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。     

城轨ATO系统子空间预测控制方法

为提高城市轨道交通列车自动驾驶(automatic train operation, ATO)系统跟踪给定运行曲线的精度,基于子空间辨识方法,利用列车运行的历史数据,建立与实际运行状态相吻合的非线性子空间预测控制模型,设计子空间预测控制器,实现模型辨识数据和参数在线更新。运用MATLAB软件对比分析传统动力学模型与子空间预测控制模型的跟踪能力。结果表明:子空间预测控制模型在速度、位移、加速度的跟踪精度上有明显优势,牵引/制动特性更加缓和。子空间预测控制模型可以保证列车运行安全、准时,并提高乘客乘坐舒适性。     

稳定跟车状态驾驶风格识别及迁移特性

为探究高速工况稳定跟车状态下不同类型驾驶人的跟车特性及驾驶风格识别方法,选取20名驾驶人开展实车驾驶试验,采集自然驾驶状态下的自车速度、跟车间距、跟车时距等指标,基于雷达数据等确定稳定跟车事件提取规则。通过耦合分析稳定跟车状态下的驾驶行为指标分布规律及跟车特性,选取跟车间距、跟车时距及加速踏板开度为聚类指标,使用K均值聚类算法对301段稳定跟车事件进行聚类分析,并根据不同风格类型出现的频数及所占比例将驾驶人划分为3种风格类型(保守型、一般型、激进型)。最后通过CART决策树方法对聚类结果进行验证,进一步分析长时间稳定跟车状态下驾驶风格的迁移特性。研究结果表明：随自车速度增大,跟车间距与加速踏板开度亦呈现增大趋势,且在不同速度区间下均具有显著性差异。不同速度区间下的跟车时距均值无明显变化,稳定分布于2.57～2.72 s。CART决策树验证驾驶风格聚类划分结果总体吻合率达99.7%。不同风格驾驶人的车速与油门踏板开度、跟车间距与跟车时距均存在显著性差异。随时间推移,保守驾驶人更加趋于保守,激进驾驶人更加趋于激进,一般驾驶人则相对较为稳定。研究结果可为高级别自动驾驶系统跟车控制策略及参数的...     

混行环境下CACC系统驾乘舒适性优化控制

为提升协同式自适应巡航（cooperative adaptive cruise control，CACC）系统在由自动网联汽车（connected automated vehicle，CAV）和人工驾驶汽车（manual vehicle，MV）构成的混行交通流下的驾乘舒适性，提出考虑驾乘舒适性的双层控制策略（dual-layer control strategy considering ride comfort，RC-DCS）. 上层控制器从宏观角度出发，采用两状态空间模型调整跟车间距及车速，并利用代价函数改善车队的整体稳定性和舒适性；下层控制器从微观角度出发，优化单车的油门和制动踏板切换逻辑，稳定实际加速度输出，降低车辆频繁加减速引起的自身俯仰. 试验结果表明:RC-DCS在跟随MV工况中跟车间距误差和加速度分别降低了72.44%和24.87%；在MV插入CACC车队工况中通过增大跟车时距0.4 s以减少加速度波动；在跟车、紧急制动、旁车切入3种典型工况中，单车加速度标准差分别降低了9.6%、10.4%、2.9%.      

基于自然驾驶跟车数据的驾驶人差异性分析与辨识

为研究跟车工况下个体驾驶行为特性及其辨识,以驾驶人自然驾驶数据为基础,通过统计分析,频域分析及时频分析,多尺度对比驾驶人加速度、碰撞时间倒数、跟车时距等跟车轨迹特征参数分布的差异性;利用统计方法和离散小波变换提取能够表征驾驶人跟车习性差异的特征参数,分析不同参数输入结果,确定最优参数组合,建立基于随机森林的驾驶人差异性...     

基于模型预测控制的智能车横纵向控制器设计

针对智能车横纵向控制中路径跟踪精度、行驶稳定性以及乘坐舒适性等问题,提出了基于模型预测控制(MPC)的横纵向综合控制方法.速度规则系统根据参考路径曲率与车辆跟踪位移误差计算出期望速度曲线,速度跟踪控制采用分层式控制器,上层控制器利用MPC算法计算期望加速度,下层控制器利用车辆逆纵向动力学模型对车辆的驱动和制动进行协调控...     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

驾驶人“感知-决策-操控”行为模型

为准确模拟驾驶人跟车行为，提出基于隐马尔可夫模型(Hidden Markov Model，HMM)的驾驶人“感知-决策-操控”行为模型。建立描述驾驶意愿的HMM模型，模拟驾驶人感知过程，获得期望的车间距；预测模块模拟驾驶人根据交通环境和自身生理、心理状态预测车辆未来轨迹，即决策过程；优化模块描述驾驶人为使预测的车辆轨迹跟踪上期望的车辆间距而采取的操控汽车的执行动作，即操控过程。上述3个模块的滚动过程实现了对驾驶人跟车行为的模拟。利用自然驾驶数据进行算例分析，结果表明，本文模型预测车间距平均误差仅为1.47%，证明了所建模型的有效性及准确性。本文为驾驶行为建模方法的理论研究和应用拓宽了思路。     

