基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。     

基于高速公路自然驾驶数据的自动驾驶车辆跟驰智能性评价模型

为解决当前自动驾驶车辆跟驰智能性评价中存在的以主观评价为主、缺少微观驾驶行为数据支撑的问题,以高速公路自然驾驶数据为基础,从自动驾驶车辆与人工驾驶车辆驾驶行为一致性的角度出发,构建自动驾驶车辆跟驰智能性评价模型。首先,通过无人机视频拍摄和图像处理,获取了国内18个省份部分高速公路上的高精度车辆轨迹,利用K-means聚类方法提取了15 446组稳定跟驰数据。然后,采用描述性统计方法对速度、加速度、跟车间距及跟车时距等指标进行分析。通过Gamma分布拟合不同速度下的跟车间距,以不同速度下跟车间距众数为中心,将跟车间距按照样本量的70%、20%、10%划分为与人工驾驶车辆驾驶行为一致性较好、一般、较差等3种情况,以此为基础建立自动驾驶车辆跟驰智能性评价模型。最后,通过自动驾驶车辆跟驰试验,证明所建模型适用于自动驾驶车辆跟驰智能性评价,相比既有研究,该模型的特点是能基于全过程、微观跟驰行为数据对自动驾驶车辆做出综合的量化评价。这表明基于自然驾驶数据与驾驶行为一致性构建的模型能客观、量化评价自动驾驶车辆跟驰行为,可用于自动驾驶车辆跟驰行为研究与技术参数设计。     

基于零反应时间的自动驾驶车辆跟驰模型研究

自动驾驶车辆可以通过数据驱动模型较好地学习人类驾驶员的跟驰行为,但单纯的学习并不能发挥自动驾驶车辆反应更敏捷的特性.文中利用NGSIM数据集开发一种基于零反应时间数据的跟驰行为学习模型.首先,基于人类驾驶行为数据建立反应时间预测的神经网络模型,预测每条人类跟驰轨迹数据每个时间步的反应时间,并在原轨迹中剪除反应时间内的数据,进而重构样本数据,获得近似于零反应时间、更符合自动驾驶车辆特性的样本集.在此基础上采用LSTM架构,建立基于新学习样本的跟驰行为模型(LSTM-0RT).仿真对比发现:LSTM-0RT跟驰模型比传统LSTM模型提前50 s收敛,且速度变化趋势与前车基本一致,充分体现反应速度快的特点;在混驶环境测试中,采用LSTM-0RT模型的自动驾驶车辆比例越大,跟驰车队的渐进稳定性越高,车流波动的影响范围越小;交通流特性分析显示LSTM-0RT模型在不同交通流密度下的适用性明显优于LSTM模型;车头时距指标测算也表明LSTM-0RT模型具有更高的跟驰安全性.     

基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为,本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现,在不同跟驰速度下,小汽车车头时距均服从对数正态分布;利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数,分别标定其概率分布函数,证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s;在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上,建立基于交通扰动传播特征的随机Newell跟驰模型,并标定得到分速度区间的模型参数.仿真结果表明,本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征,同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

货车移动遮断影响下的小客车驾驶行为识别

为识别山区双车道公路货车移动遮断影响下的小客车驾驶行为,通过无人机拍摄和图像 处理提取车辆轨迹数据,根据车头时距、小客车横向位置曲线斜率的阈值标准,标定小客车的跟 驰、换道和超车这3种驾驶行为类别;采用Kruskal Wallis检验和主成分分析法对小客车驾驶行为 特征参数进行筛选和降维,获取识别模型输入变量;运用网格搜索算法确定核函数最优参数组 合,建立基于支持向量机(SVM)的货车移动遮断下小客车驾驶行为识别模型。以云南省典型山区 双车道公路为例,多维度分析货车移动遮断下的小客车驾驶行为特性,并对识别模型进行训练和 测试。结果表明：货车移动遮断下小客车的行车速度比自由流条件下低约20~30 km·h-1;小客车 在山区双车道跟驰货车行驶时的平均车头时距为2.53 s,小于相关规范中规定的最小安全车头时 距,跟驰行车风险较大;基于SVM的货车移动遮断下小客车驾驶行为识别模型的识别准确率达 98.41%,具有良好的识别能力和应用前景。     

基于轨迹数据的车辆跟驰行为分析与建模综述

随着轨迹收集技术与数据分析技术的迅速发展,越来越多的车辆行驶轨迹被采集并用于 交通流研究。车辆轨迹数据主要包括车辆运行的位置与时间等信息,利用这些信息可以推算出 车辆的速度、加速度及其与前车之间的空间和时间距离等驾驶行为参量。通过研究轨迹数据可 以揭示车辆自身的运行规律,车辆之间的相互作用规律,道路环境对车辆的作用规律,以及由此 产生的宏观、微观交通流现象,因此,轨迹数据研究受到日益重视。本文简要回顾了与轨迹数据 收集相关的历史,介绍了自然场景下采集的Next Generation SIMulation(NGSIM)数据及实验场景 下采集的车队轨迹数据,并梳理了近几年基于车辆跟驰轨迹的理论研究。首先,分析以交通振 荡、交通回滞为代表的交通流关键实测现象研究工作;整理跟驰行为分析方面的研究成果,包括 不对称跟驰行为、稳定跟驰行为的存在性、跟驰行为的记忆效应、任务难度、随机性、异质性。之 后,介绍基于跟驰行为分析成果而构建的仿真模型。最后,从3个方面评述现有基于轨迹数据的 研究,并提出未来展望：交通流关键实测现象方面,应收集更多不同条件下的数据,并尝试构建更 加普适性的理论或模型解释交通流现象;跟驰行为分析方面,可结合数据挖掘技术或生理、心理 理论,量化驾驶员跟驰特性与生理、心理特征,并将两者结合深入分析跟驰行为的机理;仿真建模 方面,可更多考虑驾驶员生理和心理变量,使模型更具人性化特征,并关注模型的评价方法,注重 模型对实际交通流的解释能力。     

跟跟驰驰自自动动驾驾驶驶车车时时人人驾驾车车行行为为研研究究：实证与建模

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,智能网联车辆（Connected and Automated Vehicle,CAV）、自动驾驶车辆（Autonomous Vehicle,AV）和人工驾驶车辆（Human-driven Vehicle,HDV）混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model,IDM）,建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下...     

跟驰车流中的反应时间和车头间距研究

为了研究利用驾驶模拟舱研究驾驶行为的效果,考虑道路几何线形、交通设施、环境条件、交通条件等因素,以北京四环道路环境为例搭建模拟场景,在该模拟环境和相应真实道路环境下进行车辆跟驰实验,提取并对比了加减速跟车状态下的反应时间和车头间距数据,从虚拟环境深度线索和仿真车辆行为特性两方面分析了实验结果.研究结果表明,在加速和减速跟驰状态, 在仿真环境中的驾驶人反应时间均略大于真实道路环境,但差别不显著;仿真环境下的车头间距显著大于真实环境;采用驾驶模拟舱研究驾驶行为时,需修正与距离相关的参数才能得到与实际道路环境相符的结果,修正系数的取值范围为1.5~2.0.      

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。     

基于SVM-LSTM的车辆跟驰行为识别与信息可信甄别

为利用智能车路协同系统内实时交互信息有效提升交通系统的安全性,提出了基于交通业务特征的交通信息可信甄别方法;重点构建了基于支持向量机(SVM)-长短时记忆(LSTM)神经网络的车辆跟驰行为识别与信息可信甄别模型,包括基于SVM的车辆跟驰行为识别模型和基于LSTM神经网络的车辆跟驰速度预测模型;设定了表征车辆行驶状态的特征向量,基于SVM的车辆跟驰行为识别模型将车辆行驶状态分为跟驰与非跟驰;对于跟驰车辆,基于LSTM神经网络的车辆跟驰速度预测模型根据其历史数据进行速度预测;SVM-LSTM信息可信甄别模型通过检验跟驰车辆的预测速度与其实际速度的差是否在合理范围来判断车辆数据的可信性,实现信息的可信甄别;采用公开数据集对提出的模型进行了训练与测试,并构建了不同异常类型和异常幅度的多个异常测试数据集,对基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型进行了验证。研究结果表明：基于SVM的车辆跟驰行为识别模型对车辆行驶行为识别的准确率达到了99%,基于LSTM神经网络的车辆跟驰速度预测模型的跟驰速度预测精度达到了cm·s^-1数量级;基于SVM-LSTM神经网络的车辆跟驰行为识别与信息可信甄别模型在正常数据测试集与多个异常数据测试集上的甄别正确率达到了97%。由此可见,提出的方法可用于路侧设备(RSUs)对车载单元(OBUs)实时信息和车载单元间实时信息的可信甄别。     

