CN113111502A - 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 - Google Patents

基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 Download PDF

Info

Publication number
CN113111502A
CN113111502A CN202110356714.6A CN202110356714A CN113111502A CN 113111502 A CN113111502 A CN 113111502A CN 202110356714 A CN202110356714 A CN 202110356714A CN 113111502 A CN113111502 A CN 113111502A
Authority
CN
China
Prior art keywords
driver
distance
model
distribution
vehicle
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
Application number
CN202110356714.6A
Other languages
English (en)
Other versions
CN113111502B (zh
Inventor
吴兵
刘艳婷
王艳丽
李林波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202110356714.6A priority Critical patent/CN113111502B/zh
Publication of CN113111502A publication Critical patent/CN113111502A/zh
Application granted granted Critical
Publication of CN113111502B publication Critical patent/CN113111502B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
    • G06T7/85—Stereo camera calibration
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Genetics & Genomics (AREA)
  • Physiology (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，具体包括以下步骤：S1、获取目标车辆和前方车辆的运行轨迹数据；S2、获取目标跟驰模型，计算驾驶员特征参数；S3、获取驾驶过程中目标车辆与前方车辆的感知距离与真实距离之间的误差概率分布；S4、建立误差概率分布、驾驶员特征参数与真实距离之间的关系函数；S5、根据运行轨迹数据对关系函数进行优化，得到关系函数的优化系数；S6、获取驾驶员感知距离误差模型，根据真实距离和优化后的关系函数计算得到基于跟驰模型与驾驶员特征的驾驶员感知距离模型。与现有技术相比，本发明具有同时考虑距离感知行为的影响因素与异质性特征、提高驾驶员感知距离模型的准确性等优点。

