基于微观换道的高速公路双车道出口辅助车道长度研究

为研究辅助车道长度确定的基本原理和合理长度,采用无人机航拍视频及YOLOv3目标检测算法提取双车道出口辅助车道路段车辆的原始轨迹数据,通过卡尔曼滤波和Frenet坐标系转换,得到了车辆微观换道特性和速度分布特征。以修正双曲正切函数换道模型拟合换道轨迹,左、右换道拟合优度分别为97.48 %、97.62 %。根据路段车辆运行和微观换道特性,建立了双车道出口辅助车道长度计算模型,将辅助车道划分为右换道段、反应段、等待段和左换道段4个组成部分。研究表明：出口辅助车道长度中最主要的影响因素是换道长度,其与行驶速度正相关,和《路线规范》相比,明确了辅助车道最小长度的计算原理,界定了辅助车道的范围,为设计中灵活运用提供了参考。     

信号交叉口上游路段网联车换道博弈特性及模型

为提高网联驾驶车辆在信号交叉口上游路段与驾驶员车辆换道博弈的主动性,以左转网联驾驶车辆为研究对象分析该路段的强制换道博弈特性。首先,通过分析信号交叉口上游路段车辆的行驶意图和换道行为,设定驾驶人期望函数来客观反映车辆的行驶需求,以车辆的安全和行驶效率为收益并进行量化,在完全信息的假设下通过博弈均衡解得到最优换道决策来实现换道收益最大化;其次,为提高换道的舒适性,以五次多项式规划换道轨迹并实现网联驾驶车辆对驾驶员车辆博弈换道的过程;最后,利用仿真试验对模型进行验证,分析不同换道位置和绿灯剩余时间等因素对网联驾驶车辆决策的影响。研究结果表明,在信号交叉口上游非合作博弈强制换道过程中,随单位换道位置增加换道概率平均增加0.69%,随单位绿灯剩余时间增加车辆换道概率平均降低0.82%。通过仿真分析信号交叉口上游路段车辆的博弈换道特性和决策倾向,有利于为网联驾驶车辆换道提供决策引导。     

基于Carsim和Simulink的超车换道仿真分析

超车是换道的主要动机,分析超车过程中驾驶员的操作特性以及车辆运动状态,能够为驾驶员模型的精确控制提供参考。在分析各种可能换道的基础上,构建动态超车换道可行域。以7次多项式规划换道边界轨迹,依据期望跟车距离确定可行域的上边界,根据安全碰撞条件确定可行域的下边界;并依据两车的运动关系确定超车换道条件。预设超车换道轨迹,在Simulink中构建驾驶员模型;并将Carsim中车辆模型导入,进行了超车换道模型仿真分析。对超车过程中车辆参数进行对比分析。结果表明:超车过程中驾驶员一般会提高车速,但加速强度不大;且低速时换道的随意性大,但与设定轨迹偏离程度较小。     

基于V2V的高速换道轨迹多目标规划

为了解决传感器式智能车辆换道灵活性差和安全性低等问题,提出一种V2V模式下的高速换道模型.在换道起始时刻,通过V2V获取周围交通车的状况,确定与周围交通车在换道前应该保持最小的安全换道距离,判断换道的可行性.换道条件允许的情况下,采用多项式函数对车辆的换道轨迹进行描述.并建立了权衡换道舒适性和效率的目标函数对轨迹进行多目标规划,为车辆规划出该交通环境下的最优换道轨迹.结果表明:与非V2V换道模型相比,在换道空间不够充裕的情况下,通过V2V规划出来的轨迹,在换道过程中与周围车辆保持着更大的安全车距;CarSim仿真中车辆轨迹跟踪误差和动力学参数都控制在合理的范围内,进一步说明多目标优化的轨迹可以综合提升换道的效果,使得车辆能够适应不同交通环境.     

