基于风险预测的自动驾驶车辆行为决策模型

为了解决人工与自动驾驶汽车混行环境下无信号交叉口的通行权分配问题,提出基于驾驶员行为预测的自动驾驶汽车行为决策模型. 利用模糊逻辑方法构建驾驶员的风险感知模型. 基于风险均衡理论,结合可接受风险区间,预测人工驾驶汽车的行为选择策略. 构建自动驾驶汽车的综合效用函数,利用博弈论求解最优行为策略组合,实现无信号交叉口车辆协同控制. 仿真结果表明,面对异质驾驶员,自动驾驶汽车能够有效避免碰撞事故发生并提高自动驾驶汽车通过无信号交叉口的效率,保证驾驶员风险感知值处于可接受范围. 在15组实验中,有93.3%的实验组能够保证车辆通过冲突点的时间差大于可接受的安全通行间隔时间,不同情景下自动驾驶汽车的通行时间是自由流状态的1.07~2.43倍. 与无预测自私博弈模型的对比实验表明,所提模型能够显著提升自动驾驶汽车的通行效率.     

基于长短期记忆神经网络方法的车辆跟驰模型

为模拟驾驶员的跟驰驾驶行为,并考虑驾驶员不确定性和记忆效应,基于实车跟驰实验数据,提出并训练了一种基于长短期记忆(LSTM)神经网络方法的车辆跟驰模型。基于该模型研究驾驶员的记忆效应影响时长并进行交通仿真。结果表明:与同体积隐藏层神经元的前馈神经网络比较,LSTM神经网络的跟驰模型预测结果更加贴近观测值且更加平滑,接近驾驶员的实际驾驶行为;驾驶员行为受当前环境及其前1.0～3.5 s内的记忆影响;该模型能够消散交通流中的扰动,模型具有较好的抗干扰能力和稳定性。     

高速公路合流区主要参数对自动驾驶车辆的影响

为探究现有高速公路合流区对自动驾驶车辆的适应性,分析现有高速公路合流区加速车道长度和通视三角区角度对自动驾驶交通流的影响规律,并与传统交通流进行对比。依据自动驾驶车辆在感知、跟驰和换道行为以及与周围车辆的协作方面更迅速安全等特点,改进了Krauss跟驰模型和LC2013换道模型以适应自动驾驶车辆特征。依据车辆换道可接受间隙建立车辆跟驰间距计算公式,在满足换道安全的基础上对跟驰模型参数进行改进。结果表明:在现有的高速公路合流区平面设计参数条件下,自动驾驶交通流的安全性、效率及稳定性均优于传统交通流,与传统交通流相比,自动驾驶交通流冲突数减少了100%,平均延误降低了60%～71%,平均车速提高了近20%且更稳定;在不同平面设计参数下,自动驾驶车辆的冲突数均为0,平均延误保持在0.65 s左右,平均车速稳定在33～34 m/s。现有的高速公路合流区平面设计参数在安全、效率和稳定性方面均能较好地适应自动驾驶车辆,且参数的取值对自动驾驶车辆影响不大。     

汽车纵向自动驾驶的因果推理型决策

针对汽车纵向自动驾驶决策过程的因果关联问题,建立了车辆跟驰行为的马尔可夫决策过程模型,利用真实驾驶员驾驶模拟器实验数据与驾驶风险原则确定了模型中的状态集和动作集,并根据车辆的行驶状态设计了相应的回报函数,进而基于增强Q学习算法对该模型进行求解,提出了以上决策过程的因果推理机制。最终,通过在随机工况下的仿真测试,验证了该方法的可行性与有效性。     

