车辆跟驰

摘要： 为改善网联自主车辆(CAV)的跟车安全和效率,针对CAV通过对周围环境进行感知进而进行自主决策的特点,首先,建立包含车道线势场、道路边界势场和车辆势场的安全势场模型,系统地刻画CAV在行驶过程中面临的安全风险,在安全势场模型的建立过程中,针对现有车辆势场函数存在引力和斥力表达式分割独立的缺陷,借鉴分子间相互作用关系建立统一的基于LennardJones势的车辆相互作用势场函数,并将加速度参数引入到车辆势场中,加速度的变化直接影响车辆势场的分布,能够有效地反映车辆在不同运行状态下安全势场的动态变化趋势;然后,将安全势场应用于CAV跟驰行为决策,并通过上海自然驾驶数据集标定模型参数;最后,选择与现有经典的智能驾驶人IDM和可变车头时距VTH模型进行仿真对比。结果表明:与其他两种模型相比,该模型在所设计的3种交通场景中有更平滑的响应曲线来改善跟车安全和效率,验证了模型的有效性。研究成果可为CAV的上层控制设计提供理论支撑,也为CAV安全技术的研究提供了独特的途径。

摘要： 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。

摘要： 针对现有跟驰模型的不足,提出一种5G环境下车联网实时稳定(current time stabilization,CTS)模型.该跟驰模型首先考虑了网络时延的时变性对跟驰模型的影响,其次考虑了由网络时延带来的对车辆实时速度、加速度、驾驶员反应时间的影响,从而保证CTS模型更符合实际驾驶情况.从理论上推导出跟驰模型的临界稳定性条件.仿真结果表明,当网络时延不同时,随着网络时延的降低,CTS模型的稳定性不断升高;在相同扰动下,CTS模型比传统优化速度(optimal velocity,OV)跟驰模型的稳定性提高了32.5％.

摘要： 由于传统车辆跟驰建模预测方法无法遍历车辆所有可能的系统输入与运行状态的不确定性,因而不足以从理论上保证对周边车辆安全跟驰行为预测的完整性与可信性.为此提出车辆安全跟驰模式预测的形式化建模方法.该方法利用随机可达集的遍历表现特征实现对周边车辆行为预测的不确定性表述,并通过马尔科夫链逼近可达集的方式表达系统行为状态变化的随机性,从而完成对周边车辆跟驰行为状态变化的精确概率预估.为了表达跟驰情形中车辆之间的行为关联影响以及提高在线计算效率,离线构建了关联车辆在状态及控制输入之间的安全关联矩阵,描述周边车辆的安全跟驰控制输入选择规律,并综合相关车辆的当前状态信息,达到对周边车辆安全跟驰行为的在线分析与预估.数值验证不仅表明提出的建模方法完备地表述了周边车辆所有的安全跟驰行为及过程,显著提高了预测的精确度,也论证了该方法对车辆跟驰控制策略建模分析与安全验证的有效性.

摘要： 受车辆荷载特性影响的碰撞时间(Time-To-Collision,TTC),被认为是车辆避撞系统中跟驰过程风险评估的有效指标.本文以车辆类型、超重和超速指标量化表征车辆荷载特性,分解前后车辆不同荷载特性组合的12类跟驰场景.基于动态称重技术获取融合荷载特性的交通流数据,分析车辆荷载特性对自由流交通状态下12类跟驰场景TTC分布的影响,利用KS检验对比TTC分布的显著性.结果表明:TTC累计频率分布服从指数模型,在5％置信度水平上,跟驰前后车的车辆类型对TTC分布无显著影响;前后车均为超重轻车显著增加了潜在冲突风险,超重增加了轻车跟驰重车,轻车跟驰轻车场景的潜在冲突风险;前后车不超速跟驰场景下,轻车跟驰重车的风险比例高于轻车跟驰轻车.

