CN108845498A - 一种考虑反应滞后时间的驾驶员跟驰模型 - Google Patents
一种考虑反应滞后时间的驾驶员跟驰模型 Download PDFInfo
- Publication number
- CN108845498A CN108845498A CN201810616389.0A CN201810616389A CN108845498A CN 108845498 A CN108845498 A CN 108845498A CN 201810616389 A CN201810616389 A CN 201810616389A CN 108845498 A CN108845498 A CN 108845498A
- Authority
- CN
- China
- Prior art keywords
- driver
- speed
- following
- response lag
- unit
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
- G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明属于汽车智能控制和交通仿真领域,具体的说是一种考虑反应滞后时间的驾驶员跟驰模型。本发明的目的是通过驾驶员模型实现对汽车纵向速度的控制,并真实地反映驾驶员在跟车驾驶过程中的跟随特性和反应滞后特性。本发明将车间距、前车速度、自车速度作为模型输入变量,将一定时间延迟后的期望加速度作为模型输出,将驾驶员反应滞后时间划分为相对于车间距变化和前车速度变化的两种时变参数,所述模型在真实生活或交通仿真中用于汽车跟车行驶过程中的纵向速度控制。本发明所建立的驾驶员模型结构简单,既能体现驾驶员跟车行驶过程中的跟随特性,也可以体现其反应滞后特性,与现有传统模型相比,具有更高的真实性。
Description
技术领域
本发明属于汽车智能控制和交通仿真领域,具体的说是一种考虑反应滞后时间的驾驶员跟驰模型。
背景技术
随着机动车保有量和驾驶员数量的不断增加,频发的交通事故每年带来巨大的人员伤亡和财产损失。为了有效降低驾驶员驾驶负担,提高其驾驶能力,减少交通事故的发生,研究人员基于车辆动力学特性、控制理论和计算机技术等多领域的知识,开发了自适应巡航系统等一系列智能辅助驾驶系统。
智能辅助驾驶系统为驾驶员提供支持与辅助,与驾驶员关系密切,不仅应该能够保证可靠性与安全性,其决策特性和控制特性还应该符合驾驶员的行为习惯,不能干扰其正常驾驶,保证驾驶员对辅助系统的接受度。而驾驶员驾驶员行为的特性和规律也可以为科研人员提供设计思路。
跟车行驶是道路交通的典型工况,建立能准确反映驾驶员跟车行驶特性的跟驰模型是驾驶员行为研究和智能辅助驾驶系统开发的热点之一,也被广泛应用于交通仿真领域。基于车间运动学关系的建模方法是一种最基本的方式,研究人员往往使用数学公式描述驾驶员跟车行驶过程中的某种现象的机理或者成因,模型形式简单明了,计算速度快,实用性强。
1995年Bando等人在文献“Dynamical model of traffic congestion andnumerical simulation”提出了具有重要影响力的优化速度模型(Optimal VelocityModel,OVM),认为驾驶员会通过判断当前车间距而形成并收敛到期望的最优速度。之后,Helbing等人在文献“Generalized Force Model of Traffic Dynamics”通过引入负速度差,提出了广义力模型(Generalized Force Model,GFM);而Rui Jiang等人在文献“Fullvelocity difference model for a car-following theory”进一步考虑到正速度差的作用,提出了更符合实际的全速度差模型(Full Velocity Difference Model,FVDM)。但上述经典的驾驶员跟驰模型并未考虑驾驶员跟车驾驶行为的变化性,特别是反应滞后时间的变化性,并不能真实反映驾驶员的跟车行驶过程。
发明内容
本发明提供了一种考虑反应滞后时间的驾驶员跟驰模型,根据对驾驶员日常跟车驾驶行为数据的分析,将驾驶员反应滞后划分为相对于前车速度变化的反应滞后和相对于车间距变化的反应滞后,使用不同形式的对数函数分别描述了驾驶员两种反应滞后时间随平均车间距变化的特性。该发明在计算纵向加速度时充分考虑了驾驶员反应滞后的变化性,可以更加真实的体现驾驶员的实际驾驶行为,解决了现有技术中不能真实反映驾驶员的跟车行驶过程的问题,特别是反应滞后时间的变化性。
本发明技术方案结合附图说明如下:
一种考虑反应滞后时间的驾驶员跟驰模型,所述的跟驰模型在真实生活或交通仿真中用于汽车跟车行驶过程中的纵向速度控制;所述的跟驰模型中将车间距、前车速度、自车速度作为模型输入变量,将一定时间延迟后的期望加速度作为模型输出变量,考虑驾驶员反应滞后时间的变化性,并将驾驶员反应滞后时间划分为相对于前车速度变化和车间距变化的两种时变参数。
所述的一定时间延迟后的期望加速度根据最优期望速度与自车速度的差值、前车速度与自车速度的差值和驾驶员反应滞后时间得到,具体公式如下:
其中,vf(t)与vl(t)分别是当前时刻自车与前车的速度,单位是m/s;Vopt(t)是当前时刻最优期望速度,单位是m/s;Td(t)、Tv(t)分别为当前时刻驾驶员相对于车间距变化、前车速度变化的反应滞后时间,单位是s;Ta(t)是当前时刻驾驶员跟驰模型的反应滞后调节系数,单位是s;t为当前采样时刻,单位是s。
所述的最优期望速度Vopt(t)是车间距的单调递增函数,根据当前时刻的车间距由以下公式得到:
Vopt(t)=Vmax{1-exp[α(d0-D(t))]}··················(2)
其中,Vmax是当最大期望速度,单位是m/s;α是指数函数的斜率,单位是m-1;d0是指数函数的截距,单位是m;D(t)是当前时刻车间距,单位是m。
所述的d0由车辆日常跟车行驶过程中的停车间距的平均值确定;所述的Vmax、α由车辆日常跟车行驶过程中各采样时刻的车间距和其对应的汽车速度通过最小二乘法辨识得到。
所述的当前时刻驾驶员相对于前车速度变化的反应滞后时间Tv(t)由以下公式得到:
Tv(t)=T1+T2{sinh[γ1*D(t)-γ2]}··················(3)
其中,T1、T2均是基础时间参数,单位均为s;γ1是车间距比例系数,单位是m-1;γ2是双曲正弦函数的调节系数,单位是1,D(t)是当前时刻车间距,单位是m。
所述的基础时间参数T1、T2、车间距比例系数γ1、双曲正弦函数的调节系数γ2由基于车辆日常跟车行驶过程中前车与自车的速度变化曲线筛选的车辆轨迹数据通过最小二乘法辨识得到,其中将速度变化曲线中形状相似处的极值点的时间差值作为Tu,将该时间段内车间距的平均值作为与Tv相对应的D。
所述的当前时刻驾驶员相对于车间距变化的反应滞后时间Td(t)由以下公式得到:
Td(t)=Tdmax{1-exp[β(d1-D(t))]}·····(4)
其中,Tdmax是Td的最大值,单位是s;β是指数函数的斜率,单位是m-1;d1是指数函数的截距,单位是m,D(t)是当前时刻车间距,单位是m。
所述的数函数的斜率β和数函数的截距d1根据车辆日常跟车行驶过程中前车与自车的速度变化曲线通过最小二乘法辨识得到,其中将速度变化曲线中形状相似处的相交点和自车速度曲线的极值点的时间差值作为Td,将该时间段内车间距的平均值作为与Td相对应的 D。
所述的当前时刻驾驶员跟驰模型的反应滞后调节系数Ta(t)由Td根据以下公式得到:
Ta(t)=k*Td(t)··························(5)
其中,k是比例系数,单位是1。
所述的比例系数k的取值范围为0–0.5。
本发明的有益效果为:
1、在保证对前车速度跟随的前提下,能够较为真实地体现驾驶员的反应滞后特性,特别是当前车运动状态发生较大变化时;
2、当自车以较高行驶速度接近以较低车速行驶的前车时,本发明建立的驾驶员跟驰模型能够使自车更加迅速地达到稳定跟车状态,且自车速度变化过程更加平顺。
附图说明
图1是车间距-自车速度原始数据与期望速度模型的对比结果对比图;
图2是驾驶员反应滞后时间标定方法的示意图;
图3a是车间距-反应滞后时间原始数据图;
图3b是是反应滞后时间Td随车间距变化的原始数据图;
图4a是不同车间距水平下反应滞后时间Tv的一般变化趋势与其辨识模型的对比结果图;
图4b是是不同车间距水平下反应滞后时间Td的一般变化趋势与其辨识模型的对比结果图;
图5是基于驾驶员跟驰模型的自适应巡航控制系统的结构图;
图6是驾驶员跟驰模型与实际驾驶员对汽车纵向速度的控制效果对比图;
图7是驾驶员跟驰模型与实际驾驶员对汽车纵向加速度的控制效果对比图;
图8a是本发明提出的驾驶员跟驰模型控制汽车远距离接近禁止前车时的速度变化过程图;
图8b是本发明提出的驾驶员跟驰模型控制汽车远距离接近禁止前车时的加速度变化过程图;
图8c是传统的全速度差模型控制汽车远距离接近禁止前车时的速度变化过程图;
图8d是传统的全速度差模型控制汽车远距离接近禁止前车时的加速度变化过程图。
具体实施方式
