超车视距设计中的风险评价

通过计算机仿真软件ARENA模拟双向2车道路段上不同的超车视距长度下的超车行为,并建立风险指标。风险指标主要根据超车动作结束时,超越车与对向车辆问的最短时间距离。共确定了6个风险等级,用于评价不同设计时速下的各种超车视距长度的风险。     

基于驾驶特性的超车模型研究

超车行驶作为驾驶人行车过程中重要的行为之一,与行驶安全性有着直接的联系。为建立符合驾驶人操作习惯的超车模型,本文通过实车试验采集不同驾驶人在高速公路的超车行驶数据,并以此采用多项式回归拟合建立基于驾驶人操作特性的超车模型,最后利用prescan软件对提出的超车模型进行了仿真分析,结果表明建立的超车模型能够真实地反映驾驶人超车过程中的操作习惯,为超车行为的研究提供了可靠的理论依据。     

基于超车行为的高速公路车辆侧向间距研究

通过驾驶模拟舱系统进行高速公路侧向间距安全性仿真研究,分析小客车在高速公路内侧车道超越大货车这一典型超车行为的车辆运行轨迹特征,在此基础上建立了超车过程中小客车与大货车侧向间距与车辆运行速度之间的关系模型,为高速公路横断面宽度设计提供参考.     

车队认知能力增强的通信区块间隙优化方法

为了在单车超越车队的过程中缩短超车车辆与车队间通信范围，减少车队通信压力，锁定影响车辆入队的关键车队区块，同时通过将待进入关键区块的车队进行间隙优化调整，为驾驶人提供定制化换道入队引导服务，提出了基于驾驶人超车风格特征参数的车队内信息传输关键区块锁定算法，通过分析影响驾驶人换道入队位置范围的关键因素，将驾驶人换道入队过程分为本车道速度调整过程与入队速度调整过程，利用非参数贝叶斯算法获取驾驶人超车换道特征数据并提出基于关键区块所在车队位置序列的车辆间隙优化调整策略。研究结果表明：超车车辆加速度、与前车预计碰撞时间、与车队相对速度是影响驾驶人换道入队范围的关键因素；通过非参数贝叶斯算法将超车车辆运行数据分类获取的驾驶人换道入队驾驶操作基元，可准确提供驾驶人行为特征关键参数；通过将驾驶人换道特征分为48个子类型，可锁定驾驶人换道入队范围且车队关键区块范围随着超车车辆与车队速度差值不同在各个特征类型上呈现不同变化趋势；针对驾驶人入队特征对待进入车队关键区块的车辆间隙进行优化调整，不仅可以为驾驶人提供可接受的驾驶辅助信息，同时减少了车队间隙产生过程中车辆加速度范围，提升了车队运行的舒适性。     

双车道公路超车两难区域研究

基于超车行为分析,提出了双车道公路超车行为的两难区域概念,在该区域内超车车辆既无法完成超车动作又不能在避免与对向车辆相撞前安全避让。应用运动学理论建立了下游车队规模、车速、设计车速与两难区域范围以及安全超车视距之间的关系,发现与超越单车的视距要求相比,超越车队所需的安全视距较大,且随着设计车速、下游车队规模以及车速的增大而增大。并发现当流量或车速较大时,两难区域出现的概率较大,且因驾驶者错误估计引发交通事故的机会增多。最后给出了不同下游车队规模条件下安全超车的速度限制及视距要求,为制定安全行车策略以及道路安全管理提供了理论依据。     

超车看车头,会车看车尾

当年学驾驶时,听师傅说"超车看车头,会车看车尾",尚不以为然。经过多年印证,才感到这是至理名言。看车头看车尾,并不是要你看哪个车的引擎盖或者后备箱,"看车头"的意思是,除了看前车,还要观察所要超的前车前方的路况,是否允许超车。也就是说,超车的时候要注意被超车辆的前方是否有行人或其他     

农村公路不同行车环境下的车辆运行特征分析

驾驶行为的产生是驾驶员通过对行车环境的感知、判断和决策,通过操控车辆运行形成的,它受到众多因素的影响,其中行车环境自然是主要的方面。通过对大量农村公路条件下的实车驾驶数据进行分析,探究在农村公路行车环境下车辆速度、三轴加速度等运行特征变化的规律,旨在探究行车环境与驾驶行为的相互关系,为提高农村公路行车环境的协调性提供技术参考。     

基于自然驾驶数据挖掘的二阶车辆与行人交互测试场景

针对当前网联车车辆与行人交互(以下简称人车交互)测试场景复杂性低、无法充分涵盖真实道路情况下的人车交互场景测试需求问题,提出了一种基于自然驾驶数据的人车交互测试场景构建方法.该方法首次提出了二阶人车交互测试场景的概念,在传统人车交互场景基础上组合前序车辆运动场景,实现交互场景时间域扩充,并通过挖掘自然驾驶数据中人车交互...     

