基于车辆行驶轨迹的信号交叉口排队长度估计

为了研究如何结合移动检测数据来确定交叉口排队长度,并以此来衡量交通拥堵程度的问题,利用车辆行驶轨迹,分析了通过交叉口车辆的排队特点。根据车辆在队列中的不同排队位置,分车辆通过交叉口时所存在的A,B,C这3种位置,建立了面向延误最小的排队长度估计模型。其中,通过虚拟线圈检测器后开始减速停止在停车线前的A位置车辆排队估计模型基于基本延误模型;减速进入虚拟线圈检测区域停车的B位置车辆排队估计模型基于简化车辆跟驰模型,对可获得车辆行驶轨迹的网联车减速过程进行了重建;减速停止在虚拟线圈检测器前的C位置车辆排队估计模型基于LWR消散模型以及交通流理论算法,并利用网联车车辆行驶轨迹数据进行了加速过程的重建。在此基础上,根据不同位置车辆与队尾网联车的距离不同,对其到达率赋予不同的权重,计算总的排队长度。最后,通过图新地球地图软件投影并筛选车辆在案例交叉口的车辆行驶轨迹,利用微观交通仿真软件VISSIM对本研究的模型进行仿真验证。结果表明,排队长度估计模型与真值的最大误差为12.4%,最小为2.2%,平均误差为8.75%,方差为12.595%~2,绝对与相对误差均保持在可接受范围以内,说明基于车辆行驶轨迹的信号交叉口排队长度估计模型能够较为有效地估计城市道路交叉口的排队长度。     

基于虚拟线圈的车型识别研究

在车型识别系统中,车辆的特征提取是非常重要的.传统的检测方法受摄像机的成像精度与架设方式等因素的影响,给车辆特征的提取带来困难.提出了一种采用虚拟线圈识别车型的方法.该方法将检测线与虚拟线圈相结合,对提取的车辆信息进行预处理,以检测线检测到达预先设置位置的车辆,然后触发虚拟线圈来提取车辆特征,通过BP神经网络来训练识别的车辆特征,以达到车型识别的目的.试验证明,该方法识别效果好,识别有效率达99%.     

基于Kinect深度虚拟线圈的夜间车流量检测

针对夜间环境下基于摄像机的车辆检测方法存在精度低、稳定性差以及无法对车型进行有效识别等问题,提出一种基于Kinect深度虚拟线圈的夜间车辆检测与计数算法.首先对Kinect深度图像进行预处理,分别获得运动目标深度图(MDM)与空洞深度图(HDM).然后在MDM与HDM上设置虚拟线圈,利用积分图像分别生成对应的一维运动信号,对其进行加权合成获得对车辆运动特征的表达,并在合成的运动信号范围内检测出车辆目标,并计算出车辆目标的几何特征,通过SVM对车型进行有效识别.实验结果表明,该算法对于单双车道的车辆计数正确率分别高达99.75%与99.25%,大小车型分类正确率可达99.80%,处理单张图片的平均时间仅为7 ms.      

基于预瞄的模糊自适应路径跟踪算法研究

基于车辆的预瞄和纯追踪模型设计一种自适应调整前视距离的路径跟踪控制器。利用模糊控制原理简单和控制参数少的特点，将车辆当前横向、航向偏差作为模糊控制输入，前视距离作为模糊控制输出和纯追踪模型输入，得到模糊自适应纯追踪算法。基于MATLAB/Simulink进行仿真，验证算法的有效性和准确性。     

卡尔曼滤波算法在车载毫米波雷达中的应用

文章介绍了基于车载毫米波雷达的卡尔曼滤波算法的应用,对卡尔曼滤波算法中的递推算法思想进行了分析,以车辆匀速运动状态为例,简单阐述了卡尔曼滤波算法的工作原理。仿真结果表明卡尔曼滤波算法能够较准确的实现对障碍物运动轨迹的追踪和预测,起到辅助汽车自动控制的作用。     

