考虑驾驶风格与路面影响的制动能量回收策略

为了增强车辆制动能量回收效率和保持制动稳定性,提出了一种综合考量驾驶员风格和路面附着特性的能量回收方法。首先,根据不同驾驶员数据提取驾驶风格特征参数,基于支持向量机(SVM)训练驾驶风格辨识模型;然后,通过U-Net网络对路面图像进行预处理,并使用轻量级网络MobileNet V3训练路面高效辨识模型;最后,结合驾驶风格与路面辨识结果,对车辆前、后轴制动力的变比值进行分配,提出一种考虑驾驶风格与路面附着条件权重来确定再生制动力的方法,并在此基础上完成制动能量回收策略制定。仿真结果表明:对于不同路面,制动效能与制动稳定性明显提升;在WLTC与NEDC循环工况中,电池SOC分别提高了2.13百分点、1.02百分点,使整车制动稳定性与经济性得到进一步提升。

基于NGSIM的驾驶风格识别研究

文章针对不同的驾驶员做出了驾驶风格识别。首先,利用对称指数移动平均滤波算法对NGSIM数据集进行平滑处理;其次,通过分析国内外关于表征驾驶风格的关键指标,确定了8个驾驶风格特征变量,再计算驾驶风格特征向量秩,验证了所选的8个特征具有较好的独立性,结合主成分分析识别表征驾驶风格的三种变量;最后,构建了K-Means++模型,将驾驶员驾驶风格聚类为激进型、一般型和谨慎型。为了对比验证,还建立K-Means和高斯混合模型(GMM)。结果表明,K-Means++模型的轮廓系数和算法运行时长均优于K-Means、GMM,文章所提出的驾驶风格聚类方法能够对驾驶员的驾驶风格进行有效分类,对于提升交通安全、交通效率和促进智能交通系统的发展具有重要的意义。

车-车碰撞典型场景下驾驶风格对避撞参数的影响

为研究车-车碰撞事故中驾驶人风格与避撞参数、避撞率间的关系以提高行车安全性,本文通过车-车碰撞数据库(vehicle-vehicle traffic accident database with video,VV-TRAVi)中610例真实事故视频聚类分析出5种典型场景,其中十字路口处占比最大,主要分为有、无视觉障碍2种典型碰撞场景,基于6自由度驾驶模拟器动态搭建上述2种十字路口处典型碰撞场景。通过问卷调查、主成分分析和K均值聚类将驾驶风格分为激进型、普通型和谨慎型,并招募60名3种驾驶风格志愿者在所搭建的2种典型碰撞场景下进行实验数据采集,并在92组有效数据样本中提取3种风格下的避撞参数:TTC(time-to-collision)、BRT(braking reaction time)、速度和纵向减速度,采用单因素方差分析和独立样本T检验分析3种驾驶风格对上述避撞参数的影响。结果表明:在有、无视觉障碍的2种典型碰撞场景下,3种驾驶风格的TTC、BRT、速度和纵向减速度均呈现显著差异;其中,激进型、普通型以及谨慎型的TTC均值(s)分别为0.54和1.21、0.59和1.33以及1.01和2.58,BRT均值(s)分别为1.12和0.9、1.32和1.3以及1.6和1.56,两者均呈现依次增大趋势;速度均值(km/h)分别为37.53和45.03、30.37和34.93以及27.62和30.37,纵向减速度均值(m/s~2)分别为9.38和9.13、6.2和5.6以及3.92和3.66,两者均呈现依次减小趋势;3种驾驶风格避撞率呈现“谨慎型>普通型>激进型”。研究结果为制定考虑驾驶风格的车辆避撞策略提供参考。

考虑驾驶风格的混合动力汽车自适应等效能耗最小化策略

为提高混合动力汽车行驶的综合经济性,针对现有混合动力汽车能量管理策略对于不同风格驾驶员的适应性不足问题,提出了基于驾驶风格实时识别的自适应等效能耗最小化能量管理策略。首先对实时踏板信号变化量引起的驾驶需求变化进行分析,通过驾驶员踏板实时数据的特征提取和分类,在滚动时域内识别实时驾驶风格。然后在考虑电池衰退成本的等效能耗最小化策略中,通过量化驾驶风格系数构建等效因子自适应函数,求解不同风格下的最优等效因子与电池衰退权重系数,并在此基础上设计基于人工势场法的自适应等效能耗最小化策略。仿真结果表明:相同驾驶工况下,相较于未考虑驾驶风格的等效能耗最小化策略,所提方法在改善了2.82%的燃油经济性的同时,减少了25%的电池损耗。

