公路小半径曲线路段驾驶人焦虑水平模型

为提高双车道公路小半径曲线路段(SCCR)的交通安全监测水平,利用量表测试与驾驶模拟试验,实现驾驶人弯道焦虑水平的量化评测,定量刻画驾驶人弯道焦虑水平与行车安全特征量之间的关系;通过统计分析焦虑驾驶行为,运用Spearman分析法,筛选影响焦虑水平的关键行车安全特征量;综合道路线形条件、驾驶人个体特征和驾驶操作行为特性等行车安全特征因子,采用径向基神经网络(RBFNN)建立多因素驾驶人焦虑水平预测模型。结果表明:弯道焦虑水平与驾龄、年龄呈显著负相关,与车速、侧向偏移量、转角变异系数以及曲线半径之间存在着较为显著的负相关性(显著性概率p值<0.01);通过验证,基于RBFNN的驾驶人焦虑水平预测模型判别精度可达73.7%;转角变异系数、年龄、驾龄是影响驾驶人焦虑水平的重要因素,其重要度依次为100%、93.3%、90.7%。研究结果可为双车道公路SCCR驾驶焦虑水平监测、交通安全维护等方面提供理论支撑。

预瞄优化神经网络驾驶员模型

根据预瞄跟随理论并结合真实驾驶员的学习目标、生理限制与不断优化的行为特性,建立了预瞄优化神经网络驾驶员模型。利用2自由度车辆模型进行了汽车在方向控制下的仿真计算。仿真结果表明,预瞄优化神经网络驾驶员模型与实际合格驾驶员行为非常相似,按照该理论建立的驾驶员模型可以应用于驾驶员-汽车闭环系统的研究和自动驾驶等智能车辆的控制。

线控转向系统滑模控制策略研究

针对线控转向系统的控制问题,通过Matlab/Simulink软件搭建了整车控制仿真模型,其中包括七自由度整车动力学模型、"魔术公式"轮胎模型、预瞄最优化神经网络驾驶员模型,并基于二自由度车辆模型设计了理想传动比、最优滑模面的滑模控制算法以及消除抖振的滤波算法;然后进行了操纵稳定性试验仿真,并与前述仿真模型改用PID控制算法以及无控制仿真结果进行对比分析。结果表明:滑模控制下的线控转向系统可以更好地追踪理想值,提高了汽车的操纵稳定性、驾驶轻便性。

基于个性化行为模型的驾驶疲劳识别方法

为提高疲劳驾驶状态的识别精度,应考虑驾驶人之间的个体差异。以实车驾驶试验条件下车道保持行为中的车速和车道偏离值为输入,以方向盘转角为输出,基于径向基（RBF）神经网络针对每个驾驶人构建正常驾驶状态下的车道保持行为模型,并根据残差对模型的拟合及预测效果进行评价;将疲劳驾驶状态下的车速和车道偏离值输入到上述驾驶行为模型中,可得到模型预测的方向盘转角值,通过分析预测值与实际方向盘转角之间的差异,研究疲劳对驾驶人行为的影响;将预测残差作为输入,建立基于支持向量机（SVM）的疲劳驾驶状态辨识模型。结果表明：所建立的RBF神经网络-SVM识别模型对不同驾驶人疲劳驾驶状态的平均识别率达85%。

基于驾驶员行为的神经网络无人驾驶控制

针对铰接式自卸车的转向特性,提出了一种基于驾驶员行为的神经网络无人驾驶控制方法.建立了以激光雷达、角度传感器为主要环境信息的采集系统,通过分析铰接式车辆转向特征建立铰接式自卸车运动学模型和动力学模型,利用ADAMS动力学软件建立车辆动力学模型并进行车辆稳态测试.建立基于最优预瞄控制的人工神经网络控制算法的驾驶员模型,通过ADAMS-Matlab/Simulink联合仿真验证模型.最后搭建真实巷道环境进行直线路段回正实验和曲线路径跟踪实验,结果显示,该控制模型在变曲率路段中,横向位置偏差小于可通过路径宽度的10%,航向角偏差优化90%,表明该神经网络驾驶员控制模型收敛速度快,稳态特性好,具有良好的无人驾驶能力.

汽车方向控制驾驶员模型

建立合适的汽车方向控制驾驶员模型是人-车-路闭环系统最重要的环节之一.目前在传递函数、最优控制的基础上建立了补偿模型、预瞄补偿跟踪模型、预瞄最优曲率跟随模型等,但由于驾驶员驾驶特性的非线性、时变性等特征,上述模型很难模拟驾驶员实际操纵行为.考虑到驾驶员的操纵特性,运用智能控制理论,基于模糊控制、神经网络及这两者的结合,建立相应的驾驶员模型可以更加接近驾驶员实际的驾驶行为.

