网联车辆并线预测与巡航控制的研究

为检测旁车道车辆驾驶员的并线意图,提升网联车辆巡航跟车的主动安全性,提出了一种基于NAR神经网络学习的迭代循环预测算法。NAR神经网络的训练样本由实际交通环境中的车辆并线数据获得,通过训练的网络预测未来一段时间内旁车的横向行驶轨迹,并根据划定的监控区域计算旁车的切入概率。同时,提出了一种考虑并线概率的跟车距离策略,并应用到网联车辆CACC系统中。结果表明,所提出的并线预测算法能精确计算出旁车的横向换道轨迹,所提出的跟车策略可提升车辆的跟车安全性。     

基于驾驶人转向意图的双电机驱动电动汽车稳定性控制策略

为了使双电机驱动电动车在车辆稳定性控制过程中能够精确解读驾驶意图,使车辆实际行驶状态与驾驶意图期望的车辆行驶状态尽可能相符合,提出一种基于驾驶人意图辨识的稳定性控制策略.利用基于支持向量机递归特征消除(SVM-RFE)得到的特征参数构建基于长短期记忆(LSTM)模型的驾驶人转向意图辨识模型;基于转向意图识别结果,以方向...     

基于车轴图谱的城市道路汽车运行轨迹特性分析

为探究城市道路行车轨迹与路侧之间的横向距离对车辆运行的影响,提高驾驶员行车安全,在某市滨海路进行汽车运行轨迹样本采集试验,使用AxleLight RLU11系列路侧交通数据采集系统分车道采集试验路段汽车运行轨迹样本,利用SPSS Statistics对试验路段不同车道车辆运行轨迹样本进行数据处理,绘制不同行车道运行车辆横向距离的累积频率曲线,计算得到汽车运行轨迹与路侧的横向距离D85,通过绘制行驶车辆距路侧的横向距离直方图,得到不同车道的车辆分布规律。结果显示,驾驶员大多数偏向选择在内侧车道运行。根据试验路段内外2条车道车辆横向距离和运行轨迹特性,可为城市道路交通安全设施的设置提供理论依据,以期提高城市道路交通运行安全。     

支持向量机在路段行程时间预测中的应用研究

主要探讨支持向量机理论在路段行程时间预测中的应用。具体的方法是,首先将研究路段根据路段交通状态和车辆检测器设置情况进行分段,然后以前几个时段的各个小路段的交通流量、平均速度和车道占有率和整个路段的行程时间为输入,以下一时段的整个路段的行程时间为输出,选取高斯径向基函数作为核函数,建立了基于支持向量机的路段行程时间预测模型,从而探讨支持向量机在路段行程时间预测中的应用效果。最后,利用交通仿真软件的模拟数据进行验证,并与BP神经网络计算结果比较,计算结果的对比表明本文提出的方法预测效果更好。     

驾驶员车道变换视点转移模型及其参数标定

为了获取驾驶员车道变换行程中的视点转移特性,构建视点转移模型,解决驾驶员行为监控设备布设缺乏依据的难题,采用眼动仪和人工记录的方式,分别以轿车和公交车驾驶员为研究样本,获取了车道变换行为过程中驾驶员视点停留时间和视点位置转移特性数据,给出驾驶员的眼动停留时间均值和分布规律,基于外界的交通运行环境,根据驾驶员对外界信息的获取程度,考虑驾驶员、车辆、道路、环境等影响因素,设定其符合泊松分布,将驾驶行为分为决策阶段和执行阶段,给出了基于6个模块的流程结构,构建基于信息满意度的视点位置转移模型并标定了模型参数。     

考虑并线的网联车辆巡航控制研究

针对网联车辆行驶过程中容易出现旁车道的人类驾驶员并线进入车队的问题,本文中提出了一种考虑旁车并线行为的跟车策略,并设计了分布式应用的分层控制系统。首先分析了所提出的跟车策略的合理性,并构建了考虑延时与误差反馈的联网巡航控制(CCC)系统;接着在频域范围内分析了不同控制增益参数对系统稳定性的影响,仿真结果验证了多车队列行驶稳定性;最后搭建测试平台进行实车试验。结果表明:旁车并线时,CCC控制系统可快速实现车辆的制动并保证队列的稳定性,所提出的跟车策略可提升车辆的乘车舒适性与交通系统的安全性。     

汽车驾驶员车道内行车特点分析

基于图像传感器获得的车辆位置信息,提出一种分析汽车驾驶员驾驶特性的新方法。建立基于模糊机制的驾驶员车道内行驶安全评价模型,以数据库的观点对车辆行驶过程数据进行描述,通过分时间段采样的方式记录行驶车辆距道路标识线的横向距离,根据采样数据特征的统计分析结果确定车道内行车的安全评价模糊隶属度,以此评估驾驶员车道内行车的安全性,分析驾驶员的行车特点。车辆行驶试验表明,该方法能够准确分析驾驶员的行车状态,并评判驾驶员车道内行驶的安全特性。     

