营运车辆驾驶行为的研究与应用

我国公路运输里程数居世界前列,且大部分的客货运输工作都是由营运车辆来完成.有数据显示,大部分的重特大运输事故与营运车辆有关.因此需重视营运车辆的运行状况,特别是重视驾驶员的驾驶行为,以减少车辆事故的发生.论文通过对车联网数据进行分析、确定驾驶行为指标及各指标得分细则并使用K-means聚类方法对驾驶行为进行分级,最终建立评估模型,客观评估驾驶行为的优劣.实际结果表明,该评价模型为驾驶员行为习惯的综合分析提供了一种可行的方法.     

基于NSGA-II的渣土车调度系统的研究与设计

随着城市化建设的加快,渣土运输业兴起,这个过程中形成了众多规模不一的运输企业和车队,但远距离调度、成本不可控等问题仍未得到有效解决。为集约化管理各运输企业和车队的渣土车,研究实现了基于二代非支配排序遗传算法（NSGA-II,Non-dominated Sorting Genetic Algorithm II）的渣土车调度系统,其主要功能如下:（1）对工地、消纳场位置和调度成本等信息进行录入和管理;（2）使用北斗终端实时获取车辆定位数据;（3）使用当前系统内任务、定位、成本等数据,实现渣土车用车最少、完成任务最多、收益最高的多目标优化调度方案设计。系统研究为渣土运输节省了成本,并对城市渣土运输管理起着重要作用。     

基于Shared-LSTM的重型卡车不同加速驾驶行为油耗预测方法

规范重型卡车驾驶行为可以有效降低油耗，这对交通行业节能减排和国家“双碳”战略都有积极作用。本文采集多辆重型卡车1个月的CAN总线数据，定量分析不同加速驾驶行为（急加速、正常驾驶、急减速）与油耗之间的关系。针对现有油耗预测方法效率低、精度差的问题，本文对LSTM模型进行改进，提出一种共享权重的LSTM模型（Shared-LSTM）。基于采集的车辆CAN总线数据，本文对比分析Shared-LSTM、GRU和BP神经网络模型对同车型同路况多行为下的油耗预测效果。实验结果表明，改进的LSTM模型在不同加速驾驶行为下的预测效率均提高3%以上，且各方面预测指标均要优于其他模型。以急加速驾驶行为为例，Shared-LSTM模型相较于GRU和BP神经网络在平均绝对误差、均方误差、均分根误差等方面均降低了5%以上。因此，Shared-LSTM模型可广泛应用于多种驾驶行为下的油耗预测。     

基于模糊推理的汽车辅助驾驶系统控制算法

在建立汽车辅助驾驶系统模型的基础上，指出满足驾驶员的驾驶特征是车辆控制的一个重要指标，此外针对驾驶员驾驶行为的不精确性，提出了以模糊推理为基础的上位控制方法，并对其进行了现场实验。实验结果表明，用模糊控制理论模拟驾驶行为的不精确性是可行的。通过模糊控制自车的速度，能够实现自车在多种工况下保持安全状态。     

虚拟驾驶员决策行为模型研究

驾驶决策行为是驾驶行为研究的重要内容.为提高驾驶决策行为建模与仿真的可信度,提出了基于分层的驾驶员决策行为模型.将驾驶决策分为策略层、方法层、行动层和车辆控制层四个层次.重点对驾驶员行动层的决策行为进行实现.使用两点法和PID方法相结合,计算车辆转向角度,使用反应点跟车模型计算车辆纵向行驶速度.通过驾驶员跟车行为仿真,分析了跟车行为模型的稳定性和逼真性,说明了驾驶员决策行为模型的可信性,使驾驶行为模型的输出更加真实.     

