付锐;袁小慧;郭应时;马勇
【摘 要】For predicting the merging manoeuvre of the vehicle on adjacent lane, and adjusting the control strategy of ego-vehicle speed in advance to enhance the ride comfort and safety of ego-vehicle in adaptive car-follow-ing control, a predictive model for the merging manoeuvre of the vehicle on adjacent lane is established by collecting and analyzing the real world motion state information of ego-vehicle and surrounding vehicles, and based on which the existing desired vehicle spacing model for vehicle following is improved. The results of simulation show that four variables can be regarded as characteristics parameters to predict merging behavior. They are the speed of ego-vehi-cle, the time headway and relative speed between ego-vehicle and preceding vehicle and the relative speed between ego-vehicle and the vehicle on adjacent lane. The predictive model can predict the type of merging behavior 2 sec-onds in advance, and the prediction accuracy rates for two merging types reach 88% and 90% respectively. The im-proved desir
ed vehicle spacing model makes vehicle following process more stable, with the ride comfort and safety of vehicle enhanced.%为在自适应跟车控制中,预测相邻车道车辆的并道行为,提前调整自车速度控制策略,以提高自车的乘坐舒适性和安全性,通过采集和分析实际道路上自车与周围车辆的运动状态信息,建立相邻车道车辆并道行为预测模型,并在此基础上对现有期望间距跟车模型进行改进.仿真结果表明:自车车速vM、自车与前车的车头时距t1、自车与前车的相对速度vML和自车与相邻车道车辆的相对速度vMF可作为预测并道行为的表征参数;所建立的预测模型可提前2s预测并道行为的类型,对两种并道行为预测的准确率分别达到88%和90%;改进的期望间距模型使跟车过程更加平稳,可提高车辆的舒适性与安全性. rbd-312【期刊名称】《汽车工程》
【年(卷),期】2017(039)010
【总页数】8页(P1106-1113)
【关键词】跟车;并道预测;期望间距;Fisher判别法
【作 者】玩具车漂移付锐;袁小慧;郭应时;马勇
【作者单位】磁卡门禁机长安大学汽车学院,西安 710064;长安大学,汽车运输安全保障技术交通行业重点实验室,西安 710064;长安大学汽车学院,西安 710064;长安大学汽车学院,西安 710064;长安大学汽车学院,西安 710064
【正文语种】中 文
在跟车过程中，如果相邻车道车辆(后简称相邻车)突然并入本车道，插入至自车与前车之间，自车稳定的跟车状态被打破，跟车间距突然减小，与前车的相对速度发生突变，极易引发交通事故。如果能够提前预测到相邻车道车辆的并道行为，并做出响应，自车的速度控制会更加平稳，车辆的乘坐舒适性和安全性均会得到提高。
目前对换道行为预测方面的研究大多是以换道车辆为自车，对其换道意图进行识别，较少以相邻车道车辆为研究对象，研究其并道意图。文献[1]中以实车试验采集到的自车速度、自车与相邻车的纵向间距和横向间距、纵向相对速度和横向相对速度和卡尔曼滤波预估得到的纵向相对加速度和横向相对加速度等7个参数作为特征参数，采用模糊支持向量机对实
车试验数据进行训练，并对相邻车道车辆的并道意图进行识别。文献[2]中采用模糊决策思想，认为自车与相邻车的横向间距较小和横向相对速度较大时，相邻车更容易并道，采用该种判别方法定性描述了相邻车的并道意图，但未做到量化表达。文献[3]中利用一种有关机率理论的模型对行车过程中车辆位置进行分析和预测，并结合传感技术，能对开启ACC系统进行跟随行驶的车辆进行分析，并对本车道有车辆并入场景进行有效识别。文献[4]中使用驾驶模拟器分析了安装有ACC系统的车辆跟随前车行驶时，面对本车道前方有载货车并入的情况，通过问卷的形式对驾驶人是否信任ACC系统，即是否会主动操作，进行调查和统计分析，来衡量驾驶人对系统的依赖程度。文献[5]中在未划分车道线的道路上研究了同一车道内侧前方车辆对跟车行为的影响，指出侧向间距的增加会导致前后车跟车间距减小。文献[6]中利用摄像机拍摄通过某一试验路段的交通流视频，经统计筛选得到相关数据，分析侧向干扰因素尤其是侧向车对后车的影响情况，从“引力”与“斥力”相互作用的特性角度出发，建立了考虑侧向车影响的跟车模型。文献[7]中建立驾驶人行为决策与车辆动力学耦合的混合状态模型，根据观测到的参数追踪目标车辆的连续状态，并采用隐马尔科夫模型估计接近交叉口时驾驶人最可能的驾驶行为。
本文中针对高速公路上自车在跟车过程中有相邻车道车辆并入自车车道这一现象，研究相