基于PCA与BP神经网络的制动行为模型

为建立驾驶员在跟驰过程中的制动行为模型,利用驾驶模拟仪采集了大量在跟车行驶状态下避免追尾碰撞时驾驶员所采取的制动操纵行为的数据。采用主成分分析法确定了与驾驶员制动行为有关的贡献率达97.04%的4个主要参数,将这4个参数作为BP神经网络的输入值,建立了符合驾驶员危险感知特性的制动行为模型。依此建立的制动行为模型仿真效果较好,符合驾驶人的行车习惯,丰富了驾驶行为模型,并可进一步应用于智能交通领域中的汽车辅助驾驶系统。     

集成学习框架下的车辆跟驰行为建模

为了提高复杂行驶环境下车辆跟驰行为预测精度,提出了一种集成学习框架下融合理论驱动模型和数据驱动模型的车辆跟驰行为建模方法。基于stacking集成学习框架,选择理论驱动的智能驾驶模型（IDM）、考虑车辆队列和周围行驶条件因素的数据驱动的长短时记忆（LSTM）网络和门控循环单元（GRU）网络作为跟驰行为特征的一级学习算法,选择3种线性和8种非线性回归方法作为备选二级学习算法来融合一级学习器的输出特征。通过对比使用实际车辆轨迹数据计算的模型预测精度,确定了最优模型。研究结果表明:包含车辆队列和周围行驶条件变量的数据驱动跟驰模型比IDM模型的预测精度更高;多数情况下采用非线性二级学习算法的融合跟驰模型的预测精度高于IDM模型、数据驱动跟驰模型以及采用线性二级学习算法的融合跟驰模型;分别采用GBRT回归和随机森林回归作为二级学习算法的IDM-LSTM-stacking模型和IDM-GRU-stacking模型具有最高的预测精度;外界干扰下的融合跟驰模型稳定性优于单一的理论和数据驱动跟驰模型。集成学习为驾驶行为建模提供了新方法。     

车辆跟驰模拟模型的建立

在微观交通流模拟中,由于驾驶行为的不确定性,难以建立精确模型,本文以期望间距为基准参量,考虑驾驶员的心理和生理因素,建立了车辆跟驰模型,为研究驾驶行为提供了一种新的思路。     

基于计划行为的飞行员违反标准操作行为

为了减少民航飞行员违反标准操作程序(SOP)事件,以计划行为理论为支撑,采用结构方程模型分析个人态度、主观规范、知觉行为控制以及管理层态度和工作负荷对飞行员违反SOP行为的影响,并针对结果提出减少飞行员违反SOP行为的矫正策略.结果表明:知觉行为控制、工作负荷对违反SOP意向的正向影响作用显著;管理层态度和主观规范通过行为态度的中介作用间接影响违反SOP意向;违反SOP意向对违反SOP行为的正向影响作用显著.     

基于最小安全间距的应急交通疏散车辆跟驰模型

本研究通过对突发事件情况下驾驶员心理与行为特性问卷调查,得到驾驶员在非常态交通环境下的行为差异和经验判断比率分布,对Gipps跟驰模型进行了改进,提出了基于最小安全跟车间距的应急疏散车辆跟驰模型.与正常交通条件下建立的跟驰模型相比,将驾驶员对突发事件的心理行为反应纳入建模过程,能更准确地反映应急疏散的交通流特征和疏散交通实际情况.     

基于模糊神经网络的车辆跟驰建模与仿真研究

驾驶员在车辆跟驰过程中表现出来的模糊的、不确定性的行为特征,难以对驾驶员的行为进行精确的数学描述．本文在以往跟驰模型基础上,采用以实际间距与期望间距的比值和相对速度作为双输入、后车加速度作为单输出的模糊神经网络建立数学模型．结果表明,该网络能较好的反映一定道路条件下的跟驰行为．     