Description

基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法
技术领域
本发明涉及驾驶行为技术领域，尤其是涉及一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法。
背景技术
驾驶行为研究成果可以指导交通管理部门制定实施管制措施与政策，从而缓解交通拥挤与事故频发两大城市交通问题的严重程度。同时，驾驶行为规律也是自动驾驶技术发展的重要基础。从微观角度来看，驾驶行为可以看作是“感知-反应”的过程，因此，驾驶员感知机理是驾驶员行为研究中十分重要的内容。
驾驶员在驾驶过程中对本车与前车之间距离的感知值与真实距离存在差异，其差值可称为感知距离误差。通过感知距离误差规律与真实距离可以得到感知距离值，从而得到驾驶员距离感知行为规律。驾驶员在进行距离感知时，受真实距离、驾驶员特征、道路交通条件等多个因素影响，其误差具有随机性。此外，距离感知行为属于完全异质性行为，即不同驾驶员之间与同一驾驶员之间均存在异质性。
因此，距离感知行为研究必须考虑相应的影响因素以及异质性特征。随着车辆运行轨迹数据可获得性的提高，通过跟驰模型研究驾驶员距离感知行为成为重要的研究思路。在该研究思路下，现有的驾驶员感知行为研究方法是主要包括三种：
1)将感知误差看作是真实距离的固定比例；
2)将感知误差看作是随机过程；
3)将感知误差看作概率分布。
作为最新研究方法，将感知误差看作概率分布的研究方法考虑了真实距离对感知距离误差的影响，还实现了距离感知行为的异质性。然而，该方法由于未考虑考虑驾驶员特征对距离感知行为的影响，不仅不能充分考虑不同方面的影响，还导致不能区分不同驾驶员之间的异质性与同一驾驶员之间的异质性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，对感知距离误差服从的分布进行建模，同时考虑距离感知行为的影响因素与异质性特征，提高驾驶员感知距离模型的准确性，更好地满足交通管控的要求。
本发明的目的可以通过以下技术方案来实现：
一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，具体包括以下步骤：
S1、获取目标车辆的运行轨迹数据，以及位于所述目标车辆前方的前方车辆的运行轨迹数据；
S2、获取目标跟驰模型，根据所述目标跟驰模型得到描述目标车辆的驾驶员特征参数；
S3、获取所述目标车辆的驾驶员在驾驶过程中目标车辆与前方车辆的感知距离与真实距离之间的误差概率分布；
S4、建立所述误差概率分布、驾驶员特征参数与真实距离之间的关系函数；
S5、根据所述目标车辆与前方车辆的运行轨迹数据对所述关系函数进行优化，得到关系函数的优化系数；
S6、获取目标车辆的驾驶员感知距离误差模型，根据所述真实距离和优化后的关系函数计算得到基于跟驰模型与驾驶员特征的驾驶员感知距离模型。
所述误差概率分布根据是否有边界分为无界分布与有界分布。
所述无界分布包括正态分布和对数正态分布，所述有界分布包括均匀分布。
进一步地，所述正态分布为对称的概率分布，所述对数正态分布为非对称的偏态分布。
进一步地，所述均匀分布和正态分布设有2个相关参数，所述对数正态分布设有3个相关参数。
进一步地，所述均匀分布和正态分布的2个相关参数包括平均值与标准差。
进一步地，所述步骤S3中优选正态分布作为感知距离与真实距离之间的误差概率分布。
所述目标车辆的运行轨迹数据包括位置、速度和加速度，所述前方车辆的运行轨迹数据包括位置和速度。
所述步骤S4中还包括根据关系函数和预设的截断分布规则，建立目标车辆的驾驶员感知距离误差模型。
进一步地，所述步骤S5中还包括驾驶员感知距离误差模型与目标跟驰模型结合，将求解驾驶员感知距离误差模型中参数问题转化为同时标定跟驰模型与驾驶员感知距离误差模型参数的问题，通过遗传算法对驾驶员感知距离误差模型与目标跟驰模型进行优化，得到驾驶员感知距离误差模型与目标跟驰模型的优化参数。
与现有技术相比，本发明具有以下有益效果：
1.本发明对感知距离误差服从的分布进行建模，同时考虑距离感知行为的影响因素与异质性特征，结合跟驰模型获得的驾驶员特征参数，提高驾驶员感知距离模型的准确性，对驾驶员距离感知行为进行有效预测。
2.本发明从相互独立的不同方面综合考虑驾驶员距离感知行为的影响因素，尤其是驾驶员特征对距离感知行为的影响，不仅能描述不同驾驶员对同一距离的感知结果的差异，还能描述同一驾驶员在不同条件下对同一距离的感知结果的差异，有效提高了驾驶员感知距离模型的适用范围。
3.本发明方便实用，通过利用跟驰模型的参数来计算驾驶员特征参数，因而不需要额外获取驾驶员相关信息数据，有效克服了驾驶员年龄、性别、驾龄等相关信息获取过程较为困难的问题。
附图说明
图1为本发明的流程示意图；
图2为本发明实施例中正态分布截断为有界分布的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例
如图1所示，一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，具体包括以下步骤：
S1、获取目标车辆的运行轨迹数据，以及位于目标车辆前方的前方车辆的运行轨迹数据；
S2、获取目标跟驰模型，根据目标跟驰模型得到描述目标车辆的驾驶员特征参数；
S3、获取目标车辆的驾驶员在驾驶过程中目标车辆与前方车辆的感知距离与真实距离之间的误差概率分布；
S4、建立误差概率分布、驾驶员特征参数与真实距离之间的关系函数；
S5、根据目标车辆与前方车辆的运行轨迹数据对关系函数进行优化，得到关系函数的优化系数；
S6、获取目标车辆的驾驶员感知距离误差模型，根据真实距离和优化后的关系函数计算得到基于跟驰模型与驾驶员特征的驾驶员感知距离模型。