基于MTL-MTF-LSTM神经网络的驾驶风格识别方法

为了提高车辆驾驶风格的辨识准确度,文章基于长短期记忆神经网络结合混合示型神经网络搭建了一种驾驶风格识别方法。通过挖掘驾驶行为数据中时序特点,剖析驾驶人驾驶风格与时序数据的关系,使用公开数据集NGSIM,经过数据集的筛选与平滑处理后提取描述性特征,采用主成分分析法转换高维特征为低维,通过K-means方法指定聚类数量,确定为三种驾驶风格。通过多任务学习多任务融合长短期记忆(MTL-MTF-LSTM)神经网络进行了驾驶风格的分类识别,该模型结合了强化学习和模仿学习,经过多任务分配识别池。结果表明模型对保守型、一般型和激进型驾驶风格的识别精度分别达到了95%、98%和97%,整体表现优异。

考虑驾驶风格的混合动力汽车强化学习能量管理策略

为了提升混合动力汽车能量管理策略对不同风格驾驶员的适应性,基于深度强化学习和等效燃油消耗最小策略(equivalent consumption minimization strategy,ECMS),提出一种考虑驾驶风格的混合动力汽车能量管理策略。通过实车试验采集驾驶员行驶数据,基于采集数据进行驾驶员驾驶风格的聚类分析,建立驾驶风格识别模型;构建基于强化学习和ECMS的能量管理策略,将驾驶风格系数作为强化学习状态变量,利用多种驾驶风格的组合工况训练深度确定性策略梯度智能体,获取不同工况和驾驶风格下ECMS等效因子,采用ECMS求解最优发动机、电机转矩分配以及变速箱挡位;搭建硬件在环测试平台,并基于实际采集的不同驾驶员驾驶数据构建测试工况,验证所提出控制策略的有效性。研究结果表明,相较于基于规则策略、基于等效因子比例修正的自适应ECMS以及DRL-SAC策略,提出的考虑驾驶风格的强化学习能量管理策略使整车能量消耗分别降低16.35%、11.11%和7.56%,所提控制策略的有效性得到了验证。

基于驾驶风格的山区公路穿村镇段行车风险场灵敏度分析

针对山区公路穿村镇段交通事故多发的现实问题,本文提出一种考虑驾驶风格的行车风险识别方法,通过灵敏度分析揭示驾驶风格在风险评估中的影响,并以云南省典型山区公路穿村镇段为实例进行验证。首先,利用无人机采集车辆轨迹数据,建立轨迹分析数据库;其次,基于行车风险场理论并通过事故数据的相关性分析,刻画穿村镇段行车环境对车辆行驶的风险影响,进一步引入驾驶风格因子,建立考虑驾驶风格的行车风险场,实现多要素的综合考虑与行车风险量化;最后,基于Sobol全局灵敏度分析方法,分析考虑驾驶风格前后模型关键参数的全局灵敏度,并实现区域风险的可视化。研究结果表明:当选择速度均值、加速度均值和冲击度方差进行驾驶风格划分,K值为4时聚类效果最佳;Sobol法有效评估了参数灵敏度,当考虑驾驶人行为场后,总灵敏度分布更加均匀,模型考虑因素更为广泛,其中速度和冲击度标准差为最显著参数,总灵敏度分别为0.41和0.34;对多车共同作用产生的风险可视化显示,势场范围随道路线形变化而变化,在穿村镇交叉口风险值最显著,整体行驶速度降比为17.39%,将进一步发挥风险场理论在微观交通风险评估中的作用。

考虑驾驶风格和舒适性的电动汽车制动能量回收策略

现有的制动能量回收策略未充分考虑驾驶风格对前、后轴制动力矩分配的影响,降低了能量回收率,增加了制动减速度。为此,提出了一种考虑驾驶风格和制动舒适性的再生能量回收策略,对不同驾驶风格的驾驶员采用不同的权重系数去权衡制动能量回收效率与制动舒适性。设计模糊规则控制器对驾驶员舒适性权重进行分配,建立包含舒适性和制动能量回收效率的多目标优化模型。最后结合考虑电池、电机特性和紧急工况等影响因素确定制动力矩分配策略。仿真结果表明,与其他控制策略相比,所提出的控制策略使驾驶员处于舒适与轻微不适的占比分别增加3.4%和1.58%,并消除严重不适,电池SOC值损失0.3183%。

