基于驾驶人心理风险场模型的个性化换道决策方法

行驶环境中交互车辆的运动行为会对驾驶人心理产生刺激,引起驾驶人心理状态的变化,进而影响其换道决策行为。为此提出了1种基于驾驶人心理风险场模型的个性化换道决策方法。基于单向3车道快速路交通场景,通过交互式多模型分析车辆的横向速度与横向位移,引入可变横向速度相关的转移概率矩阵,预测交互车辆的目标车道选择;建立驾驶人心理风险场模型,量化行驶环境与交互车辆的运动行为对驾驶人心理风险造成的影响;利用高仿真驾驶模拟器联合SUMO试验平台开展287人次的模拟驾驶试验,通过建立混合交通仿真场景采集驾驶人的换道数据,并选取平均碰撞时间与驾驶人心理风险因子2个特征参数,使用K-means算法进行驾驶风格聚类,将驾驶人分为保守型、正常型和激进型这3类,并进一步确定不同风格的驾驶人在换道初始时刻所能接受的心理风险阈值。在此基础上,实现车辆的个性化安全换道决策。驾驶模拟器试验验证结果表明：对应于保守型、正常型和激进型的驾驶人,实际最小换道决策时间分别为3.48,6.29,11.33 s,实际最大换道决策时间分别为4.65,7.45,12.52 s,理论换道决策时间分别为4.09,6.83,11.95 s,所建立...     

考虑驾驶人风格的换道轨迹规划与控制（双语出版）

基于自动换道控制技术中融合个性化驾驶人风格的研究,建立考虑驾驶人风格的车辆换道轨迹规划及控制模型以提高换道规划控制模型对不同风格驾驶人的适用性,在保证安全性的基础上进一步满足驾驶人的个性化需求。首先通过问卷调查的方式采集得到了212份驾驶人风格量表数据,采用主成分分析法和K均值（K-means）聚类分析法将驾驶人按驾驶风格分为激进型、普通型和谨慎型,并通过驾驶模拟器试验采集不同风格驾驶人分别在自车道前车、目标车道前车和目标车道后车影响下的换道行为数据。然后对椭圆车辆模型进行改进,以描述不同风格驾驶人的行车安全区域,并据此构建3种典型工况下不同风格驾驶人的换道最小安全距离模型,结合驾驶舒适性约束、车辆几何位置约束以及不同风格驾驶人的换道行为数据,以换道纵向位移最短为目标,实现适应驾驶人风格的换道轨迹规划。最后以基于预瞄的路径跟踪模型作为前馈量,设计基于动力学的线性二次型最优（LQR）反馈控制器,通过调节控制权重矩阵实现3种工况下不同驾驶人风格的换道轨迹跟踪。PreScan和MATLAB/Simulink联合仿真结果表明：所设计的考虑驾驶人风格的换道轨迹规划及跟踪控制模型能够实现不同驾驶风格的自动换道轨迹规划及跟踪控制,可满足驾驶人个性化换道需求。     

基于TD3算法的人机混驾交通环境自动驾驶汽车换道研究

提高人类驾驶人的接受度是自动驾驶汽车未来的重要方向,而深度强化学习是其发展的一项关键技术。为了解决人机混驾混合交通流下的换道决策问题,利用深度强化学习算法TD3（Twin Delayed Deep Deterministic Policy Gradient）实现自动驾驶汽车的自主换道行为。首先介绍基于马尔科夫决策过程的强化学习的理论框架,其次基于来自真实工况的NGSIM数据集中的驾驶数据,通过自动驾驶模拟器NGSIM-ENV搭建单向6车道、交通拥挤程度适中的仿真场景,非自动驾驶车辆按照数据集中驾驶人行车数据行驶。针对连续动作空间下的自动驾驶换道决策,采用改进的深度强化学习算法TD3构建换道模型控制自动驾驶汽车的换道驾驶行为。在所提出的TD3换道模型中,构建决策所需周围环境及自车信息的状态空间、包含受控汽车加速度和航向角的动作空间,同时综合考虑安全性、行车效率和舒适性等因素设计强化学习的奖励函数。最终在NGSIM-ENV仿真平台上,将基于TD3算法控制的自动驾驶汽车换道行为与人类驾驶人行车数据进行比较。研究结果表明：基于TD3算法控制的车辆其平均行驶速度比人类驾驶人的平均行车速度高4.8%,在安全性以及舒适性上也有一定的提升;试验结果验证了训练完成后TD3换道模型的有效性,其能够在复杂交通环境下自主实现安全、舒适、流畅的换道行为。     