摘要： 驾驶员记忆效应能有效提高车辆跟驰行为中的加速度预测准确率,结合General Motors(GM)跟驰模型与门控循环单元网络建立新的车辆跟驰模型。通过数据预处理获得有相似驾驶行为的小型车间车辆跟驰数据,校准新模型,从而确定模型的最优参数与结构,依据车辆跟驰特性通过仿真验证了模型有效性,与神经网络、支持向量回归进行对比,仿真结果证明,结合了L-BFGS优化的GRU车辆跟驰模型比仅考虑前导车与跟驰车间瞬时相互作用的车辆跟驰模型,能得到更高的仿真精度和稳定性。

摘要： 全速度差(FVD)跟驰模型考虑了速度差对司机驾驶行为的影响,但是其仍不能反应车辆跟驰过程中的非对称性.在FVD模型的基础上,考虑司机对速度差的反应强度受车辆当前速度的影响,建立了新的模型.新模型能够解释司机加速和减速过程中的非对称性现象出现的原因:司机对前后车速度差的关注强度与车辆当前速度大小成负相关,从而造成司机减速过程比加速过程更为急促.模型的自然稳定曲线也表现出车辆的减速和加速过程的非对称性.计算机仿真结果指出新模型能够描述车辆跟驰过程中的非对称性,并指出当前速度是引起这种非对称性的原因之一.

摘要： 提出一种基于多传感器融合的用于非结构化环境下无人驾驶车辆跟驰应用的方法,旨在解决无人驾驶车辆跟驰任务中对引导车辆的局部定位问题,实时获取引导车辆的相对位置和速度.首先以任务需求为导向,通过实车实验结果完成针对非结构化环境特点的传感器选型工作.对所选毫米波雷达和相机设计联合标定流程,实现数据空间融合.设计与目标距离相关的横向距离约束阈值,以及基于历史帧数据变化可靠性分析,解决非结构化环境下雷达数据跳变和虚检现象,实现雷达有效目标提取;考虑相机小孔成像原理,提出大小可变候选车辆检测框生成.最后基于主流的目标检测深度学习框架,设计跟车应用中信息输出流程.实车测试结果表明,该方法可以满足非结构化环境下车辆跟驰应用的基本需求,输出结果有一定的稳定性和精度.

摘要： 在进行对无法超车的单一车道上车辆列队行驶时后车跟随前车的行驶状态的定量分析,即对车辆跟驰行为建模与仿真时,一个十分重要的问题是对驾驶行为的客观描述和正确度量.本文着重从驾驶行为分析的角度,对车辆跟驰模型中与人的因素有关的GM模型、CA模型、线性Helly模型、AP模型以及基于模糊逻辑和神经网络的车辆跟驰模型进行了详细的评述,提出了未来智能交通流中应充分考虑到数字驾驶行为对智能车辆跟驰建模与仿真的影响,以期正确地揭示出交通流的特性和本质.

摘要： 本文分析了车辆跟驰模型在交通仿真中的重要性以及国内外研究动态.指出了当前基于PARAMICS(PARallelMICroscopicSimulator)跟驰模型研究中的不足,提出了一种基于PARAMICS跟驰模型的改进模型,并详细阐述了其建模的过程,其中还根据Leutzbach的静态安全距离模型提出了一种动态安全距离模型,并将其应用于建模中,为模型真实反映车辆跟驰状态以及利用交通仿真系统评价车辆跟驰模型的合理性提供了理论依据.

摘要： 该文引人了跟驰平稳状态车速与车距的关系函数，建立的跟驰模型表现为滞后时间与跟驰状态有关的非线性微分方程，从工程实用性出发，给出了线性跟驰模型的近似解析解和非线性跟驰模型的迭代数值解，仿真结果表明算法能获得现实结果。

摘要： 现代化道路交通把人、车、路、环境(交通四要素)融合为一体，成为动态与静态相结合的错综复杂的社会大系统。其中，人(尤其是驾驶员)作为主体因素在协调和控制交通的四要素中起着十分重要的作用。由于影响驾驶行为的因素具有多样性、复杂性、模糊性、延续性、相关性、随机性、时变性和不确定性，同时驾驶员本身具有自适应性、自学习性，对于同样的信息输入，不同特征的驾驶员(驾驶目的、个性信息、生理因素、心理因素、驾驶技术水平等不同)会作出不同的行为反应，在进行实验研究和数据采集时，很难对驾驶员进行分类。目前的研究大多数是分析驾驶员在交通事故、交通安全及交通拥挤状况下的行为反应，并在此基础上，对驾驶员进行类型划分，而忽略了驾驶行为的模糊性，不能为微观交通流仿真所应用。本文对驾驶行为进行分析，提出一些驾驶行为模式的特征参数，如期望距离、反应时间、期望速度、速度、加减速度等，利用聚类分析的方法，确定驾驶员的反应强度，将驾驶员分为保守型、普通型、冒险型，为实验研究和数据采集提供理论依据。

摘要： 现代化道路交通把人、车、路、环境(交通四要素)融合为一体，成为动态与静态相结合的错综复杂的社会大系统。其中，人(尤其是驾驶员)作为主体因素在协调和控制交通的四要素中起着十分重要的作用。由于影响驾驶行为的因素具有多样性、复杂性、模糊性、延续性、相关性、随机性、时变性和不确定性，同时驾驶员本身具有自适应性、自学习性，对于同样的信息输入，不同特征的驾驶员(驾驶目的、个性信息、生理因素、心理因素、驾驶技术水平等不同)会作出不同的行为反应，在进行实验研究和数据采集时，很难对驾驶员进行分类。目前的研究大多数是分析驾驶员在交通事故、交通安全及交通拥挤状况下的行为反应，并在此基础上，对驾驶员进行类型划分，而忽略了驾驶行为的模糊性，不能为微观交通流仿真所应用。本文对驾驶行为进行分析，提出一些驾驶行为模式的特征参数，如期望距离、反应时间、期望速度、速度、加减速度等，利用聚类分析的方法，确定驾驶员的反应强度，将驾驶员分为保守型、普通型、冒险型，为实验研究和数据采集提供理论依据。

摘要： 现代化道路交通把人、车、路、环境(交通四要素)融合为一体，成为动态与静态相结合的错综复杂的社会大系统。其中，人(尤其是驾驶员)作为主体因素在协调和控制交通的四要素中起着十分重要的作用。由于影响驾驶行为的因素具有多样性、复杂性、模糊性、延续性、相关性、随机性、时变性和不确定性，同时驾驶员本身具有自适应性、自学习性，对于同样的信息输入，不同特征的驾驶员(驾驶目的、个性信息、生理因素、心理因素、驾驶技术水平等不同)会作出不同的行为反应，在进行实验研究和数据采集时，很难对驾驶员进行分类。目前的研究大多数是分析驾驶员在交通事故、交通安全及交通拥挤状况下的行为反应，并在此基础上，对驾驶员进行类型划分，而忽略了驾驶行为的模糊性，不能为微观交通流仿真所应用。本文对驾驶行为进行分析，提出一些驾驶行为模式的特征参数，如期望距离、反应时间、期望速度、速度、加减速度等，利用聚类分析的方法，确定驾驶员的反应强度，将驾驶员分为保守型、普通型、冒险型，为实验研究和数据采集提供理论依据。

摘要： 现代化道路交通把人、车、路、环境(交通四要素)融合为一体，成为动态与静态相结合的错综复杂的社会大系统。其中，人(尤其是驾驶员)作为主体因素在协调和控制交通的四要素中起着十分重要的作用。由于影响驾驶行为的因素具有多样性、复杂性、模糊性、延续性、相关性、随机性、时变性和不确定性，同时驾驶员本身具有自适应性、自学习性，对于同样的信息输入，不同特征的驾驶员(驾驶目的、个性信息、生理因素、心理因素、驾驶技术水平等不同)会作出不同的行为反应，在进行实验研究和数据采集时，很难对驾驶员进行分类。目前的研究大多数是分析驾驶员在交通事故、交通安全及交通拥挤状况下的行为反应，并在此基础上，对驾驶员进行类型划分，而忽略了驾驶行为的模糊性，不能为微观交通流仿真所应用。本文对驾驶行为进行分析，提出一些驾驶行为模式的特征参数，如期望距离、反应时间、期望速度、速度、加减速度等，利用聚类分析的方法，确定驾驶员的反应强度，将驾驶员分为保守型、普通型、冒险型，为实验研究和数据采集提供理论依据。

摘要： 现代化道路交通把人、车、路、环境(交通四要素)融合为一体，成为动态与静态相结合的错综复杂的社会大系统。其中，人(尤其是驾驶员)作为主体因素在协调和控制交通的四要素中起着十分重要的作用。由于影响驾驶行为的因素具有多样性、复杂性、模糊性、延续性、相关性、随机性、时变性和不确定性，同时驾驶员本身具有自适应性、自学习性，对于同样的信息输入，不同特征的驾驶员(驾驶目的、个性信息、生理因素、心理因素、驾驶技术水平等不同)会作出不同的行为反应，在进行实验研究和数据采集时，很难对驾驶员进行分类。目前的研究大多数是分析驾驶员在交通事故、交通安全及交通拥挤状况下的行为反应，并在此基础上，对驾驶员进行类型划分，而忽略了驾驶行为的模糊性，不能为微观交通流仿真所应用。本文对驾驶行为进行分析，提出一些驾驶行为模式的特征参数，如期望距离、反应时间、期望速度、速度、加减速度等，利用聚类分析的方法，确定驾驶员的反应强度，将驾驶员分为保守型、普通型、冒险型，为实验研究和数据采集提供理论依据。

摘要： 本申请公开了一种跟驰车辆的横向控制方法、装置、控制器及车辆，其中，方法包括：检测车辆的实际车速；根据实际车速分别确定比例‑积分‑微分PID调节器和纯追踪算法PP控制器的权重，并分别利用PID调节器和PP控制器得到第一方向盘转角和第二方向盘转角；由第一方向盘转角和第二方向盘转角及对应权重计算车辆的最终方向盘转角，并基于最终方向盘转角控制车辆的横向动作，以跟随前车的行驶轨迹行驶。由此，解决了目前跟驰车辆采用单一控制算法导致的横向控制的准确性以及行车的安全性较差等问题。

摘要： 本发明公开了一种网联环境下前方事故车辆的跟驰车辆最优换道控制方法及应用，适用于网联环境下高速公路发生交通事故时车辆的换道控制，该网联环境为道路上行驶的所有车辆均为网联自动驾驶车辆，该方法以事故发生后车辆换道时在行驶方向上的行驶距离之和最小为控制目标，以最小安全距离和换道完成时间为约束条件，构建换道可行点的优化选择模型，从而求解出车辆的最优换道点。本发明能有助于高速公路事故点上游的车辆顺畅地通过事故影响区，从而能避免事故造成的交通拥堵和二次事故。

摘要： 本发明公开了一种基于跟驰模型与路权的三维场景车辆仿真方法及系统，所述方法包括：将道路网络导入选定的三维场景中；将道路限速模型结合道路网络设置道路限速，将红绿灯与路口分析模型结合道路网络通过点选设置道路连接与红绿灯；按照三维立体城市路网规则，基于所述道路限速、道路连接与红绿灯和车辆流量，生成仿真道路路网；通过跟驰模型模拟所述仿真道路路网，得到三维场景下的车辆仿真文件。本发明能够高效实现三维场景车辆仿真。

摘要： 本发明提供一种基于生成对抗模仿学习的车辆个性化跟驰控制方法，包括以下步骤：建立模拟跟车仿真环境，模拟跟车仿真环境包括道路模型、主车和前车；在模拟跟车仿真环境中设置前车不同的速度曲线；据前车不同的速度曲线在模拟跟车仿真环境中进行模拟驾驶跟驰试验，采集主车和前车的驾驶数据得到连续跟驰片段，选取多个连续跟驰片段建立驾驶员跟驰数据集；使用生成对抗网络模仿强化学习方法，根据驾驶员跟驰数据集构建车辆个性化跟驰控制模型；使用车辆个性化跟驰控制模型对车辆进行个性化跟驰控制。本发明可以解决现有的基于深度强化学习的跟驰控制技术中，通过制定奖励函数无法客观、全面反映驾驶员驾驶习惯的技术问题。

