跟驰模型场景基准分析

设计包含7种驾驶工况的自由流场景及跟驰场景,对MITSIM（microscopic traffic simulator）、Gipps模型、Wiedemann模型、FVD（full velocity difference）模型、IDM（intelligent driver model）、S?K模型及LCM（longitudinal control model）7个不同机理下典型跟驰模型进行基准测试。结果表明：各模型均可在一定程度上完成自由流场景下各工况测试,其中LCM的表现最符合认知,IDM的加速度最小且启动时间最长;仅Gipps模型、FVD模型、IDM及S?K模型可完成跟驰场景下各工况测试,其中FVD模型对于前车的状态变化具有最及时的反应;S?K模型在跟驰场景各工况下的速度与加速度始终处于微小振荡中,这也较为符合实际驾驶情景。     

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆（automated vehicle, AV）与人工驾驶车辆（manual vehicle, MV）组成的混行跟驰环境，基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先，探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化，研究表明，混行环境中MV跟驰行为的机制没有发生变化，但是MV驾驶人的减速敏感程度更低。其次，从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到，混行环境中的MV跟驰行为的稳定性和环境效应得到了改善，但是安全性并没有发生变化。最后，通过对前车速度波动性进行讨论发现，AV前车主要是通过降低自身速度波动性，从而抑制MV后车的速度波动性，改善MV后车在稳定性及环境效应方面的表现。     

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。     

基于多国实测数据的跟驰模型对比

为了更精确描述车辆跟驰(CF)行为,并研究不同国家跟驰行为数据对跟驰标定模拟的影响,以及各跟驰模型对跟驰行为模拟的精确程度,选取中国西安市南二环某路段交通流CHD数据集、美国NGSIM数据集以及德国HighD数据集,针对Gazis-Herman-Rothery(GHR)模型、智能驾驶模型(IDM)以及最新被提出的S-shaped three-parameters(S3)跟驰模型进行模型标定以及误差分析,利用加速度、前后车速度差、前后车位置差和后车速度等数据作为输入参数,采用互相关分析与模拟退火相结合的方法进行数据拟合,并利用加速度、速度和位移的均方根误差(R_MSE)对参数拟合后的模型进行性能评价。研究结果表明：针对3个不同国家数据集中的跟驰行为,S3微观模型标定效果均表现最佳,3个数据集的R_MSE平均值均最小,且低于其他2种跟驰模型;德国HighD数据集总采集精度高、数据量大,因此无论采用何种CF模型进行标定,该数据集在跟驰行为标定方面的性能均表现最佳、误差最小。研究结果对交通仿真软件模拟交通流的车辆跟驰模型选取及其参数优化具有重要意义,且对...     

跟驰行驶状态下的驾驶模拟有效性研究

为验证驾驶模拟技术在跟驰行为研究中的有效性,设计了实车实验与驾驶模拟实验。选取了跟驰距离、跟驰距离标准差、车头时距及驾驶员反应延迟时间作为分析指标,并采用Wilcox检验、生存分析方法分别验证了非时间数据、时间数据的有效性。结果表明跟驰距离、车头时距、驾驶员反应延迟时间具备绝对有效性,两种不同实验环境下跟驰距离标准差随跟驰速度变化趋势相同,具备相对有效性。实车实验中,前车加速度、前后车相对距离、前车加速度变化状态显著影响驾驶员反应延迟时间。有效性分析结果为基于驾驶模拟实验的跟驰行为研究提供前提条件,生存分析结果可用于驾驶员反应延迟时间建模及跟驰模型优化。     

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型（GHR、GIPPS、IDM和Wiedemann）对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为（麻木反应、过激反应和延迟反应）;最后探讨了分心状态下的2种跟驰行为建模策略（AIDM和TDIDM）。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。     

信号交叉口左转车辆跟驰行为建模

跟驰模型是交通流理论的核心内容之一,但左转车辆在交叉口转弯过程中跟驰行为的特征表现,尚缺少基于实际数据的深入研究。针对这个问题,设计了信号交叉口左转车辆跟驰实验,基于高精度全球定位系统(global positioning system,GPS)和移动地理信息系统采集车辆跟驰行为相关数据,分析了信号交叉口不同转弯半径下左转车辆跟驰速度时变规律及分布本征。在全速度差(full velocity difference,FVD)跟驰模型的基础上,考虑跟驰车驾驶员对前导车加、减速反应的非对称性,构建了改进的全速度差模型,并采用遗传算法对模型进行了参数标定。最后,以跟驰车加速度为检验指标,利用实测数据对改进的全速度差模型加、减速度过程的准确性进行了分析与评价。结果表明:信号交叉口左转跟驰车辆的平均运行速度与转弯半径成正相关;在不同转弯半径下跟驰车速度出现频数最高的数值随着转弯半径的增大而增大;改进的全速度差模型,能更好地描述交叉口左转车辆跟驰过程,驾驶员对前导车减速行为的反应比对加速行为的更强烈。     

