基于冲突相位组的自动驾驶交叉口行人过街控制方法

【目的】在无信号控制的自动驾驶环境下,自动驾驶车辆的通行轨迹将与过街行人产生大量冲突,如何利用交通控制手段使行人安全通过交叉口,并避免对自动驾驶车辆的通行造成较大的干扰,是亟待解决的关键问题。【方法】本文提出一种基于冲突相位组的自动驾驶交叉口行人过街控制方法,将到达交叉口的车辆流向分为4个冲突相位组,在各相位组内单独分配通行时间,基于冲突相位组对自动驾驶车辆和行人过街的通行时间进行建模;在穿插式通行模式的基础上,使用行人信号灯保障行人过街需求,建立考虑行人二次过街的自动驾驶交叉口交通控制模型。模型以交叉口各流向需求量与实际交通量乘积之和最大为目标,以各流向允许车辆通行的时间比例和行人信号灯状态为决策变量,综合考虑交通流量、行人和车辆通行权等约束,建立混合整数线性规划模型（mixed-integer linear program,MILP）,该控制模型可为各流向的车辆和行人分配通行权。【结果】本文模型的车均延误较定时控制方案的降低26.74%,较单次过街模型的降低11.53%,人均延误较定时控制方案的降低51.66%,较单次过街模型的降低36.20%。这表明本文模型能有效提升交叉口的通行...     

考虑车辆间交互作用的驾驶意图预测方法

准确的意图预测可以帮助智能车辆更好地了解周围环境并做出更加安全的决策，从而提高自动驾驶的安全性，促进人机协同驾驶。为了对驾驶员未来的意图做出更加精准的预测，提出了一种交互式意图预测方法。首先，通过将隐马尔可夫模型（HMM）与高斯混合模型（GMM）相结合，在充分考虑周围场景信息后建立了行为识别模型，用于对当前的驾驶行为做出准确的判断。然后，考虑到交通场景复杂多变的特点，提出基于意图的轨迹预测方法规划出一条最佳的行驶轨迹，并采用最大期望效用理论对未来的驾驶行为进行推理。由于行为识别和意图推理模型综合考虑了交通态势的演变过程和车辆之间的交互作用，所以将两个模型得到的结果相结合可得到车辆最终预测出的驾驶意图。最后，在NGSIM数据集对所提出的方法进行验证，结果表明提出的行为识别模型能够提前0.2~0.3 s识别出车辆的换道意图，结合未来意图推理模型，能够更加准确地预测出车辆未来的驾驶行为，由此可提高车辆驾驶的安全性。     

基于云理论的人车冲突严重度研究

为科学判断过街行人与机动车冲突的严重度,提高过街行人安全性、减少交通事故风险,选取对过街行人与机动车冲突影响比较显著的碰撞时间(TTC)和冲突速度(CS)两个因子为评价指标,提出一种新的基于云理论的行人与机动车冲突严重度判别模型。首先,引入过街行人-机动车冲突的相关概念,分析碰撞时间和冲突速度对人车冲突安全性的影响,分析人车冲突严重度判别过程中评价指标自身的随机模糊性问题,建立评价指标属性离散标准,并由此构建人车冲突严重度矩阵,确定了人车冲突等级。然后,介绍了云模型相关理论,利用已建立的人车冲突严重度矩阵构建其云推理评估模型,实现了人车冲突严重度的定性概念与评价指标定量概念之间的自然转化;该模型充分利用云关联规则建立了云推理器,由此计算得到的冲突严重度和严重等级为最终评价结果,并根据冲突严重度对人车冲突进行了排序。最后,随机选取某条道路的过街人车冲突的样本数据,按提出模型计算得到了人车冲突严重等级,并与常用的评价方法相比,以验证该评价方法的合理性。研究结果表明,基于云理论的人车冲突严重度评价简单,判断准确性和可靠性较高,具有一定的应用价值。     

城市道路人车冲突和碰撞概率微观模型研究

利用临界间隙理论,定义了城市道路行人过街的安全感知特征;在此基础上,利用概率论方法,研究行人与机动车之间的交通冲突和碰撞微观机理,分别推导出人车冲突和碰撞概率微观模型.采用贝叶斯全概率公式和蒙特卡洛仿真方法求出具体的概率值,来分析行人安全感知、驾驶人反应时间、车流量及车速等对行人安全造成的影响.最后,基于人车冲突概率的90%置信水平,建立了行人过街的危险度评价指标,从而为交通管制实施提供最佳依据.     

