基于自然驾驶数据的高密度立交出入口车辆轨迹特征研究

互通式立体交叉是道路交通网络重要的节点,而随着相邻立交之间的间距不断缩小,逐渐形成了高密度立交群,容易造成交通拥堵,加大驾驶负荷和事故风险。为明确在高密度立交群出入口区段的运行风险和安全隐患,在重庆内环路选取了1簇高密度立交群作为研究对象,开展了实车驾驶实验。使用车载仪器采集自然驾驶状态下车辆轨迹数据,包含速度、实时行驶位置以及车辆中心与两侧车道线之间的横向距离;基于对实测数据的深度分析,明确立交出入口的车辆轨迹形态以及车道选择行为特征和驾驶人性别对轨迹形态的影响关系,挖掘车辆驶离(汇入)主线过程中的换道行为特征和驾驶风险影响因素。结果表明:(1)出入口类型对车道选择和轨迹形态有明显影响,相比于平行式出口,直接式出口的轨迹更顺畅,换道次数更少;(2)驾驶人在净距较近的2座立交驶入驶出时,进入主线路段更倾向选择辅助车道或者最外侧车道行驶,以减少换道次数;(3)出入口附近的主线车道数变化会影响驾驶人的车道选择行为;(4)驶离主线时,平行式出口的换道持续时间要高于直接式出口,而入口类型对于换道时间没有显著影响,78%驾驶人的换道时间为5~10 s;(5)出口区段的运行风险高于入口区段,可在出口区段最右车道左侧设置白色实线禁止跨越同向车道线,长度范围以渐变段起点向前50 m一直覆盖至分流点处。

基于自然驾驶数据的分心状态特征分析与跟驰行为建模

基于行为特征对分心跟驰行为进行分类和建模,根据模型标定的方法探究不同状态下跟驰模型的适应性。首先从持续开展3年有余的上海自然驾驶数据中提取了大量分心跟驰样本,基于驾驶行为刺激反应框架对分心状态特征进行了初步分类,得到了5类分心跟驰行为;其次分析了现有4类经典跟驰模型(GHR、GIPPS、IDM和Wiedemann)对分心跟驰行为的适应性,同时根据五折交叉验证适应性结果对分心跟驰行为分类进一步优化,最终得到3类分心跟驰行为(麻木反应、过激反应和延迟反应);最后探讨了分心状态下的2种跟驰行为建模策略(AIDM和TDIDM)。结果表明,对IDM模型进行合理标定即可较准确地描述不同类型的分心跟驰行为。

基于自然驾驶数据的全速自适应巡航系统综合评价方法研究

针对全速自适应巡航系统(FSRA)开发过程中传统测试评价方法不能够多维度评价功能系统的问题,因此提出一种基于自然驾驶数据的自适应巡航系统综合评价方法,旨在完善FSRA系统功能开发与测试评价体系,加速智能驾驶辅助系统的应用与推广。首先是自然驾驶数据的采集、预处理、截取出自适应巡航系统工作中出现问题点的数据流。其次对问题点数据进行解析,分析问题点的客观特征指标。最后从安全性、舒适性、适应性、稳定性、准确性、跟随性六个维度构建FSRA系统评价模型并运用层次分析法与模糊综合评价法相结合的方法对FSRA系统进行综合评价。

基于自然驾驶数据的驾驶员紧急制动行为特征

基于中国自然驾驶数据,建立了紧急工况下制动避撞的驾驶员模型,分析了驾驶员的紧急制动反应时间和紧急制动输入特性的规律特征.结果表明:驾驶员的紧急制动反应时间与驾驶工况的紧急程度相关,以碰撞时刻倒数的临界值0.2s^(-1)作为危险触发阈值,驾驶员的紧急制动反应时间分布为均值0.5s的正态分布;最大制动减速度随驾驶工况紧急程度变化不明显,最大制动减速度梯度随驾驶工况紧急程度的增加而增加.

