对智能驾驶员模型的改进及其应用

传统的跟驰模型在自由流附近不能得到车辆以自由流速度行驶的结论,分段描述的模型解决了这个问题,却破坏了模型的统一性和简单性。智能驾驶员模型(IDM)能够以较少的参数和统一的形式描述从自由流到拥堵流的车辆行为。然而IDM模型在期望距离非负和反应时间问题上存在缺陷,改进了这2点不足。并在分析模型特性的基础上采用北京实测数据,标定了该模型,并应用这个模型研究了快速路出口车队遇到下游信号灯路口后排队和拥堵的产生机制。

智能驾驶员信息加工的优化Mask分析方法

使用优化Mask分析的方法来模拟驾驶员根据道路情况预测驾车速度的驾驶行为。

基于改进智能驾驶员模型的车队纵横向协同控制

为了研究弯道、超高及坡度等道路几何设计参数对智能网联车队纵横向协同控制的影响,设计了一种以车辆纵向速度作为纵横向运动耦合变量的协同控制系统,其中纵向跟驰控制的上层加速度模型采用改进智能驾驶员模型反映道路几何设计参数对车辆跟驰行为的影响,结合下层逆纵向动力学模型实现对引导车辆的速度跟随;横向轨迹控制采用预瞄距离基于耦合速度变化的单点预瞄模型实现对引导车辆的轨迹跟踪,并设计滑膜控制器提高轨迹跟踪精度。搭建了Carsim/Simulink联合仿真平台,采用加减速、双移线和匝道工况验证了该协同控制系统纵横向及其协同控制性能。结果表明:该纵横向协同控制系统具有良好的纵向跟驰性能和较高的横向轨迹跟踪精度,对引导车辆速度和加速度皆保持较高的跟随精度,行车间距与速度变化呈正相关,且速度稳定时行车间距趋于稳定,同时该控制系统的转向角与Carsim内置转向模型一致性较高且转向平滑,侧向偏移量均小于0.2 m,且采用滑膜控制的轨迹跟踪精度更高;采用IIDM的协同控制系统组成的智能网联车队对道路几何设计参数的纵横向响应比采用IDM的车队更为显著,具体表现为减速行为更明显,行车间距增加0.55 m,且转向角减小,平均侧向偏移减少2.51×10m,更有利于车队整体安全性。

基于智能驾驶员模型算法的长期跟车车速预测研究

针对新能源汽车能量管理中难以长期、精准地预测车速的问题,提出了一种基于模型的参数化车速预测方法,利用传感器和GPS提供的前瞻数据预测车辆的速度轨迹。首先根据整车动力学和车辆停车转弯趋势建立基于智能驾驶员模型(IDM)的车速预测算法;然后,从NGSIM公开数据集中筛选数据用于参数标定及仿真;最后,利用遗传算法(GA)对算法参数进行标定。仿真验证结果表明,优化后的车速预测算法在通畅或拥堵的交通环境中,对于长期车速预测均有较高的精度,误差可控制在8%~13%范围内。

基于Agent的驾驶员-车辆建模研究与实现

微观交通仿真技术是解决城市交通网络拥塞问题的有效工具。在各种交通元素中,驾驶员-车辆单元是交通流的主体。该文通过对交通流中驾驶员、车辆特性的分析,将驾驶员和车辆视为一个整体,并基于Agent理论对之进行建模。文中详细分析了Agent的生成和路径搜索及选择算法,研究了Agent的跟驰、换道和挤占道等行为。该文最后介绍了基于Agent模型建立的一种微观交通仿真器,并在该仿真器上进行仿真实验。结果表明该系统能够较好的仿真实际交通流状况。

考虑道路几何设计的智能网联车队横纵向协同控制

针对智能网联车队行驶过程中车辆跟驰和路径跟踪的横纵向协同控制,建立三自由度车辆动力学模型并将其作为控制系统,基于改进的智能驾驶员模型模型设计分层式纵向控制器;基于预瞄-跟随理论设计横向控制器。考虑车辆纵向、横向运动的耦合特性,以纵向速度作为横向控制器的状态变量设计横纵向协同控制策略,在CarSim/Simulink仿真平台搭建车队横纵向协同控制器。采用单移线、隧道工况验证控制器的横向、纵向控制性能;考虑道路弯道、坡度和超高等道路几何设计,设置匝道工况验证控制器横纵向协同控制性能并分析道路超高对车辆跟驰和路径跟踪精度及稳定性的影响。结果表明:控制器能实现给定工况下车辆速度与转向的跟踪控制,且具有较高的跟踪精度,良好的跟驰效果和行驶稳定性;对于弯道行驶,设置道路超高能使车辆转向平稳,速度跟随精度高且行车间距增加,有利于提高车队行驶安全性。

