基于横纵向联合控制的多目标优化车辆跟驰研究

为解决车辆在拥堵环境中因车速波动较大所带来的跟驰平稳性较差、跟踪无效或不安全等问题,提出了基于车辆模型和深度强化学习的多目标优化跟驰方案。首先基于车辆横纵向动力学建立车辆跟驰模型,然后根据车间距误差、速度误差、横向偏差及相对偏航角等,利用深度确定性策略梯度算法得到跟驰车的加速度和转向角,以更平稳安全地控制跟驰车辆。经NGSIM公开驾驶数据集进行测试与验证,该方案可有效地提升跟驰车辆的稳定、舒适与安全性,对保证交通安全和提升道路通行能力具有重要意义。     

A tree-structured crash surrogate measure for freeways

In this paper, we propose a novel methodology to define and estimate a surrogate measure. By imposing a hypothetical disturbance to the leading vehicle, the following vehicle’s action is represented as a probabilistic causal model. After that, a tree is built to describe the eight possible conflict types under the model. The surrogate measure, named Aggregated Crash Index (ACI), is thus proposed to measure the crash risk. This index reflects the accommodability of freeway traffic state to a traffic disturbance. We further apply this measure to evaluate the crash risks in a freeway section of Pacific Motorway, Australia. The results show that the proposed indicator outperforms the three traditional crash surrogate measures (i.e., Time to Collision, Proportion of Stopping Distance, and Crash Potential Index) in representing rear-end crash risks. The applications of this measure are also discussed.     

基于高斯混合隐马尔科夫模型的自由换道识别

驾驶辅助系统被认为是解决交通安全问题的有效手段, 开发驾驶辅助系统的基础是对车辆的行为进行准确的识别, 以应用于车辆安全预警, 路径规划, 智能导航等方面. 目前存在的基于支持向量机模型, 隐马尔科夫模型, 卷积神经网络等行为识别方法还存在计算量与精度平衡的问题. 本文结合了隐马尔科夫模型与高斯混合模型, 提出了高斯混合隐马尔科夫模型, 利用美国联邦公路管理局NGSIM数据集对此方法进行了实验验证, 结果表明该方法对自由换道行为识别具有较高的精度. 本文还对高斯混合隐马尔科夫模型的实验参数进行了优化, 以期达到最好的识别效果, 为未来智能驾驶的车辆行为识别提供了参考.     

考虑速度对期望间距影响的车辆跟驰模型研究

为了真实地反映驾驶员在道路行驶中的车辆跟驰机理,使用相关性分析方法找出影响期望间距的关键因素,从而提出改进的基于期望间距的车辆跟驰模型(improved desired distance model,IDDM).利用NGSIM数据对IDDM和经典的Gipps车辆跟驰模型的参数进行了标定,之后对标定的模型进行评价.研究结果表明,前后两车的速度以及相对速度主要影响跟驰过程中驾驶员采用的期望间距;IDDM与传统Gipps模型相比,其加速度、速度与位置的仿真精度分别提高了0.24 m/s2、0.72 m/s、0.53 m,可以为车辆跟驰行为分析提供参考.     

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。     

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.     

城市快速路跟车行为的状态划分

下一代交通仿真（next generation simulation,NGSIM）车辆轨迹数据存在异常值和测量误差,为了使其准确可用,在建模之前需要对NGSIM车辆轨迹进行重构.建立了两步车辆轨迹数据重构算法：1）通过小波分析和物理约束界限值识别两类异常值,并分别采用拉格朗日5次和3次多项式插值对异常值进行重新估计;2）在保证信号能量比的前提下,根据卡尔曼滤波算法对车辆轨迹进行滤波去噪.通过对NGSIM车辆轨迹数据库I-80中的样本轨迹进行重构,速度曲线和加速度曲线以及Jerk分析表明该轨迹重构算法使模型建立更加精确.之后,将该算法应用于整个数据库中,加速度分布图表明轨迹重构效果良好.