城市快速路匝道合流区车辆交互行为模式

在城市快速路匝道合流区,驾驶任务难度主要来自于车辆与其周边车辆之间的动态交互,目前对这种交互行为的特征和机理的认识还不十分清楚。基于从无人机视频中提取的高精度车辆轨迹数据,提取出表征车辆交互行为的指标TTC和GAP,并结合速度、加速度、车道位置等其他指标,对车辆的交互过程加以刻画,从中获得了大量交互行为实例,并在此基础上归纳总结出9种典型的车辆交互行为模式。通过分析各模式特征发现：即使在相同的外部环境下,车辆交互行为模式也可能存在差异,这表明交互行为不仅与车辆之间的相对位置、时空距离、速度状态等环境因素有关,还与驾驶人的应对能力、动机及风险意识等认知心理有关;另外,不同的交互模式面临的风险不同,并且该风险既可能是周边车辆行为发生改变而被迫卷入,也可能是驾驶人自身主动寻求的结果;9种不同类型的交互行为模式,构成了驾驶人自行感知的4种风险状态互相转换的具体实现形式;在驾驶过程中,驾驶人努力寻找契机并选择某种交互行为模式在各个风险状态之间来回切换,并非仅由心理压力较大的危险态向压力较小的自由态转换,也会发生反向转换,前者主要由降低事故风险和减少认知努力的动机驱动,后者旨在追求行车效率,但同时驾驶人会付出更多的认知努力以对抗风险的增加,这充分反映了驾驶人试图在行车效率、事故风险与认知努力三方面取得平衡。研究成果对深化理解驾驶行为及其背后的决策机制具有积极意义。     

基于人-车交互的行人轨迹预测

针对行人轨迹预测具有复杂、拥挤的场景和社会交互问题,基于长短时记忆网络（Long Short-term Memory Network, LSTM）对行人与车辆、行人与其他行人的交互进行建模,提出一种基于人-车交互的行人轨迹预测模型（VP-LSTM）。该模型同时考虑了行人与行人的交互、行人与车辆的交互,更适用于复杂的交通场景。所构建的VP-LSTM包括3个输入,以行人的方向和速度作为历史轨迹序列输入,行人与行人的相对位置作为人-人交互信息输入,行人与车辆的相对位置作为人-车交互信息输入。该方法首先设计扇形人-人交互邻域和圆形人-车交互邻域来准确捕捉对被预测行人有相互作用的行人和车辆;其次建立3种不同的LSTM编码层来编码历史行人轨迹序列、人-人、人-车社交信息;然后定义人-人、人-车交互的防碰撞函数和方向注意力函数作为人-车、人-人社交信息的权重,进一步提高社会信息的精度;再将人-人、人-车交互信息输入到注意力模块中筛选出对行人影响大的社会信息;最后将筛选后的社会信息与行人历史轨迹序列一起输入到LSTM神经网络中进行行人轨迹预测,并在构建的DUT人-车交互数据集上验证提出的网络。研究结果表明：提出的方法能够准确地预测出交通场景中,人-车交互行人未来一段时间内的运动轨迹,有效提高了预测精度,提高了智能驾驶决策的准确性。     

基于贝叶斯网络的山区公路车辆行为特性研究

受自然条件的限制,山区公路车辆行为具有难以检测和易随环境变化而变化等特点,为研究山区公路车辆行为特性与其影响因素的关系,利用视频监控设备对山区公路上的车辆进行实时监测,从获得的数据里构建不同车辆行为与天气、视距、前后车距离、前后车相对速度差、路况等影响因素之间概率关系的贝叶斯网络模型,再通过模型学习的不确定性推理,预测在特定因素发生的条件下,发生各种车辆行为的概率.通过实例分析,验证了模型的正确性.      

