车辆跟驰模型的发展综述

对车辆跟驰理论进行概述,分析车辆在非自由状态行驶下的跟驰特性。跟驰模型在近70年的发展历程中,吸引了交通工程学、统计物理学、心理学等不同领域的专家参与研究,建模时考虑因素由单一到多元、由简单到复杂,随着模型的不断发展,逐渐贴合于实际交通状况;分析了刺激-反应类模型、安全距离Gipps模型、优化速度FVD模型、元胞自动机模型,重点剖析了四类模型的建模思路和改进过程,对经典跟驰模型进行总结对比;展望了跟驰模型未来发展的趋势,指出在无人驾驶和智能网联的大环境下,基于机器学习的安全跟驰状态辨识方法研究、基于机器学习的跟驰特性研究及基于多元信息融合的跟驰模型构建等将是未来的发展方向。     

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．     

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。     

车辆跟驰模型研究综述

从模型形式、参数标定以及模型假设条件的角度出发,对相对速度—加减速度模型、安全距离模型、线性模型进行了综合论述,分析已有模型的特点及适用条件,认为目前的车辆跟驰模型由于其假设前提的限制,制约了其在交通流系统中的实际应用,说明有必要建立基于综合环境影响的车辆跟驰模型,并根据我国交通的实际特点加以运用。     

对车辆跟驰模型的探讨

针对普遍存在的车辆跟驰问题,简述了车辆跟驰理论及其已有的一些模型,在此基础上对修正的跟驰模型提出自己的观点。     

基于TSK模型的车辆跟驰模型

为解决传统的基于模糊推理的车辆跟驰模型参数校准精度差的问题,提出了基于TSK模型的车辆跟驰模型.采用改进的基于遗传算法的TSK模型辨识方法,对分组中数据点不足的情况作了特别处理,通过GPS采集跑车实验数据,根据实测数据构建并验证TSK模型.实验结果和理论分析吻合较好,模型精度提高了一个数量级,表明TSK模型用于车辆跟驰模型是可行的.     

基于安全间距的车辆跟驰模型研究综述

以计算机技术和车辆跟驰模型为基础的微观交通流仿真是进行各种管控措施模拟实验和进行ITS(智能运输系统)开发研究的重要手段。仿真软件对过程的封装使用户无法全面理解其仿真模型和介入仿真过程,容易对仿真结果提出质疑。为此,对目前多数微观仿真系统使用的基于安全间距的车辆跟驰模型进行综述,介绍其构建思想和算法内核,并对算法的优缺点进行总结。     

快速路入口区域车辆跟驰行为研究

快速路入口区域车辆跟驰行为及安全间距会受到汇入车辆影响。为了探索快速路入口区域车辆的跟驰行为,利用无人机在200m高空对快速路入口区域进行高空悬停定点拍摄,并利用Tracker软件提取了车辆速度、车辆横纵坐标、加速度等参数。采用跟驰距离、相对跟驰速度绝对值及跟驰片段长度指标对快速路入口区域车辆的跟驰行为进行判断,确定了快速路入口区域跟驰行为判定准则。在此基础上,对交通流变化、车道分布、入口形式对跟驰行为的影响进行对比分析。研究发现：快速路入口区域车辆跟驰距离均值为26m,车辆跟驰距离集中分布在15~28m;相对跟驰速度绝对值均值为0.75m/s,且90%车辆相对速度绝对值小于1m/s;车辆跟驰距离和后车跟驰速度随交通流增加逐渐减小;快速路最内侧车道车辆跟驰距离和跟驰速度大于中间车道;直接式入口的主线车辆跟驰距离和跟驰速度大于平行式入口。本文研究成果可为快速路入口区域跟驰行为参数标定及管控提供参考依据。     