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。

基于自然驾驶数据的城市交叉口纵向驾驶特征分析

为满足驾驶辅助系统在城市交叉口对类人驾驶能力的更高需求,本文中研究了实际交通中的驾驶人在该区域的纵向驾驶行为特征。从自然驾驶数据中提取了778条驾驶人接近城市交叉口的样本数据,应用YOLOv4识别了交通场景中的各类道路使用者,采用方差分析研究了反应特性在不同运动类型和交通密度中的差异,建立分层回归模型分析了制动特性与运动状态、运动类型和道路使用者的关系。结果表明:高密度交通显著降低接近速度;与右转驾驶人相比,停车驾驶人的反应距离更长;当接近速度较高或反应距离较短时,会在更短的时间内以更高的减速度和制动强度接近交叉口,且提前4.46 s开始制动;不同道路使用者对制动特性产生了不同影响,停车驾驶人主要关注同向行驶的他车,右转驾驶人主要关注行人和骑车人。

基于自然驾驶数据的匝道行驶典型场景聚类分析

匝道行驶由于存在潜在的车辆间交通冲突,对自动驾驶汽车来说是一项挑战,因此,有必要对匝道的典型场景开展研究,以便应用于自动驾驶汽车的开发和测试。基于自然驾驶数据(naturalistic drivingdata,NDD)研究了匝道行驶典型场景。首先,通过对车辆在匝道上交互时的3个主要元素进行定义,包括初始状态(initial state,S)、驾驶动作(driving action,A)和交互性能(interaction performance,P),并以此来描述车辆的交互行为;然后,选取用于表征A和P的变量作为聚类特征,通过基于Calinski⁃Harabasz(CH)指数的K⁃means聚类方法获得8种聚类结果,根据聚类结果对各变量进行分析,得到4种典型的交互方式;再后,通过分析表征初始状态的变量,运用置信椭圆提取典型的逻辑场景;最后,基于逻辑场景随机选择两个具体场景对自动驾驶系统(autonomous drivingsystem,ADS)进行测试和评估。结果表明,运用研究获得的匝道行驶典型场景进行测试,可揭示自动驾驶汽车与其他交互车辆间的交互能力,说明基于NDD并运用聚类分析方法生成的匝道行驶典型场景是有效的。

基于高速自然驾驶数据的驾驶员跟车特性

为研究驾驶员在高速行车时的跟车特性,基于实车试验采集驾驶员高速公路上的自然驾驶跟车数据,通过Matlab/Simulink联合CANape软件对数据进行跟车判定与筛选,并对驾驶员在加减速以及稳速跟车阶段的跟车特性进行分析。研究结果表明:驾驶员在高速公路跟车过程中跟车间距随车速升高而增加;在稳速及加减速跟车时,跟车间距呈现螺旋状变化;自车加速度与跟车时距存在一定关联,而与自车车速、跟车间距没有明显相关性。研究结果可为自适应巡航系统及驾驶员跟车仿真研究提供参考依据。

基于中国自然驾驶数据的变道场景分析评价

文章以大量的自然驾驶采集数据为研究对象,基于改进的熵值法建立变道驾驶行为特征指标体系,有效串联车辆驾驶数据、车辆驾驶行为和车辆驾驶安全三者的关系,研究了人类自然驾驶场景中事故率较高的变道场景,进一步深化自动驾驶场景评价的体系理论。

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价,由于自动驾驶系统复杂程度的增加及设计运行区域的扩大,面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此,建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法,可解决现有方法在逻辑场景层面安全性评价的缺陷。首先,建立基于自然驾驶数据的逻辑场景构建流程,分析场景描述参数,搭建自然驾驶数据采集平台采集相关自然驾驶数据,采用高斯分布模型描述参数概率分布;进而,离散逻辑场景参数空间获取具体测试用例,并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试,通过高斯模型将测试结果中的危险场景参数聚类,获取被测算法在逻辑场景中的危险区域;最后,综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域,提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数,并以前车制动和前车切入场景为例,给出某黑盒算法的具体评价示例。研究结果表明:被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^(-5),在前车制动场景中具有较大的安全风险,与仿真测试的直观结果相符;通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。

基于自然驾驶数据的分心驾驶行为识别方法

大量证据表明,驾驶人分心是导致交通事故的主要原因之一。当前基于侵入式(如脑电波等)或半侵入式(如视频等)检测驾驶人分心的方法,不仅对驾驶任务造成一定干扰,且受多种环境因素的制约,误报率较高。基于此,只考虑非侵入式车辆运动特征,提出一种基于深度学习的驾驶人分心状态识别方法:首先,从自然驾驶数据集中获得大量的跟驰片段,采用态势感知方法,提取典型的分心驾驶片段,并建立仅包含车辆运动学特征的分心判别指标集;其次,利用梯度提升决策树-递归特征消除算法(GBDT-RFE)和随机森林-递归特征消除算法(RF-RFE)对特征进行重要度排序,得到重要度较高的分心监测指标;最后,采用长短时记忆神经网络(LSTM-NN)实现分心驾驶的分类识别,并与支持向量机和AdaBoost的模型结果进行对比。研究结果表明:LSTM-NN在判别分心或正常状态时F1分别为89%、91%,高于SVM和AdaBoost对应二分类结果;进行多分类任务时,判别分心情景的平均F1较SVM和AdaBoost分别提升了12%和7%,不同类别分心识别的误报率在15%以下,说明LSTM-NN能够有效学习分心序列的前后信息,有利于准确估计驾驶人的状态。研究结果可为车辆分心预警系统和驾驶风险倾向性评估提供方法基础。

