高速公路客货混行场景下,客货车辆物理性能和驾驶行为差异易导致货车后方小汽车出现急加减速、超车等危险驾驶行为,影响交通流稳定性,加剧道路交通事故风险。鉴于此,聚焦于客货场景,创新性地以货车“压迫度”为切入点,探究客货车辆交互...高速公路客货混行场景下,客货车辆物理性能和驾驶行为差异易导致货车后方小汽车出现急加减速、超车等危险驾驶行为,影响交通流稳定性,加剧道路交通事故风险。鉴于此,聚焦于客货场景,创新性地以货车“压迫度”为切入点,探究客货车辆交互影响下小汽车的换道行为和行车风险。首先,引入分子相互作用力构建考虑驾驶风格的货车压迫度(Oppression Measurement of Truck,OMT)量化指标,以量化货车对小汽车行驶存在的压迫影响。进一步采用货车压迫度优化小汽车换道意图判别方法,并融合货车压迫度构建基于卷积神经网络-长短期记忆混合神经网络(CNN-LSTM)的换道意图识别模型和基于轻量级梯度提升机(LightGBM)的换道风险预测模型联合组成的两阶段换道风险预测模型,并采用车辆轨迹数据集验证模型的有效性。研究结果表明:有换道行为的车辆总体上受到更强烈的货车压迫;熟练型驾驶人能够容忍高强度的货车压迫,而谨慎型的驾驶人对货车压迫较为敏感,偏向于保持在低压迫度下行驶。其次,货车压迫度与行车冲突之间存在时间滞后相关效应,较强压迫度能影响车辆驾驶行为,进而引发行车风险变化。融合了货车压迫度指标的模型在换道意图识别与风险预测中表现出更高的精度,并且货车压迫度在换道风险预测模型中具有较高的特征贡献度,研究结果可为复杂交互场景的微观建模与主动安全管控提供全新视角和有效理论支撑。展开更多
城市快速路作为重要交通走廊,其合流区交通调度更为复杂。为保障智能网联车辆(Connected and Automated Vehicle, CAV)在城市快速路合流区高效、安全、舒适行驶,基于城市快速路合流区的换道特征,开展了考虑换道风险动态评估结果的CAV换...城市快速路作为重要交通走廊,其合流区交通调度更为复杂。为保障智能网联车辆(Connected and Automated Vehicle, CAV)在城市快速路合流区高效、安全、舒适行驶,基于城市快速路合流区的换道特征,开展了考虑换道风险动态评估结果的CAV换道决策模型的相关研究。首先,对换道车辆与邻车进行时空重叠分析,将分析结果作为潜在风险判别依据,对存在时空重叠的CAV及其邻车计算换道碰撞时间(Lane Change Time to Collision, LCTTC),实现换道风险动态评估;然后,将换道风险动态评估结果融入多目标奖励函数优化的DQN(Deep Q-Network)网络结构,并综合考虑车辆行驶高效性、安全性与舒适性等因素,提出具有风险感知的SIDQN(Security Improvement Deep Q-Network)换道决策;最后,通过仿真试验进行验证。研究结果表明:相较于对比策略,提出的SIDQN策略换道成功率保持在95%以上,且运行平均速度不低于21.008 m·s^(-1);此外,在复杂的交通合流场景中,融入安全性奖励的SIDQN策略表现出最佳安全性,其LCTTC平均占比仅为9.56%,远低于其他对比策略,同时事故率统计结果持续保持较低水平;在舒适性方面,SIDQN策略下换道次数仅为4次,连续换道和无效换道次数均为1次,并显著降低了频繁换道和极端加速减速操作次数,提升了乘客的舒适体验。提出的换道决策模型综合性能优势明显,可为智能网联环境下城市快速路合流区CAV安全换道决策研究提供参考。展开更多
文摘高速公路客货混行场景下,客货车辆物理性能和驾驶行为差异易导致货车后方小汽车出现急加减速、超车等危险驾驶行为,影响交通流稳定性,加剧道路交通事故风险。鉴于此,聚焦于客货场景,创新性地以货车“压迫度”为切入点,探究客货车辆交互影响下小汽车的换道行为和行车风险。首先,引入分子相互作用力构建考虑驾驶风格的货车压迫度(Oppression Measurement of Truck,OMT)量化指标,以量化货车对小汽车行驶存在的压迫影响。进一步采用货车压迫度优化小汽车换道意图判别方法,并融合货车压迫度构建基于卷积神经网络-长短期记忆混合神经网络(CNN-LSTM)的换道意图识别模型和基于轻量级梯度提升机(LightGBM)的换道风险预测模型联合组成的两阶段换道风险预测模型,并采用车辆轨迹数据集验证模型的有效性。研究结果表明:有换道行为的车辆总体上受到更强烈的货车压迫;熟练型驾驶人能够容忍高强度的货车压迫,而谨慎型的驾驶人对货车压迫较为敏感,偏向于保持在低压迫度下行驶。其次,货车压迫度与行车冲突之间存在时间滞后相关效应,较强压迫度能影响车辆驾驶行为,进而引发行车风险变化。融合了货车压迫度指标的模型在换道意图识别与风险预测中表现出更高的精度,并且货车压迫度在换道风险预测模型中具有较高的特征贡献度,研究结果可为复杂交互场景的微观建模与主动安全管控提供全新视角和有效理论支撑。
文摘城市快速路作为重要交通走廊,其合流区交通调度更为复杂。为保障智能网联车辆(Connected and Automated Vehicle, CAV)在城市快速路合流区高效、安全、舒适行驶,基于城市快速路合流区的换道特征,开展了考虑换道风险动态评估结果的CAV换道决策模型的相关研究。首先,对换道车辆与邻车进行时空重叠分析,将分析结果作为潜在风险判别依据,对存在时空重叠的CAV及其邻车计算换道碰撞时间(Lane Change Time to Collision, LCTTC),实现换道风险动态评估;然后,将换道风险动态评估结果融入多目标奖励函数优化的DQN(Deep Q-Network)网络结构,并综合考虑车辆行驶高效性、安全性与舒适性等因素,提出具有风险感知的SIDQN(Security Improvement Deep Q-Network)换道决策;最后,通过仿真试验进行验证。研究结果表明:相较于对比策略,提出的SIDQN策略换道成功率保持在95%以上,且运行平均速度不低于21.008 m·s^(-1);此外,在复杂的交通合流场景中,融入安全性奖励的SIDQN策略表现出最佳安全性,其LCTTC平均占比仅为9.56%,远低于其他对比策略,同时事故率统计结果持续保持较低水平;在舒适性方面,SIDQN策略下换道次数仅为4次,连续换道和无效换道次数均为1次,并显著降低了频繁换道和极端加速减速操作次数,提升了乘客的舒适体验。提出的换道决策模型综合性能优势明显,可为智能网联环境下城市快速路合流区CAV安全换道决策研究提供参考。
