基于驾驶员类型分析的智能车辆交叉口行为决策

提出一种基于车辆行为交互的两阶段智能车辆交叉口行为决策方法.第一阶段通过基于模糊逻辑的驾驶员激进程度判别模型,判断交叉口其他车辆的驾驶员类型;第二阶段通过驾驶员激进程度与碰撞到达时间（TTC）进行行为决策.使用Prescan和Matlab/Simulink进行交叉口联合仿真.结果表明,该方法可以使智能车辆安全有效通过有其他车辆通行的交叉路口.      

基于风险收益平衡的驾驶员停止/通过决策行为

通过在上海市6个信号控制交叉口采集的数据,基于风险平衡理论和随机效用理论,建立了驾驶员停止/通过决策行为模型.研究表明,驾驶员停止/通过决策行为受红灯时长的影响显著,并具有在交通冲突风险和时间收益之间的博弈特征.小汽车驾驶员在距离交叉口时间和等待红灯时间之间的权衡比重约为180∶1;大型车辆驾驶员比小型车辆驾驶员的停止/通过行为更加激进,市区比郊区的停止/通过行为更加激进;激进的驾驶行为会显著增加严重交通冲突发生的概率.     

基于驾驶员紧急制动行为特征的危险估计算法

基于真实交通工况下驾驶员的紧急制动行为特征,建立了一种新的危险估计算法用于汽车避撞系统的控制策略开发.通过在车辆上安装车辆行驶记录仪采集了目标区域内驾驶员的真实交通场景;对采集到的交通场景进行人工筛选,并按照美国高速公路安全管理局(NHTSA)的分类方法进行了分类,得到了6种典型的危险工况;通过视频图像处理等方法对典型危险工况下驾驶员的紧急制动行为进行了分析,得到了驾驶员紧急制动起始点的碰撞时间tTTC值以及车辆在紧急制动过程中的平均制动减速度,并利用这些数据建立了基于碰撞时间倒数tiTTC和期望减速度areq的危险估计算法.这种危险估计算法能够同时考虑两车快速靠近以及稳定跟车工况,并与驾驶员在真实交通环境中的紧急制动行为相对应.     

基于BiGRU的多模态驾驶行为及轨迹预测

在复杂交通环境中行驶的智能汽车需要预测未来周围车辆的动向,为了提升智能汽车快速且准确预测周围车辆驾驶行为及轨迹的能力,设计了一种基于BiGRU的多模态驾驶行为及轨迹预测模型.模型由BiGRU编码器、交互卷积池化层和GRU解码器组成,能够预测未来5s车辆多模态驾驶行为的概率和多模态驾驶行为对应的轨迹分布.试验结果表明,相...     

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。     

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。     

混杂交通微观仿真中驾驶员对黄信号灯的反应行为模型

首先 ,将遇到黄灯时车辆所处状态细分为进退两难、减速停车、匀速通过和选择通过 4种状态 ,驾驶员根据车辆当前的位置和速度来确定其处于何种状态 .其次 ,在考虑不同的驾驶员具有不同的驾驶技术和攻击性性格的基础上 ,驾驶员根据车辆当前所处的状态做出相应的反应行为 ,这就是整个决策过程的建模思路 .通过计算机仿真以及对信号交叉口车辆的实地测量表明 :模型能够表现驾驶技术带来的判断和操作偏差 ,并能够表现出现实中存在于黄灯期车辆加速、减速、匀速和紧急刹车 4种典型行为 ,以及其中的违规现象 .从统计比对结果来看 ,仿真表现与现实是近似的 ,但还是有局部的差异 ,这种差异主要源于仿真中对行人行为的忽略 .该仿真模型可以用来表现混杂交通中驾驶员遇到黄信号灯时的反应行为 ,并可以作为微观交通仿真中机动车模型的一部分     

基于有限状态机的智能车辆交叉口行为预测与控制

提出一种智能车辆交叉口行为预测与控制方法. 建立交叉口车辆行为预测的有限状态机(FSM)模型,对交叉口其他车辆的行为进行预测. 构建应用于智能车辆的混合状态系统,引入有限状态机模型,结合智能车辆交叉口安全条件运行规则,实现智能车辆离散状态分析及车辆控制. 运用PreScan和Simulink/Stateflow实现交叉口联合仿真. 结果表明,该方法可以使智能车辆安全地通过有其他车辆通行的交叉路口.      