基于预测控制的动车组迭代学习控制方法

针对动车组运行过程中存在非线性扰动、参数时变等问题，以提高动车组的速度跟踪精度和乘客舒适性要求为目标，提出了一种基于预测控制的高速动车组迭代学习控制方法；通过采集动车组先前运行过程中的输入输出数据，使用带遗忘因子的最小二乘法实时辨识广义预测控制(GPC)中的预测模型参数并计算预测输出，根据以往过程的平均模型误差修正该预测输出，利用修正后预测输出引出迭代学习控制律，在线实时计算得到新的控制量，实现动车组速度跟踪；采用修正后预测输出设计二次型迭代学习控制律，通过充分学习列车系统的重复性特性来解决传统比例积分微分(PID)型迭代学习参数整定难、收敛速度慢和鲁棒性差等问题，并给出算法的收敛性证明；以实验室配备的CRH380A型动车组半实物仿真平台对该方法进行了测试，建立了列车的三动力单元模型，使其跟踪设定速度曲线，并与一些传统算法进行对比。仿真结果表明：在第8次迭代过程，基于预测控制的高速动车组迭代学习控制方法得到的动力单元速度与其设定的速度和加速度误差分别在0.3 km·h^-1和0.5 m·s^-2以内，且变化平稳，其性能优于PID、GPC和P型迭代...     

车辆多目标自适应巡航显式模型预测控制

为了兼顾车辆自适应巡航控制(ACC)系统的跟踪控制效果和实时性, 提出了基于显式模型预测控制(EMPC)理论的车辆多目标自适应巡航控制方法; 基于车辆间运动学关系建立自适应巡航控制运动学模型, 根据预测控制理论推导预测时域内的跟踪误差预测模型, 并确定车辆安全性、跟踪性、经济性和舒适性等多性能目标函数和约束条件; 运用显式模型预测控制中的多参数规划理论, 将基于反复在线优化计算的闭环模型预测控制系统转化为与之等价的显式多面体分段仿射(PPWA)系统, 通过离线计算获得期望加速度与距离误差、速度误差、自车加速度和前车加速度等状态变量之间的最优控制律, 并设计在线查表的搜索流程, 通过定位当前状态所处分区, 并应用该分区的显式控制律实现自适应巡航控制; 进行了纵向跟踪工况仿真验证, 并与传统MPC-ACC控制方法进行对比。对比结果表明: 在前车正弦加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了53.51%, EMPC-ACC控制下的平均距离跟踪误差为0.220 3 m, 平均速度误差为0.340 1 m·s-1; 在前车阶跃加减速工况下, EMPC-ACC控制器单步运算速度比MPC-ACC控制器平均提升了72.96%, EMPC-ACC控制下的平均距离跟踪误差为0.331 9 m, 平均速度误差为0.399 1 m·s-1。可见, 提出的EMPC-ACC控制算法在保证纵向跟踪性能的前提下, 有效地提高了自适应巡航控制的实时性。      

基于自然驾驶的山区公路行驶舒适性研究

为了掌握山区双车道公路的行驶舒适性水平及其关键影响因素,在6条公路上开展了自然驾驶行为试验,采集了多款小客车的加速度连续变化曲线,用Matlab软件对实测数据进行滤波,提取了加速度曲线每个波形的峰值,得到了不同轴向加速度的峰值累积频率曲线、特征分位值和均方根值.试验研究结果表明:纵向加速度幅值要比制动减速度低50%,在试验道路上汽车加(减)速导致乘员不舒适的位置比例最高达6%;乘员在实际行驶中感受横向不舒适的路段比例为7%~10%;在各轴向的加速度中,对人体不适贡献依次是横向加速度ay、制动加速度ab、纵向加速度ax和竖向加速度az.     

基于PNNPID的车辆加速度控制器设计

针对传统的自适应巡航(adaptive cruise control,ACC)加速度控制算法对系统变化辨识速度慢、动态性能差、调整缓慢的问题,提出了一种基于PNNPID(parallel neural network proportion integration differentiation)的加速度控制算法.通过分析传统SNNPID(serial neural network proportion integration differentiation)对误差直接反馈的不足,应用神经网络自学习功能,开发了基于并行控制原理的车辆加速度控制器;考虑车辆平顺性,设计了符合驾驶行为的滤波限幅方案.实验结果表明,相比基于SNNPID的加速度控制器,基于PNNPID的加速度控制器最大偏差控制在±0.25 m/s~2以内,并具有平均误差小、调整时间短和瞬态特性良好的特点,滤波限幅方案有效提高了驾驶的舒适性.     