超车让车有技巧

超车技巧超车前应具备的条件超车前,驾驶员应根据本车的加速性能和技术状况,选择平直宽阔、视线良好、左右均无障碍且前方150米范围内没有来车的道路,在保证安全的前提下方能进行超越。在经过交叉路口、陡坡等险要路段或遇雨、雾等恶劣天气,或当前方车辆示意左转弯、调头或正超     

基于社会力的自动驾驶汽车行人轨迹预测模型

为了改善自动驾驶领域对行人保护的局限性,研究了人车混行路口行人的行走模式与人车之间的交互行为,提出了一种基于社会力的自动驾驶汽车行人轨迹预测模型,对人车混行路口的行人行走轨迹进行预测。模型整合了判断行人面对来车行走或是停下的行人走、停决策与改进的社会力模型,并考虑了不同年龄、性别行人的个体差异性。通过数据采集与分析,得到行人的个体特征与真实行走轨迹,用逻辑回归的方法,以真实行走轨迹训练行人走、停决策,用极大似然估计法标定了改进的社会力模型中的系数。通过相同场景与初始条件下,模型预测结果与真实轨迹的对比验证了模型的准确性,结果表明:行人走、停决策能够以总体90%的正确率判断行人面对来车行走与否,改进的社会力模型可以计算出行人在周围环境、其他行人和车辆影响下可能的行走轨迹,与真实轨迹之间的平均位移误差AE15 cm,最终位移误差FE25 cm。轨迹预测模型具有一定的准确性,能够在人车混行路口为自动驾驶汽车的决策与路径规划提供依据,从而达到行人保护的目的。     

G-BOS:客运企业加强管理的重要工具

"以前,驾驶员把车开出去,根本没法约束他们,超速、弯道超车等危险驾驶行为极为常见。自从配备了G-BOS以后,此类问题迎刃而解。它不仅可以统计车辆的油耗、实时车速、车门开关次数,还可以细致到显示驾驶员踩了多少脚刹车、有几次强行超车、存在几次空挡滑行等问题,功能     

让车五忌

忌让车不主动 许多驾驶员觉得自己车速很快,不情愿给后面的车让路:也有的驾驶员因自己车辆前方有情况不便让路……但不论哪种情况,长时间不让车会引起后车驾驶员的不满、反感和急躁,遇到性急的驾驶员,则会采取强行超车的行动.更有甚者,超车后还采取报复行动,猛然向右打转向盘,迫使被超车辆减速甚至紧急制动.     

基于车辆运行管理的多目标化V2V数据传递优化研究

车辆自组织网络作为提高交通效率和提升交通安全的有效手段受到了广泛关注并被应用于道路设施监控、交通拥塞和交通事故预警、乘客间信息共享等方面。文章分析了车辆自组织网络独有的特征,提出了一种基于车辆轨迹的多目标优化车与车互联(vehicle-to-vehicle,V2V)通讯技术应用模型,利用车辆轨迹信息和道路交通统计的手段来挖掘多目标马尔可夫决策过程的参数,提供两种方法求解多目标马尔可夫决策过程,最终得到交叉路口处数据包传递的最优决策,利用此决策来进行数据的转发,同时还提出了错误恢复过程进行目的交付叉路口预测错误恢复。最后,通过采集3 996辆不同类型车辆的运行数据,验证了方案的有效性。     

开启左转向灯的含义

<正>1、提醒其他车辆,要向左车道并线或向左转弯(需要提前50米)。车辆并线需要提前开启转向灯,以提示周围车辆,周围车辆一定要礼让提前开启转向灯的车辆,保持好的心态礼让车辆,共同创造和谐交通。2、在双向单车道超越前方车辆时,提前50米提醒前方车辆及对向车辆,前车同意超车可以开启右转向灯,表示前方安全可以超越,并减速让行(让速不让道原则);当前方有危险时,前车也开启左转向灯,表示前方有情况请不要超越。(如前车正在超车时请不要超越)。     

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。     

基于深度强化学习的车辆跟驰控制

针对自适应巡航控制系统在控制主车跟驰行驶中受前车运动状态的不确定性影响问题，在分析车辆运动特点的基础上，提出一种能够考虑前车运动随机性的跟驰控制策略。搭建驾驶人实车驾驶数据采集平台，招募驾驶人进行实车跟驰道路试验，建立驾驶人真实驾驶数据库。假设车辆未来时刻的加速度决策主要受前方目标车辆运动影响，建立基于双前车跟驰结构的主车纵向控制架构。将驾驶数据库中的驾驶数据分别视作前车和前前车运动变化历程，利用高斯过程算法建立了前车纵向加速度变化随机过程模型，实现对前方目标车运动状态分布的概率性建模。将车辆跟驰问题构建为一定奖励函数下的马尔可夫决策过程，引入深度强化学习研究主车跟驰控制问题。利用近端策略优化算法建立车辆跟驰控制策略，通过与前车运动随机过程模型进行交互式迭代学习，得到具有运动不确定性跟驰环境下的主车纵向控制策略，实现对车辆纵向控制的最优决策。最后基于真实驾驶数据，对控制策略进行测试。研究结果表明：该策略建立了车辆纵向控制与主车和双前车状态之间的映射关系，在迭代学习过程中对前车运动的随机性进行考虑，跟驰控制中不需要对前车运动进行额外的概率预测，能够以较低的计算量实现主车稳定跟随前车行驶。     