关联交叉口短时交通流可预测性分析及组合预测算法

文中首先根据交叉口交通流参数时间序列的相关性对关联交叉口进行定义,给出关联交叉口短时交通流可预测分析的几个定量指标,以及交通流时间序列最大Lya-punov指数的计算方法;然后提出在短时交通流时间序列的可预测分析基础上,选取一组预测模型并建立基于RBF网络的非线性组合预测模型,提出了关联交叉口短时交通流的组合预测算法;最后对实测短时交通流进行仿真试验,结果表明组合预测方法相对于单项预测方法具有更好的预测性能.     

越野地形下智能车辆的动力学建模与轨迹跟踪

提出一种越野地形下智能车辆的动力学建模与轨迹跟踪控制方法.针对越野地形建立了考虑路面倾角的智能车辆动力学模型,并推导了基于零力矩点的车辆侧倾安全约束.然后考虑上述车辆动力学模型及安全约束条件,设计了基于模型预测的智能车辆轨迹跟踪控制器.仿真试验表明该方法可以有效地适应复杂的越野地形,并能够在实现无碰撞轨迹的同时防止车辆发生侧翻危险.      

交叉口驾驶员转向意图辨识研究

基于profit-sharing增强学习算法,提出了自适应性驾驶员意图辨识的方法,对交叉口驾驶员转向意图进行辨识,达到了缩短辨识所需时间和提高驾驶意图辨识准确性的目的。通过驾驶模拟仪采集的交叉口驾驶员操作数据,建立关于油门踏板操作量、制动踏板操作量、车速的驾驶员转向行为模型,运用profit-sharing增强学习方法对转向行为模型进行实时调整,使模型反映驾驶员的个体特征。实验结果表明,所提的方法在交叉路口前3 s对驾驶行为的识别率是96.8%,前5 s的识别率是94.1%。     

基于轨迹预测的车辆协同碰撞预警仿真研究

针对已有的车辆碰撞预警系统中车辆轨迹预测的误差较大问题,提出了一种基于DGPS和车载传感器的车辆轨迹预测方法,并采用扩展卡尔曼滤波,实现车辆位置的实时估计;提出了基于等加速度变化率、等横摆角加速度模型的车辆位置预测改进模型和基于V2X技术的协同碰撞预警系统(CCWS);在此基础上,采用模糊理论,实现纵向控制仿真试验,以验证预测模型的有效性.结果表明,基于等加速度变化率、等横摆角加速度模型的车辆位置预测模型误差更小,碰撞预警系统能更早的预警或主动制动.     

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。     

基于决策树模型的汽车驾驶倾向性判定方法

驾驶倾向性反映了驾驶员在车辆操作和运动过程中表现出的心理情感状态,对交通安全极为重要,准确地确定驾驶倾向性是研究驾驶员行为的难点.从研究驾驶员生理-心理特性的角度出发,利用决策树能融知识表示与获取于一身的优点,将决策树用于驾驶员驾驶倾向性的研究,实现了对驾驶员行为的模拟再现.仿真结果表明,该方法用于驾驶员驾驶倾向性的研究是可行的.     

