速度差影响下混合驾驶交通流动态特性分析

为分析自动驾驶车辆(AV)与人工驾驶车辆(HV)之间存在速度差时对混合驾驶交通流动态特性的影响,选取智能驾驶员模型(IDM)和协同自适应巡航控制(CACC)模型分别对HV和AV跟驰行为进行建模,采用MOBIL换道模型对换道行为进行建模.以单向两车道路段为场景,仿真分析了不同AV渗透率下速度差对混合驾驶环境交通流基本图的...     

混有自适应巡航控制汽车的交通流通行能力分析

应用交通流基本图模型,研究不同自适应巡航控制(adaptive cruise control,ACC)汽车比例下混合交通流通行能力。针对现有ACC跟驰模型存在的不足,考虑车头间距-速度函数关系构建新的ACC跟驰模型,推导不同ACC比例下的混合交通流基本图模型,计算混合交通流的流量-密度解析曲线,分析ACC跟驰模型改进前后对混合交通流通行能力的影响作用,并针对性地进行参数敏感性分析。研究结果表明,改进后的ACC跟驰模型可克服原模型通行能力受限的缺陷,将常规驾驶交通流最大通行能力提升近2倍且不受道路最大限速值的影响。     

基于ANFIS的高速公路车辆跟驰模型与仿真

为了更好地描述高速公路上驾驶员在车辆跟驰过程中表现出来的模糊、不确定性的行为特征,采用自适应模糊神经网络ANFIS来建立车辆跟驰模型.首先,通过小波分析方法,对采集到的跟车数据进行降噪,消除外界因素的干扰,从而恢复数据的原始信息;根据信号处理方法,利用相关函数计算出驾驶员在跟驰过程中的反应时间.然后,建立以两车速度差、车头间距和后车速度作为输入,以及后车加速度作为单输出的自适应模糊神经网络跟车模型.最终,对该模型仿真训练,自适应生成驾驶员跟驰行为规则,并与传统的GM跟车模型对比分析.结果表明,该网络模型能较客观地反映高速公路上的驾驶员跟驰行为.     

跟驰行驶状态下的驾驶模拟有效性研究

为验证驾驶模拟技术在跟驰行为研究中的有效性,设计了实车实验与驾驶模拟实验。选取了跟驰距离、跟驰距离标准差、车头时距及驾驶员反应延迟时间作为分析指标,并采用Wilcox检验、生存分析方法分别验证了非时间数据、时间数据的有效性。结果表明跟驰距离、车头时距、驾驶员反应延迟时间具备绝对有效性,两种不同实验环境下跟驰距离标准差随跟驰速度变化趋势相同,具备相对有效性。实车实验中,前车加速度、前后车相对距离、前车加速度变化状态显著影响驾驶员反应延迟时间。有效性分析结果为基于驾驶模拟实验的跟驰行为研究提供前提条件,生存分析结果可用于驾驶员反应延迟时间建模及跟驰模型优化。     

车辆跟驰模拟模型的建立

在微观交通流模拟中 ,由于驾驶行为的不确定性 ,难以建立精确模型。本文以“期望间距”为基准参量 ,考虑驾驶员的心理和生理因素 ,建立了车辆跟驰模型 ,为研究驾驶行为提供了一种新的思路     

基于人工势能场的跟驰模型

为提升跟驰模型的模拟精度,更加有效地刻画跟驰行为特性,从车辆的实际运行规律出发,将行驶过程中的各种行为归纳为效率与安全2种因素的相互作用.借鉴人工势能场的基本思想,将这2种因素抽象为驾驶员受到的驱动力和阻碍力,进而建立相应的跟驰模型.根据普遍的驾驶行为特性,将车辆运行状态分为减速停车、起动加速和常态行驶3类,并据此对实...     

车辆跟驰模拟中的驾驶行为与模糊逻辑控制

分析了车辆驾驶员信息处理过程及性格特征,在描述了基于驾驶员速度、距离判断跟车模式的基础上,应用模糊数学方法,建立了车辆跟驰驾驶行为的模糊逻辑控制模型.     

多车道下的车辆行为模型研究

针对我国混合交通的特点,提出一个新的车辆行为模型,模型由跟驰模型、邻车影响模型和换道模型共同组成.在新模型中将车辆的跟驰状态划分为一般跟驰和自由行驶,充分考虑了驾驶员的反应延迟.同时,鉴于多车道间车辆的相互干扰,还建立了邻车影响模型,探讨同向及对向的相邻车辆对驾驶行为的影响.运用面向对象开发环境VC 6.0对模型进行软件实现,将仿真计算结果与已有的实测数据进行对比,取得了较满意的结果,证明所建模型符合实际情况.     

