Sep, 2023

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

    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。

    Sep, 2023

  • 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

  • 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

  • 自主驾驶车辆测试的复杂环形交叉口程序化生成

    本文介绍了一种基于几何约束的程序性模型建立环形路的新方法，能够使进入环形路的道路以任意角度连接，提高了自动驾驶测试中真实性的同时也便于在高清晰路网生成流程中加入。

    Mar, 2023

  • 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

  • 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

  • 公路交通事故对异质治疗效果的推断：一种双重鲁棒因果机器学习方法

    该研究提出了一种新颖的因果机器学习框架，用于准确估计高速公路不同类型车祸对交通速度的因果效应，该框架基于尼曼 - 鲁宾因果模型、条件 Shapley 值指数和结构因果模型，并结合双重稳健学习方法估算治疗效果。实验结果表明在不同的距离和持续时间下，追尾碰撞引起的拥堵更严重且持续时间更长，而侧面碰撞的延迟影响最长。此外，研究结果还显示夜间追尾碰撞对交通的影响较大，而在高峰时段碰撞到物体的影响最显著。通过统计假设检验、匹配的 “反事实结果” 的误差度量以及敏感性分析进行评估，结果验证了该方法的准确性和有效性。

    Jan, 2024

  • 基于单次学习的毫米波雷达传感器驾驶员头部运动识别

    该论文探讨了利用毫米波雷达传感器进行驾驶员监控，通过一次学习来分类四种不同的头部运动，并获得了比卷积神经网络模型更高的分类准确率。

    May, 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