基于多层模型的“两客一危”车辆行驶状态评价系统

随着我国道路运输行业的快速发展,"两客一危"车辆大幅度增长,给道路出行和乘客的生命财产安全带来了极大的考验.本文基于海量"两客一危"车辆行驶数据提出了多层模型的"两客一危"车辆行驶状态评价系统.首先,对行驶数据进行特征筛选、异常值清洗、归一化等处理.然后,在宏观和微观两个层面上分别使用聚类分析模型和动态阈值模型对车辆行驶数据进行分析.最后通过将聚类分析的结果与动态阈值的分析结果相结合即可实现对车辆行驶状态以及驾驶员的驾驶习惯的综合评价.研究结果表明,本文提出的多层模型能够对车辆行程路况以及车辆驾驶员驾驶习惯进行较为准确的评估,可为"两客一危"车辆的管理监督部门以及车辆运输企业提供合理的安全生产的科学依据和数据支持.     

基于腾讯地图的北斗/GPS/GSM三定位车辆监控系统

基于腾讯地图和北斗定位系统设计了一套三定位车辆监控系统,车辆将北斗卫星导航系统作为主要定位系统,GPS导航系统和基站定位作为辅助定位系统,保证了定位信号的可靠性.监控端可通过手机客户端实时查询车辆位置信息,并可通过腾讯地图查看车辆所处的确切位置.系统具有车辆防盗功能和安全驾驶功能,防止车辆意外丢失,可提醒驾驶员已疲劳驾驶、超速驾驶等行驶安全隐患.     

基于驾驶行为和速度的车内网CAN数据防注入攻击

由于车内网的开放性以及协议缺陷,其总线中数据的安全性及有效性分析是目前亟待解决的问题.利用车内CAN总线网络协议中车辆速度以及刹车油门等驾驶行为信息,提出了针对车内网CAN网络数据的防注入攻击模型.首先,基于攻击模型的分析与注入攻击特点,构建了基于驾驶行为-速度的结构模型.其次,基于该模型,利用朴素贝叶斯网络分类器,提出了面向车内网CAN数据防注入攻击分析模型,从而对接收到的车内网CAN协议中车辆行驶速度进行了有效性分析.最后通过实验仿真与验证,其结果表明,该方法能够有效地提高数据质量分析准确度.     

基于车辆周期行为的UBI设计

随着定位与导航技术的快速发展,使基于位置信息的各种应用成为可能.在车辆保险领域,让那些驾驶行为习惯良好,以及有着丰富驾驶经验的驾驶员可以最大程度享受到保费上的优惠,有助于减少不安全驾驶行为.通过对车辆周期性行为进行分析,可以评估车辆行驶风险.讨论了周期性行为数据的采集方法,以及用离散傅里叶变换等方法对数据进行分析、归纳.保险公司根据差异化的驾驶行为和特征给出差异化的保费定价,使保费的制定更加合理.     

基于北斗的城市垃圾清运系统

为建设更美好的市容市貌, 降低运输车辆的空车率, 实现源头追溯与全流程透明化管理, 结合目前通用的软件开发方式与数据库技术, 给出了以智能化, 绿色为主的城市垃圾清运系统. 该系统以北斗定位数据为基础, 辅助以高德开放平台来进行设计开发. 系统的开发采用基于PHP语言的ThinkPHP框架以及B/S架构设计模式, 客户端采用Ajax和Web技术等方式实现数据的传输和展现. 该系统旨在为用户提供车辆实时位置查询、车辆历史轨迹查询、用户管理、统计分析等服务. 对于车辆运输过程中的整个轨迹数据, 系统采用了北斗系列来进行数据采集, 更有效地维护了信息和技术的安全. 后期还可结合机器学习等技术来对司机的驾驶行为, 车辆的健康状况进行相应分析. 通过北斗定位数据与互联网技术的结合, 该系统可有效地对车辆进行管理.     

基于驾驶员转向模型的共享控制系统EI北大核心CSCD

针对车辆驾驶对于共享控制系统实用性的需求,提出了基于驾驶员转向模型的共享控制系统.基于驾驶员的视觉预瞄特性与神经肌肉特性建立了驾驶员转向模型,通过遗传算法辨识模型参数并分析其与车速和道路曲率之间的函数关系;采用模糊权重分配策略合理分配驾驶权重;本文利用基于所开发的CarMaker驾驶模拟实验平台,对系统进行在线测试和验证,结果表明该系统不仅能够更好地提升车辆的轨迹跟踪精度和安全性,辅助驾驶员转向,还能够极大地减轻驾驶员负荷.     