本实施例中，目标跟驰模型具体为纵向控制模型，纵向控制模型中建模单元是人与车的共同体，人车共同体在跟驰状态下处于原始驱动势能场、道路条件与交通管制势能场、前方车辆势场中，对各个势能场下的力进行建模，得到纵向控制模型具体以下公式所示：
Figure BDA0003003572400000041
Figure BDA0003003572400000042
其中，
Figure BDA0003003572400000043
是后车i在感知反应时间τi后执行的加速度；Ai是后车从静止开始起步时的期望最大加速度；
Figure BDA0003003572400000044
是后车i在t时的速度；vi是后车i的理想速度；Sij(t)是后车i时刻t时与前车j的车间距离；
Figure BDA0003003572400000045
是后车i在t时与的后车j的理想车间距离；bi是后车i认为本车在紧急情况下可执行的最大减速度；Bj是后车i认为前车j在紧急情况下可执行的最大减速度；Lj是前车j的有效长度。
bi与Bj均反映了人车共同体中作为人的驾驶员的主观特征，当驾驶员bi大于Bj时，体现了驾驶员较为激进的性格，反之，则体现了驾驶员较为保守的性格。基于此，在纵向控制模型下，驾驶员特征参数可表示为bi-Bj。
误差概率分布根据是否有边界分为无界分布与有界分布。
无界分布包括正态分布和对数正态分布，有界分布包括均匀分布。
正态分布为对称的概率分布，对数正态分布为非对称的偏态分布。
均匀分布和正态分布设有2个相关参数，对数正态分布设有3个相关参数。
均匀分布和正态分布的2个相关参数包括平均值与标准差。
步骤S3中优选正态分布作为感知距离与真实距离之间的误差概率分布。
步骤S4中还包括根据关系函数和预设的截断分布规则，建立目标车辆的驾驶员感知距离误差模型。
本实施例中，选择截断正态分布描述驾驶员感知距离误差，以
Figure BDA0003003572400000051
表示时刻t时的随机变量，以μp(t)表示该随机变量在时刻t时服从的正态分布的平均值，以σp(t)表示该随机变量在时刻t时服从的正态分布的标准差。根据累积分布概率45％与55％取正态分布的截断分布，则平均值与标准差的计算公式如下所示：
Figure BDA0003003572400000052
σp(t)＝n2×ln(Sij(t))×Sij(t)
真实距离与驾驶员特征对平均值都会产生影响，如真实距离越大，平均值越大，驾驶员越激进，平均值越大。为了减少新增加系数个数、从实际事故情况考虑到驾驶员的估计误差并不会很大，即驾驶员感知距离误差的平均值应该是比较小的、后面还会考虑标准差，真实距离与驾驶员特征对平均值的影响采用累乘形式。
真实距离对平均值的影响主要包括两个方面：一是现实情况中小距离估计准确度高，大距离时估计准确度较低；二是跟驰距离120米左右时，误差也不会特别大。因此，采用对数函数ln(Sij(t))，可以使得其影响的增大速度随距离的增大而逐渐变小(距离增大时，影响越来越大，但变大的速度在变小)。
驾驶员特征参数bi-Bj可正可负，当其取值为正时，即驾驶员认为自己的减速度大于前车，表明驾驶员比较激进，推理认为他更可能高估距离。当bi-Bj为正时，
Figure BDA0003003572400000053
取值大于0，反之则小于0。
在构造正态分布的平均值函数关系式时，已经考虑了驾驶员特征参数的影响方向。从实际事故情况考虑到驾驶员的估计误差并不会很大，本实施例中，仅假设真实距离会影响感知距离误差的离散性，并且认为真实距离越大，感知距离误差的离散性越大，采用对数函数的原因与构造平均值函数关系式原因相同。
目标车辆的运行轨迹数据包括位置、速度和加速度，前方车辆的运行轨迹数据包括位置和速度。
步骤S5中还包括驾驶员感知距离误差模型与目标跟驰模型结合，将求解驾驶员感知距离误差模型中参数问题转化为同时标定跟驰模型与驾驶员感知距离误差模型参数的问题，通过遗传算法对驾驶员感知距离误差模型与目标跟驰模型进行优化，得到驾驶员感知距离误差模型与目标跟驰模型的优化参数。
本实施例中，以某市自然驾驶研究数据构造优化问题，以跟驰模型运算车间距离与速度结果与实测数据的差值为优化目标，同时标定感知距离误差模型与跟驰模型参数，从而实现对感知距离误差模型中参数n1、n2的求解。
本实施例中，采用遗传算法对感知距离误差模型与跟驰模型中参数进行标定。种群规模取100，迭代代数取50，选择规则为轮盘赌法，交叉概率为0.70，变异概率为0.01。采用车间距离与速度的加权均方根(RMSE,root mean squared error)作为误差指标，具体公式如下所示：
Figure BDA0003003572400000061
其中，Vij为目标车辆与前方车辆的速度差，各个参数的边界约束如下：反应时间τi为[0.5，1.5]；期望最大加速度Ai为[3，4]；理想速度vi为[20，25]；本车最大减速度bi为[6，8]；前车最大减速度Bj为[6，8]；有效长度Lj为[6，10]；概率密度函数参数的系数项均为(0，1)。
本实施例中获取的跟驰状态下前后车辆对的运行轨迹数据空间范围是某市的快速路，共计获得1382条跟驰状态前后车辆对运行轨迹数据，其数据特征如表1所示：
表1跟驰片段数据特征表
Figure BDA0003003572400000062
通过Matlab软件进行运算，得到各参数的平均值、中位数、标准差、25％分位与75％分位数结果如表2所示：
表2模型标定结果表
Figure BDA0003003572400000071
由上述计算可得，以纵向控制模型为基础模型，以某市自然驾驶数据得到的驾驶员感知距离模型如下所示：
μp(t)＝0.0573×(e0.76-1)×ln(Sij(t))×Sij(t)
σp(t)＝0.0739×ln(Sij(t))×Sij(t)
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (10)

