基于车辆行驶轨迹的道路不良驾驶行为实时辨识方法

为了提高道路交通安全主动防控能力, 以小汽车行驶轨迹数据为研究对象, 研究了不良驾驶行为的实时辨识问题; 基于无人机拍摄交通流视频提取海量车辆行驶轨迹数据; 提出了应用风险度量方法量化典型不良驾驶行为的理论; 使用大样本统计分布方法确定不良驾驶行为的特征参数阈值; 建立了结合交通环境信息的不良驾驶行为谱, 计算了不良驾驶行为谱特征值; 以车辆不良驾驶行为谱特征值为依据标定不良车辆样本; 以部分驾驶行为谱参数为输入, 使用不平衡类提升的人工智能算法建立了不良驾驶行为辨识模型; 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, 分析了小汽车不良跟驰行为特征。分析结果表明: 使用四分位差法得到不良跟驰特征参数的阈值为0.19 s-1, 大部分样本处于正常跟驰状态, 约2%样本处于不良跟驰状态; 基于每辆车行驶轨迹中正常跟驰状态和不良跟驰状态的比例, 使用95%分位数将8 917 veh小汽车样本划分为不良跟驰车辆445 veh与正常跟驰车辆8 472 veh; 不平衡类提升算法CUSBoost辨识不良跟驰车辆达到了94.4%的召回率和85.9%的精确率, 平衡分数和精确率-召回率曲线下的面积为所有算法中最高。可见, 不良驾驶行为谱作为一种客观的不良驾驶行为量化表达方法, 与人工智能方法结合可以生成海量的不良驾驶行为谱库; 不平衡类提升算法可以解决不良驾驶行为数据的不平衡问题, 与常规算法相比具有更好的不良驾驶行为辨识能力。      

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.     

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为,基于实测数据验证全速差模型发现,其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异,基于4 种跟驰情景,即小客车跟驰小客车(car-car),小客车跟驰公交车(car-bus),公交车跟驰小客车(bus-car),公交车跟驰公交车(bus-bus),建立考虑车流异质性的车辆跟驰模型. 结果表明,改进模型的性能提升明显,较全速差模型,速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%,22.32%,更符合交叉口进口道异质疏解车流的跟驰行为.     

基于多元高斯模型的跟驰轨迹评价方法研究

针对机器学习跟驰模型中传统轨迹层面误差分析方法考虑因素不够全面、原始数据存在部分不合理驾驶轨迹且难以剔除的问题,提出一种从总体数据角度评价跟驰轨迹的方法——多元高斯模型,将车头间距与相对速度进行联合考虑更能体现个人的驾驶行为.运用高斯分布描述总体数据的概率分布,计算跟驰轨迹的概率值作为对比依据.选用K近邻模型进行轨迹仿真,在NGSIM数据集上进行训练和仿真测试,仿真实验结果表明,多元高斯模型对轨迹的评价更合理,该方法也可用于改善和扩充数据集,剔除部分不合理轨迹,将仿真概率较高轨迹加入到数据集.     

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。     

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.     

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.     

基于最优间距的车辆跟驰模型及其特性

为真实地反应车辆跟驰机理,假设在跟驰状态下,驾驶员倾向于保持最优跟驰间距,在分析最优间距函数的基础上,建立了车辆跟驰模型(optimal distance model, ODM).利用NGSIM数据,对ODM模型和经典Gipps车辆跟驰模型进行参数标定和评价.用仿真方法分析了ODM模型再现宏观交通流现象的能力和加速度特性.研究结果表明:与Gipps模型相比, ODM模型的加速度、速度和距离的仿真精度分别提高了0.36 m/s2、0.99 m/s和0.73 m,并能够再现实际交通流中稳定车流和冲击波等交通现象;在稳定交通流中, ODM模型总是趋向于使车辆间距等于最优跟驰间距,或在其附近小幅度波动.      

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。     

非机动车骑行行为实验研究

基于交通信息负荷量和交通信息变化的非机动车骑行过程,分析了骑行行为的安全性．针对不同的交通信息负荷量下非机动车骑行者的骑行行为,从骑行的安全感和舒适度出发,借助交通行为分析理论,设计了非机动车行车实验的研究方法,通过对比实验研究,分析了非机动车的速度和加速度特点,并根据自行车速度不稳定、波动频率高,而电动自行车速度相对稳定,但速度高、加速度大的特点,得出电动自行车安全性差的结论,验证了实验方法的可行性与合理性．     

基于视频检测数据的自行车元胞尺寸标定

由于自行车流交通流微观特征的复杂性,造成对宏观特征三参数的认识也比较困难。而自行车元胞自动机模型的基本单元尺寸来源于其微观特征,所以这里重点描述基于现场视频检测数据的自行车元胞单元尺寸标定方法。通过尺寸标定后模型的演化,说明该改进模型能有效地克服采用固定元胞尺寸所带来的交通流宏观特征数据的不合理性。     

关于自行车出行的几个相关问题

通过对自行车交通现状的描述,提出了自行车交通的特点以度自行车出行特征,最后根据自行车车流的形态建立自行车车流模型,应用自行车车流模型建立计算自行车通行能力模型,同时根据实地观测数据来标定模型中的各项参数。     

基于元胞自动机的自行车流蛇行、穿插模型

通过重新定义元胞尺寸、状态值及元胞邻域,建立了自行车元胞自动机基本模型,并在基本模型中引入随机偏移概率来表达自行车不遵循车道行驶的特性.通过模型模拟运行,并对获得的自行车流参数进行分析,结果表明引入随机偏移概率能很好地描述自行车不遵循车道随机蛇行、穿插的特性.     