考虑前方多车优化速度信息的车辆跟驰模型

基于车路协同技术完全信息可达性的特点,引入车头间距反馈信息,并提出一种考虑前方多辆车优化速度信息的改进车辆跟驰模型,同时加入驾驶员在不同车头间距条件下的感知特性,改进了多速度差反馈控制策略.基于Lyapunov方法推导了改进模型的线性稳定性,并获得其稳定性条件.通过数值仿真方法分析了多前车优化速度和速度差信息对交通流稳定性的影响.研究结果表明:较已有MVD模型,考虑前方多辆车优化速度使得扰动作用时间减少了约30.3%;在频繁扰动作用下,引入多前车优化速度信息更有利于交通流稳定,且当参数N增至3时,尾车的停滞时间减少了74.0%;当通信车辆数不变时,通过拓展跟驰车辆的信息维度,可以提高交通流的稳定性,抑制交通拥堵形成.     

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。     

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。     

GPS数据驱动的车辆跟驰行为建模与分析

为研究道路交通流特性,基于车载高精度GPS跟驰试验数据进行车辆跟驰建模研究,结合深度学习理论和数据驱动方法,构建了基于粒子群优化(particle swarm optimization, PSO)的长短期记忆(long short term memory, LSTM)车辆跟驰模型。首先,清洗和平滑车辆轨迹数据,并对驾驶特征行为参数及相关关系进行研究,如加速度、车头时距以及速度与跟驰距离特性关系等。在此基础上,制定跟驰状态筛选规则;其次,构建考虑时间序列的PSO-LSTM模型,识别跟驰数据样本集,将当前时刻的前车速度、车头间距和上一时刻的车头时距作为模型输入,预测当前时刻的跟驰车速度;接着,选用25辆车跟驰试验的高精度GPS数据验证PSO-LSTM模型性能;最后,为验证该模型的优越性,选用传统机器学习SVR(support vector regression)模型以及深度学习LSTM模型作为对比。结果表明,基于粒子群优化的长短期记忆模型预测精度高达0.993,整体预测效果高于SVR模型和LSTM模型,其中预测误差指标MAPE(mean absolute percentage error)较SVR和LSTM分别降低了60.02%、1.52%。PSO算法进行超参数优化后的PSO-LSTM模型,能更好地模拟车辆的跟驰行为。     

基于神经网络的车辆跟驰模型

应用神经网络模拟无车道变换行为的单一车道车辆跟驰行产 (加速、减速、不动作 ) 神经网络的自学习特点 ,使得神经网络模型把驾驶员周围的各种信息并行结合起为产生可靠的模拟结果     

基于多源数据融合的公交车辆跟驰模型

针对目前缺少公交车辆跟驰模型参数和单一数据采集方式无法获取完整车辆跟驰过程数据的问题,提出一种基于多源数据融合的公交车辆跟驰模型,采用实测数据进行参数标定和模型验证。通过移动GPS数据采集设备随车采集车辆的运动轨迹和无人机空中悬停俯拍采集公交车辆的停车间距,并进行数据融合处理得到完整过程的公交车辆跟驰行驶数据;通过引入均方误差指标来衡量实际测量值与模型仿真值之间的差异,将公交车辆跟驰模型的参数标定问题转化为一般优化求解问题;通过对实测数据进行统计分析,获取公交车辆的平均停车间距参数;采用粒子群优化算法对智能驾驶跟驰模型中的舒适制动减速度和加速度系数2个参数进行求解,得到模型的最优参数;将验证集中的实测数据与模型仿真值进行对比,对模型参数的效果进行验证,并以厦门快速公交走廊的车辆多编组运行控制为例,对跟驰模型的效果进行进一步的验证,其中头车采用速度优化模型进行控制,跟随车辆则采用上述标定的公交车辆跟驰模型进行控制。研究结果表明：公交车辆跟驰模型生成的数据曲线与实测数据曲线基本一致,跟随车辆与头车在路段上行驶和车辆进出站2个阶段的运动轨迹曲线基本一致,符合车辆跟驰模型的跟随性,进一步证明了...     

