高速公路隧道事故风险规避新技术应用分析和探讨

为解决隧道区域事故率偏高且危害性较重等问题，首先，分析隧道常见事故的致因和归纳传统隧道交通事故的应对策略；然后，借助于当前智能网联汽车、现代移动通信、互联网与大数据处理的技术进步，构建基于5G通信的隧道区域自动驾驶与车路协同技术框架，并探讨基于该框架的创新性风险规避策略。本研究顺应智能网联汽车和自动驾驶系统的技术趋势，契合公路隧道提质升级行动的目标需求，通过完善隧道区域的综合预警机制，变传统的隧道事故被动应对为积极主动预防，为实现隧道区域交通要素的智慧化、提升司乘人员的行车体验、增强事故的紧急救援能力和风险管控水平提供新的思路。     

基于车联网技术的车路协同系统设计

在全面分析系统功能的基础上,基于车联网技术提出了一种具有感知功能的车路协同系统的设计方案,对系统的物理框架和逻辑框架进行了设计,重点研究了各子系统的组成与功用,分析了系统的智能感知、车路协同通信和智能信息处理等关键技术.研究表明:该系统可以实时、准确地感知和采集车辆、道路环境以及全路网的交通运行状况等信息,有效实现车与...     

车联网中驾驶员反应时间实时估计方法

结合车辆非线性分段制动特性和车辆状态数据对驾驶员反应时间进行实时估 计,采用特征数据拟合出初速度与减速度上升时间关系模型,通过BP神经网络推算减速 度上升过程中减速度随时间非线性变化关键参数,并在此基础上基于车辆动力学运动规 律求解车辆分段制动位移,通过实际位移与理论位移等价关系实现驾驶员反应时间实时 估计,最后利用Newell 跟驰模型场景对本文提出方法进行仿真验证.结果表明：不同初速 度条件下,反应时间估计值平均误差不超过0.022 s;不同反应时间条件下,反应时间估计 值平均误差不超过0.013 s.本文提出的反应时间估计方法不用增加通信负担和额外设备, 能够达到较高精度,具备更优的适应性、可用性及工程价值.     

基于I^2CT技术的智能视觉车联网化解城市拥堵问题

全球城市化的快速发展迫切需要采用智慧信息通信技术(I2CT)化解交通拥堵问题,文中介绍基于I2CT技术的智能视觉车联网架构、基于智能视觉分析的一杆一系统以及云计算—云存储—云分析—云控制主机在车联网中的应用,指出了I2CT技术、智能交通以及安防行业在发展城市智能视觉车联网中面临的巨大商机。     

基于车路协同多业务优先级的车载通信退避算法

为研究车路协同下不同优先级业务的通信,打破传统IEEE802.11 标准的CSMA/CA(Carrier Sense Multiple Access/Collision Avoidance)协议所采用的二进制指数退避策略（Binary Exponential Backoff, BEB）仅适用于传统业务如语音、视频等业务,而未考虑车路协同场景典型业务及其优先级的限制,提出一种面向车路协同的车载通信退避算法。首先,研究车路协同场景下的典型通信业务;然后,利用层次分析法建立了业务优先级层次结构模型,对车路协同下的业务进行了优先级的划定;最后,基于车路协同多业务优先级不同对传统BEB算法进行改进,提出一种面向车路协同的车载通信退避算法。通过仿真,验证了所提算法具有良好的适应性,可针对不同业务优先级,提供差异化的信息资源和业务传输保障,相对于传统的通信协议系统丢包率降低,系统吞吐量增加。     

无信号交叉口横向冲突预警对驾驶行为的影响

针对智能网联汽车在无信号交叉口对横向冲突的避撞问题,本研究设计了横向冲突人机交互预警及横向冲突驾驶模拟试验场景,并分析不同类型预警对驾驶行为的影响规律。运用驾驶模拟器搭建城市道路无信号交叉口并设计横向冲突事件,选取30位驾驶人作为试验对象,应用眼动仪、驾驶模拟平台开展驾驶模拟试验;采集风险场景下驾驶人的眼动、操作行为与车辆运行数据;对比分析各组场景下驾驶人的注视时长和扫视频率及行车速度、制动时间和踩制动踏板速率等驾驶行为特性参数,分别运用方差分析和描述性统计方法分析了预警提示类型和提示时机两个方面对驾驶行为特性的影响。结果表明：网联警告型预警的警示效果优于常规提示型预警,但该类预警使驾驶人操作车辆时的减速度增大至-4 m/s²以上,导致行车舒适性降低;预警提示时机对驾驶行为的影响显著,且预警提示位置宜设置在距离交叉口50～90 m处。研究结果能够为交通安全设施开发者提供有效HMI预警设计建议,提高无信号交叉口通行安全性。     

车联网埋点数据测试的问题研究

车联网作为物联网在汽车领域的一个重要应用,在智慧运输、智能交通建设等方面发挥着至关重要的作用,车联网用户行为数据的采集,是用户行为分析中一个非常重要的环节.而"埋点"是数据采集(尤其是用户行为数据采集)的常用方法.埋点数据的准确性直接影响了车企对用户行为数据收集的准确率,测试数据的准确性变得尤为重要,本文着重从车联网的...     

基于车联网BSM数据与路侧视频融合的港口集装箱卡车碰撞危险辨识方法

大型港口集装箱码头运输车辆调度频繁,堆场过道和交换区等区域视距狭窄,容易导致港口集装箱卡车与设施、作业人员和车辆发生擦碰事故。为提高智能集装箱卡车在港口密集区域的轨迹跟踪精度和行车安全感知能力,提出了一种车联网条件下融合车载终端基本安全消息（Basic Safety Messages,BSM）数据和路侧视频数据的集装箱卡车碰撞风险辨识方法。采用YOLOv5s算法提取视频监控范围内的目标车辆和作业人员,根据目标集卡大尺寸特点设计非极大值抑制锚框来提高目标识别准确度。运用透视变换原理将目标像素坐标转换成地理坐标,并应用Deep-SORT算法匹配每帧图像的车辆轨迹信息。应用交互式多模型方法（interactive multi-model,IMM）融合视频轨迹信息和车载单元（on-board units,OBU）定位数据,减小了目标机动过程中的观测误差。基于集卡融合轨迹结果,提出了1种新型的轨迹冲突风险评估模型,能够根据目标集卡与周围目标轨迹的相对运动状态实时感知车辆碰撞危险,该碰撞危险检测结果在实际场景中可通过路侧设备对车载终端和作业人员终端实时播发预警信息。针对集卡跟踪误差的实验结果表明：...