一种新的考虑驾驶员疲劳的人机协同避障策略

人机协同驾驶系统在避障工况中， 针对驾驶员注意力不集中导致不能及时操控汽车的问题，设计一种考虑驾驶员特性的人机协同避障控制器. 以双驾双控人机共驾结构为基础，自动驾驶系统采用线性二次调节器（Linear Quadratic Regulator，LQR）控制车辆跟踪规划轨迹，基于最优预瞄侧向加速度建立驾驶员模型. 为了使驾驶权在避障过程中分配更加合理，使用驾驶模拟器采集疲劳驾驶数据训练BP神经网络来识别驾驶员疲劳操作行为，通过对空间碰撞危险度和驾驶员疲劳因子建模设计人机协同避障策略. 搭建Carsim、PreScan和 Simulink联合仿真平台进行高速工况下的避障仿真试验. 仿真结果表明，相较于传统方法，本文所提策略在静态障碍物避障过程中，侧向加速度、质心侧偏角和横摆角速度分别降低了8.9%、18.2%和11.1%，在动态障碍物避障过程中，相应的指标分别降低了51.5%、53.4%和50.6%，提高了车辆在避障过程中的稳定性.     

基于数据驱动的城市地下快速路跟驰行为模型构建

为了揭示地下快速路交通流的运行特性,利用驾驶模拟器获得的高精度车辆轨迹数据,针对地下快速路提出一种基于数据驱动方法的车辆跟驰模型,并对该模型进行了标定与验证。首先,根据上海市北横通道东段场景模型进行驾驶模拟实验以获取车辆跟驰数据;其次,选择了采用支持向量回归（SVR）方法建立车辆跟驰模型,对模型改进并引入了驾驶行为约束条件;最后,利用实验数据对改进过的SVR车辆跟驰模型进行了标定与验证。结果表明,考虑驾驶行为约束的支持向量回归车辆跟驰模型能很好地描述地下快速路中的车辆跟驰行为;该模型具有一定的可移植性,在其他地下快速路上也有较高的精度。建立的车辆跟驰模型可以量化地分析地下快速路中跟驰车辆间的相互作用,为进行交通仿真和风险研究提供基础。     

基于非合作模型预测控制的人机共驾策略

提出一种基于非合作模型预测控制(model predictive control, MPC)的智能汽车人机共驾策略.首先,建立了驾驶员和控制系统两者共同控制车辆的人机共驾系统模型.接着,得到了驾驶员和控制系统的代价函数.然后,求解了非合作MPC人机共驾策略的纳什均衡解.最后,通过仿真验证了非合作MPC人机共驾策略的优点和有效性.证明了非合作MPC的纳什均衡解可以通过非迭代的方法求解,并通过驾驶员和控制系统置信度矩阵的更新实现了驾驶权的逐渐交接.Matlab仿真表明,非合作MPC人机共驾策略可以在智能车辆遇到危险时将驾驶权逐渐从驾驶员转交给控制系统,同时保证驾驶员实时在环.     

基于神经网络方法的集成式驾驶员跟车模型

为了提高驾驶辅助系统的跟车性能,基于神经网络方法建立了一种集成式驾驶员跟车模型.通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据,并利用Kalman滤波器对数据进行了处理和估计.设计了以BP神经网络为核心的集成式模型结构,该模型以前车速度为输入,计算跟车过程中的两个特性参数并输入神经网络以模拟驾驶员控制的自车加速度.利用处理后的数据样本对网络进行了训练,并对该模型进行了仿真验证.仿真结果表明;神经网络模型具有模拟驾驶员跟车行为的能力,模型体现出较为准确的跟踪特性,并对不同的前车工况具有良好的适应性.     

基于车辆车载诊断数据的山地城市道路异常驾驶行为空间分布特征

为了探究山地城市异常驾驶行为的空间分布规律,本文基于车辆OBD（On Board Diagnostics）数据建立了异常驾驶行为空间分布规律模型。首先,以重庆市6条主干道130个路段为研究对象,定性分析道路坡度、弯度、公交站和开口与异常驾驶行为间的关联性;然后,分别构建Possion回归模型和零膨胀Possion回归模型（ZIP）、零膨胀负二项回归模型（ZINB）,对急加速、急减速、急转弯和超速行为发生频率的空间分布特征进行了描述;最后,随机选取路段进行模型验证,结果表明：对于急加速率、急减速率空间分布特征,Possion回归模型拟合效果较优,绝对误差在10%~10%;急转弯率适宜采用ZINB回归模型,80.77%的绝对误差分布在（-0.005~0.005）;超速率适宜采用ZIP回归模型,71.15%的绝对误差基本分布在（-0.002~0.002）区间。     

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.     

基于样本扩充和改进Lasso回归的视线估计

为了利用眼部特征进行准确的视线估计,提出了一种基于样本扩充和改进Lasso回归的方法,建立眼部特征与视线之间的映射关系.通过对小样本评分得到优质样本,进而完成样本扩充,利用改进的Lasso回归得到准确的视线估计模型.该方法对标定过程中的眨眼等干扰具有鲁棒性,受干扰后仍可保持相对较高的视线估计准确度.实验结果表明:标定过程无干扰,该方法视线估计准确度比传统方法提高11.25%;标定数据加入6.67%异常数据,该方法视线估计准确度比传统方法提高22.62%.      

