安全切入场景下的驾驶人初始制动时刻分析

基于中国自然驾驶项目的China-FOT数据库，研究安全切入场景下的驾驶人制动响应，为研究自动驾驶功能在安全切入场景下的控制策略开发及测试评价提供参考。首先使用人工截取车载视频的方法初步筛选出266例安全切入场景工况，通过观看车载视频提取交通环境参数（包括光照条件、切入车辆切入方向、车辆类型、横向位置变化等）以及本车驾驶人制动响应等视频数据；通过自动截取CAN总线数据提取本车车速、加速度等车辆动力学参数；并使用MATLAB图像分析的方法估算两车相对速度、相对距离等图像处理结果。然后基于提取到的工况数据，分析驾驶人响应类型及分布，得出在前车安全切入场景下，本车驾驶人保持本车道行驶的响应行为占96.24%，保持本车道行驶且同时制动的响应比例为51.13%。因此，对前车安全切入时，本车驾驶人保持本车道行驶的同时采取制动响应的行为进行了更深入的研究，以提取的136例符合此响应行为的工况数据为基础，以THW（Time Headway）值作为表征参数分析驾驶人初始制动时刻特征。预设交通环境、切入车辆参数、本车参数中可能对THW值产生影响的因素，分析THW值在预设的影响因素下的分布情况，并使用皮尔逊相关性检验验证THW值与该因素的相关关系，最终确定切入车辆类型、两车相对车速及相对距离与THW值显著相关。最后使用以上显著影响因素的参数进行聚类分析，得到5种典型的安全切入场景下的制动工况。     

驾驶经验和气质类型对驾驶行为的影响分析

驾驶人的生理心理因素会对驾驶人的驾驶行为产生一定的影响已经得到了较多认同,但是通过科学实验进行定量化实证分析的研究还较少。论文首先采用量表测量与仪器测试相结合的实验方法,以专业和非专业驾驶人为实验对象,利用气质类型量表测量驾驶人的气质类型;利用实验车在实际道路交通环境下行驶以获得跟驰车辆对前后车的行驶轨迹,并计算得到影响驾驶行为的关键参数。基于实验数据分析了驾驶经验和气质类型对驾驶人的行驶速度、加速度、跟驰距离、时间间隔等方面的影响。在跟驰时驾驶人的速度和加速度选择方面,专业驾驶人对速度和加速度的选择更加具有自主性,并且内向型性格驾驶人的行驶速度和加/减速幅度一般要小于外向型性格的驾驶人。在跟驰时驾驶人对空间和时间距离的选择方面,无论是跟驰距离还是时间间隔,气质类型对非专业驾驶人空间和时间距离选择的影响更加明显,并且各速度段内向型性格驾驶人选择的空间和时间距离一般大于外向型性格驾驶人;相同气质类型的非专业驾驶人选择的时间间隔都要大于专业驾驶人。经研究建立了驾驶人生理心理特性与驾驶行为特性之间的关系,为分析驾驶人行为特性与交通安全之间的关系奠定了良好的基础。     

城市道路多车道交织区的微观驾驶行为特性

为明确城市道路立交交织区的微观驾驶行为特征,在重庆市主城区南山立交开展小客车实车试验,通过车载高精度GPS和Mobileye采集了32名驾驶员在自然驾驶状态下的交织区实测数据,获得了交织区以及邻近路段范围内的行驶轨迹特征、速度特征、车辆汇入行为、换道时间等微观驾驶行为的变化规律和分布特性,并分析了驾驶人性别、气质类型对微观驾驶行为的影响.结果表明,驾驶人在交织区范围内会经历减速和加速2个阶段,内敛型驾驶人进入交织区时的减速长度显著大于外向型驾驶人,交织区内的加/减速度幅值在±0.5m/s2范围内,交织区进口速度高于出口速度.在交织区范围内,男性驾驶人比女性驾驶人更早执行换道操作;另一方面,男性驾驶人穿越三角区再汇入车流的危险行为占比较大,容易导致交通事故的发生.男性驾驶人和外向型驾驶人通常更偏向以较高的速度通过交织区,并且换道持续换道时间较短;女性和内敛型则相反,速度普遍偏低,且需要更长的换道时间.      

