基于NGSIM数据的车辆换道前跟驰模型研究

为研究车辆在换道前与车辆在正常行驶时跟驰行为的差异性,从NGSIM数据库中提取了快速路上的543个换道行为和870个非换道行为的跟驰事件并进行特征分析。使用曼-惠特尼U检验(Mann-Whitney U test)验证了换道前车辆的跟驰行为与正常行驶的跟驰行为存在显著差异。选取跟驰车辆的车速和车头间距作为性能指标,其均方根百分比误差之和为目标函数,并将目标车道的前车速度纳入到智能驾驶员模型(IDM)中,构建换道准备智能驾驶员跟驰模型(BLC-IDM),利用遗传算法对BLC-IDM进行参数标定和效果验证。研究结果表明,传统的IDM不适用于换道前车辆的跟驰行为,改进后的BLC-IDM拟合精度提高了20%。BLC-IDM可以更加精准地描述车辆换道前的特殊跟驰行为。

基于EKF-GRU的车辆轨迹预测

为提升行车安全,实现自动驾驶车辆正确的决策规划,提出基于扩展卡尔曼滤波(EKF)-门控循环单元(GRU)的车辆轨迹预测方法,结合学习方法与物理模型,在提升预测精度的同时,提高轨迹预测的合理性。首先,基于GRU构建预测网络,通过提取车辆的历史轨迹特征预测车辆的纵向加速度及横摆角速度;其次,基于车辆非线性运动学构建EKF状态估计器,结合观测值生成车辆未来有限时域的行驶轨迹;最后,在高速公路多车轨迹数据集NGSIM I-80和US-101上进行轨迹预测方法验证。结果表明:采用传统的物理模型生成预测轨迹,其最终距离误差(FDE)、均方根误差(RMSE)、平均距离误差(ADE)值分别为6.48、7.69和3.03 m。相比之下,利用EKF-GRU生成的预测轨迹表现出更高的准确性,对应的数值分别为5.45、6.67和2.56 m,分别提升15.90%、13.26%和15.51%。

高速路匝道汇入路段驾驶风格

为分析驾驶人在高速路匝道汇入路段的驾驶风格,基于NGSIM数据集进行研究。为保证数据准确性,对数据平滑处理后,设置时空约束剔除异常数据得到匝道汇入合流区的车辆轨迹数据;首先采用因子分析法对原始多维特征进行降维处理得到可完整表征驾驶风格的5个主因子;其次使用K-means算法对主因子进行聚类得到谨慎型、稳健型和激进型3种驾驶风格,并对比降维前后的识别结果。结果表明,在匝道汇入合流区路段,激进型驾驶风格更倾向于在短时间内连续换道,并且在整个匝道汇入的过程中与前车的车头间距更小。

基于CNN-LSTM模型的车辆换道前跟驰研究

考虑换道车辆在换道前的跟驰行为与无换道意图的一般跟驰行为有明显的差异,为研究车辆在换道前的特殊跟驰行为,提出“换道前跟驰”阶段概念,将换道车辆的跟驰过程划分为“基本跟驰”与“换道前跟驰”两阶段,以主车在换道前斜率的第五八分位数作为“换道前跟驰”的终点,使用z检验法验证了换道车辆在换道前跟驰阶段运动状态的特殊性。搭建CNN-LSTM网络以车辆速度、加速度、相对距离、横向偏移量等为输入,利用CNN层提取输入层特征,再将提取出的特征作为LSTM网络的输入,利用LSTM网络实现跟驰车辆状态的预测。仿真结果表明,传统的IDM不适用于车辆换道前的特殊跟驰行为,搭建的CNN-LSTM模型在加速度精度上较传统IDM模型提升了15.1%,更适用于车辆换道前跟驰状态的描述。

采用梯度提升决策树的车辆换道融合决策模型

车辆在执行换道行为时,由于受到较多环境因素影响,难以准确进行换道识别和预测.为解决这一问题,提出一种基于梯度提升决策树(GBDT)进行特征变换的融合换道决策模型,以仿真驾驶员在高速公路上自由换道时的决策行为.采用主体车辆与目标车道后车的碰撞时间tlag及车辆周围交通状态变量进行车辆换道行为的建模分析,在NGSIM数据集上对建立的融合换道决策模型进行参数标定和模型测试.实验结果表明:融合换道决策模型以95.45%的预测准确率超越支持向量机、随机森林和GBDT等单一的换道决策模型,获得了最突出的表现.变量分析结果表明:新引入的换道决策变量tlag对车辆换道行为具有重要影响.提出的融合换道决策模型能够进一步减少因换道决策误判而导致的交通事故.