基于支持向量机的车辆驾驶行为识别研究

从车辆行驶轨迹的角度,车辆驾驶行为可细分为车辆跟驰行为、车辆换道准备行为和车辆换道执行行为,它们对交通拥堵、交通事故等都有着重要影响,也是自动驾驶、交通仿真等系统的基础构成模块.然而,如何从实际微观交通流数据中对3种行为进行识别是驾驶行为研究的基础和难点.本文提出基于支持向量机的驾驶行为识别方法,使用真实车辆轨迹数据,为提高模型的准确率,首先对样本数据进行归一化和主成分分析预处理,然后采用网格搜索算法对惩罚因子和核参数进行寻优,最后利用样本数据对基于支持向量机的分类模型进行训练和测试.结果表明,模型的测试精度达到了98.41%,能够很好地识别车辆的行驶状态,为驾驶行为各阶段的研究提供支持.     

城市连续隧道交织区主线交织车辆换道点选择行为研究

基于城市连续隧道交织区分析主线交织车辆换道点选择行为,以实地采集的车行轨迹数据为基础,利用随机森林模型分析主线车辆换道点选择行为特征及影响行为决策的影响因素,而后分别采用支持向量机模型与随机森林模型进行换道点选择行为决策建模和对比分析。研究结果表明：影响主线交织车辆换道点选择的主要因素为目标车辆状态以及本车道的后车状态,且经特征筛选之后建立换道决策模型的精度更高,其中支持向量机模型可以较好的刻画换道行为,模型的预测精度不低于85%。研究成果有助于在仿真模型中更准确描述换道点选择行为,同时为城市连续隧道交织区的优化和辅助驾驶策略制定提供支撑。     

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。     

基于EKF学习方法的BP神经网络汽车换道意图识别模型研究

实时准确地识别驾驶人的换道意图有助于提高车辆行驶的安全性,达到安全辅助驾驶的目的。文中提出了一种基于EKF（extended kalman filter）学习方法的BP神经网络模型,用于识别驾驶人的换道意图,并进行短时行为预测。通过实验采集了20组高速公路实车行驶数据,利用前方车头时距、转向盘转角值、驾驶人头部水平位置数据,以及车道偏离量4类数据样本进行训练得到结果。实验结果表明：本模型较传统的神经网络识别模型具有更短的识别时间,且模型的可信度更高。在车辆换道和直线行驶2种工况下,本模型对换道意图的识别准确率达到了95％。     

基于车辆行驶轨迹的道路不良驾驶行为谱构建与特征值计算方法

为了量化描述不同道路驾驶场景下驾驶行为的动态变化过程与不良驾驶程度, 研究了不良驾驶行为谱的构建与分析方法; 基于车辆行驶轨迹关键参数建立驾驶行为谱; 应用风险度量方法量化4种不良驾驶行为, 包括不良跟驰、蛇形驾驶、速度不稳与不良换道; 基于驾驶行为谱建立了不良驾驶行为谱; 基于交通流量-密度关系与驾驶行为统计参数的差异对交通流状态进行划分; 在不同交通流状态下, 使用四分位差法确定了不良驾驶行为特征参数阈值; 基于特征参数阈值计算每个驾驶人的不良驾驶行为得分; 使用CRITIC赋权法确定了不良驾驶行为的权重, 为每个驾驶人计算不良驾驶行为谱特征值; 为了验证方法的有效性, 使用无人机交通视频采集了上海市的车辆行驶轨迹数据, 分析了小汽车不良驾驶行为特征; 通过专家打分的方法对不良驾驶行为谱特征值进行验证。分析结果表明: 基于驾驶行为参数的交通流状态聚类方法将数据中的交通流状态分为自由流、饱和流、拥堵流3类; 聚类方法比基于基本图的交通流状态划分方法更适合驾驶行为分析; 不同交通流状态下的不良跟驰、蛇形驾驶、速度不稳特征参数分布明显不同, 拥堵流状态下的不良跟驰、蛇形驾驶、速度不稳极端值出现更频繁, 而不良换道特征参数在各交通流状态下有相似的分布; 蛇形驾驶、速度不稳、不良换道的特征参数阈值随交通流密度上升而上升; 使用CRITIC赋权法计算的不良跟驰、蛇形驾驶、速度不稳、不良换道的权重分别为0.19、0.33、0.37、0.11;自由流、饱和流、拥堵流的不良驾驶行为谱特征值的分布范围相近, 均处于0与0.4之间; 专家的不良驾驶行为评价与不良驾驶行为谱特征值一致。可见, 不良驾驶行为谱的构建与特征值计算方法能够使用车辆行驶轨迹数据自动辨识不良驾驶人, 具有客观性、适应性以及可靠性, 能及时发现不良驾驶人, 给驾驶人提供安全提示, 为交通管理部门提供交通安全预警的技术支持。      

