自然驾驶条件下驾驶人换道行为实时预测

为降低车道变换的风险性,提出一种基于驾驶人视觉特性与车辆运动状态预测车道变换行为的方法.应用视觉追踪系统、毫米波雷达等仪器设备,进行了真实环境下的实车驾驶试验.基于换道前驾驶人后视镜注视特性确定换道意图时窗大小为5s,构建换道行为预测的表征指标体系.设计BP神经网络结构,构建换道行为预测模型.结果表明:模型可以至少提前1.5s预测驾驶人的换道行为,且预测精度达到95.58%.与基于转向灯状态预测驾驶人换道行为相比,其预测精度及时序特性均有显著提升,证明了预测指标及预测方法的有效性.     

基于HPSO-TPFENN的目标机轨迹预测

轨迹预测在现代空战中发挥着重要作用。针对传统轨迹预测模型复杂度大,预测精度偏低,数据样本真实性、可靠性差等问题,结合轨迹数据具有时间连续性的特点,提出了基于HPSO-TPFENN的轨迹预测模型。在Elman神经网络的目标函数中引入时间收益因子,并利用杂交粒子群算法(HPSO)对改进的Elman网络进行参数寻优,构造了HPSO-TPFENN神经网络。提出将三维坐标进行独立预测的方法,并根据空战训练测量仪(ACMI)中记录的真实数据,构建了包括航向角和俯仰角在内的轨迹预测数据样本,建立了基于HPSO-TPFENN的轨迹预测模型。通过仿真实验对比分析了模型进行轨迹预测的精度和实时性,结果表明模型在不同方向的预测误差不超过1%,连续进行595次预测耗时42 ms左右,可以准确、快速地对目标机的轨迹进行预测。     

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 t_lag 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 t_lag 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.     

基于方差异质性随机参数模型的汇合行为分析

为研究高速公路交织区入口匝道车辆汇入主线的换道行为,基于方差异质性随机参数模型构建了车辆汇入换道模型,先从NGSIM数据集中提取7个在统计上显著且对换道行为有影响的解释变量,然后将其引入方差异质性随机参数模型探索潜在异质性,计算各变量平均边际效应量化对换道行为的影响,最后提出了“个体样本精度”指标对模型进行比较。研究结果表明:汇入车辆与目标车道领车的车头间距、目标车道领车宽度、辅助车道领车速度对换道行为产生了显著的影响,且汇入车辆在辅助车道上的纵向位置显著影响汇入车辆与目标车道领车的车头间距,方差异质性随机参数模型比未考虑方差异质性的随机参数模型和二元Logit模型具有更高的拟合优度和模型精度,能够更好地解释车辆汇入行为中的潜在异质性。本文的研究成果可应用于自动驾驶辅助系统和交通流仿真软件中,对阐明车道变换行为的机理有一定的参考价值。     

高速公路施工区车辆强制换道耗时生存模型

为研究高速公路施工区车辆强制换道行为及其影响因素,采用生存分析中的半参数分析方法建立强制换道耗时的乘法风险率模型.通过无人机拍摄采集高速公路施工区的车辆换道耗时及其影响因素数据,最终确立换道耗时Cox比例风险模型,对换道耗时数据进行Cox回归建模分析.结果表明:近77%的换道车辆在10 s内完成换道;小型车和中型车经养护施工区的换道耗时未发现显著性差别;对于相同的换道耗时,平峰期的累积生存率明显低于高峰期和过渡时期,而高峰期的累积生存率最高.建立的强制换道耗时生存模型可有效的定量分析车型和交通时段对高速公路施工区车辆换道行为的影响,可为高速公路施工区交通管理控制及车辆换道行为建模及仿真奠定一定的理论基础.     

快速路出口匝道衔接段交通特性与安全分析

为了探究快速路出口匝道与下游交叉口衔接段的驾驶行为与安全特性,结合实测换道车辆轨迹数据,分析匝道衔接段车辆轨迹特性和换道位置特性. 利用交通冲突技术,以后侵入时间（PET）为指标对车辆换道风险展开分析,建立有序概率模型识别冲突严重程度的影响因素. 结果显示,用Lorentz分布模型拟合车辆换道位置效果较好,换道类型与跨越车道数对车辆换道位置有显著影响,在强制换道与跨越多车道时换道位置更靠近衔接段始端;相较于普通衔接段,匝道衔接段行车风险更高,主要冲突类型为交叉冲突;衔接段饱和度、换道位置、交叉冲突、强制换道以及违章换道与冲突严重程度显著相关. 匝道衔接段释放车辆的车头时距稳定性差,交织区排队车辆的释放受换道干扰严重.     

