基于自然驾驶数据的驾驶人跟驰行为内在异质性预测与建模

为了对交通流建模研究和高级辅助驾驶开发等提供可靠跟驰行为支持,本文针对同一位驾驶人个体内部发生的从正常到异常的跟驰行为模式的转变,提出一种以Transformer深度学习模型为基础的驾驶人跟驰行为内在异质性预测和建模方法。本文基于超过20万km的大规模自然驾驶实验,首先,利用对驾驶人的全要素长期行为观测,为41位驾驶人建立基线模型,完成3194次驾驶人内在异质性事件识别与提取;其次,设计基于Transformer多头自注意力机制的深度学习预测器,实现对驾驶人内在异质性事件的准确预测。结果表明,预测器在跟驰内在异质性三分类时间点预测的F1分数(F1-Score)相较于长短时记忆网络表现更优,达到了87.13%,基于预测结果的动态跟驰参数切换可以降低21.08%的驾驶行为建模误差。研究结果有助于更加准确地重现驾驶人跟驰行为,进一步提高交通流仿真精度和高级辅助驾驶控制策略拟人化水平。

无信控交叉口网联车辆动态碰撞风险检测与预警策略

针对无信控交叉口碰撞事故多发的问题,面向网联人工驾驶环境,研究提出了一种基于车车通信的无信控交叉口网联车辆碰撞动态风险检测与预警策略。在构建典型无信控交叉口场景的基础上,设计了一种基于多项式拟合的车辆轨迹模型;融合利用碰撞到达时间和风险暴露时间作为风险检测指标,构建了一种圆形-双圆车辆模型实现车辆碰撞风险检测;综合考虑了驾驶人异质性及其交互行为,提出一种基于博弈论和遗传算法的两级碰撞预警策略;基于SUMO搭建仿真环境对预警策略的有效性及适用性进行测试分析。结果表明,所提策略能够准确识别出所有的碰撞事件并触发预警,预警成功率达到100%;在不同比例驾驶人组成测试工况下,所提预警策略均能显著降低碰撞率和平均碰撞动能。