基于浮动车停车点数据交叉口车辆排队长度计算方法

浮动车数据中存在许多行驶速度为零的停车点数据记录,它们和交叉口车辆排队长度存在一定的空间关系.针对此提出一种新的基于浮动车停车点数据计算交叉口前车辆排队长度的方法.首先根据车辆停车点地理位置和正常行驶点的连续关系及和路段的相对位置进行地图匹配,提取出路段上交叉口前正常排队停车点数据;然后从正常排队停车点数据中计算出相对交叉口的浮动车数据相对位置关系,根据对浮动车停止点距离交叉口的位置密度分布变化进行2次统计计算,推算出交叉口前车辆排队长度.最后通过实际浮动车数据计算实例对本方法进行了说明和验证.     

基于MM-STConv的端到端自动驾驶行为决策模型

针对现有端到端自动驾驶模型输入数据类型单一导致预测精确度低的问题，选取RGB图像、深度图像和车辆历史连续运动状态序列作为多模态输入，并利用语义信息构建一种基于时空卷积的多模态多任务（Multimodal Multitask of Spatial-temporal Convolution，MM-STConv）端到端自动驾驶行为决策模型，得到速度和转向多任务预测参量。首先，通过不同复杂度的卷积神经网络提取场景空间位置特征，构建空间特征提取子网络，准确解析场景目标空间特征及语义信息；其次，通过长短期记忆网络（LSTM）编码-解码结构捕捉场景时间上、下文特征，构建时间特征提取子网络，理解并记忆场景时间序列信息；最后，采用硬参数共享方式构建多任务预测子网络，输出速度和转向角的预测值，实现对车辆的行为预测。基于AirSim自动驾驶仿真平台采集虚拟场景数据，以98 200帧虚拟图像及对应的车辆速度和转向角标签作为训练集，历经10 000次训练周期、6 h训练时长后，利用真实驾驶场景数据集BDD100K进行模型的测试与验证工作。研究结果表明：MM-STConv模型的训练误差为0.130 5，预测精确度达到83.6%，在多种真实驾驶场景中预测效果较好；与现有其他主流模型相比，该模型综合场景空间信息与时间序列信息，在预测车辆速度和转向角方面具有明显的优势，可提升模型的预测精度、稳定性和泛化能力。     

基于行人视野注意力场的人车微观交互模型

从行人视觉认知角度出发，提出一种基于行人视野注意力场的人车微观交互模型。构建视野注意力场驱动行人视野域，利用人工势场驱动行人运动，利用目标捕捉算法来控制行人视野域对目标的捕捉。为了验证模型的有效性，使用无人机采集鸟瞰视角下的人车交互数据并进行处理分析，将行人过街风格分为保守、谨慎和冒险3种类型，在Pygame平台下搭建仿真场景和交互模型，把不同行人过街风格的交互数据作为模型输入，以模型输出的行人时空轨迹与采集的真实时空轨迹之间的相似度进行实验对比。结果表明，建立的基于行人视野注意力场的人车微观交互模型比常规人工势场模型准确性提高了25.48%，能够有效地复现实际交通场景中的人车交互过程。     

基于MobileViT-CA模型的营运车辆驾驶人分心行为检测

营运车辆驾驶人因其职业特殊性,驾驶过程中易产生分心驾驶行为从而引发重大交通事故。为提高营运车辆驾驶人分心驾驶行为的检测准确性和泛化性,提出一种基于改进MobileViT网络的驾驶人分心行为检测方法。首先,基于自然驾驶实车试验,构建包含安全驾驶、使用手机、喝水、整理仪容和与副驾驶交谈5类行为的营运车辆驾驶人分心行为数据集。其次,将注意力机制引入轻量型MobileViT网络,通过选择有效的网络主干MobileViT、注意力模块CA、网络嵌入位置从而设计出最优分类模型MobileViT-CA。研究结果表明：所提出的MobileViT-CA分类模型可以有效提升分类网络的性能,在正常光照条件下的营运车辆驾驶人分心行为数据集和State Farm数据集上分别达到了96.57%和99.89%的准确率,且模型具有体积小、检测精度高的优势,有较高的可靠性和泛化能力。     