基于跟驰数据采集分析的各异性跟驰模型

基于模型参数的相关性提出了特征因子的概念,在此基础上提出了一种基于跟驰数据研究车辆及驾驶员特性的方法,方法包括:跟驰数据采集、数据处理和参数标定、参数相关性分析、特征因子计算、特征因子分布研究。当特征因子分布状况已知时,可以通过特征因子和模型参数的换算实现基于车辆和驾驶员特性的交通仿真。对在南京市采集的跟驰数据进行分析处理,研究了跟驰模型参数间的相互关系,以优化速度模型(OV)和智能驾驶模型(IDM)为例实现了基于跟驰数据的车辆和驾驶员特性的描述和分析。     

雾霾天气低能见度对不同跟驰状态驾驶行为的影响

利用8自由度高逼真度驾驶模拟器,从工程学和人类心理学角度分析了雾霾天气低能见度对不同跟驰状态(加速、减速和平稳跟驰)驾驶行为的影响。结果表明:雾霾天气低能见度对不同跟驰状态驾驶行为的影响存在明显差异性。加速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化、距离差变化的反应敏感性和最大意愿加速度分别比晴天显著降低了29.3%、33.1%和17.4%,且驾驶行为异质性明显升高;减速跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化的反应敏感性、最大意愿减速度和感知前车最大减速度分别比晴天显著提高了31.7%、17.8%和16.3%,对距离差变化的反应敏感性显著降低了32.1%,而驾驶行为异质性有所降低;平稳跟驰过程中,雾霾天气低能见度下驾驶员对速度差变化反应敏感性比晴天显著提高了41.6%,最大意愿加速度和减速度均值小于晴天,期望速度和对距离差变化的反应敏感性与晴天无显著差异。加减速反应阈值方面,驾驶员在雾霾天气低能见度下倾向于采取更加积极的加速反应来紧随前车,同时又更加谨慎地采取减速反应避免碰撞。本文研究结果为雾霾天气低能见度等紧急事件下应急疏散微观交通仿真的建立提供了理论支撑。     

基于消费心理的服装营销体验环境的研究

体验价值的创造过程实际上是企业获取差异化竞争优势的形成过程,对消费者的价值感知、购买决策和厂商的经营绩效存在着重要的作用.本文采用因子分析和结构方程进行中介效应检验,实证分析了服装营销体验环境通过消费心理的中介效应影响消费者的意向与行为.研究发现:导入形象和服务形象对消费者的意向与行为存在显著的正向影响,其中需求与动机、兴趣与感知起中介效应;展示形象通过兴趣与感知对消费者的购买行为产生正向影响.因此,服装零售品牌应加强服装店铺的橱窗设计、店铺形象设计,有效传达品牌形象,强化服务水平,进行场景化设计提升店铺展示形象的趣味性与可感知性,进而达到提高销售、增加购买的目标.     

跟驰车队流中驾驶员感知能力模型的初步探讨

在对跟驰车队流基本参数车队队速VP,两车净间距XP的研究基础上,提出后车驾驶员感知能力模型,根据此模型提出跟驰车辆驾驶员视觉滞后时间的计算公式,本文指出后车反应时间t应为视觉滞后时间τ,驾驶员制动时间t制和车辆机械反应时间t车之和,根据本模型计算分析,τ、t制、t车为同一数量级.     

基于MIMIC与机器学习的出租车驾驶员交通事故诱因分析

通过调查问卷收集2391名出租车驾驶员个体属性、身体疲劳感知、工作压力、风险驾驶行为和交通事故经历的相关信息。运用多指标多原因（MIMIC）模型进行路径分析,探究身体疲劳感知、风险驾驶行为对交通事故的诱发效应,验证性别、年龄、工作压力的原因变量对身体疲劳感知、分心驾驶行为的影响作用。选取逻辑回归、朴素贝叶斯、支持向量机、随机森林4种机器学习算法对出租车事故进行预测。结果表明：身体疲劳感知、过失性驾驶行为、激进性驾驶行为与分心驾驶行为的提高能够导致事故率的提高,性别、年龄、工作压力会对身体疲劳感知与分心驾驶行为的频次产生影响。基于机器学习的事故预测模型效果极佳,其中随机森林的预测效果最好,使用单一特征变量“风险驾驶行为”、“分心驾驶行为”、“身体疲劳感知”的预测精度尚可接受。当引入“工作压力”、“年龄”、“性别”的个人属性指标时,预测精度进一步提高。     

