纵向车辆跟随模型述评
通过元学习，我们提出了一种可适应个性化车辆跟驰的 MetaFollower 框架，结合长短期记忆网络（LSTM）和智能驾驶模型（IDM），能够准确捕捉和模拟车辆跟驰行为的细微动态，并考虑到个体驾驶者的独特驾驶风格。与常规的自适应巡航控制系统相比，该框架能够快速适应新驾驶员并在预测车辆跟驰行为方面具有更高的准确性和安全性。
Jun, 2024
使用贝叶斯方法进行数据分析和参数估计，评估交通仿真软件中基于遗传算法的校准过程，研究车辆跟驰模型在模型校准中的层次化建模优势，并应用概率建模对车辆跟驰模型进行验证。
Jul, 2023
该研究提出一种基于关注力转换器模型的长序列跟车轨迹预测模型，通过跨层带关注的自注意机制和交叉注意机制在历史驾驶数据和未来 LV 速度数据之间建立联系，从而可以准确预测车辆的 Future FV Speed Profile，在上海自然驾驶研究中该模型表现出比传统智能驾驶模型、全连接神经网络模型、长短时记忆模型更高的准确性。
Feb, 2022
本研究提出一种贝叶斯矩阵正态混合回归模型，通过捕捉车辆跟随行为中的特征相关性和时间动态，有效地理解复杂的人类驾驶行为，并提供交通仿真和自动驾驶系统中的解释性工具。
Apr, 2024
本研究建立了一个公共基准数据集，用于汽车跟车行为建模。数据集包含来自五个公共驾驶数据集的超过 80K 个汽车跟车事件，用于比较不同的跟车模型，并推进更精确模型的发展。实现了代表性的基准模型并进行测试，结果表明，基于 DDPG 模型的跟车模型在大多数数据集中具有竞争力，跟随距离 MSE 值较低，碰撞率较小。
May, 2023
利用基于遥感传感器的车辆轨迹数据对个体驾驶员在真实城市交通中的跟车行为进行了研究，通过非线性优化方法对智能驾驶员模型和速度差模型进行了校准，并发现速度差模型的校准参数强烈依赖于优化标准，而智能驾驶员模型在这方面更为稳健，反应时间对车跟速度模型的影响很小，说明驾驶员通过预见来弥补反应时间，研究结果可用于将来评估和建立车跟模型。
Mar, 2008
人工驱动车辆导致交通拥堵，增加燃油消耗、碰撞风险和减少容量利用率。本研究通过分析真实世界中的人类驾驶轨迹，提取了在车跟随过程中的加速行为，并将这些行为与之前研究中的自动驾驶车辆结合起来，以减少拥堵并评估其安全性、效率和稳定性。此外，还引入了基于强化学习的自动驾驶车辆，利用拥堵阶段分类神经网络来优化 “安全 + 稳定” 或 “效率”，并在不同密度、配置和渗透率的混合交通控制环境中进行评估，并与现有的自动驾驶车辆进行比较。
Nov, 2023
该研究提出了一种基于深度强化学习的类人自动车跟随规划框架，并通过创新的奖励函数和反应延迟考虑等方法，将人的驾驶行为映射到速度、相对速度和车辆间距离等状态空间，实现了精度更高的自动驾驶策略学习，具有较强泛化能力，可以为智能驾驶算法和交通流模型的发展提供帮助。
Jan, 2019
提出 EnsembleFollower 框架，使用多种低级模型来实现高级、类人的跟车行为，结合强化学习的高层代理，基于真实驾驶数据评估并验证了模型的准确性和有效性。
Aug, 2023