Sep, 2023

混合交通中的环形交叉口司机行为研究 —— 基于机器学习的案例研究

PDF
TL;DR通过使用数据驱动的无监督机器学习对德国三个环岛的混合交通环境中的驾驶行为进行分类研究，结果显示大部分通过环岛的驾驶员可以被归类为保守型和正常型两种驾驶风格，而与行人或骑行者发生交互的驾驶员表现出不正常的行为，这可能增加了多模式交叉口发生事故的风险。该研究的结果对道路安全和先进驾驶辅助系统（ADAS）的发展具有重要意义。
driving behaviorroundaboutsdata-driven unsupervised machine learningvehicle kinematicsvulnerable road users
发现论文，激发创造
  • 环形交叉口设计对道路用户行为的影响：基于无监督机器学习的案例研究

    评估车辆转台的性能，研究人类驾驶员与转台的互动。研究表明，环岛能显著减少交叉口的速度，车辆接近速度和其对速度的影响取决于道路用户的评级。本研究重点关注（公交车、汽车、卡车）的驾驶员，并将他们的行为分为保守型、正常型和激进型。研究旨在研究环岛对这些分类器的影响，并开发一种预测交叉口道路用户行为的方法。

    Sep, 2023

  • 基于强化学习的基于排队的环形交叉口节能驾驶

    我们研究了环城路口的生态驾驶在混合交通中如何提高交通流量和交通效率。我们发展了基于规则和基于强化学习的两种生态驾驶系统，并通过对比它们的性能发现，强化学习并没有明显优势，尤其是在高交通量或低连接车辆渗透率下。

    May, 2024

  • 基于基础设施的警告系统对驾驶行为的评估 —— 环形交叉口研究

    通过驾驶模拟器研究，探讨了基于基础设施的警告系统在改善交通安全和减少事故风险方面的作用，结果显示提前发出警告可以显著提高安全性。

    Dec, 2023

  • 通过强化学习分析非信号化路口的混合交通行为

    本研究报告探讨了强化学习 (RL) 代理在停车迟迟及加速停车场景中所表现的多模态分布程度，并调查了 RL 控制的机器人车辆 (RVs) 在复杂交通环境中如何有效导航方向与其他车辆进行协作。通过分析多模态队列长度、流量和编队大小分布以及队列长度与流量之间的皮尔逊系数相关性，考虑了机器人和人驾驶车辆 (HVs) 的相同和不同行驶方向，还研究了因果推断模型，揭示在涉及不同行驶方向的场景中影响队列长度的因素。通过这些调查，本报告为混合交通 (RVs 和 HVs) 在交通管理和协调中的行为提供了宝贵的见解。

    Nov, 2023

  • 自适应博弈理论决策在环形交叉口自动驾驶车辆控制中的应用

    本文提出了一种基于博弈理论模型的决策算法，用于自动驾驶汽车控制来应对环形路口的交通。该算法可以通过在线估计对手车辆的驾驶模式来对其进行调整。

    Oct, 2018

  • 自动导航拖车车辆通过环岛交叉口

    最近几年，在自动驾驶领域取得了重大进展，旨在提高安全性和效率。然而，专注于半挂车辆的研究相对较少。由于物理特性和铰接连接，这些车辆需要定制的模型。通过使用高保真模拟软件 CARLA 和几个环形交叉口场景，本研究开发了卡车和挂车模型，并建立了基准数据集。使用双 q 软件参与者算法，我们训练了一个准端到端的自动驾驶模型，在不同的环形交叉口上能够达到 73% 的成功率。

    Jan, 2024

  • 基于深度强化学习的环形交叉口安全、高效、舒适、节能自动驾驶

    研究采用深度强化学习算法，设计了行驶状态、行动空间和奖励函数，评估了 Deep Deterministic Policy Gradient (DDPG)，Proximal Policy Optimization (PPO) 和 Trust Region Policy Optimization (TRPO) 等算法在自动驾驶通过环形道路方面的表现，并建立了评估方法，实验结果表明 TRPO 算法在安全性和效率方面优于 DDPG 和 PPO，而 PPO 在舒适水平方面表现最佳，审视了模型对其他驾驶场景的适应性和稳健性。

    Jun, 2023

  • 通过强化学习进行交通流随机化的自主车辆决策与控制

    我们提出了一种方法，通过随机化基于规则的微观交通流的车辆跟随模型和变道模型的某些参数来随机化周围车辆的驾驶风格和行为，发现在高保真度微观交通流下训练的策略相比其他微观交通流下训练的模型具有更高的成功率和更好的计算奖励。

    Mar, 2024

  • 自动驾驶中驾驶员干预行为分析 —— 一种融入 VR 的方法

    该研究通过实施虚拟现实和交通微模拟集成的实验环境，并在典型和多样化的交通场景下进行测试，提出了驾驶员介入行为的新视角，从而改善自动驾驶在类似情景下的表现，并为人与自动化系统之间的信任关系研究提供了有价值的综合与沉浸式工具。

    Dec, 2023

  • 超越模拟驾驶员：评估混合交通控制中实际车辆跟随的影响

    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