本发明提出的驾驶员跟驰模型将车间距、前车速度、自车速度作为模型输入变量,将期望加速度作为模型输出变量,根据期望最优速度与自车速度的差值、前车速度与自车速度的差值和驾驶员反应滞后时间计算一定时间延迟后的期望加速度,其计算公式如下:
其中,vf(t)与vl(t)分别是当前时刻自车与前车的速度,单位是m/s;Vopt(t)是当前时刻最优期望速度,单位是m/s;Td(t)、Tv(t)分别为当前时刻驾驶员相对于车间距变化、前车速度变化的反应滞后时间,单位是s;Ta(t)是当前时刻驾驶员跟驰模型的反应滞后调节系数,单位是s;t为当前采样时刻,单位是s。
最优期望速度是车间距的单调递增函数,由当前车间距根据以下公式计算:
Vopt(t)=Vmax{1-exp[α(d0-D(t))]}·······(2)
其中,Vmax是当最大期望速度,单位是m/s;α是指数函数的斜率,单位是m-1;d0是指数函数的截距,单位是m;D(t)是当前时刻车间距,单位是m。
驾驶员相对于前车速度变化的反应滞后时间是车间距的单调递增函数,根据当前时刻的车间距由以下公式得到:
Tv(t)=T1+T2{sinh[γ1*D(t)-γ2]}··························(3)
其中,T1、T2均是基础时间参数,单位均为s;γ1是车间距比例系数,单位是m-1;γ2是双曲正弦函数的调节系数,单位是1。
驾驶员相对于车间距变化的反应滞后时间是车间距的单调递增函数,根据当前时刻的车间距由以下公式得到:
Td(t)=Tdmax{1-exp[β(d1-D(t))]}······(4)
其中,Tdmax是Td的最大值,单位是s;β是指数函数的斜率,单位是m-1;d1是指数函数的截距,单位是m,D(t)是当前时刻车间距,单位是m。
驾驶员跟驰模型的参数使用驾驶员跟车行驶过程中的车辆数据进行离线辨识。
本实施例以Carmaker车辆动力学软件和罗技G27方向盘套装为基础,建立桌面模拟驾驶器,在仿真度较高的模拟场景中,让具有实际驾驶经验的驾驶员进行模拟跟车驾驶。
参阅图1,通过模拟驾驶实验获得车辆轨迹数据,使用车间距-自车速度数据辨识D-Vopt函数,即最优速度模型中的参数,包括以下步骤:
步骤一,由跟车行驶过程中的停车间距的平均值确定d0;
步骤二,将d0代入公式(2),使用最小二乘辨识法辨识Vmax和α。
图1中,根据车辆轨迹数据辨识得到的最优速度模型可以真实的反映原始车间距-自车速度数据的整体变化趋势。
参阅图2,使用前车与自车的时间-速度数据辨识D-Tv函数和D-Td函数。图2中,将前车与自车速度变化曲线形状相似处的各自的极值点,即A点和C点的时间间隔,作为Tv,这期间的车间距的平均值作为相应的D;将前车与自车速度变化曲线形状相似处的交汇点和自车速度变化曲线的极值点,即B点和C点的时间间隔,作为Td,这期间的车间距的平均值作为相应的D。
参阅图3a、图3b,根据上述方法,对模拟驾驶实验获得的前车与自车的时间-速度数据进行标定,获得D-Tv散点图和D-Td散点图。
参阅图4a、图4b,根据图3中各组数据的分布情况,以2m为步长,将车间距划分为不同的区间,对各区间内的所有数据点的Tv和Td计算平均值,得到不同车间距水平下,驾驶员反应滞后时间Tv和Td的一般变化趋势。
根据上述计算获得的原始数据点使用最小二乘法辨识D-Tv函数和D-Td函数中的未知参数,得到驾驶员反应滞后时间的辨识模型。图4中,辨识得到的D-Tv函数和D-Td函数可以真实的反映驾驶员反应滞后时间Tv和Td随车间距变化的一般趋势。
驾驶员跟驰模型的反应滞后调节系数Ta,由当前时刻的Td根据以下公式计算得到:
Ta(t)=k*Td(t)··········(5)
其中,k是比例系数,单位是1。
为保证驾驶员跟驰模型在进行汽车纵向速度控制时的稳定性,k的取值范围设定为0– 0.5。k的取值越大,稳定性越差,但驾驶员的反应滞后特性表现得越真实。
参阅图5,将本发明提出的驾驶员跟驰模型称为动态反应-全速度差模型(DynamicReaction-Full Velocity Difference Model,DR-FVDM),把DR-FVDM与FVDM分别作为自适应巡航控制系统的上层控制器,在与上述模拟驾驶实验相同的实验条件和实验工况下,进行汽车的纵向速度控制。
经过上述数据辨识过程,获得的DR-FVDM参数为:Vmax=25.19m/s,α=0.04061m-1,d0=4.759m,Tdmax=3.424s,β=0.02831m-1,d1=-4.201m,T1=2.57s,T2=0.7938s,γ1=0.05628m-1,γ2=1.221,k取值为0.4。
FVDM以当前时刻车间距、自车速度和前车速度作为模型输入变量,根据以下公式计算期望加速度:
使用本发明建立的最优速度模型计算FVDM中的Vopt,κ=0.41s-1,λ按照以下公式进行赋值:
其中a=0.5s-1,b=0。
参阅图6、图7,到驾驶员跟驰模型与实际驾驶员在模拟驾驶过程中的车辆轨迹数据的对比结果。图6与图7说明,从车辆的速度与加速度曲线的形状情况来看,本发明建立的DR-FVDM能够更加真实地再现前车和自车的行驶过程,与实际驾驶员的反应滞后特性更加相近。
参阅图8a、图8b、图8c和图8d,前方200m处的车道中间停放有静止的车辆,并假设通过车间无线通讯技术,自车可以随时获取前方任意远处目标车的运动状态。在与上述模拟驾驶实验相同的实验场景中,通过仿真实验,获得FVDM和DR-FVDM两种驾驶员跟驰模型对自车纵向速度的控制结果。图8a—图8b说明,当自车以较高速度远距离接近静止的前车时,本发明建立的DR-FVDM相比于FVDM,对自车加速度的控制更加平顺。图8c和图8d中,当自车停车后,期望加速度与实际加速度依然存在明显的偏差,这说明自车的实际停车间距小于期望停车间距,综合图8a和图8b中自车速度的变化过程,在DR-FVDM 的控制下,自车能够在更短的时间内完成平稳停车操作。
Claims (10)
1.一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的跟驰模型在真实生活或交通仿真中用于汽车跟车行驶过程中的纵向速度控制;所述的跟驰模型中将车间距、前车速度、自车速度作为模型输入变量,将一定时间延迟后的期望加速度作为模型输出变量,考虑驾驶员反应滞后时间的变化性,并将驾驶员反应滞后时间划分为相对于前车速度变化和车间距变化的两种时变参数。
2.根据权利要求1所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的一定时间延迟后的期望加速度根据最优期望速度与自车速度的差值、前车速度与自车速度的差值和驾驶员反应滞后时间得到,具体公式如下:
其中,vf(t)与vl(t)分别是当前时刻自车与前车的速度,单位是m/s;Vopt(t)是当前时刻最优期望速度,单位是m/s;Td(t)、Tv(t)分别为当前时刻驾驶员相对于车间距变化、前车速度变化的反应滞后时间,单位是s;Ta(t)是当前时刻驾驶员跟驰模型的反应滞后调节系数,单位是s;t为当前采样时刻,单位是s。
3.根据权利要求2所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的最优期望速度Vopt(t)是车间距的单调递增函数,根据当前时刻的车间距由以下公式得到:
Vopt(t)=Vmax{1-exp[α(d0-D(t))]}·····(2)
其中,Vmax是当最大期望速度,单位是m/s;α是指数函数的斜率,单位是m-1;d0是指数函数的截距,单位是m;D(t)是当前时刻车间距,单位是m。
4.根据权利要求3所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的d0由车辆日常跟车行驶过程中的停车间距的平均值确定;所述的Vmax、α由车辆日常跟车行驶过程中各采样时刻的车间距和其对应的汽车速度通过最小二乘法辨识得到。
5.根据权利要求2所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的当前时刻驾驶员相对于前车速度变化的反应滞后时间Tv(t)由以下公式得到:
Tv(t)=T1+T2{sinh[γ1*D(t)-γ2]}·········(3)
其中,T1、T2均是基础时间参数,单位均为s;γ1是车间距比例系数,单位是m-1;γ2是双曲正弦函数的调节系数,单位是1,D(t)是当前时刻车间距,单位是m。
6.根据权利要求5所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的基础时间参数T1、T2、车间距比例系数γ1、双曲正弦函数的调节系数γ2由基于车辆日常跟车行驶过程中前车与自车的速度变化曲线筛选的车辆轨迹数据通过最小二乘法辨识得到,其中将速度变化曲线中形状相似处的极值点的时间差值作为Tv,将该时间段内车间距的平均值作为与Tv相对应的D。
7.根据权利要求2所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的当前时刻驾驶员相对于车间距变化的反应滞后时间Td(t)由以下公式得到:
Td(t)=Tdmax{1-exp[β(d1-D(t))]}······(4)
其中,Tdmax是Td的最大值,单位是s;β是指数函数的斜率,单位是m-1;d1是指数函数的截距,单位是m,D(t)是当前时刻车间距,单位是m。
