基于人类驾驶员在跟车高风险情景中的经验轨迹数据优化智能网联车辆纵向控制模型参数

智能网联车辆(CAV)具有提高驾驶安全性的巨大潜力,CAV的基本性能评估准则之一是其能否在真实的交通情景中比人类驾驶员更安全地行驶。本研究提出了一种基于人类驾驶员在跟车高风险情景中的经验轨迹数据来优化CAV纵向控制模型参数的方法。首先,从经验轨迹数据中提取初始跟车车组(I-CFP)。然后,基于模型默认参数值,采用自适应巡航控制模型(ACC)和协同自适应巡航控制模型(CACC)进行仿真,生成模拟跟车车组(S-CFP)的原始轨迹。最后,应用遗传算法来优化ACC和CACC模型的控制参数,并生成优化后的跟车车组(O-CFP)轨迹。结果表明,S-CFP的安全性优于I-CFP,而O-CFP具有最佳的安全性能。ACC/CACC模型中的优化参数多样且与默认参数不同,表明最佳模型参数会随跟车情景不同而变化,进而为减少追尾碰撞风险提供了有价值的视角。

基于人工免疫算法的车辆控制模型研究

对于自动驾驶中的车辆跟踪控制,仅依靠传统的控制策略进行速度调节无法达到准确、快速的跟踪效果。将免疫学原理中的人工免疫算法引入到车辆控制中,并建立了车辆横向和纵向的控制模型,以达到改善车辆控制的效果。通过大量仿真实验,验证免疫算法在车辆控制过程中的优劣。仿真结果表明,该控制系统在被控对象参数变化的情况下,仍具有良好的控制性能,具备了很强的自适应性和鲁棒性,能够迅速适应外界变化,具有较大的工程应用价值。

基于驾驶人距离感知不确定性的跟驰行为建模

以纵向控制模型(LCM)为基准跟驰模型,进行基于驾驶人距离感知不确定性的跟驰行为建模。假设在任意时刻驾驶人的感知车间距离误差分别服从均匀分布与截断正态分布,建立概率密度函数的参数(均匀分布的边界值、正态分布的均值与标准差)与实际车间距离、驾驶人激进性特征的函数关系,分别得到基于均匀分布的扩展模型与基于截断正态分布的扩展模型。最后,运用上海市自然驾驶数据对扩展模型进行标定。结果表明:基于均匀分布和截断正态分布的扩展模型的标定误差与验证误差均小于LCM,而且扩展模型的多次模拟仿真误差波动很小,即都可以用来描述驾驶人距离感知的不确定性;基于截断正态分布的扩展模型优于基于均匀分布的扩展模型。