CN114492043A - 考虑感知受限特性的个性化驾驶员跟车建模方法 - Google Patents
考虑感知受限特性的个性化驾驶员跟车建模方法 Download PDFInfo
- Publication number
- CN114492043A CN114492043A CN202210101344.6A CN202210101344A CN114492043A CN 114492043 A CN114492043 A CN 114492043A CN 202210101344 A CN202210101344 A CN 202210101344A CN 114492043 A CN114492043 A CN 114492043A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- driver
- speed
- distance
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000008447 perception Effects 0.000 title claims abstract description 36
- 230000001133 acceleration Effects 0.000 claims abstract description 50
- 230000006870 function Effects 0.000 claims abstract description 23
- 238000012502 risk assessment Methods 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000000638 stimulation Effects 0.000 claims description 21
- 238000005315 distribution function Methods 0.000 claims description 13
- 230000014509 gene expression Effects 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 9
- 230000002068 genetic effect Effects 0.000 claims description 7
- 230000035945 sensitivity Effects 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 3
- 238000012886 linear function Methods 0.000 claims description 2
- 238000000926 separation method Methods 0.000 claims description 2
- 230000006399 behavior Effects 0.000 abstract description 14
- 238000012360 testing method Methods 0.000 abstract description 9
- 230000007547 defect Effects 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000013210 evaluation model Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000003137 locomotive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
考虑感知受限特性的个性化驾驶员跟车建模方法，涉及人机共驾汽车仿真测试领域，为解决现有跟车模型的不足，本发明包括速度‑间距指数跟车模型、距离感知模型、风险评估模型、任务场景切换模型和期望间距模型，涵盖了驾驶员跟车行为中的感知与决策过程。在建立速度‑间距指数跟车模型的过程中，综合考虑速度差和车间距对驾驶员决策过程的影响，采用的指数函数形式可以体现驾驶员在加速和制动行为上的非对称性。在建立距离感知受限模型的过程中，提高了跟车模型的拟人化程度。本发明充分考虑了驾驶技能和驾驶风格对驾驶员跟车行为的影响，驾驶技能和驾驶风格不仅影响驾驶员的决策过程，在距离感知和风险评估等环节中也有充分体现。
Description
技术领域