人-车-路虚拟仿真系统研究

虚拟仿真技术具有高度沉浸感和实时交互的特点，已成为研究人-车-路系统协调性的重要技术手段。提出了人-车-路虚拟仿真系统的结构，并在基于Creator的基础上，虚拟了场景建模、驾驶人车速控制模型、车辆动力学模型，基于Vega视景仿真的基础上进行了软件开发。通过应用碰撞检测、三通道视景同步显示、Multi—Agent车辆行为建模等技术提高了场景的渲染逼真度，获得了良好的虚拟仿真效果。     

信号交叉口车辆拖延行为分析

在分析HCM2000 Back of Queue模型计算值偏大的原因中,提出了信号交叉口车辆拖延行为的概念,分析了拖延行为导致Back of Queue模型偏大的2种情况。建立了车辆拖延行为3阶段模型,重点推导了拖延行为模型中,低匀速行驶的时间与不发生拖延行为的正常状况下的停车等待时间之间的关系。根据统计分析,确定低匀速行驶的速度和时间的取值范围,在此基础上推导出车辆发生拖延行为的最大时间间隔Tmax,以及车辆发生拖延行为的条件。讨论了Tmax在考虑拖延行为的排队模型中的应用,是对考虑拖延行为的Back of Queue模型研究的进一步深化。     

基于元胞自动机模型的路侧停车行为对交通流的影响研究

针对路侧停车带来的进出停车位排队延误、低速巡游降低通行效率、过量停车加剧交通负荷等问题,研究了路侧停车对路段动态交通流的影响分析方法。基于视频识别算法,提取路侧停车车辆在驶入车位过程中的运行轨迹和速度波动数据,解析路侧停车过程中的驶入行为特性,并按照行为差异将停车车辆停车全过程细分为进入路段、寻找车位、找到车位、驶入车位、静止停放、驶离车位、汇入路段和错失车位8类状态;分别依据停车车辆和通行车辆的实际驾驶行为,从跟驰特征、速度矫正、换道规则和位置更新等方面对路侧停车元胞自动机模型进行了改进;在选择目标车位时综合考虑了步行至目的地时间和驶入车位耗时2个要素。与常规通行车辆相比,深入分析了停车车辆提前换道和停车完后汇入路段行为对后车的影响。基于实际交通流数据对仿真模型进行参数标定,经验证,模型拟合度为77.6%;仿真分析了在差异化的停车需求强度下,巡游速度对道路通行能力和延误时间的影响规律。结果表明:固定的巡游速度和停车需求强度下,道路延误时间随道路交通量先增加后减少;在低停车需求强度下,巡游速度对道路通行能力影响微弱,在高停车需求强度下,当巡游速度从30 km/h降低至20 km/h,外侧车道饱和流量降低500 veh/h,最高延误时间增加105 s。      

1种基于车辆时空图的车辆异常行为检测方法

对快速路车辆异常行为的检测有助于防止或及时处理交通事故,缓解交通拥堵,保障出行的安全和效率。采用多高斯背景模型提取前景运动车辆及其中心点并利用Kalman滤波算法跟踪运动车辆。在此基础上,得到各个车道上车辆的行驶时空图,通过车辆时空图对车辆行为进行轨迹分析,根据时间序列上车辆位置的变化检测车辆逆行,通过车间距和车辆位置状态信息检测车辆碰撞。实验表明,该方法能较好地识别出车辆异常行为。     

基于轨迹数据的危险驾驶行为识别方法

连续的跟驰行为和换道行为是驾驶行为的主要构成部分,对交通拥挤和交通事故有着重要影响。通过无人机视频拍摄和图像处理方式,提取了曹安公路沿线的2个交叉路口间正常交通流状态下共600条多车高精度轨迹数据。首先,考虑车辆类型对驾驶行为产生直接的影响,分析了大车和小车的车辆轨迹特征变量分布的差异性,包括速度、加速度、碰撞时间倒数、车头时距等,在标记危险驾驶行为的过程中考虑车辆类型的影响。其次,针对不同的车辆类型,利用修正碰撞裕度对跟驰行为和换道行为进行风险性评估,将其划分为安全型和风险型。根据风险型行为发生的顺序以及持续时间,评估驾驶人的整体驾驶状态是否危险,作为危险驾驶行为识别的样本标记。分别利用离散小波变换和统计方法提取车辆轨迹的关键特征参数,为了提高模型识别效率,将关键特征参数进行排序,从而确定最优判别指标;最后,利用轻量梯度提升机（LGBM）算法对危险驾驶行为进行识别,并与随机森林、多层感知器、支持向量机等算法在精度上进行比较。研究结果表明：在上述研究条件下,LGBM算法对危险驾驶行为的理论识别率最高可达93.62%,可以实现基于机器学习算法的危险驾驶行为的高精度自动识别,该结果对于智能驾驶辅助系统的设计、道路交通安全决策的制定具有显著的意义。     

