混合示教长短时记忆网络的车辆轨迹预测研究

为实现智能网联车对周围车辆运行轨迹准确地长时预测,本文提出一种混合示教解码的长短时记忆网络的车辆轨迹预测方法。首先,通过特征筛选和历史轨迹序列标注建立轨迹预测数据集;其次,构建长短时记忆网络的编码器-解码器模型,编码器将自车和周围车辆历史轨迹及道路环境信息编码为上下文向量,解码器采用混合示教的模式将上下文向量解码动态解码为未来轨迹;最后,采用真实道路数据集NGSIM US101和I-80路段验证模型的可行性。多组对比分析实验结果表明:本文所提方法在长时域预测的终点位移误差指标上的有效性和优越性,5 s的终点位移误差在2.7 m以内;并且模型在稀疏采样后的数据集上达到更高的预测准确率,5 s的位移误差在1.3 m以内。

基于扩展计划行为理论的驾驶员跟驰意向分析

未来道路交通流将呈现自动驾驶车辆和传统车辆混行的现象,为探究人机混驾环境下传统车辆驾驶员对自动驾驶车辆跟驰意向的影响因素,引入驾驶员对自动驾驶车辆的了解程度、风险感知及接受程度3个变量,构建基于扩展计划行为理论的驾驶员跟驰意向模型框架.通过问卷调查获取331份主观评价数据,并借助SPSS和AMOS软件检验数据的内部一致性及可靠性.运用结构方程模型进行路径分析及中介效应分析以检验影响因素间的关系.结果表明,基于扩展计划行为理论的驾驶员跟驰意向结构方程模型对人机混驾环境下驾驶员的跟驰意向具有良好解释力;行为态度、主观规范和知觉行为控制对驾驶员跟驰意向具有显著正向直接效应;风险感知和接受程度通过中介变量对驾驶员跟驰意向产生显著间接效应,其中,风险感知作用为负向,接受程度作用为正向;了解程度对驾驶员跟驰意向既有显著正向直接效应又有显著正向间接效应.研究结果可作为人机混驾环境下车辆交互行为分析的基础.

混入智能网联汽车的交通流稳定性与安全性分析

为揭示智能网联汽车(ICV)对交通流的影响特征,首先,考虑ICV的退化机制,分析混合交通流中的跟驰模式及其比例关系;然后,采用不同参数的智能驾驶员模型(IDM)来描述不同的跟驰模式,在此基础上推导出混合交通流稳定性的判别条件;最后,选取车速标准差变异系数、碰撞时间(TTC)、碰撞暴露时间(TET)和碰撞积分时间(TIT)等作为混合交通流安全性评价指标,并基于元胞自动机进行数值仿真试验。结果表明:随着ICV渗透率的增加,车速的离散程度逐渐降低,且尾部碰撞风险逐渐减小。因此,ICV的应用能够显著提高交通流的稳定性和安全性。

基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中,传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题,提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象,通过分析系统的横纵向控制模型,推导出系统状态方程,采用递推数值方法在线逼近最优解,并通过对最优反馈控制矩阵进行优化求解,得到最优控制输入。该算法简化了系统的控制输入参数,仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入,即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证,结果表明,该算法控制参数简单、收敛速度快、控制精度高、适应性强,能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距,同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。

人机混驾环境下驾驶人危险行为意向研究

为了了解无人驾驶汽车和人工驾驶车辆混行的交通环境下,驾驶人的危险行为意向发生的内在机制,基于计划行为理论(TPB),引入4个扩展潜变量,构建了以3个基本潜变量为中介变量的驾驶人危险行为意向(BI)结构方程模型(SEM);通过问卷调查收集变量数据,从社会心理学角度研究影响驾驶人危险行为意向的心理因素。结果表明:该模型能解释驾驶人危险行为意向63%的变异;风险感知、认知和信任对行为态度有显著影响,其中信任的影响最大;认知和信任对知觉行为控制有显著影响,其中信任的影响最大;信任对主观规范有显著影响;接受度对3个基本潜变量无显著影响,但对危险行为意向的直接影响显著;行为态度和知觉行为控制对危险行为意向有显著影响,其中态度的影响最大,而主观规范对危险行为意向无显著影响;信任、认知和风险感知对危险行为意向的中介效应显著。