本发明涉及人机共驾汽车仿真测试领域，具体涉及一种考虑感知受限特性的个性化驾驶员跟车建模方法。
背景技术
人机共驾能够借助驾驶员的智能和机器智能各自的优势，通过人机智能的混合增强，形成双向的信息交流与控制，构成“1+1>2”的人机合作混合智能系统，可极大促进汽车智能化的发展。近年来频发的“自动驾驶”事故表明针对安全性的测试是制约智能驾驶技术开发和应用的关键环节，但目前仍没有一套成熟的测试体系。基于虚拟仿真的测试具有可重复、高效、自动测试、能有效应对危险或不常见场景等优势，是封闭场景和开放道路的有力补充，也是智能驾驶技术测试的必经之路。在确保无偏性的前提下，考虑驾驶员随机、多样、模糊、个性化和感知受限的特征，提高驾驶员模型的拟人化程度，使驾驶员与智能系统、被测车辆与背景车辆间产生更多的差异性的交互行为是提升测试环境精度和加速测试进程的关键。
跟车行为作为驾驶员最基本的驾驶行为之一，描述了在同一车道上的各车间的相互作用。虽然针对驾驶员跟车行为的研究由来已久，但传统的驾驶员跟车模型往往关注于特定场景下的群体性的正常驾驶行为，对于驾驶员的间距感知特性、风险评估特性、驾驶风格与驾驶技能等固有属性缺少系统性的考虑。为了解决现有跟车模型的不足，本发明针对驾驶员基本驾驶行为之一的跟车行为提出了一种考虑感知受限特性的个性化驾驶员跟车建模方法。
发明内容
本发明为解决现有跟车模型的不足，提供一种考虑感知受限特性的个性化驾驶员跟车建模方法。
考虑感知受限特性的个性化驾驶员跟车建模方法，该建模方法由以下步骤实现：
步骤一、建立速度-间距指数跟车模型；
驾驶员根据当前时刻本车与前车的速度差和车间距决策出期望的加速度，并分别将速度差和车间距对驾驶员决策过程的影响定义为速度刺激和间距刺激，对于速度刺激和间距刺激均采用指数函数形式进行表达，并进行加权，考虑驾驶员的个性化特征，通过调整模型的参数来表征驾驶技能、驾驶风格和任务场景对驾驶员决策期望加速度的影响；
步骤二、建立风险评估模型；
基于模糊逻辑对驾驶员的风险评估特性进行建模，以当前时刻的车头时距和前车紧急制动留给驾驶员的最大反应时间作为所述风险评估模型的输入，将风险系数作为风险评估模型的输出；
步骤三、建立距离感知模型；
将驾驶员估计出的车间距与实际车间距间的偏差建模为正态分布函数，将正态分布函数中的均值与标准差构建为驾驶技能、驾驶风格、风险系数和实际车间距的函数；
步骤四、建立任务场景切换模型；
根据步骤二所述风险评估模型的输出的风险系数，将跟车场景划分为巡航场景、持续接近场景、稳态跟随场景和持续减速场景四种任务场景，考虑驾驶员在不同风险水平下反应的差异性，即在不同场景下对于速度刺激与间距刺激的敏感程度是不同的，根据当前所处的任务场景调整步骤一中所建立的速度-间距指数跟车模型的参数来满足不同任务场景的要求；
步骤五、建立期望车间距模型；
结合实车数据，对不同车速下的车间距分布进行正态分布拟合，并对不同车速下得到的均值与标准差进行线性拟合，将驾驶员的车间距建模为正态分布函数，将正态分布函数中的均值与标准差构建为车速的函数；
步骤六、结合实车数据进行参数标定；
基于遗传算法对步骤一所建立的速度-间距指数跟车模型参数模型中的待定参数进行标定，获得标定结果；所述待标定参数包括速度跟踪最大加速度av、速度跟踪指数δv、间距跟踪最大加速度as和速度跟踪指数δs；
步骤七、进行驾驶风格聚类；
对步骤六标定获得的速度跟踪最大加速度av，间距跟踪最大加速度as，速度跟踪指数δv以及间距跟踪指数δs的四个特征参数，利用k-means聚类方法分为三类，获得不同场景下的激进、普通、保守三种驾驶风格的聚类参数。
本发明的有益效果：
1.本发明在建立速度-间距指数跟车模型的过程中，充分考虑速度和间距对期望加速度的影响，所采用的指数函数形式可以体现驾驶员在加速和制动行为上的非对称性。
2.本发明在建立距离感知受限模型的过程中，充分考虑驾驶员的生理特性，可在一定程度上体现人类驾驶员的犯错机制，提高了跟车模型的拟人化程度，为智能辅助系统的设计提供了参考。
3.本发明充分考虑了驾驶技能和驾驶风格对驾驶员跟车行为的影响，驾驶技能和驾驶风格不仅影响驾驶员的决策过程，在距离感知和风险评估等环节中也有充分体现。
附图说明
图1为考虑感知受限特性的个性化驾驶员跟车建模方法的原理框图；
图2为车头时距的隶属度函数曲线示意图；
图3为最大反应时间的隶属度函数曲线示意图；
图4为风险系数的隶属度函数曲线示意图；
图5为风险系数关于THW和MRT的三维map图；
图6为驾驶技能对间距感知特性影响的示意图；
图7为驾驶风格对间距感知特性影响的示意图；
图8为不同车速下期望车间距均值的线性拟合曲线示意图；