基于无人机视频拍摄的高速公路小型车换道行为特性

为了研究高速公路小型车的换道行为特性,采用2台无人机同时在200 m的高空对交通流进行拍摄,获取交通流运行状态。构建拍摄路段的高精度地图,获取每一时刻车辆的精确运行状态数据,在此基础上对2个视频进行拼接,最终获得车道位置、速度、车辆编号等8项关键指标,共提取换道行为1 520条,筛选后得到完整的自由换道数据942条。采用车辆轨迹是否持续偏移作为判断换道行为起终点的依据,在此基础上分析换道的时间长度、空间长度、与周边车辆的相互状态以及换道行为的安全性等16个特征参数。得出平均换道时间长度为6.09 s,平均换道空间距离为148.08 m,换道时间与空间长度均符合对数正态分布。换道车辆与目标车道后方车辆的平均距离最小（34.29 m）,其相对距离在10 m以内的占28.24%,驾驶人为了加快行驶,在与目标车道后方车辆相对距离较小的情况下,依然采取换道措施。与正前方车辆的相对速度差最大,平均值为10.2 km·h^-1,并且在83%的情况下,本车的速度大于前车,说明车辆自由换道是由于前方车辆行驶速度较慢所引起。采用TTC,MTC分别对换道起始时刻的安全性进行分析,并将安全状态划分为4种类型：严重-紧急状态、严重-非紧急状态、非严重-紧急状态、非严重-非紧急状态。其中严重-非紧急,非严重-非紧急这2种状态占比最高。该研究成果对了解中国驾驶人在高速公路上的换道行为特性,以及对建立适用于中国实际交通环境特征的换道行为模型具有一定参考意义。     

基于注意力Seq2Seq网络的高速公路交织区车辆变道轨迹预测

针对交通状态复杂的高速公路交织区域,经验丰富的驾驶人能够通过正确地推断周围车辆的未来运动进行及时的车道变换,这对于实现安全高效的自动驾驶至关重要,然而目前的自动驾驶车辆往往缺乏这种预测能力。为此,基于深度学习理论,提出了一种结合注意力机制和编-解码器结构的交织区车辆强制性变道轨迹预测方法,利用Next Generation Simulation（NGSIM）数据集提取车辆变道过程中的关键特征,并引入碰撞时间（Time to Collision,TTC）和避免碰撞减速度（Deceleration Rate to Avoid a Crash,DRAC）2种风险指标,将变道车辆及其周围车辆视为一个整体状态单元,同时补全状态单元内部不同车辆在横向和纵向上的时空状态特征,从而更有效地刻画车辆间的动态交互行为;然后将不同观测车辆的连续窗口序列输入基于长短期记忆网络（Long Short-term Memory,LSTM）的编-解码器,预测交织区车辆变道的未来运动轨迹,通过添加软注意力模块,使模型能够集中聚焦于影响车辆在不同时刻下位置变化的关键信息,再现了真实交通场景下车辆的变道行为。试验验证表明：基于注意力机制的编-解码器模型与当前流行的卷积长短期记忆网络、极限梯度提升树等模型相比具有更高的轨迹预测精度,在长时域的变道轨迹拟合上有显著的优越性,为辅助和自动驾驶领域的发展提供了新思路。     