基于一维直接线性变换的视频中车辆运动状态重建

为克服传统车辆运动状态重建方法不能全面反映视频图像中车辆运动状态,且使用条件受限较大的问题,基于近景摄影测量中的直接线性变换原理,结合车身外廓特征信息,提出一种完整重建视频中车辆运动状态的有效方法。该方法中的特征标定信息全部取自目标车辆的外廓特征,不受路面和环境标定条件影响,扩大了使用范围;标定区域覆盖车辆在视频中的整个运动过程,最大限度地保证了车辆行驶轨迹的空间完整性;方法中每相邻2帧之间车辆行驶距离、行驶速度及加速度的解算均独立,避免产生累计误差。最后,使用该方法分别对车辆处于低速、中高速或减速3种运动状态下,摄像方向与车辆行驶方向呈90°或30°夹角的6种组合试验中车辆的相关运动状态参数进行解算,并与试验中采集的实际运动状态参数进行分析对比。研究结果表明:当车辆分别处于低速、中高速或减速3种运动状态时,在90°摄像视角下,计算所得车速值与记录值误差在1.5%以内,行驶距离值误差在3%以内,加速度值误差在7%以内;在30°摄像视角下,计算所得车速值误差在4%以内,行驶距离值误差在5%以内,加速度值误差在9%以内;该方法计算的视频中车辆的车速和行驶距离精度较高,加速度精度满足相关行业应用要求,证明该方法用于重建视频中车辆的运动状态有效、可行。     

无人机视频的交通参数提取方法及验证

为了研究无人机监测视频准确提取运动车辆交通参数信息,采用计算机人工智能图像处理技术和实际道路场景验证试验方法,提出一种基于YOLO v3神经网络模型的目标检测和Deep-Sort多目标跟踪算法相结合的运动车辆参数提取方法。为了验证无人机交通参数提取方法的可行性、准确性、可靠性,采用试验路段场景数字化、特征点标记、世界坐标采集的方法,标定世界坐标与图像坐标转换矩阵。采用装载高精度GNSS-RTK定位和车载OBD的试验车辆实时记录车辆微观运动参数(时间、速度、加速度等),对比验证视频提取车辆参数的准确性。共进行7组不同飞行高度(150～350 m)、不同行驶速度(40～90 km/h)验证试验,累计获得70 min试验路段监测视频,2辆试验车共获得5 400帧、1 192个速度验证信息。验证试验结果表明:视频识别算法目标检测精度为90. 88%、追踪精度为98. 9%,提取的车辆速度参数整体绝对误差在±3 km/h以内、相对误差在2%以内,参数提取整体准确率达98%。验证了无人机视频交通参数提取的可靠性和准确性,为交通管控提供了一种监测方法和数据提取手段,也为交通行为研究提供了数据采集手段。     

基于多参数自适应优化的智能车轨迹跟踪

为了在不同工况中，同时兼顾轨迹跟踪算法的跟踪精度，计算速度与车辆稳定性，提出基于不同车速和路面附着系数的参数自适应MPC算法。在线性时变MPC的基础上增加车辆稳定性控制，并基于路面附着系数设计2种控制策略：在高附着系数路面，针对不同车速优化预测时域与控制时域；在低附着系数路面，开启车辆稳定性控制并基于改进粒子群算法优化权重参数。2种策略在保证跟踪精度与车辆稳定性的基础上提高计算速度。设计基于前馈神经网络的路面识别算法从而为多参数自适应轨迹跟踪算法识别所在道路的路面附着系数，利用CarSim-Simulink平台进行联合仿真。研究结果表明：路面识别算法的平均绝对百分比误差为12.77%,足够满足多参数自适应轨迹跟踪算法的需求；相较于传统线性时变MPC跟踪算法，低速工况下参数自适应轨迹跟踪算法在高附着系数和低附着系数的路面上，横向平均绝对误差分别降低了20.7%和24.6%;高速工况下横向平均绝对误差分别降低了66.2%和50.7%;综合所有试验，算法的计算时间减少了40.2%;在保障车辆稳定性的同时降低算法的计算时间。研究成果针对不同车速与附着系数对轨迹跟踪算法参数进行优化，利用自适应预...     

