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.     

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...     

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．     

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。     

考虑侧向车换道影响的理论和数据组合驱动的车辆跟驰模型

为分析受侧向车辆换道影响下的目标车辆跟驰行为，结合多速度差理论跟驰模型和深度学习方法，提出了一种理论-数据组合驱动跟驰模型。首先考虑了跟驰车辆对于前向车辆和侧向车辆保持安全车距和受车辆速度差影响的特性，提出了双车道多速度差跟驰模型（FS-MAVD模型），并利用差分进化算法进行模型参数标定。构建了CNN-Bi-LSTM-Attention数据驱动车辆跟驰模型，利用卷积神经网络层（CNN）充分提取前向和侧向车辆交通特征，双向长短期记忆网络层（Bi-LSTM）考虑驾驶员记忆效应，注意力机制层（Attention）用于分配模型权重，并基于数据进行驾驶员记忆时长、模型训练批次和训练轮数参数的训练。考虑理论模型广泛适用性和数据驱动模型接近真实值且平滑的特点，采用最优加权法将两种模型进行组合预测。利用无人机拍摄的快速路车辆轨迹数据，建立跟驰行为样本集，对所建模型进行训练和测试，并与LSTM模型、Bi-LSTM模型、CNN-Bi-LSTM-Attention模型、FS-MAVD理论模型的预测效果进行对比，并分别比对不同模型对不同车辆的预测精度和误差。结果表明，本研究构建的组合模型在加速度预测精度达到9...     

多车道下的车辆行为模型研究

针对我国混合交通的特点,提出一个新的车辆行为模型,模型由跟驰模型、邻车影响模型和换道模型共同组成.在新模型中将车辆的跟驰状态划分为一般跟驰和自由行驶,充分考虑了驾驶员的反应延迟.同时,鉴于多车道间车辆的相互干扰,还建立了邻车影响模型,探讨同向及对向的相邻车辆对驾驶行为的影响.运用面向对象开发环境VC 6.0对模型进行软件实现,将仿真计算结果与已有的实测数据进行对比,取得了较满意的结果,证明所建模型符合实际情况.     

一种改进的微观跟驰模型

根据交叉口区域内车辆行为的特殊性，在交通仿真中采用跟驰理论对交通流进行研究．针对目前纯微观跟车模型没有考虑驾驶员反应时间的情形，提出了一种改进的微观跟驰模型．该模型根据车辆行驶特点对道路进行区域划分，能结合交叉口区域的特点，确定车辆最小和最大安全距离的界限值，并充分考虑了驾驶员反应时间造成的延迟对于车辆行驶速度和加速度的影响．通过仿真实验，进一步证实了模型的有效性．     

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...     

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。     

基于最大车速的广义力跟驰模型

为了更有效地模拟城市交通流，尤其是城市交叉口交通流的运行状况，在研究跟驰状态中车辆行驶特性的基础上，考虑车辆行驶的最大限制速度，提出了一种基于最大车速的广义力模型。将该模型与Helbing—Tilch广义力模型分别用于模拟车辆经过信号交叉口的动态运动，并采用实际道路上车辆的跟车数据仿真跟车情况。结果表明，该模型不仅消除了Helbing—Tilch广义力模型存在的停车间距过大问题，而且仿真效果更接近实际的交通流特性。     

车联网环境下自动驾驶交通流建模与分析

在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型,并理论推导在不同自动驾驶比例下混合交通流稳定性的解析判别条件,从混合交通流稳定域角度对比分析模型改进前后混合交通流的稳定性。结果表明,相比于原自动驾驶跟驰模型,改进后的模型能有效缩小混合交通流不稳定区域,降低混合交通流全速度范围内稳定时所需的最低自动驾驶比例,从而提升自动驾驶混合交通流的稳定性。     

基于神经网络方法的集成式驾驶员跟车模型

为了提高驾驶辅助系统的跟车性能,基于神经网络方法建立了一种集成式驾驶员跟车模型.通过真实交通环境下的驾驶员实验获得了稳定跟车状态数据,并利用Kalman滤波器对数据进行了处理和估计.设计了以BP神经网络为核心的集成式模型结构,该模型以前车速度为输入,计算跟车过程中的两个特性参数并输入神经网络以模拟驾驶员控制的自车加速度.利用处理后的数据样本对网络进行了训练,并对该模型进行了仿真验证.仿真结果表明;神经网络模型具有模拟驾驶员跟车行为的能力,模型体现出较为准确的跟踪特性,并对不同的前车工况具有良好的适应性.     

