跟驰模型

摘要： 随着信息技术进步以及政府、企业和科研机构的持续大量投入,智能网联汽车技术得到了迅猛的发展。这项突破性的新技术将给微观交通建模研究带来怎样的机遇与挑战?围绕这个问题,首先从建模机理及人因角度回顾了具有代表性的微观交通模型,并从统一形式、分类、完整度、应用场景等多个角度详细评述了微观交通模型进展。在此基础上,提出耦合了“辅助系统-驾驶人-车辆-交通-驾驶场景”五元素的智能网联交通系统建模框架,认为采用符合客观世界本身逻辑关系的先分解后集计方式建立模型将更有利于处理和应对如此复杂的高维系统建模问题。针对该框架中驾驶人模型,提出了考虑驾驶人有限能力的包括“感知-决策-操作”全过程的通用模型框架,详细分析了智能网联环境下建立通用驾驶人模型需要考虑的关键参数与可能的行为理论框架,列举了开展相关研究的关键科学问题。期望通过本文的梳理与讨论,帮助研究者更好地了解微观交通建模研究进展以及智能网联环境下微观交通建模研究的发展趋势与研究路线。

摘要： 通过引入驾驶员反应时间、反应车型特征的期望跟驰间距系数及前车加速度信息,提出了一种考虑前车加速度信息的改进智能驾驶员模型(AIDM)。稳定性分析结果表明:考虑前车加速度信息能进一步提高交通流的稳定性,有效抑制交通拥堵。利用城市道路的实车数据对模型中的前车加速度信息敏感系数进行标定,理论分析和仿真结果表明:与IDM相比,提出的AIDM的拟合精度提高了1.41%。改进后的模型能有效描述实际交通现象,可为智能网联驾驶的相关研究提供参考。

摘要： 为了提高微观交通仿真中车辆跟驰建模的准确性与泛化能力,将物理类模型与深度学习相结合,提出一种基于双向GRU(门控循环单元)与残差拟合的跟驰模型框架。该框架使用双向GRU网络对物理类跟驰模型预测值与真实值的残差进行学习,并在NGSIM公开数据集上进行测试。通过对比IDM、GIPPS、GM三种跟驰模型下的残差拟合效果,表明双向GRU网络可以对原模型预测结果的偏差进行有效的修正。选用IDM作为本框架的物理类模型,提出了Bi-GRU-IDM模型,与现有SVR模型、BPNN模型、GRU模型进行对比,结果表明Bi-GRU-IDM在预测精度、泛化性能上明显优于其他三种模型。

摘要： 为使智能网联汽车(intelligent connected vehicle,ICV)在复杂交通环境下高效、安全地通过信号交叉口,在车联网实时获取信号灯和前车状态信息的基础上,建立了智能网联汽车通过信号交叉口的驾驶行为决策框架.通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态,预测得到前方车辆是否要通过交叉口的行为,进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断;将换道加入到驾驶方式中来寻求更高的通行效率,用基于换道时间模型的方法判断智能网联汽车换道后的通过条件;仿真对比分析了所提出模型和现有模型的决策能力,讨论了影响决策过程的关键因素.研究结果表明:相比于现有模型,综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性,从而进行更合理的行为选择,随着单位绿灯剩余时间的增加,车辆决策通过交叉口的概率可提高20%,当前车道的车辆位置对决策结果影响显著.

摘要： 本文采用了一种深度学习模型——时序卷积神经网络(TCN),模拟车辆跟驰这一基本行为。通过数据筛选,我们从下一代仿真(NGSIM)数据集中提取了i-80路段的192307段车辆跟驰事件用于网络模型的训练。实验结果表明,TCN网络模型具有较好的鲁棒性,在单一车道跟驰情况下能够准确的模拟车辆跟驰。与其他经典网络模型相比,TCN网络模型具有高于LSTM、GRU、RNN等网络模型的训练效率,其能在更少的训练轮数下实现更高精度的车辆跟驰行为的模拟。为了研究该网络模型的泛化性,我们利用了HighD数据集数据及NGSIM数据集中us-101路段数据对网络模型进行评估,结果得到了比LSTM、GRU、RNN等网络模型更好的泛化性。