基于高铁轨道不平顺的车轮不圆顺识别模型

为获取高速运行车辆的车轮不圆顺幅值,并进一步研究轨道谱,建立一种基于轨道不平顺的车轮不圆顺幅值快速测量模型. 首先分析了车轮不圆顺在轨道不平顺检测数据中的分布规律,提出车轮不圆顺的密集采样方法,进而建立基于稀疏轨道不平顺数据的车轮不圆顺动态识别模型. 通过数值仿真研究发现:车轮不圆顺对基于惯性基准法测得的离散轨道不平顺数据的幅值影响较小,对频域（轨道谱）影响较大;车轮不圆顺会干扰波长小于和等于轮长的轨道不平顺检测数据,且对前者影响更大;车轮不圆顺对波长大于轮长的轨道不平顺数据也有影响,最大影响波长仅与车轮周长和轨道不平顺的采样间距有关;识别模型能有效地从轨道不平顺检测数据中提取车轮不圆顺,误差可控制在0.02 mm以内.      

实时在线断轨检测方法研究

在长大隧道中,由于无缝长轨和整体道床的应用,使得传统轨道电路的使用受到限制,现在用计轴加轨道电缆取代轨道电路,原轨道电路的断轨检测功能消失.针对此情况给出了一种实时在线的断轨检测方法.推导出相应的轨道电路在调整态和断轨态下电流的函数关系式.通过对不同的道床电阻、轨道长度及在不同断轨位置的MATLAB仿真分析,证明这种方法能够准确判定断轨的范围.     

���ڳ���ǰ��������Ĺ��������

轨道交通线路净空安全是确保列车平稳、不间断运行的基础.由于轨间异物对行车安全产生严重影响,所以基于非轨道电路的轨道异物入侵检测系统在铁路系统中具有十分广泛的应用前景.本文提出了一种基于移动车载摄像机检测轨间异物的方法.首先,通过钢轨识别算法自动定位钢轨位置,并确定列车前方轨道是否有其它列车或公路车辆等大型异物,若有则进行报警;之后,基于边缘检测的异物检测算法自动检测轨间可疑小异物,同时提取可疑异物的尺度信息和颜色索引参数等相关特征;最后,用支持向量机（SVM）来对可疑小异物区域进行分类和辨识.车载实验结果表明,该方法可以有效地检测出轨间异物.     

基于激光雷达的无人驾驶障碍物检测和跟踪

针对激光雷达动态障碍物检测与跟踪过程中聚类适应性差、实时性低和跟踪准确度不高等问题，提出一种自适应的密度聚类算法和多特征数据关联方法，分别用于检测和跟踪. 首先，对激光雷达采集的点云进行路沿检测、感兴趣区域提取和地面分割等预处理，去除无关点云；然后，基于自适应的密度聚类算法对非地面的点云进行聚类，完成障碍物点云检测；最后，利用加权多特征数据关联算法结合卡尔曼滤波器实现对动态障碍物跟踪. 通过实验表明:本算法能够根据10 Hz的激光雷达数据实现对障碍物准确、稳定的检测和跟踪，且聚类时间缩短32%.      

提速铁路无缝线路稳定性的有限元分析

本文用有限元方法研究了一个分析提速铁路无缝线路稳定性的模型。该模型将钢轨、轨枕、扣件及道床阻力视为一个整体，并考虑了由于温度应力产生的非线性变形．在此基础上，推导出了计算公式，并编写了相应的程序。该模型还考虑了道床的横向阻力、失效轨枕、弯轨半径以及初始弯曲变形对无缝线路的影响。     

铁道车辆车轮扁疤故障检测技术综述

从铁道车辆车轮扁疤对轨道的冲击效应及其对车辆零部件造成的损伤出发,系统梳理了检测车轮扁疤的多种方案,对各类车轮扁疤故障检测方法特点进行了讨论,对比了不同检测方法的优缺点,对车轮扁疤故障检测技术体系的发展方向进行了预测。分析结果表明:车轮扁疤故障检测技术可分为车载检测法和地面检测法,其中地面检测法运用较为广泛;现阶段较为成熟的车轮扁疤检测技术按检测手段可主要分为轮轨冲击检测法、超声波检测法、噪声检测法、踏面位移法、振动加速度检测法、图像检测法、光学检测法、轨道电路中断法等;近年来,随着科学技术的发展,又涌现了如多普勒效应法、超声波回声定位法等;随着现代智能算法的进步,应用神经网络等智能算法对设备进行故障识别训练能大大简化设备开发进程和结构,智能算法或将成为车轮扁疤故障识别的主要发展方向;随着时间推移,检测设备的多故障集成化趋势越发明显,多故障检测集成化与功能多样化已是智能化检测设备发展的重要方向之一;未来,操作系统方面的提升也将主要集中于平台的人性化和智能化方面;检测体系建议由正线实时监测、车辆段入库精准检测、数据信息化平台三部分组成,未来发展方向会集中在装置简易化、算法精准化与操作智能化等方面。