廣告
駕駛行為譜系及反常駕駛行為建模
蛇形走位、側(cè)向完全自由運(yùn)動(dòng)可以通過(guò)舍棄車道中心線力、舍棄車道線力等項(xiàng)來(lái)刻畫(huà)。如圖10-a所示，為車輛沒(méi)有車道中心線和車道線的力的側(cè)向運(yùn)動(dòng)結(jié)果，可以看到本模型可以刻畫(huà)車輛的側(cè)向異常行為。
圖10 蛇形走位和側(cè)向完全自由運(yùn)動(dòng)
3.4.3 醉駕
當(dāng)駕駛員酒駕/醉駕/毒駕時(shí)，無(wú)法準(zhǔn)確感知道路元素（車道線、車道中心線、周圍車輛等，例如圖 8中的感知誤差）。假設(shè)駕駛員的車道線感知偏差為Zdrunk，服從OU過(guò)程如Eq.8。均值μdrunk為-1米。
Eq.8
圖11-a中、車道1中的駕駛員都設(shè)定為醉駕駕駛員。從軌跡可以看出，車輛的運(yùn)行偏離真實(shí)的車道中心線，部分車輛產(chǎn)生圍繞車道線的較大波動(dòng)、影響到了圖11-b中車道2的車輛軌跡。圖11-c和d是正常駕駛車流，可以看出和圖11-a及b存在差距。
圖 11 酒駕/醉駕/毒駕等
3.4.4 縱向駕駛
通過(guò)設(shè)定（公式Eq. 4中）αchaos大小可以控制車輛縱向行為的波動(dòng)性。設(shè)定前車恒速行駛、后車通過(guò)本文提出的反常行為模型駕駛、調(diào)整αchaos大小得到的結(jié)果如圖 12。圖12-a~c為確定性IDM模型（無(wú)μdrunk）；圖12-d~f為αchaos=1；圖12-d~f為αchaos=2。確定性條件下，后車穩(wěn)定跟隨前車；混沌項(xiàng)考慮后，即使前車勻速行駛、后車也產(chǎn)生預(yù)設(shè)的波動(dòng)。
圖 12 縱向反常駕駛：縱向波動(dòng)
04.
結(jié)語(yǔ)
駕駛行為是道路交通安全風(fēng)險(xiǎn)的主要來(lái)源之一。高等級(jí)自動(dòng)駕駛車輛在開(kāi)放世界中的交互對(duì)象復(fù)雜多樣。本文將其分為自然人駕駛員、自動(dòng)駕駛、人機(jī)同駕三類。并對(duì)自然人駕駛員中的“反常駕駛行為”進(jìn)行建模，提出了基于跳躍—擴(kuò)散隨機(jī)過(guò)程的2D反常駕駛行為模型。并利用該模型對(duì)部分反常駕駛行為的軌跡進(jìn)行了仿真。
感知預(yù)測(cè)—決策—控制是目前自動(dòng)駕駛算法的代表性數(shù)據(jù)流。后續(xù)工作包括：1）基于生成式人工智能對(duì)反常行為進(jìn)行合成；2）將反常行為納入預(yù)測(cè)決策控制的流程。
1. https://github.com/yaohandong/HISTORIC-DATA
2. https://sumo.dlr.de/docs/Definition_of_Vehicles%2C_Vehicle_Types%2C_and_Routes.html#car-following_models
3. https://www.jidatraffic.com/#/brochure 中的第六章6.2和6.3節(jié)
4. https://github.com/yaohandong/HISTORIC-DATA
祁宏生 | 作者
張玉新 | 審核
廣告 編輯推薦
最新資訊
-
“汽車爬坡試驗(yàn)方法”將有國(guó)家標(biāo)準(zhǔn)
2026-03-03 12:44
-
十年耐久監(jiān)管時(shí)代：電池系統(tǒng)開(kāi)發(fā)策略將如何
2026-03-03 12:44
-
聯(lián)合國(guó)法規(guī)R59對(duì)機(jī)動(dòng)車備用消聲系統(tǒng)的工程
2026-03-03 12:08
-
聯(lián)合國(guó)法規(guī)R58對(duì)后下部防護(hù)裝置的工程化約
2026-03-03 12:07
-
聯(lián)合國(guó)法規(guī)R57對(duì)摩托車前照燈配光性能的工
2026-03-03 12:07