智能汽车驾驶员模型的预瞄时间自适应分析

为了更好地模拟真实驾驶员在人车路闭环系统下的操纵行为,提出了一种针对智能汽车驾驶员模型的预瞄时间自适应模型.运用预瞄跟随理论与预瞄优化驾驶员模型构建智能汽车驾驶员模型,进而分析道路环境与汽车行驶状态等因素对智能汽车驾驶员模型中预瞄时间的影响,分别采用基本预瞄时间和补偿预瞄时间表征不同因素对驾驶员前视行为的影响,并将基本预瞄时间和补偿预瞄时间相结合,建立了基于BP神经网络的预瞄时间自适应模型.在Carsim/Simulink联合仿真平台上搭建了预瞄时间自适应的智能汽车驾驶员模型,针对正常驾驶和激进驾驶2种模式进行了仿真分析.结果表明所建立的预瞄时间自适应模型可有效改善智能汽车驾驶员模型的路径跟踪效果.     

驾驶人纵侧向驾驶能力评价方法研究

为合理分配智能汽车人机协同共驾驾驶权,提高智能车辆的驾乘安全性和舒适性,本文提出驾驶人纵侧向驾驶能力的概念及其评价方法.对驾驶人的驾驶能力进行了定义和分析,并在此基础上设计了纵向跟车激励工况和侧向移动双移线激励工况,在搭建的驾驶人在环智能仿真平台上进行数据采集.建立了基于Hammerstein辨识过程的驾驶能力辨识模型,采用主成分分析法对驾驶能力辨识模型中的关键参数进行解耦和降维处理;通过客观蚁群聚类和主观量表分析相结合的分类方式,实现驾驶能力的分类;通过多元线性回归分析得到驾驶能力评价方程.结果表明,纵侧向驾驶能力辨识模型平均辨识及拟合精度均大于90%,经主成分分析及主客观分类处理后的纵侧向驾驶能力评价方程满足统计检验指标,具有良好的拟合及预测结果.      

基于Lasso回归和ARIMA模型的城市生活垃圾产生量预测——以宝鸡市为例

基于宝鸡市2009—2019年城市生活垃圾产生量及其影响因素的基础数据,首先通过Lasso回归建立了生活垃圾产生量预测模型,其次通过ARIMA模型对模型中主要影响因子进行了预测,最后通过Lasso模型对2020—2025年宝鸡市城市生活垃圾产生量进行了预测.结果表明,Lasso回归模型预测精度高,可用于城市生活垃圾产生量的精准预测.未来几年宝鸡市生活垃圾产生量将会快速增长,2025年将达到的52.71×104t.     

侧风作用下货车驾驶员反应行为模型

为建立侧风作用下驾驶员反应行为模型,基于8自由度驾驶模拟器,构建了风-车-桥耦合作用下大跨桥梁驾驶模拟平台。招募了32名职业货车驾驶员进行了侧风作用下驾驶模拟实验,采集了驾驶员行为及车辆动态响应数据,通过相关性分析选取了关键因素,建立了侧风作用下两阶段驾驶员反应行为模型。研究结果表明:方向盘反馈力矩是影响侧风作用下驾驶员反应行为的关键因素之一;考虑方向盘反馈力矩在内的两阶段模型能够较好的反映侧风作用下驾驶员的反应行为。     

基于迁移学习和AlexNet的驾驶员行为状态识别方法

为了解决传统基于神经网络算法的驾驶员行为状态识别系统精度过于依赖大量训练样本的问题,本文提出将迁移学习理论和AlexNet引入到驾驶员行为状态的识别研究中。首先对驾驶员行为特征及状态进行深入分析,对驾驶员7种驾驶状态进行了定义,构建了驾驶员状态信息采集系统;然后对基于卷积神经网络的驾驶员状态识别方法研究,建立了驾驶员状态数据集,构建了基于AlexNet卷积神经网络的状态监测系统,通过迁移学习完成了卷积神经网络识别模型。最后通过实验验证了本文提出的驾驶员状态识别算法对7种驾驶员状态识别的有效性。实验表明：该系统准确率达到97.8%,且在实验设备中运行速度达到70帧/分钟,满足较高的准确率要求与实时性要求。     

基于驾驶倾向性辨识的避撞-报警算法

为了研究适应驾驶员个性需求的避撞-报警算法,将驾驶倾向性作为驾驶员的个性评价指标引入。以实车实验所得驾驶行为数据为基础,提出了一种驾驶倾向性的实时辨识方法。通过驾驶模拟实验,获取了不同驾驶倾向性驾驶员的反应时间和制动减速度数据;并据此提出了一种基于驾驶行为的避撞-报警算法;最后将该算法与典型安全距离算法进行仿真对比。结果表明:本文提出的避撞-报警算法具有较高的可信度,而且体现了各类型驾驶员报警触发时机差异。     