基于自然驾驶数据的高速公路出口换道决策模型

为研究高速公路出口换道行为特性,分析驾驶员换道决策机理,依托上海自然驾驶实验所采集的驾驶行为样本和车辆运行参数,采用Google Earth标定行驶路径及高速公路出口范围以筛选出口样本,并根据车道偏移参数和方向盘转角识别换道行为;以单向4车道高速公路为例,综合考虑行驶路径信息和交通流环境,基于随机效用理论,采用Binary Logit(BL)模型拟合构建换道决策模型,得到车道效用函数;基于效用函数作出高速公路出口范围内在自由流、稳定流和拥挤流水平下的分车道效用分布图,并进行同质性和异质性分析.结果表明,换道决策模型准确率达到86.21%,各变量影响均可得到合理解释;根据效用分析,出匝车辆的换道行为是出匝意愿与通行环境改善需求两方面平衡的结果,兼有强制性换道与自由性换道的行为特性,且随着交通流状态由自由流过渡到拥挤流,后者影响逐渐增强,表现为上游向左换道行为趋于活跃、下游向右换道位置接近出口.     

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.     

基于路由选择的城市道路车辆转向换道区域设置

为了减少因随机换道产生的延误,提出基于路由选择的车辆换道区域设置,即通过设置城市路段固定换道区域及制定车辆可变限速策略,将其转化为基于路由选择的车辆静态路径规划问题.利用VISSIM仿真软件,初建车辆换道场景,设计试验分析换道区域设置对城市道路车辆运行情况的影响;汇总数据并借助MATLAB进行数据拟合,得出在不同速度、流量及转向比例条件下的最佳换道区域设置长度.进行了有、无控制策略对比试验.结果表明:在565 m的仿真路段中,设置车辆换道区域、制定路径引导策略后,车辆换道次数减少了106次,车辆平均行程速度增加了12.13％,平均行程时间减少了10.80％,降低了因随机换道造成的延误,有效提高了区域路网的运行效率.     

面向无人驾驶的车辆协同换道轨迹规划研究

换道轨迹规划是无人驾驶车辆核心功能模块之一。传统换道轨迹模型研究场景简单,较少考虑车辆间的相互影响。为此,综合考虑换道过程中车辆之间的相互作用,结合车辆运动特性,引入换道安全控制参量——车间间距,建立考虑前方障碍车辆的多项式协同换道轨迹模型。基于换道安全考虑,采用矩形构建车辆模型分析换道过程中车辆的几何关系。以换道车辆的几何特征角点与前方障碍车辆车尾的相对位置关系建立安全约束方程。与现有多车换道轨迹规划方法相比,轨迹方程形式简单,求解方便,换道安全控制参量物理意义直观明确。仿真实验验证了换道轨迹模型的可行性与合理性,研究结果为无人驾驶多车安全换道轨迹规划研究提供探索性研究。     

基于驾驶员类型的车辆换道模型

由于传统最小安全距离的换道模型忽视驾驶员个体差异,使其缺乏安全性和灵活性.文中首先对与换道相关联的车辆的运动状态进行了详细的分析,给出了车辆与关联车辆之间各种可能的碰撞形式.在此基础上,针对不同类型司机在不同换道环境下的驾驶特性,结合车辆运动学理论,建立基于不同行驶状态及不同司机类型的椭圆最小安全距离换道模型,能够较好地解决传统换道模型存在的缺陷.最后通过Matlab仿真对比发现,文中提出的模型由于考虑驾驶员因素,仿真结果与实际交通更为相符.     

事故接管场景下L3自动驾驶换道轨迹的评价和分类

为研究L3自动驾驶事故场景下人工接管后换道轨迹的评价和分类问题,通过驾驶模拟实验采集换道轨迹数据;从舒适性、高效性、生态性、安全性四个方面选取9个评价指标;采用熵权TOPSIS模型对换道轨迹进行评价并完成标签标定;用标定后的数据训练得到SVM分类器模型,并将其应用于换道轨迹的分类中,该模型在测试集的平均准确率为79.55%,平均精确率为79.52%,平均召回率为79.51%,平均F1值为77.43%。结果表明：应用熵权TOPSIS模型得到的评分最高的换道轨迹在舒适性、高效性、生态性和安全性上综合表现优秀;SVM分类器能以较为稳定的准确率完成换道轨迹的分类。得到的最优换道轨迹可为驾驶员的换道提供指导,也可为自动驾驶车辆的轨迹遵循提供参考。     