邻车的并入行为及其对自车行驶状态的影响。筛选车辆间各运动状态参数，建立预测模型对相邻车辆的并道行为进行预测，并基于该模型，对现有的期望间距跟车模型进行改进。
本文中研究单向双车道上的并道行为。如图1所示，涉及的车辆包括自车M、前车L0、相邻车F1和相邻前车L1。试验场景是M车在本车道跟随L0车行驶；相邻车道上F1车在纵向位于M车与L0车之间，且跟随L1车行驶。F1车具有换道意图，即F1车随后会并道至本车道，且并道行为有3种情形。第1种情形是F1车并道至L0车之前，记为Merg1；第2种情形是F1车并道至M车与L0车之间，记为Merg2；第3种情形是F1车并道至M车之后，记为Merg3。由实际数据采集情况看，Merg3情形很少，且对M车的影响较小，本文中只讨论Merg1和Merg2并道行为。
1.1 试验数据采集与处理
为采集本研究所需数据，进行了高速公路实车试验。选取两段交通量适中的全封闭双向4车道高速公路为试验路段，路段1限速100km/h，试验里程为57.4km，路段 2限速 110km/h，试验里程为40.5km。有10名驾驶人参与了本次试验，年龄为28岁至51岁，均值为39.1岁，标准差为6.59岁；驾龄分布范围为3年至25年，均值为14.4年，标准差为7.04年。试验车为
大众途安1.8型自动挡轿车，配备有多种数据采集设备，试验时主要使用德尔福ESR毫米波雷达、VBOX 3I差分GPS、多通道视频监控系统和CAN数据采集卡等设备。
试验前给参试驾驶人下达的唯一指令为从出发地驶往目的地，试验车上另有一名测试人员。试验过程中采集了包括自由行驶、跟车和换道等所有驾驶行为数据。试验后，对采集的数据按如下原则进行筛选。
(1)试验车的车速区间为60-100km/h。速度低于60km/h的数据不具备高速公路车辆正常行驶的特点，故予剔除。两个试验路段的限速分别为100和110km/h，筛选的样本中超过100km/h的数据很少，本文中只选取车速低于100km/h的数据。
(2)M车与L0车的车头时距小于5s。文献[8]和文献[9]中将5或6s的车头时距作为自由行驶和跟车行为的分界值，本文中采用5s作为分界值，即将车头时距小于5s的情形界定为跟车行为[10-11]。
(3)并道意图的判断依据为F1车开启转向灯，并道行为的判断依据为F1车的横向位置偏移。为确定相邻车F1的并道意图，由视频信息将F1车转向灯开启时刻作为其并道意图起始点，
而F1车有单侧横向偏移的开始时刻为并道意图的终止点，数据筛选时截取至该时刻前1～2s的连续数据。
基于以上原则，最终筛选出50次Merg1并道行为和50次Merg2并道行为，共包含800组Merg1并道行为样本和 800组 Merg2并道行为样本。其中，Merg1并道行为中速度在[60，80)km/h的数据共370组，在[80，100)km/h区间的数据共 430组；Merg2并道行为中速度在[60，80)km/h的数据共320组，在[80，100)km/h区间的数据共480组。在数据分析前，采用邻域平滑滤波方法对数据进行去噪处理。
1.2 并道行为表征参数分析
本文中初步选取与并道行为相关的参数有：自车速度v M；自车M与前车L0的纵向间距d1，自车M与前车L0的车头时距t1，自车M与前车L0的纵向相对速度v ML；自车M与相邻车F1纵向间距d2，自车M与相邻车F1的车头时距t2，自车M与相邻车F1的纵向相对速度v MF；自车M的纵向加速度a0，前车L0的纵向加速度a1和相邻车F1的纵向加速度a2。这些参数均可由GPS和雷达所采集的数据计算得到。
抗震支架重量
背缚
表1为样本数据中M车分区间速度分布情况。两速度区间下，在两种并道类型Merg1和Merg2中M车速度的均值、最大值和最小值相差不大。
图2为加速度a0，a1和a2分速度区间统计盒形图。在并道类型Merg1和Merg2中M车、L0车和F1车的加速度a0，a1和a2在两个速度区间的区分度不大，且异常数据点很多，因此不将加速度a0，a1和a2作为预测F1并道行为的指标。
在建立并道行为预测模型之前，为确定并道行为表征参数，对初选参数进行了相关性和多重共线性检验。在排除a0，a1和a2 3个参数之后，对其余7个变量 (v M，t1，t2，v ML，v MF，d1，d2) 进行线性相关性分析，并绘制相关系数矩阵图，见图3。
图3中椭圆块可以直观地表示变量间的线性相关程度。椭圆的形状表示相关性强弱，长轴方向表示变量是正相关还是负相关。而椭圆中的数值则定量给出7个变量两两间相关系数值，数值大表明相关度高。从图中可以看出，d2与t2和d1与t1的线性相关度是最高的，其相关系数分别达到0.98和0.95。此外，d2与d1和v M的线性相关性也较强，其相关系数分别为0.57和0.61。而v ML和v MF与其余变量相关系数均小于0.4，线性相关性较弱。综上所述，可考虑去除与其它变量相关性最强的变量d1和d2。
多重共线性诊断的方式很多，本文中用各参数的方差膨胀因子进行多重共线性诊断。进行参数xi关于其余自变量的多元线性回归，计算其模型判定系数，记为R2i。
式中：SSEi为残差平方和，SSTi为总离差平方和。
第i个参数的方差膨胀因子VIFi为
智能楼宇可视对讲系统基于方差的膨胀因子诊断多重共线性时，存在如下诊断规则：VIFi＜5时，认为不存在多重共线性(或共线性较弱)；5≤VIFi≤10时，认为存在中等程度共线性；VIFi＞10时，则说明共线性较高，必须消除多重共线性。
计算 7 个变量 v M，t1，t2，v ML，v MF，d1和 d2的方差膨胀因子，得 VIF7＝ [12.6140，79.3822，101.7321，1.2747，1.1917，114.6772，128.3634]， 可见存在严重共线性，首先去掉共线性最显著的d2和d1，重新计算多方差膨胀因子，有VIF5＝[1.2823，1.4933，1.7139，1.2515，1.1387]。 由此可见，v M，t1，t2，v ML和v MF这5个参数共线性很弱。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议