基于元胞自动机的竞争型换道模型

为研究车辆在换道过程中存在的互不相让、相互竞争的现象,运用元胞自动机理论,提出一种竞争型的换道模型。首先,将换道分为换道需求判断和换道实施过程两部分;然后,在需求判断中引入邻车道速度累积优势,在换道实施过程中引入竞争程度定义换道新规则;最后,在不同交通密度下对竞争换道模型进行仿真,并与自由换道和协作换道进行对比分析。结果表明：不同密度下协作换道模型得到的车流量和车辆平均速度均高于其他换道模型;在一定密度范围内,竞争换道得到的车流量和车辆速度比自由换道高;但当密度较高时,竞争换道对车辆的速度以及交通密度可能产生负面影响。这说明协作换道能提高车辆速度,有效缓解交通阻塞;而竞争换道对车辆速度的提升不明显,并且采用竞争换道对交通流有影响,有时可能会降低道路的通行能力。     

车辆换道行为建模的回顾与展望

微观交通仿真工具在智能交通领域中发挥着越来越重要的作用,而换道模型则是微观交通仿真工具中最重要的组成部分.本文将换道模型按其应用分为自动巡航控制模型与计算机仿真模型.系统回顾了计算机仿真模型中的换道决策模型与换道执行模型.换道决策模型主要包括:规则模型、离散选择模型、人工智能模型、马尔可夫模型、生理—心理模型及生存模型;换道执行模型主要包括:运动波混合模型和元胞自动机模型.针对各个模型分别阐述了其研究对象、模型结构、参数标定及其模型的应用.最后,展望了换道行为建模未来的研究方向,为建立适合中国的换道模型提供参考.     

车辆换道纵横向耦合控制

基于车辆纵横向动力学耦合模型, 研究了自动化公路系统车辆换道纵横向耦合控制。假定换道过程中车辆横向加速度满足梯形约束, 根据期望换道轨迹计算车辆换道时的期望横摆角和横摆角速度, 依靠车载传感器获得车辆横摆角速度信息。采用有限时间滑模趋近律, 设计了车辆换道纵横向耦合变结构控制规律。基于李雅普诺夫稳定性理论, 对控制系统的稳定性进行了分析, 得到了系统渐进稳定的充分条件。仿真结果表明: 采用该控制规律, 车辆在纵向速度变化的情况下能够良好地跟踪期望换道轨迹, 跟踪误差小于0.06 m。     

基于驾驶人决策机制的换道意图识别模型

依据驾驶人换道决策的产生机制,提出速度期望满足度、危险感知系数和换道 可行性系数作为换道决策的识别指标并确定其量化方法.通过实车试验数据的分析表明： 量化指标与换道决策存在不同程度的相关性;同时在换道初期、车道保持及过渡状态阶 段存在显著差异.以速度期望满足度、危险感知系数和换道可行性系数为特征输入参数, 建立基于模糊神经网络的驾驶人换道意图识别模型,进行驾驶人换道意图的识别.结果表 明,该模型在换道初期的预测准确率达到89.93%,虚警率为9.52%,优于以碰撞时间TTC 为输入指标的BP神经网络模型,以及以RV、RP、RS为变量的Logistic 模型,说明模型具 有较好的预测准确性.     

高速公路车辆换道行为风险研究

换道作为车辆的基本驾驶行为之一,对道路上车辆的运行安全有着至关重要的影响.针对高速公路上换道行为导致事故频发的现状,通过对换道车辆及其相邻车辆在换道过程中的运行特征及位置、速度关系进行分析,构建车辆安全换道模型.研究结果表明:通过对不同换道特征的换道行为进行MATLAB仿真,可确定车辆之间的不同速度、加速度情况及驾驶员反应时间下的动态安全距离,以此来确定换道安全和风险的动态临界阈值,为自动驾驶换道预警系统提供理论上的支撑.     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