图9为不同车速下期望车间距标准差的线性拟合曲线示意图；
图10为不同驾驶风格驾驶员期望间距分布示意图；
图11为跟车片段1的拟合结果曲线示意图；
图12为跟车片段2的拟合结果曲线示意图；
图13为均方误差分布箱型图。
具体实施方式
具体实施方式一、考虑感知受限特性的个性化驾驶员跟车建模方法，该方法通过建立下述几个模型实现，包括速度-间距指数跟车模型、距离感知模型、风险评估模型、任务场景切换模型和期望间距模型，涵盖了驾驶员跟车行为中的感知与决策过程。
速度-间距指数跟车模型用来描述驾驶员根据相对速度和车间距决策出期望加速度的过程，驾驶技能、驾驶风格和任务场景都会对驾驶员的决策过程产生显著影响；风险评估模型用来描述驾驶员对跟车风险进行量化评估的过程，所得出的风险系数将作为驾驶员后续判断当前所处任务场景的依据；距离感知模型用来描述驾驶员通过视觉对车间距进行估计的过程，驾驶员受生理特性所限，所估计出的车间距与实际车间距相比较具有一定的偏差且偏差具有不确定性；任务场景切换模型用来描述驾驶员在不同任务场景下的差异性，依据跟车风险强度将跟车场景具体分为巡航、持续接近、稳态跟随和持续减速四种任务场景，不同场景下驾驶员对于速度和间距的要求具有显著的差异性；期望车间距模型用来描述驾驶员决策出与前车的期望车间距的过程，期望车间距与车速呈正相关并具有一定的随机性。
本实施方式的具体步骤如下：
步骤一、建立速度-间距指数跟车模型：同时考虑本车与前车的速度差和车间距影响驾驶员决策出期望的加速度，分别将其定义为速度刺激和间距刺激，对于速度刺激和间距刺激均采用指数函数形式进行表达，并进行加权，考虑驾驶员的个性化特征，通过调整模型的参数来表征驾驶技能、驾驶风格和任务场景对驾驶员决策期望加速度的影响；
步骤二、建立风险评估模型：由于真实驾驶员对风险感知是难以量化的，具有模糊性，本发明基于模糊逻辑对驾驶员的风险评估特性进行建模。以当前时刻的车头时距和前车紧急制动留给驾驶员的最大反应时间作为模型的输入，将风险系数作为风险评估模型的输出；
步骤三、建立距离感知模型：驾驶员受生理特性所限，对间距的感知必然具有不确定性，且存在一定的偏差，将驾驶员估计出的车间距与实际车间距间的偏差建模为正态分布函数，将正态分布函数中的均值与标准差构建为驾驶技能、驾驶风格、风险系数和实际车间距的函数；
步骤四、建立任务场景切换模型：基于步骤二中所得出的风险系数，将跟车场景划分为巡航、持续接近、稳态跟随和持续减速四种任务场景，考虑驾驶员在不同风险水平下反应的差异性，即在不同场景下对于速度刺激与间距刺激的敏感程度是不同的，根据当前所处的任务场景来调整步骤一中所建立的速度-间距指数跟车模型的参数来满足不同任务场景的要求；
步骤五、建立期望车间距模型：结合实车数据发现，驾驶员期望车间距与车速呈正相关，并具有一定的随机性，将驾驶员的车间距建模为正态分布函数，将正态分布函数中的均值与标准差构建为车速的函数。
步骤六、结合实车数据进行参数标定：在步骤一至步骤五中分析了各种内在因素和外在因素对驾驶员跟车行为的影响，并通过参数化的模型对这些影响进行了量化分析，再进一步结合实车数据，基于遗传算法对模型中的待定参数进行标定。
步骤七、进行驾驶风格聚类：对步骤六标定得到的速度跟踪加速度av，间距跟踪加速度as，速度跟踪指数δv，间距跟踪指数δs的四个特征参数利用k-means聚类方法分为三类，得到不同场景下的激进、普通、保守三种驾驶风格的聚类参数。
具体实施方式二、结合图1至图13说明本实施方式，本实施方式为具体实施方式一所述的考虑感知受限特性的个性化驾驶员跟车建模方法的实施例：跟车模型的基本原理如图1所示，其中，感知模块用于模拟驾驶员对跟车风险的评估和对间距感知的不确定性，感知模块包括风险评估模型和距离感知模型；决策模块用于描述驾驶员根据当前状态决策出期望加速度的过程，包括任务场景切换模型和车间距模型(速度-间距指数跟车模型)；该方法包括以下几个步骤：
步骤一、建立速度-间距指数跟车模型；
同时考虑本车与前车的速度差和车间距影响驾驶员决策出期望的加速度，分别将其定义为速度刺激和间距刺激，对于速度刺激和间距刺激均采用指数函数形式进行表达，并进行加权，具体表达式如下：
其中，ades为驾驶员决策出的期望加速度，单位m/s2；av为速度跟踪最大加速度，单位m/s2；δv为速度跟踪指数，无量纲；as为间距跟踪最大加速度，单位m/s2；δs为间距跟踪指数，无量纲；vf为前车速度，单位m/s；vr为本车速度，单位m/s；s*为驾驶员的期望车间距，单位m；
为驾驶员估计出的间距值，单位m。
考虑到车辆的实际动力性能和制动性能，对加速度的大小需要进行约束，表达式如下：