智能网联车环境下考虑反应时间影响的基本图模型

未来年由一定比例的智能网联车与人工驾驶车辆组成的异质交通流是当前交通流领域研究的前沿和热点。为研究智能网联车与人工驾驶车辆反应时间的差异对异质交通流宏观特性的影响,基于智能驾驶员模型推导出了包含反应时间与智能网联车比例的异质交通流基本图模型。首先,考虑反应时间对驾驶行为的影响,对传统IDM进行了改进;其次,基于改进后的IDM推导出了异质交通流宏观基本图模型,并分析了反应时间与智能网联车比例对异质交通流通行能力的影响。同时,对模型中通行能力的影响因素进行了敏感性分析;最后,借助MATLAB与VISSIM搭建了智能网联环境仿真平台,对本研究提出的模型进行了验证。结果表明:(1)智能网联车比例的增大能提高异质交通流的通行能力,但反应时间对通行能力具有消极影响作用;(2)自由流速度越大,异质交通流的通行能力越大;(3)最小车头间距越大,异质交通流的通行能力越小,且最小车头间距每增加0.2 m,异质交通流的最佳密度减小约0.15 veh/km,对应的最大流量减小约10 veh/h。仿真试验显示不同智能网联车比例下的仿真数据与理论曲线有较高的一致性,从而表明理论模型是正确和有效的。

面向网联自动驾驶队列的信息安全控制

针对智能网联汽车在开放通信环境下易受网络攻击的问题,提出了在网络攻击环境下保障车辆安全驾驶行为的控制方法.首先建立了一套集检测与修复机制于一体的模型架构,并以网联自动驾驶队列为研究对象,进而提出了基于车辆动力学参数阈值的异常信息检测方法和基于DNA双螺旋结构的双链修复方法.通过异常信息检测机制,实现针对车辆动力学参数如加速度、速度和位移进行合理性判断.若数据异常,则采用修复机制进行异常修复,实现车辆驾驶行为的稳定.在仿真实验部分,分别设计了无检测机制、有检测机制、检测机制失效3种场景进行验证.结果表明:网络攻击会对车队的安全运行产生不同程度干扰,同时也表明所提出的安全控制方法能够缓解或抑制威胁攻击对车辆行为的影响.该成果能够为网联自动驾驶车辆安全机制设计、保障车辆安全稳定运行提供理论依据.

考虑加减速行为不对称的终端区空中交通流跟驰模型

为精细化描述空中交通流跟驰行为,考虑空中交通加减速跟驰行为的不对称性,本文提出一种基于改进智能驾驶员模型(Intelligent Driver Model,IDM)的空中交通流跟驰模型。采用成都终端区实际航迹数据,筛选出跟驰航迹数据;在此基础上,应用遗传算法对经典跟驰模型进行参数标定,选取出IDM模型的拟合精度最好;进而,考虑加速度、前后机间隔、平均速度差和机型等因素,分别构建加速和减速场景下的改进IDM跟驰模型;最后,采用奈奎斯特图分析改进模型的局部稳定性和渐近稳定性,并对加减速场景下的改进跟驰模型进行仿真实验。结果表明,改进IDM模型的稳定范围增大,且在加速和减速场景下,改进IDM模型所需稳定时间分别仅为原始IDM模型的13.9%和22.2%,头机为不同机型时,模型均表现较强稳定性,且头机为重型机时,所需稳定时间最长,这与实际运行中重型机产生的尾流对后机影响最为严重相一致。

道路几何设计对IDM模型跟驰行为的影响

考虑道路几何设计参数转弯半径、超高、坡度对车辆跟驰行为的影响,对车辆跟驰智能驾驶员模型(IDM)进行了改进.结合二自由度车辆动力学模型,利用Matlab/Simulink建立改进后的跟驰模型并进行仿真.仿真分析发现:在具有转弯、超高和坡度的道路上,改进后的模型,其跟驰车辆车头时距增大,行驶速度减小,保证了车辆行驶的安全性;车辆横摆角速度和侧向速度随半径和超高的增加而减小,保证了汽车操纵稳定性.结果表明,改进后的模型能够更准确地描述道路几何设计对车辆跟驰行为的影响.