1.一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，具体包括以下步骤：
S1、获取目标车辆的运行轨迹数据，以及位于所述目标车辆前方的前方车辆的运行轨迹数据；
S2、获取目标跟驰模型，根据所述目标跟驰模型得到描述目标车辆的驾驶员特征参数；
S3、获取所述目标车辆的驾驶员在驾驶过程中目标车辆与前方车辆的感知距离与真实距离之间的误差概率分布；
S4、建立所述误差概率分布、驾驶员特征参数与真实距离之间的关系函数；
S5、根据所述目标车辆与前方车辆的运行轨迹数据对所述关系函数进行优化，得到关系函数的优化系数；
S6、获取目标车辆的驾驶员感知距离误差模型，根据所述真实距离和优化后的关系函数计算得到基于跟驰模型与驾驶员特征的驾驶员感知距离模型。
2.根据权利要求1所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述误差概率分布的类型包括无界分布与有界分布。
3.根据权利要求2所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述无界分布包括正态分布和对数正态分布，所述有界分布包括均匀分布。
4.根据权利要求3所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述正态分布为对称的概率分布，所述对数正态分布为非对称的偏态分布。
5.根据权利要求3所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述均匀分布和正态分布设有2个相关参数，所述对数正态分布设有3个相关参数。
6.根据权利要求5所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述均匀分布和正态分布的2个相关参数包括平均值与标准差。
7.根据权利要求6所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述步骤S3中优选正态分布作为感知距离与真实距离之间的误差概率分布。
8.根据权利要求1所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述目标车辆的运行轨迹数据包括位置、速度和加速度，所述前方车辆的运行轨迹数据包括位置和速度。
9.根据权利要求1所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述步骤S4中还包括根据关系函数和预设的截断分布规则，建立目标车辆的驾驶员感知距离误差模型。
10.根据权利要求9所述的一种基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法，其特征在于，所述步骤S5中还包括驾驶员感知距离误差模型与目标跟驰模型结合，通过遗传算法对驾驶员感知距离误差模型与目标跟驰模型进行优化，得到驾驶员感知距离误差模型与目标跟驰模型的优化参数。
CN202110356714.6A 2021-04-01 2021-04-01 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法 Active CN113111502B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356714.6A CN113111502B (zh) 2021-04-01 2021-04-01 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356714.6A CN113111502B (zh) 2021-04-01 2021-04-01 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法