渐优随机采样算法在结构化道路无人驾驶中的应用

为了解决随机采样算法在结构化道路无人驾驶应用中无法优化收敛的问题,采用渐进优化的采样算法框架设计符合驾驶需求的规划算法。针对渐进优化算法的耗时问题,首先选择不需要Steer(转向函数)的SST算法作为基础框架以规避求解边界值问题。其次,算法融入"Anytime"策略以提高优化解的利用率。再次,改进的闭环控制策略能减少车辆的实际轨迹与规划路径的误差。在设计的闭环策略中,应用4-D车辆运动模型以保证规划路径符合车辆的实际运动轨迹。为了保证驾驶的安全和舒适,设计了一个综合四重因素的代价函数,且根据不同的驾驶场景调整相应的权重参数。最后,利用真实的无人车在无人驾驶城市测试道路上进行测试,测试场景包括前方静态障碍物躲避、前方动态障碍物跟随以及超车和复合动静态障碍物。测试中,采用车辆的速度和转向数据代表算法的优化收敛特性和运动平稳性。研究结果表明:设计的算法能在时速30km·h-1下完成避障、跟车、超车等机动;无人车在跟驰决策下可保持30km·h-1的最高速度,在避障过程中可实现最高15km·h-1的速度,在跟车决策下可根据前车速度变换自身速度以保持合理的车距和运动平滑性。     

行车中要学会避让

驾驶员在避让时常常会有一些错误的举动: 1.让车不主动.引起让车不主动的原因是,大多数驾驶员认为自己车速快,快要转弯,快到目的地,道路灰尘大,前面有情况不便让车等.也有极少数驾驶员故意不让,开斗气车.不论是故意或无意不让车,均会引起超越车驾驶员的反感或急躁,如遇到性急的驾驶员会强行超车,有报复心理的驾驶员,超车后会做出报复行为.即使超车驾驶员有礼貌,不发火、不报复,但长时间不让车,后车紧跟前车也难免造成险情和事故.     

基于人车交互行为模型的上下客行为识别

上下客行为是常见的人车交互交通行为，但随意地在路边或者禁停区域上下客，不但容易干扰道路交通秩序，还可能造成人员伤亡的恶性交通安全事故，需要及时检出以便疏导管理。受益于智慧灯杆的开发和部署，全路段的上下客行为检测成为可能。设计了一种基于智慧灯杆监控视频的人车交互行为模型HVIB（Human-Vehicle Interaction Behavior）及上下客行为识别方法，实现路边停车和上下客行为的检测。人车交互行为模型HVIB由车辆运动状态检测模块和人车关系检测模块组成。在车辆运动状态检测模块中，利用YOLOv4（You Only Look Once，Version 4）目标检测模型和SORT（Simple Online and Realtime Tracking）跟踪算法输出高置信度目标信息，并抽取车辆时空位置特征表达。在人车关系检测模块中，结合人与车辆的空间位置变化和相对运动方向，形成人车关系的时空特征表达。通过计算视频中人车时空位置特征，基于车辆运动状态判别函数和人车关系判别函数输出车辆运动状态和人车关系类别，并依据不同人车交互行为的定义，可以实现上下客行为识别。使用真实城市交通场景视频数据，对多种天气条件（晴天、阴天、雨天）下的不同人车行为进行了识别试验。试验结果表明：所提出的方法可以全天候工作，其中在白天多种天气条件下，停车和上下客行为的检测准确率能达到90%和87%以上，夜晚正常天气条件下分别为82.5%和77.5%；同时，检测速度在每秒30帧以上，满足实际应用的实时性要求。     

考虑出行群组异质性的有轨电车发展决策行为偏好研究

将有轨电车发展的研讨视为1项决策过程,按照基本属性、出行目的、出行模式等异质性特征,将出行群体划分为不同群组,开展基于不同异质性群组对发展有轨电车决策的偏好特性研究.通过融合行为偏好(RP)的意向偏好(SP)问卷调查,获取不同群组的基本属性及决策偏好特征数据.考虑有轨电车发展决策同时受环境要素、个体社会经济属性及出行需...