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。     

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。     

两种驾驶方式构成的异质交通流稳定性研究

对由两种驾驶方式组成的单车道异质交通流的稳定性进行分析和研究. 利用实际数据对两种驾驶方式对应的最优行驶速度车辆跟驰模型及智能驾驶员车辆跟驰模型进行参数标定,使用线性稳定性分析方法获得了异质交通流的稳定性条件,并定义了异质交通流的稳定性函数和驾驶方式的稳定性函数,在此基础上进行了仿真实验. 研究结果表明异质交通流的稳定性受两个关键因素的影响:驾驶方式在交通流中的比例和驾驶方式的稳定性函数. 仿真发现智能驾驶员的驾驶方式比最优行驶速度的驾驶方式具有更好的稳定性. 此外,还获得了在不同的速度下,有关不同驾驶方式比例的稳定性变化曲线.      

驾驶员行为仿真模型研究进展

着重从驾驶行为分析的角度出发,回顾了以往构建于控制论思想之上的车辆跟驰模型,特别是其中与人因素有关的GHR模型、碰撞避免模型、AP模型、基于模糊逻辑的模型、基于神经网络的模型、期望间距模型等,对各模型的构建理论和主要优缺点进行了详细阐述,从整体上揭示了上述模型构建过程中所忽视的用于刻画驾驶行为可变性特点的一些关键性问题,并结合当今交通领域最新的研究成果分别从应用领域专门化、研究手段多样化、研究层次深入化、模型构建实用化等方面预测了驾驶行为仿真模型未来的发展趋势.     

考虑预估驾驶行为的跟驰模型及其稳定性分析

在 OV 模型的基础上,进一步考虑预估驾驶行为对车流的影响,提出一个新的跟驰模型以获得预估驾驶行为与交通拥堵的关系。通过对新模型进行稳定性分析得到了系统的临界稳定条件。数值仿真结果表明：新模型能够模拟诸如时停时走、系统临界相变等实际交通现象,较 OV模型更贴近于实际。同时,预估驾驶行为增强了交通流稳定性能,提高了车流陷入交通阻塞状态的阈值。最后以车速的平滑度和波动幅度最小为评价指标得到了新模型中预估参数的最优取值范围。     

考虑驾驶风格的模糊控制跟驰模型

针对传统模糊控制跟驰模型较少考虑驾驶风格的差异,同时缺乏真实数据的有效验证,基于模糊控制理论,模拟驾驶人在跟驰过程中采取的动态驾驶决策过程,考虑不同驾驶风格,在分析自然驾驶数据的基础上,利用实测数据对不同驾驶风格进行分析,获得各驾驶风格的期望车头时距参数,在此基础上,利用前后车距离误差和速度差作为独立变量,并建立了模糊控制规则。数值分析结果表明,该模型与自然驾驶数据拟合较好。     

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实验室标定的自适应巡航控制(adaptive cruise control, ACC)和协同自适应巡航控制(cooperative adaptive cruise control, 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,当渗透率为40%～60%时,道路通行能力比纯人工驾驶车辆时提升14%～30%,当道路上全为智能网联车时,其通行能力约为纯人工驾驶车辆的1.9倍;同时在相同智能网联车渗透率下,道路通行能力随智能网联车辆期望车间时距减小而增大。     

车距自控系统跟车模型稳定性仿真分析

用仿真分析方法,对可能用于车距自控系统的跟车模型的稳定性作了分析,主要内容包括：选定了３种可能用于车距自控系统的跟车模型,在以通行能力为约束的条件下,以前车突然制动与平稳降速２种典型驾驶行为和行驶车距与车速２种主要车辆行驶参数,对选定的３种跟车模型作了仿真,根据仿真结果给出了适用于车距自控系统的变速控制模型。