基于行人影响的信号交叉口右转车辆跟驰模型

为探究在不同场景下行人对信号交叉口右转车辆跟驰行为的影响,采用无人机采集信号交叉口视频录像,通过视频分析技术提取信号交叉口右转车辆跟驰数据,提出考虑行人过街平均流率影响的右转车辆优化速度函数,构建不同场景下基于行人影响的信号交叉口右转车辆跟驰模型,并对模型进行参数标定和仿真验证.结果表明,保守驾驶员为避免人车冲突会先减速后停车,等待20 s可放行约27人;激进的驾驶员选择在过街行人间隙强行穿越人行横道,穿行前平均速度由13.8 m/s降至8.3 m/s,穿越完成后加速离开,速度波动较小,符合实际情形.     

城市道路施工交通安全评价研究

基于城市道路交通和施工特性,提出了城市道路施工交通安全评价方法。城市道路施工期间,在各种施工组织方式下交通量重新分布,通过交通影响范围的宏观仿真获取重新分布后的施工影响范围及各路段交通量,并采用微观交通流仿真技术对其进行仿真,引入等效跟驰距离FDE评价城市道路施工期间的交通安全水平。     

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.      

多前车影响的智能网联车辆纵向控制模型

为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h-1提升为3 204 veh·h-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。      

雾环境下高速公路驾驶人跟驰行为研究

雾环境下驾驶人行车与正常天气相比，在低能见度下视觉参照物较少，驾驶人更倾向于跟驰行驶。为研究雾环境下高速公路驾驶人跟驰行为，以真实雾环境下实车试验方式，选择多条高速公路作为试验路段，以Smart Eye眼动仪获取车辆在雾环境下高速公路驾驶人视觉参数，包含驾驶人注视区域、注视角度、注视持续时间、瞳孔直径、扫视速度以及扫视幅度等，以归一化方法对驾驶人注视重心进行分析，研究不同能见度下驾驶人的跟驰需求，并通过对雾环境下上述视觉参数进行规律总结。对雾环境下驾驶人跟驰特性进行统计及分类，将跟驰行为划分为主动、半主动、半被动以及全被动跟驰；通过分析雾区低能见度下驾驶人跟驰行驶条件，引入多维偏好理论及后悔理论，进行驾驶人跟驰决策模型构建，并基于差分法对模型进行参数标定及验证。研究结果表明：驾驶人在1次跟驰动态过程中，正常车道保持时驾驶人扫视速度较低，而当处于车道调整时，驾驶人扫视速度存在较大波动，且平均扫视速度较高，低能见度下驾驶人注视点转移速度27.0 （°）·s^-1明显低于晴好天气的52.0 （°）·s^-1；驾驶人在跟驰过程中，能见度对驾驶人跟驰时的视觉特征有显著影响，通过跟驰模型构建可为后续雾环境下车辆跟驰前后车距及车速预测提供理论支撑。     

基于扰动传播特征的随机Newell跟驰模型

为研究快速路场景下小汽车跟驰行为，本文从北京市快速路交通流视频中提取高时间分辨率的机动车运行轨迹数据.统计发现，在不同跟驰速度下，小汽车车头时距均服从对数正态分布；利用动态时间规整算法提取小汽车的反应时间与扰动传播速度等特征参数，分别标定其概率分布函数，证明跟驰过程中小汽车的反应时间分布峰值和数学期望分别为1.0 s 和1.57 s；在挖掘反应时间、扰动传播速度与车头时距量化关系的基础上，建立基于交通扰动传播特征的随机Newell跟驰模型，并标定得到分速度区间的模型参数.仿真结果表明，本文提出的随机Newell跟驰模型能有效刻画跟驰行为与扰动传播间的关联特征，同时生成符合预期的交通流基本图.新模型能够为跟驰行为随机特征对交通状态的影响研究(如交通流陡降、宽移动阻塞等)提供支持.     

自适应期望跟车间距和行为习惯的驾驶人跟驰模型

为满足智能车辆的个性化需求，提高智能车辆人-机交互协同的满意度和接受度，构筑双层驾驶人跟驰模型框架，提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先，提取个体驾驶人跟驰均衡状态的数据，采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function, GMM-PDF)建立第 1 层模型，即驾驶人期望跟车距离模型。然后，将期望跟车距离参数引入模型，基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model, GMM-HMM)学习驾驶习性，建立第2层模型预测加速度，即个性化驾驶人跟驰模型。其次，研究不同高斯分量个数对模型效果的影响，对比双层模型与 Gipps 模型、最优间距模型(Optimal Distance Model, ODM)、单层模型及通用模型的性能。最后，8位被试驾驶人的自然驾驶行为数据验证结果表明：高斯分量数量与模型性能存在一定的正相关性；在最优高斯分量数量下，8位被试驾驶人在训练集上预测误差均值为0.101 m·s-2，在测试 集上为0.123 m·s-2；随机选取其中1位驾驶人的2个跟车片段数据进行模型计算，结果显示，加速度的平均误差绝对值分别为0.087 m·s-2和0.096 m·s-2，预测效果优于Gipps模型、ODM模型、单层 模型及通用模型30%以上，与驾驶人实际跟驰行为的吻合度更高。     