基于城市主干路交通流数据的跟驰模型标定

根据某种机理建立的交通流模型需要通过模型标定和验证后才能具体应用到实际中。通过采用视频处理技术,对陕西省西安市二环主干路和浙江省舟山市昌洲大道上上下高峰时期内的车辆微观运动录像进行技术处理,提取得到了包括位移、速度和加速度的车辆微观运动轨迹数据。根据这些交通流数据,采用Levnberg-Marquardt算法,分别对跟驰理论中2个典型的跟驰模型,即惯性模型中的敏感系数、安全时间间隔、最小安全车间距、允许速度和智能驾驶人模型中的理想速度、安全时间间隔、静止安全距离、启步加速度和舒适加速度进行了标定和验证。针对惯性模型,当允许速度大于实际速度时,位移均方差和速度均方差的平均值分别为2.8m和0.58m/s,当允许速度小于实际速度时,位移均方差和速度均方差的平均值分别为2.22m和0.49m/s;针对智能驾驶人模型,利用早、中、晚3组数据进行标定,得到的位移均方差和速度均方差的平均值分别为0.12m和0.10m/s,0.07m和0.10m/s,0.75m和0.27m/s。因此,惯性模型与智能驾驶人模型都可用于描述城市主干路近饱和状态(即跟随车辆的最大速度远小于允许速度的行驶状态)下的车辆跟驰行为,而且当智能驾驶人模型中的加速度指数取较大的值时,它较前者更为适合。

基于Stackelberg博弈理论的自主性车道变换模型

本文提出了一种基于Stackelberg策略的自主式车道变换模型.车道变换是一种非常复杂的决策过程,很多因素会影响驾驶员做出变换车道的决策.本文关注自主式车道变换情况,在自主式车道变换中驾驶员希望通过车道变换来得到更好的驾驶环境,例如更高的速度或者更大的车头时距等.车道变换是一个决策的过程,在这个过程中驾驶员会权衡诸多的因素并做出决策.在车道变换过程中目标车辆和在目标车道上的后随车辆会相互产生影响.另外不同的驾驶员有不同的特点,即便在相同的交通环境下也会做出不同的决策.我们利用Stackelberg策略理论对驾驶员的车道变换决策行为进行建模,并利用仿真对所提出的模型进行验证.

协同自适应巡航控制车队仿真

如何评估道路环境等外部条件变化对协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车队行驶安全性的影响,对于保障道路交通安全尤为重要。为此,结合Matlab/Simulink和CarSim搭建车辆-环境仿真平台研究道路环境对车队行驶安全性的影响。利用美国NGSIM车辆轨迹数据对平台采用的校正的预瞄驾驶员模型、加速度控制模型、节气门控制模型和制动器控制模型的控制器进行验证;利用平台开展红灯状态、隧道行驶和匝道行驶三种道路环境对车队行驶状态影响的仿真实验。仿真结果表明:车队可以顺利通过路口红绿灯;在安全车速范围内车队进出隧道口时方向控制良好;匝道坡度主要影响车辆加速度和车间距,坡度分别为3%和5%时,车队均保持稳定车间距安全行驶。

考虑道路几何条件的ACC系统上层速度控制模型

针对ACC系统上层速度控制IDM模型不能对汽车转弯行驶进行横向控制的不足,通过改进IDM模型并运用Simulink仿真试验研究转弯、超高和坡度等道路几何条件变化对特定工况下的汽车纵向和横向行驶的影响。采用车头时距和行驶速度作为指标评价汽车纵向行驶安全性;采用横摆角速度和侧向速度作为指标评价汽车操纵稳定性。仿真发现:在一定超高和坡度的道路上汽车转弯行驶时,纵向方向上改进后模型的车辆车头时距增大,行驶速度减小,保证了行驶安全;横向方向上改进后模型的横摆角速度和侧向速度随转弯半径和超高的增加而减小,保证了良好的操纵稳定性。结果表明,针对道路几何条件的变化,改进的IDM模型可以初步实现ACC系统特定工况下车辆纵向与横向的控制。

针对变道行为的自适应巡航控制系统上层速度控制模型仿真

通过汽车制动性能测试仿真试验验证了自适应巡航控制(adaptive cruise control,ACC)系统上层速度控制模型——智能驾驶员模型(intelligent driver model,IDM)的不足,对比分析了改进智能驾驶员模型(improved intelligent driver model,IIDM)的优点。针对变道插入行为引起后车不必要的紧急刹车行为,基于恒加速度(constant-acceleration heuristic,CAH)模型的假设,建立结合IIDM模型和CAH模型的ACC系统上层速度控制模型并进行特定工况下的仿真试验。仿真结果表明:建立的ACC系统上层速度控制模型不仅保留了IIDM和CAH模型的优点,还具有自身的特点。当不切实际的制动减速行为发生时,ACC系统IIDM模型和CAH模型的制动减速度应在CAH模型的车辆加速度与舒适制动减速度的差值和CAH模型的车辆加速度之间;对于较小车间距离,制动减速度会适当增大,可以避免危险发生。

