基于高逼真驾驶模拟器雾霾天气下跟驰行为分析

为研究雾霾天气下车辆跟驰行为,基于8自由度高逼真驾驶模拟器,设置晴天和雾霾天两个实验场景,采集不同交通状态下跟驰驾驶行为数据,分析车头时距、车头间距、车头延迟时距、加速度、减速度等跟驰行为关键变量.实验结果表明,雾霾天气显著影响了跟驰行为,最大车头间距在自由流、拥挤流和阻塞流跟驰状态下分别增加了8.7%、19.4%和25.6%;自由流跟驰状态下最小车头间距减小了13.0%;阻塞流跟驰状态下最小车头时距减小了47.9%,但延迟时距及其离散性增加了15.5%和28.2%;雾霾天气下后车的加速行为更为谨慎.不同交通状态下的跟驰行为存在显著差异.随着跟驰车速增加,最大、最小车头间距及其离散性显著增加;最大、最小车头时距及其离散性则呈先增加后减小趋势,延迟时距显著增加.     

一种基于动态期望车头时距的跟驰模型

现有跟驰模型把期望车头时距视为常量,因实际交通流具有动态性,静态期望车头时距模型并不能确切地描述现实交通流.提出了一种动态期望车头时距的跟驰模型,将其车头时距用韦布尔分布拟合,使其成为随跟驰车辆性能差异和驾驶员自身差异而变化的动态变量.仿真结果表明,基于动态车头时距的跟驰模型能使后随车车速的平均绝对误差从1.715 9 m/s降至0.762 9 m/s,优于静态常量期望车头时距跟驰模型.     

快速路入口区域车辆跟驰行为研究

快速路入口区域车辆跟驰行为及安全间距会受到汇入车辆影响。为了探索快速路入口区域车辆的跟驰行为,利用无人机在200m高空对快速路入口区域进行高空悬停定点拍摄,并利用Tracker软件提取了车辆速度、车辆横纵坐标、加速度等参数。采用跟驰距离、相对跟驰速度绝对值及跟驰片段长度指标对快速路入口区域车辆的跟驰行为进行判断,确定了快速路入口区域跟驰行为判定准则。在此基础上,对交通流变化、车道分布、入口形式对跟驰行为的影响进行对比分析。研究发现：快速路入口区域车辆跟驰距离均值为26m,车辆跟驰距离集中分布在15~28m;相对跟驰速度绝对值均值为0.75m/s,且90%车辆相对速度绝对值小于1m/s;车辆跟驰距离和后车跟驰速度随交通流增加逐渐减小;快速路最内侧车道车辆跟驰距离和跟驰速度大于中间车道;直接式入口的主线车辆跟驰距离和跟驰速度大于平行式入口。本文研究成果可为快速路入口区域跟驰行为参数标定及管控提供参考依据。     

混合交通环境下降雨对车辆跟驰行为的影响分析与模型构建

针对混合交通环境下车辆跟驰分析时缺少对降雨环境考虑的问题,通过研究驾驶人在降雨环境下驾驶行为的改变,构建在不同降雨强度下适用的跟驰模型。首先,通过Python程序从云控平台数据库中提取车辆跟驰数据和降雨强度数据,分析了车辆在不同降雨强度和交通流状态下的跟驰速度、加速度和车头间距等变化特征以及其相互作用关系,进一步探索了降雨与正常天气下车辆跟驰行为的差异。其次,从优化速度跟驰模型出发,使用加速度衡量跟驰行为特性,综合考虑降雨对前后车相对距离和相对速度的影响,提出了适用于不同降雨强度下的安全间距和驾驶人期望速度确定方法,构建了不同降雨强度下的跟驰模型,并采用遗传算法对新模型进行了参数标定。最后,通过交叉验证方法对标定结果进行了评估,计算了模型输出值与实际值之间的误差。研究结果表明：降雨环境下车辆速度和加速度随着降雨强度的增加有不同幅度的降低,但是车辆加速度变化程度比车辆速度变化程度明显,这说明加速度对于降雨反应更加灵敏;降雨环境下,车头间距受前车速度影响,进而控制后车跟驰速度,不同降雨强度和不同前车速度区间都影响车头间距大小,后车跟驰速度随着车头间距的增大而增大;模型计算结果与实测值的均方...     