一种网络攻击下网联自动车的改进换道模型

网联自动车被认为可以提升交通效率、保证行车安全并节约能源,但是由于无线通信系统的开放性,网联自动车很容易受到网络攻击的威胁。现有的研究主要集中于网络攻击的种类及过程,并评估该攻击对车辆纵向行为的影响。本文旨在研究网络攻击对车辆横向行为的影响,即对网络攻击下的换道行为进行研究。通过对经典的跟驰模型智能驾驶员模型（Intelligent Driver Model, IDM）和经典的换道模型最小化换道总制动模型（Minimizing Overall Braking Induced by Lane changes, MOBIL）进行改进,提出了一种扩展换道模型（Extended Lane-Changing model, ELC）,来对网络攻击影响下的车辆换道行为进行建模分析。最后通过仿真实验,说明了不同的恶意网络攻击对车辆换道行为的影响。结果表明,网络攻击会显著影响车辆的换道决策,并导致异常驾驶行为。     

考虑换道风险影响的城市快速路出口影响区车道管理

为优化城市快速路出口影响区的交通组织,降低出匝车辆的换道风险,提高交通运行的安全性和高效性,依托上海自然驾驶实验数据,提取城市快速路出口影响区出匝车辆的轨迹数据样本,建立出口影响区换道风险评价方法及分级标准;针对三种常见的快速路出口,考虑人、车和路域环境方面的综合因素,利用二项Logistic模型构建换道风险模型,分析不同因素对换道风险的影响程度,以及一定条件下车辆存在换道风险的概率;在此基础上,根据出口影响区的车辆运行信息和换道风险模型,控制换道风险在合理范围内,得到出匝车辆的合理（最迟）换道位置,并提出相应的城市快速路出口影响区的车道管理方法。     

一种基于驾驶员学习过程的在线估计算法（英文）

为模拟驾驶员在跟踪期望路径过程中的驾驶决策过程,论文基于目标位置的思想对驾驶员的学习过程进行了建模。在建模过程中,利用三次B样条曲线灵活性的特点生成车辆对于目标位置的换道路径,同时,借助模糊神经系统模拟驾驶员跟踪目标位置过程的决策机制。并且提出了一种新的学习算法,即通过将模糊论域划分为若干局部线性网络以此拟合非线性函数。利用该算法能模仿驾驶员驾驶过程中的自学习能力。最后,对车辆躲避障碍物进行了仿真,结果表明该模型能较好的模拟驾驶员在换道过程中的驾驶行为及其自学习过程。     

高速公路中央分隔带开口长度研究

高速公路中央分隔带开口长度影响车辆在开口处的行车安全和通行效率。本文基于5次多项式换道模型对车辆通过中央分隔带开口的行驶轨迹进行研究,通过确定边界条件得到车辆通过中央分隔带的轨迹函数,得到不同限速值和中间带宽度值下的开口长度建议值。根据车辆动力学推导出车辆以限速值通过中央分隔带开口所需最小转弯半径;根据车辆轨迹函数,推导车辆换道轨迹的最小曲率半径;最后将最小转弯半径与最小曲率半径作对比,证明本文给定的中央分隔带开口段长度建议值能够保证车辆行驶稳定性,确保车辆通过高速公路中央分隔带开口时的行车安全。     

一种基于驾驶员学习过程的在线估计算法

为模拟驾驶员在跟踪期望路径过程中的驾驶决策过程,论文基于目标位置的思想对驾驶员的学习过程进行了建模。在建模过程中,利用三次B样条曲线灵活性的特点生成车辆对于目标位置的换道路径,同时,借助模糊神经系统模拟驾驶员跟踪目标位置过程的决策机制。并且提出了一种新的学习算法,即通过将模糊论域划分为若干局部线性网络以此拟合非线性函数。利用该算法能模仿驾驶员驾驶过程中的自学习能力。最后,对车辆躲避障碍物进行了仿真,结果表明该模型能较好的模拟驾驶员在换道过程中的驾驶行为及其自学习过程。     