基于超距雷达数据的车辆跟驰行为分析及建模

针对高速公路车辆跟驰特性及速度预测问题,基于超距雷达数据分析了高速公路车辆跟驰特性,建立起基于长短期记忆（long short term memory,LSTM）的跟驰速度预测模型。首先,根据数据特点建立了处理规则并筛选跟驰序列。其次,根据车身长度将跟驰车划为大型车与小型车,分析了车辆在跟驰过程中速度、车速差、车间距和车头时距等参数的分布及相对变化关系。然后,将前车速度、位置差、上一时刻车头时距作为模型输入,跟驰车速度作为模型输出,构建了基于LSTM的跟驰速度预测模型,模型预测精度达到99.75%。最后,以高速公路数据为例进行验证,传统机器学习支持向量回归（support vector regression,SVR）模型的预测性能低于深度学习模型,LSTM模型的R Square较SVR模型提升了4.37%;作为LSTM的结构简化变体,在相同的结构参数下,门控循环单元（gated recurrent unit,GRU）模型的预测性能并未提升,但训练速度较LSTM模型提高了28.48%。深度学习LSTM、GRU模型能够更精准地预测高速公路的车辆跟驰速度。     

非结构化环境下无人驾驶车辆跟驰方法

提出一种基于多传感器融合的用于非结构化环境下无人驾驶车辆跟驰应用的方法,旨在解决无人驾驶车辆跟驰任务中对引导车辆的局部定位问题,实时获取引导车辆的相对位置和速度.首先以任务需求为导向,通过实车实验结果完成针对非结构化环境特点的传感器选型工作.对所选毫米波雷达和相机设计联合标定流程,实现数据空间融合.设计与目标距离相关的横向距离约束阈值,以及基于历史帧数据变化可靠性分析,解决非结构化环境下雷达数据跳变和虚检现象,实现雷达有效目标提取;考虑相机小孔成像原理,提出大小可变候选车辆检测框生成.最后基于主流的目标检测深度学习框架,设计跟车应用中信息输出流程.实车测试结果表明,该方法可以满足非结构化环境下车辆跟驰应用的基本需求,输出结果有一定的稳定性和精度.      

基于车辆跟驰理论的交通流动力学模型与数值仿真

为改进交通流模拟,提出了微观与宏观统一的交通流动力学模型.从微观的车辆跟驰模型出发,假设路段单元体中的车流为整体,且单元体的运动遵守拉格朗日坐标系下的车辆跟驰运动模型,那么该模型在变换为欧拉坐标后,与流量方程结合,推导出宏观的交通流动力学模型.模型分析和数值仿真表明该模型能够良好地模拟交通流的堵塞和疏导等现象.     

基于TSK的车辆跟驰模型

为解决基于模糊推理的车辆跟驰模型在参数校准方面存在的问题,提出了基于TSK模型的车辆跟驰模型。对TSK模型在现实驾驶行为中的意义进行了分析,解释了子系统的工作点和线性方程的物理意义,为TSK模型在车辆跟驰中的深入应用奠定了基础。采用改进的基于遗传算法的TSK模型辨识方法,对分组中数据点不足的情况作了特别处理,通过GPS采集跑车实验数据,从实测数据构建并验证TSK模型。实验结果和理论分析吻合较好,表明TSK模型用于车辆跟驰模型的可行性。     

一种改进的车辆跟驰动力学模型

针对现有跟驰模型存在的不足,文中提出了一种新的优化速度(期望速度)函数,基于“刺激—反应”模式建立了改进的车辆跟驰动力学模型,并运用李亚普诺夫运动稳定性理论对其进行了稳定性分析.最后运用实测数据对模型进行了参数标定和应用性验证.结果表明:改进模型在模拟交通流的启动加速、近似匀速和减速过程方面与实测数据都具有较高的一致性...