Publications (2)

Publication Number Publication Date
CN113111502A true CN113111502A (zh) 2021-07-13
CN113111502B CN113111502B (zh) 2022-07-05

Family

ID=76713374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356714.6A Active CN113111502B (zh) 2021-04-01 2021-04-01 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法

Country Status (1)

Country Link
CN (1) CN113111502B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155742A (zh) * 2021-11-23 2022-03-08 同济大学 一种网联车纵向行车风险评估和预警方法
CN115830876A (zh) * 2023-02-24 2023-03-21 天翼交通科技有限公司 交通信号控制优化方法、装置、设备及介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809740A (zh) * 2016-03-02 2016-07-27 西安电子科技大学 基于三维场景下事故驾驶员模型的建立方法
CN107145936A (zh) * 2017-04-22 2017-09-08 大连理工大学 一种基于强化学习的车辆跟驰模型建立方法
CN107507408A (zh) * 2017-07-24 2017-12-22 重庆大学 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN111125862A (zh) * 2019-09-27 2020-05-08 长安大学 一种基于遗传算法和比功率的跟驰模型排放测算方法
CN112053589A (zh) * 2020-08-18 2020-12-08 北京航空航天大学 一种目标车辆换道行为自适应识别模型构建方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105809740A (zh) * 2016-03-02 2016-07-27 西安电子科技大学 基于三维场景下事故驾驶员模型的建立方法
CN107145936A (zh) * 2017-04-22 2017-09-08 大连理工大学 一种基于强化学习的车辆跟驰模型建立方法
CN107507408A (zh) * 2017-07-24 2017-12-22 重庆大学 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法
WO2020000191A1 (en) * 2018-06-26 2020-01-02 Psa Automobiles Sa Method for driver identification based on car following modeling
CN111125862A (zh) * 2019-09-27 2020-05-08 长安大学 一种基于遗传算法和比功率的跟驰模型排放测算方法
CN112053589A (zh) * 2020-08-18 2020-12-08 北京航空航天大学 一种目标车辆换道行为自适应识别模型构建方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴兵: "考虑驾驶风格的模糊控制跟驰模型", 《同济大学学报(自然科学版)》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114155742A (zh) * 2021-11-23 2022-03-08 同济大学 一种网联车纵向行车风险评估和预警方法
CN115830876A (zh) * 2023-02-24 2023-03-21 天翼交通科技有限公司 交通信号控制优化方法、装置、设备及介质

Also Published As

Publication number Publication date
CN113111502B (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
WO2021203972A1 (zh) 基于碰撞模型的风险预防方法、装置、设备及存储介质
CN113111502B (zh) 基于跟驰模型与驾驶员特征的驾驶员感知距离建模方法
Farah Age and gender differences in overtaking maneuvers on two-lane rural highways
CN110969857A (zh) 一种交通信息处理方法及装置
CN114241753B (zh) 一种基于多维度影响因素的道路安全评价方法及系统
WO2023240919A1 (zh) 车辆行驶工况确定方法、设备和存储介质
El-Hansali et al. Using surrogate measures to evaluate the safety of autonomous vehicles
CN116596380A (zh) 高速公路施工组织方案和管控方案的优化确定方法、平台、设备及介质
CN114613137A (zh) 应用于高速公路的拥堵指数确定方法、装置、介质及设备
Lu et al. TD3LVSL: A lane-level variable speed limit approach based on twin delayed deep deterministic policy gradient in a connected automated vehicle environment
CN113592221B (zh) 基于安全替代评价指标的道路路段风险动态评估方法
CN114492043A (zh) 考虑感知受限特性的个性化驾驶员跟车建模方法
CN112750304B (zh) 一种基于交通仿真的交叉口数据采集区间确定方法及装置
Fu et al. Distance headway-based safety evaluation of emerging mixed traffic flow under snowy weather
Wen et al. Analysis of discretionary lane-changing behaviours of autonomous vehicles based on real-world data
WO2023155749A1 (zh) 车辆感知性能评价方法及系统
CN115798261B (zh) 车辆避障控制方法、装置和设备
CN116703612A (zh) 一种汽车保险风险等级评估方法
CN113657606A (zh) 车联网场景下分压聚合的局域联邦学习方法
CN113276860A (zh) 车辆控制方法、装置、电子设备以及存储介质
CN111489552A (zh) 一种车头时距预测方法、装置、设备及存储介质
CN118607932B (zh) 基于深度学习的驾驶人个性化风险评价方法、电子设备和存储介质
Caligaris et al. Model predictive control for multiclass freeway traffic
CN115472040B (zh) 基于碰撞概率场的网联车辆个性化防碰撞预警方法
Ribeiro et al. Micro-simulation of the Impact of Different Speeds on Safety Road Travel and Urban Travel Time: Case Study in the City of Guimarães

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