智能网联环境下基于安全势场理论的车辆换道模型

为有效刻画未来智能网联环境下车辆在换道过程中面临的驾驶风险,保证车辆执行更加安全的换道决策,建立基于安全势场理论的车辆换道模型。首先针对车辆换道过程中所遇到的驾驶风险进行评估,利用势场理论给出车辆行驶过程中不同运动状态下安全势场的空间分布。其次根据换道过程中相关车辆不同安全势场分布情况计算出换道结束时的车间临界距离,相比于传统的车间临界距离计算模型,提出方法能够动态刻画出车辆在不同速度、加速度条件下临界距离的变化趋势,并且能够根据车辆不同的运动状态,动态表达出车辆间临界距离的变化。在此基础上,根据智能网联环境下车辆各类运动状态能够被实时感知的特点,总结出车辆各类运动状态下需要的换道安全临界时间,最终建立基于安全势场理论的最小安全距离换道模型。最后,对模型进行数值仿真分析,仿真结果表明：车辆换道所需要的最小纵向安全距离与换道车辆以及其周围车辆的运动状态有着直接关系。在今后趋于成熟的智能网联环境下,该模型可以进一步进行扩展,利用安全势场的分布情况,对车辆换道过程进行动态实时干涉,能够为今后智能网联环境下车辆协同换道、车辆自动驾驶以及车辆群体优化控制等相关研究提供一定的理论支撑。     

数据驱动的驾驶员换道行为分析与预测综述

换道是一种具有极高风险的驾驶行为,许多交通事故发生在换道过程中,相邻车道车辆的突然换道行为会产生很大安全风险并影响车辆的乘坐舒适性,对周围车辆的换道行为进行预测对驾驶辅助系统和自动驾驶汽车都十分必要。随着V2X(Vehicle-to-Everything)技术、5G技术的快速发展,车辆可以从周围环境中获得更多信息,使换道行为预测成为可能。文中对换道意图的产生及换道过程进行分析,将换道过程分为换道意图产生阶段、换道准备阶段和执行阶段,总结将车辆上各种传感器获得的车辆速度、加速度、位置、方向盘转角等信息及通过V2X技术从交通环境中获得的信息用于换道行为预测的主要方法。目前许多研究采用机器学习方法,按照所使用的数据类型可分为基于驾驶员生理活动信息的方法和基于车辆CAN总线信息、运动学及其与周围车辆运动关系信息的方法,也有研究将二者相结合。数据驱动的换道行为预测方法也可用于车辆的主动换道决策和执行过程,强化学习(RL)算法可以从真实数据中学习决策和驾驶行为,而这些对于传统的基于规则的方法来说基本不可行,故其在研究车辆主动换道时被广泛使用。     

基于环境态势评估的智能车自主变道决策机制

汽车面对的是复杂高动态的行驶环境,且车载传感器信息具有不确定性,对动态环境进行正确态势评估是提高车辆,尤其是智能车行驶安全性的关键因素之一,本文中基于环境态势评估对智能车自主变道决策机制进行研究。首先基于人类驾驶认知机理对车辆环境态势评估模型进行层次化分析,然后利用动态贝叶斯网络实现态势评估,并结合最大期望效用原则实现自主变道决策,最后通过实验验证了本文方法的有效性。结果表明,该方法能在动态复杂环境和车载传感器测量数据存在偏差等信息不确定的条件下,做出正确合理的变道决策。     

