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。     

驾驶人熟悉程度对其安全驾驶行为的影响研究综述

驾驶人作为人-车-路-环境复杂系统中最核心的因素,在交通安全中发挥最为关键的作用。聚焦驾驶人熟悉程度这一因素对道路交通事故的影响,系统地梳理和分析了驾驶人熟悉程度与交通事故的关系及其影响安全驾驶的机理等相关研究及成果。首先,基于驾驶人熟悉程度的距离维度和频率维度识别标准,分析了驾驶人对道路、环境及车辆的熟悉程度与其发生交通事故概率的关联性;其次,从驾驶人控制行为、路径选择行为及视觉行为等角度归纳了驾驶人熟悉程度影响其安全驾驶的机理;最后,就该领域面临的挑战及未来的研究趋势进行了分析和探讨,提出进一步标准化驾驶人熟悉程度指标的方法,为驾驶安全程度评价及提高交通安全提供了理论基础。针对已有相关研究的局限性及机理研究中尚不明朗的问题,后续研究需从认知心理学方面探究因道路、环境、车辆等驾驶人熟悉程度影响其安全驾驶的机理,进一步将视觉特征指标与生理指标结合以量化驾驶人熟悉程度,将此纳入到道路选择模型中。同时,从生理指标角度客观衡量驾驶人熟悉程度对其乘坐舒适度的影响,这些为提升自动驾驶技术接受度、交通安全及车辆安全提供强有力的理论基础。     

基于场景的智能网联汽车模拟仿真测试评估方法与实践

搭载自动驾驶功能的智能网联汽车因可在其设计运行条件内承担全部动态驾驶任务,面临安全验证与评估挑战。基于场景的智能网联汽车安全测试评估方法已成为广泛的行业共识,模拟仿真测试是其重要手段之一。从第三方视角,针对自动驾驶安全性、高场景覆盖度、逻辑完备性等测试验证目标,搭建基于软件在环的模拟仿真测试环境框架,在此基础上研究基于设计运行条件覆盖的测试场景集构建方法,探索形成一套高可信智能网联汽车模拟仿真测试评估方法,并在特定应用场景进行初步实践。研究成果为模拟仿真测试在智能网联汽车安全测试与评估中的落地应用提供了参考。     

简易瞬态工况法测量准确度影响因素研究

论述国家颁布的在用汽油车排放标准中简易瞬态工况法(Vm as系统)的测试原理和测量系统组成,分别采用不同的底盘测功机、不同的测试模式进行试验,分析了影响Vm as测量汽车排气污染物准确度的因素。在进行大量试验的基础上,提出了为提高测量准确度和重复性,车辆在试验前应进行必要的预处理,使用电涡流测功机应该附加机械飞轮。     

基于人体姿态估计的分心驾驶行为检测

为弥补现有驾驶特征提取方法的不足,提高分心驾驶行为检测的准确性和鲁棒性,将2D/3D人体姿态估计应用于驾驶人行为检测,提出一种适用于驾驶舱环境下的驾驶特征提取方法。首先通过将2D姿态估计网络Simple Baseline和分类网络ResNet进行融合,构建基于2D姿态估计的分心驾驶行为检测模型,并在分心驾驶数据集State Farm上分析不同数据增强方法、不同超参数、不同分类网络对模型性能的影响。其次,融合3D密集姿态估计网络DensePose与分类网络ResNet,构建基于3D姿态估计的分心驾驶行为检测模型。接着,在State Farm数据集上,针对模型的实时性和泛化能力,对比分析基于原始图像和基于2D/3D姿态的分心驾驶行为检测模型。最后,针对效果更优的基于2D姿态估计的分心驾驶行为检测模型,在分心驾驶数据集State Farm上,对使用不同姿态估计算法和分类网络的分心驾驶行为检测模型做了交叉试验,对比分析4个不同检测模型的优缺点。进一步地,将基于2D姿态估计的分心驾驶行为检测模型应用于实际采集的驾驶图片,对模型的泛化能力和有效性进行了测试验证。研究结果表明:与基于原始图像的检测模型相比,基于2D和3D姿态的检测模型都能显著提高分心驾驶行为的检测准确率;基于3D姿态的检测模型在检测精度方面略优,但基于2D姿态的检测实时性更好,检测效率是基于3D姿态检测的4倍;在驾驶舱单一环境下,基于2D姿态估计的分心驾驶行为检测模型能够满足分心驾驶行为检测的需求,在分心驾驶行为检测方面具有重要应用价值。     