车车通信环境下基于驾驶意图共享的车辆避撞预警算法

针对传统基于距离或时间的车辆避撞预警算法存在较高误警率的问题，考虑在避撞预警算法中引入驾驶意图共享的概念，提出了基于实际外场复杂车车通信V2V（Vehicle-to-vehicle，V2V）环境下的车辆跟驰避撞预警算法。基于LTE-V构建外场V2V环境，将车辆行驶过程描述为一个时间序列的隐性马尔可夫随机过程，借助隐马尔可夫模型（Hidden Markov Model，HMM）建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系模型，并给出基于Viterbi算法的驾驶意图预判求解方法，将驾驶意图作为特征因子集成到安全距离模型中，提出基于驾驶意图共享的避撞（Driving Intention Based Collision Avoidance，DI-CA）预警算法。利用构建的V2V试验环境，实现了匀速、加速、减速和紧急制动等4种驾驶意图，以及相对速度和相对距离增加、减小、保持不变等9种组合的车辆行驶状态试验数据获取，并利用试验数据对所提出的DI-CA预警算法进行实证分析。结果表明：所提出预警算法能够针对不同驾驶意图提供有效的车辆碰撞预警。在此基础上将4种驾驶意图下的DI-CA预警算法与Mazda预警算法求得的安全距离进行了对比分析，所提出的DI-CA预警算法的平均预警正确率为84%，高于Mazda预警算法的78%，而DI-CA预警算法的平均误警率和漏警率分别为5%和16%，均明显低于Mazda预警算法，说明所提出的DI-CA预警算法在提升预警效果的同时明显降低了误警率和漏警率，可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的可能碰撞事故发生。最后，总结并给出了驾驶意图共享理论应用于车辆避撞预警的研究展望。     

车辆导航系统中考虑单向行驶限制和转向限制的路线优化算法

路线优化子系统在车辆导航系统中处于核心地位。以往的路线优化算法的研究往往集中于如何提高算法本身的计算效率，很少顾及到实际的交通网络与作为一般研究对象的典型网络之间的差别，因此很难投入实际的应用中。本文讨论了如何在路线优化算法中顾及城市交通网所具有的典型特征，即单向行驶限制和转向限制。并在北京市二环以内的典型路网中予以实现。     

汽车防撞系统中目标跟踪与防撞决策研究

为了实现汽车主动安全系统中的目标跟踪与防撞,提出了混合式汽车防撞系统信息融合结构模型,采用分级信息融合实现目标跟踪,推导出了基于跟踪残留误差和预测残留误差共同校正的融合算法,并给出了算法的实现结构;提出了基于局部分析的映射变换方法,实现驾驶模型特征向量连续、实时的修正,在此基础之上,利用模糊积分方法融合多种相关信息,确定汽车应采用的安全运行模式,实现主动安全防撞决策。经过大量试验证明:该算法具有很好的稳定性和准确率。     

基于高精地图的物流配送车路径规划与跟踪控制

为了解决园区等场景下无人车多途经点配送问题,提出了一种基于矢量化高精地图的车道级全局路径规划、生成和跟踪控制方法。考虑配送车往返途经点顺序对行驶路径总长度的影响,基于高精地图采用A*算法计算各配送点间的最优路径,在此基础上,利用动态规划算法求解经过多个配送点的全局最优路径。应用贝塞尔曲线对规划的路径进行平滑,并根据道路曲率设定不同路径处的参考行驶速度,进而生成车道级的可用于跟踪的目标轨迹。利用车辆二自由度模型设计模型预测控制器进行轨迹跟踪,实现低速物流配送车的自主控制。在 CarSim/Prescan/Simulink联合仿真平台和实车平台上对提出的规划控制方法进行了试验。结果表明,相比传统的依据最近配送点策略确定的路径,所提出的方法搜索出的路径长度平均缩短了 6.15%。所设计的轨迹跟踪控制器能确保配送试验车与目标轨迹的横向偏差在 0.25 m 以内,航向角偏差在5°以内。     