基于心理物理综合认知结构的微观交通仿真模型

针对驾驶行为的不确定性,在分析驾驶员心理-物理微观特性的基础上,构建了基于驾驶员任务集聚的心理-物理综合认知结构及其各行为运行模式下微观交通仿真的车辆跟驰模型.运用五轮仪试验系统所采获的实际数据和多元统计分析的数学方法对模型进行了标定,并使用与模型标定过程所用到的数据不同的另一部分数据验证了模型的有效性.结果表明,该文所提出的模型和算法能够很好地刻画驾驶员心理-物理行为特性的复杂性,再现人车单元的实际动态行为,为网络交通流一体化协同仿真和智能运输系统研究提供理论基础.     

基于完全信息多人动态博弈的车道选择模型

针对集群车辆驾驶员的车道选择行为,着眼物联网背景,综合考虑车辆集群态势、驾驶倾向性等影响驾驶员行为的因素,建立基于完全信息多人动态博弈的车道选择模型。通过分析不同策略组合下的驾驶员收益,运用逆向归纳法,求解子博弈精炼纳什均衡,得到驾驶员的最优车道选择策略。应用实车实验等手段验证模型,结果表明,所建模型能够较为客观地反映驾驶员车道选择行为及交通流特性。     

基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法研究

从高速交通监控视频中提取的车辆轨迹数据可以用于分析和识别车辆行为。由于从高速监控视频中提取的车辆轨迹中只有少量的变道、超车等类型轨迹,采用经典的最长公共子串(LCSS)相似度和谱聚类等算法无法有效地区分轨迹数据中所有类型的轨迹;此外,在车辆行为识别方面,常用的隐马尔科夫(HMM)轨迹模型忽略了负样本的影响,且仅用最大似然值进行分类,存在较高的误识别率。为了解决这些问题,分析和研究了高速监控视频中车辆轨迹数据的特点,提出了一种基于二次谱聚类和HMM-RF混合模型的车辆行为识别方法。该方法利用轨迹曲率来识别具有曲线轨迹特征的超车轨迹,利用倾角相似度和谱聚类算法来识别非曲线轨迹中的变道轨迹,并将得到的所有聚类簇用LCSS和谱聚类算法进行再聚类,从而有效地区分超车、变道以及直行轨迹等。在进行车辆行为识别时,该方法通过将不同HMM模型的多维概率输出作为随机森林RF模型的输入来识别多类型轨迹以替代最大似然值分类,提高了行为识别的正确率。为了验证方法的有效性,在不同数据集下进行实验,结果表明轨迹聚类的平均准确率为96%,而行为识别的平均准确率是89.3%,算法具有较高的准确率和鲁棒性。     

聚类分析和模糊逻辑在驾驶行为辨识中的应用

在驾驶行为识别以及车辆运动状态预测时,需将车辆连续运动过程离散化成状态,对状态划分时极易出现状态重复划分的情况,且利用隐马尔科夫模型在对行为状态序列进行判定时难以准确确定各个状态之间的转移概率以及各个状态的初始概率,因此,提出利用聚类分析对滑动时窗内的数据进行聚类,确保驾驶过程中状态划分的唯一性,此外,利用模糊逻辑规则对出现的异常行为状态进行修正.利用CPNtool层次化分析软件,将不同驾驶行为分成若干层,通过状态之间的转移实现层与层之间的交互,通过判定等时间段内状态流所占用某个层的时间比例来确定当前的驾驶行为.最终利用测试车采集到的样本数据对所建模型进行有效性验证,结果表明,该模型能够以可视化的方式展现不同驾驶行为之间的状态切换,对当前的驾驶行为的判断准确率达到了96％以上.     