基于驾驶事件的驾驶风格分类与识别方法研究

针对基于数据统计特征的驾驶风格分类识别方法容易忽略驾驶员在驾驶过程中驾驶风格多样性的问题,提出了一种基于驾驶事件、谱聚类与随机森林相结合的驾驶风格分类识别方法。设计试验采集驾驶数据,进行数据预处理,提取转弯事件和制动事件,经标准化和降维处理后,运用谱聚类算法分别对转弯事件和制动事件进行驾驶风格聚类。采用熵权法赋权得到每位驾驶员的驾驶风格权重,对比5种机器学习算法对驾驶风格识别的精确度,结果表明基于随机森林的驾驶风格识别精确度为92.73%,显著提高了驾驶风格识别准确率。

计及驾驶风格的氢燃料电池有轨电车自适应能量管理策略

半独立路权运行模式下,氢燃料电池混合动力有轨电车驾驶员的驾驶风格影响锂电池荷电状态,从而对整车运行经济性有较大影响。提出一种结合驾驶员驾驶风格的自适应能量管理策略,以提高能量管理策略对工况和驾驶风格的适应性。首先,考虑不同的道路工况对驾驶员驾驶风格的影响,通过K-均值聚类算法对行驶工况进行识别,将行驶工况分为低速、中速、高速3类;引入冲击度和加速度标准差构建基于模糊逻辑的算法,对驾驶风格进行识别,将驾驶风格分为迟钝型、标准型、激进型3类。其次,建立系统瞬时氢耗量最优的目标函数,在满足约束条件的前提下,引入锂电池荷电状态等效因子修正系数,针对不同驾驶风格调整传统等效氢耗最小策略中相应的等效因子,以实现等效因子随驾驶风格的改变实时变化。最后,将该策略与传统等效氢耗最小策略、庞特里亚金极小值策略进行仿真对比分析,结果表明:该策略能实现3个动力源功率分配最优;锂电池和超级电容荷电状态波动曲线相较于其他2种策略最为平滑;在续驶里程结束时混合动力系统氢耗量为1.39 kg,具有最为优越的燃油经济性;母线电压最大偏移率最小;能使3个动力源平稳出力,具有较强的系统稳定性。研究结果为进一步提高有轨电车实际运行中对驾驶风格的适应性提供参考。

基于信息熵和Canopy-K-Means算法的货车驾驶风格识别

为识别货车的激进驾驶行为,保障货车行车安全,提出1种基于信息熵和Canopy-K-Means算法的货车驾驶风格识别方法。首先,从货车自然驾驶数据中提取出604个驾驶片段,根据信息熵理论计算各个驾驶片段的速度熵值、横向加速度熵值和纵向加速度熵值,构成货车驾驶风格表征指标集;其次,针对K-Means算法的聚类数量主观选取、初始聚类中心随机选取的问题,使用Canopy算法改进K-Means算法(Canopy-K-Means算法);最后,分别使用K-Means算法和Canopy-K-Means算法对货车驾驶风格进行识别。研究结果显示,Canopy-K-Means算法的轮廓系数和Calinski-Harabasz指数均大于K-Means算法,表现出更优的聚类性能。根据Canopy-K-Means算法,可将货车驾驶风格分为沉稳型、常规型和激进型3类,其中激进型货车驾驶风格的指标熵值和极差均较大,存在较高的安全隐患,需要引起相关部门的高度重视。

考虑驾驶风格的高速行驶工况自动换道决策规划研究

为了解决高速行驶工况下自动驾驶车辆决策模型的车间互动性不足、规划控制匹配性差等问题,构建了基于斯塔克尔伯格(Stackelberg)博弈的闭环换道决策模型,将障碍车响应纳入自车换道决策中,同时引入驾驶风格特征优化多目标决策成本函数,并使用粒子群优化(PSO)算法求解博弈决策模型,采用考虑质心侧偏角影响下的运动学模型预测车辆状态,设计了基于动态风险势场法的非线性模型预测规划控制器。仿真结果表明,所提出的闭环换道决策模型可有效结合车间互动行为与驾驶风格特征输出正确的决策指令并完成相应的运动规划和控制。