amin≤ades≤amax (2)
其中，amin为最小加速度，单位m/s2，amax为最大加速度，单位m/s2。当决策出的加速度超出约束边界时，取边界值作为模型的输出值。
速度跟踪最大加速度av和速度跟踪指数δv表征了驾驶员对于速度刺激的敏感程度，间距跟踪最大加速度as和间距跟踪指数δs表征了驾驶员对于间距刺激的敏感程度，对于不同的驾驶风格、驾驶技能和任务场景这四项参数是时变的。
步骤二、建立风险评估模型；
基于模糊逻辑对驾驶员的风险评估特性进行建模，选取当前时刻的车头时距(Time Headway，THW)和前车紧急制动留给驾驶员的最大反应时间(Maximum ReactionTime,MRT)作为风险评估模型的输入,将风险系数prisk作为风险评估模型的输出，其取值为0到1，数值越大代表此时跟车风险越大。其中THW和MRT的表达式如下：
其中，THW为车头时距，单位为s；MRT为最大反应时间，单位为s；vf为前车速度，单位m/s；vr为本车速度，单位m/s；s为两车的车间距，单位为m。
对于模型的输入量THW与MRT，均采用梯形形式的隶属度函数，如图2和图3所示；对于模型的输出量风险系数prisk，采用三角形形式的隶属度函数，如图4所示；将THW、MRT和prisk均模糊化为三个集合：B(大)、M(中)和S(小)；THW与MRT越小，表示此时的跟车风险越大，据此确定了如表1所示的模糊规则表。最终得到的风险系数关于车头时距THW和最大反应时间MRT的三维map曲面，如图5所示。
表1
步骤三、建立距离感知模型；
驾驶员受生理特性所限，对间距的感知必然具有一定的偏差，且存在不确定性，将驾驶员估计出的车间距与实际车间距间的偏差建模为正态分布函数，其概率密度函数如下所示：
其中，es表示驾驶员估计出的车间距与实际车间距间的偏差；μ为正态分布的均值；σ为正态分布的标准差。
由于驾驶员的距离感知特性受到实际车间距、当前跟车场景的风险强度、驾驶风格和驾驶技能等因素的影响。因此，本实施方式中，针对距离感知模型提出了以下几点假设：
(1)随着实际车间距的增大，间距感知误差增大；
(2)跟车场景的风险系数越高，驾驶员的注意程度越高，间距感知误差越小；
(3)受驾驶风格的影响，存在过近估计或过远估计间距两种情况；
(4)驾驶技能越高的驾驶员，间距感知误差越小。
对于正态分布而言，其关键参数是均值μ和标准差σ，基于上述假设，本发明用如下的形式给出了均值μ和标准差σ的表达式：
σ(t)＝n2ln s(t)s(t) (7)
其中，n1和n2为驾驶技能系数，其数值越小，误差的均值与标准差均越小，驾驶员的间距感知误差越小；prisk为风险系数，由步骤二中的风险评估模型得出，其取值范围为0到1，其数值越大，跟车场景的风险系数越高，驾驶员的距离感知误差越小；s为两车实际间距；ρ为驾驶风格系数，对于激进型驾驶员ρ＝0，对于保守型驾驶员ρ＝1，对于中性驾驶员ρ服从于0-1分布。驾驶技能与驾驶风格对间距感知特性的影响如图6和图7所示。
步骤四、建立任务场景切换模型；
在跟车行为中，驾驶员存在对于间距和速度两种跟踪要求，而在不同的任务场景下，对这两种跟踪性能的要求是不同的，具体体现在步骤一中所提出的速度-间距指数跟车模型中的速度跟踪最大加速度av、速度跟踪指数δv、间距跟踪最大加速度as和间距跟踪指数δs这四个参数的不同。基于步骤二中的风险评估模型得出的风险系数prisk将跟车场景划分为4个任务场景，按照跟车场景风险水平由高到低具体分为巡航、持续接近、稳态跟随和持续减速。各任务场景的定义如下：
巡航场景；
此时跟车风险十分低，驾驶员对于间距跟踪的要求十分低，驾驶员将按照自己的期望车速进行定速巡航，仅有速度跟踪要求，此时的速度-间距指数跟车模型如下：
其中，v0表示驾驶员在巡航场景下的期望车速，单位m/s。此时，期望加速度需满足的约束如下：
-1≤ades≤1 (9)
持续接近场景；
此时跟车风险较低，实际车间距大于驾驶员的期望间距，驾驶员希望缩小当前的间距来与前车保持期望的间距，对于间距跟踪的要求大于对速度跟踪的要求，此时的速度-间距指数跟车模型与式(1)相同。
-2≤ades≤2 (10)
稳态跟随场景；
此时跟车风险适中，实际车间距与驾驶员的期望间距差异较小，驾驶员希望与前车保持同速行驶，对于速度跟踪的要求大于对间距跟踪的要求，此时的速度-间距指数跟车模型与式(1)相同。
-1≤ades≤1 (11)
持续减速场景；
此时跟车风险较大，前车与本车的间距较小且有进一步缩小趋势时，驾驶员主动进行持续制动减速来调整至安全跟车距离，仅有间距跟踪要求，此时的速度-间距指数跟车模型如下：
