高速公路汽车追尾碰撞预警关键参数估计

为准确、可靠获取高速公路汽车追尾预警算法的关键参数,提出一种基于车辆相对运动典型工况的估计方法。根据高速公路车辆不同的相对运动典型工况建立多个卡尔曼滤波系统状态模型,以全球定位系统与车车通信信息结合雷达信息作为观测量,并在运行过程中检测、容忍传感器信息的不准确甚至失效,利用交互多模型算法,实时、准确、可靠的获取两车相对距离、速度、加速度以及碰撞时间等关键参数。仿真及实车试验结果表明,估计方法具有精度高、鲁棒性和适应性好的优点,且在传感器失效的情况下依然能取得较好的估计效果。

道路环形交叉口机动车冲突风险区识别模型研究

为定量识别城市非信控环形交叉口区域内的机动车冲突风险易发生点,降低环形交叉口的事故发生率,本文构建针对非信控环形交叉口机动车冲突风险识别模型。首先,利用无人机采集高精度、连续的多车辆轨迹视频,结合Kinovea视频运动分析软件实现运行车辆状态识别与跟踪,并记录车辆每一帧的运动数据;其次,基于交通冲突识别指标TTC(Time to Collision),提出适应环形交叉口道路线形特征的车辆TTC计算方法,并使用累计频率法确定严重、一般和轻微冲突的阈值分别为1.2,2.8,4.4 s;最后,通过绘制高峰和平峰交通冲突空间异步图,并结合交通冲突数和严重冲突率,对环形交叉口的36个子区段进行交通冲突风险等级评定。研究结果显示:在高峰时段,某一子区段的平均交通冲突发生次数约为15次,严重冲突率为17.45%;在平峰时段,某一子区段的平均交通冲突发生次数约为8次,严重冲突率为8.28%。重度风险区域在高峰时段占比达到50%,而在平峰时段为8.33%,这些重度风险区域主要集中在交织区段。因此,环形交叉口在高峰时段且位于交织区段的情况更易发生交通事故。本文研究成果有助于交通管理部门了解环形交叉口在不同时段和区段上的交通冲突情况和特征,以便采取相应的预警和管理措施。

道路急弯路段追尾冲突分析预测

为实现急弯路段的追尾碰撞风险主动防控,提出了一种基于多源数据融合的追尾冲突动态预测方法。首先,基于无人机、毫米波雷达等采集的车辆运行数据,提出了适用于急弯路段交通流特征的追尾冲突判别模型及冲突等级阈值划分标准,分析了急弯路段的追尾冲突空间分布特征。然后,筛选车型、大车比率、断面速度差等13个交通流特征指标作为输入变量,以粒子群算法为基础,分别构建了其与BP神经网络、随机森林、支持向量机算法的追尾冲突动态组合预测模型,并根据混淆矩阵和曲线下面积评估各模型的预测性能,利用黑箱解释方法分析冲突发生概率的显著性影响因素及影响程度。结果表明:相较于平直或一般弯道路段,急弯路段的追尾冲突TTC(Time to Collision)值更小,出弯缓和曲线段冲突更为严重,且弯道内侧碰撞风险最高;粒子群-随机森林模型的追尾冲突预测性能最佳,灵敏度达90.70%;急弯路段追尾冲突受车辆平均车头间距的影响程度最大,当平均车头间距为25 m左右时,冲突发生概率最小,向心加速度均值、速度均值等因素亦对其有显著影响。

信号交叉口机非交通冲突安全评估

针对机非冲突多角度、强随机性等特征,建立了机动车"安全制动区"模型,采集机动车和非机动车轨迹,提出了基于安全制动区的机非冲突判别方法。基于距离碰撞时间和冲突速度两参数,提出一种新的机非冲突严重程度分析方法。以长沙市4个信号控制交叉口为例,采集机非冲突和相关交通运行参数,探讨了机非冲突次数和交叉口安全风险程度的影响因素。研究结果表明:基于安全制动区的机非冲突判别方法能适应中国城市交叉口混合交通流特征,机动车和非机动车流量是影响机非冲突数量的主要因素,交叉口面积、车道数、交通流量是影响交叉口安全风险程度的主要因素。

基于车辆轨迹的信号交叉口机非冲突判别

选取长沙市中心区4个典型信号交叉口,利用视频轨迹追踪软件,提取右转机动车与直行非机动车的冲突交通流轨迹数据。以减速、换道等避险行为与可能发生碰撞(距离碰撞点时间小于2 s)为依据,采集机非冲突样本;选择距离碰撞最大时间(MTTC)和冲突时间差(TDTC)作为评价指标,提出一种基于交通流运行轨迹的改进型TTC(Time to Collision)法的机非冲突判别方法。选择某实例交叉口,分别采用TTC法、改进型TTC法和后侵入时间(PET)法,评估得到右转机动车与直行非机动车的冲突数,分别为7,24,22次。结果表明,传统的TTC法低估了交叉口的机非冲突水平,改进型TTC法的判别准确率提高了2.14倍,证明了方法的可行性。