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型（GHR、GIPPS、IDM和Wiedemann）对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为（麻木反应、过激反应和延迟反应）;最后探讨了分心状态下的2种跟驰行为建模策略（AIDM和TDIDM）。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。     

考虑驾驶风格的模糊控制跟驰模型

针对传统模糊控制跟驰模型较少考虑驾驶风格的差异,同时缺乏真实数据的有效验证,基于模糊控制理论,模拟驾驶人在跟驰过程中采取的动态驾驶决策过程,考虑不同驾驶风格,在分析自然驾驶数据的基础上,利用实测数据对不同驾驶风格进行分析,获得各驾驶风格的期望车头时距参数,在此基础上,利用前后车距离误差和速度差作为独立变量,并建立了模糊控制规则。数值分析结果表明,该模型与自然驾驶数据拟合较好。     

基于多源数据融合的公交车辆跟驰模型

针对目前缺少公交车辆跟驰模型参数和单一数据采集方式无法获取完整车辆跟驰过程数据的问题,提出一种基于多源数据融合的公交车辆跟驰模型,采用实测数据进行参数标定和模型验证。通过移动GPS数据采集设备随车采集车辆的运动轨迹和无人机空中悬停俯拍采集公交车辆的停车间距,并进行数据融合处理得到完整过程的公交车辆跟驰行驶数据;通过引入均方误差指标来衡量实际测量值与模型仿真值之间的差异,将公交车辆跟驰模型的参数标定问题转化为一般优化求解问题;通过对实测数据进行统计分析,获取公交车辆的平均停车间距参数;采用粒子群优化算法对智能驾驶跟驰模型中的舒适制动减速度和加速度系数2个参数进行求解,得到模型的最优参数;将验证集中的实测数据与模型仿真值进行对比,对模型参数的效果进行验证,并以厦门快速公交走廊的车辆多编组运行控制为例,对跟驰模型的效果进行进一步的验证,其中头车采用速度优化模型进行控制,跟随车辆则采用上述标定的公交车辆跟驰模型进行控制。研究结果表明：公交车辆跟驰模型生成的数据曲线与实测数据曲线基本一致,跟随车辆与头车在路段上行驶和车辆进出站2个阶段的运动轨迹曲线基本一致,符合车辆跟驰模型的跟随性,进一步证明了...     

利他情境对驾驶个体跟驰行为的影响

地震灾害情景下的个体跟驰行为会受到利他情境的影响。基于驾驶模拟器,设置利他情境和中性情境两组驾驶任务,在相同的道路驾驶场景中,采集被试个体的跟驰行为数据。选择Gipps模型用于表示个体跟驰行为,采用遗传算法对不同个体的Gipps跟驰模型参数进行标定。对比不同驾驶任务组的标定结果表明:利他情境与中性情境驾驶任务组的组间差异显著;个体执行利他情境驾驶任务时,相比中性情境驾驶任务,驾驶的最大减速度上升、预估前车最大减速度上升、安全距离下降、最大加速度上升;利他情境下个体有意识紧跟前车以达到尽快完成驾驶任务的目的,同时在行驶过程中表现出个体对驾驶安全性有更高的期望。该研究表明:在应急交通疏散过程中,给予个体一定程度的利他情境,可能有助于提高交通疏散整体的安全性能与疏散效率。     

智能网联信息下车辆跟驰模型构建及行为影响分析

基于传统跟驰模型提出考虑多前车速度和加速度信息影响的跟驰模型,根据车辆轨迹信息对跟驰模型参数标定,探究多前车信息对本车运行在交通安全和效率方面的影响以及协同自适应巡航（cooperative adaptive cruise control,CACC）车辆在不同渗透率下对交通安全和效率的影响。结果表明：除了紧邻前车外,多前车的运动信息会对后车的运动造成影响;考虑多前车的速度和加速度反馈会提高交通安全和效率;CACC车辆对交通安全和效率的影响与CACC渗透率和排列方式有很大关系。     