基于强化学习的智能车人机共融转向驾驶决策方法

针对智能车人机共融驾驶系统中人和自主驾驶系统的驾驶权连续动态分配问题,尤其是因建模误差导致的权重分配方法适应性低的难题,提出了基于强化学习的人机共融转向驾驶决策方法;考虑驾驶人的转向特性,搭建了基于双点预瞄的驾驶人模型,并采用预测控制理论建立了智能车自主转向控制模型,构建了智能车人机同时在环的转向控制框架;基于Actor-Critic强化学习架构,设计了用于人机驾驶权分配的深度确定性策略梯度(DDPG)智能体,以曲率契合度、跟踪精确性和乘坐舒适性为目标,提出了基于模型的收益函数;构建了人机共融驾驶权分配强化学习框架,包含驾驶人模型、自主转向模型、驾驶权分配智能体以及收益函数;为了验证方法的有效性,招募了8位驾驶人开展共计48人次的模拟驾驶试验。研究结果表明:在曲率适应性验证中,人机共融-DDPG方法优于人工驾驶和人机共融-Fuzzy方法,跟踪性平均提升70.69%、39.67%,舒适性平均提升18.34%、7.55%;在速度适应性验证中,车速为40、60和80 km·h-1条件下,驾驶人权重大于0.5的时间占比分别为90.00%、85.76%、60.74%,且跟踪性相轨迹和舒适性相轨迹都能有效收敛。可见,提出的方法能够适应曲率和车速变化,在保证安全性的前提下提升了跟踪性和舒适性。      

听觉-言语认知负荷下工作记忆容量对跟车行驶影响

听觉-言语认知负荷作为一种典型的认知负荷,是驾驶人认知分心的主要来源,容易导致驾驶绩效下降,认知负荷对驾驶绩效的影响程度与个体工作记忆有关。为研究听觉-言语认知负荷下工作记忆容量对跟车驾驶绩效的影响,本文开展心理学与模拟驾驶实验。首先,设置不同听觉-言语认知负荷水平的n-back任务,构建车头时距变化和前车速度变化的跟车场景;其次,采集并预处理工作记忆容量、驾驶人操作行为与车辆运行状态数据,选择跟车速度差、绝对加速度、横向稳定性、制动反应时间及跟车间距作为分析指标,获得36名被试数据;最后,采用方差分析及事后比较,分析认知负荷和工作记忆容量在跟车时对驾驶绩效的影响,并探讨两种因素对驾驶绩效的交互和调节作用。研究表明：认知负荷增加导致驾驶人更大的加减速倾向,更长的制动反应时间;工作记忆容量较高的驾驶人具有更小的制动反应时间和更稳定的跟车间距,更频繁的方向修正和更好的车道保持水平;在工作记忆容量和制动反应时间中,听觉-言语认知负荷具有正向调节作用。本文可以为驾驶安全培训干预提供驾驶人认知特性方面的见解和理论参考。     

基于机非冲突近似网格风险评估的自动驾驶左转运动规划模型

为了提高自动驾驶车辆在复杂机非混行交叉口行车安全性、舒适性和效率,提出了一种基于机非冲突近似网格风险评估的自动驾驶左转运动规划模型,并进行模型泛化;设定静态离散序列交叉口网格区域的划分规则,根据多状态通行行为概率转换关系,预测非机动车在细分网格中的运动状态,并动态评估机非冲突区域的风险等级;在此基础上,采用模型预测方法设计自动驾驶车辆的横纵向控制算法,通过自适应调节航向与速度实现跟踪期望轨迹并同步规避网格冲突区域;结合车辆动力学与外部交互环境等约束条件,开发交叉口四相位信号控制交通仿真平台,采用模型在环测试的方式,从效率优度、舒适性优度、实际规划路径与参考路径的偏移量等方面,验证了对左转机非冲突区域运动规划的有效性。研究结果表明:所提出模型能够有效动态提取和预测网格风险信息,确保自动驾驶车辆与驶入交叉口非机动车的安全交互、高效通行与驾驶舒适性,其规划路径的偏移量与同类算法相比最大可降低17.1%,通行效率最大可提高26.6%,舒适性优度最大可提高39.3%,实际路径跟踪表现出高效通过交叉口机非冲突区域和规划路径占用空间低的明显优势。      

纯电动汽车纵向跟车动力学建模与分层控制

为提升电动汽车的纵向跟车性能,进行电动汽车纵向动力学建模和分层控制策略研究。建立包括电动机、变速器、主减速器、车轮及整车纵向运动模型的电动汽车纵向动力学模型。设计纵向跟车系统决策层与实施层分层控制架构,在决策层建立纵向跟车运动学控制模型,综合考虑实际车距与期望车距误差、自车与前车相对车速、自车加速度和加速度控制量限值的二次型性能指标,基于线性二次最优控制理论优化得到期望的跟车加速度;基于驱动电机和制动器切换逻辑,实施层控制器设计比例积分微分加速度校正器跟踪期望加速度。Matlab/Simulink多工况仿真结果表明:所设计的跟车控制器能够有效控制自车跟踪前车,具备良好的自适应性。     

基于驾乘舒适性的沥青混凝土路面评价

为给沥青混凝土路面舒适性评价及日常管理养护提供理论依据,在测得室内外大量道路路面性能参数及三向加速度数据的基础上,研究了加权加速度均方根值与道路路面性能参数之间的关系.运用214组有效室外实验数据,拟合了加权加速度均方根、行驶速度与平整度关系的线性回归方程,并用驾驶模拟舱对室外实验结论进行了验证.结果表明:加权加速度均方根与平整度强相关,与速度中等程度相关,与动态摩擦系数弱相关,在动态摩擦系数一定的条件下,驾乘舒适性随平整度及行驶速度的增加而降低;当平整度为1.35和3.05 mm/m时,满足驾乘舒适性的最大速度分别为124.1和88.7 km/h.      

基于多源参数的高速工况驾驶行为模式识别方法

准确识别车辆当前驾驶行为模式是自动驾驶领域亟待解决的技术问题。为实现驾驶行为模式精准解析,提高模型识别精度和可靠性,通过开展自然驾驶试验,采集高速工况下20名驾驶人的驾驶行为数据及视觉特性数据等多源参数信息,分析4类典型驾驶行为模式(自由行驶、跟车、左换道、右换道)运行规律及多源参数耦合特性。基于主成分分析法确定4类驾驶行为模式表征指标集,使用支持向量机、随机森林决策树算法建立驾驶行为模式识别模型,通过学习训练,分析比较模型识别结果,对识别效果较好的模型进一步优化,分析优化模型对4类驾驶行为模式识别精度的时序性变化特征。研究结果表明：支持向量机模型、随机森林决策树模型、基于多层感知器神经网络的随机森林优化模型总体识别精度分别为89.4%、90.5%、91.9%;4类驾驶行为模式的AUC (area under the curve)值均高于0.93,可较好地识别车辆当前驾驶行为模式。此外,随机森林优化模型对4类驾驶行为模式的识别精度均随时间推移,呈现先增长后趋于稳定的变化态势,且同一时刻的自由行驶及跟车模式识别精度高于向左及向右换道模式。研究结果可为高级别自动驾驶系统决策及控制策略的制定...     

公路客车横向加速度实验研究

为提供不同类型公路几何线形参数的计算依据,在12条不同地形环境、不同等级的公路上采集了小客车和大客车的横向加速度、行驶速度和轨迹曲率半径数据,评估了试验公路的行驶舒适性,给出了六车道、四车道、双车道3类公路的横向加速度特征分位值,针对不同公路类型和车型,建立了横向加速度-曲率半径和横向加速度-速度的均值模型、极限值模型和85分位值模型.研究结果表明:（1）车道数越少,行驶舒适性越差,设计速度低于30 km/h的双车道公路部分路段的行驶舒适性极差;（2）横向加速度累计频率曲线的拐点在第90~92分位,双车道公路的横向加速度最大值大于8 m/s2;（3）行驶轨迹越缓和、车道数越多,横向加速度分布越集中,且大客车的横向加速度分布要比小客车集中;（4）第85分位值模型可用于公路几何参数的最大值与最小值控制,均值模型可用于几何参数的一般值控制.      

一种新的V2I下车速规划与模型预测控制方法

为了改善城市交通路口信号灯的周期变更引起的汽车频繁切换“停-走”状态而造成的舒适性和经济性不良影响,在V2I场景下将车速规划与模型预测控制相结合,设计了一种提高通行效率的车速规划方法,并提出了面向汽车车速控制的变权重模型预测控制方法。针对所提出的方法,利用Prescan和MATLAB/Simulink建立联合仿真模型,并分别对车速规划方法及车速控制方法进行比较分析。结果表明：在通行效率方面,网联客车能维持在较高车速且不发生路口怠速,相比传统客车节省更多的时间;在舒适性方面,与网联-PI控制策略相比,网联-MPC控制策略的最大加减速度分别降低了79.22%和93.26%,最大加减速冲击度分别降低了92.73%和96.38%,改善了客车的驾驶舒适性;在经济性方面,与网联-PI控制策略相比,网联-MPC控制策略的平均制动力和最大制动力分别降低了49.79%和96.77%,使得更少制动情况发生,且制动情况更为缓和,改善了客车的经济性。