基于自然驾驶数据的中国驾驶人城市快速路跟驰模型标定与验证

为了评估既有跟驰模型在仿真中国驾驶人跟驰行为方面的表现,对5种代表性跟驰模型进行参数标定与效果验证。基于"上海自然驾驶研究项目"采集的60位驾驶人、累计超过16万km的实际驾驶行为数据,根据雷达、车辆总线数据自动提取2 100个城市快速路稳定跟驰行为片段;采取5-折交叉验证法划分标定与验证数据集,即将每位驾驶人的50个跟车片段随机划分成5个不相交的子集(每个子集包含10个跟车片段),其中4个子集作为标定数据集,剩下的1个作为验证数据集,依次轮换标定数据集与验证数据集5次,展开5次模型标定与验证。基于标定数据集,采用遗传算法对Gazis-Herman-Rothery、Gipps、智能驾驶人、全速度差(FVD)以及Wiedemann模型进行参数标定;基于验证数据集,评估5种模型在预测两车间距方面的精度。结果表明:FVD模型在5种模型中表现最佳,具有最小的误差(21%)和误差标准差;相对于微观交通仿真软件VISSIM?中所采用的Wiedeman模型,FVD模型具有精度高、易于标定、对不同驾驶人鲁棒性强3个优势,更加适应于仿真中国驾驶人的跟驰行为。研究结果对于开发适合于中国驾驶人与道路交通环境特征的跟驰模型及微观交通仿真系统具有重要价值。

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。

基于自然驾驶数据的高速公路跟驰模型参数标定

为了研究中国驾驶人在高速公路上的跟驰行为特征,从上海自然驾驶研究试验数据库中提取48位驾驶人在高速公路上的跟驰事件并进行特征分析。利用自动化筛选准则及人工验证方式提取1 548个有效事件,选取后车车速与车头间距为性能指标,其均方根百分比误差之和为目标函数,利用遗传算法对Gazis-Herman-Rothery模型、GIPPS模型、智能驾驶人模型、全速度差模型和Wiedemann模型进行参数标定及效果验证。基于误差、碰撞及后退等异常情况出现次数等比较其表现性。研究结果表明:不同模型对中国驾驶人的适应性不同,智能驾驶人模型具有最小的误差和误差标准差,更加适合仿真中国驾驶人在高速公路上的跟驰行为。研究结果对于开发适合于中国驾驶人与道路环境特征的跟驰模型具有重要价值。