基于PFV策略的连续型元胞自动机交通流模型

科学合理的微观交通流仿真模型是研究交通控制手段有效性的关键.本文结合一种考虑驾驶员视野内前后多车影响的跟驰策略，建立了连续型元胞自动机交通流模型.仿真实验表明，仿真数据与实测数据有较好的拟合性，仿真得到的 K-Q、K-V和 Q-V图能较好地反映实际道路交通流的失稳现象，所建立的模型具有适应不同场景的兼容性与灵活性，能够作为研究我国实际道路交通流问题的仿真工具.     

基于多用户驾驶模拟平台的雾天高速公路跟驰模型参数标定及验证

高速公路连环追尾事故多发生在雾天环境下,且容易造成严重的事故人员伤亡。当前的跟驰及追尾风险研究多集中于两车跟驰,缺乏对雾天情况下车队跟驰的研究。利用雾天环境下车队跟驰轨迹数据对传统主流跟驰模型进行标定验证,基于多用户驾驶模拟平台设计了8个不同雾天等级和限速组合的高速公路虚拟场景,开展驾驶模拟试验并采集数据。试验招募了8名男性驾驶人并通过随机调整他们在车队中的位置顺序来获得足够的车队跟驰轨迹数据,根据判定标准筛选合适的车队跟驰轨迹数据,按照2:1的原则分配标定和验证阶段的数据组。选取Newell、Gipps和IDM三个主流跟车模型进行参数标定和验证,以时间序列的车头间距和相对均方根误差(RMSPE)分别作为性能指标参数和拟合优度函数,使用遗传算法搜寻目标函数最小值以标定跟驰模型参数,并用车辆轨迹完整性(CVT)和RMSPE评价验证阶段的仿真结果。结果表明:在标定阶段,Newell、Gipps和IDM三个模型的RMSPE整体平均值分别为30.1%、18.6%和27.7%,各个试验条件下Gipps模型的RMSPE值均小于另外2个模型,说明Gipps模型能更好地拟合试验数据;在验证阶段,Gipps模型的RMSPE整体平均值为21.2%,远小于另外2个模型,可见Gipps模型在局部精确度上的鲁棒性要优于Newell模型和IDM模型;Gipps模型的CVT整体平均值和波动幅度分别为98.1%和2.0%,均是3个模型中的最小值,说明Gipps模型在整体轨迹上的鲁棒性也优于另外2个模型。雾天环境下,Gipps模型具备更好的拟合能力和鲁棒性,因此推荐仿真软件使用Gipps模型模拟雾天环境下车队跟驰行为,不同雾天等级及限速下的Gipps模型参数可参考该研究标定的参数。     

车辆跟驰模型研究进展

梳理了近70年关于跟驰模型的研究, 根据建模方法将其分为理论驱动与数据驱动2类模型, 并归纳了跟驰模型的研究热点; 从人类因素、基础设施、交通信息、异质交通流、新建模型理论5个方面对理论驱动类跟驰模型的研究进行了综述; 根据所用机器学习算法的不同, 从模糊逻辑、人工神经网络、实例学习、支持向量回归、深度学习5个方面对数据驱动类跟驰模型的研究进行了综述。分析结果表明: 理论驱动类跟驰模型以理论推演交通现象, 对影响因素的考量难以全面, 部分人类因素难以量化, 驾驶人决策制定过程的解释不够准确, 异质交通流的跟驰模型缺乏一般交通条件下有效性的理论基础和形式化证明; 数据驱动类跟驰模型以交通现象归纳交通规律, 由于数据的来源、评价指标及评价方法不同, 导致应用机器学习算法得到的模型无法系统比较; 数据驱动类模型侧重于从微观角度研究驾驶行为特性, 对复杂交通现象(如交通震荡、迟滞等)的解释性不强; 跟驰模型的研究应创新数据采集方法, 捕捉驾驶人的心理倾向、感知特性和认知能力, 并量化人类因素的影响和充分利用大数据; 数据驱动类跟驰模型应为无人驾驶技术发展提供技术支持; 在自动驾驶完全普及之前, 人工驾驶与自动驾驶混合场景下的驾驶人跟驰行为特性尚待深入研究。