8.根据权利要求2所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的数函数的斜率β和数函数的截距d1根据车辆日常跟车行驶过程中前车与自车的速度变化曲线通过最小二乘法辨识得到,其中将速度变化曲线中形状相似处的相交点和自车速度曲线的极值点的时间差值作为Td,将该时间段内车间距的平均值作为与Td相对应的D。
9.根据权利要求7所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的当前时刻驾驶员跟驰模型的反应滞后调节系数Ta(t)由Td根据以下公式得到:
Ta(t)=k*Td(t)·············(5)
其中,k是比例系数,单位是1。
10.根据权利要求9所述的一种考虑反应滞后时间的驾驶员跟驰模型,其特征在于,所述的比例系数k的取值范围为0–0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810616389.0A CN108845498B (zh) | 2018-06-15 | 2018-06-15 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810616389.0A CN108845498B (zh) | 2018-06-15 | 2018-06-15 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108845498A true CN108845498A (zh) | 2018-11-20 |
CN108845498B CN108845498B (zh) | 2021-04-20 |
Family
ID=64202585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810616389.0A Active CN108845498B (zh) | 2018-06-15 | 2018-06-15 | 一种考虑反应滞后时间的驾驶员跟驰模型 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108845498B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110126641A (zh) * | 2019-05-21 | 2019-08-16 | 河南科技学院 | 一种电动汽车直线跟驰方法及跟驰系统 |
CN111717213A (zh) * | 2019-03-18 | 2020-09-29 | 长城汽车股份有限公司 | 自动驾驶车辆的巡航控制方法及装置 |
CN112124309A (zh) * | 2020-09-22 | 2020-12-25 | 山东劳动职业技术学院(山东劳动技师学院) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 |
CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
CN113642114A (zh) * | 2021-09-14 | 2021-11-12 | 吉林大学 | 可犯错的拟人化随机跟车驾驶行为建模方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719354A (zh) * | 2005-05-08 | 2006-01-11 | 上海交通大学 | 车辆跟驰运动的加速度控制方法 |
CN101264762A (zh) * | 2008-03-21 | 2008-09-17 | 东南大学 | 车辆跟驰运动的速度控制方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107089231A (zh) * | 2017-03-27 | 2017-08-25 | 中国第汽车股份有限公司 | 一种自动跟车行驶控制系统及其方法 |
CN107544254A (zh) * | 2017-10-12 | 2018-01-05 | 北京航空航天大学 | 一种期望安全裕度跟驰模型的自适应动态滑模控制方法 |
CN107738644A (zh) * | 2017-09-30 | 2018-02-27 | 长安大学 | 一种车辆避碰控制方法 |
CN107804322A (zh) * | 2017-09-18 | 2018-03-16 | 众泰新能源汽车有限公司 | 一种纯电动汽车整车控制器的自适应巡航控制方法 |