基于自然驾驶数据的城市交叉口纵向驾驶特征分析

为满足驾驶辅助系统在城市交叉口对类人驾驶能力的更高需求,本文中研究了实际交通中的驾驶人在该区域的纵向驾驶行为特征。从自然驾驶数据中提取了778条驾驶人接近城市交叉口的样本数据,应用YOLOv4识别了交通场景中的各类道路使用者,采用方差分析研究了反应特性在不同运动类型和交通密度中的差异,建立分层回归模型分析了制动特性与运动状态、运动类型和道路使用者的关系。结果表明：高密度交通显著降低接近速度;与右转驾驶人相比,停车驾驶人的反应距离更长;当接近速度较高或反应距离较短时,会在更短的时间内以更高的减速度和制动强度接近交叉口,且提前4.46 s开始制动;不同道路使用者对制动特性产生了不同影响,停车驾驶人主要关注同向行驶的他车,右转驾驶人主要关注行人和骑车人。     

基于自然驾驶数据的跨江大桥小客车驾驶行为特征研究

跨江大桥历来都是城市交通的命脉和交通结点,为明确跨江大桥的运行速度特征以及驾驶行为模式,在重庆市菜园坝大桥展开了30位被试的小客车实车驾驶试验,使用航姿测量系统和Mobileye630采集自然驾驶状态下汽车的连续行驶速度、加速度和道路环境信息.基于自然驾驶数据,明确了菜园坝大桥的速度变化模式,分析了车辆合、分流对大桥主线行驶车辆运行特性的影响.研究结果表明,菜园坝长江大桥2个行驶方向都呈"加速-减速-加速-减速"的变化趋势;在自由流状态下,桥头和桥尾15th百分位与85th百分位速度的差值从10 km/h增加到20 km/h,不同驾驶人在大桥上的速度幅值具有较强的离散性,表明车辆之间存在严重的纵向冲突,揭示了跨江大桥车辆追尾事故的本质原因.菜园坝大桥菜苏方向合流区平均减速距离131 m,平均减速度为-0.301 m/s2,分流区平均减速距离213 m,平均减速度-0.406 m/s2,苏菜方向分流区平均减速距离267 m,平均减速为-0.387 m/s2,车辆在合流点附近的减速距离和减速度要低于分流点,合流与分流车辆的换道行为会显著影响大桥主线直行车辆的运行状态,导致驾驶人采取减速行为.匝道出入口与桥头距离越近,车辆速度受到的影响程度就会高,有必要加强分/合流点附近的交通管控和行车引导,提高车辆行驶安全性.      

无信号控制交叉口老年驾驶人转向行为图谱研究

考虑到老年驾驶人存在的视觉弱化、反应能力下降等问题,有必要分析其转向行为特征。基于此,本文分析了在无信号控制交叉口情景下老年驾驶人的转向行为特征,并绘制图谱描述行为特征的时序变化。基于无信号控制交叉口的现实场景调查,搭建了具备常见冲突类型的虚拟仿真驾驶场景（包含6个无信号控制交叉口）,招募符合要求的老年驾驶人与中青年驾驶人进行驾驶模拟实验,分别采集车辆行驶数据（驾驶模拟器）、眼动数据和生理心理数据分析老年驾驶人与中青年驾驶人在不同转向场景下的行为特征差异,应用图谱理论构建驾驶人转向行为图谱描述老年驾驶人与中青年驾驶人的转向行为特征时序变化。实验结果表明:老年驾驶人的速度均值为20.4 km/h、注视持续时间均值为289.47 ms、扫视幅度均值为3.51°;中青年驾驶人的速度均值为35.79 km/h、注视持续时间均值为247.94 ms、扫视幅度均值为4.56°。老年驾驶人的心率变异性时域指标（SDNN和RMSSD）与频域指标（LF/HF和TP）的值更低,表明老年驾驶人在转向过程中更加紧张。图谱显示老年驾驶人的紧张持续时间更长,并在信息获取广度上弱于中青年驾驶人。结合图谱时空差异性指标发现,这2类驾驶人的驾驶行为在左转向场景下存在显著性差异,老年驾驶人驾驶操作的稳定性与安全性较低。      

基于驾驶模拟器的性别对信控铁路道口抵近行为的影响研究

为了分析不同性别驾驶人抵近信号灯控制铁路道口的驾驶行为特性,设计了5个具有不同红灯触发时距的信号灯控制铁路道口的虚拟场景,并进行了驾驶模拟试验,采集24名男性驾驶人和20名女性驾驶人抵近道口的微观驾驶行为数据。基于时空特性将抵近行为划分为月白灯期间、红灯进入时刻、红灯期间3个阶段,利用混合线性模型和二元Logistics线性回归模型对比分析了2组驾驶人抵近道口的制动行为、加速行为和闯红灯行为特性,并探索性别与信号灯控制铁路道口抵近行为的相关关系。结果表明：男性驾驶人更倾向于在月白灯期间提前制动,其提前制动率是女性驾驶人的1.57倍;男性驾驶人在红灯进入时刻和红灯期间的车辆操控行为特性与女性驾驶人无显著性差异;男性驾驶人的总体违法率是女性驾驶人的1.5倍,尤其在红灯触发时距较大（4~6 s）时,女性驾驶人几乎无人违法,而男性驾驶人在3个场景下的违法率仍然达到25.0%、12.5%和16.7%;男性驾驶人闯红灯的严重性更高,驾驶风格更加冒险激进;另外,驾驶人闯红灯行为还受红灯进入时刻位置、制动时刻位置和加速时刻位置显著影响,说明驾驶人在走停决策的制定上更依赖于物理空间位置,与车辆运行速度和驾驶人反应能力无关。研究结果可应用于铁路道口安全管理与防护对策设计。     

基于动态博弈算法的切入场景下自动驾驶车辆运动规划研究

鉴于在车辆换道切入的场景中，自动驾驶车辆容易出现频繁的误减速、误避让，而造成通行能力和乘员舒适性的下降，提出一种基于主旁车动态博弈的切入场景决策规划算法。在行为决策层，根据切入场景中主旁车的冲突性关系，联立相关车辆运动方程建立整体系统的运动模型，构建考虑旁车状态的切入博弈模型，设计安全性和舒适性收益函数，进行驾驶行为博弈，输出行为决策结果。在轨迹规划层，根据车辆间距构建避障约束条件，以Sigmoid函数轨迹的变曲率和速度切向矢量的时间分量来构建车辆动力学约束。同时以加权收益方式联合考虑驾驶习惯和舒适性等需求，建立轨迹规划数学模型，求解得到满足上层博弈决策要求的运动轨迹。Carsim-Simulink联合仿真结果表明，在不同的初始条件下主车与切入的旁车能进行多种形式的合理的交互决策，准确完成切入场景下的运动规划任务，车辆能准确跟踪输出的轨迹，更符合一般驾驶习惯，提高了车辆的舒适性。     

人-车-路交互下的驾驶人风险响应度建模

人机共驾中，共驾模式的选择和驾驶控制权的分配高度依赖于对驾驶人状态的正确识别。为了分析人机共驾中驾驶人的状态，对行车风险场模型进行重构，通过构建风险场力作用机制，建立包含驾驶人特性、自车特性和外部风险特性的人-车-路闭环系统中的驾驶人风险响应度模型，用于表征驾驶人对风险的认知能力和应对倾向。根据24位驾驶人在跟车和并道2个场景中的驾驶试验结果，对不同风险响应度下驾驶人的驾驶特性进行分析。研究结果表明：驾驶人风险响应度在驾驶过程中具有时变性，在驾驶人个体之间和不同驾驶场景间均存在差异性。在风险响应度分别为低、中、高的3类驾驶片段中，驾驶人在驾驶时的碰撞时间倒数T_TCi和加减速行为均具有显著差异（p<0.05）；风险响应度较高的保守型驾驶中，驾驶人行车时倾向于保持较小的T_TCi（均值为-0.48 s^-1，标准差为1.25 s^-1），单位时间内制动操作最多[均值为0.65次·（15 s）^-1]，总体驾驶风格倾向于规避风险；风险响应度较低的激进型驾驶中，驾驶人行车时倾向于保持最大的T_TCi（均值为0.28 s^-1，标准差为0.42 s^-1），相较于保守型驾驶，单位时间内加速操作较多[均值为0.48次·（15 s）^-1]，制动操作较少[均值为0.50次·（15 s）^-1]，总体驾驶风格倾向于追求行驶效率；风险响应度居中的平衡型驾驶中，驾驶人行车时所保持的T_TCi居中（均值为0.04 s^-1，标准差为0.36 s^-1），单位时间内加速操作[均值为0.23次·（15 s）^-1]和制动[均值为0.41次·（15 s）^-1]操作总数最少，对于行驶效率和行车安全的追求相对均衡。相较于以往将驾驶人作为孤立个体的驾驶人状态评估方法，所提出的驾驶人风险响应度模型可以依据驾驶人在人-车-路交互中的驾驶表现，更为全面地反映驾驶人的个性化驾驶状态。     

