考虑驾驶员性格特性的跟驰模型_吴超仲

考虑驾驶员性格特性的跟驰模型吴超仲严新平马晓凤武汉理工大学，智能运输系统研究中心，武汉430063摘 要：引入驾驶员个体行为差异到传统的交通流模型中，建立了反映驾驶员性格的车辆跟驰模型。

以概率反映驾驶员性格特性分布，用权重系数表示不同性格驾驶员在操作方面的差异，运用交通调查的方法对模型参数进行了识别。

最后，用本文所建立的模型对车队在城市交叉路口的启动过程进行了仿真。

仿真结果表明，不同类型的驾驶员在跟驰过程中，速度出现明显的波动，反映了驾驶员的个体差异，与实际交通更为接近。

关键词：跟驰模型，驾驶员性格，交通行为中图分类号：U491 文献标识码：A 文章编号：1672-4747（2007）04-0018-05 Car-following Model Based on Drivers’ CharacteristicsWU Chao-zhong YAN Xin-ping MA Xiao-fengIntelligent Transportation System Center，Wuhan University of Technology，Wuhan 430063，ChinaAbstract：Considering the driver individual behavior difference，a model was proposed based on the Optimal Velocity Model，Generalized Force Model and the Full Velocity Difference Model. The theory of probability was used to reflect the driver disposition characteristic distribution. Operation difference of each driver was reflected by the weight coefficient.The coefficients of this model were identified by the traffic survey and the driving simulation experiment. Finally，the model were used to simulate the starting process ata urban crossing. The simulation result indicated that the speed appeared undulating withdifferent driver in the following process. The driver's differences have been reflected in the model.Key words：Car-following model，driver characteristics，traffic behavior收稿日期：2006-10-09.基金项目：本研究工作得到国家973计划（2005CB724205），武汉市晨光计划（20045006071-29）和863计划（2006AA11Z214）资助。

第21卷第2期2023年06月交通运输工程与信息学报Journal of Transportation Engineering and InformationVol.21No.2Jun.2023文章编号：1672-4747（2023）02-0014-15跟驰自动驾驶车时人驾车行为研究跟驰自动驾驶车时人驾车行为研究：：实证与建模刘怿轩1，张慧永*2，王猛3，吴欢4，宗芳4（1.中汽研汽车检验中心（武汉）有限公司，武汉430000；2.一汽-大众汽车有限公司，技术开发部，长春130011；3.中国科学院，文献情报中心，北京100190；4.吉林大学，交通学院，长春130022）摘要：随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展，智能网联车辆（Con-nected and Automated Vehicle，CAV）、自动驾驶车辆（Autonomous Vehicle，AV）和人工驾驶车辆（Human-driven Vehicle，HDV）混行的状态将在未来一段时间内存在。

在混行条件下，车辆间的交互影响模式将发生变化。

本文以HDV跟驰AV的驾驶行为为研究对象，通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。

同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model，IDM），建立了前车为AV时的HDV跟驰模型。

该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定，能根据不同跟驰风格采取相应的跟驰策略。

经数据拟合检验，该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据，其中直行跟驰的平均拟合精度为96.2%，转弯跟驰的平均拟合精度为91.4%。

