基于层次分析法的驾驶员驾驶倾向性研究

驾驶倾向性是研究微观交通仿真的一个重要生理-心理特征参数，主要受到人、车、路、环境等多方面的影响，具体表现为汽车驾驶员自身状况、驾驶车辆状况、行驶道路及环境状况、交通干扰、气象情况以及所承载的任务缓急等影响因素。如何准确地确定驾驶员驾驶过程中的动态驾驶倾向性是研究驾驶员行为的难点。文章基于驾驶员的生理-心理特征，采用层次分析法（AHP），对驾驶员行驶过程中的决策行为逐层递阶量化，建立基于层次分析法的驾驶倾向性模型,并进行实证分析。结果表明：层次分析法可用于驾驶员驾驶倾向性的识别。     

基于Markov决策过程的驾驶员行为模型

将驾驶员-汽车看作统一的人机系统,利用驾驶员驾驶过程的本质是决策过程的性质,通过确定系统的决策时刻、决策报酬、状态转移速率和概率、抽象驾驶员的行为集合等建立了基于Markov决策过程的驾驶员行为模型,最后对所建模型进行了计算机仿真.     

驾驶员方向控制模型及在汽车智能驾驶研究中的应用

分析了驾驶员开车行为特性，利用模糊决策理论介绍了汽车预期行驶轨迹驾驶员模糊决策模型，并结合驾驶员预瞄最优曲率模型建立了一个新的驾驶员方向控制模型，同时也论述了该驾驶员方向控制模型在汽车智能驾驶研究中的应用。仿真结果表明所提出的模型可以描述驾驶员对汽车行驶方向的控制行为，并为汽车智能驾驶的研究提供了一条可行途径。     

驾驶员状态监督硬件在环试验研究

驾驶员状态对于机动车行车安全有着决定性的影响。针对驾驶员操控车辆行驶过程中的行为状态检测问题,通过基于高斯混合-隐马尔可夫模型的驾驶员状态监督方法对驾驶员状态监督模型的检测结果进行评估,分析其状态识别准确率和接受者操作特性曲线;搭建了驾驶员在环实时仿真硬件平台,并在该硬件在环平台开展硬件在环试验,进一步验证所建模型。结果表明:搭建的硬件在环平台可以进行驾驶员状态监督试验验证,有助于智能汽车驾驶安全性验证。     

面向多智能体的出行前信息下通勤者出行行为研究

采用面向多智能体的建模与仿真方法,对先进的交通信息系统(ATIS)提供的出行前信息下通勤者出行行为进行了研究.首先,基于贝叶斯理论,建立了在出行前信息与以往出行经验作用下,通勤者出行时间感知动态更新模型;进而以信念-愿望-意图(BDI)模型为基础,将每个通勤者一车辆单元刻画为一个具有双层结构的智能体,并采用面向多智能体语言AgentSpeak(L)刻画了智能体的出行行为决策机制;最后,采用面向多智能体编程平台Jason与微观交通仿真平台Paramics相结合的方式进行了相应的仿真试验.结果表明:贝叶斯理论可以较好地解释驾驶员(尤其是通勤者)出行行为动态特性,同时验证了多智能体技术与微观交通仿真技术的结合在驾驶员行为分析中应用的有效性,为驾驶员行为分析提供了新思路.     

基于驾驶员视觉的车辆跟驰建模与仿真

着重从驾驶员心理-生理(AP)跟车模型的角度出发,根据AP模型的不足,提出了驾驶员视觉范围变化对车辆跟车模型的影响,建立跟车模型,并用仿真的方法分析其稳定性,提出了跟车系统稳定性的参数数值范围,以期正确地提出驾驶员的跟车行为。     

基于认知-控制框架的侧风工况下驾驶员横向控制模型研究EI北大核心CSCD

本文中基于神经工效学认知理论融入驾驶员预瞄模型,建立了以认知-控制为框架的驾驶员横向控制模型。模型采用Simulink和TruckSim软件联合仿真的形式验证。采用粒子群优化算法对控制框架中的比例-微分(PD)控制器模块参数进行优化标定。结果表明,在侧风工况下,基于认知-控制为框架所建立的驾驶员横向控制模型有效(RMSE=0.09),且精度更高,适应度更广。另外,从认知-控制角度改变预览时间tp、增益比例kp和微分参数kd,可表征不同驾驶风格的驾驶员行为。本研究为提高侧风工况下的高级辅助驾驶系统和自动驾驶汽车的安全性和舒适性提供参考思路。     

车辆转向操纵过程中驾驶员的生理／心理分析与测试

本文指出驾驶员在行车过程中的生理／心理状态对其操纵行为有着重要影响，着重探讨了驾驶员转向操纵过程中生理／心理问题，首先对驾驶员行车时的心理进行了分析及描述，提出了一种合格驾驶员的心理模型；然后提出了驾驶员身心反应测试的几项指标，并进行了有关的测试，得到了不同驾驶员在不同车速，不同路线下的生理／心理变化规律，本文为建立一个包括驾驶员心理特性，行为规律的综合模型提供了新的依据。     

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。     

驾驶员最优预瞄纵向加速度模型

利用预瞄跟踪理论、模糊决策理论和非线性系统描述函数法建立了一个驾驶员速度控制模型，即加强员最优预瞄纵向加速度模型，仿真结果表明，该模型通过对驾驶安全性、合法性、轻便性、驾驶员自身滞后特性及汽车动力学系统强非线性特性的考虑，可以有效地模拟驾驶员控制汽车速度的行为特性，为人-车-路闭环系统中速度控制研究提供了一条可行途径。     