基于人工势能场的跟驰模型

为提升跟驰模型的模拟精度,更加有效地刻画跟驰行为特性,从车辆的实际运行规律出发,将行驶过程中的各种行为归纳为效率与安全2种因素的相互作用.借鉴人工势能场的基本思想,将这2种因素抽象为驾驶员受到的驱动力和阻碍力,进而建立相应的跟驰模型.根据普遍的驾驶行为特性,将车辆运行状态分为减速停车、起动加速和常态行驶3类,并据此对实...     

混有CACC和ACC车辆的连续型元胞自动机交通流模型

现有的混合交通流元胞自动机模型中自动驾驶车辆与手动驾驶车辆在跟驰模型上大多仅存在反应时间上的差别,并不能体现自动驾驶上层控制系统实时调节加速度保持车速稳定的特点,基于Gipps模型和PATH实验室标定的ACC和CACC跟驰模型提出了更符合自动驾驶机理的连续型元胞自动机模型。通过计算机数值仿真分别从速度,流量,拥堵比例以及期望车间时距方面对不同渗透率下的混合交通流进行分析。结果表明,智能网联车辆能有效提高道路通行能力,且能大幅减少交通拥堵;智能网联车渗透率越高,开始出现拥堵车辆的密度临界值越大;同时道路通行能力随期望车间时距减小而增大。     

基于BP神经网络的纵向避撞安全辅助算法

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。     

考虑前后车速度关系的车辆跟驰模型

分析了传统车辆跟驰模型的局限性,建立了考虑前后车速度关系的车辆跟驰模型：前后车以相同速度匀速行驶时的跟驰模型;前后车以不同速度匀速行驶,后车速度小于前车速度时的跟驰模型;前后车以不同速度匀速行驶,后车速度大于前车速度,当前车速度不变时的跟驰模型和前车减速时的跟驰模型．以四种跟驰模型为基础,分别建立了相应的速度一间距关系和车辆追尾模型．追尾模型表明：最小车头距离是后车速度的二次函数,随后车速度急剧缩小;当实际车头距离小于该值时,则会发生追尾事件．     

考虑驾驶员模糊感知的深度学习跟驰模型

为模拟驾驶人记忆效应以及模糊感知特性,设计了基于模糊感知时间窗的深度学习跟驰模型。提取highD数据集跟驰轨迹,以0.2 s最小时间间隔,连续3 s本车速度、前后车速度差、车头间距的时序数据作为模型输入,模拟驾驶记忆。训练深度学习跟驰模型,得出单层32个输出维度的门控循环单元（GRU）网络可以很好拟合实际数据。在每次输入模型的时序数据中,用模型预测值替换部分真实跟驰状态值,作为驾驶员对场景的估计,即模糊感知。实验得出对同一场景的不同模糊感知,可产生不同跟驰行为,模拟了驾驶行为的异质性,可为异质交通行为仿真提供方法。     

智能网联信息下车辆跟驰模型构建及行为影响分析

基于传统跟驰模型提出考虑多前车速度和加速度信息影响的跟驰模型,根据车辆轨迹信息对跟驰模型参数标定,探究多前车信息对本车运行在交通安全和效率方面的影响以及协同自适应巡航（cooperative adaptive cruise control,CACC）车辆在不同渗透率下对交通安全和效率的影响。结果表明：除了紧邻前车外,多前车的运动信息会对后车的运动造成影响;考虑多前车的速度和加速度反馈会提高交通安全和效率;CACC车辆对交通安全和效率的影响与CACC渗透率和排列方式有很大关系。     

基于车辆轨迹数据的急减速驾驶行为判定方法

目前很多研究使用车辆轨迹数据来识别急减速驾驶行为,但目前使用的固定阈值方法无法对不同驾驶场景做出区分且缺乏建模分析。本文基于车辆跟驰模型,提出了一种包含多种驾驶场景的急减速驾驶行为判断方法,该方法考虑照明条件、天气、道路车速等参数,解决了现有方法中缺乏场景分类的问题。使用聚类算法区分历史数据中的急减速驾驶行为,提取实际阈值并与模型结果进行比较,对该方法的准确性进行验证。结果表明,与现有方法相比,所建立的模型对不同种类驾驶场景的适应性较好,识别准确率较高。由此证明利用该模型可以更好地实现基于轨迹数据的车辆急减速行为识别,从而为驾驶安全研究打下基础。     

