城市道路跟驰车辆驾驶员视觉感知滞后效应的研究

根据驾驶员的视觉感知阈及城市道路交通特点，分别建立了城市道路中直道、弯道以及超车3种情况下跟驰车辆驾驶员视觉滞后时间的计算公式。从城市交通具体参数计算结果表明，跟驰车辆驾驶员总反应时间中视觉感知滞后时间是不可忽视的。     

基于驾驶员认知过程的车辆跟驰模型的建立

基于认知心理学的有关知识,提出一种将驾驶员的直觉、分析和推理三者相结合的驾驶员认知结构基本框架,在此框架体系下对车辆跟驰过程中驾驶员的认知过程进行了详细的分析;结合五轮仪试验系统采集的数据,采用因子分析法确定出对驾驶员的车辆跟驰信息提取过程有独立作用的4个因素,包括前车位移、前车速度、前车加速度和后车位移,相应地将驾驶员认知过程划分为4个阶段,构建了跟驰过程中驾驶员的认知结构模型,并对各个阶段做出了具体分析,建立了相应的车辆跟驰模型。仿真结果表明,基于驾驶员认知过程的跟驰模型可以较好地揭示跟驰过程中的驾驶行为。     

跟驰过程中驾驶员认知结构模型的建立

在道路交通4要素中(人、车、路、环境),人以其主动性和智慧性起着支配作用,是其中的主体要素。基于认知心理学的有关知识,论文采用因子分析法对五轮仪实验系统观测到的车辆跟驰数据进行分析,确定了对车辆跟驰信息提取过程有独立作用的4个因素,相应地将驾驶员认知过程划分为4个阶段,建立了车辆跟驰过程的驾驶员认知结构模型。为驾驶行为研究和车辆跟驰模型的建立提供了理论基础。     

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。     

利用五轮仪实验数据建立车辆跟驰模型

车辆跟驰模型是微观交通流模拟的一个基本模型，用来分析和描述在无法超车的同一车道上一辆车(驾驶员)跟随另一辆车的方式。由于实际道路上驾驶员信息的获取困难，建立的车辆跟驰模型难以标定或验证。本文利用五轮仪试验系统获取的车辆跟驰数据，应用BP神经网络，建立了车辆跟驰神经网络模拟模型。     

驾驶风格对不同跟驰场景下跟驰行为影响分析

为了分析驾驶风格对不同跟驰场景下跟驰行为的影响,利用高逼真度驾驶模拟器设计晴天、雾天两种天气状况和自由流、拥挤流、阻塞流三种交通流状态组合的六类典型跟驰场景。以跟驰过程中的最大加速度、最大油门踏板受力、最大油门踏板受力速度作为指标,通过K-means聚类识别方法,对六类典型跟驰场景下不同驾驶风格的驾驶员进行聚类识别,并以跟车间距、车头时距为风险指标评价不同驾驶风格的驾驶员在六类典型跟驰场景下的跟驰风险。结果表明：六类典型跟驰场景下,不同驾驶风格驾驶员的跟驰行为存在明显差异;激进型驾驶风格驾驶员倾向保持更小的跟车间距和车头时距,跟驰过程中的碰撞风险更高;晴天和自由流场景下不同驾驶风格驾驶员跟驰行为差异性更加显著。     