CN107832517A (zh) * | 2017-11-01 | 2018-03-23 | 合肥创宇新能源科技有限公司 | 基于相对运动关系的acc纵向运动学建模方法 |
-
2018
- 2018-06-15 CN CN201810616389.0A patent/CN108845498B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719354A (zh) * | 2005-05-08 | 2006-01-11 | 上海交通大学 | 车辆跟驰运动的加速度控制方法 |
CN101264762A (zh) * | 2008-03-21 | 2008-09-17 | 东南大学 | 车辆跟驰运动的速度控制方法 |
CN102991498A (zh) * | 2011-12-19 | 2013-03-27 | 王晓原 | 基于多源信息融合的驾驶员跟驰行为模型 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107089231A (zh) * | 2017-03-27 | 2017-08-25 | 中国第汽车股份有限公司 | 一种自动跟车行驶控制系统及其方法 |
CN107804322A (zh) * | 2017-09-18 | 2018-03-16 | 众泰新能源汽车有限公司 | 一种纯电动汽车整车控制器的自适应巡航控制方法 |
CN107738644A (zh) * | 2017-09-30 | 2018-02-27 | 长安大学 | 一种车辆避碰控制方法 |
CN107544254A (zh) * | 2017-10-12 | 2018-01-05 | 北京航空航天大学 | 一种期望安全裕度跟驰模型的自适应动态滑模控制方法 |
CN107832517A (zh) * | 2017-11-01 | 2018-03-23 | 合肥创宇新能源科技有限公司 | 基于相对运动关系的acc纵向运动学建模方法 |
Non-Patent Citations (8)
Title |
---|
CHIYOMI MIYAJIMA等: "Driver Modeling Based on Driving Behavior and Its Evaluation in Driver Identification", 《PROCEEDINGS OF THE IEEE》 * |
JIANQIANG WANG: "An Adaptive Longitudinal Driving Assistance System Based on Driver Characteristics", 《IEEE TRANSACTIONS ON INTELLIGENT TRANSPORTATION SYSTEMS》 * |
M. BANDO等: "Dynamical model of traffic congestion and numerical simulation", 《PHYSICAL REVIEW E》 * |
RUI JIANG等: "Full velocity difference model for a car-following theory", 《PHYSICAL REVIEW E》 * |
丁海涛等: "基于加速度反馈的任意道路和车速跟随控制驾驶员模型", 《机械工程学报》 * |
张智勇等: "减速跟车状态后车司机反应时间研究", 《北京工业大学学报》 * |
王龙: "基于虚拟驾驶环境的驾驶员反应时间采集和测算研究", 《交通工程》 * |
高振海等: "驾驶员最优预瞄纵向加速度模型", 《汽车工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111717213A (zh) * | 2019-03-18 | 2020-09-29 | 长城汽车股份有限公司 | 自动驾驶车辆的巡航控制方法及装置 |
CN110126641A (zh) * | 2019-05-21 | 2019-08-16 | 河南科技学院 | 一种电动汽车直线跟驰方法及跟驰系统 |
CN110126641B (zh) * | 2019-05-21 | 2022-10-04 | 河南科技学院 | 一种电动汽车直线跟驰方法及跟驰系统 |
CN112124309A (zh) * | 2020-09-22 | 2020-12-25 | 山东劳动职业技术学院(山东劳动技师学院) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 |
