自动驾驶汽车发展及监管分析

自动驾驶汽车已进入了大规模研发测试阶段,自动驾驶汽车将改变人们的出行结构和方式.而今上路进行测试的无人驾驶汽车对于现行的法规提出了新的挑战,主要是上路的授权与发生交通事故的法律责任的界定等方面.本文概括了自动驾驶车辆的发展阶段与发展必然性以及国内外制定的相关法律政策,探究自动驾驶汽车的立法与监管方面所面临的挑战.     

信息专递

正北京发放首批自动驾驶测试牌照百度无人车获得测试资格3月22日,经过北京市自动驾驶测试管理联席工作小组评审,主管部门向北京百度网讯科技有限公司发放了北京市首批自动驾驶测试试验用临时号牌,自动驾驶测试车辆开始正式上路测试同时,北京市有关部门对自动驾驶车辆的测试要求做了进一步细化:所有申请自动驾驶试验牌照的自动驾驶汽车须通过5000公里以上的封闭测试     

捷豹路虎致力于开发新技术

<正>自动驾驶车辆将来上路后,能否识别到正在过马路的行人成为普遍担心的问题。捷豹路虎研发的最新自动驾驶技术"虚拟眼"通过复制与汽车相关的人类行为和身体语言元素,有望提高公众对自动驾驶车辆的信任感。"虚拟眼":与行人交流眼神自动驾驶车辆将来上路后,能否识别到正在过马路的行人成为普遍担心的问题。捷豹路虎开展的研究表明,高达63%的行人和骑自行车的人会觉得路上有自动驾驶车辆不太安全。该公司未来移动出行部门研发的一项最新技术——"虚拟眼",可以让自     

减速频次催生换道意图下自动驾驶车辆自适应换道模型

科学、合理、拟人化的换道控制是实现自动驾驶车辆安全高效行驶的重要保障,已有研究主要考虑相邻车道速度差、换道间隙等要素对车辆换道控制的影响,并未考虑车辆频繁加减速导致乘车体验差而催生换道意图这一重要现象。针对该问题,设计以抗干扰能力为基础的自动驾驶车辆自适应换道调控方法,其调控过程主要包括：采用智能驾驶人模型控制自动驾驶车辆纵向驾驶行为,以减速频次为指标度量自动驾驶车辆的抗干扰能力,并将抗干扰能力引入到自动驾驶车辆换道决策过程中,模拟自动驾驶车辆因频繁加减速导致乘车体验差而产生换道意图的现象,在此基础上,提出车辆换道控制模型。然后,以智慧高速为背景,利用Netlogo构建多种自动驾驶车辆运行场景,测试所构建的自适应换道调控方法。研究结果表明：智能驾驶人模型的选用能够合理体现自动驾驶车辆换道行为对交通流的运行影响;相比于低密度车流（≤30 veh）,在中高密度车流情况下（≥40 veh）,自动驾驶车辆维持原有车道运行的能力较弱、换道频率较高,且过高[80次·（5 min）^-1]或过低[10次·（5 min）^-1]的抗干扰能力临界值会导致自动驾驶车辆运行速度降低至10 km·h^-1,因此可以根据不同车流密度条件对自动驾驶车辆的最大抗干扰能力进行设置和调整,从而保证自动驾驶车辆的运行效率,这也从侧面证明了所提自适应换道调控方法的科学性与合理性。研究结果对于提高自动驾驶车辆换道控制的合理自主性具有重要意义,该结果进一步完善了自动驾驶车辆换道模型库,能够为自动驾驶自适应换道调控提供理论和技术支撑。     

自动驾驶条件下城市道路机动车道宽度设计的思考

自动驾驶汽车的技术模式有别于传统汽车,对道路设计的要求也发生了变化。为深入研究自动驾驶条件下城市道路的机动车道宽度,从车辆外廓尺寸、车辆速度、车辆技术性能等角度,对传统车辆和自动驾驶车辆进行对比分析,判断适应自动驾驶车辆的城市道路机动车道宽度设计标准。研究表明,自动驾驶车辆的车距精确控制与车队化运行模式可提高道路通行能力,节约空间,提升慢行舒适性。城市干路条件下,自动驾驶车辆的横向摆动大幅缩小,2.85～3.05 m的机动车道宽度即可满足自动驾驶车辆的行驶需求。研究成果可为城市道路规划设计提供参考。     

老年人对自动驾驶汽车接受度影响因素分析

为了改善老年人出行,针对中国老年人出行机动性差和可达性低的问题,提出用自动驾驶汽车技术解决,研究了老年人群体对自动驾驶汽车接受度的潜变量因素。采用结构方程模型,对全国的734份有效问卷调查样本分析,构建了三个模型进行了分析和对比。本文揭示了构建的模型的优劣,并分析了影响老年人对自动驾驶汽车接受度的心理潜变量因素,找出了其中的关键影响因素,为自动驾驶汽车在老年人中的普及提供了建议。     

基于典型非机动车事故的自动驾驶汽车测试场景构建方法研究

基于交通事故卷宗、交通事故视频信息数据,研究机非混行交通环境下典型交通事故形态,构建了面向机非混行交通环境下的自动驾驶汽车测试场景,旨在针对我国较为特殊的机非混行环境下的自动驾驶汽车的测试场景及测试评价方法提供参考。本文首先分析了自动驾驶测试场景的构建需求,建立交通事故数据筛选标准,得到133例可用于构建自动驾驶汽车测试场景的机动车与非机动车交通事故数据集;其次基于《中华人民共和国道路交通安全法》行驶要求,对133例交通事故的发生地点、车辆行为、道路类型、环境光线等方面进行解构分析;最后通过聚类分析,建立了5类典型的自动驾驶测试场景模型,并分析了不同场景模型的关键要素,为实际道路测试提供理论指导。     

基于整车在环仿真的自动驾驶汽车室内快速测试平台

整车在环仿真测试方法可以安全、高效地验证复杂环境和极端工况等场景下自动驾驶汽车性能的有效性,基于此研发一种基于整车在环仿真的自动驾驶汽车室内快速测试平台,该平台由前轴可旋转式转鼓试验台、试验台测控子系统、虚拟场景自动生成子系统、虚拟传感器模拟子系统、驾驶模拟器、自动驾驶汽车和测试结果自动分析评价子系统组成。通过在试验台滚筒上独立加载转矩模拟车辆行驶阻力,可动态模拟不同的路面附着系数,同时利用坡度、侧倾和转向随动机构可模拟车辆俯仰角、侧倾角和航向角3个自由度;采用虚拟现实技术柔性集成车辆动力学模型、传感器仿真、复杂道路交通环境及测试用例仿真,模拟多种道路交通场景,并通过传感器仿真及数据融合等技术快速测试自动驾驶汽车智能感知与行为决策等性能指标。将自动驾驶汽车、虚拟仿真场景和试验台耦合构建一个闭环系统,完成了多项关键技术研发,包括：多自由度高动态试验台结构设计、虚拟测试场景自动重构方法和传感器数据模拟及注入方法,可满足在各种场景下测试自动驾驶汽车整车性能的需求。此外,为验证快速测试平台的有效性,以U-turn轨迹跟踪控制为研究实例,基于简化的车辆运动学模型和模型预测控制算法,在平台上搭建U-turn场景并对自动驾驶汽车的轨迹跟踪控制算法性能进行大量测试。结果表明：自动驾驶汽车室内快速测试平台可以真实地模拟汽车在道路上的运行工况,自动驾驶汽车在虚拟场景中的轨迹跟踪效果良好,与参考轨迹的偏差小于8%,证明了该测试平台检测方法的有效性。     

广州加快自动驾驶车辆上路时间表

正据中国新闻网报道,广州市正制定《广州市自动驾驶车辆道路测试指导意见》,计划2018上半年出台一系列相关政策,加速自动驾驶车辆上路时间表。据了解,广州市政府计划于2018上半年完成第1批自动驾驶车辆道路测试资格审核、临时车辆号牌的发放和相关配套政策文件出台。根据相关规划,2019年底前,广州将允许智能网联汽车在半开放测试区上路测试(半开放测试区即有社会车辆进入的测试区);至2020年底,基于5G的智联交互系统可在穗实现规模化商用,车载智能网联终     

自动驾驶车流对区域规划路网密度的影响分析

自动驾驶车流的出现会对区域规划路网密度产生影响.文中基于供需平衡思想,构建考虑自动驾驶车流的路网密度模型,对自动驾驶车辆平均载客数、自动驾驶车辆出行方式占比和道路通行能力进行分析;以济南市某高密度、高强度开发区域地块为基础标定计算参数,分析合理的道路网密度与等级结构.结果表明,在自动驾驶车辆平均载客数不变的情况下,随着...     

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      

智能网联环境下的混合交通流LWR模型

LWR（Lighthill,Whitham and Richards,LWR）模型可推演交通流宏观状态演化过程,在智能网联环境下混有协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）车辆混合交通流LWR模型的研究,可为该混合交通流的宏观动力学特性分析提供理论工具。应用加州伯克利PATH真车试验验证的CACC模型作为CACC车辆跟驰模型,采用智能驾驶人模型（Intelligent Driver Model,IDM）模拟驾驶人在智能网联环境中的"智能"驾驶特性。基于不同CACC车辆比例下的混合交通流基本图,证明混合交通流基本图的切线斜率为交通波在混合车队中传播的波速,建立混合交通流LWR模型的一般性解析框架,得到混有CACC车辆的混合交通流LWR模型。最后,针对LWR模型冲击波特性,在6组平衡态条件下进行数值仿真试验。研究结果表明：所建立的混合交通流LWR模型可较好地描述不同CACC车辆比例时冲击波在混合车队中的传播波速;冲击波波速理论值与仿真均值的相对误差基本控制在10%以内,当冲击波处于由正向波转变为反向波的过渡阶段时,相对误差较大,为19%~26%,但绝对误差仍然较小。研究结果一方面可为混有CACC车辆的交通流宏观状态演化提供理论参考,具有推动该混合交通流其他宏观模型研究进展的积极作用;另一方面,建立的混合交通流LWR模型解析框架能够适应CACC车辆与人工-网联车辆跟驰模型选取的多样性,同时可为其他类型混合交通流LWR模型的建立提供理论支撑。     