摘要： 本文在无人驾驶(Unmanned Driving, UD)环境下研究车辆跟驰模型。在双速度差模型(Two-Velocity Difference, TVD)的基础上,考虑无人驾驶汽车后视效应和前车加速度信息对车辆跟驰行为的影响,提出一种改进的跟驰模型(BL-ATVD)。利用线性稳定性方法得到了BL-ATVD模型的稳定性条件,并分析了稳定区域的扩大情况和占比率;利用约化摄动方法导出了BL-ATVD模型分别在稳定区域和不稳定区域内的Burgers方程、mKdV方程,给出相应的孤立波解、扭结–反扭结波解。数值模拟结果表明,BL-ATVD模型的交通流稳定性好于全速度差(Full Velocity Difference, FVD)模型,且稳定性随后视效应权重的减小或前车加速度敏感系数的增大而增强。因此,BL-ATVD模型适合用于描述无人驾驶车辆的跟驰特性。

摘要： 针对人类驾驶车辆和智能网联车辆(CAV)混合的交通流,基于智能网联汽车跟驰特性,提出了一种灵敏度、平滑因子均可调的数学模型,用一个引理和一个定理来支持交通流稳定性标准,进行了一系列仿真模拟来分析车流量的稳定性。结果表明:在一定密度范围内,智能网联汽车交通流的稳定性强于混合交通流,且随着参数的增加,存在一个临界值。不同的灵敏度和平滑因子会影响交通流的稳定性,在一定边界条件下,随着灵敏度和平滑因子的增大,智能网联车流和混合交通流的稳定性均得到了增强。

摘要： 针对现有跟驰模型因未能综合考虑道路坡度与多前车信息的协同作用,从而无法准确刻画车路协同环境下车辆跟驰行为的问题,提出了车路协同环境下考虑坡度与双前车信息的跟驰模型.首先,通过分析车路协同交通环境与传统交通环境之间的差异,解析了车路协同环境下道路坡度与多前车信息对车辆运行的影响机制,建立了综合考虑坡度与双前车信息的跟驰模型;随后,基于微扰动法对模型进行了线性稳定性分析,分别获取不同道路坡度和前车权重系数时的稳定性临界曲线,进而得到了上坡和下坡2种工况下相关系数对交通流稳定性的影响规律.最后,为验证模型理论分析的正确性,分别对车辆启动过程和微扰动场景进行数值仿真.仿真结果表明,模型不仅能准确刻画车辆在坡道上的跟驰行为,还能减小速度、加速度和车头间距波动,缩短交通流恢复稳定状态的时间,增强交通流的稳定性.

摘要： 为满足智能车辆的个性化需求,提高智能车辆人-机交互协同的满意度和接受度,构筑双层驾驶人跟驰模型框架,提出自适应驾驶人期望跟车间距和行为习惯的个性化驾驶人跟驰模型。首先,提取个体驾驶人跟驰均衡状态的数据,采用高斯混合和概率密度函数(Gaussian Mixture Model and Probability Density Function,GMM-PDF)建立第1层模型,即驾驶人期望跟车距离模型。然后,将期望跟车距离参数引入模型,基于高斯混合-隐马尔可夫方法(Gaussian Mixture Model and Hidden Markov Model,GMM-HMM)学习驾驶习性,建立第2层模型预测加速度,即个性化驾驶人跟驰模型。其次,研究不同高斯分量个数对模型效果的影响,对比双层模型与Gipps模型、最优间距模型(Optimal Distance Model,ODM)、单层模型及通用模型的性能。最后,8位被试驾驶人的自然驾驶行为数据验证结果表明:高斯分量数量与模型性能存在一定的正相关性;在最优高斯分量数量下,8位被试驾驶人在训练集上预测误差均值为0.101 m·s^(-2),在测试集上为0.123 m·s^(-2);随机选取其中1位驾驶人的2个跟车片段数据进行模型计算,结果显示,加速度的平均误差绝对值分别为0.087 m·s^(-2)和0.096 m·s^(-2),预测效果优于Gipps模型、ODM模型、单层模型及通用模型30%以上,与驾驶人实际跟驰行为的吻合度更高。