基于贝叶斯网络的车辆换道模型

车辆换道行为是微观交通流中最基本的驾驶行为之一,研究车辆换道行为可以提高车辆换道模型的仿真精度和减少由不合适的车辆换道行为引发的交通事故.当前车辆换道模型大多是基于驾驶员的决策思维方式建立的决策模型,这类模型的缺点是很难捕捉到驾驶员在决策过程中一些潜在决策模式和考虑的影响因素.鉴于此,本文引入了一种典型的人工智能方法--贝叶斯网络,建立了一个全新的车辆换道模型,试图通过机器学习的途径来提高车辆换道模型的精度.采用了分段离散化的方法对数据进行预处理,然后使用处理后的数据对贝叶斯网络的结构和参数进行学习,并分别建立了与两种贝叶斯网络结构相对应的车辆换道模型,最后对建立的模型分别进行验证.模型的验证结果表明,建立的基于贝叶斯网络的车辆换道模型对换道行为的识别率可以达到88%以上. 此模型还可进一步应用到驾驶员辅助系统的开发中.     

基于分子动力学的车辆换道交互行为特性及其模型

传统换道模型中,把前后临界空隙作为参数固定数值,忽视了车辆和车道间的动态交互作用等因素.从分子动力学角度,系统考虑跟驰需求安全特性,从动态的需求安全距离角度研究车辆在“跟驰-换道-跟驰”过程中的行驶状态转换.确保在换道完成时,换道车辆和目标车道后车能以需求安全距离进行跟车行驶,建立了模拟分子动力学的期望安全间距模型,并对模型进行了仿真分析.结果表明,分子动力学特性模型可以把跟驰行为和换道行为很好地结合起来.研究成果为分析车辆运行交互特性,车辆可变限速技术,自适应巡航控制技术等提供理论依据和技术支撑.     

高速公路隧道临近段车辆换道持续时间生存分析

为研究高速公路隧道临近段车辆换道行为,提高隧道路段行车安全水平,在广东省的3条高速公路隧道临近路段开展自然驾驶试验,采集换道车辆的行车轨迹以及周围行车环境等数据。基于采集到的车辆换道数据,采用生存分析的全参数估计方法,考虑不同驾驶人换道风险感知水平的异质性,构建随机参数加速失效时间(AFT)模型,分析隧道临近段行车环境、车辆运行状态等潜在因素对车辆换道持续时间的影响。研究结果表明：相较于固定参数AFT模型,随机参数AFT模型具有更好的拟合优度;至隧道进口的距离、起始车道前车的车速差、换道方向和至目标车道前车距离会对高速公路隧道临近段车辆换道持续时间产生显著影响;车辆换道位置距离隧 道进口越近,至目标车道前车的距离越近,换道持续时间越短;相较于换道车辆车速大于起始车道前车的情况,换道车辆处于非跟驰状态和车速小于起始车道前车时,换道持续时间分别增加 7%和20%。研究结果可为高速公路隧道临近段交通安全设施改善和微观驾驶行为模型构建提供理论依据和方法指导。     

换道决策中的车辆速度估计模型

为研究换道决策阶段驾驶人对后方车辆的速度感知特征, 以小型乘用车为平台, 利用毫米波雷达、车载总线数据仪、音视频监测系统等搭建了试验车。招募了15名驾驶人, 在某高速公路完成后方车辆速度估计试验, 试验车速度分别设置为60、70、80、90km·h^-1, 最后获取了1 625组数据。采用显著性分析方法, 分析了相对速度、后方车辆速度与相对距离对驾驶人速度估计行为的影响特性。利用多元线性回归理论建立了驾驶人速度估计模型, 并对模型进行了检验。分析结果表明: 约60%的速度估计误差绝对值不大于10km·h^-1, 且驾驶人的速度估计误差满足正态分布; 驾驶人速度估计误差随两车相对速度和后方车辆速度的增大而减小, 相对速度和后方车辆速度较低时, 易高估后方车辆速度, 相对速度和后方车辆速度较高时, 易低估后方车辆速度; 随两车相对距离的增大, 驾驶人速度估计误差变化趋势不显著, 但两车相对距离较小时, 驾驶人易高估后方车辆速度; 速度估计模型的平均误差为-0.56km·h^-1, 因此, 估计结果可靠。     

基于分子动力学的车辆换道交互行为特性及其模型

传统换道模型中,把前后临界空隙作为参数固定数值,忽视了车辆和车道间的动态交互作用等因素.从分子动力学角度,系统考虑跟驰需求安全特性,从动态的需求安全距离角度研究车辆在“跟驰—换道—跟驰”过程中的行驶状态转换.确保在换道完成时,换道车辆和目标车道后车能以需求安全距离进行跟车行驶,建立了模拟分子动力学的期望安全间距模型,并对模型进行了仿真分析.结果表明,分子动力学特性模型可以把跟驰行为和换道行为很好地结合起来.研究成果为分析车辆运行交互特性,车辆可变限速技术,自适应巡航控制技术等提供理论依据和技术支撑.     

应用于换道预警的驾驶风格分类方法

针对不同驾驶风格驾驶人对换道预警需求存在差异的问题,采用视觉传感器、 雷达传感器、GPS、车辆 CAN 总线数据采集系统,基于小型乘用车搭建了实际道路驾驶行 为试验车.通过对多名驾驶人进行实际道路自然驾驶试验,选用跟车时距、换道时距、超速 频次、换道过程最大方向盘转角等参数,采用模糊评价法建立了驾驶风格离线分类模型, 实现了将驾驶人分类为冒进型、比较冒进型、比较谨慎型、谨慎型四类.采用换道安全性相 关参数对模型进行验证. 结果表明,随着驾驶人谨慎程度的增加,换道安全性评价参数更 倾向于安全,驾驶风格分类模型与实际换道安全性评价参数之间呈现良好的一致性.     

基于GMM-CHMM 的城市道路换道行为识别

高级驾驶辅助系统(ADAS)是提高车内乘员安全性的主动安全系统之一,将车载参数和车辆位置参数相结合,提出一种能够应用到ADAS的城市道路换道行为识别模型. 在西安城市道路环境中进行实验,采集18 位驾驶员的9 个车载实时参数数据,以及前后车辆间的相对速度、相对距离、相对角度,提取412 个换道行为单元和824 个车道保持行为单元,共 88 992 条数据. 运用数理统计方法分析表明,方向盘转角、转向角速度、相对安全距离比在换道行为和车道保持行为之间有显著性差异,在这3 个特征参数的基础上,建立混合了高斯混合模型(GMM)和连续型隐马尔可夫模型(CHMM)的识别模型,用部分样本对模型效能评价. 结果表明,混合模型对换道行为的识别精度为93.6%,具有良好的识别效果,可以很好地应用到 ADAS.     

网联自动驾驶车辆下匝道换道决策模型

为宏观刻画自动驾驶专用车道上的网联自动驾驶车辆(CAV)下匝道的行为,提出了混合交通流下基于安全风险的CAV下匝道换道决策模型;该模型将换道间隙选择过程抽象为成功换道或不成功换道的伯努利试验,并在此基础上建立了基于交通流理论的车辆换道成功率计算方法;提出了耦合换道安全与效率的下匝道换道决策成本函数,其中安全与效率的权重参数根据不同的驾驶模式确定,从而确定CAV最优的换道意图生成点,为CAV换道提供指令。数值分析结果表明：CAV下匝道成功率由换道准备距离、交通需求和CAV渗透率共同决定,成本函数随着CAV渗透率的变化出现明显的拐点;交通量为2 400 veh·h^-1时,CAV的最佳换道意图生成点为距离下匝道入口1 km处;当交通量增加至4 000 veh·h^-1时,最佳换道意图生成点为距离下匝道入口2.5 km处;当交通量大于6 400 veh·h^-1时,需要提高CAV的侵略性才能高效驶出高速公路;成本函数随着CAV渗透率的增大先下降再升高,若渗透率低于拐点渗透率,则增加换道准备距离可以降低成本函数,若渗透率高于拐点渗透率,则需通过减小换道准备距离降低成本函数。仿真结果表明：交通需求和渗透率对车辆下匝道的安全性影响显著,渗透率由30%提升至60%,碰撞时间最大降幅为76.23%。     