基于行驶轨迹的车辆换道行为预测方法研究

车辆换道行为是机动车在道路上行驶时的一种常见行为，对其进行预测能有效减少交通事故。基于NGSIM项目数据，对换道车辆换道时刻的行为特性进行分析，运用随机森林算法筛选出表征换道行为的参数指标：横纵向速度、加速度、偏角、车头间距以及相对时距，提出一种级联LSTM模型预测车辆在行驶过程中是否会发生换道行为，并与传统单层LSTM模型对比。结果表明：级联LSTM模型预测准确率可达93.6%,具有良好的换道预测效果且高于单层LSTM模型，可为自动驾驶和深度学习提供一定的理论参考。     

基于随机效用理论的城市道路车辆自由换道行为研究

为深入分析城市道路驾驶员换道行为的影响因素,基于大连市西南路路段的车辆运行轨迹 数据,引入随机效用理论,建立了城市道路车辆自由换道模型,并对模型进行了标定和验证,且 应用弹性理论定量分析了换道概率对不同因素的敏感度。结果表明,所建模型可以较好地预测车 辆的自由换道行为;驾驶员换道决策对本车与当前车道前方车辆之间的车头间距最为敏感;相对 于当前车道前方空隙的刺激,相邻车道驾驶环境的诱惑对驾驶员换道决策的影响较小,说明在前 方无不利刺激（狭小的驾驶空间或加速空间） 的情况下,驾驶员在行驶过程中倾向于保持在当前 车道。该研究结果可进一步应用于城市道路换道行为的微观仿真研究中,以提高其仿真精度。     

高速场景相邻前车驾驶行为识别及意图预测

相邻前车的驾驶行为会影响后车,因此先进的辅助驾驶系统需具备识别前车驾驶行为的能力. 对高速场景下相邻前车换道行为进行研究,分别提出双层连续隐马尔可夫模型-贝叶斯生成分类器(CHMM-BGC),以及基于双向长短时记忆网络(Bi-LSTM)的行为识别模型和意图预测模型. 采用自然驾驶数据集对模型的有效性进行测试验证. 实验分析表明：基于Bi-LSTM的行为识别模型相较于双层CHMM-BGC在平均识别率上提升了11.24%,两种行为识别模型均可在相邻前车换道过程的早期阶段识别换道行为;考虑相邻前车与周围环境车辆的交互作用,可使模型具有预测性,两种意图预测模型均可在车辆换道时刻前预测到驾驶人换道意图. 模型仿真计算时间可满足系统的实时性需求,为本车驾驶人预留出反应时间,为预测周围车辆行驶轨迹研究提供支持.     

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...     

驾驶风格聚类与识别研究

为实现驾驶人驾驶风格的准确聚类和有效识别,以NGSIM数据为依据,提取包含换道行为的16 s车辆行驶轨迹,选取可以全方位表征驾驶人驾驶特性的评价指标并借助因子分析法实现指标的降维;在此基础上选用k-means聚类算法对所得样本数据进行聚类分析,把驾驶风格分为谨慎型、普通型和激进型;最后对比了SVM和ANN驾驶风格识别模...     

无人驾驶智能车完成首次智能驾驶测试

由多方合作研制的“猛狮3号”无人驾驶智能车在车流滚滚的京津城际高速公路上,完成了国家自然基金委等第三方参与的首次智能驾驶试验。试验全程由计算机系统控制车辆自主驾驶,无人工干预。根据测试要求,无人驾驶智能车行驶的车道类型包括四车道、、三车道、二车道、匝道,主要的测试科目为循线行驶、跟车行驶、自主换道、邻道超车、自主超车、人工指令行驶6个部分。为确保安全,车上装有应急控制装置,紧急情况下可立即切换到人工强制干预模式,避免对本车成员及其他车辆造成危险。     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

应用于换道预警的驾驶风格分类方法

针对不同驾驶风格驾驶人对换道预警需求存在差异的问题,采用视觉传感器、 雷达传感器、GPS、车辆 CAN 总线数据采集系统,基于小型乘用车搭建了实际道路驾驶行 为试验车.通过对多名驾驶人进行实际道路自然驾驶试验,选用跟车时距、换道时距、超速 频次、换道过程最大方向盘转角等参数,采用模糊评价法建立了驾驶风格离线分类模型, 实现了将驾驶人分类为冒进型、比较冒进型、比较谨慎型、谨慎型四类.采用换道安全性相 关参数对模型进行验证. 结果表明,随着驾驶人谨慎程度的增加,换道安全性评价参数更 倾向于安全,驾驶风格分类模型与实际换道安全性评价参数之间呈现良好的一致性.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一，在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上，依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类，并通过进一步优化车辆状态更新算法，提出了换道冲突处理多策略，车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下，驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间，不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

货车移动遮断影响下的小客车驾驶行为识别

为识别山区双车道公路货车移动遮断影响下的小客车驾驶行为，通过无人机拍摄和图像 处理提取车辆轨迹数据，根据车头时距、小客车横向位置曲线斜率的阈值标准，标定小客车的跟 驰、换道和超车这3种驾驶行为类别；采用Kruskal Wallis检验和主成分分析法对小客车驾驶行为 特征参数进行筛选和降维，获取识别模型输入变量；运用网格搜索算法确定核函数最优参数组 合，建立基于支持向量机(SVM)的货车移动遮断下小客车驾驶行为识别模型。以云南省典型山区 双车道公路为例，多维度分析货车移动遮断下的小客车驾驶行为特性，并对识别模型进行训练和 测试。结果表明：货车移动遮断下小客车的行车速度比自由流条件下低约20~30 km·h-1；小客车 在山区双车道跟驰货车行驶时的平均车头时距为2.53 s，小于相关规范中规定的最小安全车头时 距，跟驰行车风险较大；基于SVM的货车移动遮断下小客车驾驶行为识别模型的识别准确率达 98.41%，具有良好的识别能力和应用前景。     

基于车辆碰撞约束的换车道安全分析

车辆的行驶行为可分为自由行驶、跟车行驶和换车道行驶等三种不同行为。换车道行驶过程中,车辆容易发生侧刮、对向相撞、追尾等交通事故。根据车辆运动规律,提出了换车道过程中三个避免碰撞约束条件,选择运行速度和加速度为安全评价指标,通过二阶加法评价方法计算危险系数,确定了不同换车道危险系数的安全等级,并以某山区高速公路为例,阐述了换车道安全评价的分析与应用。     

车联网环境下自动驾驶车辆动态障碍物协作避让模型

车路协同和车联网的发展为车辆群体之间的协作控制提供了可能.本文关注的是在车联网环境下,自动驾驶车辆群体避让动态障碍物的问题,目标是实现在不损失车辆个体效益的同时,可以达到车辆群体系统最优.本文提出了一种基于深度强化学习算法(DQN)的自动驾驶车辆群体协作避让动态障碍物的模型.模型在学习过程中考虑了车辆的安全性、单个车辆和车辆群体的行驶效率,并加入了车辆的换道协作机制.仿真验证结果表明,与现有的非协作避障模型相比,该模型可以显著地提高整体交通效率,在非常拥堵、比较拥堵和自由流三种给定的不同交通流状态下,车辆行驶效率(车辆平均速度)分别提高5.26％、21.44％、10.38％,整体车流量分别提高8.22％、34.47％、0％.     

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。     

基于无监督聚类分析的激进换道行为识别方法

为有效指导驾驶人采取更安全的换道行为,本文提出基于改进的自组织映射神经网络(SOM-Kmeans)聚类分析的激进换道行为识别方法。通过模拟驾驶设备和眼动仪获取驾驶数据和眼动状态,运用变点检测算法结合方向盘转角和横向注视位置从多模态数据集中提取换道行为事件数据,进而提取驾驶人换道行为关键特征参数,运用SOM-Kmeans聚类分析识别激进换道行为。将SOM-Kmeans聚类方法分别与基于密度的聚类算法(DBSCAN)及模糊C均值聚类算法(FCM)比较,分析激进换道行为的识别效果。研究结果表明：SOM-Kmeans能够将激进换道行为划分为紧急换道和挤车换道两种类型,并建立相应的行为指标和阈值,当换道过程中加速度波动大于8.22 m·s^-3且方向盘转角大于0.83 (°)·s^-1,识别此次换道为激进换道行为;在激进换道行为的基础上,当换道间隙小于7.5 m且换道持续时间大于10.3 s时,识别此次换道为挤车换道,否则,为紧急换道行为。挤车换道行为多出现在拥堵较严重的强制换道中,紧急换道行为多出现在交通流环境较好的自由换道中。本文提出的识别方法的准确率...     

基于元胞自动机的自动驾驶技术对交通运行的影响研究

自动驾驶汽车是解决交通拥堵问题的一个新颖而有效的措施。为了研究自动驾驶车对交通系统的影响,文章建立了考虑了随机慢化现象的单车道元胞自动机模型和考虑了换道行为的多车道元胞自动机模型,逐步探求不同自动驾驶车比例对交通流三要素的影响规律。研究发现:当车辆密度适中时,自动驾驶车可以明显提高车流量和平均车速,且其比例越高,效果越明显;当车辆密度过大或过小时,自动驾驶车的效果不明显。文章的研究成果可作为进一步研究自动驾驶车对交通流影响的依据。