高速公路驾驶员昼夜感知速度变化规律

为制定合理的高速公路昼夜车速限制标准,采用数理统计与回归分析方法对采集的驾驶员昼夜感知速度数据进行了对比分析,量化研究了实际行驶速度、平曲线半径、纵坡对驾驶员感知速度的影响,建立了驾驶员昼夜感知速度与实际行驶速度、平曲线半径的关系模型.研究发现:驾驶员夜间感知速度的准确度与白天相比下降,且感知速度与纵坡值无关;白天驾驶员感知速度与实际行驶速度呈正指数相关,与平曲线半径呈负对数相关;夜间驾驶员感知速度与实际行驶速度呈正线性相关,与平曲线半径呈负对数相关.基于驾驶员的感知速度变化规律,针对不同的平面线形条件对昼夜分别实施不同的车速限制标准,有助于降低驾驶员的速度感知偏差.     

基于Attention机制的CNN-LSTM驾驶人意图识别方法研究

在自动驾驶系统中，系统需要准确识别驾驶人的意图，来帮助驾驶人在复杂的交通场景中安全驾驶。针对目前驾驶人意图识别准确率低，没有考虑优化特征对模型准确率影响的问题，运用深度学习知识，提出了一种基于时间序列模型的驾驶人意图识别方法。该方法基于Attention机制融合了卷积神经网络(convolutional neural networks, CNN)和长短时记忆网络(long short-term memory network,LSTM),引入车辆自身信息和环境信息作为时空输入来捕捉周围车辆的空间交互和时间演化。该方法可同时预测目标车辆驾驶人横向驾驶意图和纵向驾驶意图，并在实际道路数据集NGSIM(next generation simulation)上进行了训练和验证。实验结果表明，所提出的CNN-LSTM-Attention模型能够准确预测高速公路环境下驾驶人的驾驶意图，与LSTM模型和CNN-LSTM模型相比具有明显的优势，为自动驾驶系统的安全运行提供了有效保障。     

山岭区低等级低指标公路路线的使用质量分析

在计算机上建立道路生成模块、车辆模型库、驾驶人模块,形成"路线-驾驶者-车辆"仿真系统,以云南省大关—永善四级公路为对象,以小客车为仿真车辆,针对常见的驾驶员类型来设置驾驶特征参数,进行了跟随路中线行驶的仿真试验,分别分析了路线上的速度特性、操纵负荷特性和驾乘舒适性.试验结果表明:只要注意相邻曲线参数的合理搭配并注意控制直线段长度,同样可以设计出速度均衡的低等级路线;回头曲线的使用和回旋线的省略会使方向盘峰值转速和侧向加速度增长率急剧增加,造成驾驶者操纵紧张以及乘坐不舒适;曲线型设计方法会明显改善山区低等级公路的使用质量,应多尝试使用.     

车联网环境下信息交互形式对驾驶行为的影响

为研究车联网环境下不同信息提供方式对驾驶行为的影响,设计了车联网环境下的模拟驾驶实验,采集了4个场景下车辆运行数据。对比不同分心任务的驾驶行为特征和正常驾驶行为的差异,从转向角、车辆侧向偏移、速度、跟车距离等特征参数描述了车联网信息导致分心的驾驶行为规律,并构建了基于模糊综合评价方法的驾驶人分心等级评判模型,横向对比了不同信息提供方式对驾驶行为的影响程度。     

基于一种多分类半监督学习算法 的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.     

虚幻4驾驶模拟器设计和驾驶员特性分析

深入研究人类驾驶员的驾驶行为和特性,对推动智能汽车向高度自动驾驶发展具有重要意义。采用驾驶模拟器研究驾驶员在复杂交通场景下的驾驶决策和驾驶行为,成为近年来的一个研究热点。基于虚幻四引擎UE4交互式视景仿真技术,通过车辆、道路、建筑、交通灯、行人、路牌等交通元素的驾驶视景仿真环境搭建,开发了CarSim汽车动力学模型和罗技G29力反馈方向盘踏板的具有高拟真度人机交互的驾驶模拟系统。并设计了典型工况下的驾驶模拟试验,通过实时采集驾驶员驾驶数据,对驾驶员特性进行研究。研究结果表明:该驾驶模拟器具有逼真的驾驶体验,利用模糊C聚类算法(FCM,fuzzy C-means),将驾驶员特性进行准确分为6个聚类,可以将驾驶员特性进行准确分类,确立驾驶员特性与驾驶能力的关联,为进一步建立实时驾驶权分配研究奠定了基础。     

基于效用理论的车辆换道交互行为及决策模型

研究分析道路交通环境下的车辆换道交互行为,客观反映车辆微观行为特性及宏观车流运行规律。通过分析车辆换道微观驾驶行为,构建Logit模型定量分析驾驶人换道行为决策过程,基于“效用理论”思想,实现驾驶人决策效用最大化。选取青岛市杭鞍快速路实际交通流为研究背景,标定模型相关参数;进一步仿真验证了分层Logit模型的准确性。研究成果可为智能网联交通环境下的车车交互、车路协同和自动驾驶系统提供理论支撑和方法依据。