可见，本文提出的模型可以刻画HDV跟驰AV时的行为特征。

在目前难以进行大规模混流实车实验的情况下，可用于混流条件下的跟驰行为仿真，也可为未来AV及HDV混行交通流的道路交通管理及基础设施设计等提供理论依据或模型基础。

考虑非对称特性的全速度差跟驰模型研究考虑非对称特性的全速度差跟驰模型研究摘要：在道路交通中，车辆的跟驰行为是一项关键的研究领域。

许多现有的跟驰模型假设车辆之间具有对称的特性，即前车和后车具有相同的影响力。

然而，在实际道路中，车辆之间的非对称特性是不可忽视的。

本文基于全速度差跟驰模型，研究了考虑非对称特性的跟驰行为。

通过理论推导和数值模拟，我们发现非对称特性对车辆的跟驰行为产生了显著影响，并得出相应的结论。

1. 引言车辆的跟驰行为是道路交通中一项重要的研究领域，对于提高交通效率和交通安全具有积极的意义。

许多跟驰模型通过描述车辆之间的关系和行为，帮助我们理解和预测实际道路中的交通流动。

然而，现有的跟驰模型大多假设车辆之间具有对称的特性，即前车和后车具有相同的影响力。

实际上，在不同的道路条件和交通环境下，车辆间的非对称特性和驾驶员的个体行为是不可忽视的。

2. 跟驰模型全速度差模型是一种经典的跟驰模型，通过考虑车辆之间的速度差来描述跟驰行为。

在传统的全速度差模型中，前车和后车对于跟驰车辆的影响是对称的。

然而，在实际道路中，前车和后车的影响往往是不对称的。

因此，我们引入非对称参数来描述这种非对称特性。

3. 考虑非对称特性的全速度差跟驰模型我们基于全速度差模型，考虑了前车和后车的非对称特性。

具体而言，我们引入了非对称参数α和β，分别表示前车对当前车辆的影响和后车对当前车辆的影响。

通过理论推导和数值模拟，我们研究了非对称参数对车辆的跟驰行为的影响。

4. 理论推导我们从微观的角度出发，建立了考虑非对称特性的全速度差跟驰模型。

通过分析车辆之间的相互作用力和运动方程，我们得到了非对称参数α和β的表达式，并推导出相应的数学方程。

5. 数值模拟与数据分析我们利用数值模拟的方法，对考虑非对称特性的全速度差跟驰模型进行了仿真实验。

通过分析仿真结果和收集的数据，我们得出了以下结论：(1) 当非对称参数α和β的值增加时，前车和后车对当前车辆的影响增强，导致车辆之间的跟驰距离减小。

第4卷第1期2004年2月交通运输系统工程与信息Jour na l o f T ra nspo rtation Systems Engineering and Info rma tion Technolog y V o l.4No.1Febr ua ry 2004文章编号:1009-6744(2004)01-0104-05考虑驾驶员的多信息处理和多通道判断能力时车辆跟驰模型的改进张　伟,王武宏,沈中杰,李德慧(北京理工大学,北京100081)摘要:　交通流中车辆跟驰建模的研究在交通工程和智能交通系统领域内显得十分重要,其核心就是对驾驶员认知问题的测度.本文在总结以往跟驰模型的基础上具体讨论了AP (a ctio n point )模型,并对其不足之处做了改进,重点研究了后车跟随加速度的算法.此外,本文提出了驾驶员多信息处理机制和多通道判断决策概念,企图从控制论角度来对驾驶行为进行客观地定性分析和定量描述,以期正确地揭示交通流的本质特征.关键词:　车辆跟驰;A P 模型;多信息处理;智能控制中图分类号:　U 29Improv ement of Car Following M odel with Driv er 's Multi -typed Information System and M ulti -ruled Decisio n -Making M echanismZHAN G Wei,W AN G Wu-hong ,SHEN Zhong -jie,LI De-hui(Beijing Institute o f Techno log y,Beij ing 100081,China )Abstract :　Ca r -fo llo wing mo deling in tr affic f lo w theor y has been becoming o f incr easing impo rtance in t raffic e ngineering and intelligent transpor tatio n system ,the point o f concentration in research is about measurement o f driv er cog nitiv e .After reviewing historical mo dels o n car -fo llo wing ,this pa pe r has a naly zed in mo re detail the A P (actio n point )model ,and amelio rated AP model by eliminating its deficiency ,the emphasis of which is th e deductio n of the accele ratio n equatio ns by which the fo llo wing ca r is subjected .Furthe rmo re ,fr om the cyber netics perspectiv e ,this paper make an effo rt to acco mplish qualita tiv e analy sis and quantita tiv e descriptio n o f driv ing behav io ur with driv er 's multi -typed infor matio n system and multi -r uled decisio n -making mecha nism so as tocor rectly revea l the essence o f tra ffic flo w char acteristics .Keywords :　ca r fo llow ing ;A P mo del ;multi -ty ped info rmation system ;intellig ent contr olCLC number:　U 29收稿日期:2003-10-04资助项目:霍英东青年教师基金(81069);教育部优秀青年教师资助计划(1961).张伟:硕士研究生,从事交通信息工程及控制的研究.1　引 言车辆跟驰行驶是车队行驶过程中一种很重要的现象,对其研究有助于理解交通流的特性.随着机动车数量的迅猛增长以及高速公路里程的快速增加,研究车辆跟驰现象的重要性也大大增加.车辆跟驰模型分为宏观模型和微观模型,研究较多的是微观模型,即两车跟驰情况下的建模与仿真,其研究重点和难点是对后车驾驶员行为的定性分析与定量描述.在过去50年中,各国学者从多个角度针对跟驰现象建立了相关的跟驰模型,其研究结果虽然达到了一定的预期效果,但是模型适用性还显得不足.究其原因主要是各个模型的假设过于简单,脱离了驾驶行为和驾驶员本身的实际情况,导致这些模型只能在很苛刻的条件下成立,无法得到普遍的适用性.而目前建立的跟驰模型主要从工程角度或DOI:10.16097/ k i .1009-6744.2004.01.023交通心理学的角度去认识跟驰中的驾驶行为,存在一定的片面性.单从任何一个角度都无法准确地描述驾驶过程,因为驾驶员的感知、判断决策与动作执行过程是高度复杂的智能过程,具有很强的适应性.Bracksto ne和M cDo nald曾经在其研究报告中总结了过去50年内跟驰模型的发展历程,得出这样一个结论:在认识驾驶行为的过程中必须综合工程学和心理学的知识,全面考虑驾驶员的认知行为,才能建立更符合实际情况的跟驰模型[1].目前,车辆跟驰已经成为工程师和心理学家共同关心的问题,代表了一个独立的研究领域.工程师和心理学家已经意识到要解决跟驰模型问题,必须从工程角度和心理角度同时认识跟驰过程,而且迫切需要一个综合考虑二者因素的合理的跟驰行为假设,如何结合这两方面的因素已经成为制约跟驰模型发展的难点.本文在总结以往跟驰模型的基础上具体讨论了AP(actio n point)模型,并对其不足之处进行了理论上的改进,重点研究了后车跟随加速度的算法.此外,本文提出了驾驶员多信息处理机制和多通道判断决策概念,从控制角度提出了如何对驾驶行为做出定性分析和定量描述,以期正确地揭示驾驶行为的本质问题.2　驾驶员的多信息处理和多通道判断能力作为道路交通系统的信息处理者、决策者、调节者和控制者,驾驶员是人-车-路系统中最核心、最复杂的组成部分.