基于BP神经网络的高速公路入口合流区域换道行为研究

为了应对高速公路入口合流区域并线事故频繁发生,在分析车辆并线行为影响因素的基础上,利用BP神经网络方法建立了车辆在该区域的决策模型,用来预测驾驶人的并线行为决策,保障车辆和驾驶人的安全.借助详细的车辆轨迹数据对模型进行了学习与测试,模型的测试结果表明:建立的BP神经网络模型用于预测驾驶人并线行为具有较高的准确度,并线车辆相对于目标车道前方车辆的相对速度是驾驶人并线时需要考虑的最重要因素.同时模型还可以进一步应用于交通仿真的研究以及驾驶人辅助系统的开发.     

基于高速公路的驾驶员换道意图识别

近年来,车辆安全问题成为社会关注的焦点。高速公路存在两类典型的驾驶员行车意图,分别为车道保持和意图换道。在意图换道的过程中,对驾驶人控制车辆提出了更高的要求。基于BP神经网络提出了一个模型,用于检测高速公路上驾驶员的车道变更意图。预测结果表明,在换道时刻,预测精度可达到99.3%,以0.5 s为间隔向前推,换道前1 s的准确率为98.0%,换道前2 s的准确率为84.8%,换道前3 s的准确率为70.7%;随机选取样本对模型的准确率进行验证,换道时刻准确率为96.7%。为深入研究驾驶员的输入特征奠定基础。     

基于车辆行驶数据的驾驶风格识别

车辆驾驶员驾驶风格对于汽车的燃油经济性和行驶安全性有重要的影响。文章就基于车辆行驶数据在驾驶风格识别方面的研究进行综述,首先介绍了驾驶员驾驶风格识别的基本流程,接着论述不同学者在驾驶风格识别方面使用的算法模型,包括支持向量机（SVM）算法、反向传播（BP）神经网络算法、随机森林模型算法,然后基于实际车辆行驶数据,利用不同驾驶风格识别模型对其进行实现分析,最后对驾驶员驾驶风格识别的研究工作进行了展望。     

多车道复杂环境下汽车驾驶倾向性特征动态提取

对多车道复杂环境下汽车驾驶倾向性特征动态提取进行研究,有利于准确推演驾驶人意图,对汽车辅助(自动)驾驶系统、特别是其主动安全预警子系统构建也具有十分重要的意义.以3车道场景为例,分析目标车位于不同车道时周边的交通态势(主要指车辆集群编组关系,重点以目标车位于中间车道为例),设计实验采集人、车、环境等相关动态信息,运用粗糙集理论,进行基于最小信息熵的连续属性离散化和基于启发式贪心算法的属性约简,提取不同态势下驾驶倾向性类型特征向量.实验验证表明,文中提取的多车道复杂车辆编组关系下汽车驾驶倾向性动态特征向量是科学合理的,能够准确反映驾驶人倾向性.研究结果可为建立多车道复杂环境下驾驶倾向性动态辨识模型提供理论依据.     

基于支持向量机的车辆自动分类方法

提出一种基于支持向量机(Support Vectir Machine，SVM)理论的车辆分类方法，通过CCD摄像机采集标准车辆图像，由边缘检测算法获取图像中的车辆特征数据长度和宽度作为训练样本，离线训练SVM，得到分离器，然后将测试车辆的特征数据作为测试样本，根据本文提出的分类方法，通过离线获得的分类器对车辆类型进行判决，从而为交通参数的准确检测提供依据。实验表明SVM在有限训练样本情况下具有良好的泛化能力。     

基于人机共驾的车道偏离防避控制

提出了两层驾驶员转向预测模型,基于驾驶员视觉预瞄信息的第一层体现了路径跟踪特性,基于神经肌肉动力学模型的第二层体现了驾驶员转向操作特征,采用Car Sim/Simulink对比了不同状态驾驶员的路径跟踪性能。设计了车道偏离防避系统(LDAS)的期望横摆角速度观测器和转角PID控制器。建立了转向系统等效动力学模型,并基于滑模理论设计了LDAS的鲁棒转矩控制器。由于车辆偏离车道程度与预瞄点的侧向偏移量和驾驶员力矩的关系不能精确描述,故基于模糊控制理论设计了LDAS人机共驾模糊控测器。进行了基于Car Sim/Simulink的仿真和基于Car Sim/Lab VIEW RT的硬件在环试验,对比了驾驶员、LDAS控制器和人机共驾纠正车辆偏航的能力。结果表明,所提出的人机共驾策略能及时纠正车辆偏航,使之恢复到正常车道,并保证从人机共驾到驾驶员控制切换过程的平顺性。     