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。     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。     

自适应巡航及协同式巡航对交通流的影响分析

自适应巡航（ACC）和协同式自适应巡航（CACC）等自动驾驶技术正逐渐进入市场,未来一段时间内道路交通流将由人工驾驶车辆与不同等级、不同形式的自动驾驶车辆混合构成。为分析ACC和CACC对交通流的影响,利用实测交通数据NGSim建立人工驾驶车辆跟驰模型,并在综合已有ACC和CACC模型的基础上,提出基于安全间距的自动驾驶跟驰行为模型,进而得出不同ACC,CACC车辆渗透率下交通流的基本图模型。研究结果表明：自动驾驶可以提升交通容量;与ACC车辆比例r_a相比,CACC车辆比例r_c对交通容量的影响更为显著;当r_c>0.5时,饱和流量快速增加,当r_c=1时,饱和流量约为纯人工驾驶时的2倍。进一步,通过仿真考察车辆在车队中的跟驰响应和交通流在瓶颈处的运行情况。研究结果表明：自动驾驶改善了交通流的动态特性,对存在跟驰关系的连续车流来说,自动驾驶使得后车可以更加及时地响应前车的行为,车流会在更短的时间内进入稳态;在交通瓶颈处,自动驾驶降低了拥堵程度,提高了阻塞发生的临界流量。总体来看,自动驾驶对交通流静态和动态性能均有所提升,特别是在协同式自动驾驶场景下,车辆行为更加协调一致,交通流表现出良好的抗扰性,进一步验证了车路协同对自动驾驶的意义。     

车路协同下车队避让紧急车辆的换道引导方法

为保证紧急车辆更安全、高效地到达紧急事故现场,基于车路协同系统,提出车队避让紧急车辆的换道引导策略。针对目标车道无车辆、有车辆和有车队3种不同场景,分别提出确保紧急车辆快速通过的协同换道策略。通过协同换道策略引导紧急车辆前方行驶的车队和目标车道的车辆改变速度以调整车辆间距,使其满足换道安全距离,依据换道轨迹规划使车队完成换道,并提出紧急车辆发送紧急避让信号的位置方法,计算当不影响紧急车辆的速度情况下,其发送紧急避让信号时与车队尾车的最短距离。利用SUMO交通仿真软件,实现车路协同环境下3种不同场景车队避让紧急车辆的换道引导,并比较目标车道为车队的场景下,车队换道至目标车队的每个空档中（方式A）和车队换道至目标车队的同一个空档中（方式B）2种不同的换道引导策略。研究结果表明：目标车道有车队的场景下,方式B的协同换道时间更短,发送紧急信号的位置距车队尾车82 m,较方式A的87 m更近,对周围车辆影响更小,因此此场景采用方式B的协同换道策略;在目标车道无车辆、有车辆和有车队3种场景下,紧急车辆分别距车队尾车71,71,82 m时发送紧急避让信号,其可以维持期望速度,验证了最短距离与车辆速度的关系式;与未使用换道引导策略的情况相比,紧急车辆的速度提高,延误减少。     

网联环境下高速公路辅助驾驶车辆编队评估

为评估智能网联环境下高速公路辅助驾驶车辆编队的效果，首先基于V2X （Vehicle to Everything）和智能驾驶人模型（Intelligent Driver Model，IDM）对网联环境下的车辆跟驰行为进行建模，并对其进行参数校准；其次从安全性评价指标和通行效率两方面构建编队效果评价体系；然后通过VISSIM和VBA联合仿真，改变编队的车道、交通流量、网联车渗透率等变量进行试验。仿真结果表明，网联环境下车辆辅助驾驶编队在不同层面对于安全性与效率性都有提升；最后以不同期望速度在网联环境和非网联环境下分别进行实车辅助驾驶编队试验，以验证评价指标体系以及仿真试验的有效性。其中，实车试验结果显示，期望速度为70 km·h^-1时，网联环境下的辅助驾驶编队通行效率比非网联环境提升56%，90 km·h^-1时提升37.2%，110 km·h^-1时提升39.8%。通过与仿真试验结果对比，表明网联环境下车辆辅助驾驶编队对交通流安全性有一定程度的提升。     