虚拟驾驶环境中车辆智能体的驾驶行为模型

建立虚拟交通环境的多智能体结构,分析车辆智能体的驾驶行为分层模型以及感知、决策和操作等过程。采用模糊专家系统建立车辆智能体的驾驶行为模型。为模拟现实中的驾驶员行为特性,加入驾驶员因子,使驾驶模拟器的虚拟交通环境更符合现实。运用OpenGVS产生和显示实时交互的虚拟驾驶场景。结果表明该模型能体现实际驾驶行为的多样性、随机性和模糊性。该模型通用有效,它使驾驶模拟器的虚拟交通场景更真实满意。     

基于双向长短记忆网络的异常驾驶行为检测

异常驾驶行为的识别对交通安全起着至关重要的作用,准确识别异常驾驶行为能够显著提高驾驶安全。目前,针对车辆行驶过程中的异常驾驶行为,如急加速、急减速、突然左转或右转等的检测识别,主要采用视频监控或聚类的方法完成。在这两种方法中,前者的实际效果受到应用场景的制约,而后者则不能针对具体的单个车辆进行驾驶行为识别。针对以上问题,使用一种基于双向长短记忆网络（Bi-LSTM）及全连接神经网络（FC）的拓展神经网络检测模型,该模型能有效利用行车数据在时间序列上发生突变时的特征,提高异常驾驶行识别准确率。将车辆行车数据处理后制作数据集并对模型进行训练,训练完成后的神经网络模型能够有效利用行车数据的时间序列特征,准确识别车辆的异常驾驶行为,准确率可达到98.08%。     

基于CPNTool的换挡过程建模与分析

针对换挡本身特性,提出一种利用着色Petri网对换挡过程进行建模的方法。首先,利用聚类分析对单个时窗内的车辆运行参数进行聚类,依据一定时间段内车辆运动状态的转移对下一时刻车辆的运动状态进行估计,将车速信息和状态估计值作为车辆换挡决策的判定条件,利用具有鲜明层次化特性和替代变迁良好交互特性的CPNTool对换挡过程流进行建模仿真,依据交通环境和车辆状态信息设定每个状态迁移的时间延迟,通过分析几种可能的换挡过程所产生的时间延迟给出最佳的换挡次序;最后,采集道路实车试验数据对换挡模型进行有效性验证。测试结果表明,该建模方法能够以图形化方式充分展现出换挡过程中驾驶员操作流程的变迁,此外,该模型能够有效估计出每个驾驶员换挡过程所需的时间,对驾驶员的换挡急缓程度作出评价。     

汽车驾驶员模糊控制模型研究

建立合适的汽车方向控制驾驶员模型是人-车-路闭环系统最重要的环节之一.传统驾驶员模型的建立依赖于汽车系统传递函数,但汽车动力学控制系统具有强非线性,其传递函数不易确定,这使驾驶员模型难以建立.在"预瞄最优曲率模型"的基础上对驾驶员校正环节采用模糊控制,对包括"魔术公式"轮胎模型在内的汽车模型建立带有自调整因子的加速度反馈模糊控制驾驶员模型.该模型不需要知道汽车系统精确的传递函数,采用模糊逻辑推理直接模拟人的操纵过程来进行控制.仿真结果表明,所建立的模糊控制驾驶员模型很好地描述了驾驶员的方向控制行为,为人-车-路闭环系统的进一步研究和智能车辆自动驾驶控制提供了可行的途径.     

基于模糊神经网络的自动驾驶决策系统研究

驾驶决策过程中,驾驶行为常受到人、车、路、环境等多源信息的刺激和影响。由于信息处理能力有限,驾驶员对多源信息无法同时实现知识获取与表示,以致有时不能准确、快速地进行驾驶决策,易引发交通事故。为了解决这一问题,针对驾驶员的控制行为进行了分析,并基于模糊控制和神经网络等理论知识,建立了智能车辆驾驶决策机制的模糊神经网络模型。该模型的建立有助于驾驶人员做出更安全、更有效的控制策略。仿真结果表明,用模糊神经网络推理系统有较高的推理速度,能实时、准确地识别当前的驾驶行为和预测下一时刻的驾驶决策,为智能车辆中自动驾驶系统的仿真和实现提供了理论指导和可行性依据。