典型跟驰模型的特征与性能分析

为对比分析传统的跟驰模型在描述车辆行驶特性中的应用特征,从模型形式和基本特征两方面对典型的刺激-反应类GM模型、安全距离类Gipps模型、优化速度类FVD模型进行了对比分析。为验证以上理论分析结果,对3种跟驰模型分别进行了数值仿真分析,并分别对前后车之间的速度变化关系以及位置变化关系进行了对比分析。实验结果表明,相较于GM模型与Gipps模型,FVD模型在应用中更符合实际情况,能够较为准确地描述单一车辆加速或减速的行驶特性。     

基于自然驾驶数据的中国驾驶人城市快速路跟驰模型标定与验证

为了评估既有跟驰模型在仿真中国驾驶人跟驰行为方面的表现,对5种代表性跟驰模型进行参数标定与效果验证。基于"上海自然驾驶研究项目"采集的60位驾驶人、累计超过16万km的实际驾驶行为数据,根据雷达、车辆总线数据自动提取2 100个城市快速路稳定跟驰行为片段;采取5-折交叉验证法划分标定与验证数据集,即将每位驾驶人的50个跟车片段随机划分成5个不相交的子集（每个子集包含10个跟车片段）,其中4个子集作为标定数据集,剩下的1个作为验证数据集,依次轮换标定数据集与验证数据集5次,展开5次模型标定与验证。基于标定数据集,采用遗传算法对Gazis-Herman-Rothery、Gipps、智能驾驶人、全速度差（FVD）以及Wiedemann模型进行参数标定;基于验证数据集,评估5种模型在预测两车间距方面的精度。结果表明：FVD模型在5种模型中表现最佳,具有最小的误差（21%）和误差标准差;相对于微观交通仿真软件VISSIM中所采用的Wiedeman模型,FVD模型具有精度高、易于标定、对不同驾驶人鲁棒性强3个优势,更加适应于仿真中国驾驶人的跟驰行为。研究结果对于开发适合于中国驾驶人与道路交通环境特征的跟驰模型及微观交通仿真系统具有重要价值。     

考虑慢车影响的双车道PFV跟驰模型研究

在双车道交通系统中会有较多的因素影响跟驰行为,针对单车道提出的跟驰模型能否直接适用于双车道系统值得研究。双车道交通系统中的车辆存在换道行为,因此,在研究双车道跟驰行为时不仅应考虑本车道前后车辆的影响,还应该考虑邻近车道车辆的影响,合理地将换道规则引入跟驰模型中。考虑慢车影响,基于PFV跟驰策略建立了双车道跟驰模型。仿真结果表明,相较于FVD策略而言,采用PFV策略,慢车在双车道交通系统中造成的车辆延误较小且无碰撞发生,可以更好地描述车辆在双车道系统中遇到慢车时的跟驰行为。     

基于驾驶行为分析的交通流中车辆跟驰建模与仿真

着重从驾驶行为分析的角度，对车辆跟驰模型中与人的因素有关的GM模型、CA模型、线性Helly模型、AP模型以及基于模糊逻辑和神经网络的车辆跟驰模型进行了详细的评述，提出了未来智能交通流中应充分考虑到数字驾驶行为对智能车辆跟驰建模与仿真的影响，以期正确地揭示出交通流的特性和本质。     

基于车辆个体行为的交通流跟驰模型研究

用改变参数取值的方法来将个体差异这一重要思想引入跟驰模型,实现对FVD(全速度差)模型的优化,对模拟交通情况和优化交通管理有积极意义.研究实现了驾驶员行为的个性化描述,采用敏感程度的概念并用一个标准正态分布中的取值表示,分析了个性化行为和模型参数的联系,实现了模型的优化和优化后模型对启动车流和稠密交通流扰动传播的数值模拟.     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题,研究了4种基于车路协同环境下实时优化各车的车速引导模型。对车辆进行所属车辆列队划分,考虑车速引导影响对FVD跟驰模型进行改进。以车辆列队为引导单元,将车辆可能面临的交通状况细分为8种引导场景,以引导车辆不停车或少停车通过交叉口为目标,直接优化车辆加/减速度,建立车辆列队后车根据改进的跟驰模型计算目标跟驰加/减速度,并与头车组成列队以同一目标车速通过交叉口停车线的4种车速引导模型。以南昌市海棠北路/枫林西大街交叉口为例进行仿真验证,结果表明,所提出的车速引导模型能使车辆行程时间减少18.9%,最大排队长度减少58.8%,延误减少60.8%,燃油消耗减少36.4%,且适用于不同交通饱和状态,对提高信号交叉口通行效率和减少车辆燃油消耗有显著效果。     

混合神经网络跟驰模型的建立

将混合神经网络模型(CNNM)应用于跟驰模型的建立。进行基于车载高精度GPS的跟驰试验设计,并结合试验数据,介绍模型建立的原理和过程。分别建立基于BP神经网络和基于径向基神经网络的跟驰模型,并应用于混合神经网络跟驰模型的建立。模型通过实测数据对混合模型的信用值进行调整,从而组合得到较高的精确度。通过对预测效果的比较,可以发现混合神经网络跟驰模型可以取得比单一神经网络模型更好的预测效果。     

基于白适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型。针对这一问题,应用自适应模糊神经推理系统（ANFIS）建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练。最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真。结果表明,前者输出的跟驰车辆加速度值更接近于真实值。     

基于自适应神经模糊推理系统的跟驰模型研究

由于驾驶行为的不确定性,难以建立精确的车辆跟驰模型.针对这一问题,应用自适应模糊神经推理系统(ANFIS)建立跟驰模型,以跟随车与前车速度差及行车间距为输入量、跟随车的加速度为输出量,建立25条模糊推理规则,将模糊推理规则产生的数据作为车辆跟驰ANFIS模型的训练数据,并利用MATLAB编程对其进行训练.最后,设计了基于车载高精度GPS的跟驰试验,并结合试验数据分别对自适应模糊神经推理系统跟驰模型和传统跟驰模型进行仿真.结果表明,前者输出的跟驰车辆加速度值更接近于真实值.     

基于车辆个体特征的IDM模型研究

现有的跟驰模型大多基于标准驾驶行为建立,未能真实体现车辆的个体差异.文中将反应时间和车型作为车辆的个体特征加入IDM跟驰模型中.假设反应时间在驾驶员人群和单个驾驶员的反应过程中都存在离散,采用车辆尺寸,加减速性能和车头时距等要素描述不同车型的差异,建立了考虑反应时间和车型的跟驰模型.对信号灯放行状态和稠密交通流中扰动传播的仿真表明,考虑反应时间和车型的跟驰模型能较好体现交通系统的随机性和异质流特征,仿真效果与实际更加契合.     

对智能驾驶员模型的改进及其应用

传统的跟驰模型在自由流附近不能得到车辆以自由流速度行驶的结论,分段描述的模型解决了这个问题,却破坏了模型的统一性和简单性.智能驾驶员模型（IDM）能够以较少的参数和统一的形式描述从自由流到拥堵流的车辆行为.然而IDM模型在期望距离非负和反应时间问题上存在缺陷,改进了这2点不足.并在分析模型特性的基础上采用北京实测数据,标定了该模型,并应用这个模型研究了快速路出口车队遇到下游信号灯路口后排队和拥堵的产生机制.     

Development of an errorable car-following driver model

An errorable car-following driver model is presented in this paper. An errorable driver model is one that emulates human driver’s functions and can generate both nominal (error-free), as well as devious (with error) behaviours. This model was developed for evaluation and design of active safety systems. The car-following data used for developing and validating the model were obtained from a large-scale naturalistic driving database. The stochastic car-following behaviour was first analysed and modelled as a random process. Three error-inducing behaviours were then introduced. First, human perceptual limitation was studied and implemented. Distraction due to non-driving tasks was then identified based on the statistical analysis of the driving data. Finally, time delay of human drivers was estimated through a recursive least-square identification process. By including these three error-inducing behaviours, rear-end collisions with the lead vehicle could occur. The simulated crash rate was found to be similar but somewhat higher than that reported in traffic statistics.     

特殊过程下的车辆跟驰模型数值模拟分析

为分析车辆跟驰模型的性能和存在的问题,并在试验基础上有针对性地提出模型的关联因素,利用开发的FMSS数值模拟系统,对3种车辆跟驰模型的稳定性、真实性和存在的问题进行了特殊过程下的跟车数值模拟和分析。结合五轮仪跟车试验结果,分析了建立跟驰模型需要系统考虑的问题,提出了一个概念模型。研究表明:所分析的跟驰模型在特殊过程下都是不稳定的跟驰模型,要建立具有良好综合性能的跟驰模型,应引入主观意愿、驾驶环境等不确定的智能因素,建立包含数学、逻辑映射的综合模型。     

微观交通仿真中换道模型的研究综述

与跟车行为相比,换道行为需要考虑的车辆更多,司机的决策过程更加复杂,也更难于描述,目前跟车模型的研究已趋于成熟,而换道模型的研究则相对滞后.针对多数交通仿真系统存在的算法内核封装性和保密性问题,对当前应用较多的几种换道模型进行了综述,介绍了几种模型的构建思想和算法,对这些模型的优缺点进行了评述和展望.期望能对换车道模型研究的深入化和精准化起到一定的参考和借鉴作用.     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

考虑驾驶员行为特性的模糊推理跟驰模型改进研究

基于模糊推理的车辆跟驰模型实现了用数学方法描述驾驶员的主观判断、推理和执行的过程,但现有的这类模型通常未考虑驾驶员行为特性的差异。针对这一问题,在基于模糊推理的跟驰模型中引入期望车头时距,不同行为特性的驾驶员具有不同的期望车头时距,在此基础上建立了改进的车辆跟驰模型。仿真结果表明,改进的跟驰模型能准确描述不同类型驾驶员的跟驰行为及其差异。     

基于双目视觉计算的车辆跟驰状态实时感知系统

双目视觉技术能够实现目标的识别与距离计算，在自动驾驶领域有很大的应用空间。然而，现阶段双目视觉存在光照干扰、遮挡、弱纹理区域歧义匹配等问题，影响其测量的准确性和可靠性。提出基于双目视觉的跟驰状态实时感知系统，该系统采用基于车辆跟驰模型的扩展卡尔曼滤波方法对车辆跟驰状态进行实时估计，包括跟驰距离、前后车速度差等。通过实际道路试验，证明了该系统能够识别并修正测量数据中的异常值，解决弱纹理区域误匹配问题。试验结果表明：25 mm焦距与12 mm焦距的双目系统跟驰间距测量值的平均误差分别为2.66%与9.14%；在相对速度测量方面，2种焦距系统的测量精度基本相同，平均误差均为1 m·s^-1左右。所提出的方法在自动驾驶车辆环境感知领域有较好的应用前景。     

期望车头间距的混沌模型研究

通过对跟驰车队刺激———反应过程以及人车单元组合的微观特性分析,说明跟驰车队中具有产生混沌现象的必要特征。首先运用数学方法给出4种期望车头间距理想模型,将Rossler混沌吸引子模型分别引入4种模型中,然后选择能更好地描述实际交通流状态的期望车头间距模型,并利用高精度车载GPS设备在城市快速路上采集的实测跟车数据对该模型进行标定和验证后,认为改进的期望车头间距模型能更好地反映实际交通流的跟驰特性。