在行车过程中,驾驶员需要连续不断地从道路环境和车辆运行状况中获取道路交通信息和车辆运行信息,并对其进行加工处理,然后做出决策.据美国的一项调查显示,驾驶员每行驶1km,会遇到300多种信息,需要做出75次决策[2].但是,驾驶员除了获取、处理已显示的或微弱的道路交通信息外,还有随时准备获取潜伏的、突显的道路交通信息.驾驶过程是一个高度复杂的智能控制过程,驾驶员在保证车辆安全的基础上根据所感知到的多种信息完成行车任务.例如在跟驰过程中,已往建立的模型认为驾驶员是以相对速度Δv和车辆间距D p作为控制信号以达到安全跟驰的.但是实际驾驶过程中,驾驶员所使用的控制信号可能不仅仅是这两个变量.例如,两车在接近或远离过程中,变化的信息有很多,可以直接被驾驶员感知到的有D p的变化,视角θ的变化,前车在后车驾驶员视野中的相对位置的变化(以挡风窗为取景框),D p对车头与前车后保险杠的相对高度变化,根据路边其他参照物感知到前车相对后车的位置变化,等等.驾驶员在具体操作中选择哪种信息作为输入信号不仅与个人驾驶习惯有关,与当时驾驶员意识状态和注意力分配状态有关,而且还受到具体跟驰状态(跟驰速度和间距)的影响,例如在远距离跟驰时,驾驶员根据前车视角变化判断跟驰间距的变化,从而决定采取何种措施;而在近距离跟驰时,驾驶员根据D p对应路面在视野中所形成的视角变化来判断跟驰间距的变化,从而决定下一步的加速度大小.高速跟驰情况下,驾驶员将更多精力用于观察前车尾灯,一旦制动灯亮起,驾驶员立刻减速;而低速跟驰过程中,驾驶员则更着意于前车视角变化.由于驾驶员是具有高度自适应能力的智能控制体,既受到理性原则的约束,又受到感性思想的影响,因此具有高度复杂的控制逻辑.例如从控制理论的观点看,跟驰行为不同于古典控制过程.它是一个多输入单输出控制过程,驾驶员可能并不是根据一种信号输入就做出判断的,往往是根据多通道信息输入,并对各个通道信息加权后,综合各种信息做出判断决策.各个通道的权值分配不但因人而异,而且受到驾驶员自身状态的制约,而驾驶员状态又受到出行目的、道路几何形状、相对速度、交通流速度、跟驰自愿性、跟驰时间等因素的影响.最关键的是这些权值还受到跟驰状态与该通道信息内容的影响,例如某个通道的信息内容紧迫,那么它的权值就会增加.换句话说,驾驶员潜意识里对紧急信息内容十分敏感,当此类信息进入大脑之后首先被预处理,结果由于其紧急性马上被赋予高优先级,立刻得到处理.这就是驾驶员对紧急情况的适应性.鉴于驾驶行为的复杂性,要建立普遍适用的驾驶行为模型是不切合实际的.相反,针对具体交通条件建立特定状况下的驾驶行为模型则更有实际效果[3].3　以驾驶员认知机理为基础的AP模型及其改进在以往的跟驰模型中,研究较为成功的一个是AP模型,它最早由Michaels在1963年提出的. Michael认为驾驶员在跟驰过程中并不能感知到相对速度的微小变化,除非相对速度的变化达到一个固定的感知阈值.这个阈值并不是用相对速度来衡量的,因为驾驶员无法直接感知相对速度,而是1期考虑驾驶员的多信息处理和多通道判断能力时车通过视野中物体视角的变化来判断的.因此,驾驶员通过观察前车的视角变化来感知相对速度,当视角变化率dθ/d t(≈Δv/Δx2)大于6×10-4时,驾驶员即感知到后车与前车的相对速度发生了变化,从而采取相应的措施(加速或减速)跟随.驾驶员保持这个加速度不变,直到不能再感知到前后车之间的相对速度,即视角变化率已经低于感知阈值,此时驾驶员将保持当前速度行驶.如果前后车之间存在相对速度,但是视角变化率低于感知阈值,那么驾驶员将保持该车速行驶.而前后车跟驰距离Δx则在不断变化,当Δx的变化量达到一个明显的数值时,驾驶员才能感知到.此时驾驶员将会改变车速以消除Δx的变化.那么Δx的变化量应该达到多少才算明显,即被驾驶员感知到呢?同样,跟驰距离的变化也是通过驾驶员观察前车视角的变化得到的.根据W ebers Law的研究,两车接近时,当前车观察视角增大10%的时候,驾驶员会感知到距离发生了明显变化;两车远离时,当前车观察视角缩小12%的时候,驾驶员才会感知到距离发生了变化[1].这种对距离感知的不对称性,可以解释为驾驶员出于对自身安全的考虑,潜意识中对两车接近的情况更敏感一些.3.1　安全时距模型首先,驾驶员在跟驰过程中总是保持一定的车辆时距作为跟驰安全余量,驾驶员在控制车辆间距(沿车道中心线从后车车头到前车车尾的空间距离)的目的就是为了满足安全车辆时距.车辆时距大小不受车速的影响,而与每个驾驶员的个性,受教育程度,年龄等个人因素相关,因此对每个驾驶员来说相对稳定.根据V an Winsum的研究,车辆间距可以用以下公式描述[4]:D p=t p v i(1)其中　D p——前后车辆间距,m;t p——前后车辆时距,s;v i——跟驰车队行驶速度,m/s.对于一个给定驾驶员,在一定的情况下t p值不随车速变化而变化,因此当车速增加或减小时,车辆间距会随之增大或减小,这与实际观察到的情况是一致的.但是不同驾驶员t p的值有很大的差异,例如技术不熟练的驾驶员跟驰时会选择较大的t p,以求安全;而熟练的驾驶员则相反.此外女性驾驶员选择的t p较男性驾驶员为大,高龄驾驶员选择的t p较年轻驾驶员为大.3.2　减速时的跟驰算法大量实验证实,驾驶员采取的减速操作与当时的TTC(Tim e-to-Collision)有关,TTC的定义为驾驶员感知到前车减速并决定减速时前后车辆间距除以相对速度得到的商.W ebers Law认为跟驰距离明显变化时,驾驶员将以某个不变的加速度加速或减速,直到视角变化率再次突破感知阈值,此后驾驶员会选择与刚才相反的加速度操作[1].以两车跟驰为例,当车辆间距小于D p时,后车驾驶员会选择减速以增大车辆间距,其加速度大小主要与TTC有关,同时还受到个人因素的影响.Wim va n Winsum认为驾驶员采取的加速度大小是对T TC 估计值的函数[4]:a i=c TTC est+d+X(2)其中　c,d——常数,c>0,d<0;X——随机误差;T TC est——驾驶员对实际T TC的估计值.此公式成立的条件是TTC不大于某一阈值,即驾驶员必须明显感到相对速度的存在.否则当TTC大于该阈值时,加速度为零.此外,驾驶员的操作过程不可能非常准确,必然存在人为的随机误差,而这个误差的大小又与驾驶员的驾驶技巧和精神状态有关.实验发现驾驶员减速操作的速度以及a i大小都与当时T TC紧密相关.T TC越小,操作速度越快,a i的绝对值越大.那么TTC和TTC est是否存在一定的关系呢?研究发现,驾驶员对T TC的估计值与实际数值的关系可以用Stev ens的心理-行为公式描述[4]:T TC est=e T TC f(3)其中,e= 1.04,f=0.72.现在的问题是TTC如何得到,即驾驶员感知到前车减速时的车辆间距D d与Δv如何求取.一般认为D d=D p-JND,其中JN D(Just Noticeable Distance)表示从前车减速到后车驾驶员感知到相对速度的过程中车辆间距的变化量.3.2.1　相对速度较大时的JN D算法相对速度较大时,视角累积变化量未达到感知阈值g,但是视角变化率已经超过了其感知阈值k.假设前车减速时保持稳定的加速度a j=a,跟驰车队初始速度v i.从前车开始减速计时,设经过t1时间后,后车驾驶员感知到前车的速度变化.则Δv=-at1(4)一般情况下t1很小,所以JN D D p,可以认为dθ/d t≈Δv/D2p=k(5)106交通运输系统工程与信息2004年2月 将Δv代入上式得到t1=-k·D2p/a,即Δv=k D2p(6)JND=(-at21)/2=-k2D4p/(2a)(7)D d=D p-JND=D p+k2D2p/(2a)(8)T TC=D d/Δv=D d/(k D2p)(9) 代入加速度公式(2)得a i=c TTC est+d+X=c e T TC f+d+X=c e[D d/(k D2p)]f+d+X(10) 3.2.2　相对速度较小时的JND算法相对速度较小时,前车视角变化率未达到感知阈值,但是视角累积变化量已经超过了感知阈值g.g的具体大小因人而异,其平均值为10%.驾驶员观察前车时,主要选择宽度方向上的视角变化作为控制输入信号,该视角θ的大小与前车宽度W 以及车辆间距相关,且满足如下关系式:θ=2arctan(W/(2D p))(11)(1+g)θ=2arctan(W/(2D d))(12)解上面两式得到D d=W/[2tan((1+g)a rcta n(W/(2D p)))](13)一般取W= 1.8m.设前车减速时,加速度恒定不变,即a j=a,经过t1时间后车驾驶员感知到距离变化,则JND=D p-D d=a t21/2(14)t1=2(D p-D d)/a(15) T TC=D d/Δv=D d/(at1)=D d/2a(D p-D d)(16)a i=c e TTC f+d+X=c e[D d/2a(D p-D d)]f+d+X(17) 3.3　加速时的跟驰算法当车辆间距大于D p时,驾驶员会选择加速以消除车辆间距与D p的差值,经我们的实车观察和研究发现,该加速度不仅与驾驶员决定加速时的跟驰间距D d以及前后车相对速度有关,而且与驾驶动机、个人性格、习惯等因素有关,公式如下:a i=T(D d/D p)+UΔv+λ+X(18)其中T,U为系数,且T>0,U>0,λ是随具体驾驶员而定的参数,与驾驶员个性、驾驶习惯、驾驶任务紧急度,以及驾驶员年龄、性别有关.任务紧急度高,则λ较大,男性驾驶员比女性驾驶员的λ较大,年轻驾驶员比老龄驾驶员的λ较大.技术熟练驾驶员比新手的λ较大.X是驾驶员操作时的随机误差.此公式成立的条件是前车视角变化率超过驾驶员的感知阈值k.当相对速度较小,驾驶员未感知到视角变化率,而视角累积变化量首先突破感知阈值g时,驾驶员的加速度操作则几乎与相对速度无关,公式变为如下形式:a i=T(D d/D p)+λ+X(19)3.3.1　相对速度较大时的JN D算法当相对速度较大时,后车驾驶员首先感知到视角变化率突破阈值k,随后以某一不变加速度加速追赶前车.设前车加速度为a,经过t1时间后车驾驶员获得前车加速信息,下面求取后车加速度a i:Δv=at1(20)dθ/d t≈Δv/D2p=k解得t1=k D2p/aJN D=D d-D p=a t21/2=k2D4p/(2a)(21)将Δv和JND代入加速度公式(9),得到a i=T(D d/D p)+UΔv+λ+X=T(1+JND/D p)+UΔv+λ+X(22) 3.3.2　相对速度较小时的JN D算法当相对速度较小时,前车视角变化率未达到感知阈值k,但是经过时间t1后,前车视角累积变化量达到感知阈值g(平均12%),此时后车开始加速.这种情况下,加速度受D p变化量影响较大,而与Δv关系不大,如公式(10)所示,此时只需求取D d.于是有D d=W/[2tan((1-g)a rcta n(W/(2D p)))](23)W= 1.8mJN D=D d-D p=W2tan(1-g)arcta nW2D p-D p(24)a i=T(D d/D p)+λ+X=T(1+JND/D p)+λ+X(25) 另外还应注意的是,驾驶员在加速时所选择的加速度大小往往变化不大,a i的值受习惯影响较大,即系数T,U相对λ很小.107第1期考虑驾驶员的多信息处理和多通道判断能力时车辆跟驰模型的改进4　结束语研究驾驶行为重点在于研究驾驶员感知和判断决策的方式与过程,尤其是对驾驶员认知行为的研究成为问题关键.在两车跟驰行为的研究中,以后车驾驶员观察视角作为认知线索,在综合考虑驾驶员心理因素对跟驰行为影响的基础上,进一步推导出后车加速度的算法.显然,减速和加速情况下的加速度算法完全不同,前者是TTC的函数,而后者与决策时跟驰间距D d以及相对速度相关,而且受习惯行为影响较大.本文所提出的AP模型的改进算法是在理论研究的过程中建立的,仍需要实验数据的支持、以及标定各个参数.驾驶行为是一个高度复杂的智能控制过程,具有多信息处理和多通道判断特性.驾驶员观察视角作为一种主要输入信号,对其研究获得了一定的成功,但是并不排除其它输入信号的影响作用.各种输入信号影响性,即输入通道的权值随诸多因素而变化,大脑在处理各通道信息时,其控制规则也随具体信息内容而变化,因此驾驶行为具有较强的适应性,而这正是目前驾驶行为研究的重点与难点.如果能够确定各种驾驶信号输入与相关的控制规则,那么跟驰模型必然能更客观地描述交通流中车队行驶过程并进一步揭示其特征.参考文献[1]　M ark Brackstone,M ike Donald.Ca r-fo llo wing:ahistorical review[J].T ra nspor tation Research F,1999,2:181-196.[2]　王武宏,等.道路交通系统中驾驶行为理论与方法[M].北京:科学出版社,2001:62.