摘要： 对车辆跟驰理论进行概述,分析车辆在非自由状态行驶下的跟驰特性。跟驰模型在近70年的发展历程中,吸引了交通工程学、统计物理学、心理学等不同领域的专家参与研究,建模时考虑因素由单一到多元、由简单到复杂,随着模型的不断发展,逐渐贴合于实际交通状况;分析了刺激-反应类模型、安全距离Gipps模型、优化速度FVD模型、元胞自动机模型,重点剖析了四类模型的建模思路和改进过程,对经典跟驰模型进行总结对比;展望了跟驰模型未来发展的趋势,指出在无人驾驶和智能网联的大环境下,基于机器学习的安全跟驰状态辨识方法研究、基于机器学习的跟驰特性研究及基于多元信息融合的跟驰模型构建等将是未来的发展方向。

摘要： 基于高逼真度驾驶模拟实验,设置晴天和雾霾天气两个实验场景,分别进行高速、中速和低速状态下的跟驰驾驶模拟实验,对比分析不同驾驶场景下跟驰模型适应性.实验结果表明:雾霾天气对刺激—反应类和安全距离类跟驰模型有显著影响.雾霾天气下加减速行为对跟驰间距和速度差的敏感性增大,跟车间距对前后车速度的敏感性也增大.跟驰模型在不同跟驰速度状态下存在差异;随着跟驰车速增加,跟车间距对前车速度的敏感性显著增加,对后车速度的敏感性显著减小.刺激—反应类跟驰模型在晴天和雾霾天气下的适用性相对安全距离类跟驰模型具有较好的一致性.晴天和雾霾天气下以及不同速度跟驰状态下GM模型和CA模型的表现水平差异不显著.实验结果为不同环境下特别是雾霾天气下的交通微观仿真的参数标定提供了参考.

摘要： 车辆跟驰模型是智能交通系统(intelligent transportation system,ITS)中研究微观交通流的一个主要内容,而稳定性分析则是跟驰模型研究的一个重要问题.为了有效分析跟驰模型的稳定性,本文从控制理论的角度出发,针对典型的全速度差(full velocity difference,FVD)跟驰模型,提出了基于Lyapunov函数的稳定性分析.随后对FVD模型进行了数值仿真,结果表明了本方法的有效性.

摘要： 为了准确预测追尾现象的发生与否,精确计算追尾的时刻,根据车辆的运动状态预先提出防止追尾发生的建议.由跟驰试验数据确定跟驰模型参数,合理应用跟驰模型,结合前车的运动方程建立车辆追尾模型,应用微积分和数值计算相结合的方法推导后车的运动方程和计算追尾时刻.应用所建立的模型可以预测车辆跟驰过程中即将发生的追尾事故,提出避免追尾的驾驶建议,也可以精确计算追尾时刻和追尾时刻前后车的运动状态.车辆驾驶得愈平稳,愈可以避免追尾事故的发生.

摘要： 应用跟驰模型,研究影响安全车距的因素,确定安全车距的取值,基于跟驰模型提出安全行车的合理建议.应用拉普拉斯变换来确定跟驰模型参数的取值范围,达到稳定模拟的效果.应用回归分析确定模型参数,采用数值模拟的方法确定安全车距的合理取值.不同的车辆需要与前车保持不同的安全时距,应用跟驰模型可以合理确定该值.就本文所述的小型客车而言,当车速较高时,后车要与前车保持大于2.58～3.23秒的安全时距,当车速较低时,应保持更大的安全时距,才能保证跟驰行为是安全的,避免追尾事故的发生.车辆对前车的反应强度、驾驶者的反应时间是影响追尾事故发生与否的关键影响因素.车辆刹车性能的提高,对减少交通事故的作用是有限的,更重要的决定因素是较小的反应时间和合理的驾驶行为.

摘要： 研究基于非线性跟驰模型(GM模型)的交通混沌现象和交通混沌识别方法，并用神经网络方法进行混沌预测实验。交通混沌是—个前沿性交叉领域，其中混沌识别及混沌预测是当前交通混沌研究的热点内容。为研究交通流中的混沌现象，由非线性跟驰模型产生仿真交通流；通过对车辆间的车头间距进行混沌识别分析，证实了处于跟驰状态中的前后车辆之间存在混沌运动；结合神经网络在逼近非线性函数上的优势，设计RBF(径向基函数)神经网络进行混沌预测。实验表明该网络能对跟驰车辆问的混沌运动进行有效预测，本文提出的交通混沌预测算法可以推广应用于实际交通流的混沌行为预测。