敏捷驾驶在交通流中的作用

在交通流NaSch模型的基础上,考虑了当车辆速度大于车间距时,司机对前车的敏感驾驶随机减速行为,其概率与最大速度驾驶及延迟加速的随机过程不同,由此提出了一维交通流元胞自动机模型．计算机数值模拟结果得到的基本图显示出交通容量非常接近实测的交通容量,而且还显示出亚稳态特征、滞后效应和相分离现象等复杂的实际交通行为;这都是由于敏感驾驶所导致的,而且表明交通流元胞自动机模型演化步骤的顺序对交通流的状态起了很大的作用．并且这样的模型是合理和符合实际的．     

基于前车制动过程的车辆跟驰安全距离模型

在传统的基于制动过程的安全距离模型的基础上,考虑了前后车之间的速度关系和车辆制动减速度的渐变过程,建立了单车道跟驰状态下车辆跟驰的安全距离模型。通过Matlab仿真计算,从理论上验证了该模型能够很好地解决传统模型计算的安全距离存在较大偏差的问题。最后,通过VC++建立了十字交叉口的仿真系统,进一步检验了改进模型在保证车辆安全跟驰的情况下,能够提高道路交通效率,减小交叉口的总延误,从而减少交通环境污染。     

基于高逼真驾驶模拟器雾霾天气下跟驰行为分析

为研究雾霾天气下车辆跟驰行为,基于8自由度高逼真驾驶模拟器,设置晴天和雾霾天两个实验场景,采集不同交通状态下跟驰驾驶行为数据,分析车头时距、车头间距、车头延迟时距、加速度、减速度等跟驰行为关键变量.实验结果表明,雾霾天气显著影响了跟驰行为,最大车头间距在自由流、拥挤流和阻塞流跟驰状态下分别增加了8.7%、19.4%和25.6%;自由流跟驰状态下最小车头间距减小了13.0%;阻塞流跟驰状态下最小车头时距减小了47.9%,但延迟时距及其离散性增加了15.5%和28.2%;雾霾天气下后车的加速行为更为谨慎.不同交通状态下的跟驰行为存在显著差异.随着跟驰车速增加,最大、最小车头间距及其离散性显著增加;最大、最小车头时距及其离散性则呈先增加后减小趋势,延迟时距显著增加.     

交通仿真系统中的纯微观跟车模型

针对目前在交通仿真系统中的跟车模型忽略车辆个体性能差异的缺陷,提出了一种纯微观跟车模型,该模型以某一扫描时刻为基点,根据前、后车辆在当前时刻的状态,考虑前、后车的加减速性能,以后车“紧密”而又“安全”地跟随前车行驶为原则确定后车在下一扫描时刻的加速／减速度,纯微观模型更准确地反映了不同性能车辆跟车行为,而且具有模型标定相对容易、适用范围大的特点。     

微观交通流仿真跟车行为ANN模型研究

微观交通流研究中的车辆跟驰模型是交通仿真的一个基本模型,由于实际道路上驾驶员信息的获取困难,建立的车辆跟驰模型难以标定或验证.应用人工神经网络和五轮仪试验系统获取的城市道路车辆跟驰数据,建立了车辆跟驰行为的神经网络模拟模型.     

改进分子动力学的车辆跟驰模型

为了更好地研究复杂情况下的车辆跟驰特性,将车辆跟驰行为类比为分子在一维管道中相互作用的结果.已有的基于分子动力学的车辆跟驰模型利用需求安全间距和车道限速作为因素建立分子跟驰模型,忽略了车辆相对速度对驾驶员跟驰行为的影响,不符合真实的跟驰情况.因此,将车辆相对速度纳入模型结构中,建立分子相互作用势函数和壁面势函数,并据此构建改进分子动力学的车辆跟驰模型.用高精度车载定位仪器对车辆跟驰过程中的参数进行采集,利用遗传算法对模型参数进行标定并对模型进行分析,分别验证模型在不同跟驰状态下的准确性,并与改进前的分子跟驰模型进行对比.结果表明,改进的分子跟驰模型可以更有效地预测车辆的跟驰行为.