[3]　T homas A Ranney.Psycho log ical facto rs thatinfluence car-fo llow ing and car-fo llowing modeldevelo pment[J].T ranspo rta tio n Research Par t F,1999,2:213-219.[4]　W im va n Winsum.T he human element in ca rfo llo wing mo dels[J].T ranspo rta tio n Resear ch Pa rtF,1999,2:207-211.[5]　M ar k Brackstone,Beshr Sulta n,Mike M cDonald.M o tor way driv er behav io ur:studies on ca r fo llow ing[J].Tr anspo rta tion Research Pa rt F,2002,5:329-344.[6]　H o ngbin Yin,S. C.Wo ng,J ia nmin X u, C.K.W o ng.U rban traffic flo w predictio n using a fuzzy-neur al a ppr oach[J].T ranspo r ta tio n Research F,2002,10:85-98.[7]　Ka rl A.Hutto n,Chris G.Sibley,Dav id N.H a rper,M ar ee Hunt.M odifying driv er behaviourwith passeng er feedback[J].T ranspo r tatio n Research Pa rt F,2002,4:257-269.[8]　H a shim Al-M adani,Abdul-Rahman Al-Janahi.Assessment o f driv er s'comprehensio n of tra ffic sig ns ba sed o n their traffic,personal and so cial cha racteristics[J].Tr anspo rta tion Resea rch Pa rt F,2002,5:361-374.[9]　Andra s Kemeny,Francesco Pa ner ai.Ev aluatingpe rception in driv ing simulatio n ex periments[J].T REN D S in Co gnitiv e Sciences,2003,1:31-37. [10]　Hussein Dia.An ag ent-based approa ch to mo delingdriv er ro ute choice behavio ur under the influence o fr eal-time info rma tio n[J].T ra nspor tation Resea rchPa rt C,2002,10:331-349.[11]　K.M.Lum,Y. D.W ong.A befo r e-and-afterstudy o f driv er sto pping pro pensity a t red ligh tcamer a inter sec tions[J].Accident analy sis&prev entio n.2003,35:111-120.[12]　Baojin W ang,David A.Henshe r&Tu To n.Safetyin the ro ad enviro nment:a driv er behaviourr espo nse perspec tiv e[J].T ranspo r tatio n.2002,29:253-270.[13]　Luis Alv are z,Ro berto H o ro wit z,Charmaine V.T oy.M ulti-destinatio n traffic flow co ntr ol inauto mated hig hwa y systems.T ranspo r tatio nResea rch Par t C2003,11:1-28.[14]　王殿海.交通流理论[M].北京:人民交通出版社,2002.108交通运输系统工程与信息。

