汽车防卫性驾驶(系列讲座之二)

高速公路驾驶要点 1.高速公路变换车道 在高速公路上变换车道,应先看后视镜,观察前后及邻侧车道车辆的情况,打开方向灯至少10秒钟,再从后视镜观察要转入车道的车辆情况,判断在安全距离内没有来车时,才可轻转方向盘,从容驶入邻侧车道.在车道向左弯时,不要向左变换车道;车道向右弯时,不要向右变换车道.如果有的驾驶者变换车道不当,驾驶人应立即采取应变措施,降低发生意外事故的机率.     

基于滑动窗多项式拟合的车道检测研究

识别前方车道并依此定位智能汽车在车道中的位置是安全辅助驾驶及自动驾驶中的关键技术。采用图像识别技术可以有效地获取车道线等地面非立体特征,本文详细介绍了利用多阈值分割消除背景和基于逆透视变换的滑动窗多项式拟合提取车道特征。结果表明,基于滑动窗多项式拟合的方法可以有效快速的检测车道线。     

七招避免车祸发生

（1）前车变道紧跟行。行驶在高速路或快速路上时，前车突然打转向灯，变换车道。碰到这种情况，有可能是前方路中间有障碍物，或前方发生事故，需要紧急避让。所以，最佳处理方法是跟着前车打转向灯，变换车道，而非加速超过前车。实际上，高速路行驶，只盯着前车完全不够，更安全的方法是紧盯前方两三台车的制动灯，以便能更早做出预判。     

五个极为重要的防御发生意外事故的驾驶技巧

<正>开车上路有哪些事情是最重要的?这里有五个防御驾驶的技巧要跟大家介绍,而如果真的能把握住这几个要领,当你开车上路时、发生意外事故的机会就会大大降低!一、视线要放在远处我们驾车时,通常都会很注意眼前的路况,尤其是在市区驾驶;所以我们的开车习惯,通常都是集中在车头前方3~5个车身的距离而已。我们常常等到车子已经快到进入转弯点、变换车道位置时,     

EURO NCAP开展自动驾驶试验

正随着汽车制造商朝着实现车辆自动驾驶的目标迈进,汽车正变得越来越先进。虽然自动驾驶汽车仍有很长的路要走,但驾驶辅助技术正日益普及,比如自适应巡航控制(ACC)与车道居中(LC)相结合,可帮助驾驶员保持稳定的速度、与前方车辆保持安全距离并使车辆保持在车道中     

送给驾驶人的护身"术"--《汽车防卫驾驶》问答(一)

1、高速公路变换车道怎样驾驶? 答:在高速公路上想要变换车道,应先看后视镜,注意前后及邻侧车道车辆动向,打开方向灯至少10秒钟,再从后视镜观察欲转入车道的车辆动向,判断绝对安全时,才轻转方向盘,从容驶人邻侧车道.车道向左弯时,不向左变换车道;车道向右弯时,不向右变换车道.     

从“会开车”提升到“开好车”

一、"会开车"的标准起步不会熄火;会熟练地坡路起步;能快速地变更车道、超车;能辨别方向,看懂所有交通指示牌;会选择正确的车道行驶;知道车灯、雨刮、GPS等所有配置以及所有按钮的使用方法:不会错把油门踏板当制动踏板;不会主动去撞别人。二、"开好车"的标准能熟悉调整正确驾驶坐姿;能熟练操控整套驾驶     

克服不良驾驶习惯 熟练掌握驾驶技巧

日常生活当中，往往有很多影响驾驶安全的习惯。比如：为了能看到较远的距离，夜间行车一直使用远光灯；变更车道或转弯开始时才开启转向灯；左转弯时不观察后方情况；错过转弯时机后强行变更车道；红灯未变时向前移动；信号灯变为黄色时加速通过；无规律地频繁变换车道；在拐弯处轧中央分道线或外侧分道线；跟车距离太近；道路平坦、情况较少时，放松警惕、打瞌睡等等。     