基于NGSIM数据的车辆换道前跟驰模型研究

为研究车辆在换道前与车辆在正常行驶时跟驰行为的差异性,从NGSIM数据库中提取了快速路上的543个换道行为和870个非换道行为的跟驰事件并进行特征分析。使用曼-惠特尼U检验(Mann-Whitney U test)验证了换道前车辆的跟驰行为与正常行驶的跟驰行为存在显著差异。选取跟驰车辆的车速和车头间距作为性能指标,其均方根百分比误差之和为目标函数,并将目标车道的前车速度纳入到智能驾驶员模型(IDM)中,构建换道准备智能驾驶员跟驰模型(BLC-IDM),利用遗传算法对BLC-IDM进行参数标定和效果验证。研究结果表明,传统的IDM不适用于换道前车辆的跟驰行为,改进后的BLC-IDM拟合精度提高了20%。BLC-IDM可以更加精准地描述车辆换道前的特殊跟驰行为。

车辆IDM跟驰模型研究综述

系统回顾了近20多年来关于智能驾驶员模型(IDM)的研究,智能驾驶员跟驰模型(IDM)从起初的提出,经过国内外学者广泛的研究,到最后形成了较为完善理论模型。根据改进方式将其分为基于传统驾驶特性的角度和自动驾驶技术角度两类,综述了各种改进后的智能驾驶员跟驰模型(IDM)和当前的研究热点:在传统驾驶特性角度的改进综合考虑驾驶人的人类因素、前车加速度、车间距、道路状况等因素是当前研究热点;当前在自动驾驶技术角度的改进的研究热点主要是基于自适应巡航控制(ACC)和自动驾驶汽车协调自适应巡航控制(CACC)车辆进行改进,对智能驾驶员模型(IDM)发展现状进行了评述,指出了智能驾驶员模型(IDM)的改进面临对各种人类因素的影响参数量化、参数标定不一致等问题,并总结了未来智能驾驶员模型(IDM)的改进方向:在多种学科交叉融合、有选择的考虑驾驶人的因素、与车联网等因素结合、建立统一的参数标定与评价标准方向进行改进。

一种网络攻击下网联自动车的改进换道模型

网联自动车被认为可以提升交通效率、保证行车安全并节约能源,但是由于无线通信系统的开放性,网联自动车很容易受到网络攻击的威胁。现有的研究主要集中于网络攻击的种类及过程,并评估该攻击对车辆纵向行为的影响。本文旨在研究网络攻击对车辆横向行为的影响,即对网络攻击下的换道行为进行研究。通过对经典的跟驰模型智能驾驶员模型(Intelligent Driver Model,IDM)和经典的换道模型最小化换道总制动模型(Minimizing Overall Braking Induced by Lane changes,MOBIL)进行改进,提出了一种扩展换道模型(Extended Lane-Changing model,ELC),来对网络攻击影响下的车辆换道行为进行建模分析。最后通过仿真实验,说明了不同的恶意网络攻击对车辆换道行为的影响。结果表明,网络攻击会显著影响车辆的换道决策,并导致异常驾驶行为。

基于修正IDM模型的交叉口跟驰模型仿真研究

为了更精确地描述拥堵条件下的信号交叉口消散交通流行为,进而应用到智能交通并缓解城市交通拥堵,基于多个交叉口的高峰拥堵时段实测交通流数据,采用灰色关联分析法分析绿灯启亮时影响头车加速度的因素。在智能驾驶员模型(IDM)的基础上,构建一种适合交通拥堵时绿灯放行状态的基于改进头车启动模型的跟驰模型,该模型考虑了前方道路剩余长度对头车加速度的影响。利用遗传算法标定改进模型参数,对其进行效果验证,并与IDM模型进行仿真对比分析。仿真结果表明,该模型能很好地反映拥堵条件下绿灯启亮后的交叉口交通流行为,且明显优于重新标定的IDM模型,对解决智能交通基础问题和缓解城市交通拥堵具有一定的应用价值。

车载网中platoon的动态稳定性

车载网中platoon的稳定性直接决定了道路的安全性.对于platoon编组而言,"稳定"意味着在受到干扰时platoon的结构能保持相对稳定,并且干扰不会被放大.对此,研究platoon在受到干扰时的内部动态特性.通过分析可知,内部间距的变化符合阻尼运动,并采用SUMO(simulation of urban mobility)仿真软件做了大量实验以证实分析结论.此外,还讨论了不同加速度对欠阻尼的影响,总结出加速度与稳定性之间的关系.