基于人工神经网络的驾驶行为动态集成学习算法

针对传统驾驶决策模型难以体现驾驶员驾驶过程中对交通环境的感知、判断、决策、动作等环节存在不确定性和不一致性,提出了一种基于神经网络的驾驶行为动态集成学习算法——DNNIA.首先训练多个个体网络模拟驾驶行为,然后动态选择泛化误差E最小的个体网络进行集成,采用拉格朗日函数法求解最优集成权系数ωi,并引入agent联盟的思想,把联盟中的个体网络对应的神经元输出做加权平均后,取最大值作为输出.在标准数据集上验证了该算法的有效性,仿真实验中得到的驾驶员踩踏踏板的习惯行为仿真结果与实际采集的样本数据总体趋势基本吻合.

基于上坡行驶的驾驶行为规律研究

文中首先对发动机工作过程和整车行驶过程进行数学描述,然后在GT-suite软件中建立了发动机模型和整车行驶仿真模型,经过验证模型精度达到了要求.基于建立的仿真模型,通过模拟不同驾驶员驾驶意图设定换挡方式,对上坡过程进行了仿真研究,分析了在5%、10%、15%、25%坡度的上坡道路上,以不同车辆初始状态驶入坡道的动力性驾驶行为规律,为驾驶员驾驶训练提供理论依据.

基于随机森林决策树的行驶车辆换道行为识别

基于车辆多自由度驾驶仿真平台,采集车辆运行状态参数的相关数据.在不同维度的特征集和多个样本时窗状况下,运用随机森林决策树方法连续识别驾驶员的换道行为.对比分析识别效果,得出车道偏离量、车辆加速度、方向盘转角、方向盘转角速度和方向盘力矩参数,能够有效反映车辆的运行状态,换道识别率可达93.92%,平均可在驾驶员换道操作后0.04 s、在车辆过车道线前2.38 s识别出驾驶员的换道行为.通过驾驶员行为数据的换道识别效果,可以得出驾驶员的个体差异影响的分类效果.

绿灯时车辆启动延迟及其直接和连锁反应对交通流影响的仿真（英文）

当前交通仿真中,隐含假设车辆由理想司机驾驶。仿真车辆总做出合理决定,如绿灯变亮时车辆就立即驶离。这导致仿真与实际交通存在差距。研究表明,即使是遵守交规的司机,也在绿灯时延迟驶离汽车。司机若在等待时被手机等事物分散注意力,车辆延迟启动(SUD)更为严重。SUD很少体现在交通模拟中。需要对SUD进行模拟,研究其对路网交通流的影响。并研究不同车辆密度和网络复杂度对结果的影响。通过参考SUD对道路通行能力的影响,工程师可以更好地设计路网。