基于动态人车环境协同推演的汽车驾驶倾向性辨识模型及计算方法研究

论文摘要

随着城市化进展和车辆的普及,汽车作为主要的交通工具,给人们出行带来了极大方便,但同时也带来了交通安全问题。车辆辅助驾驶系统可以在驾驶异常时对人车单元实施保护,避免交通事故的发生,是应对交通安全问题较为积极、有效的措施。在影响交通安全的因素中,驾驶员自身的内在因素是造成交通事故的主要因素之一,车-路-环境通过人——驾驶员同时影响交通安全。目前的车辆辅助驾驶系统特别是主动安全预警系统中,由于没有考虑驾驶员的个体差异,使得系统精确保护人车的能力较弱。如果将驾驶员特性中反映驾驶员个体差异的驾驶倾向性引入到车辆主动安全预警系统中,通过辨识模型识别驾驶员的类型,就可针对不同类型的驾驶员建立个性化安全驾驶预警系统,实现对人车单元较为精确的保护。本文以实现驾驶倾向性的辨识为目的,将驾驶倾向性分为三种类型：冒险型、谨慎型和保守型,按四个方面对交通状况为自由流和跟驰时的驾驶倾向性辨识方法进行了研究：通过心理问卷测试、观测实验、实车实验和交互式并行驾驶模拟实验获取自由流和跟驰状态下各倾向性类型驾驶员的行车数据；采用智能模式识别中基于BP神经网络和粗糙集理论的特征提取方法筛选出自由流和跟驰状态对倾向性类型分类能力较好的特征向量；基于支持向量机的模式识别方法建立自由流状态下驾驶倾向性的动态辨识模型,结合车辆运动学理论给出跟驰状态倾向性类型的判定指标,并建立驾驶倾向性的动态辨识模型；利用实车实验、交互式并行驾驶模拟实验以及交通流微观仿真实验对驾驶倾向性的识别进行验证。结果表明,本文相关实验的设计方案、特征向量的提取方法以及所构建的辨识模型均合理可行,能够实现驾驶倾向性的动态识别。

论文目录

• 摘要
• Abstract
• 目录
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 驾驶倾向性相关研究现状
• 1.2.2 人工心理和情感计算研究现状
• 1.3 本文主要研究内容
• 1.4 本章小结
• 第二章 自由流状态下驾驶倾向性特征提取
• 2.1 基于BP神经网络的特征提取模型
• 2.1.1 前向多层神经网络的BP学习算法
• 2.1.2 基于BP神经网络的特征提取方法
• 2.2 基于BP神经网络的驾驶倾向性特征提取
• 2.2.1 实验设计
• 2.2.2 驾驶倾向性特征提取过程
• 2.4 本章小结
• 第三章 自由流状态下驾驶倾向性动态推演辨识模型
• 3.1 支持向量机识别理论
• 3.2 基于支持向量机的驾驶倾向性辨识模型的建立及标定
• 3.3 模型验证
• 3.3.1 实车实验验证
• 3.3.2 模拟实验验证
• 3.4 本章小结
• 第四章 跟驰状态下驾驶倾向性特征提取
• 4.1 粗糙集理论
• 4.1.1 粗糙集基本理论
• 4.1.2 基于最小信息熵的连续属性离散化
• 4.1.3 基于启发式贪心算法的属性约简
• 4.2 基于粗糙集的驾驶倾向性特征提取
• 4.2.1 实验设计
• 4.2.2 驾驶倾向性特征提取过程
• 4.3 本章小结
• 第五章 基于动态人车数据协同推演的汽车跟驰状态驾驶倾向性辨识
• 5.1 汽车跟驰状态驾驶倾向性辨识模型
• 5.1.1 判定指标
• 5.1.2 建立识别模型
• 5.2 驾驶倾向性识别模型的标定
• 5.3 驾驶倾向性识别模型验证
• 5.3.1 实车实验验证
• 5.3.2 模拟实验验证
• 5.4 本章小结
• 第六章 基于交通流微观仿真实验的驾驶倾向性验证
• 6.1 基于车辆跟驰仿真实验的驾驶倾向性验证
• 6.1.1 最优控制理论
• 6.1.2 基于最优控制理论的跟驰模型
• 6.1.3 模型标定及验证
• 6.1.4 驾驶倾向性推理效果验证
• 6.2 基于车道变换仿真实验的驾驶倾向性验证
• 6.2.1 模糊多目标决策方法
• 6.2.2 基于模糊多目标决策的换道模型
• 6.2.3 模型标定及驾驶倾向性推理效果验证
• 6.3 本章小结
• 第七章 总结与展望
• 7.1 本文主要研究成果和创新点
• 7.2 研究展望
• 致谢
• 参考文献
• 攻读硕士期间发表的学术论文及其它成果