考虑驾驶员模糊感知的深度学习跟驰模型

为模拟驾驶人记忆效应以及模糊感知特性,设计了基于模糊感知时间窗的深度学习跟驰模型。提取highD数据集跟驰轨迹,以0.2 s最小时间间隔,连续3 s本车速度、前后车速度差、车头间距的时序数据作为模型输入,模拟驾驶记忆。训练深度学习跟驰模型,得出单层32个输出维度的门控循环单元（GRU）网络可以很好拟合实际数据。在每次输入模型的时序数据中,用模型预测值替换部分真实跟驰状态值,作为驾驶员对场景的估计,即模糊感知。实验得出对同一场景的不同模糊感知,可产生不同跟驰行为,模拟了驾驶行为的异质性,可为异质交通行为仿真提供方法。     

融合自适应曲线预瞄的驾驶机器人转向操纵粒子群优化滑模控制

为提高不同工况下驾驶机器人操纵试验车辆的转向精度和自适应能力,提出了一种基于自适应曲线预瞄的驾驶机器人转向操纵粒子群优化滑模控制方法。首先建立了试验车辆动力学模型和驾驶机器人转向机械手动力学模型,并构建了驾驶机器人转向操纵试验车辆的集成系统动力学模型,接着研究了一种融合路径曲率和车速的驾驶机器人转向操纵自适应曲线预瞄方法,其预瞄点位置能够根据车速和路径曲率做出自适应调整。在此基础上,设计了用于驾驶机器人转向操纵的粒子群优化滑模控制器,并进行了稳定性分析,同时利用粒子群算法在线优化滑模控制切换项的反馈增益系数,以减小控制抖振。仿真及试验结果表明,所提出的方法能够在不同工况下根据路径曲率和车速做出自适应调整,实现驾驶机器人操纵车辆的精确转向控制。     

车联网环境下自动驾驶交通流建模与分析

在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型,并理论推导在不同自动驾驶比例下混合交通流稳定性的解析判别条件,从混合交通流稳定域角度对比分析模型改进前后混合交通流的稳定性。结果表明,相比于原自动驾驶跟驰模型,改进后的模型能有效缩小混合交通流不稳定区域,降低混合交通流全速度范围内稳定时所需的最低自动驾驶比例,从而提升自动驾驶混合交通流的稳定性。     

汽车自适应巡航与换道过程多目标协同控制

为提升自动驾驶汽车在自适应巡航跟车和车道切换联合工况下的纵向跟驰、横向稳定性能,针对加速跟随前车且同时换道这一特殊工况下的车辆行驶稳定性控制需求,提出了一种具有两层结构的协同控制策略.在分析跟车和换道联合工况控制需求基础上,建立了基于五次多项式的换道轨迹模型和固定车头时距跟车模型,设计了上层线性时变模型预测控制器,输出...     

轮毂电动机驱动电动汽车自适应巡航系统控制策略

以轮毂电动机驱动电动汽车为研究对象,采用分层控制策略提出自适应巡航系统,结合上层模型预测控制器与下层PID (proportion integral differential)控制器,针对复杂的纵向跟随工况,对轮毂电动机输出的驱动力矩进行精确控制.提出基于前车加速度的可变车头时距策略,利用模型预测控制算法(model predictive control, MPC)求解本车期望加速度的上层控制器,利用PID算法求解整车前后轴驱动力矩,并输入到轮毂电动机的下层控制器,实现前后轮驱动力矩分配,最终实现车辆纵向自适应巡航.建立联合仿真模型,针对匀速前进、紧急制动、城市循环工况等场景,对所提出的自适应巡航分层控制策略进行验证,结果表明：所提出的自适应巡航系统控制策略针对纵向复杂行驶工况的跟驰效果良好,跟驰过程中车间距误差较小,加速度变化与电动机驱动转矩变化可以较好地进行同步与响应.     

基于BP神经网络的纵向避撞安全辅助算法

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。     

应用五轮仪采集车辆跟驰过程描述参数

车辆跟驰模型是微观交通流模拟的一个基本模型 ,用来分析和描述在无法超车的同一车道上一辆车 (驾驶员 )跟随另一辆车的方式 .由于过去的实验数据主要是由两实验车在实验跑道上作跟驰运行或由驾驶员操纵驾驶模拟台获得的 ,难以获取实际道路上驾驶员的信息 ,建立的车辆跟驰模型难以标定或验证 .所介绍的应用五轮仪实验获取、处理和分析车辆跟驰过程描述参数的途径 ,为今后车辆跟驰模型的标定与验证提供了一条新的实验途径 .