换道过程中越线时刻预测模型

分析了车辆换道过程中的运动几何特征,提出了车辆相对于车道线的偏航角度估算方法。在此基础上,分别建立了直道路段和弯道路段的越线时刻预测模型。利用视觉传感器、车载陀螺仪、车载CAN总线数据采集卡设计开发了测试平台,对多名被测试人员进行了驾驶测试,获取了大量的换道状态表征数据。利用实测换道数据对越线时刻预测模型进行验证,结果表明,直道路段预测结果中87.0%的误差绝对值小于等于0.1s,弯道路段相应的比例达到了93.7%,且两类模型的预测误差值均符合正态分布规律。     

基于车道选择特性的环形交叉口行程时间预测

为直观地反映环形交叉口内车辆的运行状态,建立了一种基于车道选择特性的环形交叉口车辆行程时间预测模型。利用车辆换道初始位置的临界累积概率标定了环形交叉口入环区、绕环区、出环区分界线;根据实地数据分析并建立了车辆的车道选择概率与流量的关系模型;综合考虑环岛的几何条件、车辆排队以及换道等因素的影响,建立了包含入环时间、绕环时间与出环时间的环形交叉口车辆行程时间预测模型。最后,通过实测数据对模型中参数进行标定。结果表明:本文模型的平均预测误差在10%以内,满足精度要求。该模型可为环形交叉口状态评价与控制方法提供依据。     

基于虚拟边界的二维智能驾驶模型及应用

为了对车辆在复杂异质交通流环境下(如出口匝道处)的侧向和纵向二维运动进行建模和预测,首先提出虚拟边界场概念,从微观层面上分析虚拟边界场对驾驶行为的作用,并据此建立虚拟边界场模型。同时考虑周围车辆的影响,将虚拟边界场理论与二维智能驾驶模型(intelligent driver model, IDM)结合,提出了基于虚拟边界场的二维IDM模型,刻画和预测车辆的二维轨迹。采用动态时间规整(dynamic time marping, DTW)的边界场优化方法对模型参数进行标定,并对模型的有效性进行验证。采用粒子群算法(particle swarm optimization, PSO)求解出最优虚拟边界场位置,并进行误差分析。结果表明：针对Mirror-Traffic数据,车辆轨迹的预测误差可控制在3.1%～8.2%,针对NGSIM数据的轨迹预测误差可控制在3.8%～28.2%,所提出的模型能够描述并预测传统车辆在匝道处混合交通流环境下的横向和侧向的二维运动。所提出的方法可以为自动驾驶车辆在混合交通流中的轨迹规划提供基础信息。     

考虑横向偏移的车辆行为特性及全速度差拓展模型

分析了参与同一换道动态过程的周围多个车辆的驾驶行为,根据多车驾驶行为差异协同考虑了周围多车影响和驾驶员反应时间,分析了车辆完整换道过程的状态演变规则,通过考虑车辆行为的横向偏移特性构建了更为贴合实际情形的全速度差(FVD)拓展模型。分析了快速路试验路段的实测数据,标定了全速度差拓展模型的影响参数,并进行了仿真验证。仿真结果表明:拓展模型稳定性更高,能更好地模拟实际的车辆驾驶行为特性。     

基于模糊逻辑的高速公路微观换道行为

为深入研究高速公路微观换道行为的决策过程,提高高速公路换道模型的真实性和有效性,将任意换道行为分为向左侧换道行为和向右侧换道行为,引入驾驶员性格影响因子和车辆类型参数,基于模糊逻辑推理构建任意性换道行为模型;同时,为增强换道行为的动态效果,构建高速公路自由状态下车速控制模型和跟车行为模型.仿真结果显示该任意性换道模型具有较好的真实性和有效性,表明向左侧换道行为模型和向右侧换道行为模型能准确反映高速公路微观换道行为的决策过程.     