驾驶行为非参数微观仿真模型

运用信息挖掘技术最大限度地榨取实测数据所携带的驾驶行为个体有用信息, 通过数据修正和精简形成样本数据库, 采用K最近邻概率密度函数法对样本数据库进行数据过滤和冗余信息清洗, 利用预处理后的数据和非参数回归法构建了驾驶行为非参数仿真模型。模拟得到的后车多元信息与其实际值有很好的拟合性, 且实际值以模拟平均值为轴小幅度摆动。仿真结果表明, 合适的光滑参数能提高模型精度, 使模型避免大样本标定数据的限制, 很好地反映和预测跟驰过程中的驾驶员行为。     

基于模糊推理的跟驰安全距离控制算法及实现

车辆跟驰是普遍存在的交通现象之一。由于驾驶员在控制车辆过程中具有模糊的、不确定性的行为特征, 难以对驾驶员的行为进行精确的数学描述, 此外, 为保证车辆行驶的安全, 有必要对车辆跟驰时如何保持安全距离进行研究。基于此, 提出基于模糊推理的车辆跟驰间距控制算法, 并对其进行了仿真运算。仿真结果表明, 用模糊推理模拟驾驶员的行为是可行的, 并且通过模糊推理控制后车的速度, 后车能够以安全距离跟随前车安全行驶     

自动驾驶环境下驾驶人接管行为结构方程模型

为提取自动驾驶环境下驾驶人接管行为的关键影响因素,使用驾驶模拟器和眼动仪进行自动驾驶环境下驾驶人接管试验;采集了11个受试者对5种接管情境的反应数据,包括车辆运行数据和眼部运动数据,并调查了受试者的个人属性;基于实测数据定性分析和情境差异定量分析的结果,利用AMOS软件建立了描述驾驶人接管行为的结构方程模型;假设纵向接管行为、横向接管行为和眼部运动行为是3个潜在变量,找到可以表征这3个潜在变量的9个观测变量;根据修正指数多次修正得到最终的结构方程模型,由此获得表征驾驶人接管行为的各变量间的关系及对应的参数。研究结果表明：驾驶人接管自动驾驶车辆的全过程可分为5个阶段,即感知反应、减速避让、加速回升、稳定恢复以及稳定运行;当左前方车辆汇入当前车道,此时驾驶人接管风险较高;横向驾驶行为与纵向驾驶行为、眼部运动行为均显著负相关,相关系数分别为-0.226和-0.223,纵向驾驶行为与眼部运动行为正相关,相关系数为0.152;平均速度、总体横摆角均值、一秒内扫视时间可分别高度解释驾驶人接管自动驾驶车辆时纵向、横向及眼部的潜在行为。可见,此模型能有效揭示驾驶人接管自动驾驶车辆的整体行为与局部行为,有助于改进人机交互模式与自动驾驶接管请求提示。     

一种基于信息融合的跟随驾驶行为协同仿真模型

基于信息融合技术模拟驾驶人信息感知、分析决策和车辆控制的全过程,建立跟随驾驶协同仿真模型.模型以动态交通信息为输入,设计单个神经元仿真驾驶人对感知信息的筛选,采用模糊径向基高斯神经网络提取驾驶行为特征向量,应用模糊积分法模拟驾驶人对信息的分析和决策过程,输出为车辆控制状态.离线检验结果表明,该模型能较好地描述跟随车状态变化,具有较高的精度.     

基于认知活动链的驾驶行为协调仿真模型

为向车辆控制系统和智能车辆的发展提供理论参考，用主成分分析法确定多源信息对驾驶员行为决策的影响系数，用模糊积分融合算法获得驾驶员任务集聚后车辆的运行模式，并按照认知活动链将该模糊积分融合算法与跟驰模型相结合，构建了基于认知活动链的驾驶员行为协调仿真模型．此外，采用五轮仪实验系统对淄博市张周路某路段的交通流数据进行了采集，用实测数据验证了模型的有效性．     

基于分子动力学的车流运行动态特性及其模型

车辆跟驰行为受前导车和道路环境等的影响,将车辆抽象成相互作用的分子,基于分子动力学构建相互作用势函数,建立基于相互作用势函数的分子跟驰模型.采集试验路段不同点位的交通流样本,从视频中获得所需数据,并对加速度波动特性进行分析.将车辆运行状态分为常态行驶,起动加速和减速停车3种,根据实测交通数据对3种车辆运行状态进行模型参数标定,同时对分子跟驰模型进行稳定性分析验证,结果表明,相对于经典GM模型,分子跟驰模型稳定性更好,对实际交通状态拟合程度更高.