考虑驾驶风格的高密度立交群出入口车辆驾驶风险研究

为分析不同驾驶风格驾驶人车辆的驾驶风险,在重庆内环快速路开展了高密度立交群实车驾驶试验,使用车载仪器采集车辆行驶轨迹、速度等运行参数,通过因子分析和聚类分析等方法,提取车辆速度、加速度和横向位移等参数,以此为依据将驾驶风格分为3个类型,即保守型、常规型和冒险型。通过车辆驶离和汇入主线过程中的轨迹偏移,分析了不同驾驶风格的行车轨迹特征,结果表明:冒险型驾驶人的轨迹偏移高于其余2种驾驶风格的驾驶人,且轨迹偏移的分布较为分散;在驶离/汇入主线时,冒险型驾驶人所需要的换道时间更短、换道起始位置更靠前、换道频次也多于另外2种驾驶风格;以速度波动和加速度波动作为驾驶风险评价指标,两者大小均是冒险型>常规型>保守型;利用熵权法确定指标权重并得到驾驶风险率,将其按照不同驾驶风格分类,结果表明:在主线出口位置,呈现明显的分布特征,即冒险型>常规型>保守型,而在主线入口位置,冒险型与常规型的驾驶风险率大小相差无异,但冒险型驾驶人分布更加离散。分析不同驾驶风格驾驶人的驾驶风险率,有助于提高驾驶人的行驶安全性。

高速路匝道汇入路段驾驶风格

为分析驾驶人在高速路匝道汇入路段的驾驶风格,基于NGSIM数据集进行研究。为保证数据准确性,对数据平滑处理后,设置时空约束剔除异常数据得到匝道汇入合流区的车辆轨迹数据;首先采用因子分析法对原始多维特征进行降维处理得到可完整表征驾驶风格的5个主因子;其次使用K-means算法对主因子进行聚类得到谨慎型、稳健型和激进型3种驾驶风格,并对比降维前后的识别结果。结果表明,在匝道汇入合流区路段,激进型驾驶风格更倾向于在短时间内连续换道,并且在整个匝道汇入的过程中与前车的车头间距更小。

驾驶风格研究现状与展望

驾驶风格指驾驶员在日常生活中习惯性的驾驶方式。本文对这一领域的研究进行了回顾和归纳,指出了驾驶风格的概念、影响因素及主要测量方法(多维度驾驶风格量表和驾驶风格问卷);并针对当前研究的不足,提出了未来研究的3个方向:(1)拓展驾驶风格研究的广度和深度;(2)重视驾驶风格测量的应用;(3)加快驾驶风格的本土化研究。

考虑驾驶风格的车辆避障控制系统

传统避障控制系统设计未考虑不同驾驶员的偏好,导致驾驶员对系统的接受度不高,为此提出融入驾驶风格量化的避障控制系统.采集多名熟练驾驶员的驾驶数据进行风格聚类,训练出基于支持向量机的分类器,实现对驾驶风格的在线识别.设计考虑驾驶风格的避障控制系统,将避障过程分为转向避障和恢复稳定2个阶段.在转向避障阶段,控制器通过跟踪相应驾驶风格对应的最大侧向加速度进行避障;在恢复稳定阶段,控制器控制车辆进行相邻车道中心线跟踪.综合考虑车辆的避障安全性和横摆稳定性,将直接横摆力矩控制子系统加入所提系统.构建系统仿真模型,分析不同驾驶风格下控制器避障操作和车辆状态响应的异同.开展驾驶员主观感受的问卷调查,结果表明,相较于传统避障控制系统,驾驶员对所提系统的接受度提升了16.58%.