依据驾驶行为的动态分析辩识交通事故原因

通过建立的驾驶行为形成模型 ,推导出描述驾驶行为动态特征的可靠性表达式 ;然后 ,结合驾驶可靠性计算公式和驾驶行为形成因子的计算机仿真 ,提出了评价驾驶失误对驾驶员车辆系统动态性能影响的方法 .根据对驾驶员车辆系统中驾驶失误的分析得出 ,感知可靠度的变化增大了交通事故发生的可能性     

基于驾驶员视角变化的跟驰模型研究

在跟驰过程中,后车驾驶员都是通过人体感觉器官获取前方邻近车辆速度或位置的变化信息来调整本车的运动,但是这些信息刺激只有超过特定阈值才能被后车驾驶员感知并做出反应.从驾驶员视角变化的潜在因素出发,以感知阈值作为驾驶员反应的临界条件为前提,并针对前车不同行驶工况下,建立基于驾驶员视角变化的车辆跟驰模型,得到相应情况下后车跟随加速度的表达式.分析结果表明:前车行驶状态与两车相对速度差的不同,后车跟随加速度也不相同,更符合实际交通流特征.     

夜间环境驾驶员精神负荷的生理特性评估与实验

以夜间环境下的驾驶行为为研究对象,基于驾驶模拟器开展了四类驾驶实验,以及白天、夜间单一驾驶任务实验,以及白天、夜间主从驾驶任务实验。在驾驶员脑电、心电、呼吸、皮电等生理数据和精神负荷主观评价的基础上,运用统计学方法综合分析了驾驶模拟实验过程中的生理参数变量变化规律。结果表明:相比白天行车环境,夜间环境下驾驶员的精神负荷有一定的增加,在执行主从任务的夜间行驶实验中被测试对象感知的主观压力显著增加,且主观压力与主从任务难度成正比关系。心率变异性功率谱密度、脑电负荷水平等生理指标呈现显著性差异,呼吸频率也有一定的变化,呼吸幅度和皮电的指标变化不明显。研究成果可用于夜间环境下的道路交通安全评价。     

智能网联混行环境下交叉口时空资源配置优化

在网联自动车辆（CAVs）与人工驾驶车辆混行环境下,构建混合整数线性规划（MILP）模型,以优化交叉口时空资源配置. 该模型以交叉口通行能力最大化为目标,约束条件主要包括车道渠化、流量分配和信号配时等相关约束. 以典型四车道十字交叉口为例,在网联自动车不同驾驶行为和不同渗透比例的条件下,优化交叉口渠化方案和信号配时方案. 结果表明,随着网联自动车占比和跟驰行为的改变,交叉口最优渠化方案和信号配时方案须相应调整. 网联自动车占比增大和跟车时距减小,均有利于提高交叉口的通行能力,且当网联自动车跟车时距不受前车类型的影响时,交叉口通行能力提高更多.     

Bierley非线性跟驰模型特性仿真分析

非线性跟驰模型是描述车辆跟驰行为的经典模型之一,通过对GM模型发展过程的分析与阐述,引入Bierley非线性跟驰模型,应用Matlab构建仿真环境,以车头间距为研究对象,拟定试验情景,分别对不同参数的变化进行仿真分析.结果表明：Bierley非线性跟驰模型可以较好地反映交通流的波动性、滞后性和制约性,模型参数α0与驾驶员对外界刺激的反应负相关,h与车头间距的波动幅度正相关,k与车头间距达到稳定态的时间负相关;跟驰队列头车速度v0和初始车头间距l0均不影响跟驰队列的稳定状态,仅影响到达稳定状态的过程和时间.