感知系统触发条件穿透率评估方法研究

预期功能安全问题制约着自动驾驶汽车的落地。自动驾驶感知系统面临的各种极端行驶环境等极易引起预期功能安全问题。因此,须按照现有预期功能安全标准,在安全分析阶段识别并评估种类多且数量大的触发条件,筛选高价值触发条件为后续测试验证提供测试场景输入。本文中首先基于对触发条件在自动驾驶系统中的风险演化过程的分析,提出一套包括暴露率、穿透率和危害率的三维感知系统触发条件评估体系。随后,基于层次分析法构建了触发条件穿透率量化评估方法。最后,针对某量产车型的融合感知系统分析并选取15个触发条件,构建测试用例并开展封闭场地测试,评估上述触发条件的穿透率。最终经计算筛选得到3个高风险触发条件,验证了触发条件穿透率量化评估方法的可行性。     

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。     

基于自然驾驶数据的高密度立交出入口车辆轨迹特征研究

互通式立体交叉是道路交通网络重要的节点,而随着相邻立交之间的间距不断缩小,逐渐形成了高密度立交群,容易造成交通拥堵,加大驾驶负荷和事故风险。为明确在高密度立交群出入口区段的运行风险和安全隐患,在重庆内环路选取了1簇高密度立交群作为研究对象,开展了实车驾驶实验。使用车载仪器采集自然驾驶状态下车辆轨迹数据,包含速度、实时行驶位置以及车辆中心与两侧车道线之间的横向距离;基于对实测数据的深度分析,明确立交出入口的车辆轨迹形态以及车道选择行为特征和驾驶人性别对轨迹形态的影响关系,挖掘车辆驶离（汇入）主线过程中的换道行为特征和驾驶风险影响因素。结果表明：(1)出入口类型对车道选择和轨迹形态有明显影响,相比于平行式出口,直接式出口的轨迹更顺畅,换道次数更少;(2)驾驶人在净距较近的2座立交驶入驶出时,进入主线路段更倾向选择辅助车道或者最外侧车道行驶,以减少换道次数;(3)出入口附近的主线车道数变化会影响驾驶人的车道选择行为;(4)驶离主线时,平行式出口的换道持续时间要高于直接式出口,而入口类型对于换道时间没有显著影响,78%驾驶人的换道时间为5～10 s;(5)出口区段的运行风险高于入口区段,可在出...     

基于人工智能算法的换道超车功能开发

随着汽车电气化、智能化的不断发展,汽车行驶的场景越来越趋于多样化和复杂化,从而促使汽车从辅助驾驶向智能驾驶不断创新。随着人工智能的引入,汽车智能驾驶功能越来越趋于实用,正在逐步实现向解放驾驶员双手、向车载高级驾驶辅助系统代替人脑进行复杂驾驶场景实时响应的阶段发展;高阶复杂场景智能驾驶功能则在辅助驾驶功能实现的基础上,针对驾驶员实际驾驶感受并结合人工智能算法实现向车辆复杂场景下的自动驾驶操作的方向发展。介绍了基于人工智能算法的换道超车功能开发,即通过换道条件的智能选择,使车辆以最佳方式自动完成换道超车过程。     