基于决策机理与支持向量机的车辆换道决策模型

驾驶决策机制是保障自动驾驶车辆驾驶安全的关键技术,而换道研究是其重要课题. 然而,在复杂的动态环境下行驶时,使智能车辆做出安全、符合要求的换道决策仍然是一个难点. 为此,首先分析了车辆自由换道的影响因素,采用传统的数理模型建立了基于换道收益、安全和必要性的车辆换道规则模型. 其次,针对在不同的驾驶工况换道决策考虑的因素不同,提出从基于物理状态的特征、基于交互感知的特征以及基于道路结构的特征三个方面提取决策变量,使换道模型决策时考虑的因素更加全面. 然后,针对自由换道决策过程中存在的多参数和非线性问题,提出了基于贝叶斯优化算法（BOA）的支持向量机（SVM）决策模型. 最后,所提出的模型在NGSIM数据集上进行验证,对比试验表明:建立的BOA Gaussian-SVM模型具有较高的综合预测性能,对换道行为的识别准确率可达到92.97%,超越了其他模型并远高于规则模型. 同时在Airsim平台上进行了仿真实验,实验结果进一步证明了BOA Gaussian-SVM决策模型的有效性,说明此模型可进一步应用到自动驾驶和辅助驾驶系统开发中.     

基于PSO-SVR的土压平衡盾构施工进度优化

针对隧道掘进机(TBM)利用率预测研究匮乏的问题,建立数据驱动的利用率预测模型并进一步对施工进度展开优化. 结合新加坡某地铁隧道项目数据,研究地质类型、司机操作与载荷对TBM利用率的影响,提出基于支持向量回归(SVR)的利用率预测方法,并以施工进度最大为目标展开操作参数优化. 利用SVR建立掘进环利用率与地质类型、载荷、操作参数的映射模型;建立以施工进度最大为目标,以地质类型、载荷、操作参数为约束边界的优化方程;利用粒子群优化(PSO)寻找特定地质类型下最优的操作参数. 结果表明：SVR模型在验证集和测试集上的R²分别为0.729和0.625,均优于多元线性回归、决策树、k最近邻、随机森林、AdaBoost和XGBoost模型;PSO能准确地找出最优的操作参数.     

高速公路强制换道持续时间半参数生存分析

为了分析高速公路施工作业区车辆的换道行为,运用生存分析的半参数方法,建立基于风险的车辆强制换道持续时间模型,通过无人机采集包茂高速公路陕西境内某路段施工作业区的交通数据,对道路车辆强制换道持续时间进行估计.结果表明:强制换道持续过程的生存时间大于5s的概率约为80%,大于10s的概率为28%,一半以上处在5～10s之间;当距离小于400m时,换道起点至合流点距离越近,车辆强制换道持续时间越短;当距离大于400m时,车辆换道持续时间开始降低.车辆换道时间持续到t时刻,在至合流点距离50～100m范围内开始换道的车辆,在下一时刻完成换道的可能性最大.     

自动驾驶车辆换道决策行为分析及分子动力学建模

针对自动驾驶车辆的换道决策行为,首先基于分子动力学理论研究了车辆的微观换道行为,在对换道意图进行客观性量化的基础上,进一步引入车辆间的相互作用势建立了换道决策行为的分子动力学模型。然后,系统分析了车辆换道初始时刻与换道完成时刻的关系以及车辆换道的动态影响因素,探究了微观车辆的换道行为对宏观车流的影响。最后,使用SUMO软件将SL2015换道模型与分子动力学换道模型进行仿真对比分析。结果表明,分子动力学换道模型具有较好的安全性、稳定性和实用性;本文自动驾驶车辆换道决策行为的分子动力学建模综合考虑了交通场景中的动态影响因素,能够更客观、合理地展现自动驾驶车辆的换道行为特性。     

基于网格服务的Nu-支持向量回归时间序列预测

利用计算网格实现高效率、低误差的时间序列预测,对科研、工商业等各个领域都具有重要的现实意义.使用Nu-支持向量回归方法建模时间序列预测问题;提出了数据集预处理方法,将原始时间序列转换成标准化的标记样本集;为了优化预测模型的参数,基于并行化和粒度控制提出两阶段搜索策略.在网格计算环境内设计了系统框架,以网格服务的动态组合实现时间序列预测.使用基准数据集对系统化预测方案进行性能测试,优化结果表明本方案能够针对特定数据集自适应的完成模型参数优化,且显著加速了优化过程.预测结果显示优化后的模型针对未知样本能获得较高的预测精度.     

