驾驶人驾驶决策机制遵循最小作用量原理

为提升智能汽车的自主决策能力，使其能够学习人的决策智慧以适应复杂多变的道路交通环境，需要揭示驾驶人决策机制。首先通过对自然驾驶数据的分析，发现在车辆行驶过程中能够反映驾驶人决策行为的主要运动特征参数存在极值现象，而产生极值现象的内在动因是驾驶人遵循“趋利避害”的基本决策机制，即驾驶过程中驾驶人力图实现机动性和安全性综合性能最优。受自然界包括物理和生物行为上的众多极值现象遵循最小作用量原理的启发，提出驾驶人决策机制遵循最小作用量原理的假设。随后建立抽象描述驾驶过程的物理模型，并提出最小作用量决策模型（Least Action Decision-making Model，LADM），通过与传统驾驶决策模型（经典跟车模型和换道模型）对比，分析结果显示LADM模型更具通用性。最后开展了实车试验，采集20名驾驶人在自由行驶、跟车行驶和邻车切入3种工况下的试验数据，分析计算并检验了不同驾驶人行车过程的理论最小作用量和实际作用量。试验结果表明：驾驶人在驾驶过程中的实际作用量与最小作用量之间无显著性差异，体现出驾驶人在行车过程中对安全和高效具有共性追求，验证了驾驶人决策机制遵循最小作用量原理。     

基于等效力的汽车主动避撞模型及其仿真

为使汽车主动避撞模型能够在人-车-路不同行车环境下保证汽车的主动避撞效果,建立了基于等效力的汽车主动避撞模型.通过以汽车风险评估中提出的等效力模型为基础,加入路面附着系数因子、驾驶员激进程度因子和汽车速度因子,得到行车等效力模型,通过实际行车等效力与不同行车环境中的标准等效力进行对比,实现汽车主动避撞预警.利用Simu...     

基于BP神经网络的智能车辆换道决策模型研究

为了正确刻画智能网联环境下的车辆换道行为,提出基于BP神经网络的车辆换道决策模型.分析了交通流中车辆换道行为,以HighD自然驾驶数据集为数据来源,筛选出1 900组车辆换道和未换道信息作为模型的训练与验证,利用高斯滤波方法拟合目标车辆换道轨迹和横向位移轨迹,选择影响车辆换道决策的7个参数作为模型输入,建立BP神经网络...     

基于势能场虚拟力的智能网联车辆运动规划

传统人工势能场方法存在着纵向运动规划速度振荡、横向运动规划难以实现的问题.本文中建立了人工势能场虚拟力模型,提出了基于势能场虚拟力模型的车辆运动规划方法.通过评估自车与周边车辆的运动状态,生成位置和速度虚拟力,实现无振荡运动轨迹与速度规划.仿真结果表明:该方法能够实现安全、可行、平滑无碰撞的路径规划,并能克服传统势能场...     

基于能量转移理论的行车风险量化建模方法研究

为建立一种简洁且适用的行车风险量化模型，提出了基于能量转移理论的行车风险量化建模方法，分析了换道避险场景和典型跟车场景的行车风险分布。模型从描述事故致因的能量转移理论出发，提出描述行车风险的风险作用力，通过考虑车辆的动力学约束，推导了车辆可行驶区域，明确了行车风险的影响范围，实现对风险分布的有效约束。仿真结果表明，模型能有效量化行车风险并与传统风险评估指标 THW的结果一致，同时，为缓解道路交通风险应当避免行车风险的大规模叠加造成的风险累积。