早期车辆跟驰模型研究综述

车辆跟驰模型研究综述

学号：14S032034 姓名：孟柳

1、早期车辆跟驰模型

1.1 Pipes与Forbes的跟驰模型

Pipes的车辆跟驰模型源于加利福尼亚机动车法规中对驾驶员跟驰行驶的建议：在跟随行驶过程中，安全距离至少为一个车身长度，并随速度每增加16km/h，就增加一个车长。

Pipes与Forbes的跟驰模型是早期的研究成果，其工作具有开创的意义，虽然随着对这一领域的深入研究，其模型精度已不能令人满意。但其形式简单，物理意义明确，在实际当中仍然得到了广泛应用。

1.2 刺激--反应模型

刺激--反应模型重在描述驾驶环境中各种刺激对驾驶员行为的影响，包括GM模型和线性跟车模型。GM模型最早是1958年由美国通用汽车研究小组的Chandler，Herman和Montroll提出的，它是由驾驶动力学模型（Driving Dynamic Model）推导而来，并引入如下理念：

Response=f(sensitivit，stimuli)

式中，Response为后车在时刻t+T的加速度或减速度；sensitivity为后车对刺激的敏感度；stimuli为在时刻t后车与前车的相对速度；T是后车驾驶员的反应时间。

这个模型的基本假设为：驾驶员的加速度与两车之间的速度差成正比；与两车的车头间距成反比；同时与自身的速度也存在直接的关系。GM模型清楚地反映出车辆跟驰行驶的制约性、延迟性及传递性。

GM跟驰模型的优缺点：

GM跟驰模型形式简单，物理意义明确。作为早期的研究成果，具有开创意义，许多后期的跟驰模型研究都是以其建立的刺激--反应的方程为基础，在前车紧急刹车时，后车维持不致发生尾撞的最小安全距离为前提推导而得。

但是，GM模型的通用性较差，现在较少使用GM模型，这是因为在

确定m和l的过程中存在大量的矛盾之处。造成矛盾的原因可能是：（1）车辆跟驰行为非常易于随着交通条件和交通运行状态的变化而变化，前车的刺激与后车的反应并非是一一对应的关系。

（2）大量的研究和实验是在低速度和停停走走的交通运行状态中进行的，而这种状态的交通流不能很好地反映一般的跟驰行为。

（3）根据GM模型，无论前后车相距多远，都存在影响关系，这不符合车辆跟驰模型的基本概念。

（4）前后车速同时允许两车的车头间距无限减小直至为零，这显然是不合理的。

1.3 安全距离模型（CA模型）

安全距离模型也称防追尾模型，简称CA模型，该模型最初由Kometani和Sasaki于1995年提出，该模型最基本的关系并非GM模型所倡导的刺激--反应关系，而是寻找一个特定的安全跟车距离。如果前车驾驶员做了一个后车驾驶员意想不到的动作时，在后车与前车的跟车距离小于这个特定的跟车距离时，就有可能发生碰撞。

安全距离模型（CA模型）的优缺点：

这一模型的优点在于可以用一些对驾驶行为一般感性假设来标定模型。大多数情况下只需知道驾驶员将采用的最大制动减速度，就能满足整个模型的需要。

然而，仍有许多问题有待解决。如避免碰撞的假设在模型的建立中是合乎情理的，但与实际情况存在着差距。在实际的交通运行中，司机在很多情况下并没有保持安全距离行驶。因此，在利用基于安全间距的跟驰模型进行通行能力的分析，很难与实际最大交通量吻合。

1.4 生理--心理模型

生理--心理模型也称反应点模型，简称AP模型。这类模型用一系列阈值和期望距离体现人的感觉和反应，这些界限值划定了不同的值域，在不同的值域后车与前车存在不同的影响关系。生理--心理模型是一种跟驰决策模型。

在这类模型中，研究的最为深入，最符合实际驾驶行为的是Wiedemann于1986年建立的MISSION模型，他对阈值进行了较为细致

的划分，通过大量的实验调查，Wiedemann定义了6种阈值和期望间距，运用不同的阈值和期望间距的组合将驾驶行为划分为自由驾驶、接近驾驶、跟随过程和紧急刹车等状态，并提供了其相应的加速度计算方法，并将各阈值按一定的分布随机的分配给模型中的每个驾驶员，以便得到更符合实际的随机的样本。

生理--心理模型的优缺点：

该类模型最大的优点就是充分考虑了驾驶员的生理、心理因素对驾驶行为的影响和制约，及由此而产生的不同驾驶行为，从建模方法上更接近实际情况，也最能描述大多数我们日常所见的驾驶行为。

但不足的是，该类模型的参数较多，子模型之间的相互关系比较复杂，并且对于各种阈值的调查观测比较困难。

2、近期车辆跟驰模型

驾驶员在驾驶过程中受到诸多因素的影响，如驾驶动机、生理因素、心理因素、技术因素等，而驾驶员作为驾驶员--车辆--道路--环境之间的信息传递过程的中介，本身具有延续性、相关性、自学习型、复杂性、模糊性、离散性、时变性、随机性、不确定性等特征，不同的驾驶员对多源信息的感知、综合、判断、预测、决策的过程不同。因此，驾驶行为是一个复杂的人的行为，用上述传统的微分方程模型很难描述这一过程的不确定性和不一致性，基于此，随着人工智能的发展，20世纪90年代以后出现了人工智能跟车模型。

2.1 模糊推理车辆跟驰模型

模糊推理车辆跟驰模型是近年来才发展且发展较快的车辆跟驰模型。该模型主要通过推理驾驶员未来的逻辑阶段来研究驾驶员的驾驶行为，其核心仍是刺激--反应关系。近些年来，该领域的一些研究主要包括：Rekersbrink（1995）模糊化了的MISSION模型；Yikai等（1993）提出的MITRAM模型中的微观模型；Henn(1995)的TRAFFIC-JAM模型。