CN112124309B (zh) * | 2020-09-22 | 2021-08-27 | 山东劳动职业技术学院(山东劳动技师学院) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 |
CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
CN113642114A (zh) * | 2021-09-14 | 2021-11-12 | 吉林大学 | 可犯错的拟人化随机跟车驾驶行为建模方法 |
CN113642114B (zh) * | 2021-09-14 | 2023-10-17 | 吉林大学 | 可犯错的拟人化随机跟车驾驶行为建模方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108845498B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108845498A (zh) | 一种考虑反应滞后时间的驾驶员跟驰模型 | |
CN108806252B (zh) | 一种高速公路混合交通流协同优化控制方法 | |
CN105741637B (zh) | 四轮轮毂电机电动汽车智能转向控制方法 | |
CN113781806B (zh) | 一种用于智能网联环境下的混合交通流通行方法 | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
CN108520155B (zh) | 基于神经网络的车辆行为模拟方法 | |
CN112896186B (zh) | 一种车路协同环境下的自动驾驶纵向决策控制方法 | |
CN111267830B (zh) | 一种混合动力公交车能量管理方法、设备和存储介质 | |
CN109733474A (zh) | 一种基于分段仿射分层控制的智能车转向控制系统及方法 | |
CN103324085A (zh) | 基于监督式强化学习的最优控制方法 | |
CN110516746A (zh) | 一种基于无标签数据的驾驶员跟车行为风格分类方法 | |
CN104462716B (zh) | 一种基于人‑车‑路模型的脑‑控车辆的脑‑机接口参数和动力学参数设计方法 | |
CN103092076A (zh) | 动车组制动过程多模型自适应pid控制 | |
CN112099349B (zh) | 一种车辆队列最优协同控制方法 | |
CN109765801A (zh) | 基于vissim仿真的车联网设计速度调整的实现方法 | |
CN109978025A (zh) | 一种基于高斯过程回归的智能网联车辆前车加速度预测方法 | |
CN116432448B (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
Xin et al. | Modeling and impact analysis of connected vehicle merging accounting for mainline random length tight-platoon | |
Xue et al. | A platoon-based cooperative optimal control for connected autonomous vehicles at highway on-ramps under heavy traffic | |
Shen et al. | Energy-efficient connected cruise control with lean penetration of connected vehicles | |
CN112198799A (zh) | 一种基于深度学习的高速列车停车控制方法及系统 | |
CN107092988B (zh) | 一种专用道公交车辆驻站时间预测方法 | |
Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
Xie et al. | Safe driving model based on V2V vehicle communication | |
Zhang et al. | Mechanism of road capacity under different penetration scenarios of autonomous vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |