分子跟驰模型,给出跟驰车辆的加速度模型。在实际交通环境中建立视频采集试验路段,采集试验路段不同点位的交通流样本,从视频中获得模型所需数据,并将数据分为两部分,一部分用于参数标定,其余用来模型验证。将车辆运行状态分为常态行驶、起动加速和减速停车3种。根据实测交通数据分别对3种车辆运行状态下的经典GM模型和分子跟驰模型进行参数标定,选取3种不同运行状态下的试验数据各3组,代入标定后的分子跟驰模型与经典GM模型计算模型输出加速度,并与实测加速度进行误差分析对比,结果表明,分子跟驰模型输出加速度与实测加速度之间的误差,总体上比经典GM模型要小,而且根据绝对误差方差显示,分子跟驰模型较经典GM模型稳定性更高。选取有代表性的一组跟驰过程进行数据绘图,对比可以看出分子跟驰模型输出加速度与实测数据变化趋势几乎一致,其拟合效果比经典GM模型更好。     

跟驰过程中驾驶员认知结构模型的建立

在道路交通4要素中(人、车、路、环境),人以其主动性和智慧性起着支配作用,是其中的主体要素。基于认知心理学的有关知识,论文采用因子分析法对五轮仪实验系统观测到的车辆跟驰数据进行分析,确定了对车辆跟驰信息提取过程有独立作用的4个因素,相应地将驾驶员认知过程划分为4个阶段,建立了车辆跟驰过程的驾驶员认知结构模型。为驾驶行为研究和车辆跟驰模型的建立提供了理论基础。     

信号交叉口集聚车辆跟驰模型

为验证优化速度模型和广义力模型在模拟信号交叉口停车跟驰行为方面的适应性,在试验分析基础上提出考虑信号灯作用的跟驰模型,分别基于现有优化速度模型和广义力模型构建模拟系统对信号交叉口的停车跟驰行为进行仿真,分析其存在的问题及原因;采用实测数据标定广义力模型的参数,分析标定后模型的适应性;通过试验分析构建信号交叉口停车跟驰模型需考虑的因素并构建1个新的跟驰模型。结果表明:现有优化速度模型不适合描述信号交叉口的停车跟驰行为;重新标定的广义力模型仍存在倒车问题;新提出的跟驰模型能够避免倒车问题且能够很好地拟合实测数据。     

基于白适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型。针对这一问题,应用自适应模糊神经推理系统（ANFIS）建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练。最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真。结果表明,前者输出的跟驰车辆加速度值更接近于真实值。     

基于深度强化学习的自动驾驶车辆跟驰行为建模

为提高自动驾驶车辆的跟驰性能,减轻交通震荡干扰的负面影响,研究了1种基于深度强化学习的自动驾驶跟驰模型。在现有奖励函数设计基础上融入对能源消耗的考虑,基于VT-Micro模型构建能耗相关项;同时对使用跟车时距构建行驶效率因素相关项的方法进行优化,添加虚拟速度来避免在交通震荡场景中出现计算溢出和车间距过近的问题。为克服过往抑制震荡研究中仅用闭合环状模拟道路和仿真车辆轨迹开展训练的局限性,选用NGSIM轨迹数据中交通震荡阶段的驾驶员行为特征搭建训练环境,应用双延迟深度确定性策略梯度算法（Twin Delayed Deep Deterministic Policy Gradient Algorithm,TD3）训练形成多目标优化的跟驰模型。进一步构建模型性能测试评价体系,对比分析TD3模型与其他传统模型在跟车与交通震荡2类测试场景中的表现。跟车测试场景实验结果表明：在舒适度与行驶效率上,TD3模型和传统自适应巡航控制（Adaptive Cruise Control, ACC）模型表现相近,二者均优于人类驾驶员;在安全性上,TD3模型相较于传统ACC模型安全隐患降低53.65%,相较于人类驾驶...     

