自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆(automated vehicle,AV)与人工驾驶车辆(manual vehicle,MV)组成的混行跟驰环境,基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先,探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化,研究表明,混行环境中MV跟驰行为的机制没有发生变化,但是MV驾驶人的减速敏感程度更低。其次,从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到,混行环境中的MV跟驰行为的稳定性和环境效应得到了改善,但是安全性并没有发生变化。最后,通过对前车速度波动性进行讨论发现,AV前车主要是通过降低自身速度波动性,从而抑制MV后车的速度波动性,改善MV后车在稳定性及环境效应方面的表现。

混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测,本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先,通过特征筛选和历史轨迹序列标注建立轨迹预测数据集;其次,构建长短时记忆网络的编码器-解码器模型,编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量,解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹;最后,采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明:本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性,5 s的终点位移误差在2.7 m以内;并且模型在稀疏采样后的数据集上达到更高的预测准确率,5 s的位移误差在1.3 m以内。

高速公路雾天人工和智能网联车混行交通流仿真

为提高雾天行车安全性,以智慧高速主线为研究对象,分析混行下能见度降低造成安全速度下降、智能网联车(CAVs)驾驶模式降级和换道动机趋于保守的驾驶行为变化情况,建立含纵向跟驰和横向换道规则雾天单向高速公路元胞自动机模型(CAM),通过仿真对模型予以校验,并分析交通流特性和事故概率。结果表明:轻雾、中雾、重雾和浓雾时,车辆降级占比为52.3%、60%、63%和67.3%,2 h换道次数为161、131、104.3和69(×10^(2) veh),自由流最大速度为90、76.8、62.6、46.8 km/h,临界密度为42、40、38、36 veh/km,且随渗透率变小愈加明显;事故概率随渗透率变大而大幅减少,渗透率达到50%以上时,事故概率较人工车辆(HVs)下降不低于52.9%。

复杂交通流对混合交通的影响研究

随着AI (人工智能)的兴起,许多行业变得与人工智能息息相关,同时使得自动驾驶逐步变成现实。人工驾驶车辆跟自动驾驶车辆共存是实现完全自动驾驶的必经阶段。本文研究智能驾驶车辆的不同特征跟不同渗透率的实施,预计对城市道路交通流产生的影响。本文建立了使用描述智能驾驶车辆跟人工驾驶车辆的模型,运用自适应优先算法探究人机驾驶混合交通流不同的状态演变过程,为混合交通流的理论跟方法的研究奠定基础。研究发现:在不同天气条件下,随着自动驾驶车辆的渗透率分布不同,在一定程度上对混合交通流的交通和环境有着积极的影响,并且随着智能驾驶车辆渗透率提升到50%左右时,整体的运行时间优化了7.68%左右,在冰雪条件下,智能驾驶车辆渗透率在提升到30%时,运行时间的环比优化率达到了最高值为5.01%。这都表明随着智能驾驶车辆不断地增加有利于减轻交通拥堵。

高速公路混合车流对交通的影响因素分析

目前我国交通道路场景复杂,无法直接实时实地测试车流量的通行情况,完全的协作式自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆的交通流也还未普及。因此,对人工车辆和CACC车辆混合车流量的研究显得尤为重要。鉴于此,借助VISSIM交通仿真软件实现对高速公路混合交通流的相关研究。实验旨在针对国内外很少研究的人工车辆和CACC车辆的混合交通流,建立高速公路路网,在多个位置采集数据点,根据采集到的数据研究分析不同车道数、不同CACC车辆比例对交通通行能力的影响。研究结果表明:在道路通行中,道路的通行能力随着CACC车辆的比例增加逐步增强;在道路上CACC车辆比例一定时,车道数量增加可以有效地增强道路的通行能力。