-5≤ades≤1 (13)
步骤五、建立期望车间距模型；
首先，基于SPMD(美国密歇根大学交通研究院的美国安全试验示范计划，SafetyPilot Model Deployment)数据集中提取出的稳态跟车数据进行分析，通过分析发现在相同车速下，间距分布近似服从于正态分布；其次，用正态分布对不同车速下的间距分布进行拟合，得到不同车速下间距分布的均值和标准差；然后，对不同车速下的所得到的均值和方差进行线性拟合，得到均值μ和标准差σ关于车速v的一次函数，拟合结果如图8和图9所示，均值μ和标准差σ的表达式如下：
μ(t)＝1.001v+7.894 (14)
σ(t)＝0.4677v+3.43 (15)
进一步，可将期望间距的概率密度函数描述成如下形式：
由于正态分布属于无界分布，需要进行截断，对于不同驾驶风格的驾驶员，其截断点的选取也是不同的，激进型驾驶员的期望间距往往较小，相反，保守型驾驶员的期望间距往往较大，其示意图如图10所示。
步骤六、结合实车数据进行参数标定
步骤一中所提出的速度跟踪最大加速度av、速度跟踪指数δv、间距跟踪最大加速度as和速度跟踪指数δs共计4个参数，均为待标定参数，需要进一步结合实车数据对这些待定的参数进行标定。
由于遗传算法的随机全局搜索特点，可在一定程度上避免陷入局部最优解。因此，本发明中结合从SPMD数据集中提取出的2145个跟车片段利用遗传算法进行参数标定，遗传算法的参数设置如表2所示。表2为遗传算法参数设置。
表2
其中，mse为均方误差；v_model为提出的跟车模型所输出的速度值；v_actual为实际跟车片段中的速度值。
得到的标定结果如表3所示。表3为模型标定结果。
表3
步骤七、进行驾驶风格聚类；
对步骤六标定得到的速度跟踪最大加速度av，间距跟踪最大加速度as，速度跟踪指数δv，间距跟踪指数δs的四个特征参数利用k-means聚类方法分为三类，得到稳态跟随和持续接近场景下的激进、普通、保守三种驾驶风格的聚类参数，其数值越大，代表驾驶员的驾驶风格越激进。驾驶风格聚类结果如表4所示。表4为驾驶风格聚类结果。
表4
下面给出本发明所述的考虑感知受限特性的个性化驾驶员跟车建模方法的仿真验证。
(1)单个片段验证；
以从SPMD数据集中提取到的其中两个跟车片段为例，对比模型输出的速度曲线与传感器所测得的真实数据之间的差异，如图11-12所示。从结果可以看出，本发明所以提出的跟车模型能够较好地拟合实际跟车数据。
(2)全部片段验证；
对从SPMD数据集中提取到2145个跟车片段全部进行验证，选取模型输出的车速与实际车速的均方误差作为评价指标。得到的均方误差统计结果如表5所示。表5为均方误差统计结果。
表5
为了更直观的描述所提出的跟车模型的拟合精度以及排除异常值，绘制出均方误差的箱型图，如图11所示。从表5和图13的结果中可以看出，本实施方式所提出的跟车模型可以很好地拟合实际跟车数据。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (8)
1.考虑感知受限特性的个性化驾驶员跟车建模方法，其特征是，该建模方法由以下步骤实现：
步骤一、建立速度-间距指数跟车模型；
驾驶员根据当前时刻本车与前车的速度差和车间距决策出期望的加速度，并分别将速度差和车间距对驾驶员决策过程的影响定义为速度刺激和间距刺激，对于速度刺激和间距刺激均采用指数函数形式进行表达，并进行加权，考虑驾驶员的个性化特征，通过调整模型的参数来表征驾驶技能、驾驶风格和任务场景对驾驶员决策期望加速度的影响；
步骤二、建立风险评估模型；
基于模糊逻辑对驾驶员的风险评估特性进行建模，以当前时刻的车头时距和前车紧急制动留给驾驶员的最大反应时间作为所述风险评估模型的输入，将风险系数作为风险评估模型的输出；
步骤三、建立距离感知模型；
将驾驶员估计出的车间距与实际车间距间的偏差建模为正态分布函数，将正态分布函数中的均值与标准差构建为驾驶技能、驾驶风格、风险系数和实际车间距的函数；
步骤四、建立任务场景切换模型；
根据步骤二所述风险评估模型的输出的风险系数，将跟车场景划分为巡航场景、持续接近场景、稳态跟随场景和持续减速场景四种任务场景，考虑驾驶员在不同风险水平下反应的差异性，即在不同场景下对于速度刺激与间距刺激的敏感程度是不同的，根据当前所处的任务场景调整步骤一中所建立的速度-间距指数跟车模型的参数来满足不同任务场景的要求；
步骤五、建立期望车间距模型；
结合实车数据，对不同车速下的车间距分布进行正态分布拟合，并对不同车速下得到的均值与标准差进行线性拟合，将驾驶员的车间距建模为正态分布函数，将正态分布函数中的均值与标准差构建为车速的函数；
