基于轨迹预测的智能汽车行驶风险评估方法

提出了基于预测轨迹的行车风险评估方法,首先建立了沿预测轨迹两侧具有渐变高斯截面特征的驾驶风险域DRF以表征驾驶员行为的不确定性,然后考虑车辆与周围静态、动态障碍物处于特定状态的风险后果建立环境事件成本,得到适应复杂行车场景不确定性的量化感知风险,并基于贝叶斯理论融合预测区间内的量化感知风险时间序列,实现了对于未来行车潜在碰撞风险的预测。实车轨迹和仿真实验结果表明,相比于经典TTC指标方法,基于融合未来一段时间内自车与周边环境交互信息的DRF的风险评估方法可以更快、更准确地辨识复杂交通场景的行车风险变化,为研究周边多车复杂场景下车辆碰撞风险问题提供了参考。     

基于贝叶斯网络模型的道路交通事故链生成与演化研究

为了研究道路交通事故链的生成和演变规律并全面反映道路交通事故的产生机理,以美国100-Car自然驾驶研究数据为基础,充分考虑了驾驶员状态和驾驶行为对道路交通安全的影响,构建了事故发生前驾驶员状态和行为特征参数等变量,并与其他传统驾驶员特征、道路交通特性以及环境特点等影响因素变量共同建立了关于道路交通事故风险类型的贝叶斯网络模型。在贝叶斯网络模型基础上,引入事故因果链理论,利用有向无环网络中简单路径搜索算法生成事故链集合,并采用信息增益特征选择方法识别关键事故链。通过100-Car自然驾驶数据得到的关键事故链显示,单车事故类型更容易在弯道和坡道条件下驾驶员无注意力转移或进行简单非驾驶任务的情况下发生;而正面、侧面和尾部碰撞事故类型的发生,往往在水平直线道路条件下,伴随着驾驶员注意力由前方道路转移至两侧车窗或内后视镜,以及驾驶员非驾驶任务变复杂的情况。通过改变事故链中各节点的状态概率,可以探索不同类型事故的演化路径和规律,克服了传统方法对每个道路交通事故致因因素进行独立分析的局限性,揭示了事故链中影响因素/事件之间的相关关系,为更好地掌控道路交通风险状态和实现事故链阻断提供了新的思路。     

车联网环境下道路交通事故链阻断效率评价方法研究

为了解决车联网环境下道路交通事故链(Chains of Road Traffic Incident,CRTI)阻断系统的阻断效率问题,综合考虑阻断代价的经济性、阻断过程的稳定性和阻断技术的可靠性,并以阻断技术可靠性、阻断过程稳定性和阻断代价经济性作为阻断策略分析指标,率先提出了1种车联网环境下动态的、实时的CRTI阻断效率评价算法。危险源是导致事故发生的根本原因,危险度由危险源决定,且危险度的大小能够反映出事故发生的可能性和严重程度,因此以危险源和危险度为评价指标,将危险源分成两大类,并建立"人-车-路-环境"危险度模型以及综合评价函数模型。通过实时筛选、获取车辆周围的危险源,判断是否需要阻断,寻找最优的阻断策略及阻断节点,并计算阻断事故链前后的危险源和危险度,将获取的阻断前后危险源和危险度代入评价函数模型,获取评价函数取值范围,最后通过分析阻断前后危险度对比以及代价函数的取值,实现对阻断效率的综合评价。结果表明:阻断系统能够将行车危险度基本降到3以下,保证了行车安全,总体使行车危险度降低40%左右,保证车辆处于安全状态,并且阻断CRTI成功率达到了90%以上,表明阻断系统能够阻断CRTI的产生;通过评价函数的综合评价,代价值基本在0~1之间,表明阻断系统的阻断效率较高,可较好地实现对CRTI阻断效率的定性、定量综合评价。     

基于驾驶员避撞行为的行车风险判别方法的仿真研究

提出了一种基于驾驶员避撞行为的行车风险状态分类方法,并综合考虑驾驶员驾驶行为、道路和环境因素对行车风险状态变化的影响,运用支持向量机(SVM)建立不同行车模式下行车风险判别算法。基于美国弗吉尼亚理工大学"100-car"自然驾驶数据对预测算法进行了训练和验证,结果表明,在进行行车风险状态预测建模时考虑驾驶员行为、道路和环境因素的差异(特别是驾驶员分心状态)将有利于提高预测模型的准确率;另外,在满足假正率低于5%的条件下,本文构建的预测算法对未来行车过程中的高风险状态预测具有较高的准确率,有助于对临近危险状态的驾驶员给予及时的警告或辅助纠正,为防撞预警策略和控制方法的研究提供了新的思路。