摘要： 高速公路目前还存在着许多显而易见的问题,比如节假日高速公路常发性堵车等.如何合理的设置、管理,提高高速公路的通行能力,有极高的研究价值.通过分析交织区、匝道等各环节的各种交通特性,利用排队模型、跟驰模型对高速公路的通行能力进行了分析,当密度很大以致车辆无法行进时，流量为零，因为没有活动，车辆不能通过道路上任一点，使所有流向都停止的密度，这时的密度称为阻塞密度。当设施流量达到最大值时就是其通行能力，这时出现的密度称为临界密度，相应的速度称为临界速度。当道路上没有车辆时，密度为零，流量也为零。从交通流参数间的关系得知，在量测中，密度与速度是单值的，而不像流量与速度那样是双值的。因此，高速公路交通运行效率量度的两个关键量测参数是密度和速度。高速公路的通行能力实际上是一个相对很复杂的问题，有待于进一步的研究。

摘要： 为了解决学术界关于安全车距的理论值和实际道路情况观测值的巨大差异，通过建立新的跟驰模型，精确模拟车辆之间的跟驰行为。使模型更符合车辆在道路上的实际情况，并得出可供驾驶员实际操作的安全车距参考值;结合优秀驾驶员的经验，提出了具有指导性的保持安全车距和换道、刹车的一体化流程再造;探讨了安全车距的区间和极限情况，并提出了缩短安全车距的可靠办法，提高了道路利用效率。实证数据也验证了其结论具有广泛的适用性。

摘要： 车辆跟驰模型对于分析追尾事故、描述交通流的稳定性具有重要的意义。由于车辆跟驰行为受到诸多因素的影响,同时各因素之间存在许多信息反馈环节并且呈现非线性的特点。本文利用系统动力学理论建立了车辆跟驰的仿真模型。模型充分考虑了驾驶员由信息感知、决策判断到反应操作的信息处理过程,体现了时间上的延迟。跟驰车辆驾驶员可以根据引导车辆车速变化、自身的“期望车距”确定调整车速的变化率。运用所建立的跟驰模型,在设定引导车辆减速条件下,对跟驰车辆的速度调整以及前后两车之间的车距进行了仿真分析。

摘要： 微观交通仿真模型运用大量的独立参数来描述交通系统运行,交通流特性以及驾驶员行为等参数的取值对仿真结果有很大的影响。因大多数仿真参数模型都是针对国外的交通状况确定的,因此在应用时应结合国内的情况进行参数的标定。概述了参数标定的过程,对单车道城市道路路段规范值与系统参数取默认值情况下的可能通行能力进行了比较研究。

摘要： 微观交通仿真模型运用大量的独立参数来描述交通系统运行,交通流特性以及驾驶员行为等参数的取值对仿真结果有很大的影响。因大多数仿真参数模型都是针对国外的交通状况确定的,因此在应用时应结合国内的情况进行参数的标定。概述了参数标定的过程,对单车道城市道路路段规范值与系统参数取默认值情况下的可能通行能力进行了比较研究。

摘要： 本发明提供了一种基于GRU与Gipps融合的车辆跟驰方法，方法中引入GRU神经网络模型，该模型考虑驾驶员驾驶车辆的时序特性，通过真实的驾驶数据学习驾驶员的驾驶特性，输出类似真实驾驶员控制车辆时的速度v

摘要： 本发明公开了一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；步骤4，基于核密度估计方法或是Kolmogorov‑Smirnov检验统计分析方法进行跟驰行为异质性分析。本发明的基于跟驰模型标定的跟驰行为异质性分析方法，通过步骤1至步骤4的设置，便可有效的实现对于跟驰行为进行异质性分析了。

摘要： 本发明公开了一种基于跟驰模型标定的跟驰行为异质性分析方法，包括如下步骤：步骤1，对跟驰案例进行筛选，并根据异质性分析需求将跟驰案例进行分类；步骤2，基于跟驰模型，使用遗传算法对各个跟驰案例进行分别标定；步骤3，设置一个阈值，滤除标定结果与实际情况误差较大的案例；步骤4，基于核密度估计方法或是Kolmogorov‑Smirnov检验统计分析方法进行跟驰行为异质性分析。本发明的基于跟驰模型标定的跟驰行为异质性分析方法，通过步骤1至步骤4的设置，便可有效的实现对于跟驰行为进行异质性分析了。