基于压缩感知尺度自适应的多示例交通目标跟踪算法

针对大多数跟踪算法对车辆等交通目标在行驶过程中的尺度变化、姿态变化的适应性差及在跟踪过程中使用固定尺度的跟踪框,导致所构造的目标模板包含大量背景信息,引起跟踪漂移甚至丢失的问题,提出一种基于压缩感知理论与超像素目标性度量的尺度自适应多示例交通目标跟踪算法,该算法首先利用压缩感知理论对多示例学习中的特征维数进行降维,减少算法计算的复杂度。其次,采用超像素目标性度量进行局部尺度自适应调整,解决多示例跟踪算法中的尺度适应问题。此外,引入基于目标判别机制的分类器更新,利用连续帧中目标的相似性判断跟踪目标是否存在遮挡或漂移问题。依据目标判别的结果,实现变学习率的分类器参数更新。试验结果表明：该方法具有较高的跟踪精度和良好的跟踪鲁棒性,在车辆目标发生遮挡、尺度变化、三维旋转等情况时均能较好地跟踪目标,通过对不同的交通视频序列进行测试,算法的平均中心位置误差远小于对比算法,仅为3.92像素,其对比算法CT跟踪、MIL跟踪及WMIL跟踪算法的平均位置误差分别为56.96像素、35.36像素及58.54像素,平均重叠率达80.1%,较CT跟踪、MIL跟踪及WMIL跟踪算法分别高44.9%、45.3%和45%,满足智能交通监控的实际需求。     

矿用无人运输车辆轨迹跟踪控制算法研究

矿用无人运输车辆作业环境恶劣,存在大曲率弯道、坡道等非结构化道路明显特征,对无人化运输控制要求高。为改善PID等传统控制算法适应性问题,提高无人驾驶轨迹跟踪的车辆横纵向控制精度,提出一种纯跟踪与PID结合的多点预瞄横向控制、考虑模糊控制表参数拟合的纵向控制方法,减少控制参数的同时提高算法效果。根据传统控制算法设计基础控制器,结合基础算法优势进行横向与纵向控制算法设计,通过硬件在环仿真和实车测试验证算法的性能。试验结果表明,横向控制算法与斯坦利算法相比,车辆路径跟踪精度有明显改善,纵向控制方面,速度跟随误差<1 km/h,保证了车辆驾驶时的平稳性与舒适性。     

面向低速清扫车的信息融合车辆跟踪方法

交通参与者运动的准确跟踪与预测对智能车行为决策的有效性至关重要。传统运动目标的跟踪系统多采用单一传感器,难以保证数据的精度与可信度。为提高系统的鲁棒性与可靠性,设计一种融合毫米波雷达和相机的目标跟踪方案,该方案针对多目标的特征级信息进行融合。首先,考虑低速行驶的自动驾驶清扫车所处环境杂波较多,方案选择基于IMM/JPDA的多目标跟踪方法估计局部航迹。为降低JPDA数据关联的计算复杂度,结合基于马氏距离构造的椭圆关联门和基于车辆非完整性约束构造的扇形关联门,实现关联门的自适应调整,减少关联杂波的干扰。其次,结合传感器的配置与特性,对目标的航迹状态进行空间对准和时间对准,按照航迹点间的欧氏距离和互协方差选择融合模式,进行局部航迹融合。最后,为验证多目标跟踪和航迹融合方法的有效性与实用性,分别设计基于MATLAB/PreScan环境的仿真试验和基于智能清扫车平台的实车试验。研究结果表明：在横、纵方向上,融合后的系统状态都比单一传感器的估计状态更为准确,融合结果对单一传感器的估计误差有35%以上的提升;实车试验证明,该方案能有效融合ESR毫米波雷达和Mobileye单目前视相机的状态估计信息,能基本正确地跟踪目标和估计航迹;融合状态的横、纵向误差都在可接受范围以内,且融合状态比单一传感器的估计波动更小。     