基于时空相似系数的环形交叉口车辆轨迹聚类

为了分析交叉口车辆运行轨迹的规律性, 提高环形交叉口交织段的通行能力, 提出基于时空相似系数的环形交叉口车辆轨迹聚类方法。 针对规定区域车辆轨迹, 分析车辆轨迹时空信息并计算得到时空相似系数, 同时采用谱聚类进行聚类, 将交叉口区域内一段时间内的轨迹聚类情况进行可视化展示。 经过实例验证, 所提出的方法能够有效地约简数据, 并可提取出轨迹信息中的潜在规律, 为进一步的决策工作提供一定的参考价值。     

西沟尾矿泥石流危险范围及短期灾变时序预测

 概述了泥石流危险性评价和危险范围预测的研究现状。分析了西沟尾矿泥石流的孕灾环境地质背景,基于泥石流预测模型对泥石流危险范围进行预测评价,得出基于泥石流模型实验建立的预测模型适合于尾矿泥石流危险范围的预测。构建了灰色系统灾变预测模型,并对近期泥石流灾害的灾变时间序列进行预测,为尾矿泥石流灾害评价及防治减灾提供了重要依据。     

绿灯充足时段交通违法监控对车速及行为决策影响分析

为了解信号交叉口处绿灯充足时段交通违法监控是否对机动车车速及驾驶人驾驶行为决策产生影响,运用录像法,分别对经过青岛市黄岛区2类4个信号交叉口绿灯充足时段的机动车进行调查。采集了车辆经过交叉口的车速、加速度、所在车道等具体数据,对经过2类信号交叉口的车速及行为决策进行对比分析;并运用logistic回归模型建立信号交叉口驾驶行为决策模型。结果表明在绿灯充足时段,在装有交通违法监控的信号交叉口,进入交叉口前的机动车车速较低,且离散程度较小;进入装有监控的信号交叉口时,驾驶人采取匀速行为决策的比例比无监控情况高22.78%;较减速行为决策相比,加速和匀速行为决策与交通违法监控、车速及所在车道有关。     

基于融合Dropout与注意力机制的LSTM-GRU车辆轨迹预测

在智能驾驶环境的车辆轨迹预测环节,为更好地获取环境车辆的轨迹时序特征,在长短期记忆神经网络（LSTM）基础上,嵌入Dropout层以增强网络泛化性,引入注意力机制予以预测效果影响较大的时序数据更大权重从而提高预测结果的可靠性,且将改进的LSTM模型与门控循环单元GRU模型结合,构建LSTM-GRU预测模型以进一步提升环境车辆轨迹预测的准确性.在此基础上,使用NGSIM公开数据集对模型进行训练、验证和测试.研究结果表明,融合了Dropout和注意力机制的LSTM-GRU神经网络轨迹预测模型相较标准的LSTM长短期记忆网络以及GRU门控循环单元,在预测较长时序的车辆轨迹上具有优势,提高了轨迹预测的准确性,降低了实际轨迹和预测轨迹之间的均方根误差和平均绝对误差.     

基于注意力机制的车辆行为预测

为了解决智能驾驶场景中对周边车辆未来行为的预测问题,研究了基于注意力机制的长短时记忆网络(LSTM)模型的车辆行为预测方法.首先提出了一种非均匀步长的时间序列数据划分方法,将属于特定行为的车辆时序信息进行分类;以LSTM为基本的神经网络框架,用注意力机制判断输入时序信息中各个时间步信息的重要程度,分配不同的权重值;以目标车辆及其周边车辆的历史轨迹信息作为算法输入,用来预测目标车辆将来的运动行为.结果表明:该算法可以解决固定步长的时序分类方法导致的信息遗漏或计算资源负担增加的问题,同时能够有效提高行为预测准确性,减少车辆行为预测时间.     

机非交互的交叉口右转机动车行为建模与仿真

为准确刻画交叉口机非交互行为、准确模拟右转机动车轨迹,在充分考虑非机动车群组特征和右转机动车驾驶人动态多步决策特征的基础上,基于认知过程建立驾驶人环境感知-规划决策-控制执行的行为模型,并通过改进社会力模型进行仿真实现与模型评价.研究成果可为二维仿真平台的构建和自动驾驶汽车的拟人化驾驶提供模型支撑.