基于贝叶斯网络的车辆换道模型

车辆换道行为是微观交通流中最基本的驾驶行为之一,研究车辆换道行为可以提高车辆换道模型的仿真精度和减少由不合适的车辆换道行为引发的交通事故.当前车辆换道模型大多是基于驾驶员的决策思维方式建立的决策模型,这类模型的缺点是很难捕捉到驾驶员在决策过程中一些潜在决策模式和考虑的影响因素.鉴于此,本文引入了一种典型的人工智能方法--贝叶斯网络,建立了一个全新的车辆换道模型,试图通过机器学习的途径来提高车辆换道模型的精度.采用了分段离散化的方法对数据进行预处理,然后使用处理后的数据对贝叶斯网络的结构和参数进行学习,并分别建立了与两种贝叶斯网络结构相对应的车辆换道模型,最后对建立的模型分别进行验证.模型的验证结果表明,建立的基于贝叶斯网络的车辆换道模型对换道行为的识别率可以达到88%以上. 此模型还可进一步应用到驾驶员辅助系统的开发中.     

依赖随机参考点的网络均衡配流模型

所建立模型明确考虑了随机参考点作为累积前景理论(CPT)描述出行者有限理性路径选择行为的补充,将其定义为随机最短行程时间和可接受系数的乘积.假设出行者遵循路径累积前景最大化原则进行路径选择,建立相应的随机均衡条件及等价的不动点模型.然后,给出基于Probit 加载和相继平均法(MSA)的启发式算法,并在小型网络上验证所提出的模型和算法.算例结果表明,依赖随机参考点的交通流模式能够较为真实地再现出行者在路径选择时,同时考虑行程时间均值及随机波动的有限理性行为.对参数进行灵敏度分析,基于CPT得到的路网均衡状态基本上不受行程时间随机波动程度变化的影响,当出行者调整出行时间预算时,均衡状态将随之发生改变.     

基于社会力的驾驶员换道决策行为建模

为建立更加简单的换道决策模型和考虑换道车辆和目标车道车辆间的相互作用,在换道效用和安全间隙选择的传统方法基础上,将社会力跟驰模型与换道模型相结合,提出了一种基于社会力的驾驶员主动换道决策行为模型.首先,以社会力模型中跟驰力作为各车道运行效用函数,构建换道目标车道选择效用模型;其次,考虑换道过程车辆纵向安全性,利用跟驰力搭建换道车辆和目标车道车辆间相互作用效用模型以对安全间隙选择进行约束;最后,对所建立的模型利用NGSIM（next generation simulation）数据和MATLAB遗传算法工具箱中genetic algorithm函数对多车道下驾驶员换道决策行为（不换道、向右换道、向左换道）进行标定和验证.研究结果表明:基于社会力的主动换道决策模型能够很好地识别出驾驶员的换道决策行为,最优参数在标定数据中对不换道、向右换道、向左换道的识别率分别达到了93.44%、93.14%和90.77%,验证数据中换道决策行为识别率分别达到了86.16%、80.00%和80.27%;标定和验证的单个识别率都在80.00%以上,整体识别率分别达到92.66%和83.28%.      

自动驾驶长队列虚拟头车确定方法

在车联网和车路协同技术的发展下,自动驾驶车辆长队列行驶已成为未来交通的发展趋势。但是,现有队列控制方法均受限于通信范围,通过将长队列划分为虚拟头车引导下的多个子队列来确保队列运行可靠性,如何确定长队列中的虚拟头车是长队列控制的一个关键问题,本文从自动驾驶车辆长队列的行驶效率与队列状态稳定性两方面构建成本函数,综合考虑长队列内所有跟随车的行驶状态,通过遗传算法对每个时间步长下的虚拟头车序列进行寻优求解,建立了长队列最优虚拟头车计算模型,并基于SUMO搭建仿真模型,对模型的适应性展开验证。结果表明,本文所建模型对头车速度变化具有较高的识别度,能够有效削减头车速度变化所造成的速度扰动影响。     

���ڰ�ȫ������ֶ�-�Զ���ʻ��Ͻ�ͨ���о�

随着汽车技术的发展,道路上自动驾驶的车辆在未来会越来越多,给道路交通带来了巨大影响.本文引入了经典的Gipps安全距离规则,对Na Sch模型进行改进,提出了基于安全距离的自动驾驶元胞自动机交通流模型.然后,利用数值模拟的方法研究了自动驾驶车辆对道路交通流的影响,研究获得一些新的结论.第一,通过降低自动驾驶车辆系统的反应时间,可大幅提高道路通行能力,最高可达2倍.第二,当自动驾驶车辆系统的反应时间降到0.5 s以下时,其对道路通行能力的影响可忽略.第三,道路上自动驾驶车辆的比例对道路通行能力和交通拥堵有显著影响.当自动驾驶车辆的比例达到80%时,通行能力可达到全手动驾驶交通流的2倍,交通拥堵可以降低50%.第四,在全自动驾驶的交通流中,增大自动驾驶反应时间会减少交通拥堵.特别是当密度在30~60 veh/km的范围内时作用更为明显,拥堵比例下降最高可达到20%,可以作为一种缓解拥堵的策略.     

车联网环境下自动驾驶车辆车道选择决策模型

试验车道选择行为是自动驾驶车辆最基本的决策行为之一,利用车联网技术可以使车道选择结果更加全面、合理.首先,对高速公路自动驾驶车辆车道选择决策过程进行分析,并以车联网感知通信范围内的车辆的平均速度、重车比例及前往车道的理想换道时间为主要指标创建成本函数,根据计算结果输出最优车道序列;然后,以Gipps安全驾驶模型为基础,...     

基于时域卷积网络与注意力机制的车辆换道轨迹预测模型

精准的车辆轨迹预测模型可以为自动驾驶车辆提供其周围车辆的准确运动状态信息,进而判断本车与周围车辆短期内是否有发生冲突的可能性。本文提出一种基于时域卷积网络与注意力机制(Temporal Convolutional Networks with Attention mechanism,TCN-Attention)的车辆换道轨迹预测模型。该模型以时域卷积网络作为当前输入的特征提取器,利用时间与空间注意力机制使模型在不同时间和空间位置之间建立动态关联,更准确地捕捉车辆之间的动态时空相关性,实现准确预测车辆换道轨迹。与传统单一车辆轨迹特征输入不同,本文通过对输入特征进行多维扩充与融合,进一步提高了轨迹预测准确率。此外,本文提出一种换道执行起止时刻定义方法更准确地确定数据集中的换道起止时刻。实验表明,本文所提模型能以高准确率预测变换车道轨迹,在整体效果上优于其他深度学习模型,与ConvLSTM (Convolution Long Short-Term Memory)相比,TCN-Attention的平均绝对误差(Mean Absolute Error,E_MAE)降低了69.8...     

基于最优间距的车辆跟驰模型及其特性

为真实地反应车辆跟驰机理,假设在跟驰状态下,驾驶员倾向于保持最优跟驰间距,在分析最优间距函数的基础上,建立了车辆跟驰模型(optimal distance model, ODM).利用NGSIM数据,对ODM模型和经典Gipps车辆跟驰模型进行参数标定和评价.用仿真方法分析了ODM模型再现宏观交通流现象的能力和加速度特性.研究结果表明:与Gipps模型相比, ODM模型的加速度、速度和距离的仿真精度分别提高了0.36 m/s2、0.99 m/s和0.73 m,并能够再现实际交通流中稳定车流和冲击波等交通现象;在稳定交通流中, ODM模型总是趋向于使车辆间距等于最优跟驰间距,或在其附近小幅度波动.      

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.      

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.