自动驾驶与常规交通混合条件下通行能力研究

随着自动驾驶技术不断升级,现有交通设施的容量也相应随着技术的革新发生变化,传统车辆不会立即退出历史舞台,在未来一段时间内自动驾驶车辆将和传统车辆共用现有的基础设施,因此开展混合交通条件下通行能力的研究有助于重新审视既有交通设施的容量,并对这种场景下管理及技术发展方向提供一定的指导作用。结合自动驾驶车辆的运行特征,研究不同自动驾驶混入率条件下各参数对宏观道路潜在通行的影响,利用概率论及蒙特卡洛方法进行理论计算,模拟自动驾驶车辆出现在车队的位置和时空需求,并对不同的组队策略进行详细分析,粗略估计在混合交通状况下交通能力提升的趋势和影响程度,为混合通行能力的测算提供了一种方法,并提出管理和自动驾驶技术的发展方向,为进一步适应自动驾驶技术的变革提供了有益参考。     

考虑前后多车的网联自动驾驶车辆混流跟驰模型

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，网联自动驾驶车辆（CAV）、自动驾驶车辆（AV）和常规人驾车辆混行的交通流将在未来长时间存在。建立适用于网联自动驾驶车辆、自动驾驶车辆和常规人驾车辆3种类型车辆的混流跟驰模型，考虑多前后车车头间距、多前车速度差、加速度差、与主体车辆的相对距离等因素，并进行典型场景的数值仿真。刹车和起步过程的3种混流数值仿真结果显示，模型在几种典型混行场景下均具有可行性，车辆的加速度和速度变化更为平缓。不同CAV比例下的数值仿真结果显示，车队中CAV比例越高，车队整体恢复至平稳状态的时间越短，波动幅度越小。CAV均质流数值仿真结果表明，与MHVAD模型相比，该模型不稳定区域减小33.8%，所控制的车队速度波动幅度减小14%。CAV与AV混流的数值仿真结果显示，与PATH实验室模型相比，由该模型控制的车队加速度进入相对稳定状态提前5.5 s。该模型可用于不同车辆均质流及3种车辆混行的队列控制，在目前开展混行实车试验困难的情况下，也可应用该模型进行混行跟驰仿真，从而为混行交通流的道路交通管理及基础设施布设提供理论依据和模型支持。     

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。     

智能网联车辆交通流优化对交通安全的改善

为改善常规驾驶车辆交通流追尾碰撞交通安全状况,提出智能网联车辆（Connected and Automated Vehicles,CAV）与常规车辆构成的混合交通流车队稳定性优化控制方法。基于全速度差模型,应用集成速度与加速度的多前车反馈构建CAV跟驰模型,考虑CAV混合交通流车辆空间分布的随机性,将各类型局部车队稳定性作为优化目标,以局部车队头车速度扰动为系统输入,以尾车速度扰动为系统输出,应用经典控制理论领域的传递函数法推导局部车队稳定性约束条件;分析关于平衡态速度与CAV反馈系数的车队稳定域,以各类型局部车队能够在任意平衡态速度下均稳定为控制目标,对CAV反馈系数输出进行优化控制;设计高速公路上匝道交通瓶颈数值仿真试验,在不同CAV比例等多种条件下,分析CAV混合交通流优化控制对交通流车辆追尾碰撞风险的影响。研究结果表明：CAV混合交通流优化控制可降低车辆追尾碰撞风险,在碰撞时间阈值小于2 s时,100%比例的CAV交通流可将交通流的车辆追尾碰撞风险降低85.81%以上;在碰撞时间阈值大于2 s时,追尾碰撞风险可降低48.22%～78.80%。所提优化控制方法可有效降低CAV车队优化控制的复杂性,为大规模CAV背景下的混合交通流优化控制以及车辆追尾碰撞交通安全提升策略提供直接理论参考。     

混合交通流中公交车对其他车辆的影响

在我国的城市交通中,常规公交和社会车辆混行的矛盾长期存在,严重影响着城市交通的正常运行。文章首先分析公交车的存在对路段交通流特性的影响,然后进一步利用跟车模型计算路段混合车流通行能力,提出在不同公交车比例下的路段通行能力。通过研究和计算分析,说明在混合流中公交车对社会其他车辆的影响是不容忽视的。     

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。