基于相关向量机的换道安全性评估

针对传统换道预警系统算法存在的准确率和可靠率等问题,利用毫米波雷达、AWS视觉传感器、车载陀螺仪等设备搭建了试验车,在普通高速公路上对19名被试人员进行了实际道路驾驶试验,并从试验数据中筛选出近1000次换道行为数据.以3段式换道轨迹模型为基础,将横摆角速度统计值作为确定各个阶段曲率半径的依据,根据横摆角速度α= 0.05的上侧分位数确定可接受安全域的上限;并以换道持续时间的极大值为基准,通过分析12 s以上的换道过程,形成一系列控制点,采用B样条曲线规划确定了可接受安全域的下限.通过利用相关向量机(RVM)模型对换道过程参数进行估计,并利用7次多项式模型对换道轨迹进行拟合,然后将拟合轨迹与可接受安全域上限或者下限所围成面积与可接受安全域面积的比值作为预警参数,实现了对换道安全性的评估.利用真实数据对上述评估算法进行验证,结果表明,所提出的换道安全算法的评估结果能正确反映换道的真实安全性,并且与驾驶人的操作行为具有良好的相关性.      

基于多视图协同交互技术的换道图谱构建与分类

为直观展示换道过程中驾驶人视觉感知与手脚操作的细节特征,研究了多视图协同可视化的换道图谱.采用驾驶模拟舱进行高速公路驾驶实验,提取换道过程相关指标数据.将平行坐标、计数图、柱状图与换道轨迹协同可视化以构建换道图谱.采用多视图交互技术对提取的40个换道过程进行分析,提出换道过程的合格区范围并以此将换道图谱分为合格、临界合...     

基于样本熵特征的驾驶人换道过程特征分析

在行车环境中,驾驶人的精神负荷是否能合理分配直接影响行驶安全,因而驾驶人的驾驶熟练程度与驾驶人驾驶过程中的精神负荷分配之间关系值得研究,其中脑电是客观评价驾驶人精神负荷的重要指标.通过实验采集了10组城市道路环境下驾驶人驾驶过程中的脑电信号,并记录了车辆行驶过程中的车辆数据,然后使用样本熵的方法来定量计算脑电数据,从而评价驾驶人在换道过程中的精神负荷问题.样本熵计算结果显示:换道过程中驾驶人的脑电特征要明显比非换道过程中驾驶人的脑电特征复杂;换道过程中驾驶人的脑电特征样本熵明显大于非换道状态下的驾驶人脑电特征样本熵,熟练驾驶人的脑电数据样本熵明显小于非熟练驾驶人的样本熵值,熟练驾驶人在换道过程中车速高于非熟练驾驶人;相较于跟驰驾驶行为,换道驾驶行为过程占用更多的精神负荷,熟练驾驶人比非熟练驾驶人分配更少的精神负荷在换道过程中.     

危险换道驾驶行为预测方法研究

提出了两种危险换道驾驶行为预测算法,分别为基于贝叶斯因子阈值法的隐马尔可夫模型预测算法和基于运动时间窗特征提取法的支持向量机预测算法,它们所需的车辆运行特征变量均可在车联网环境下获得。通过基于Prescan-Simulink联合仿真的驾驶员在环仿真,获得危险和正常两种换道场景下的车辆运动数据,进而对提出的两种算法进行验证和比较。结果表明,两种预测算法对危险换道驾驶行为的预测均有较高的准确率,有助于对危险换道的驾驶员给予及时警告或辅助纠正,从而减少危险换道事故的发生。在样本数据有限的条件下,SVM算法的预测效果更好。     

耦合深度学习-运动学的自动驾驶一体化换道研究

现阶段主流算法都面临着数据量不足导致的模型无法完全应对所有场景，从而造成换道失败或者影响换道过程中的安全性。提出了一种新的耦合深度学习-运动学的自动驾驶换道一体化模型。该模型基于经典BP神经网络，对神经元中的激活函数进行替换，从而克服已有模型的不足。通过CarSim仿真来研究了本模型产生的自动驾驶车辆换道轨迹的可跟踪性，结果显示本模型可以更好地学到人类的安全换道行为，可推广使用。     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