无人车"三阶段"换道轨迹规划过程分析

文章在换道过程分析研究的基础上,将换道轨迹规划过程分为换道方案生成阶段、变速调整阶段和匀速换入阶段3个阶段;将局部动态规划变成拟静态规划,考虑了无人车机器的反应时间,使实际换道执行时间更加准确。该文在车辆运动学约束和G2连续要求下控制车辆换道轨迹,在变速调整阶段控制主车加速度使得主车到达换道速度和换入位置,在匀速换入阶段运用五次多项式换道轨迹规划方法规划匀速换入的轨迹。通过仿真分析,发现该文提出的换道轨迹满足车辆实际运行要求,在动态仿真过程中证明了换道轨迹安全可行;与传统五次多项式规划轨迹比较,该文提出的换道轨迹规划过程可以提高换道成功率。     

基于参数描述的换道场景自动驾驶精确决策学习

为提高车辆驾驶安全性并充分考虑人类驾驶员对于自动驾驶控制系统的接受度,研究并实现了自动驾驶车辆在换道场景下的精确决策学习。汽车自动驾驶不仅需要决策是否换道,还需要决定汽车的具体微观行为,如换道时间和期望加速度的确定等,因此,车道变换的精确决策需使用3个参数来描述,并需要通过强化学习求解。这种基于参数精确决策的合理性体现在两个方面：首先是不同的决策参数值会影响规划的轨迹,如果决策不精确,将产生运动的不确定性;其次是基于真实交通数据（NGSIM）的分析,因为人类换道行为在换道时间和期望加速度上存在显著的差异性,在当前的决策研究中很少被明确考虑。此外,发现NGSIM数据中存在一些潜在的紧急情况,可以通过优化部分决策参数来提升其安全性;在强化学习算法的设计中,动作过程中加入换道时间和期望加速度;奖励函数考虑了安全性、当前驾驶员的意愿和平均人类驾驶风格;问题求解中,自定义了基函数,并通过基于核函数的最小二乘策略迭代强化学习方法学习精确的安全决策行为。仿真结果表明,使用强化学习参数决策可以实现更精确的决策,从而提高安全性能,并可在变道场景中模仿人类驾驶员的行为。     

基于鲁棒比例-积分-微分控制的智能汽车自主换道轨迹跟踪控制

为了解决智能汽车自主换道轨迹跟踪所使用的比例-积分-微分(proportion-integral-derivative,PID)控制器参数难以整定的问题,提出应用于自主换道轨迹跟踪控制的鲁棒PID控制器设计方法。首先,构建车辆-道路系统动力学模型,将转向执行机构看作一阶惯性环节,搭建包括转向执行机构动力学模型在内的系统动力学模型;然后,基于分段多项式表达求解自主换道轨迹模型,并基于时间与误差绝对值乘积积分构建鲁棒PID控制器,确定控制参数,形成闭环系统的传递函数;最后,进行仿真及实车试验,结果表明,所设计的控制器具有较强的鲁棒性,能在保证换道工况下智能车辆较好的轨迹跟踪能力的同时,有效地提高乘员舒适性。     

基于驾驶员操纵特性和交通环境状态的换道行为预测

为排除驾驶员在换道过程中存在的交通安全隐患,基于驾驶员操纵特性和交通环境状态分析,提出了一种能有效预测驾驶员换道行为的方法。依托自然道路条件下的实车实验,将驾驶员视觉特性与数据分析相结合,确定了意图时窗宽度为5 s。依据在车道保持与意图换道两阶段的操纵特性和交通环境等参数差异化分析,构建了换道行为预测的表征参数体系。引入二元Logistic模型,确定各参数的回归系数,并进行换道行为预测。研究结果表明:该模型可至少提前2. 5 s预测出换道行为;且换道行为起始时刻的预测精度为96. 34%。与基于视觉特性和转向灯状态预测换道行为相比,具有更高的准确率和更优的时序性。     

城市环境下无人驾驶车辆驾驶规则获取及决策算法

城市道路多源信息环境下换道行为决策是无人驾驶车辆实现实际道路行驶的关键技术之一.为提取复杂动态环境下驾驶员的换道决策规则,利用PreScan软件搭建虚拟城市道路环境,基于Simulink建立6自由度车辆动力学模型,采用粗糙集提取驾驶员换道行为决策规则.结果表明本车与当前车道车辆的相对速度维持在4~7 m/s、相邻车道空间距离在20~35 m时驾驶员就会进行换道决策.研究结果可以为无人驾驶车辆在线机器学习提供规则知识库,并为进一步深入研究换道行为不确定决策提供理论基础.