考虑驾驶人交通环境感知的车辆安全势场及跟驰行为建模

安全势场能够描述车辆驾驶过程中周围安全风险的空间分布。针对既有模型重点关注车辆自身运动状态而忽视驾驶人环境感知信息的问题,围绕车辆安全势场模型改进以及其在跟驰模型中的应用展开研究。引入相对状态影响因子和道路交通状态影响因子对既有模型进行改进,强化车辆间相对速度和所处道路交通状态对行车安全性的影响;利用车型系数对实际空间的距离进行修正,研究多车型混合环境下车型差异对行车安全性的影响;利用感知安全势场将前车运动状态与后车跟驰行为建立联系,得到基于感知安全势场的车辆跟驰模型;采用遗传算法对本文所建模型和智能驾驶人跟驰模型、安全势场跟驰模型进行标定。结果表明,上述3个模型在测试集上的均方根误差分别为6.124、8.515、7.248,证明该模型误差最小,能够更为精确地描述车辆跟驰行为。研究成果能为行车安全风险评估和车辆驾驶行为决策提供理论依据。

基于GCN-CS-LSTM的车辆多模态行驶轨迹预测

针对车辆交互关系的非欧几里得性质,提出了一种适用于高速公路车辆之间动态图结构的表达方式,以实现车辆信息的交互传递,并设计了一种结合图卷积神经网络(graph convolutional neural network, GCN)、社会卷积池化层(convolutional social pooling, CS)和长短时记忆网络(long short-term memory network, LSTM)的多模态驾驶行为轨迹预测模型.该模型以LSTM编码器和解码器为基础框架,通过卷积和图卷积实现车辆交互关系的有效提取,同时引入最大池化和平均池化技术,以实现特征提取和背景信息保留.结果表明:本模型在长时域(5 s)的均方根误差为4.03 m,相较于基准模型提高了10.8%,在与其他深度学习模型对比中具有更高的准确率;在不同交通环境下,本模型相较于基准模型的预测性能均有8%~11%提升;消融试验结果进一步验证了本模型中各模块的有效性,本模型能够预测车辆在未来长时域内不同模态的概率分布和对应的轨迹.

多源数据融合的城市区域时变停车需求识别方法

城市时变停车需求的准确感知是制定停车管理政策的前提条件之一,然而由于难以获取城市所有停车场进出车辆数据,且部分老旧停车场尚未实现信息化管理,以及违章停车的存在,导致城市区域时变停车需求识别困难。本研究利用城市已有交通信息采集设备,以卡口车牌识别数据、停车场进出车辆数据和出租车GPS数据为基础,通过训练模型区分停车与行车在前后两次卡口数据中的特征差异来识别车辆停车行为,从而实现城市区域时变停车需求识别。首先,结合493个停车场的进出车辆数据和3649辆出租车的GPS数据确定车辆行停状态,得到846204个停车样本和81654个行车样本,并基于合成少数类过采样技术(Synthetic Minority Oversampling Technique,SMOTE)+最近邻(Edited Nearest Neighbor,ENN)算法对不均衡行停数据集进行组合采样;其次,利用梯度提升决策树(Gradient Boosting Decision Tree,GBDT)来识别车辆的停车行为,结果表明本文建立的停车行为识别模型准确率为93.1%,精确率为99.6%,召回率为86.5%,识别效果优于其他传统方法;最后,应用该方法对某城市区域时变停车量进行监测,并利用该市41个停车场进出车辆数据进行验证,其中可通过本文算法识别的停车量为96%。研究成果可为城市区域时变停车需求感知与管理提供数据支持。

基于数据驱动的城市快速路段拥堵状态辨识及诱导对象选择方法

交通诱导实施效果不佳的主要原因之一是具有差异性出行特征的出行者无法接受单一的诱导方案。针对城市快速路高峰时段拥堵问题,研究了考虑车辆出行特征差异的交通诱导对象精准识别方法,以保障诱导方案的实施效果。利用高德路况数据提取拥堵路段,根据拥堵路段与相邻路段交通状态的相关性提出拥堵源路段识别方法;利用车牌识别数据提取使用快速路车辆的出行特征,包括快速路出行强度、地面道路出行强度、快速路出发时刻离散度和快速路路径选择多样性;采用K-means++算法对车辆出行特征进行聚类,识别出显著影响道路交通状态的出行者,并为出行者推荐适合其出行特征的错峰或绕行诱导方案。以苏州快速路为例,研究发现:针对拥堵源路段的交通诱导能有效改善拥堵路段的交通状态;类型3车辆(高频出行且易绕行)占单月工作日早高峰所有使用快速路车辆总数的14%,却占单日早高峰总交通量的51%,是重点诱导对象;通过精准识别,可推荐诱导车辆数占总车辆数的47%。

基于多传感器融合感知的车辆微观轨迹自动采集方法

为提高交通监控设备获取车辆微观轨迹的精度同时节约设备成本,提出了一种基于多传感器融合感知的车辆微观轨迹自动采集方法。首先,采用YOLOv5+DeepSORT车辆检测与跟踪模型获取了视频图像中行驶车辆的像素轨迹。其次,利用棋盘格标定法获取摄像机内参数,得到了像素坐标系与摄像机坐标系的转换关系。然后,通过匹配漫反射标定板在激光雷达和摄像机中的特征点信息来标定摄像机外参数(标定后激光雷达和标定板即可移除),获取了激光雷达坐标系与摄像机坐标系的位姿关系。再者,结合摄像机内外参数,构建了从像素坐标系到激光雷达坐标系的转换公式,实现了从像素轨迹到真实轨迹的转换。最后,利用基于高斯函数的核回归方法进行优化,降低了摄像机抖动和坐标转化等原因带来的误差。为验证提出方法的有效性,选择直行路段、弯道路段及交叉路口3种场景进行试验,并与激光雷达提取的车辆轨迹进行了对比。结果表明:校准后摄像机提取的直行路段轨迹平均绝对误差(MAE)为0.19 m,速度平均绝对误差百分比(MAPE)为3.27%;弯道路段轨迹MAE为0.17 m,速度MAPE为4.38%;交叉路口轨迹MAE为0.16m,速度MAPE为3.38%。从整体看,轨迹误差平均值小于0.2 m,速度误差平均值小于2 km/h。该方法有效提高了通过交通监控视频获取车辆行驶轨迹的精度。