网联车个性化跟驰诱导系统研究

马晨雨 蔡正元

（长安大学信息工程学院，陕西西安 710021）

近年来，上海市机动车辆迅猛增长，机动车通行能力平均降低30%，中心区约有50%的车道上高峰小时饱和度达到95%，全天饱和度超过70%，平均车速降至10 km/h[1]。路段全天十分拥挤，部分路段持续堵塞6.5 h以上。在此状态下，任何微小的扰动都极易造成交通震荡和传播，甚至导致交通拥堵或诱发交通事故，严重影响道路交通系统的运行效率和稳定性。此外，在交通流变化较为剧烈的情况下，攻击性驾驶行为和人为失误易造成交通事故，危害乘员的生命安全和财产安全，日益严重的交通问题还给城市经济带来了巨大的损失。资料显示，近几年上海市由于交通阻塞造成的经济损失每年高达48亿元，约占本市当年国民生产总值的6%。城市交通问题已严重影响了城市居民生活水平的提高，进一步影响了城市经济发展的活力[2]，交通运输行业的技术亟须革新。

1 系统介绍

基于车路协同超视距感知的网联车个性化跟驰诱导系统是一种车辆信息服务平台，是基于Android操作系统的手持移动终端应用软件，也是基于LTE-V融合多种通信的电动汽车互联信息服务平台的手持终端应用软件[3]。

系统以智慧公路环境下的网联车为基础，包括网联车跟驰诱导系统、换道辅助系统、自适应路径规划与选择系统、一体化协同式信号控制等，可诱导驾驶员根据协同交互控制策略进行跟驰，一定程度上阻止交通震荡在交通流内的传播，提升交通流的稳定性，缓解交通拥堵。

通过路侧设备获取周边交通环境，对危险驾驶行为和环境进行及时预警，提高道路交通的安全性，减少交通事故。此外还可以通过车车通信以及车路通信拓展驾驶员的感知范围，对下游的交通事件及早进行反应，提升乘员的舒适性和燃油经济性。

利用车路协同技术带来的多源信息感知和信息实时共享，并结合计算机技术对驾驶人适应性进行详细的个性化分析，充分发挥网联车的可控性因素，提升交通流运行效率，保证交通流的稳定性，保障交通系统高效安全运行。

个性化跟驰诱导系统车辆运行如图1所示。

图1 该系统下的网联车运行

2 基于驾驶员诱导行为个性化分析模型

网联车的实质是由人来担任驾驶员驾驶具备网联化感知与诱导能力的传统车辆，在此过程中，驾驶员始终是网联车纵向行为的执行者。由于人类驾驶员的多样性，驾驶员的心理、性格、驾驶习惯等都对网联车驾驶员的跟驰行为及适应度有较大影响。因此在考虑网联车跟驰诱导系统建模时，首先需要考虑驾驶员的诱导接受度等个性化分析。

个性化分析流程如图2所示。

图2 个性化分析流程

对于驾驶员诱导接受度的个性化分析主要采用YOLO网络模型和K-means算法相结合的方法建模分析，YOLO是一种全新的端到端的检测算法[4]。

YOLO网络模型可以快速实时监测驾驶员的驾驶习惯，k-means算法每隔几次迭代后会微调网络的输入尺寸，使得网络可以适应多种不同尺度的输入，使采集不同长度的车辆的行驶信息成为可能。利用K-means聚类对混合队列下的驾驶员跟驰建模结合人格特质理论进行初步聚类，并建立可以不断更新的数据库。分析得出最适合驾驶员的行车行为，通过网络进行辅助指挥，实现个性化跟驰。

3 基于网联车的车路协同系统结构分析

系统包括车载服务平台、交通管理服务平台以及无线网络。车载服务平台安装在车内，通过无线网络与交通管理服务平台进行连接，包括人机交互模块、行车视频记录模块、GSP导航模块、语音通信模块、无线网络模块。

（1）人机互动模块。

用于输出操作指令和音频信息，进行驾驶员个性化分析指令的输出，对驾驶员进行辅助指挥。

（2）行车视频记录模块。

用于对车辆的行车过程进行实时录像，录制的视频数据由视频处理单元处理后存储于存储设备中，并通过无线通信模块将录制的视频数据上传至服务平台。

（3）GPS导航模块。

用于对安装有车载服务平台的车辆进行定位导航。

（4）语音通信模块。

用于各网联车内车载服务平台与车载服务平台、车载服务平台与交通管理服务平台之间的语音通信。

（5）无线网络模块。

用于各平台之间的数据传播。

该系统结合具有路测感知单元的路侧设备平台，可以实时、准确感知和采集车辆、道路环境以及全路网的交通运行情况等信息，有效实现车与车、车与路、车路与监控中心的数据传输、综合分析、快速判定与预测道路上的交通异常情况[5]，为驾驶员提供个性化、准确化的指挥，保障驾驶员安全便捷出行。

4 基于网联车的车路协同系统功能分析

基于网联车的车路协同系统在于为驾驶员实时提供必要的交通信息与综合性交通服务，确保车辆安全高效运行，从根源上减少交通事故的发生。

（1）感知车辆以及路况信息。

实时感知车辆的运行情况、驾驶行为以及路况车辆信息，准确采集全路网范围内的车辆位置、速度、行驶时间和交通流情况。

（2）交通数据的传输。

实现车与车、车与路旁设备之间的短距离通信及数据传输，将采集的交通数据以及车载计算机处理后的交通异常信息实时、可靠地传送给交通管理服务平台，将交通控制方案下传到车载服务平台控制设备，实现车路与交通管理服务平台之间的远距离数据传输[6]。

（3）数据分析与个性化诱导决策。

基于驾驶员诱导行为个性化分析模型，对上传的海量交通数据进行准确、快速分析，并结合上传的路况信息以及全路网车辆位置、速度等数据，对该路段范围的行驶情况提供合理的行驶策略，实现个性化诱导跟驰。

（4）交通状况显示和交通异常情况预警。

在交通管理服务平台实时分析和判定全路网各检测路段发生的交通异常或发生潜在的交通异常现象，及时发出预警或报警提示，并在电子地图上显示有关目标和采取的管制方案；实时监控网络中特定车辆的行驶轨迹或判定其违规行为，及时发出预警信息[7]。

5 结语

目前，市场上的车路协同技术以及驾驶辅助系统已取得了一定研究成果，但目前的技术仍然不成熟。由于传统汽车的巨大保有量，即使网联化改造进行顺利，也无法在短时间内覆盖所有传统车辆，存在网联车与传统人驾车辆的共存时期。基于车载感知与车车通信的网联车诱导技术将难以感知周边大量的传统人驾车辆，可能导致由感知不全引发的危险和低效率状况。现有的诱导技术往往通过人机界面直接将控制策略转发给网联车驾驶员，期待网联车驾驶员能够准确执行。该策略忽视了驾驶员的驾驶适应性和服从度的个性化特征，极易导致诱导策略执行效果下降。网联车个性化跟驰诱导系统的路侧感知技术和人工智能技术为上述问题提供了解决的机遇。具有路侧融合感知单元的车路协同系统将能够感知检测范围内所有车辆的精确运动状态，弥补了混合交通流状态下的感知不足。通过车路通信，路侧设备的感知数据可以实时发布到周边各网联车，通过数据融合可得到超视距全息感知态势图。人工智能技术能够通过驾驶员驾驶行为及终端诱导数据的学习和训练，推理驾驶员的个性化适应性要素，在车端实现诱导方式精准个性化自适应。