步骤六、结合实车数据进行参数标定；
基于遗传算法对步骤一所建立的速度-间距指数跟车模型参数模型中的待定参数进行标定，获得标定结果；所述待标定参数包括速度跟踪最大加速度av、速度跟踪指数δv、间距跟踪最大加速度as和速度跟踪指数δs；
步骤七、进行驾驶风格聚类；
对步骤六标定获得的速度跟踪最大加速度av，间距跟踪最大加速度as，速度跟踪指数δv以及间距跟踪指数δs的四个特征参数，利用k-means聚类方法分为三类，获得不同场景下的激进、普通、保守三种驾驶风格的聚类参数。
2.根据权利要求1所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：步骤一中，对于速度刺激和间距刺激均采用指数函数形式进行表达，并进行加权，所述速度-间距指数跟车模型的表达式为：
式中，ades为驾驶员决策出的期望加速度，av为速度跟踪最大加速度，δv为速度跟踪指数，as为间距跟踪最大加速度，δs为间距跟踪指数，vf为前车速度，vr为本车速度，s*为驾驶员的期望车间距，
为驾驶员估计出的间距值。
3.根据权利要求2所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：还包括对所述的期望加速度ades进行约束，表达式如下：
amin≤ades≤amax
式中，amin为最小加速度，amax为最大加速度，当决策出的加速度超出约束边界时，取边界值作为模型的输出值。
4.根据权利要求3所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：步骤二中，车头时距和前车紧急制动留给驾驶员的最大反应时间的表达式为：
式中，THW为车头时距，MRT为最大反应时间，s为两车的车间距。
5.根据权利要求4所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：
对于模型的输入量车头时距THW与最大反应时间MRT，均采用梯形形式的隶属度函数，对于模型的输出量风险系数prisk，采用三角形形式的隶属度函数。
6.根据权利要求5所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：步骤三中，所述均值μ和标准差σ的表达式为：
σ(t)＝n2lns(t)s(t)
式中，n1和n2为驾驶技能系数，其数值越小，误差的均值与标准差均越小，驾驶员的间距感知误差越小；根据步骤二中的风险评估模型输出的风险系数prisk取值范围为0到1，其数值越大，跟车场景的风险系数越高，驾驶员的距离感知误差越小；ρ为驾驶风格系数。
7.根据权利要求6所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：步骤四中，在所述巡航场景下，驾驶员将按照期望车速进行定速巡航，此时的速度-间距指数跟车模型为：
式中，v0为驾驶员在巡航场景下的期望车速，所述期望加速度需满足的约束为：-1≤ades≤1。
所述持续接近场景下，实际车间距大于驾驶员的期望间距，此时的速度-间距指数跟车模型与步骤一中的速度-间距指数跟车模型相同，所述期望加速度需满足的约束为：-2≤ades≤2。
所述稳态跟随场景下，实际车间距与驾驶员的期望间距差异小，此时的速度-间距指数跟车模型与步骤一中的速度-间距指数跟车模型相同，所述期望加速度需满足的约束为：-1≤ades≤1。
在所述持续减速场景下，前车与本车的间距缩小，此时的速度-间距指数跟车模型为：
所述期望加速度需满足的约束为：-5≤ades≤1。
8.根据权利要求7所述的考虑感知受限特性的个性化驾驶员跟车建模方法，其特征在于：步骤五的具体过程为：
采用正态分布对不同车速下的间距分布进行拟合，获得不同车速下间距分布的均值和标准差；
对不同车速下的所得到的均值和方差进行线性拟合，得到均值μ和标准差σ关于车速v的一次函数均值μ和标准差σ的表达式如下：
μ(t)＝1.001v+7.894
σ(t)＝0.4677v+3.43
将期望间距的概率密度函数表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210101344.6A CN114492043B (zh) | 2022-01-27 | 2022-01-27 | 考虑感知受限特性的个性化驾驶员跟车建模方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210101344.6A CN114492043B (zh) | 2022-01-27 | 2022-01-27 | 考虑感知受限特性的个性化驾驶员跟车建模方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114492043A true CN114492043A (zh) | 2022-05-13 |