基于重复博弈的无灯控交叉口驾驶员行为模型

在分析无灯控交叉口插车过程中驾驶员行为决策相互影响关系的基础上,从更小时空尺度出发,提出了考虑安全因素、速度因素的驾驶员插车行为过程效用函数,建立了基于动态重复博弈的无灯控交叉口驾驶员插车行为模型,分析了不同驾驶员类型组合在插车博弈过程中的纳什均衡及相应的驾驶员决策行为。结果表明:该模型能够在一定程度上反映不同条件下交通冲突的演化结果,说明了应用动态重复博弈进行驾驶员行为模型研究的合理性。     

基于模糊PID控制理论的驾驶员模型的建立

以新能源汽车中的混合动力汽车为研究对象,利用Matlab/Simulink软件建立基于模糊PID控制理论的驾驶员仿真模型,根据行驶工况需求模拟驾驶员的操作过程;将驾驶员仿真模型嵌入整车模型中组成完整的前向仿真整车模型,使仿真接近车辆的真实行驶过程,仿真结果与车辆真实的行驶过程吻合较好。     

考虑驾驶员行为特性的模糊推理跟驰模型改进研究

基于模糊推理的车辆跟驰模型实现了用数学方法描述驾驶员的主观判断、推理和执行的过程,但现有的这类模型通常未考虑驾驶员行为特性的差异。针对这一问题,在基于模糊推理的跟驰模型中引入期望车头时距,不同行为特性的驾驶员具有不同的期望车头时距,在此基础上建立了改进的车辆跟驰模型。仿真结果表明,改进的跟驰模型能准确描述不同类型驾驶员的跟驰行为及其差异。     

Modeling of Driver's Directional Control Behavior with Cerebellar Model Articulation Controller

在分析驾驶员的运动控制行为特性基础上,仿照人小脑神经网络结构,建立了驾驶员对汽车方向控制行为的小脑神经网络控制模型,以此对传统的微分校正模型进行控制误差修正.在不同车速、路形和路面附着系数下的仿真结果表明,所提出的控制算法有高的路径跟踪精度,且对车速和道路状况等汽车行驶过程中的动态不确定性因素具有较强的适应性和鲁棒性.     

模糊控制理论在驾驶员—汽车—环境闭环系统操纵稳定性研究中的应用

本文采用模糊控制理论方法，对驾驶员－汽车－环境闭环系统的操纵稳定性进行了研究，建立了驾驶员智能模型，研制了整个闭环系统的仿真软件，模拟了几种典型工况的汽车运行，试验证明闭环系统模型合理，仿真结果正确。     

单轨车辆驾驶员单点预瞄模型的参数优化

使用ADAMS软件建立摩托车的模型,并利用MATLAB软件建立驾驶员模型,构成驾驶员-车辆模型。采用MATLAB和ADAMS协同仿真,得出单移线和双移线工况实际行驶轨迹和手把力矩、侧倾力矩、转向角、侧倾角、横向加速度等。建立了摩托车移线工况的性能综合评价指标,并用此指标对摩托车在不同运动状况下的性能进行评价。以驾驶员模型反馈系数为设计变量,采用正交设计方法优选出一组参数。     

基于深度强化学习的驾驶员跟车模型研究

为提升智能驾驶系统的纵向跟车性能,本文构建了一种基于深度强化学习的驾驶员跟车模型。首先,设计了跟车场景截取准则并从自然驾驶数据中筛选出符合条件的典型跟车场景,并对其数据进行统计分析,即采用相关系数法分析了车间距、相对速度和车头时距等因素对驾驶员跟车行为的影响机理,得出驾驶员跟车行驶过程的行为特性及其影响因素。接着,基于深度确定性策略梯度算法建立了驾驶员跟车模型,将驾驶员跟车轨迹数据集输入到模拟跟车环境中,让智能体从经验数据中学习驾驶员的决策行为。最后,以原始工况数据为基准,对基于深度强化学习的跟车模型进行对比仿真验证,结果表明所构建的驾驶员跟车模型具有良好的跟踪性能,能真实地复现驾驶员的跟车行为。     

车辆起步时驾驶员离合器操作特性的仿真与实验研究

车辆起步时的油离配合过程是车辆驾驶中的难点之一。本文在实验的基础上得出了不同熟练程度驾驶员在不同工况下起步时的油离配合曲线的特性，并建立了驾驶员离合操作的模型，取得了满意的结果。本文对仿真驾驶员离合操作过程，进而对如何识别驾驶员的驾驶熟练程度提供了一条有效的新途径。     

基于驾驶员跟车习惯的报警/避撞算法研究

在驾驶员实车实验的基础上,研究跟车工况中的驾驶员行为特性和习惯,建立驾驶员跟随车距模型,并结合对车辆制动过程的分析,研究分别基于驾驶员制动行为特性和驾驶员跟随车距模型的报警/避撞算法,通过改变算法的参数值,可使算法得到的报警/避撞时机符合不同驾驶员的驾驶习惯。利用实验数据对算法进行离线检验,验证该算法在报警/避撞系统中的适用性。     

基于模糊神经理论的驾驶员控制模型的研究

把横向预瞄偏差作为模糊神经驾驶员控制模型的输入变量之一，解决了由于输入变量较多，神经网络节点数巨大的问题，从而设计并实现了模糊神经驾驶员控制模型网络拓扑结构，并用BP网络实现了控制规则的模糊映射。仿真的结果表明：所建立的模糊神经驾驶员模型是正确和可行的。这种模型的核心思想是利用神经网络对汽车驾驶员驾驶知识的表达机理，通过学习训练来实现控制规则的记忆，在一定程度体现了驾驶员的智能行为。