城市道路网联混驾车辆分阶段动态轨迹控制方法

随着城市的进步和不断发展,智能驾驶车辆逐渐代替路段中的部分人工驾驶车辆,但在未来较长时间内人工驾驶车辆并不会被完全取代,此时出现网联车与人工驾驶车辆的混驾环境,即目前以及未来时间内我们面临的驾驶环境。网联车与人工驾驶车辆驾驶行为在路段内相互干扰,造成混合车流行驶效率低下。为减弱2种车辆间的相互作用,提出一种分离混驾环境下网联车和人工驾驶车辆的分阶段动态车道引导算法(dynamic lane guidance algorithm for separating CAVs and HDVs in mixed traffic environment,SCHME)。通过该算法分离在交叉口上游路段的混合流车辆集合,调整智能驾驶车辆的行驶路线并进行实时动态更新,在满足运动学约束收敛的条件下,人工驾驶车辆根据网联车的动态路线进行相应调整,实现在每辆车广义安全损失成本最小的情况下提高路段内混驾环境下车辆运行效率。通过MATLAB模拟车辆在进入交叉口前的车辆运行状态,结果表明,SCHME算法可在广义安全损失成本最小的情况下提高路段内平均车辆通行效率(17.29%),同时当车辆优化数组越大,车辆集合距离交叉口越远时,智能驾驶车辆渗透率越低,每辆车的道路广义安全损失成本越低。

自动驾驶车辆对人工驾驶车辆跟驰行为影响分析

针对自动驾驶车辆(automated vehicle,AV)与人工驾驶车辆(manual vehicle,MV)组成的混行跟驰环境,基于Waymo公开数据集研究混行环境中AV前车对MV后车跟驰行为的影响。首先,探究混行环境中期望安全裕度模型和智能驾驶人模型的建模能力和模型参数变化,研究表明,混行环境中MV跟驰行为的机制没有发生变化,但是MV驾驶人的减速敏感程度更低。其次,从跟驰安全性、稳定性和环境效应3个方面对混行跟驰行为进行进一步分析得到,混行环境中的MV跟驰行为的稳定性和环境效应得到了改善,但是安全性并没有发生变化。最后,通过对前车速度波动性进行讨论发现,AV前车主要是通过降低自身速度波动性,从而抑制MV后车的速度波动性,改善MV后车在稳定性及环境效应方面的表现。

雾天对驾驶行为的影响研究——避撞驾驶行为

考虑雾天环境下不良视距对驾驶行为的影响,基于驾驶模拟器为实验平台,通过对46名实验人员在不同雾天实验场景下的测试来分析雾天对驾驶人紧急避撞行为的影响。选取一组非平衡重复测量数据,以刹车瞬时速度和刹车反应时间为因变量,将性别、职业作为固定效应,雾天作为重复测量变量建立线形混合效应模型,并采用SPSS求解。结果表明,在无雾、轻雾与浓雾环境下,驾驶人的平均刹车反应时间分别是1.22,1.26,1.56s,而平均刹车瞬时速度分别为68.10,45.53,48.85km/h。与无雾环境相比,驾驶人在有雾环境下的可视距离受到限制,刹车反应时间分别增加了0.04s和0.34s,刹车瞬时速度分别减少了22.57km/h和19.25km/h。

速度差影响下混合驾驶交通流动态特性分析

为分析自动驾驶车辆(AV)与人工驾驶车辆(HV)之间存在速度差时对混合驾驶交通流动态特性的影响,选取智能驾驶员模型(IDM)和协同自适应巡航控制(CACC)模型分别对HV和AV跟驰行为进行建模,采用MOBIL换道模型对换道行为进行建模.以单向两车道路段为场景,仿真分析了不同AV渗透率下速度差对混合驾驶环境交通流基本图的影响,进一步从通行效率、交通安全、燃油消耗、舒适度4个方面探究速度差和渗透率对交通流动态特性的影响.研究结果表明:渗透率与速度差的增大都可以提高道路通行能力,但速度差增大所带来的影响低于渗透率;速度差主要影响低、中密度混合交通流动态特性,随速度差的增大,通行效率可以得到提升,燃油消耗会有所下降,但同时会降低交通安全性和舒适度.此外,速度差对4项指标的影响程度与渗透率紧密联系,高渗透率条件下受影响程度会显著增加.

基于零反应时间的自动驾驶车辆跟驰模型研究

自动驾驶车辆可以通过数据驱动模型较好地学习人类驾驶员的跟驰行为,但单纯的学习并不能发挥自动驾驶车辆反应更敏捷的特性。文中利用NGSIM数据集开发一种基于零反应时间数据的跟驰行为学习模型。首先,基于人类驾驶行为数据建立反应时间预测的神经网络模型,预测每条人类跟驰轨迹数据每个时间步的反应时间,并在原轨迹中剪除反应时间内的数据,进而重构样本数据,获得近似于零反应时间、更符合自动驾驶车辆特性的样本集。在此基础上采用LSTM架构,建立基于新学习样本的跟驰行为模型(LSTM-0RT)。仿真对比发现:LSTM-0RT跟驰模型比传统LSTM模型提前50 s收敛,且速度变化趋势与前车基本一致,充分体现反应速度快的特点;在混驶环境测试中,采用LSTM-0RT模型的自动驾驶车辆比例越大,跟驰车队的渐进稳定性越高,车流波动的影响范围越小;交通流特性分析显示LSTM-0RT模型在不同交通流密度下的适用性明显优于LSTM模型;车头时距指标测算也表明LSTM-0RT模型具有更高的跟驰安全性。