城市地下道路分合流区变速车道长度研究

为了研究城市地下道路分合流区的变速车道长度,利用先进的8自由度驾驶模拟平台构建三维驾驶模拟仿真环境并开展了驾驶模拟试验,采集了4种主线设计速度条件下、驾驶人在地下道路分合流区内的驾驶模拟试验数据。基于速度、加速度、方向盘转角和行车轨迹构建了一种驾驶行为分析方法,通过该方法分析了驾驶人在地下道路分合流区内的速度调整行为和车道变换行为,并总结其在速度调整区间和车道变换区间的分布规律,基于该分布规律得出地下道路变速车道长度的推荐值。结果表明:在分流区内,驾驶人调整速度和变换车道通常交叉进行,减速区间和换道区间往往部分重合甚至相互包含;而在合流区内,驾驶人通常在结束加速操作前开始变换车道。与熟练驾驶人相比,新手驾驶人在分流区内采取了更为激烈的减速措施,而在合流区内新手驾驶人通常需要更长的加速距离以寻找合适的汇入间隙。与公路及城市道路出入口变速车道规范长度相比,减速车道推荐长度满足公路相关标准规范的规定值,略高于城市地下道路的标准规定值,加速车道推荐长度高于公路及城市道路出入口标准规范的规定值,研究结果可为地下道路规划和设计工作提供参考。     

眼观六路 变换车道的防御驾驶技巧

变换车道是驾驶中最常见的操作,但同时也是最危险的操作。从想要变换车道到最终安全实施操作,我们要迅速地完成对路况的观察,确定可行性,以及做出安全决定等一系列动作。可谓环环相扣,一个细节也马虎不得。     

城市路侧禁令标志对公交车驾驶员驾驶行为影响研究

针对交通标志对公交车驾驶员驾驶行为影响程度问题,从禁令标志的角度出发,分析其对公交车驾驶员驾驶行为的影响.外业采用自然驾驶调查、录像观测、表格记录等方法调查和记录驾驶员驾驶行为,内业根据区间时间间隔和区间距离,计算获得每公里停车次数、每公里车道变换次数、每公里加减速次数、区间运行速度等表征指标.采用相关性分析法,获取调查数据内在规律特征,得到每公里禁令标志分布量与车道变换次数、加减速次数影响因素显著相关,并分别构建了指数模型和立方模型予以拟合.结果表明,在调查路段和调查周期内,城市路侧禁令标志分布量显著影响公交车驾驶员操作行为;可将1.6作为禁令标志分布量变化量指标的判断阀值,当车道变换次数平均值变化量低于0.8、加减速次数平均值变化量小于1.1时,公交车驾驶员驾驶行为较为稳定;当禁令标志分布量变化量高于1.6时,驾驶员操作复杂性增加,表现为车辆频繁车道变换和加减速.      

基于传统图像处理算法的车道线检测

在现代交通驾驶领域中,随着自动驾驶技术的迅速发展,车道线检测也变得至关重要。基于此,文章提出了一种基于传统图像处理算法的车道线检测方法,该方法利用了传统图像处理算法中的滤波算法、Canny边缘检测算法和Hough直线检测算法作为基本算法模型,采用只对ROI中进行检测的措施来满足对于前方车道线的准确检测。在检测中,使用了OpenCV开源图像处理库来对进行上述方法进行实现。此方法可极大减少对前方车道线检测的外界干扰,在汽车实验场中利用该方法,可以比较准确地检测出车辆前方的车道线,并且该算法在一般机器上能够实现实时级的车道线检测。但是在实验过程中,也发现当前方的障碍物较多的时候,所采用的算法不能很好地检测出车道线,对外界的抗干扰能力比较差。     

