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。