基于人工神经网络的汽车闭环系统的研究

对于驾驶员 -轮胎 -汽车闭环系统的研究是全面评价和预估汽车操纵稳定性能的一条有效途径 ,但用一般数学方法难以精确描述轮胎和驾驶员的非线性特性 .利用人工神经网络反映轮胎和驾驶员输入、输出特性之间的非线性映射关系 ,并将它们与相应的汽车模型结合进行闭环系统仿真 .结果表明 ,人工神经网络可以产生出具有相当准确性及很高计算效率的驾驶员模型和轮胎侧偏特性模型 .

基于BP神经网络的纵向避撞安全辅助算法

针对复杂人-车-路交通环境下汽车前向防碰撞预警系统(FCWS)在实际工程应用中存在虚警漏警、可接受性差等问题,为提高FCWS对驾驶群体行为差异的适应性,提出了驾驶员行为特性自适应学习的纵向避撞安全辅助算法,建立了基于BP神经网络的闭环驾驶跟驰习惯模型。该网络模型以跟车车距、前车减速度、前车速度、自车速度、环境亮度、路面附着系数、紧急制动次数、本次驾驶时间为输入,采用动量梯度下降自适应学习率方法对网络模型进行训练,进而预测出自车待制动减速度。引入聚类算法思想,对训练样本集进行特征聚类,进一步改善了BP网络的预测性能,设计了激进、谨慎、新手3类典型驾驶群体,通过制动深度、期望碰撞时间倒数、应急反应时间来表征驾驶群体性特征,在稳态跟车过程中对不同驾驶群体的行为特性进行学习,建立起非线性输入输出映射关系知识库,进而预测出相应群体的待制动行为,实现差异化预警,可有效降低虚警或预警不及时现象。仿真结果表明,改进后的BP网络减小了训练过程中陷入局部极小的可能性,提高了网络收敛速度以及预测精度,激进群体与新手群体待制动曲线下降的趋势相对更陡,激进群体跟车距离相对偏近,新手群体采取制动措施时所需相对车距相对偏远,以补偿较长的反应距离,从而验证了该理论模型对不同驾驶群体的适应性。

一种基于RTRL的神经网络驾驶员巡航模型

针对大多数巡航模型未能充分考虑驾驶员的行为特性,文中设计了以实时递归学习算法的神经网络为核心的驾驶员巡航模型。该模型选取前车车速、本车车速、前车加速度和安全车间距共4个参数作为模型输入,以驾驶员控制自车所期望的加速度值为输出,通过真实环境下的巡航实验获取数据样本对RTRL的神经网络进行训练,并对该模型进行仿真验证。仿真实验结果表明,本车期望加速度的预测值与实际真实值基本一致,误差控制在0.05以内,说明该模型能较准确的模拟驾驶员的巡航行为。

“车适应人”线控汽车理想特性参考模型神经网络建模

针对线控汽车上通过对各个线控系统地集成控制以实现个性化理想汽车动力学特性即"车适应人"问题,进行了线控汽车理想特性参考模型神经网络建模研究。对驾驶员特性进行了初步分类,给出了汽车理想特性控制原理;设计了汽车驾驶模拟器实验,进行了理想特性参考模型神经网络建模;对模型精度、特性反映程度和实时性进行了实验验证。研究表明,所建立的理想特性参考模型精度高、实时性好,能反映不同驾驶特性,建模方法具有可行性。

仿人小脑神经网络结构的驾驶员方向控制行为建模

在分析驾驶员的运动控制行为特性基础上,仿照人小脑神经网络结构,建立了驾驶员对汽车方向控制行为的小脑神经网络控制模型,以此对传统的微分校正模型进行控制误差修正。在不同车速、路形和路面附着系数下的仿真结果表明,所提出的控制算法有高的路径跟踪精度,且对车速和道路状况等汽车行驶过程中的动态不确定性因素具有较强的适应性和鲁棒性。

自动变速工程车辆驾驶员行驶操纵模型的研究

在装载机自动变速系统的研究中,对装载机驾驶员的操纵模型进行了研究,用于辅助自动变速控制系统的研制。使用人工神经网络和模糊理论建立的驾驶员模型的操作特性与实际的驾驶员操作特性比较吻合,对于自动变速控制系统的仿真研究提供了方便。

BP神经网络在智能车辆方向控制中的应用

驾驶员模型是智能控制中复杂的控制系统,方向控制是其核心部分。本文建立了一种基于侧向距离偏差的前视轨迹驾驶员模型。并利用神经网络的学习功能设计了一种基于BP神经网络的汽车行驶方向控制器,仿真试验表明该设计可行有效。

智能汽车驾驶员模型的预瞄时间自适应分析

为了更好地模拟真实驾驶员在人车路闭环系统下的操纵行为,提出了一种针对智能汽车驾驶员模型的预瞄时间自适应模型.运用预瞄跟随理论与预瞄优化驾驶员模型构建智能汽车驾驶员模型,进而分析道路环境与汽车行驶状态等因素对智能汽车驾驶员模型中预瞄时间的影响,分别采用基本预瞄时间和补偿预瞄时间表征不同因素对驾驶员前视行为的影响,并将基本预瞄时间和补偿预瞄时间相结合,建立了基于BP神经网络的预瞄时间自适应模型.在Carsim/Simulink联合仿真平台上搭建了预瞄时间自适应的智能汽车驾驶员模型,针对正常驾驶和激进驾驶2种模式进行了仿真分析.结果表明所建立的预瞄时间自适应模型可有效改善智能汽车驾驶员模型的路径跟踪效果.