考虑前后车速度关系的车辆跟驰模型

分析了传统车辆跟驰模型的局限性,建立了考虑前后车速度关系的车辆跟驰模型：前后车以相同速度匀速行驶时的跟驰模型;前后车以不同速度匀速行驶,后车速度小于前车速度时的跟驰模型;前后车以不同速度匀速行驶,后车速度大于前车速度,当前车速度不变时的跟驰模型和前车减速时的跟驰模型．以四种跟驰模型为基础,分别建立了相应的速度一间距关系和车辆追尾模型．追尾模型表明：最小车头距离是后车速度的二次函数,随后车速度急剧缩小;当实际车头距离小于该值时,则会发生追尾事件．     

路段多车型混合车流通行能力

利用概率论方法,通过对由多种车型构成的混合车流不同跟驰序列,不同组合概率的研究,得到了跟驰车头时距路段多车型混合车流通行能力模型.基于经典车头间距模型,通过对混合车流不同跟驰序列下最小车头间距的研究,得到了多车型混合车流的组合车头间距,进而得到了跟驰车头间距路段多车型混合车流通行能力模型.推广了由大、小2种车型构成的混合车流的通行能力模型.研究表明,路段多车型混合车流通行能力不仅与反应时间、车辆速度、车辆长度、制动性能等有关,还与混合车流的车辆组成状况及跟驰序列相关.最后实例分析了不同小型车混入率情况下路段通行能力的变化状况.     

冰雪路面城市快速路跟驰模型研究

针对冰雪路面城市快速路的跟驰模型进行了研究。首先对两种常见的冰雪路面进行了交通调查。根据调查结果对不同冰雪路面城市快速路交通流的自由流速度、平均速度、速度分布,相邻跟驰车辆的车头时距、车头时距与相对速度的相互关系等微观特性进行统计分析,定量地研究不同冰雪路面形态对城市快速路跟驰行为的影响。其次,对不同类型的优化速度函数特征进行对比分析,依据Greenshields速度-密度关系建立期望车速模型,依据车辆不同跟驰状态建立冰雪路面最小安全距离模型,并由此构建冰雪路面优化速度模型。基于现有跟驰理论研究成果,以线性跟驰模型建模思想对全速度差模型进行改造,结合冰雪路面优化速度模型构建适用于冰雪路面的新跟驰模型。最后,利用实测数据对模型参数进行标定,并通过设计实验分析模型的稳定性、加速度非对称性。同时,利用调查数据对新模型和全速度差模型进行模拟分析,结果证明该模型更贴近冰雪路面城市快速路实际交通流,可以为冰雪路面下交通管理措施的制定提供理论支持。     

基于动态安全车距的车辆跟驰模型及稳定性分析

为了更好地模拟车辆的跟驰特性,在全速度差(full velocity difference, FVD)模型的基础上考虑前车与跟随车的车头间距、速度差、速度和加速度等因素,建立了一种基于动态安全车距的改进FVD跟驰模型。构建了可变车头时距模型量化前车加速度对跟驰车头间距的影响程度;应用小振幅扰动分析和长波展开进行了模型线性稳定性分析,推导了改进FVD模型的临界稳定性条件;设计环形道路上微扰动数值仿真实验,分析了扰动后的车辆跟驰行为特性,解析加速度参数对模型抗扰能力的影响。研究结果表明：考虑前车加速度信息可以降低扰动演化时的波动振幅,有助于提高车流的稳定性。     

基于时间安全余量的跟驰模型

为了能够找到CA跟驰模型无法对道路的通行能力进行准确分析的原因,并对之进行改进,分别从时间安全余量和空间安全余量的角度对CA跟驰模型进行了分析。结果表明:由于传统CA模型的跟驰间距是在临界跟驰间距的基础上添加一个空间安全余量,因此在车辆低速时,CA模型推出的跟驰间距会大于现实数据,而在车辆高速时,CA模型推出的跟驰间距又会小于现实数据,从而导致CA模型在分析交通通行能力时不准确;而将模型的安全余量加在时间上,则可以在车辆中、低速条件下有效地克服传统CA模型的不足之处,其仿真数据与实地采集的数据,在车流速度不超过60 km/h时有较好的吻合度。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

车距自控系统跟车模型稳定性仿真分析

用仿真分析方法,对可能用于车距自控系统的跟车模型的稳定性作了分析,主要内容包括：选定了３种可能用于车距自控系统的跟车模型,在以通行能力为约束的条件下,以前车突然制动与平稳降速２种典型驾驶行为和行驶车距与车速２种主要车辆行驶参数,对选定的３种跟车模型作了仿真,根据仿真结果给出了适用于车距自控系统的变速控制模型。     

微观交通流中跟车模型的仿真研究

在研究跟随状态中车辆运行特性的基础上,提出了一种新的跟车模型.与传统的跟车模型相比,新模型考虑了车辆的长度,并将传统模型中的期望间距转换为期望车头时距,反映了后车速度对跟车状态的影响.采用实际道路上的车辆跟车数据,在Simulink环境下,对2种跟车模型进行了仿真分析,结果表明在一定程度上,由于考虑了更多实际情况,新模型优于传统模型.为了能反映车辆在实际中加速、减速以及不同跟车类型的差异性,给出了进一步改进新模型的方向.     