基于GRA-SSA-Elman的隧洞TBM掘进适应性评价

为准确评价隧洞施工TBM掘进适应性，保障TBM安全、高效施工，提出一种基于灰色关联分析（GRA）与麻雀搜索算法（SSA）优化Elman神经网络的TBM掘进适应性预测模型。首先，从地质条件、掘进参数、不良地质、施工组织4个方面综合考虑，初步选取13个主要影响因素，建立隧洞TBM掘进适应性评价指标体系； 然后，利用GRA分析指标与掘进适应性间的关联性，引入SSA优化Elman神经网络，提高模型性能，并采用留一交叉验证法验证模型的准确性及可靠性，使得模型最接近原始数据分布特征； 最后，结合北疆水利工程某标段中待测样本对模型预测效果进行验证，同时与Elman、PSO-Elman、BP神经网络模型预测结果及现场实际结果对比分析。结果表明： SSA-Elman模型预测结果与实际工程结果吻合度较高，该模型能够正确、有效地对TBM掘进适应性进行预测评价，且具有合理性和可操作性，可为隧洞TBM适应性评价提供一种新方法。     

大风天气典型事故特征与货运车辆行驶稳定性分析

大风天气造成车辆失稳、侧翻、货物跌落等事故是一类复杂的动力学问题,给相关事故处理工作带来了困难。针对大风天气下的事故致因,尤其强风是否对事故有直接影响等实践问题,首先通过大风事故的地域分布、形态分布,分析大风天气的典型事故特征;然后利用动力学仿真和有限元仿真,对大风天气条件下“新疆三十里风区”涉及货运车辆的事故开展深入研究,并探讨大风天气货运车辆行驶稳定性、货物栓固稳定性等关键问题;最终针对大风天气的事故预防提出建议。     

面向商用车行驶工况优化设计的高速公路工况识别

为解决商用车行驶工况优化设计中确定工况类型的问题,研究商用车行驶工况特性,提出一种基于朴素贝叶斯方法的高速公路工况识别方法。利用21辆长途运营商用车采集的106 200 km行驶工况数据,以3 km为单位进行分割,共获得35 230段有效试验路段数据(其中:高速公路27 986段;一般公路6 124段;城市公路1 120段)。以该数据为基础,根据朴素贝叶斯方法分析汽车运行过程中的平均速度和挡位统计信息,确定面向商用车行驶工况优化设计的阈值划分区间,获得相关的先验概率和条件概率,利用MATLAB软件进行编程计算,对高速公路工况进行了识别分析。研究结果表明:高速公路工况识别的正确率到达88.26%,高速公路工况被误判为一般公路工况的误判率为9.54%,高速公路工况被误判为城市公路工况的误判率为2.20%;基于朴素贝叶斯方法的高速公路工况识别能够为商用车行驶工况优化设计提供一种有效的高速公路工况识别方法。     

复合地层盾构掘进参数相关性分析及掘进速度预测

掘进速度预测对于提高复合地层盾构掘进施工效率具有重要作用。本文依托南京轨道交通工程复合地层区段现场盾构掘进数据,在盾构区间地层分区的基础上对主要掘进参数进行研究,分析各掘进参数与掘进速度之间的相关性。结果表明:地层越硬,刀盘转速、扭矩、推力均越大,土仓压力越小,软硬不均复合地层刀盘扭矩明显偏大;在复合地层中仍存在掘进速度与贯入度、螺旋输送机转速成正比关系,但掘进速度越大,刀盘扭矩和推力不一定越大。在复合地层中引入硬岩复合比作为回归参数,采用多元线性回归建立掘进速度预测模型,将相同区段预测掘进速度与实际掘进速度进行对比,以验证模型的的准确性和可信度。本文分析方法可为复合地层掘进施工提供指导。     

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价，由于自动驾驶系统复杂程度的增加及设计运行区域的扩大，面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此，建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法，可解决现有方法在逻辑场景层面安全性评价的缺陷。首先，建立基于自然驾驶数据的逻辑场景构建流程，分析场景描述参数，搭建自然驾驶数据采集平台采集相关自然驾驶数据，采用高斯分布模型描述参数概率分布；进而，离散逻辑场景参数空间获取具体测试用例，并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试，通过高斯模型将测试结果中的危险场景参数聚类，获取被测算法在逻辑场景中的危险区域；最后，综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域，提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数，并以前车制动和前车切入场景为例，给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5，在前车制动场景中具有较大的安全风险，与仿真测试的直观结果相符；通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。