基于汽车操纵动力学的神经网络驾驶员模型

作为人一车—路闭环系统的重要环节,驾驶员模型对汽车闭环系统仿真和汽车主动安全性评价都具有重要的意义.本文基于汽车操纵动力学,预瞄—跟随理论以及神经网络建立了一种驾驶员方向控制模型,即两层前馈神经网络驾驶员模型,并在此基础上建立了驾驶员—汽车闭环系统模型.对该闭环模型进行了单移线与双移线仿真试验,仿真结果与理想数据具有很好的一致性,表明该驾驶员模型是合理的,可以有效地模拟驾驶员控制汽车方向的行为特性,为进一步研究人一车一路闭环系统提供了一条可行途径.

低速城市路况下驾驶员制动特性辨识研究

针对现代车辆的智能化、人性化发展的要求,研究"人—车—路"闭环系统中驾驶员在车辆控制中的主导地位。本文通过驾驶模拟器dSPACE实时仿真平台设计实验,通过模拟驾驶员在城市路况的跟车行为,采集驾驶员制动时的相关参数,运用高斯混合模型聚类算法将特征数据分类,并运用BP神经网络工具箱建立了该城市路况下驾驶员制动特性辨识模型,实现了驾驶员制动特性的在线辨识。实验结果表明:该辨识方法在实验设计的城市路况,具有良好的驾驶员制动特性辨识能力。

视觉类次任务驾驶安全性预测模型

为了建立一种视觉类次任务驾驶安全性预测模型,实现对驾驶人执行视觉类次任务时的行车安全进行预测,设计并进行了城际高速公路场景中三种视觉类次任务驾驶试验;以眼球运动状态参数集和车身行驶状态参数集为安全评价指标,使用模糊层次分析法(F-AHP)计算得到测试驾驶人的安全评价数字等级;以此为基础,利用BP神经网络建立视觉类次任务驾驶安全性预测模型,以30名测试驾驶人的评价指标数据作为神经网络的输入训练样本、安全评价数字等级作为神经网络的输出训练样本,调试网络参数直至满足本研究的精度需要;最后,使用其余10名测试驾驶人的数据对模型进行适用性测试。研究结果表明,在操作车载收音机、发信息以及操作触摸屏设备这三种次任务情境下,本预测模型的适用性较好,可以比较准确的实现对驾驶人安全等级的预测。

基于IDM与RBFNN的组合型车辆低速跟驰模型

目前针对车辆低速跟驰驾驶的建模研究较少。通过最优加权理论将理论驱动型跟驰模型与数据驱动型跟驰模型进行结合,建立了一种基于智能驾驶者模型(IDM)与径向基函数神经网络(RBFNN)的组合型车辆低速跟驰模型。首先对NGSIM公开数据集进行筛选与处理得到基础研究数据;之后分别建立基于IDM与RBFNN的低速跟驰模型,前者侧重于保证跟驰的安全性与舒适性,后者则能够输出与真实值更为相符的预测结果;最后通过改进的最优加权目标函数得到最优组合权重,从而建立起了IDM-RBFNN组合模型。用平均相对误差(MARE)进行了评估,并通过对比分析证明了组合模型具有比单一模型更优的预测效果。

考虑多维驾驶特性的制动反应时间预测模型

为了准确预测驾驶人的制动反应时间,建立了考虑差异化驾驶人特性的制动反应时间预测模型。以多种次任务驾驶行为作为差异化驾驶人特性的诱导因素设计了试验,在封闭的城市道路展开了实车试验并采集了制动反应时间数据,以自报式信息采集法获取了受试者的多维度驾驶特性变量数据,使用结构方程模型解构制动反应时间的影响因素并以路径系数优化BP神经网络权值,建立了基于SEM-BP神经网络的驾驶人制动反应时间预测模型。验证和测试结果表明,所提出的制动反应时间预测模型总体的回归R值大于0.9,总误差为0.0324,有更好的预测精度和拟合性能,能够在考虑驾驶人多维度特性的同时降低网络收敛不稳定导致鲁棒性差的问题。

遗传算法优化的方向驾驶员模型研究

以智能车辆方向驾驶员模型为研究对象,建立一种两输入单输出的遗传算法优化神经网络的方向驾驶员模型。其中驾驶员模型的输入变量是道路参考线到预瞄点的横向偏差(L_DR_1)和道路参考线与车辆X轴之间面积偏差(A_DRV_1),输出变量是最优方向盘转角。最后,将遗传算法优化BP神经网络驾驶员模型和Carsim车辆模型进行联合仿真。结果表明,建立的遗传算法优化BP神经网络的方向驾驶员模型能够对目标路径进行较好的跟踪。