基于车载传感器时空图卷积的驾驶行为识别

本文从图（graph）的角度出发，提出基于车载传感器时空图卷积的驾驶行为识别模型.首先，通过挖掘传感器间的关联性构建传感器的图结构；其次，基于时间信息融合策略的不同，提出基于LSTM的层级时空图卷积网络（H-STGCN）和修正的时空图卷积网络（M-STGCN），用于捕捉传感器的时空相关性进行驾驶行为识别；最后，在公开的2个驾驶行为数据集上进行实验，结果表明H-STGCN模型的识别效果优于现有方法.     

基于人车协同的感应式路段行人过街信号控制系统设计

城市道路中信号控制路段行人过街往往因不合理的信号导致行人不愿遵守交通信号规则,造成机动车与行人通行冲突,给道路交通带来了极大地安全隐患。通过对路段行人过街现状调研分析,以人车协同控制为目标,充分考虑不同行人数量下行人过街的等待时间、过街需求及机动车的通行效率,设计了一套基于人车协同的感应式路段行人过街信号控制系统,通过实时检测行人驻足区等待行人数量和斑马线两侧机动车的通行状态,确定行人红灯等待时间及行人绿灯通行时间,同时将行人过街的信息通过车联网C-V2X技术实时推送至车辆,提醒注意过街行人。实地路口应用表明:系统能够显著减少机动车和行人平均通行延误,减少行人闯红灯现象,保障行人过街安全,有效提升了路段行人过街的整体通行效率和质量,系统对我国城市道路灯控路段行人过街场景具有广泛的适用性。     

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。     

行人过街设施选择偏好的非集计模型

为提高行人的交通安全水平和过街设施的使用效率,研究行人对过街设施的选择行为.对中关村大街选择人行横道和过街天桥的402个行人进行问卷调查,内容包括行人特性、设施特性及行人对过街设施的选择特性;基于调查数据,分析了影响行人选择过街设施的因素,并建立了反映选择偏好的二元Logit模型.观测数据和模型预测结果对比分析表明,模型对行人选择人行横道和过街天桥的预测准确率分别为80.29%和85.66%.     

加权指数损失下长短时记忆网络换道意图识别模型

针对车道变换意图识别中数据源单一,传统序列模型难以捕获长序列范围内换道意图且存在长期依赖问题,提出一种结合时间信息加权指数损失函数的长短时记忆(long short-term memory,LSTM)车辆换道意图识别模型.首先,利用驾驶模拟舱、眼动仪进行高速公路驾驶实验,采集车辆运行数据和驾驶员眼动数据;然后,基于LSTM结构单元构建高速公路环境下车辆换道意图识别模型,提出基于时间信息加权的指数损失函数对模型权重进行优化;最后,利用车辆运行数据和驾驶员眼动数据对所提模型加以验证并与其他模型进行对比,所提模型换道识别的准确率为91.33％,宏平均精确率为89.04％,宏平均召回率为92.84％,宏平均F1值为90.33％.结果表明,长短时记忆网络对于长序列换道意图识别过程具有较好的分辨能力,提出的损失函数对模型权重优化具有良好的效果.     

无交通信号路口行人过街的人车交互过程研究

自动驾驶汽车要进入人车混行的无交通信号路口，需确保与行人之间的交互安全，为解决这一问题，现以非自动驾驶汽车为研究对象，探索其与行人在无交通信号路口的交互过程。本文选取北京市内两处无交通信号灯的路口作为研究场景进行长期拍摄，基于视频数据从中提取行人的个体属性变量、行人的穿越行为变量、车辆的穿越行为变量以及间隙数据，将行人的过街行为分为穿越前、中两个阶段进行研究。结果表明，穿越阶段对行人的穿越时间具有显著性影响，穿越路口对行人的穿越时间不具有显著性影响。对于穿越前的等待时间，在有右转车道下对其具有影响的因素有行人的拒绝车辆个数和来自方向，在无右转车道下对其具有影响的因素有行人的拒绝车辆个数和起始位置。对于穿越中的穿越时间，在有无右转车道下对其具有影响的因素均为穿越人数和车辆1的行为。今后自动驾驶汽车行驶到无交通信号路口时，可以通过此结果去识别行人，并判断出行人的穿越时间，以便及时做出相应的措施。     

无信号路段行人过街决策行为模型

以吉林市吉林大街2个路段过街行人为对象,以车辆间隙、相邻车道拥挤度为变量,通过视频观测获取行人过街决策行为数据,利用Binary Logit模型建模.结果发现:该模型预测准确率达到89%,可应用于无信号交叉口或者无信号路段行人和车辆交互微观仿真模型中.     

