复杂交通环境下驾驶人行为建模研究

For the case of traditional car-following model cannot adapt to the complex traffic environment， this project intends to build a new car-following model considering the front sides of the driver based on the traditional car-following behavior research. Firstly, collect the driving data of the driver dealing with kinds of lateral transport object in car-following state through the driving simulator, and establish a driver impacted with single object model. Secondly, create a dynamic mapping between the visual attention field and the impact factors through the driver psychological-physiological acquisition system and the questionnaire, analysis the impact of different objects combinations on the driver’s attention allocation, and establish a attention selective model. Thirdly, statistic the accelerated driving conditions of free driving and car-following states, analysis the impact factors and attribute them to the driver’s psychology driving. Finally, analysis the combined effects of the multi-objects on the driver’s psychological pressure. Establish the driving decision model under the psychological driving and pressuring effecting. Model the car-following process in the complex traffic environment. Verify the validity of the model by numerical simulation methods with the measured data.

针对传统跟驰模型无法适应复杂交通环境的情况，本项目拟通过驾驶模拟器采集驾驶员应对各类交通客体时的操作数据，分析并定量化表达交通客体属性差异及运动状态对驾驶员产生的影响作用。通过驾驶员心理-生理采集系统，结合调查问卷，建立视觉注意范围与影响因素间的动态映射，分析不同客体组合形式对驾驶员的影响作用，建立包括一般驾驶情况和紧急避险情况下的驾驶员感知选择性注意的数学模型。分析引起驾驶员加速行驶的因素，并将之视为对驾驶员心理的驱动作用；分析多客体（包括侧向与正前方）联合作用对驾驶员心理的阻滞影响，构建心理驱动与心理阻滞两者相互作用下的驾驶决策模型，对复杂交通场景下的车辆跟驰过程进行数学描述。以车辆在实际交通环境中微观行为数据采集、宏观交通流数据统计、问卷调查等实验手段，获取多种典型交通环境下驾驶员操纵及车辆运行相关数据，标定模型关键参数，并通过数值仿真方法验证模型的有效性。

本项目从驾驶人行为数据中总结提取驾驶特征变量，针对最优速度跟驰模型及其相关衍生模型在安全距离恒定上的缺陷提出基于最优速度模型的改进安全距离跟驰模型。并设计仿真框架，分析道路车流密度、车辆最大可行驶速度和驾驶员反应延迟时间三个模型参数取值对交通流稳定性的影响，仿真实验能够真实地再现交通流波动传播状态；采用美国NGSIM数据库数据作为样本，通过聚类分析对模型进行检验，并与OV模型、GF模型和FVD模型进行对比，结果表明相对本模型仿真综合准确率提升10%。针对驾驶人的视觉-心理特性，本项目提出了一种基于驾驶者心理场和视觉注意机制的心理状态量化方法，应用心理场对驾驶人的受周边环境影响作用进行量化，设计了驾驶人心理场中等势线的构建及场强的计算方法，并结合驾驶人行车过程中的视觉注意范围和注意力分配特性，实现了对驾驶人对周边环境感知的量化评价。针对驾驶人的异质性，本项目提出了一种异质驾驶风格分层辨识模型，该模型分为离线训练模块和在线辨识两部分，其中离线训练模块利用车辆历史轨迹信息，提取驾驶状态特征向量集，并构建其与驾驶状态之间的映射关系，得到了驾驶状态分类结果，并在此基础上对驾驶人风格进行划分，实现驾驶行为数据到驾驶状态和驾驶风格的映射。在此基础上，构建换道决策模型，从驾驶人换道行为数据中提取表述换道风格的特征变量，结合LightGBM算法架构，设计换道模型的输入特征向量和输出信息，并对相关模型参数进行优化，实现基于数据驱动的考虑驾驶人驾驶风格特异性的换道决策模型。在换道预测实验部分，实验结果表明，在换道决策模型中加入驾驶人实时的驾驶风格后，预测准确率平均提高了3.47%，证明了考虑驾驶风格对换道预测是有意义的。此外，在实验部分，对比了其他两种常用的决策树算法XGboost算法和RF算法，以及两种常用的换道决策模型Gipps模型，模糊推理模型和DBN模型。实验结果均表明本项目所提出的模型优于其他的对比方法。