基于社会力模型的地铁站乘客上下车行为影响因素分析

在上下班高峰期,缩短乘客的上下车时间,更多乘客将会被送达目的地,从而可以提高现有地铁系统的载客能力.现有的国内外研究乘客上下车行为的文献,大多以全部乘客下车为前提进行研究,这与现实生活中只有部分乘客下车的现象不符.因此在社会力模型的基础上加入规定未下车乘客行为的等待模型,在等待模型中,未下车乘客倾向于停留在初始位置.模拟了部分乘客下车行为,并研究了乘客初始位置分布、上下车乘客比例、门的宽度等因素对部分上下车乘客所需上下车时间的影响.结果表明,车门宽度增加23.08%,最多可节约39.7%的上车时间和39.62%的下车时间;随着上下车人数比例不断上升,平均上车时间不断下降,平均下车时间不断上升;通过改变下车乘客初始分布位置,可以将乘客下车时间缩短至原来的72.16%.      

不同渗透率下自动驾驶混合交通流在天气条件影响下的通行能力建模

随着世界范围内对自动驾驶汽车及其相关产业发展的高度重视,自动驾驶车辆上路已成为重点领域协同创新、构建未来交通系统的重要载体。本文主要研究自动驾驶车辆不同渗透率参与的混合交通流受场景天气条件的耦合影响因素下的复杂车辆行为逻辑分析,影响机理解析,跟驰模型及通行能力模型构建等。最后我们通过SUMO仿真实验对模型进行嵌套及分析,以期对自动驾驶汽车在测试及上路引导中起到重要理论决策依据。     

基于异步交互聚合网络的港船作业区域人员异常行为识别

港船作业区域人员的异常行为识别可为智能航运的管控与决策提供重要数据支撑,有利于推动智慧港口和智能船舶的发展.基于异步交互聚合网络开展了面向港船工作环境下的人员异常行为识别研究.基于YOLO模型对港船图像进行卷积操作,利用特征金字塔优化卷积结果得到图像序列中每一帧的人员位置,结合联合学习检测和嵌入范式输出港船图像序列中的...     

基于二次规划的智能车辆动态换道轨迹规划研究

为实现智能车辆的自主换道操作并满足安全性、舒适性和实时性等约束条件,提出一种针对动态交通环境的换道轨迹规划模型。该模型由道路平面曲线表征模块、路径生成模块以及速度曲线生成模块组成。首先,在道路平面曲线表征模块中,模型基于实时获取的周边道路信息,利用切比雪夫多项式插值法回归拟合出连续可导的道路平面曲线函数,用以保证模型在各种道路平面线形上的普适性。然后,在路径生成模块中,根据换道车辆初始时刻的运动状态,建立一系列多项式方程,并利用牛顿迭代法求解方程未知参数,以此生成连接初始位置和目标位置的换道路径,用以保证换道轨迹的平滑性。最后,在速度曲线生成模块中,以满足防碰撞约束、跟驰加速度约束以及车辆运动状态约束为目标,构建二次规划模型,生成沿着换道路径的车辆速度曲线,用以保证换道轨迹的安全性和舒适性。此外,考虑到周边动态的交通环境,车辆系统在每个时间步内会循环调用提出的模型实时更新换道轨迹,直至车辆到达目标位置。仿真试验结果表明：应用提出的换道轨迹规划模型,车辆能够有效避免与周边动态车辆发生碰撞,成功完成换道;基于二次规划框架,模型优化求解时间明显缩短,满足轨迹规划的实时性和有效性要求。     

基于GSOM神经网络模型的交通行为模式学习方法研究

提出了一种用于基于视频的交通事件自动检测的交通行为模式学习方法。首先为了获取利用神经网络进行车辆行为模式学习所需的训练数据,一种基于运动估算的车辆跟踪算法被建立,将采集到的灰度视频图像序列转化为车辆标号场时空序列。其次,使用轨迹建模和编码的方法,将跟踪结果转化为轨迹数据用于网络训练。在此基础上,建立自组织神经网络,并针对自组织网络的不足使用改进的GSOM模型,选择欧氏范数作为测度,自主开发了试验软件,以U形转事件为对象开展试验,对轨迹数据进行学习。对比试验结果表明改进的GSOM算法能有效提取行为模式。GSOM相比SOM用于行为模式学习更为有效和准确。