左转车驾驶风格对直行车交互行为影响

驾驶风格是交通路口左转事故的主要成因,研究直行车面对不同驾驶风格的左转车速度变化能有效解释事故发生的原因,因此通过对北京市昌平区、海淀区、平谷区的三个交通路口进行实地观测,通过录像记录左转车转向角度,速度等指标以及直行车速度变化情况。观测时间选取7个工作日和4个节假日的高峰与非高峰时段。通过转向角度、速度等指标对左转车驾驶风格分类并比较其对直行车速度的影响。结果表明:左转车辆为激进型驾驶风格时,在工作日直行车大部分会保持原速行驶,因此容易导致事故的发生;在节假日大部分会选择减速行驶。面对保守型驾驶风格时,在工作日驾驶员大部分会选择保持原速行驶,在节假日依然如此。可见在时间的影响下,激进型的驾驶风格可能会诱发交互车辆的激进型行为;而保守型驾驶在任何时段下都会诱发交互车辆的激进型行为。研究所得结果可为预测混合交通的潜在后果提供参考,从而在未来使自动驾驶汽车更好融入混合交通道路中。

智能网联汽车中联合驾驶风格的交通流数据有效性分析

在智能网联汽车(ICV)中,提高驾驶数据的有效性是提升车辆安全性的基石。只有准确的、可靠的驾驶数据才能为车辆的安全性提供可靠的依据和支持。与传统的异常分析相比,ICV数据有效性分析面临数据异常的多样性(传感器异常、驾驶行为、恶意篡改等)。如何将车辆自身数据特征、驾驶风格和交通流特征相结合,提供有效的数据异常检测方法,已成为智能网联汽车中新的问题。针对ICV系统,采用结合驾驶风格和交通流理论的方法,设计基于粒子群优化的TE-PSO-SVM数据有效性检测算法,实现驾驶数据的有效检测。首先定义驾驶风格识别系数Rad,设计驾驶风格量化模型;其次建立交通流模型,将车辆状态数据与驾驶风格和交通流理论相结合,通过长短期记忆(LSTM)网络对车辆速度预测;最后通过TE-PSO-SVM算法进行数据有效性检测。由于ICV数据的多样性,单一模型在多类型异常混合并存的场景中检测精度仍有局限,利用多个模型的优势构建模型池,并提出基于强化学习的模型选择(RLBMS)算法。在真实数据集highD上的实验结果表明,在不同噪声环境下,TE-PSO-SVM算法模型的F1值相比于传统SVM模型平均提升约8.1个百分点;RLBMS算法模型在不同噪声环境下的F1值相比于模型池中检测率最高的算法平均提高约1.7个百分点,明显提高了数据有效性检测的准确率。

基于LDA主题模型的在途驾驶风格识别方法

为增强人机共驾条件下智能系统对个体驾驶行为的理解,提出一种基于潜在狄利克雷分配(LDA)主题模型的在途驾驶风格识别方法,从多维度挖掘车辆轨迹信息,快速提取和识别驾驶员潜在驾驶风格特征。首先,建立驾驶行为语义理解规则,从驾驶作业的场景感知层、模式层、操作层以及车辆状态层出发,将连续的轨迹时序数据阐述为驾驶行为语义理解词汇;其次,根据主题困惑度和主题一致性指标定义4类习惯性驾驶风格:稳定型、保守型、适中型以及激进型;最后,将每位驾驶员的在途驾驶风格识别为上述驾驶风格的概率组合。结果表明:所提出的在途驾驶风格识别方法考虑驾驶员在驾驶过程中的异质性和不一致性,能够解释同一驾驶员在不同驾驶环境下表现出差异化驾驶风格的现象,同时,有助于提高驾驶风格在途识别的全面性以及可理解性。

基于驾驶风格的车辆模型预测控制研究

随着计算机技术和通信技术的不断发展,自动驾驶逐渐成为现实,一些辅助驾驶功能逐渐在车辆上普及。但自动驾驶技术还未成熟到可以完全代替驾驶人的地步,依然需要驾驶人结合车辆环境做出决策。而驾驶人在紧急情况下很难根据车辆周围情况做出最优判断。如果在事故发生前能预测驾驶人的行为并发出预警,则可在一定程度上避免部分交通事故的发生并降低严重事故的损伤程度。另外,驾驶人的驾驶习惯各不相同,车载辅助系统很难根据驾驶风格提供个性化的决策。为解决上述问题,文中以车辆换道行为为研究对象,构建用于驾驶风格识别的换道数据集,对驾驶风格进行聚类分析,并建立MPC(模型预测控制)车辆模型对不同驾驶风格的车辆进行预测控制。