基于分段学习模型的自动驾驶行为决策算法研究

在具有车道线的特定自动驾驶场景中,针对目前端到端的行为决策算法直接输入原始图像进行决策导致的网络模型迁移性差、预测精度欠佳、泛化能力不足等问题,提出一种基于分段学习模型的车辆自动驾驶行为决策算法。首先,基于GoogLeNet建立一种端到端的车道线检测网络模型,并引入车道中心线作为决策的重要线索提高算法的迁移能力,同时利用YOLOv3目标检测模型对本车道内前方最近障碍物进行位置检测;而后,经几何测量模型将两者检测结果转换成环境状态信息向量为决策做支撑;最后,构建基于长短期记忆(LSTM)网络的驾驶行为决策模型,根据编码的历史状态信息刻画出动态环境中车辆的运动模式,并结合当前时刻的状态推理得到驾驶行为参量。使用建立的真实驾驶场景数据集对模型分别进行训练、验证与测试,离线测试结果显示车道线检测模型的检测位置误差小于1.3%,车道内前方障碍物检测模型的检测精度达98%以上,驾驶行为决策网络模型表征预测优度的决定系数 大于0.7。为进一步验证算法的有效性,搭建了Simulink/PreScan联合仿真平台,多种工况下的仿真验证试验中多个评价指标均达到工程精度要求,实车测试的试验结果也表明该算法可实现复杂驾驶场景下平稳、准确无偏航的预测效果并满足实时性要求,且与传统端到端模式的算法相比,具有更好的迁移性和泛化能力。     

安全行车,拒绝危险——并线的学问

从正在行驶的车道驶入另一条车道称为并线,并线是驾驶车辆的基本技巧之一,在我们超车、变换车道或者出高速路口的时候都会并线行驶。当车多、车速快的时候,并线的时机就更难掌握了。要做到安全并线,有一些方法是你必须知道的。     

汽车智能驾驶辅助装置简介

防撞雷达装置。防撞雷达装置是利用激光雷达探测汽车前方的车辆,并根据相互之间的位置来决定是否要调整本车行驶速度。该系统包括装在汽车前面的激光发射器、激光传感器和与变速器相连的速度传感器以及装在驾驶室里的显示单元。车道保持装置。设置车道保持装置的目的在于当驾驶     

安全行车，拒绝危险——并线的学问

从正在行驶的车道驶入另一条车道称为并线，并线是驾驶车辆的基本技巧之一，在我们超车、变换车道或者出高速路口的时候都会并线行驶。当车多、车速快的时候，并线的时机就更难掌握了。要做到安全并线，有一些方法是你必须知道的。     

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%。     

使用朗仁H6设置大众CC车道保持辅助系统

正车型年份:2015年大众CC。维修背景:车道保持辅助系统在很大程度上提高了驾驶舒适性,也提高了驾驶安全性。它使车辆自动行驶在车道中间并且保持,其原理是通过紧贴在前风挡玻璃的数字式灰度摄像头实时拍摄前方道路的左右车道线,由电脑转换成信息数据并进行处理,分析车辆是否行驶在二条车道线的中间,是否有偏移。若有偏移并超出了允许偏移值范围,     

基于自然驾驶数据的驾驶员紧急变道行为开环模型

基于"中国大型实车路试先行实验(China Pilot-FOT)"所采集的自然驾驶数据,提出了一种开环模型,它可以描述驾驶员紧急变换车道行为。将方向盘转角和方向盘转角变化率作为变道紧急程度的筛选条件,从中筛选出228例紧急变换车道工况。基于最大方向盘转角与最大方向盘转角变化率的线性关系,分析了紧急变换车道的持续时间。利用其中50百分位驾驶数据,来拟合模型参数。使用相关性和显著性检验,验证了真实驾驶数据与驾驶计算模型的关系。结果表明:该模型的输出结果与真实驾驶员操作结果一致性良好。因此,该模型可以描述中国一般驾驶员紧急变道行为。     

基于多智能主体系统的车道变换模型

为更加真实地反映车道变换行为,建立具有良好性能的车道变换模型,根据抽样调查结果分析了车道变换的基本条件。引入智能主体(Agent)理论,将Agent与车道变换行为联系起来,建立了基于多智能主体系统(Multi-Agent System,MAS)的车道变换模型框架;给出了车辆MAS的结构,抽象了各Agent成员的元组构成,给出了各Agent成员的工作原理与执行流程;基于多智能系统工程方法(Multi-Agent Systems Engineering Methodology,MASEM),给出了车道变换的仿真流程并得到仿真实例。研究结果表明:在2 km长的双向4车道高速公路上,在30 s时间内,利用提出的车道变换模型仿真得到的车道变换车辆次数与实际情况相差8%;在该时段内任意瞬间,正在执行车道变换的车辆数目与实际情况相差仅1.67%。