摘要： 本发明提供了一种考虑相邻车辆切入风险的智能车辆跟驰模型，属于智能驾驶领域。该智能车辆跟驰模型的建立包括以下步骤：利用车载传感器及V2X系统实时获取智能车辆状态信息及周边环境信息；构建包括切入风险场、追尾风险场和速度势能场的智能车辆的纵向势能场，并分析智能车辆在纵向势能场中受到的场力；构建智能车辆跟驰模型。与现有技术相比，本发明智能车辆跟驰模型能够同时考虑前方车辆和相邻车辆的运动状态对智能车辆跟驰行为的影响，量化智能车辆在跟驰过程承受的前方车辆带来的追尾风险和相邻车辆带来的切入风险，并以该风险确定智能车辆的跟驰行为，保证了智能车辆在跟驰过程中的安全性和舒适性。

摘要： 本发明公开了一种车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法，其步骤包括：1获取原始数据并进行数据预处理；2计算特征参数以获取训练数据；3使用SOM网络对训练数据进行聚类。本发明在现有驾驶风格分类的概念上，首次将风险势场分布的概念引入驾驶风格分类，即通过驾驶员与驾驶环境中各因素互动时的风险势场分布，判断驾驶员的驾驶风格，从而使得驾驶风格分类时不仅仅局限于自车的驾驶数据，而是将驾驶场景中的环境因素也考虑在内，从而提高了驾驶风格分类准确度。

摘要： 本发明公开了一种基于模仿学习算法的高速公路车辆跟驰行为重构方法，包括以下步骤：以高速公路车辆运行数据集为举出，针对不同区域的高速公路运行特征进行数据特征提取与处理；利用模仿学习对高速公路跟驰行为模型进行训练，得到的模仿学习跟驰模型；实时获取仿真中车辆运行信息作为输入，在模仿学习跟驰模型基础上，依据输出的加速度信息控制车辆跟驰行为。本发明的基于模仿学习算法的高速公路车辆跟驰行为重构方法聚焦于高速公路场景，为精准重构基于模仿学习算法的车辆跟驰行为提供技术方法框架，并结合仿真进行实际应用可以迁移到不同特征的高速公路，可自动化拟合不同场景的跟驰模型，反应车辆行驶特征。

摘要： 本发明公开了耦合车队跟驰强化的多孪生对抗网络跨相机车辆追踪方法，包括：训练目标检测神经网络和图像标准化对抗网络，分别用于提取目标位置和图像标准化；上述网络多重孪生用于多线程多监控视频同步处理；提取车辆轨迹，获取车辆队列跟驰运动特征与各车辆形态特征；划分车辆跟驰状态，构建动态车队特征提取模型；融合车辆运动、交通状态传播及摄像机空间分布，建立车辆时空预测迭代式；融合动态车队模型与队内车辆形态分布特征，实现多监控下车队群体跨相机匹配；并对动态车队内个体依次追踪编号，完成车辆跨相机追踪。对抗网络排除了背景与视角干扰，跟驰特性与动态车队模型为重识别增加稳定时空约束，极大提升了重识别效果。

摘要： 本发明公开了一种车路协同环境下的智能网联车辆的跟驰方法，包括以下步骤：步骤1、构建基于车路协同的安全速度模型；步骤2、构建基于考虑道路条件的可变车头间距模型；步骤3、预测跟驰车预瞄时刻的最优速度；步骤4、计算跟驰车预瞄时刻的加速度。有益效果：本发明基于道路状况和多前车运动状态提出了跟驰车最优速度预测函数，综合考虑了车路协同环境下道路因素和多前车信息对微观跟驰行为的影响，本发明考虑道路因素和多前车信息的跟驰模型能够有效解释车路协同环境下智能网联车辆跟驰行为；本发明能够以较高的精度拟合跟驰过程，且与FVD等模型相比，能够很好的刻画车辆在不同道路条件下的跟驰特性。

摘要： 本发明涉及一种基于预报观测器的车辆跟驰伺服控制方法及系统，从动力学和运动学的角度构建了一种基于预报观测器的、完全线性化的伺服控制模型，用于车辆跟驰行为控制。与现有技术相比，本发明将动态安全车距实时跟踪与系统状态的渐近收敛有机结合起来，后车能够根据实际车距与动态安全车距的误差，以及前车的行为变化，合理调整自身行为，实现安全、高效和平稳跟驰运行，解决了跟驰行为与实际车距实时连续调整的同步控制问题，可显著增强车辆跟驰系统的自主智能和自主适应能力，有效提升跟驰行为与实际车距的控制水平和控制质量。