信号交叉口行车风险场建立及车辆通行行为优化

随着汽车逐步向智能化、网联化发展,智能网联车辆逐步进入实际应用阶段。进行智能网联车辆的通行行为优化,对提升驾驶安全性和行车效率,避免事故发生和交通拥堵至关重要。车辆在通过交叉口时将受到很多环境及运动因素的影响,而现有的通行优化模型难以准确表达各类因素共同作用下的行驶环境。为此,基于风险场理论建立由环境场和运动场组成的信号交叉口行车风险场,表征信号交叉口中每点的实时行车风险程度,从而引导车辆驶向风险值低点,并提供下一步长的位移及速度指引,实现车辆的动态轨迹优化及速度控制。典型场景下的仿真结果表明：在优化模型的控制下单车的信号交叉口通行效率明显提升,其中直行方向车辆单车平均通行效率提升最高,平均提升6.35%,通过对交叉口面积内所有车辆进行通行行为优化,交叉口通行效率提升了9.3%,这表明所建模型可以准确表达交叉口行车环境并优化车辆通行行为。研究结论可应用于自动驾驶车辆的交叉口通行控制,并为网联环境下的行车环境表达和安全驾驶控制提供模型基础。     

面向高速公路车辆切入场景的自动驾驶测试用例生成方法

为在自动驾驶汽车基于场景的测试中生成涵盖相应场景中复杂多变的真实交通运行过程的测试用例,从highD数据集中提取车辆切入场景的多个实际样本,通过分析运动参数和参与车辆之间的位置关系,建立车辆切入场景的描述模型,根据切入点的碰撞时间评估该方案的风险程度,并结合描述模型中参数的分布,采用蒙特卡罗方法生成测试用例。结果表明,生成的车辆切入测试用例能够覆盖所有风险等级,可较好地支持自动驾驶测试。     

路段上集群智能网联汽车的车队形成机制

智能网联汽车是解决城市交通问题的关键技术之一,对于未来城市智能交通体系建设有着关键作用。集群的智能网联汽车已经具备了涌现的基本条件,设计科学合理的交互规则,可以实现车辆的自组织,分布式涌现控制。以微观仿真软件VISSIM及C2X模块为研究平台,修改驾驶模型参数,在C2X模块中编程实现3条交互规则:速度一致、尽量靠近、避免碰撞,在仿真软件中构建单车道仿真模型,运行仿真实验,统计车辆在路段上不同距离形成车队情况,利用车头时距分布的熵值来衡量车流的有序性。仿真结果表明,车辆在运行至50s后初步形成车队,随着时间的增加,形成的车队越稳定,车流熵值在路段上随距离增加而减小,说明形成车队后更加有序,在路段上呈现出涌现现象。     

基于车路协同环境的信号交叉口车速引导方法

针对现有的车速引导模型存在未综合考虑车辆跟驰行为、引导场景划分较粗略等问题,研究了4种基于车路协同环境下实时优化各车的车速引导模型.对车辆进行所属车辆列队划分,考虑车速引导影响对FVD跟驰模型进行改进.以车辆列队为引导单元,将车辆可能面临的交通状况细分为8种引导场景,以引导车辆不停车或少停车通过交叉口为目标,直接优化车...     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle, CAV)为研究对象, 研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略。基于最优控制理论, 采用CAV的自动驾驶模型描述车间相互作用, 以所有CAV车辆在行驶过程中的总油耗为优化目标, 根据信号灯的配时信息建立模型约束, 通过优化CAV头车的速度轨迹, 保证整个CAV车队在绿灯相位下快速通过交叉口并实现油耗最小。为了对该优化控制进行高效求解, 采用离散Pontryagin极小值原理建立最优解的必要条件, 利用基于神经网络训练的弹性反向传播(Resilient backpropagation, RPROP)算法设计了数值求解算法。多个典型场景的仿真结果显示: 整个CAV车队均能在不停车的情形下通过信号交叉口, 避免因在红灯时间窗到达停车线造成的停车、启动等过程, 总油耗量最高可减少69.74%。该控制方法利用网联自动驾驶技术的优势, 显著改善了城市交通通行效率和燃油经济性。