视觉分神对驾驶员跟驰行为的影响

为了研究驾驶员视觉通道被车载信息系统所占用时,驾驶员对交通信息进行实时加工处理的机理及其应对事故风险的能力,模拟车载信息系统设计了诱导驾驶员视觉分神的驾驶次级任务。根据次级任务的复杂程度划分为3个任务难度等级,使得驾驶员单次视线离开路面的时间随着次级任务难度增加而递增;基于驾驶仿真试验平台,构建了城市道路和高速公路下的典型跟驰场景;招募熟练驾驶员,于驾驶过程中根据试验声音提示执行驾驶次级任务。对采集的试验数据先采用箱图方法进行离群处理,对筛选后的数据采用方差分析和多重比较的方法,分析驾驶员对车辆车道位置掌握、转向盘调整等相关横向操控行为,驾驶员对车辆纵向位置调整、车速调整等相关纵向操纵行为,以及通过其对车辆横纵向控制反映出的补偿措施。分析结果表明:无论车辆处于高速还是低速行驶环境,处于视觉分神状态的驾驶员对车辆的横向控制能力均会变差;驾驶员视线离开路面的时间越长,其对车辆的横向控制能力越差;车辆高速行驶时,驾驶员将面临更大的横向失控风险;而无论车辆处于高速还是低速行驶环境,驾驶员在意识到自身视线离开路面时间过长后,均会通过降低速度和增大跟车距离,以平衡视觉分神带来的纵向方向上的事故风险。     

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.      

车路协同下HMI对跟驰行为与视觉特性的影响

为研究车路协同系统对驾驶员跟驰行为和视觉特性的影响,基于驾驶模拟器搭建高速公路场景和车路协同环境,针对常规状态和意外事件这2种情况,采集跟驰过程中的驾驶行为数据和驾驶员眼动数据,对比分析了有HMI和无HMI这2种情况下的车头间距、车头时距、加速踏板深度、平均制动次数及驾驶员在每个区域的注视时长和扫视频率等行为变量.分析结果表明,常规状态的跟驰过程中,设置HMI车辆的车头间距和车头时距分别增大12.91%和23.70%,加速踏板使用幅度及制动踏板平均使用次数分别降低7.55%和10.14%,设置HMI可使驾驶员注视车辆前方区域的时长减少,在HMI区域的注视时长占总时长的6.18%,而扫视频率没有明显变化;在意外事件的跟驰过程中,HMI的预警对速度和车头时距产生显著性影响,使方向盘转角和加速度方差变化幅度减小,且在保证安全距离的前提下,通过不停地扫视以获取换道时机.      

基于神经网络的车辆跟驰模型的建立

车辆跟驰是一种难以操作的驾驶行为，驾驶员必须同时考虑许多因素。本文应用神经网络模拟无车道变换行为的单一车道车辆跟驰行为（加、减速，不动作）。神经网络的自学习特点，使得神经网络模型能把驾驶员周围的各种信息并行结合起来产生可靠的模拟结果。     

基于熵权物元模型的城市道路交通安全评价研究

科学评价城市道路交通系统的安全性,对提高行车安全、减少事故具有重要意义。文中选取驾驶员、车辆、道路和环境四方面因素构建评价指标体系,并引入熵权物元,建立了城市道路交通安全评价模型;以重庆主城区为例进行评价分析,结果表明基于熵权物元模型的城市道路交通安全评价体系能较科学全面地评价城市道路交通系统的安全性。     

交叉口渐变段线型研究与函数模型构建

减少事故发生、合理的渐变段长度及线型设计,能改善交叉口的通行环境、保障车辆安全行驶、提高路口整体的通行能力.在参考美国关于城市道路交叉口设计相关资料的基础上,对比我国现有城市道路交叉口设计相关技术规范的欠缺之处,结合我国交通参与者实际行车习惯,提出一种符合我国驾驶员驾驶习惯的渐变段线型及其函数模型.通过对现场交叉口车辆进行航拍得到车辆运行轨迹,再将轨迹坐标化,带入Matlab和Spss进行数据拟合,得到交叉口渐变段线型,最终对渐变段线型函数构建,并对模型进行参数标定与简化,使其有利于工程实际计算,为我国城市交叉口渐变段设计提供较为合理的参考.     