基于无监督聚类分析的激进换道行为识别方法

为有效指导驾驶人采取更安全的换道行为,本文提出基于改进的自组织映射神经网络(SOM-Kmeans)聚类分析的激进换道行为识别方法。通过模拟驾驶设备和眼动仪获取驾驶数据和眼动状态,运用变点检测算法结合方向盘转角和横向注视位置从多模态数据集中提取换道行为事件数据,进而提取驾驶人换道行为关键特征参数,运用SOM-Kmeans聚类分析识别激进换道行为。将SOM-Kmeans聚类方法分别与基于密度的聚类算法(DBSCAN)及模糊C均值聚类算法(FCM)比较,分析激进换道行为的识别效果。研究结果表明：SOM-Kmeans能够将激进换道行为划分为紧急换道和挤车换道两种类型,并建立相应的行为指标和阈值,当换道过程中加速度波动大于8.22 m·s^-3且方向盘转角大于0.83 (°)·s^-1,识别此次换道为激进换道行为;在激进换道行为的基础上,当换道间隙小于7.5 m且换道持续时间大于10.3 s时,识别此次换道为挤车换道,否则,为紧急换道行为。挤车换道行为多出现在拥堵较严重的强制换道中,紧急换道行为多出现在交通流环境较好的自由换道中。本文提出的识别方法的准确率...     

换道过程中驾驶人感知操作的模式发现与规则挖掘

为发现高速公路下自由换道过程中眼睛感知-手脚操作之间的时序关联性,探索感知与操作相互作用的内在机理,采用驾驶模拟舱进行高速公路驾驶实验,采集眼动数据和车辆运行数据;分别提取换道瞬时和换道全过程的眼睛感知-手脚操作的特征;采用Aprior算法从换道瞬时和换道全过程两个角度发现眼睛感知-手脚操作的频繁模式,挖掘它们的关联规...     

考虑排队阻滞和换道的改进宏观交通流模型

考虑路段上车辆换道及交叉口处排队阻滞作用,对交通流宏观演化模型进行改进.首先在排队中考虑不同车道的速度、密度差异,建立了换道模型;然后在交叉口内部划分各流向排队车辆的累积路径,分析不同的排队溢出位置对其他车流的阻滞影响;综合考虑车辆换道及交叉口处阻滞影响,建立了改进的车道组宏观交通流模型;最后设计仿真实验对模型进行验证.结果表明,在高流量需求下,本文模型能够模拟出下游的排队溢出对其他车流的阻滞影响;且在低中高3种不同的流量需求下,改进模型计算结果与仿真输出的驶离流量基本相符,与原有模型相比精度更高;由此证实了改进模型的准确性.     

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.     

车路协同环境高速公路瓶颈车辆换道引导方法

高速公路由于交通事件的发生,常产生瓶颈区域致使车辆频繁换道.为提高高速公路瓶颈区车辆通行效率与安全性能,讨论车路协同环境的优越性,提出了车路协同环境下高速公路瓶颈车辆换道引导方法,通过建立离散选择模型的形式定义传统车辆与智能车辆的换道考虑因素,根据车辆所处位置定义自由换道与强制换道的效用函数,考虑宏观交通流不同渗透率下的速度密度关系,求解期望换道概率并将其引入考虑横向交通流的元胞传输模型以模拟宏观交通流换道行为,从而对瓶颈上游的智能车辆进行引导.利用车辆换道引导方法对宏观交通流进行数值仿真,并设置5组不同渗透率下的交通流.研究结果表明:车路协同环境下不同渗透率的交通流经过瓶颈区的总行程时间均有所减少,渗透率为1时对应的总行程时间最小,为296.21 s,渗透率为0.4变为0.6时总行程时间减小幅度最显著,为8.3％;渗透率为0.8变为1时总行程时间减小幅度最小,为2.7％,因此利用该引导方法对渗透率为0.6的交通流进行引导,其效果最显著.在使用引导方法后,各车道密度趋于均衡,能有效缓解瓶颈区向上游传播的堵塞波.