基于PCA-SVM的DCT汽车驾驶员起步意图识别

针对目前对于双离合自动变速器(Dual Clutch Transmission,DCT)汽车驾驶员起步过程中意图变化的研究有限,且现有方法的识别准确率不高这一问题,提出了一种基于主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machines,SVM)的变化起步意图识别模型。根据驾驶员针对车辆反馈的反应时间,将起步过程划分为6个阶段;基于K均值聚类确定各个阶段的缓慢起步、一般起步、紧急起步这3种起步意图的界限;基于主成分分析挖掘出各个阶段起步意图识别的新特征;在此基础上构建6个SVM模型,并利用这6个模型分别对各阶段的起步意图进行识别。经过验证,该模型的平均测试准确率为94.92%,比只利用线性SVM模型高16.89%,且单个模型的平均耗时为0.008 s,能够快速有效地识别出DCT汽车驾驶员的起步意图。     

数据驱动的智能车个性化场景风险图构建

为实现智能车辆危险预警辅助功能，精确建立个体驾驶员的个性化辅助系统，提出一种数据驱动的智能车个性化场景风险图构建方法。构建复杂交通场景中动静态要素属性与要素之间隐含交互关系的图表征，使用图核方法对图表征数据进行相似性度量，处理分析驾驶员操作数据并获取驾驶员个性化场景危险程度评价标签。基于支持向量机训练识别模型，建立驾驶员个性化危险评价机理与场景特征之间的映射关系，以模型输出的危险程度评价标签与真实值进行实验对比。结果表明，基于场景风险图构建的驾驶员个性化危险场景识别模型识别准确率可达95.8%，比特征向量表示法提高了38.2%，能够有效地做出基于驾驶员驾驶风格的个性化场景危险程度评价。     

基于HMM和SVM级联算法的驾驶意图识别

为降低先进驾驶员辅助系统的误警率,提出了利用不同任务下"人-车-路"参数的差异性识别驾驶意图的方法。在模拟驾驶仪系统中开展实验,记录了12名受试者的驾驶样本1 150组,对比车道保持意图、换道意图和超车意图样本的差异,确定了6个参数的驾驶意图识别指标体系。运用HMM和SVM级联算法建立驾驶员驾驶意图识别模型。结果表明:基于该算法的识别准确率达95.84%,明显高于HMM或SVM单一算法,且单次平均识别时间为0.017s,满足驾驶员对突发性事件反应时间的要求。     

交通流时空描述模型

为了描述车辆排队的演化规律并揭示交通多米诺效应的形成机理,基于图论和矩阵论,从实际问题的需求出发,建立一套描述交通流时空特性的模型体系。首先,分别建立信号配时描述函数、道路特性描述函数和交通流特性描述函数;然后,提出交通流与时间的关联函数和交通流与空间的关联函数;最后,以一个平面十字交叉口为例,给出分支向量、车道向量、车道属性向量、交通流存在性矩阵、流量矩阵、交通流冲突矩阵、信号相位矩阵、交通流-相位关联矩阵和交通流-车道关联矩阵。结果表明:本文所述模型能为研究车辆排队的网络效应提供有力工具。     

基于Residual BiLSTM网络的车辆切入意图预测研究

本文中根据中国实际道路特征,提出一种基于Residual BiLSTM网络的车辆切入意图预测模型,从切入车辆的轨迹信息和与自车的交互信息中提取切入特征,并采用softmax函数计算切入意图,分别为左车道保持、左车道插入、右车道插入和右车道保持的概率,最后利用中国复杂路况的自然驾驶数据集对预测模型进行训练和测试.结果表明...     

基于图像的车道线内车辆目标识别

为了获取本车道内前方车辆信息,文章提出一种基于HOG特征与SVM模型的车辆识别方法。根据检测出的车道线确定搜索区域,结合车底阴影特征实施车辆的检测并确定车辆可能存在的假想区域,针对假想区域进行HOG特征提取,构建车辆正、负样本库,将假想区域进行HOG特征输入到训练好的SVM识别器,实现车辆目标的识别。通过大量测试图像进行验证,结果表明文章采用的方法可识别出本车道内前方车辆目标。     

基于模糊逻辑的制动意图离线识别方法研究

文中根据驾驶员对车辆的操纵特性，对制动意图进行了分类，制定了制动意图识别的方法，为线控制动系统研究奠定基础。开展实车试验，确定可以用作制动意图识别的参数并提取其阈值。利用模糊逻辑对制动意图进行离线识别，表明模糊逻辑能够准确、及时地识别出驾驶员的制动意图。