基于自然驾驶数据挖掘的二阶车辆与行人交互测试场景

针对当前网联车车辆与行人交互(以下简称人车交互)测试场景复杂性低、无法充分涵盖真实道路情况下的人车交互场景测试需求问题,提出了一种基于自然驾驶数据的人车交互测试场景构建方法。该方法首次提出了二阶人车交互测试场景的概念,在传统人车交互场景基础上组合前序车辆运动场景,实现交互场景时间域扩充,并通过挖掘自然驾驶数据中人车交互场景及其前序场景的关联性与特征参数,构建更加符合真实情况的复杂人车交互测试场景。首先,在795776条人车交互数据基础上筛选出135起有效人车交互事件及其前序事件,通过统计分析得到典型前序事件——跟车事件。其次,对跟车事件与人车交互事件进行特征挖掘聚类,得到3类跟车场景与4类一阶人车交互场景;将一阶人车交互场景与跟车场景进行拼接组合,通过联合频数统计,从场景拼接组合中提取出6类典型二阶人车交互场景。最后,基于IDM(Intelligence Driving Model)跟车模型与典型AEB(Autonomous Emergency Braking)控制算法,建立了二阶场景下单车环境与网联车环境数值仿真模型,对6类典型二阶人车交互场景生成的测试用例进行评估。结果表明:对于6类二阶场景,网联车环境危险测试用例总量均较单车环境情况有显著下降;对相同一阶场景进行时间域扩充得到的二阶人车交互场景,使得单车环境和网联车环境下的危险测试用例数量都存在着显著差异;提出的二阶人车交互场景构建方法,可以挖掘出更多接近真实道路情况下潜在的危险人车交互测试场景,实现对网联车辆充分、有效的测试。

自然驾驶条件下驾驶员换道行为的识别与分析

换道是实现汽车智能化必须涉及的一项研究。为了研究高速公路场景下换道行为特性,对自然驾驶条件下驾驶员的换道数据进行了处理与分析。基于标准自然驾驶数据处理流程对采集的自然驾驶数据进行清洗、标注,并存入场景数据库。定义换道行为,从场景数据库中提取换道数据,并对换道执行阶段数据进行平滑处理。采用支持向量机模型实现换道行为的分类识别。对换道场景的时间以及周边车辆的相互状态等特征参数进行统计分析。最终得到周围环境车辆对换道车辆影响优先等级,为智能汽车换道功能的设计提供数据支撑。

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。

行车安全事件的驾驶风险影响因素研究

为了更好的研究与驾驶风险有关的因素,提高整体的驾驶安全性。引入与Crash和Near-crash相比,发生频次高、严重程度低的行车安全事件(Critical-Incident events:CIEs)来表征驾驶风险,可以更好用于驾驶风险前的预测。招募30位驾驶人参加550km武汉至襄阳段的实车实验,获取驾驶基本数据。首先分析数据,建立CIEs数据库,其中包含驾驶行为,CIEs因素,环境等主要因素。然后用K-均值聚类分析法对驾驶风险进行分类。并对主要因素与风险关系进行Logit模型分析。结果表明,有6个因素对驾驶风险有显著影响,包括平均减速度、CIEs类型、CIEs原因、天气、年龄和驾龄。其中平均减速度对其影响很大(β=1.982 606),说明风险升高往往是驾驶操作不当造成的;且年轻、驾龄短的驾驶员更易导致风险驾驶行为。

变道切入场景下ADAS系统测试与评价研究

为了满足变道切入场景下的ADAS系统测试评价需求,提出一种考虑场景风险系数的变道切入场景生成方法和客观综合评价模型。通过采集自然驾驶数据,采用阈值法自动提取变道切入功能场景并深入分析变道切入行为特征。使用单因素方差分析法与皮尔逊相关性检验法共同分析场景风险系数与场景要素的相关性来确定关键场景要素。结合Kmeans算法对离散逻辑场景参数进行聚类,从而得到5个典型测试场景。基于场景风险系数,采用AHP与CRITIC法构建多层次综合评价模型,采用灰色关联理论对ADAS系统进行客观评价。借助VTD仿真软件构建变道切入虚拟测试场景库,进行仿真试验验证。结果表明,相关性分析使场景要素维度降低了60%,生成的测试场景可以有效验证ADAS系统的综合性能,综合评价模型可对ADAS系统表现进行客观有效的评价,为智能驾驶系统开发提供有效参考。