摘要： 本发明涉及车辆跟驰技术领域，具体涉及一种基于注意力模型的智能网联车跟驰模型，数据获取模块，用于获取历史车辆跟驰数据，所述历史车辆跟驰数据包括车辆信息、车距信息；模型构建模块，用于根据获取到的历史车辆跟驰数据，利用神经网络算法，构建BP神经网络模型；还用于根据获取到的历史车辆跟驰数据，构建Gipps跟驰模型；线性组合模块，用于根据构建好的BP神经网络模型和Gipps跟驰模型，进行线性组合，生成对应的线性组合预测模型；速度预测模块，用于利用线性组合模型，根据上一时刻下的车辆跟驰数据，对跟驰车辆的当前跟驰速度进行预测。本方案能够在确保跟驰车辆安全的前提下，实现对跟驰车辆的跟驰速度的真实预测。

摘要： 本发明公开了一种基于微观OVDM跟驰模型的宏观交通流模型建模方法，用于解决现有的OVDM微观交通流跟驰模型对宏观交通流适应性差的技术问题。技术方案是在分析车头间距Δx与车辆平均密度ρ的关系的基础上，建立新的交通模型。通过新的交通模型得到系统稳定性的关系，并与微观交通流模型对比，得到两者之间的联系。从而可以将微观与宏观交通流模型联系起来，为交通控制、决策提供基本依据，可以在宏观交通流中直接应用处理交通拥堵问题。

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： 本发明公开了一种智能网联环境下基于规则的车队跟驰模型方法，包括：构建基于规则的网联车队框架模型；采用二分之一斜率法对舒适度与行车时间加以平衡，计算出最佳加减速方案；基于框架模型以及加减速方案构建基于规则的车队跟驰模型。本发明的方法为形成较小间距、速度一致的自动驾驶车队，将速度一致、避免碰撞、尽量靠近三条原则作为智能网联汽车的交互规则，借鉴安全距离类模型的形式，结合车辆运动学，达到所构建的模型可以在安全的前提下使得后车以较小的间距、一致的速度进行稳定跟驰的效果。

摘要： 本发明公开了一种基于安全势场理论道路弯道处二维平面的自动驾驶车辆跟驰模型的建立方法：获取道路弯道处道路几何线形信息、自动驾驶车辆信息与交通流中车辆信息；建立道路弯道处二维平面的自动驾驶车辆物理力学函数，根据安全势场理论构建二维平面的自动驾驶车辆势场模型与道路势场模型，通过物理力学函数得到弯道处自动驾驶车辆与前方车辆的速度与加速度将车辆势场与道路势场叠加最终建立自动驾驶车辆弯道安全势场跟驰模型。本发明能够有效评价道路弯道处自动驾驶车辆跟驰行为的行驶风险，为自动驾驶车辆的推广及在既有道路基础设施的实际运营进行安全隐患的排查。

摘要： 本发明公开了一种基于最优速度的车辆跟驰模型及其安全性分析方法，包括：基于交通场景中的的车辆和驾驶员信息，构建最优速度模型；引入车头时距确定最优速度模型的临界情况，分析得到跟驰模型的加速度受限条件；对跟驰模型进行稳定性分析，得到跟驰模型的稳定条件；将所得到的稳定的跟驰模型与其他跟驰模型进行对比，验证模型的拟合精度；仿真模拟三个典型的交通场景：车队启动过程、车队停止过程和车队匀速过程，验证跟驰模型安全性。本发明解决了现有技术中存在的微观交通流模型中未兼顾跟驰状态与驾驶安全性的问题。

摘要： 本发明公开了一种基于Newell跟驰模型的车辆轨迹预测方法，包括S1、获取网联车辆的轨迹数据；S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。本发明提出一种可以有效联合宏观交通流参数与微观轨迹的轨迹预测算法，可以较为精确地预测人工驾驶车辆的轨迹；提出的曲线匹配的算法可以自动计算每一辆人工驾驶车辆的跟驰参数，提高轨迹预测算法的精度；能应用于其他场景，为自动驾驶车辆的轨迹规划提供支撑，保证驾驶安全。