基于实车驾驶数据的信号交叉口车辆运行特性

为得到信号交叉口的车辆运行特性和驾驶模式,开展实车驾驶试验,采集车辆在自然驾驶状态下通过信号交叉口的速度、加速度等运行参数,得到了车辆速度和纵向加速度的变化趋势、分布范围和统计特征值,分析了车速与行驶距离的相关性,确定了减速停车和起步加速的驾驶模式。结果表明：车辆驶入交叉口时在停车前100米范围内车速下降最明显;而绿灯启亮后,车辆在头50米内速度提升最明显。减速距离与初速度之间具有较高的关联度,加速距离和稳定速度之间的关联度略低。减速度总体上大于加速度,85分位减速度为1.19 m/s2,85分位加速度为1 m/s2。减速度峰值出现在停车前5秒内,而加速度峰值出现在起步后的3秒内。本研究可为跟驰模型和微观交通仿真提供参数标定值,为城市交叉口信号配时和交通管理提供实际数据参考和理论依据。     

基于AVL Cruise的阿波斯拖拉机动力学仿真研究

为了寻找农用机械整车动力学特征分析的高效、可靠手段,消除整机性能试验研究的诸多弊端,本文采用了当前在道路车辆动力学分析中常用的仿真技术手段,即通过使用AVL公司旗下的一款整车性能分析软件Cruise搭建阿波斯拖拉机的整车模型,对拖拉机的动力性能和经济性能进行了仿真计算,并进行了试验验证。 在道路行驶条件下,对拖拉机的动力性能(最高车速、最大加速度、滑行距离)进行了计算分析;在农田工作条件下,对拖拉机特定工况下的燃油经济性进行了仿真计算。将各种条件下的仿真计算结果与实车试验进行了对比验证。得出以下结论：道路行驶条件下,采用H5档,试验测试得到的最高车速为40km/h,对应的仿真计算结果为40.54km/h,相对误差为1.35%;采用H5档位,0-40km/h加速时间的仿真结果为5.7s,对应的实测时间为5.5s,相对误差为3.6%;H5档的最大加速度的计算值为2.26m/s₂ ,道路试验所测得的H5档最大加速度为2.22 m/s₂;道路滑行以20km/h的初速度滑行距离,仿真计算的结果为54m,对应的实测距离为53m;农田工作条件下,耕地深度22.5cm时,0-6km/h加速试验的实际测量距离和时间为8.2m和6.7s,对应的仿真计算结果为8m和6.5s;以L2档位,8km/h工作时测得的实际油耗为17.2L/h,对应的仿真计算油耗为17L/h。通过试验的验证,搭建的阿波斯拖拉机的仿真计算模型是合理的,计算精度符合要求,能够作为拖拉机整机开发的重要辅助手段。     

基于车速平稳过渡的高速公路出口限速方案

研究能够满足出口车速平稳过渡的逐级限速方案,对提高出口区域车辆平稳运行及安全提升有重要意义。利用无人机采集高速公路出口车辆运行参数,分析出口车辆运行特征,考虑驾驶员对相邻限速标志的认知反应,构建了连续限速标志设置间距计算模型,建立了高速公路出口不同级别的限速方案,利用驾驶模拟试验对设计的不同限速方案进行分析及评价。模型的计算结果显示,二级限速方案中,限速值为60-40km/h的限速标志间距为160m;三级限速方案中,限速值为80-60-40km/h的限速标志间距分别为：300,80m,限速值为90-60-40km/h的限速标志间距分别为300,85m;四级限速方案中,限速值为100-80-60-40km/h的限速标志间距分别为295,160,80m。利用驾驶模拟器对模型结果进行验证,试验结果表明：逐级限速方案的平均减速度指标小于1.3 m/s2,均在驾驶舒适性阈值内;随着限速级数增加,车辆离散幅度显著降低,表明逐级限速方案对出口车辆运行速度有明显管控效果;四级限速方案可使在分流鼻端车速标准差、平均减速度、V85分别控制在5.23km/h、0.52m/s2、54km/h左右,极大了满足车速平稳过渡要求。可见,借助模型定量优化的逐级限速方案可以显著提高出口车速过渡的平稳性和安全性。     

Modeling Car-Following Dynamics During the Starting and Stopping Process Based on a Spring System Model

Car-following models describe how one vehicle follows the preceding vehicles.ln order to better model and explain car-following dynamics,this paper categorizes the state of a traveling vehicle into three sub-processes:the starting(acceleration)process,the car-folloing process,and the stopping(deceleration)process.The stating process primarily involves vehicle acceleration behavior.The stopping process involves not only car-following behavior but also deceleration behavior.This paper regards both the stopping process and the starting process as spring systems.The car-following dynamics during the starting process and the stopping process is modeled in this paper.The parameters of the proposed models,which are represented in the form of trigonometric functions,possess explicit hysical meaning and definitive ranges.We have calibrated the model of the starting process using data form the Traffic Engineering Handbook and ob-tained reasonable results.Compared with traditional stimulus-response car-following mo