跟车安全间距二维云控制

车辆行驶在道路上时速度并非恒定的,于是跟随其行驶的车辆也会随着前车变化而变化。然而,在驾驶过程中驾驶员表现出的不确定性行为特征,使得人们对驾驶员的行为难以进行精确的数学描述。基于安全距离理论提出了跟车二维云控制算法,并对驾驶行程中由于突发事件的影响,驾驶员急加减速的跟车行为进行仿真。     

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。     

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.     

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。     

基于车流信息的智能巡航控制器的设计分析

设计一个模拟人类驾驶行为的智能巡航控制器。在分析现有巡航控制的基础上,提出利用车流前后车辆的相对速度和间距信息的智能巡航控制算法来选择正确的控制行为,从而平顺跟车行为,使车辆能保持由驾驶员指定的理想跟车距离。仿真结果显示,在此智能巡航控制下能保证车辆和车队在前、后两个方向上的稳定性。     

驾驶员多源信息融合协同仿真算法研究

交通仿真是交通控制与管理方案评价和优化的重要实验研究手段。传统的微观交通仿真模型,特别是刻画驾驶员行为的车辆跟驰模型,未能综合考虑交通环境中信息刺激的多源性和驾驶员任务集聚、协调反应的行为过程。文章利用Bayes方法描述驾驶员在复杂行驶环境中多源信息的融合过程,确定驾驶员任务集聚后对车辆应采取的驾驶行为。模型验证表明:交通仿真过程中,在车辆跟驰模型实施之前,利用Bayes算法模型化驾驶员在多源信息刺激下任务集聚、协同反应的过程是行之有效的。     

基于博弈论的人类驾驶与无人驾驶协作换道模型

无人驾驶汽车根据自身获取信息进行决策,与人类驾驶缺乏有效的交互机制,在复杂交通环境下难以发挥优势,甚至会引起事故。为此,引入智能网联汽车的设计思想,针对车辆在行驶过程中的换道行为,基于博弈论构建一种包含车辆协同机制的换道模型。考虑驾驶员实施换道的行为特征,车辆在做出换道决策后观察分析其他车辆的驾驶风格,其结果会影响最终决策。根据安全前提下可能获得的加速空间决定支付函数,同时加入表征驾驶风格的参数,并量化得到驾驶风格分数。在SUMO仿真软件上的测试结果显示,使用博弈换道模型的车辆在不同车流密度环境下平均通行数量提高5.60%,平均通行时间减少8.44%,测试中未发生事故,表明模型具有感知、判断人类驾驶风格的能力,可在保证安全的前提下提高通行效率。     

基于动态神经网络集成的驾驶员行为学习算法*

特定交通环境下的驾驶员行为的变化是一个非线性的复杂系统,传统的驾驶决策模型和车辆行驶模型难以体现驾驶员的感知、判断、决策、动作等一系列心理、生理活动的不确定性和不一致性,而人工神经网络特别适合于因果间不易建立明确联系的问题。提出了基于神经网络集成的驾驶员行为学习算法DNNIA,该算法的有效性通过标准数据集和仿真实验得到了验证,学习到的诸如驾驶员踩踏踏板的习惯行为的仿真结果与采集的样本数据总体趋势较为一致,且实现了系统泛化性能的提高。     

基于计算机视觉的驾驶员低头行为检测

在驾驶过程中使用手机会引起驾驶员的注意力分散,为了对这种行为进行监督和提醒(在公共交通中检测更有意义),提出了一种基于脸部特征提取的驾驶员低头行为的检测方法。该方法使用主动型状模型(Active Shape Model,ASM)算法得到脸部特征点,在此基础上通过脸部特征点的位置信息计算出头部姿势描述信息,最后通过SVM将上述信息分类进而得出头部姿势,其可用于判断驾驶员是否在驾驶过程中低头看手机行为,该方法能够有效检测出驾驶员在驾驶过程中低头使用手机的行为。实验结果表明,该方法的平均检出率在94%以上。     

基于CAN数据的渣土车驾驶行为分析

摘要：针对渣土车辆管控的要求,着力于分析渣土车驾驶员的驾驶行为,以达到提高渣土车驾驶员的驾驶素质、规范其日常驾驶行为和行车安全意识,减少安全事故发生的目的;通过对渣土车辆的北斗定位数据和CAN数据进行采集与解析后,利用K-means聚类算法对渣土车驾驶员的驾驶倾向性进行识别;然后构建司机驾驶行为评分模型,使用熵权层次分析法来确定每个指标的权重,进而由权重来制定指标分值,最终对渣土车驾驶员进行综合评分,实现对渣土车驾驶员的驾驶行为分析。 关键词：CAN数据;驾驶行为;聚类;北斗定位;评分模型