| CN114492043B CN114492043B (zh) | 2023-12-19 |
Family
ID=81475579
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210101344.6A Active CN114492043B (zh) | 2022-01-27 | 2022-01-27 | 考虑感知受限特性的个性化驾驶员跟车建模方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114492043B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116620281A (zh) * | 2023-07-21 | 2023-08-22 | 科大国创合肥智能汽车科技有限公司 | 自适应巡航系统平顺性控制方法、电子设备及存储介质 |
| CN117312776A (zh) * | 2023-11-27 | 2023-12-29 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332055A (zh) * | 2014-11-18 | 2015-02-04 | 吉林大学 | 一种基于驾驶人瞳孔直径的交通冲突快速识别方法 |
| CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航系统及实现方法 |
| 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 |
| CN113771863A (zh) * | 2021-09-30 | 2021-12-10 | 长安大学 | 一种基于实车数据驾驶员驾驶风格识别方法、介质及设备 |
-
2022
- 2022-01-27 CN CN202210101344.6A patent/CN114492043B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104332055A (zh) * | 2014-11-18 | 2015-02-04 | 吉林大学 | 一种基于驾驶人瞳孔直径的交通冲突快速识别方法 |
| CN109927725A (zh) * | 2019-01-28 | 2019-06-25 | 吉林大学 | 一种具有驾驶风格学习能力的自适应巡航系统及实现方法 |
| 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 |
| CN113771863A (zh) * | 2021-09-30 | 2021-12-10 | 长安大学 | 一种基于实车数据驾驶员驾驶风格识别方法、介质及设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116620281A (zh) * | 2023-07-21 | 2023-08-22 | 科大国创合肥智能汽车科技有限公司 | 自适应巡航系统平顺性控制方法、电子设备及存储介质 |
| CN116620281B (zh) * | 2023-07-21 | 2023-10-20 | 科大国创合肥智能汽车科技有限公司 | 自适应巡航系统平顺性控制方法、电子设备及存储介质 |
| CN117312776A (zh) * | 2023-11-27 | 2023-12-29 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
| CN117312776B (zh) * | 2023-11-27 | 2024-03-12 | 中汽研（天津）汽车工程研究院有限公司 | 一种跟车加速场景数据采集、挖掘及特征分析方法和系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114492043B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109709956B (zh) | 一种自动驾驶车辆速度控制多目标优化的跟驰算法 | |
