自动驾驶汽车用户接受度的中美差异

当前处于半自动驾驶向全自动驾驶过渡的关键时期,为探究中美自动驾驶汽车终端用户的接受度差异,分别针对北京和旧金山湾区各20名特斯拉车主,采用结构式访谈法对车主半自动驾驶汽车的用车情况、对全自动驾驶汽车的认知态度进行实证研究.通过对两地结果进行比较,发现两地特斯拉用户背景、购买动机无明显差异;而购买顾虑、半自动驾驶系统使用频率、全自动驾驶汽车保留手动控制意愿、接受度的重要影响因素、对共享自动驾驶的态度、愿意共享的原因差异明显.中美两地的显著差异说明自动驾驶汽车的发展需要因地制宜,而拓宽研究对象范围、重视终端用户的反馈将为全自动驾驶乃至共享自动驾驶汽车融入城市道路起到促进作用.     

自动驾驶环境下的路网混合流量日变模型

为研究自动驾驶车辆投放对路网流量演化的影响,建立了包含传统车辆和自动驾驶车辆的混合流量日变模型。分析两类流量不同的演化目标,采用前景理论描述传统车辆出行者的出行行为,以路径前景值最大为目标建立传统车辆流量日变模型,以路径的边际阻抗最小为目标建立自动驾驶流量日变模型,最后通过算例模拟路网混合流量的逐日演化过程。结果表明:传统车辆与自动驾驶车辆流量达到稳定的时间及演化的趋势显著不同,两者相互影响并构成混合流量演化;自动驾驶车辆比例越高,系统总时间就越少,不同比例下路径流量演化为不同的稳定状态;流量转移阈值影响混合流量的稳定条件,且其稳定状态不同于无阈值情况;自动驾驶车辆会影响短期事件发生前后的流量分布。     

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。     

基于技术接受模型的生态驾驶诱导辅助系统认知接受度

融合技术接受模型和信息系统成功模型框架,设计了李克特7级量表问卷,探究了不同驾驶场景下驾驶员对生态驾驶诱导辅助系统的使用意愿和对诱导信息的认知偏好。研究表明,驾驶员倾向于接受以语音形式警示非生态驾驶行为的诱导信息类型。在城市道路上,提高诱导辅助系统的感知有用性和感知易用性有助于提高驾驶员对系统的接受度。在城市快速路上,诱导辅助系统的感知有用性和感知易用性仅对高峰场景下的驾驶员使用意愿有显著正向影响,平峰场景下影响驾驶员使用意愿的具体因素仍需在未来诱导实验中深入探究。     

基于结构方程模型的自动驾驶巴士信任度分析

为了探求人们对自动驾驶巴士的信任程度,文章从乘客的角度构建了自动驾驶巴士信任度分析模型.首先以自动驾驶巴士潜在用户为研究对象,并提取相关群体特征,综合利用显变量和潜在变量的相关关系,量化分析各个影响因素之间的关系以及对信任度的影响程度;其次对模型的信度进行了检验并计算了模型适配度和各个变量之间的影响标准化系数;最后根据...     

强化学习在自动驾驶技术中的应用与挑战

围绕强化学习在自动驾驶领域的应用进行了多方面的概括和总结。对强化学习原理及发展历程进行了介绍;系统介绍了自动驾驶技术体系以及强化学习在自动驾驶领域的应用所需的基础;按不同的应用方向分别介绍了强化学习在自动驾驶领域中的应用案例;深入分析了现阶段强化学习在自动驾驶领域存在的挑战,并提出若干展望。     

面向自动驾驶路测驾驶能力评估的避险脱离率模型

针对传统脱离率模型低估自动驾驶路测车辆驾驶能力问题,提出了避险脱离与非避险脱离概念,通过秩和检验确定脱离时长阈值,选取平均速度差、短时平均速度差、瞬时速度差为特征值,量化车辆脱离前后行为差异,利用无监督学习K-means算法辨别避险与非避险脱离类型,构建面向自动驾驶路测驾驶能力评估的避险脱离率模型。基于上海市城市道路和快速路两类场景路测数据,验证避险脱离率模型的合理性与有效性。结果表明,基于避险脱离率模型,自动驾驶路测车辆驾驶能力在城市道路与快速路场景中,分别比传统脱离率模型平均提升了4.8和7.3倍。     

基于专利引用和文本信息的自动驾驶技术演化

通过分析自动驾驶技术领域专利的引用信息和文本信息,结合社区发现、LDA（latent Dirichlet allocation）主题建模、主路径分析方法,针对自动驾驶专利数据集的特点建立分析框架进行自动驾驶技术演化分析。应用上述方法可以有效识别自动驾驶技术领域的主题分布,弥补传统单一方法不能反映技术全貌的缺陷。我国需重点突破多源传感器融合感知、复杂环境智能决策控制、车路协同、人机交互等关键技术;在测试和自动泊车技术上处于技术领先;在定位、高精度地图、执行机构、运动控制、硬件计算平台技术上处于技术跟随。     

基于脑机接口的自动驾驶意图研究

为了得到驾驶员在驾驶过程中的驾驶意图,通过采用理论分析与实验、仿真相结合的方法对大脑不同区域的脑电信号进行研究分析;设计模拟驾驶实验,建立脑电信号采集系统,采集驾驶人在左转、右转、直行前指定时间窗内的脑电信号;对采集的脑电信号运用小波包变换等方法进行信号分析处理、提取特征参数;建立粒子群算法的支持向量机模型和神经网络的驾驶意图识别模型;并对更高识别率的驾驶意图信号转换为相应的指令控制车辆实现自动驾驶。结果表明：粒子群优化算法的支持向量机的识别率最高达到73.53%,粒子群算法的神经网络识别模型具有更高的识别率最高可以达到92.9%。     

自动驾驶汽车连通专用道网络设计问题研究

【目的】现有自动驾驶汽车专用道设计模型不能保证设立的专用道彼此相互连通，将导致自动驾驶汽车频繁驶入驶出专用道。这不仅增加自动驾驶汽车的走行时间，也会增加与有人驾驶车辆的相互干扰，降低整个交通系统的性能。基于此建立了一个自动驾驶汽车连通专用道网络设计模型，用于设计连通的自动驾驶汽车专用道网络，保证无人驾驶汽车只使用专用道即可完成出行。【方法】提出的自动驾驶汽车连通专用道网络设计模型是一个离散双层规划模型，上层问题以系统总出行时间最小为目标，决策在哪些路径上设置自动驾驶汽车专用道；下层问题描述自动驾驶汽车连通专用道条件下有人驾驶汽车与自动驾驶汽车的均衡配流问题。由于所提模型的特点，基于模拟退火算法设计了求解算法，并通过数值试验验证了算法的有效性。【结果】通过数值分析发现即使在自动驾驶汽车的市场占有率较低时，所提连通专用道方案仍然可以有效减少系统总出行时间。【结论】当自动驾驶汽车在市场占有绝对份额后，应设立有人驾驶汽车的连通专用道，允许自动驾驶汽车自由使用剩余车道。这样既能保证有人驾驶汽车的路权，也能充分发挥自动驾驶汽车提高道路通行能力及减少系统总出行时间的潜力。