建成环境对酒后驾车事故发生频率的影响研究

以往对酒后驾车事故的发生频率的研究侧重于司机个人因素、法律制裁与事前教育。关于建成环境与此类事故之间的联系研究仍然较少。由于驾驶行为与区域环境相关,酒后驾车的发生地便可由建成环境间接体现。文章旨在从土地使用特征与社会经济人□指标这2个方面揭示酒后驾车类事故的发生与建成环境之间的关系。以美国德克萨斯州奥斯汀市特拉维斯县为案例,通过对酒后驾车事故的实际发生频率与发生风险分析评价,得出社会经济人□层面:建成环境区域的人均收入与酒后驾车事故发生频率正相关;土地使用特征层面:独立住宅、公寓住宅、市政用地与公园用地百分比与酒后驾车事故发生频率负相关;用地混合度指数与酒后驾车事故实际发生频率正相关。独立住宅、办公用地、公园用地与酒后驾车事故发生风险负相关,而以市中心高密度环境为特征的商业用地、混合使用用地百分比、用地混合度指数与酒后驾车发生风险正相关。以此结果可对具有上述特征的建成环境区域进行有侧重点的干预,以期降低酒后驾车事故发生的频率。

混驾环境下基于主从博弈的多车协同决策规划

在自动驾驶车辆与人工驾驶车辆混行的复杂交通环境中,如何减小驾驶行为截然不同的2类车辆间的复杂相互作用对于车辆行驶安全性、乘坐舒适性和交通通行效率的影响,是当前自动驾驶决策与控制领域亟待解决的关键问题。提出了一个人机混驾环境下人工驾驶车辆与自动驾驶车辆之间的非合作博弈交互框架。首先,综合考虑车辆加速度线性递减的驾驶人纵向操纵特性、差异化配合程度和不同的延迟响应特性,建立人工驾驶车辆的纵向博弈策略。其次,考虑自动驾驶车辆与周围车辆的安全性约束,以及自动驾驶车辆在换道过程中的舒适性和通行效率目标,设计了自动驾驶车辆的纵向博弈策略。然后,基于主从博弈理论对不同混驾环境下人工驾驶车辆与自动驾驶车辆的博弈交互问题进行求解,得到最优的换道间隙和自动驾驶车辆的纵向速度轨迹,并采用模型预测控制方法规划出自动驾驶车辆的横向安全换道轨迹。最后,根据人工驾驶车辆不同配合度和延迟响应时间的差异,设计了多组人机混驾试验工况进行验证。试验结果表明:自动驾驶车辆能够快速准确识别人工驾驶车辆的配合度,选择出最优的目标换道间隙,并与间隙周围的自动驾驶车辆协作来汇入目标间隙。在换道过程中,自动驾驶车辆始终与周围车辆保持安全距离,并且在车速为20 m·s^(-1)的情况下,换道车辆的纵横向加速度均不超过1.25 m·s^(-2),安全性和舒适性都得到了保障,验证了该非合作博弈交互框架的有效性。

无保护左转环境下自动驾驶汽车交互策略分析

在人类驾驶汽车(HV)与自动驾驶汽车(AV)构成的混驾环境下,AV交互策略是否符合人类驾驶的预期成为影响新型混合交通流运行安全的重要变量。为了综合、系统地分析AV交互策略特征,基于HV和AV混行驾驶数据集Argoverse2,提取了近4 300组左转和直行冲突交互事件。进一步由表及里,分别从交互即时运动状态、交互过程运动行为和交互内在决策选择3个层面,提出了“冲突点-轨迹线-事件集”一体化三维分析框架。在冲突点维度,从交互时间层面定义了到达冲突点时间差、从动作空间层面定义了到达冲突点协作加速度,并展开分析;在轨迹线维度,利用Frenet坐标转换,选取时间-纵向位移轨迹、横向位移-纵向位移轨迹从纵向行进、横向偏移2个层面分析交互过程;在事件集维度,基于决策树挖掘HV潜在交互准则并与AV交互策略对比分析。结果表明,Argoverse AV左转交互策略与HV存在明显差异:交互即时运动状态表现出更加明细的保守性特征,动作空间与HV相比收缩了31.2%;交互过程行为则表现出策略的单一性特征,停车让行等待位置及通过冲突点行为的选择较HV更为单一,总体横向偏移程度比HV小57.1%;交互内在决策选择与人类潜在交互准则相比存在非社会性特征,AV无法理解HV表达的交互意图,本应先行但却选择让行的交互事件占比高达93.3%。总体而言,Argoverse AV交互特征具有策略保守、行为单一、决策社会性差(理解HV意图能力弱)等显著特征。研究结论可为AV规划决策算法、冲突消解策略提供改进指导方向。

一种混行环境下驾驶人认知分心识别方法

面向智能网联车辆与非网联车辆的混行环境,研究了一种混行环境无信号交叉口下基于注意力机制的双向长短时记忆网络(Bi-LSTM)的认知分心识别模型。采集了60名驾驶人在混行环境下的模拟驾驶试验数据,采用支持向量机递归特征消除算法提取最优特征子集作为模型的输入。结果表明:该模型识别准确率高达96.58%,F值为96.24%,与SVM和决策树分心识别模型相比,准确率、召回率、F值和ROC曲线等模型性能方面均最优,可应用于智能车辆分心预警辅助系统,对提高道路安全性具有重要意义。