基于毫米波雷达组群的全域车辆轨迹检测技术方法

高精度车辆轨迹数据对于高速公路交通管理和智慧服务具有非常重要的研究及应用价值，然而现有的车辆轨迹感知技术难以获得全域全时车辆轨迹数据。为此，提出一种基于毫米波雷达的全域车辆轨迹跟踪技术方法，该方法包括：雷达原始数据获取及适配、轨迹数据清洗及降噪、道路线形感知及还原、车辆轨迹匹配及拼接。其中，雷达原始数据获取及适配通过构建雷达帧数据适配表将雷达数据格式标准化，并通过构建的轨迹可信度评价指标K，剔除镜像车辆轨迹数据，进而基于历史行车轨迹的统计学特征，采用聚类方法还原道路线形，最终通过雷达群组间车辆轨迹特征分析及匹配拼接，实现设备内部及跨设备对车辆轨迹的持续跟踪。利用载波相位差分技术(Real-time Kinematic, RTK)和基于无人机航拍视频定位技术分别对单车及多车轨迹跟踪精度进行检验。研究结果表明：在单目标跟踪状态下，系统的纬度偏差均值为-0.284 m，经度偏差均值为-0.352 m，纬度误差均值为0.712 m，经度误差均值为0.539 m；在多目标跟踪状态下，系统丢车率约为8%，轨迹定位与真实位置偏差均值为0.990 m，具备良好的轨迹跟踪精度。该方法为未来从更加宏观的范围内研究个体驾驶行为风险转移分析、微观水平的驾驶风险的时空演化提供了数据支撑。     

基于单目视觉的路面车辆检测及跟踪方法综述

首先介绍了车辆检测算法的3种基本组成部分：检测、验证、跟踪，然后根据算法的组成重点介绍了车辆检测以及跟踪的几种主要算法。车辆检测算法包括基于特征的方法、基于光流场的方法和基于模型的方法，车辆跟踪算法包括基于区域相关的方法、基于活动轮廓的方法、基于特征的方法和MeanShifi快速跟踪算法。根据试验结果对各种车辆检测和跟踪方法的优点、缺点以及实际应用中不同情况下适用范围的局限性进行了综合分析。最后在结论部分总结展望了文中介绍的几种车辆检测和跟踪方法的应用前景，并提出了在实际应用时的一些建议和将来的主要研究和发展方向。     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。      

基于扰动观测的智能驾驶主动抗扰纵向车速控制算法

为了减少智能驾驶车辆的纵向车速控制的时滞,提高主动抗扰性,提出一种基于扰动观测的纵向车速控制算法,并进行了实车验证。模型中,采用前馈控制模块,并提前输出控制量,来提高车速跟随的响应性;以主动抗扰控制(ADRC)模块作为反馈环节,采用扩张状态观测器(ESO)在线估计内外部扰动,并在控制端进行补偿,实现了对车速的精确闭环控制。在弯道、环岛等路况下进行了实车实验。结果表明:该算法可以在5 s内控制车速从怠速快速跟踪到目标车速,总体平均误差为0.17 km/h。因而,该算法较传统的比例积分微分(PID)有更好的响应性、控制精度和抗扰性。     

基于自适应模型预测的智能汽车横向轨迹跟踪控制

当路面附着情况和车辆行驶状态不断变化时,基于恒定侧偏刚度的模型预测控制(MPC)不能考虑轮胎非线性特性的影响,难以保证车辆轨迹跟踪的适应性。为此,提出一种考虑轮胎侧向力计算误差的自适应模型预测控制(AMPC),以提高智能汽车在不确定工况下的轨迹跟踪性能。分析了路面附着系数和垂向载荷对轮胎侧向力的影响,基于平方根容积卡尔曼滤波(SCKF)算法,设计了利用侧向加速度和横摆角速度作为测量变量的前后轮胎侧向力估计器。利用轮胎侧向力线性计算值与估计值的差值计算得到侧偏刚度修正因子,设计了前后轮胎侧偏刚度的自适应修正准则,进而提出了一种基于时变修正刚度的AMPC控制方法。基于CarSim与MATLAB/Simulink联合仿真和硬件在环测试平台,对AMPC控制的有效性和实时性进行了验证。研究结果表明：在不同的路面附着情况和车辆行驶状态下,AMPC控制都能够降低横向位置偏差和航向角偏差,有效提高车辆的轨迹跟踪精度,其控制效果明显优于基于恒定侧偏刚度的标准MPC控制。尤其在低附着工况下,标准MPC控制会因为线性轮胎力的计算误差过大而导致车辆在轨迹跟踪时严重失稳,而AMPC控制通过估计轮胎力修正侧偏刚度依然能够保证车辆稳定有效的跟踪参考轨迹。所提出的AMPC控制在保证控制精度的同时具有良好的实时性,对智能汽车控制系统的设计与优化具有重要参考价值。