考虑驾驶员记忆的多前车速度差跟驰模型研究
尹砚铎;龙科军;谷健
【期刊名称】《交通科学与工程》
【年(卷),期】2024(40)2
【摘要】为了探究驾驶员记忆和多前车速度差对交通流的影响,本文基于全速度差模型(full velocity difference model,FVDM),结合驾驶员记忆因素和多前车对跟驰车的作用,构建了一种考虑了驾驶员记忆和多前车速度差的跟驰模型。

通过改进模型的线性稳定性特征,得出改进模型的稳定性条件。

再对改进模型下的车流启动和制动过程进行仿真,并与FVDM的仿真结果作对比。

然后采用微小扰动法对改进模型进行数值仿真,研究驾驶员记忆因素和多前车速度差对交通流稳定性的影响。

最后,利用下一代仿真(next generation simulation,NGSIM)数据标定了改进模型的参数,并预测了其加速度。

研究结果表明:驾驶员记忆在一定程度上不利于交通流的稳定,而多前车速度差对稳定交通流具有积极作用;与FVDM相比,改进模型的启动延迟和制动延迟分别降低了10.0%和19.0%,预测精度更高,均方根误差降低了24.3%。

【总页数】11页(P127-137)
【作者】尹砚铎;龙科军;谷健
【作者单位】长沙理工大学智能道路与车路协同湖南省重点实验室
【正文语种】中文
【中图分类】U491.2
【相关文献】
1.考虑前车加速度信息影响的多速度差模型
2.考虑前车加速度信息的跟驰模型及数值模拟
3.考虑车辆加速度和次邻近车辆速度差的跟驰模型及仿真研究
4.车–车互联下多前车速度差的跟驰模型
5.在智能网联车中考虑电子节气门开度的多前车速度差的跟驰模型
因版权原因，仅展示原文概要，查看原文内容请购买。

机动车道路考试系统智能评判方法与数据交换技术
吴超仲;吴业福;张丹;付谭欢
【期刊名称】《交通信息与安全》
【年(卷),期】2012(030)006
【摘要】设计了1种机动车道路考试系统,该系统能对部分考试项目进行自动评判,同时可以监督整个考试过程,使机动车道路考试更加客观公正.该系统的核心是智能评判方法与数据交换技术.介绍了机动车道路考试系统的总体架构；提出了利用人工智能技术对机动车道路考试项目进行自动评判的原理和方法；对于无法进行自动评判的项目,开发了基于考官打分的人工评判方法；针对机动车道路考试系统的数据特征,设计了系统的数据交换方法.研究成果对于开发机动车道路智能考试系统具有一定的指导作用.
【总页数】6页(P1-5,16)
【作者】吴超仲;吴业福;张丹;付谭欢
【作者单位】武汉理工大学智能交通系统研究中心武汉430063;武汉理工大学计算机科学与技术学院武汉430063;武汉理工大学计算机科学与技术学院武汉430063;武汉理工大学计算机科学与技术学院武汉430063
【正文语种】中文
【中图分类】U273.94
【相关文献】
1.高精度GPS/GIS定位技术在机动车道路考试系统中的应用研究 [J], 吴业福;潘世刚;康壮;吴超仲
2.人脸检测与实时跟踪在机动车道路考试系统中的应用研究 [J], 吴业福;李波;师宇;吴超仲;刘钢
3.一种机动车驾驶人道路考试智能评判监测系统 [J], 贺宜;吴超仲;吴业福;张良力;石永辉
4.XML数据交换技术在中医智能化诊断数据集成中的应用 [J], 余江维;余泉;张太珍;彭玉
5.面向非机动车生产制造的城市道路路段非机动车换算系数改进方法 [J], 徐兴; 仲海鹏; 赵芸
因版权原因，仅展示原文概要，查看原文内容请购买。

基于驾驶策略的车辆跟驰模型研究及其应用前景
基于驾驶策略的跟驰模型（Car-following models based on driving strategies）是模拟车辆在道路上的行驶行为和相互作用的一种模型。

这种模型主要关注驾驶员如何根据周围环境和自身状态来选择和调整驾驶策略，以达到安全、高效地跟驰的目的。

在跟驰模型中，通常需要考虑以下几个因素：
1.驾驶员的反应时间：驾驶员从感知到前方车辆减速或加速，到自己采取相
应行动所需的时间。

这个时间取决于驾驶员的反应速度和决策能力。

2.车辆间的距离和速度差：驾驶员需要保持与前车一定的安全距离，并根据
前车的速度调整自己的速度。

这是为了防止追尾事故和保持交通流畅。

3.道路条件和交通规则：驾驶员需要根据当前道路的线形、交通标志、交通
信号等，以及遵守相应的交通规则，来选择合适的驾驶策略。

基于驾驶策略的跟驰模型可以分为两类：确定性模型和概率性模型。

确定性模型假设驾驶员的驾驶行为是确定的，可以预测的；概率性模型则考虑了驾驶员行为的随机性和不确定性。

确定性模型中最著名的就是油门-刹车线性模型（Linear Throttle-Brake Model），它假设驾驶员的油门和刹车动作是线性的，可以根据前车的速度和距离来预测下一时刻自己的速度和位置。

概率性模型中最常用的是微观跟驰模型（Microscopic Traffic Simulation Model），它考虑了驾驶员行为的随机性和不确定性，可以模拟单个车辆的运动轨迹和速度变化，从而得到整个车流的运行状态和统计特性。