模糊推理车辆跟驰模型的优缺点：

与传统GM模型相比，该模型具有局部稳定性。

但是尽管该模型在总体上能够预测“反应”的变化，但有两个因素可能导致与实际有出入：一个是该模型认为能够精确地得出

a为

i

0.3m/2s；另一个是已经从线性跟车模型中得知x 对加速度的影响非常小。另外，该模型认为稳定跟车距离仅与稳定跟驰状态的速度有关而与初始跟车距离与速度无关，这些都值得探讨。

2.2 神经网络车辆跟驰模型

人工神经网络（ANN）是在现代神经生物学和认知科学对人类信息处理研究的成果上发展起来的。ANN是由大量简单的称之为神经元的处理单元以某种拓扑结构广泛地相互连接而构成的复杂的非线性动力系统，它是在对以人脑为主要代表的生物神经系统的组织结构和行为特征进行研究的基础上提出的，它更侧重于对人脑某些特定功能的模拟，强调大量神经元之间的协同作用。神经网络代表一种新的信息处理过程，它的主要特点是：非线性映射特征、自学习能力强、适时性和容错性。近几年来，神经网络被越来越多地应用到交通研究领域，如交通预测、交通控制等。

神经网络跟车模型和神经网络交通流模型，模拟车辆在到达交叉路口前的跟随情况，以预测将等候的车队长度，并将其整合在车流通过路口的模型之中。其中的神经网络使用的阀函数（activation function）是传统的S状函数（sigmoid function）。

神经网络车辆跟驰模型的优缺点：

该类模型对交通流建模的优势：

（1）提供了一种基于经验数据的数学模型，可以从已有数据中“自学习”规则，使直接量测到真实值后建立动态车流模型成为可能；

（2）因为是非参数建模方法，建立车流模型时不需要对前提条件进行分析，也不需要有对模型质量影响很大的标定量；

（3）它是一种万能逼近器，可对高度复杂和非线性的系统建模，这正好适合城市交通这种非线性极高的系统。

目前国内的研究主要是利用多层前馈网络（BP网络）建立跟驰模型。该模型在以下几个方面具有明显的优点：一是训练好的车辆跟驰模型能较好的模拟实测数据。二是为使跟驰模型同实验数据相符所需的标定工作量较少。三是车辆跟驰行为神经网络模拟模型可以较容易地利用现场可用信息。

但是BP网络存在收敛慢、有局部极小值等缺点，导致利用BP网络建立模型需要多次训练，所需时间长，存在一定误差。

针对BP网络这种缺点，利用一种动态自适应径向基（RBF）网络建立了车辆跟驰模型。该模型训练时间短，精度高，结构简单，适宜在线应用。

2.3 基于神经网络的模糊推理车辆跟驰模型

由于建立模糊逻辑推理模型时的隶属函数和模糊规则没有规范的方法，而神经网络可以从现有数据中“提炼”出规则，另一方面神经网络在描述不确定事物上不及模糊逻辑推理的方法，因而将两者结合起来是一个建立人工智能模型的有效方法。N.ITAKURA等发展MITRAM 模型，他们以模糊模型车辆（FMV）作为仿真的基本单元，为了避免规则库过于庞大，采用多层二项式模糊逻辑推理（multistage binomial fuzzy logic），而隶属函数的确定和模糊推理的实现均由一个包括两个隐层的BP神经元网络完成。Kihuchi等也在将模糊推理和神经网络相结合应用于跟车模型方面做了研究。国内研究是将神经网络的自学习特性运用于模糊推理之中，通过训练使模糊变量和隶属函数隐含在网络内部，并用模糊逻辑推理模拟驾驶员对车辆进行控制的过程，建立了基于神经网络的模糊推理的跟驰模型。该模型可模拟周围的各种条件（包括驾驶员的驾车习惯、熟练程度，以及自然环境的限制等等），在学习过程中确定各个模糊变量的隶属函数，应用模糊推理再现了驾驶员的决策过程。

基于神经网络的模糊推理车辆跟驰模型的优缺点：

与传统的跟驰模型相比，人工智能车辆跟驰模型提高了模型的灵活性，也更适合于描述人的复杂心理与生理行为，是今后跟车仿真模型发展的重要方向之一。

但它也存在一些问题，如稳定性难以预先确定，神经网络模型需要学习的计算量很大，难以符合实时性等。

3、车辆跟驰模型研究中存在的主要问题和研究方向

在过去几十年中，各国学者从多个角度针对跟驰现象建立了相关的跟驰模型，其研究结果虽然达到了一定的预期效果，但是模型适用

性还显得不足，其主要问题有：

（1）忽略了从心理学角度充分考虑驾驶员自身因素。

（2）忽略了综合考虑影响车辆跟驰行为的因素。

（3）忽略了把驾驶员、车辆以及所处的道路交通环境综合进行研究。

随着交通科技的进步，车辆跟驰模型的研究呈现出内容的细致深入化、方法的多样化以及应用的专门化，其未来的研究方向有：（1）基于人的心理活动建立驾驶员多源信息协同认知综合结构模型。

（2）基于驾驶员的认知心理过程研究车辆跟驰状态的判定。

（3）深入研究影响车辆跟驰的刺激因素。

（4）模型的专用化。

4、参考文献：

[1] 王炜, 过秀成等.交通工程学.南京: 东南大学出版社, 2000.

[2] 贾洪飞, 隽志才.基于期望间距的车辆跟驰模型的建立.中国公路学报, 2000.