自动驾驶汽车测试场景基元自动提取方法

本文中提出了一种基于自然驾驶数据库的自动驾驶汽车测试场景基元自动提取方法。以隐马尔科夫模型为框架,采用向量自回归模型为观测概率分布函数,采用层次狄利克雷过程为模型进行先验分布和后验更新,通过解耦过程和黏性过程抑制模型隐状态的快速切换,实现给定观测数据下隐状态的求解,并根据隐状态对场景基元进行自动划分。最后,以一段随机自然驾驶序列为例进行了算法测试验证,结果表明,所提出的方法可从自然驾驶数据库中非参数地、可解释地、全自动地提取测试场景基元,所提取的场景基元具有明确的物理意义,可为基于场景的自动驾驶汽车测试奠定良好基础。

基于国外技术研究方法的弯道驾驶行为特征统计分析

为理解驾驶员行为特征,提高自动驾驶汽车的类人驾驶能力,借鉴国外研究成果,基于自然驾驶数据集,对驾驶员在弯道行驶过程中的行为特征开展了研究。选择车辆纵向速度、侧向加速度、横摆角速度和车速作为驾驶员行为特征,选择弯道曲率半径作为道路几何特征,利用车辆动力学原理进行弯道工况识别,通过核密度估计及相对熵对数据集特征参数分布的收敛性进行验证,并对弯道行驶过程中驾驶员行为特征及道路几何特征进行了统计分析。分析结果可以为设计具有类人操作特性的自动驾驶或驾驶辅助个性化系统提供数据支撑。

驾驶员加速度分布特性及其应用

为提高智能汽车的类人驾驶能力,使用自然驾驶数据(NDD)研究了驾驶员的加速行为特性。利用约5 800万观测数据组成的数据库,探讨了驾驶员加速度分布的收敛性;使用多维核密度估计得到了驾驶员加速度分布,并使用相对熵描述不同数据量的数据集之间的差异;使用稳定收敛的数据集分析了驾驶员的加速度分布特性,提取了驾驶员加速度分布的特征参数;讨论了驾驶员加速度分布在智能汽车中的应用。结果表明:驾驶员的纵向加速度和侧向加速度二维分布服从双三角形分布特征;纵向加速度和侧向加速度随速度增大而先增大后减小;驾驶员加速度分布特性可以应用于智能汽车驾驶能力测试、智能汽车安全测试、人机共驾控制、危险估计算法等方面。

基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价方法

为解决网联环境下重型车驾驶人驾驶安全绩效评价在指标多样性、模型可靠性、评价完整性和结果可溯性等方面的问题,提出一种基于超效率数据包络分析的重型车驾驶人驾驶安全绩效评价框架,包括驾驶行为指标提取方法、包含零值的超效率数据包络分析方法和基于效率前沿分析的驾驶安全绩效提升方案。基于网联环境下重型车自然驾驶数据特征,提取6个行程级的危险驾驶行为指标作为模型输入项,包括:表征激进驾驶的超速行为、急加速行为和急减速行为;表征分心驾驶和疲劳驾驶的打哈欠行为、使用手机行为和吸烟行为。表征驾驶风险暴露因素的行驶时间和行驶里程作为模型输出项。将每个驾驶人视为独立的决策单元,构建3种驾驶绩效评价模型,分别从激进驾驶、分心和疲劳驾驶以及综合驾驶风险3个维度对驾驶绩效进行评价。进一步利用效率前沿分析准确识别低绩效驾驶人,并量化其达到最佳驾驶绩效所需提升的驾驶行为指标。将该框架应用于南京某重型车车队的34名驾驶人,使用连续3个月的网联数据开展驾驶绩效评价。结果表明:该框架能够准确计算驾驶绩效得分,不同驾驶绩效等级驾驶人之间的驾驶行为特征存在显著差异,超速行为和打哈欠行为是影响驾驶绩效评价结果的关键因素,针对低绩效驾驶人能够提出个性化驾驶绩效提升方案。相比于现有评价方法,所提出的评价框架能够深入挖掘重型车自然驾驶数据特征、全面衡量重型车驾驶人的驾驶特性、多维度评价驾驶绩效,引导其主动改善驾驶行为并降低驾驶风险。研究成果在提升重型车运输企业车辆在线安全监管及风险管控能力及建立驾驶人个性化绩效评价体系等方面具有广阔应用前景。