智能汽车驾驶员模型的预瞄时间自适应分析

为了更好地模拟真实驾驶员在人车路闭环系统下的操纵行为,提出了一种针对智能汽车驾驶员模型的预瞄时间自适应模型.运用预瞄跟随理论与预瞄优化驾驶员模型构建智能汽车驾驶员模型,进而分析道路环境与汽车行驶状态等因素对智能汽车驾驶员模型中预瞄时间的影响,分别采用基本预瞄时间和补偿预瞄时间表征不同因素对驾驶员前视行为的影响,并将基本预瞄时间和补偿预瞄时间相结合,建立了基于BP神经网络的预瞄时间自适应模型.在Carsim/Simulink联合仿真平台上搭建了预瞄时间自适应的智能汽车驾驶员模型,针对正常驾驶和激进驾驶2种模式进行了仿真分析.结果表明所建立的预瞄时间自适应模型可有效改善智能汽车驾驶员模型的路径跟踪效果.

基于BP神经网络的高速公路入口合流区域换道行为研究

为了应对高速公路入口合流区域并线事故频繁发生,在分析车辆并线行为影响因素的基础上,利用BP神经网络方法建立了车辆在该区域的决策模型,用来预测驾驶人的并线行为决策,保障车辆和驾驶人的安全。借助详细的车辆轨迹数据对模型进行了学习与测试,模型的测试结果表明:建立的BP神经网络模型用于预测驾驶人并线行为具有较高的准确度,并线车辆相对于目标车道前方车辆的相对速度是驾驶人并线时需要考虑的最重要因素。同时模型还可以进一步应用于交通仿真的研究以及驾驶人辅助系统的开发。