T-CPS下考虑人驾车行为影响的混行车辆协同控制

由于传统人驾车(traditional human-driven vehicles, HVs)驾驶行为会受到驾驶员的心理和生理活动的不确定性影响,可能使得车辆频繁地加减速,进而导致混合交通条件下网联自动车(connected and automated vehicles, CAVs)很难快速跟踪此行为.针对这一问题,首先提出一种提前预测传统人驾车行为的组合神经网络.在此基础上,考虑通信时延和车辆运动学特性,设计一种基于交通信息物理系统(transportation-cyber physical system, T-CPS)的混行车群内车辆协同控制策略,使其能够快速跟踪上传统人驾车行为,并对混行车群内网联自动车之间的串稳定性进行分析.最后,在混合交通条件下设置由1辆传统人驾车、1辆领头网联自动车和4辆跟随网联自动车形成的混行车群,利用下一代交通仿真(next generation simulation, NGSIM)车辆轨迹数据选出高质量传统人驾车状态,并通过仿真实验验证所提协同控制策略的有效性和可行性.由仿真实验结果可知,所提协同控制策略可以保证所有的网联自动车能够快速跟踪上传统人驾车行为,为解决新型混合交通带来的新问题提供一定的理论指导和借鉴.

自动驾驶环境下交通-配电网协同优化运行

为深入分析耦合电力-交通网在混行条件下产生的协同优化效果,提出自动驾驶环境下交通-配电网协同优化策略。建立智慧交通-配电系统协同运行框架,并分析自动驾驶与人工驾驶汽车的行驶特性,构建基于变分不等式的交通网动态混合均衡模型;结合基于二阶锥规划的配电网动态最优潮流模型,设计两阶段迭代求解算法实现耦合网络协同运行仿真。通过与现有单一车型场景及非协调运行情况对比分析,探究在需求高峰时段混行环境下的优化运行效果,最终结果证明了所提协同优化策略的优越性,使得网络综合运行成本相较现有场景有了显著降低,实现了自动驾驶汽车渗入这一新场景下的耦合网络优化运行。

人机混驾环境下基于LSTM的无人驾驶车辆换道行为模型

道路系统中的人机混驾交通环境是指人工驾驶车辆与自动驾驶车辆混合运行的交通环境,其中换道行为建模是人机混驾环境下无人驾驶车辆行为研究的热点。基于深度学习理论,构建人机混驾环境下基于长短期记忆神经网络的无人驾驶车辆换道行为模型(Long-short-term-memory-based Autonomous Vehicles Lane Changing,LSTM-LC)。通过研究人工驾驶车辆在换道过程中与周边车辆的相互作用,对换道行为影响因素进行分析;同时,为了提升模型的迁移性,引入道路横向偏移量信息。结合LSTM神经网络的输入要求,使用美国公开交通数据集Next Generation SIMulation(NGSIM)构建换道行为样本库。针对LSTM-LC模型,以均方差MSE作为损失函数,使用RMSprop优化方法进行训练,对LSTM网络结构、历史序列长度N及训练样本量3个重要参数进行标定。最后,针对道路横向偏移量M对LSTM-LC模型性能的影响进行对比试验。研究结果表明:相比GRU-LC模型,LSTM-LC模型对换道行为的表征更准确,在模型的精度和迁移性上有着显著的提升;GRU-LC模型的均方差为4.64 m^2,迁移性均方差为119.82 m^2,而LSTM-LC模型的均方差为3.18 m^2,迁移性均方差为79.58 m^2,分别优化了31.5%和39.71%;通过引入道路横向偏移量M,可将LSTM-LC模型精度和迁移性提升约10%,且模型稳定性更强。