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

本文介绍了在德国阿沙芬堡一个公共城市交叉口设立的智能研究基础设施，它配备了可视传感器技术和数字孪生，在数据生成、评估新的高度自动化驾驶传感器系统、算法和使用真实、合成和增强数据的人工智能培训策略的研究中发挥着关键作用。

Jul, 2023

本文介绍了一种用于交通场景风险评估的方法，主要关注可视性受限的路口场景。通过使用局部动态地图进行光线投射以获得视野区域，识别存在潜在风险的场景实体并进行碰撞风险评估，得出用于评估驾驶人行为的风险指标，并通过实际场景验证其有效性。

Mar, 2023

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

通过使用视频监控系统识别交叉口中的冲突，研究分析表明，对于预测真实冲突，特定的替代数据比其他数据更具信息性，这可以帮助交通部门收集正确类型的数据以评估基础设施投资的优先级和有效性。

Jul, 2023

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

通过使用传感器和智能车载系统，评估驾驶员行为的研究可以提高驾驶体验和道路安全。本文研究了使用视觉和车载数据分析驾驶员行为的各种技术，并提供了该领域最新研究的概述，同时讨论了面临的挑战和未解决的问题，并为未来的研究提出了潜在建议。综述得出结论，整合视觉和车载信息可以显著提高驾驶员行为分析的准确性和有效性，从而提高安全措施并减少交通事故。

Aug, 2023

提高工地工人的道路工区安全措施对于日益老化的公路基础设施以及工区数量的增加具有迫切需求。本研究旨在通过对不同组合的多模态增强现实警告对工人反应时间的影响进行广泛分析，改善道路工区的安全措施。通过在真实环境和虚拟现实环境中模拟道路工区的特殊条件，本研究通过三个关键组件（先进的增强现实系统原型、工区环境内的虚拟现实模拟和用户体验同步的 Wizard of Oz 技术）进行了一系列实验。通过在控制的室外工区和室内虚拟现实环境中进行五项实验，我们的研究提供了关于各种多模态增强现实警告如何影响工人反应时间的宝贵信息。此外，我们的研究结果揭示了虚拟现实模拟和实际场景之间的反应时间差异，从而评估了虚拟现实模拟道路工区动态的能力，并证实了基于视觉的反应时间测量的潜力和可靠性。这些发现与使用简单反应时间技术得出的结果是一致的，强调了这种方法在实际应用中的可行性。

Mar, 2024

本文研究了一种通过马尔可夫决策过程和强化学习算法来优化交通信号控制的方法，使用模拟软件 SUMO 模拟了一个城市交叉口，讨论了循环调度器，反馈控制机制和深度 Q 网络等不同策略及其对交通流的影响，最终在班加罗尔的一个真实交叉口进行了测试验证。

Sep, 2021

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