跟驰模型中反应延迟时间项作用机制的数值模拟

人类对于事件的反应机制决定了道路行驶车辆在跟驰过程中存在反应延迟现象。对几类常见跟驰模型中所反映出的延迟时间的含义进行了定义与区分。利用Matlab软件对GHR模型、OV模型以及FVD模型进行了2车跟驰状态和车队信号灯放行阶段的模拟,分析了这3类模型中反应延迟时间设置的必要性。结果显示GHR模型中反应延迟时间不可忽视,而OV模型以及FVD模型中反应延迟时间可以省略,同时也证明了各跟驰模型建模思路的合理性。     

协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析

在人工驾驶车辆、自适应巡航控制（ACC）车辆和协同自适应巡航控制（CACC）车辆的行车行为特征分析的基础上，运用跟驰模型和换道模型分别构建人工驾驶车辆、ACC车辆及CACC车辆在下匝道分流区混合交通流仿真环境，解析CACC车辆占比对混合交通流安全性的影响。选取全速度差模型、ACC跟驰模型、CACC跟驰模型分别作为人工驾驶车辆、ACC车辆、CACC车辆的纵向跟驰模型，利用随意换道模型、强制换道模型分别构建下匝道分流主线段、远近端区的横向换道模型。基于碰撞时间（TTC）、暴露碰撞时间（TET）、整合碰撞时间（TIT）等参数构建交通流安全性评价指标。利用MATLAB进行数值模拟，仿真分析不同CACC车辆占比下的混合交通流安全性。结果表明:CACC车辆占比为40%~50%时，混合交通流安全性恶化最严重，TET和TIT分别增加约68%和89%，车辆速度离散系数为0.9以上；通过在下匝道分流区设置远端强制换道区（设置长度≤ 1 000 m），可有效降低混合交通流的追尾碰撞风险。      

期望车头间距的混沌模型研究

通过对跟驰车队刺激———反应过程以及人车单元组合的微观特性分析,说明跟驰车队中具有产生混沌现象的必要特征。首先运用数学方法给出4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,认为改进的期望车头间距模型能更好地反映实际交通流的跟驰特性。     

Development of an errorable car-following driver model

An errorable car-following driver model is presented in this paper. An errorable driver model is one that emulates human driver’s functions and can generate both nominal (error-free), as well as devious (with error) behaviours. This model was developed for evaluation and design of active safety systems. The car-following data used for developing and validating the model were obtained from a large-scale naturalistic driving database. The stochastic car-following behaviour was first analysed and modelled as a random process. Three error-inducing behaviours were then introduced. First, human perceptual limitation was studied and implemented. Distraction due to non-driving tasks was then identified based on the statistical analysis of the driving data. Finally, time delay of human drivers was estimated through a recursive least-square identification process. By including these three error-inducing behaviours, rear-end collisions with the lead vehicle could occur. The simulated crash rate was found to be similar but somewhat higher than that reported in traffic statistics.     

对智能驾驶员模型的改进及其应用

传统的跟驰模型在自由流附近不能得到车辆以自由流速度行驶的结论,分段描述的模型解决了这个问题,却破坏了模型的统一性和简单性.智能驾驶员模型（IDM）能够以较少的参数和统一的形式描述从自由流到拥堵流的车辆行为.然而IDM模型在期望距离非负和反应时间问题上存在缺陷,改进了这2点不足.并在分析模型特性的基础上采用北京实测数据,标定了该模型,并应用这个模型研究了快速路出口车队遇到下游信号灯路口后排队和拥堵的产生机制.     

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。     

微观交通仿真中换道模型的研究综述

与跟车行为相比,换道行为需要考虑的车辆更多,司机的决策过程更加复杂,也更难于描述,目前跟车模型的研究已趋于成熟,而换道模型的研究则相对滞后.针对多数交通仿真系统存在的算法内核封装性和保密性问题,对当前应用较多的几种换道模型进行了综述,介绍了几种模型的构建思想和算法,对这些模型的优缺点进行了评述和展望.期望能对换车道模型研究的深入化和精准化起到一定的参考和借鉴作用.     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

Modeling and verification of heavy-duty truck drivers’ car-following characteristics

In order to capture drivers’ car-following characteristics and apply this information to the design of an Adaptive Cruise Control algorithm, this paper builds a driver car-following model with vehicle speed-dependent control gains. Proposed for use with heavy-duty truck drivers, we introduced the concept of driver sensitivity to tracking errors, identified driver’s sensitivity to tracking errors and analyzed quantitatively the relationship between control gain and vehicle speed. To model the driver characteristics precisely and concisely, a SVE/SDE (Sensitivity to Velocity Error/Sensitivity to Distance Error) based linear car-following model was built and a nonlinear optimization algorithm was adopted to identify the model parameters. When validating the model accurancy, we proposed a comparative verification method based on hypothesis-testing theory here to reduce the influence of randomicity in the drivers’ manipulation. The modeling and verification indicate that the proposed car-following model is superior to the tranditional linear car-following model, but its structure still approximates linear, which implies it is applicable for the design of a vehicular following controller.