基于虚拟样本优化选择的城市固废焚烧过程二噁英排放浓度预测

城市固废焚烧(municipal solid waste incineration,MSWI)过程排放被称为"世纪之毒"的二噁英(dioxins,DXN)类化合物.工业现场多采用长周期、高成本的离线方式检测DXN排放浓度,这导致用于构建其预测模型的样本数量极为稀缺.针对上述问题,提出基于虚拟样本优化选择的MSWI过程DXN排放浓度预测建模策略和相应建模方法.首先,在对原始小样本数据进行离群点剔除、输入输出匹配等预处理的基础上,结合过程特性和机理知识进行特征选择以获得约简小样本.其次,基于领域专家知识和整体趋势扩散技术对约简小样本的输入/输出域进行扩展.然后,基于机理知识和插值算法生成虚拟样本输入,再基于约简小样本构建的映射模型获得虚拟样本输出,并结合扩展的输入/输出域对其进行删减以获得候选虚拟样本.接着,基于粒子群优化(particle swarm optimization,PSO)算法对候选虚拟样本进行优选.最后,采用优选虚拟样本与约简训练样本组成的混合样本构建预测模型.结合某焚烧厂的DXN数据验证了所提方法的有效性.     

基于MPC的自动驾驶车辆横向路径跟踪控制

由于驾驶技能、生理极限等原因,人工驾驶员在转向操作中存在响应迟滞、动作超调等问题,控制性能优良的自动驾驶车辆可以改善上述问题。设计了一种基于模型预测控制(MPC)的自动驾驶车辆横向路径跟踪控制器。基于预瞄跟随理论建立了最优侧向加速度的驾驶员转向模型,以分析驾驶员方向盘操作中预瞄时间和车速对车辆跟踪参考路径的影响。基于模型预测控制算法设计了车辆横向路径跟踪控制器,利用反馈校正机制改进车辆预测模型,以处理参数不完全确定和外部干扰对模型精度带来的影响;采用松弛因子对目标函数进行处理,以保证目标函数具有可行解;进一步地,将所设计的模型预测控制器每一步的优化求解转化为带约束的二次规划问题,利用模型预测控制滚动优化的特点,求解跟踪参考路径所需的方向盘转角,作用于自动驾驶车辆。实验结果表明:预瞄时间和车速对驾驶员操控车辆跟踪参考轨迹的影响较大,MPC控制器下的车辆实际行驶轨迹与参考轨迹之间的最大横向偏差为0.085 m,小于熟练驾驶员操控的车辆,同时,MPC控制器下的车辆转向起始时刻相对于熟练驾驶员操控的车辆提前0.89 s。     

驾驶人换道意图实时识别模型评价及测试

通过分析驾驶人换道行为和车辆运动状态,研究了意图换道和车道保持阶段的差异性,并基于BP神经网络模型和证据理论识别模型,对意图换道进行了实时识别试验。结果表明:两种模型在换道前3s对意图换道样本识别准确率分别为78.26%、45.22%,在换道时刻的识别准确率分别为99.13%、86.96%;随机选择样本对两种识别模型进行验证,意图换道样本的识别准确率分别为86.00%、96.00%,车道保持样本的识别准确率分别为21.05%、78.95%,同时模型识别出正确样本的最长时间均小于0.5s,表明证据理论识别模型具有较高的优越性和实用性。     

基于智能单粒子算法的地铁隧道工后长期沉降预测

由于影响因素复杂,隧道长期沉降预测模型研究偏少.针对非线性回归法求解邓英尔预测沉降模型参数的不足,在邓英尔模型基础上引入智能单粒子优化算法(ISPO),分别用于新加坡某隧道、上海延安东路隧道F19、上海地铁一号线N12的长期沉降预测.结果表明,ISPO预测值与非线性回归法预测值相比标准差减小了近1倍,既克服了数学模型参数的较难确定又克服了目标函数的较难确立,为模型预测在地铁隧道工后长期沉降中的应用提供了一种全新的思路.