| Lyu et al. | Vehicle trajectory prediction and cut-in collision warning model in a connected vehicle environment | |
| Wang et al. | A forward collision warning algorithm with adaptation to driver behaviors | |
| CN114492043A (zh) | 考虑感知受限特性的个性化驾驶员跟车建模方法 | |
| CN113920740B (zh) | 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法 | |
| Guo et al. | Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data | |
| CN113370996B (zh) | 自动驾驶换道跟驰决策方法及系统、自动驾驶车辆 | |
| CN112793576B (zh) | 一种基于规则与机器学习融合的换道决策方法及系统 | |
| CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
| CN118238847B (zh) | 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统 | |
| CN115601954B (zh) | 一种智能网联车队的换道判断方法、装置、设备及介质 | |
| CN116373881A (zh) | 基于驾驶行为语义理解的在途驾驶风格识别方法 | |
| CN113642114B (zh) | 可犯错的拟人化随机跟车驾驶行为建模方法 | |
| Ding et al. | An Extended Car‐Following Model in Connected and Autonomous Vehicle Environment: Perspective from the Cooperation between Drivers | |
| CN114148349A (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| CN114475607A (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
| Hassanin et al. | Efficiency performance and safety evaluation of the responsibility-sensitive safety in freeway car-following scenarios using automated longitudinal controls | |
| CN115979679B (zh) | 自动驾驶系统实际道路测试方法、设备和存储介质 | |
| CN116811854A (zh) | 汽车运行轨迹确定方法、装置、汽车和存储介质 | |
| CN117077286A (zh) | 一种异构交通流下智能网联车辆跟驰模型仿真与测试方法 | |
| Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
| Mechernene et al. | Lane change decision algorithm based on risk prediction and fuzzy logic method | |
| Ma et al. | Lane change analysis and prediction using mean impact value method and logistic regression model | |
| O'Brien et al. | Analysis of driving data for autonomous vehicle applications | |
| Wei et al. | Characteristics Analysis and Classification of Lane-changing Behavior after Following Process based on China-FOT |
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 |