自然交通流的跟驰特性研究

在大量实际观测交通流数据的基础上，在研究跟驰车辆表现出的运行特性基础上，本文提出一种基于跟驰特性的车型分类新方法，数据分析表明，将自然交通流中的车辆划分为大型车和小型车就可以刻画出自然交通中不同车型所产生的影响，在此基础上，深入分析了小型车和大型车的分别作为前导车与后随车的跟驰特性，探讨了车型对驾驶员选择跟驰间隔所产生的物理与心理影响因素，并对车速的影响进行了分析。     

基于非线性模型预测控制的车辆纵向队列协调控制

本文中针对基于分层控制结构的车辆队列上、下层控制缺少联系的问题,提出了车辆队列跟驰与个体车辆动力学稳定性协调控制的思路,其基本思想是在保证队列中个体车辆安全稳定行驶的同时,尽可能实现队列跟驰控制的目标。基于非线性模型预测控制(nonlinear model predictive control,NMPC)方法设计了车辆队列协调控制方案,设计了包括跟驰间距误差、跟驰速度误差以及车速与车轮圆周速度差3个子目标的优化目标函数,将队列跟驰与车辆动力学稳定性的协调控制转化为约束优化控制问题;基于序列二次规划(sequential quadratic programming,SQP)方法进行求解,得到车辆前、后轴的制动/驱动力矩来实现上层决策输出的期望跟驰加速度。基于由3车辆组成的非线性队列模型对控制方案进行了仿真分析,结果表明,所提出的基于NMPC的车辆队列协调控制策略可以在大范围操纵工况下,在保证车辆安全稳定行驶的基础上实现队列的跟驰控制。     

奔驰驾驶辅助系统发展历程及典型故障两例

正奔驰的高级驾驶辅助系统ADAS可以在各种情况下主动或被动地为驾驶员提供支持(取决于系统配置),有助于提高驾驶安全性或者减少事故的发生频率。即使事故无法避免时也可以降低事故的严重程度,同时驾乘舒适性也有所提高。驾驶辅助系统利用超声波、雷达传感器以及摄像头识别车辆周围区域(图1),系统在需要快速安全操作时为驾驶员提供辅助,通过车辆信号装置控制对电子行驶控制执行干预(如:加速、制动、转向),在紧急情况发生前或发生时提示驾驶员注意该情况。     

基于随机森林的雨天车辆跟驰风险行为研究

为降低雨天车辆跟驰行为风险,建立了一种基于随机森林的雨天车辆跟驰风险水平判定模型.通过引入降雨条件和安全距离,同时解决跟驰风险不易被量化分析及准确判定的问题,对传统驾驶风险判别模型进行修正,从而提取降雨条件下车辆运行跟驰风险特征,判定当前状态下的车辆跟驰风险.利用UC-winRoad驾驶模拟器仿真实验输出的降雨条件(包括降雨等级、路面水膜厚度、路面附着系数)和车辆运行数据(包括纵向车速、加速度、安全距离)进行验证,构建了引入风险熵的风险水平判定模型;通过随机森林算法对模型进行训练,并对风险特征进行提取,输出风险水平的判定结果.结果表明,该模型获取的风险水平误差小于1级,相比人工神经网络和支持向量机,平均相对误差分别降低了10.36%和4.54%.所提出模型可作为实用工具判定雨天车辆跟驰风险水平.      

基于人-车-路环境下的车辆跟驰模型

在现有的跟驰模型基础上,综合考虑驾驶员个体差异、车辆制动性能差异和交通路况因素,并针对前车静止、减速和匀速或加速三种不同行驶状态,以前后车所需的最小安全距离为目标,建立不同行驶工况下的人-车-路环境下的最小安全距离车辆跟驰模型。最后,针对前车不同行驶工况下对最小安全距离进行数值计算,并与现有的传统模型计算结果进行对比。结果表明:在车辆跟驰过程中,前后车之间所需的最小安全距离会受人、车、道路环境影响而有所变化,文中建立的模型更加准确、合理,符合真实交通现象。     

基于期望间距的车辆跟驰模型的建立

以“期望间距”为基准参理，考虑驾驶员的心理和生理因素，建立了车辆跟驰模型，为研究驾驶行为提供了一种新的思路。