考虑车辆历史状态数据的加速车道汇入策略研究

为研究汇入场景中车辆历史状态数据对高速公路加速车道汇入车辆汇入决策行为的影响,本文结合GentleBoost(Gentle adaptive Boosting)集成学习算法框架,提出考虑历史时间窗口的加速车道汇入决策模型。首先,使用高精度摄像头和毫米波雷达组成路侧数据采集平台,采集国内典型高速公路加速车道车辆汇入行为数据。其次,搭建汇入决策模型,基于汇入场景车辆当前时刻状态信息和历史状态信息,考虑剩余加速车道长度的影响,建立GentleBoost汇入决策模型。最后,通过SUMO(Simulation of Urban Mobility)仿真平台和MATLAB算法控制平台搭建智能网联高速公路加速车道汇入仿真测试环境,测试不同主线交通流密度下的汇入决策效果。研究结果表明,随着车辆历史状态数据时间窗口的增大,汇入决策模型的准确率先增大后趋于稳定。在考虑汇入场景车辆历史状态信息的时间窗口为1.7 s时,GentleBoost模型得到了最大的汇入决策识别准确率,其中识别“汇入”事件的准确率为98.9%,识别“不汇入”事件的准确率为97.4%。微观仿真结果表明,相比SUMO中的LC2013换道模型,考虑车辆历史状态信息的GentleBoost汇入决策模型获得了更高的汇入成功率和更大的通过平均速度。

认知分心下车辆运行参数时域和频域特性分析

为了分析驾驶人认知分心状态下车辆运行参数的时域和频域特征,设计了认知分心驾驶次任务,进行了实车实验,在驾驶人进行驾驶主任务的同时为驾驶人施加驾驶次任务,采集正常驾驶状态和认知分心驾驶状态下驾驶人的操作参数和车辆运行参数,对正常驾驶状态和认知分心驾驶状态下驾驶人操作参数、车辆运行参数的时域和频域特性进行了研究。结果表明,认知分心驾驶状态下驾驶人操作参数和车辆运行参数的变化稳定性降低,突变情况增多,参数的高频成分增加,且分心程度较深时突变更加严重。该研究对认知分心驾驶状态的监测和预警、提高人机共驾模式下车辆的操控权重具有重要意义。

基于实车道路试验的认知分心检测研究

为了对认知分心进行检测,设计认知分心次任务并搭建试验平台,选取试验路线、招募被试驾驶人开展实车道路驾驶试验。采用小波包分析法提取认知分心时的特征参数,然后利用主成分分析对得到的参数进行降维获得综合指标,构建支持向量机模型,利用网格寻优与交叉验证法确定最佳参数,将综合指标代入模型进行训练、测试以对驾驶分心进行检测。结果表明,所建模型对认知分心的综合识别率为84.97%。

智能网联车辆加速车道类人化汇入控制研究

为研究智能网联车辆(Intelligent Connected Vehicle, ICV)与高速公路主线传统人工驾驶车辆(Human-driven Vehicle, HDV)交互时通过高速公路加速车道的汇入控制算法,提出了一种融合随机森林(Random Forest, RF)算法和深度Q网络(Deep Q-network, DQN)算法的ICV汇入控制模型(DQN-RF)。首先,建立路侧数据采集平台,采集了中国G70高速公路加速车道汇入区域HDV的真实汇入过程数据。其次,考虑汇入环境车辆历史数据流和汇入车在加速车道的汇入紧迫度,建立了基于RF算法的类人化汇入决策模型。采用城市交通仿真(Simulation of Urban Mobility, SUMO)平台搭建了高速公路加速车道ICV汇入场景,并基于Python语言建立了ICV汇入控制深度强化学习测试脚本环境,建立了基于DQN的纵向加速度控制算法。最后,将RF汇入决策模型嵌入DQN纵向加速度控制算法中,实现了ICV汇入决策和纵向加速度控制的融合。将SUMO内置的LC2013换道模型与DQN模型融合为DQN-LC2013模型,作为基线模型与DQN-RF模型进行对比。研究结果表明:相较于未考虑类人化汇入决策的DQN-LC2013模型,考虑类人化汇入决策的DQN-RF模型获得了更高的奖励值;当加速度动作取值空间为[-1,2] m·s^(-2)时,DQN-RF和DQN-L2013控制下的ICV通过汇入控制区域的平均加速度分别为0.55、0.09 m·s^(-2),通过汇入控制区域的速度分别为21.4、19.7 m·s^(-1);DQN-RF模型控制下ICV无停车等待现象,DQN-LC2013控制下ICV在100次汇入过程中出现了7次停车等待。提出的DQN-RF汇入控制模型可以实现类人化的驾驶决策,提高ICV通过汇入控制区域的效率和汇入成功率,可用于ICV通过高速公路加速车道汇入区域的汇入决策和纵向加速度控制。