基于自然驾驶数据的驾驶人换道决策识别研究

为实现人机共驾模式下智能系统对驾驶人换道决策的准确识别,将换道决策细分并提出了基于改进的极端梯度提升(XGBoost)的换道决策识别模型。以实车试验采集的自然驾驶数据作为输入,并采用滑动时间窗法确定识别时刻,建立各识别时间窗口下基于XGBoost的换道决策识别模型,同时运用交叉检验和网格搜索(GS)算法进一步提升模型性能,最后利用验证集数据评估所构建GS-XGBoost模型的识别性能,并与机器学习及深度学习模型进行对比。结果表明,所提出的模型在具体换道决策辨识上具有较好的实时性和准确性,且在1.8 s和1.6 s时间窗下的识别准确率最高,达到86.2%。     

基于博弈论的完全信息下的驾驶行为研究

为了提供必要的理论依据来定量分析信息服务下的驾驶行为,提出了符合驾驶行为特征的理论模型。在完全信息的假设条件下,基于驾驶员个人对速度的期望,分析了驾驶过程中的博弈行为和相应驾驶行为意图的变化,建立了前后车之间的博弈矩阵模型。通过分析实例中的速度收益变化发现:基于原车道前后车的驾驶行为只决定了驾驶行为意图,其换道比例大于实际行驶中的换道比例;如果同时考虑邻道前后车的影响,换道比例更接近实际情况;不同速度区间的速度收益随时间推移逐渐接近期望速度,所处的速度区间越小,收益幅度越大,所需达到稳定的时间越久。     

人机混驾交通流交织区换道模型切换控制策略

因交织区的强制换道存在紧迫性, 车辆换道行为在交织区后半段会出现因换道意愿强烈而产生的激进换道行为, 这种微观的换道行为将给交通流带来一定影响; 在人机混驾情形下, 不同类型换道切换控制模型同样可能影响交织区通行能力。在分析人机混驾交通流交织区换道行为特性的基础上, 将换道类型分为保守型换道和激进型换道; 在可接受安全间隙模型的基础上结合自动驾驶车辆间的协同行为, 构建自动驾驶车辆在保守状态下的协同换道模型; 以及在激进型状态下考虑目标车道后车类型影响下, 构建激进型换道模型。通过分析津保立交桥实地调研轨迹数据和NGSIM中US-101交织路段轨迹数据, 分别拟合了保守型、激进型换道模型切换点分布函数; 考虑不同车辆驾驶行为特性及其相互作用, 提出人机混驾条件下换道模型切换控制逻辑决策。以SUMO仿真软件搭建实验平台, 考虑人工驾驶车辆换道模型切换点分布特性, 以优化最大流率、交织区整体车辆运行速度、换道车辆速度等为目标, 确定不同自动驾驶车辆渗透率下自动驾驶车辆的最佳保守型-激进型换道模型切换点。仿真结果显示: 在交织区长度为250 m, 自动驾驶渗透率分别为0.2, 0.5, 0.8时, 自动驾驶换道模型切换点分别在180, 80, 50 m处达到最佳, 即随着自动驾驶渗透率的提高, 换道切换点最佳位置将向交织区入口处逐渐移动, 且在自动驾驶渗透率较低时这种换道切换点的变化较为明显; 在较高渗透率下, 由于协同换道出现频率增高, 自动驾驶强制性换道行为比例降低, 换道模型切换点对交织区通行能力的影响逐渐变小。本项研究对人机混驾条件下高速公路交织区自动驾驶车辆的换道控制提供决策依据      

自动换道系统最小安全距离研究

针对自动换道系统中最小安全距离模型的构建,分别提出了弯道工况下具有代表意义的最小安全距离模型和基于车辆极限运动关系的最小安全距离模型,建立相应模型进行分析,并以红旗H7轿车仿真模型为基础,对所提出的模型进行了对比,得出基于弯道的最小安全距离模型的潜在事故风险较极限运动关系模型高,但后者换道的次数明显少于前者,自动驾驶车辆行驶效率降低,可能导致用户对自动驾驶功能的体验较差。