俯视邻近行人风险量化分析方法

针对车载单目视觉行人风险程度量化问题,提出一种俯视邻近行人风险量化分析方法。采用图像逆透视映射,将行人位置坐标从图像坐标系映射到俯视二维世界坐标系。通过在俯视二维世界坐标系中构建车行风险场并预测行人运动轨迹,量化行人风险系数并根据其系数大小将行人目标划分为安全、警告和危险三种不同风险等级。仿真实验表明:该方法能够准确量化行人目标碰撞风险,准确判定具有碰撞危险行人目标,有助于提高智能车载自主巡航能力和先进辅助驾驶系统危险预警能力。     

基于元胞自动机的无信号人行横道处人车干扰机理研究

为了更准确地模拟行人与机动车的干扰机理,提出了基于元胞自动机的人车干扰模型。模型主要由机动车避让模型、行人过街决策模型以及运动模型组成。该模型不仅考虑了行人的主动性决策行为,还考虑了机动车的主动避让行为,重点分析了人行横道等候区域处,行人对机动车避让行为的影响。仿真结果显示,机动车旅行时间随着机动车限制速度的提高而减小,逐渐趋于平缓;机动车的饱和流量随着行人到达率的增加而降低;机动车的延误随着等候区人数的增加由线性增加逐步趋于平缓。     

基于5G手机的交叉路口行人检测

针对目前在交叉路口通过摄像头进行行人识别与检测容易受到天气的影响,且摄像头统计范围有限的问题,利用5G通信低时延的特性,提出了一种基于5G手机的交叉路口行人检测方法。该方法采集行人携带的5G移动终端的位置、速度、密度、方向4个典型运动特征,然后在路侧设备上建立模型进行行人检测,降低单一运动特征的行人检测造成的误差,提高了准确率。通过搭建车联网测试平台对该方法的有效性进行验证,试验结果表明:该方法可以准确地统计交叉路口行人,同时也实现了满意的检测速度,为未来的智能交通、安全预警等方向研究和应用提供技术支持。     

电动液压助力制动系统制动意图识别方法

针对驾驶员在紧急状况下存在着因踏板力不足而导致制动距离过长问题,以某电动液压助力制动系统为研究对象,提出了一种基于隐马尔可夫模型的驾驶员制动意图识别方法,根据对驾驶员制动意图的识别来控制助力电机执行正常制动或紧急制动的助力模式.选取助力电机的转角、转速和车速作为制动意图识别参数.以制动强度为界限对识别参数数据集进行划分,训练出正常制动与紧急制动识别模型参数,建立了识别模型库,通过比较各模型库的对数似然估计值,判断出驾驶员的制动意图.仿真结果表明:该模型可准确、实时地识别出驾驶员的制动意图;在驾驶员踏板力一定的情况下,具有制动意图识别控制的助力器具有更好的制动效果,提高了驾驶安全性.     

有人与无人驾驶车辆交叉口驾驶博弈模型

针对有人与无人驾驶车辆在交叉口存在冲突时的协调控制问题,引入智能网联车辆的设计思想,将交叉口存在交互行为的决策个体建模为博弈中的参与者,以冲突车辆的速度改变方案为博弈策略,构建双方的收益矩阵,而驾驶收益采用行车安全收益、行车效率收益和行车舒适性收益来计算,求解博弈模型的纳什均衡,作为双方的最优驾驶策略组合,完成交叉口多车冲突的协作优化.模型加入驾驶员类型的多样性模拟,基于Matlab对提出的算法进行验证,结果表明无人驾驶车辆会根据对方驾驶员行为调整自身的行为策略,与基于冲突表的协作算法对比,本算法的冲突消解所用时间更短,在确保安全的同时提高了冲突车辆通过路口的效率.      

基于改进A*算法的一种智能车路径规划方法

轨迹规划是智能车安全行驶的关键技术。本文基于A*算法在复杂地图轨迹规划耗时长,拐点多等问题,提出了一种基于图论及几何方法的改进A*算法的避障与导航方法。该方法在传统A*算法的基础上结合图论进行路径规划,同时剔除路径中冗余节点,并采用Labview进行具体的仿真实验来验证轨迹规划算法的性能。结果表明：该算法在复杂环境中仍能有效找到距离短且平滑路径,提高了智能车的运行效率降低了能耗,可用于实际的智能车安全行驶管理中。