适当跟车

一般跑高速表明行车距离较远，所以上高速前一定得检查汽油是否够用，以免行至前不着村后不着店的地方油光光。一个人还好，如果是跟女友一道出游的话，那可就糗大了……     

计算最小跟车距离的简单公式

现在的汽车是越来越多了,交通也越来越繁忙了,追尾事故也每天在发生,我们常常看到汽车连环相撞的新闻.有媒体称,追尾是世界难题,有非常多的原因可以导致追尾,但是此种原因彼种原因,跟车太近,刹不住车是最主要的原因!     

如何保持安全的跟车距离？

安全第一 在平时就养成驾驶的好习惯．不要与前车靠得太近．最好留有一段宽裕的空间。 保持反应沟通空间 保持安全距离不仅可以留给驾驶者观察其它车辆的动向的足够时间，而且可以把自己的行驶意图通过信号提前传递给其它车辆。 两秒钟原则 选择路面或路边的某一固定参照物。     

基于长短期记忆模型的跟车距离预测研究

当前不少前向碰撞预警系统以预警距离作为预警的特征量对驾驶人进行预警,因此,提高对跟车距离的预测准度能够直观有效提高该前向碰撞预警系统的预警能力。研究通过驾驶模拟器构建跟车场景,收集了41名驾驶员的跟车行为数据,按照3:1的比例将试验数据划分为训练集和测试集。将驾驶人的跟车距离与速度作为长短期记忆模型的输入,跟车距离作为模型的输出,对驾驶人的跟车距离进行了预测分析研究。结果表明,利用该数据集的模型能够很好的预测驾驶人的跟车行为,泛化性能较好,没有过度拟合现象。并且通过输入不同时间窗口长度的测试集发现,随着测试集长度的降低,预测结果的误差会更大。能够为提高前向碰撞预警系统的精准度提供理论支持,从而增加驾驶员对预警系统的接受度。     

基于驾驶员实际跟车特性的自适应巡航系统研究

合理决策安全跟车距离是自适应巡航控制算法开发的核心,分析驾驶员实际驾驶特性,得出安全跟车距离与静态距离、预瞄时间、相对速度之间的关系,并提出计算安全跟车距离的算法,应用到自适应巡航系统控制中,经验证明设计的自适应巡航系统比较符合驾驶员的跟车习惯,通过调整相关特征参数,能够适应和匹配不同的驾驶特性。     

高速公路跟车之道

如今，高速公路网的发展日新月异，再加上新交规允许驾龄不足一年的新手上高速路驾驶，使得平时驾车谨慎仔细的女士以及车龄并不太长的“幼稚”驾车者们纷纷选择高速路，而且多数驾驶者曾尝试在高速公路上时速达到100km／h以上，在此时懂得跟车的规则尤为重要。[编者按]     

跟车同行防"追尾"

1 所谓安全跟车距离 安全跟车距离是指车辆在行驶中,前后两车之间的安全距离.道路上常有多辆汽车来往行驶,一般都是根据其车速的快慢和道路条件,如同车队一样,自动地排列并按顺序行进着.     

考虑驾驶人风格的跟车预警规则研究

为研究驾驶人的跟车特性及探究可适用于不同风格驾驶人的跟车预警规则,为自动驾驶车辆开发可满足不同用户驾驶需求和驾乘体验的主动安全预警系统,选取50名被试驾驶人开展实车试验,采集驾驶人跟车行为表征参数并基于雷达数据确定跟车事件提取规则。选取平均跟车时距和平均制动时距为二维向量,使用基于K-means聚类结果的高斯混合模型将驾驶人聚类为3种风格类型(冒进型、平稳型、保守型)。通过分析3组驾驶人的跟车及制动数据,将不同类型驾驶人的制动时距分位数作为跟车预警阈值,结合实际预警数据及不同制动时距分位数对应的预警正确率,对现有跟车预警规则进行调整,以适应不同类型驾驶人的驾驶需求。研究结果表明:3组驾驶人的平均跟车时距和平均制动时距差异显著,冒进型驾驶人倾向于选择较小的跟车时距和制动时距,保守型驾驶人的跟车时距和制动时距则普遍较大;3组驾驶人的实际跟车预警次数为215次,驾驶人采取制动操作而系统未予以预警的次数为329次,系统整体预警正确率为21.9%,漏警率为87.5%,通过分析信息熵等判定当前预警规则并不合理;将每类驾驶人制动时距的10%分位数作为阈值时的预警效果较好,调整后的跟车预警规则能在一定程度上适应不同的驾驶人类型。     

一种关于智能车多模式切换跟车控制方法的论述

本文论述了智能车纵向控制系统的巡航模式、接近模式、跟车模式和避撞模式的控制策略和模式切换控制逻辑,以及多模式切换跟车的控制方法。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足,减少跟车场景中追尾事故的发生,提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险,并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类,分别对典型制动避撞过程和制动转向避撞过程进行了分析,从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合,获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级,并基于图像处理方法提取了前车制动开始时刻的TM值,从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下,本车车速过低和过高时,TM值的变化均不明显;而在制动转向避撞场景中,只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析,引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值,其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用,对于制动避撞场景,在设定TM值不变和相对速度不变的条件下,分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真,仿真结果显示,相比于TTC而言,TM的评价稳定性受相对速度影响小,在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。