基于MAS和驾驶员行为的汽车追尾预警模型研究

论文摘要

建立健全道路安全保障体系是保障与改善国计民生的重大社会工程。据有关统计,汽车追尾是道路交通事故的主要形式之一,约占总碰撞事故起数的23%。借助追尾预警系统,追尾碰撞降低率可达62%。目前,大多汽车没有安装追尾预警系统,所以,研究开发汽车追尾预警系统有广阔的应用前景。本文在分析汽车追尾事故成因基础上,基于多agent系统理论,对汽车追尾与驾驶员行为之间的关系建立模型。驾驶员行为复杂且具有一定的不确定性,受到多种因素的影响。追尾预警系统研究属于智能交通安全（IntelligentTransportation System,ITS）领域,是主动式安全研究的主要方向。作为道路交通主体的驾驶员的行为对汽车追尾预警研究起到重要作用。采用传统的结构及开发方法已经很难适应用户对于预测支持系统的需求。而多agent系统理论为预测支持系统的研究开发提供了新的方法。论文的主要工作是:（1）在分析了遗传算法和蚁群算法的基础上,提出了将两者结合起来的Agent联盟求解算法HAGA（Hybrid Ant and Genetic Algorithm）。联盟的目的是确定影响驾驶员行为的主要因素,减少多因素综合判断时间以及消解矛盾因素。（2）对驾驶员行为进行深入研究,提出了基于动态神经网络集成DNNIA（Dynamic Neural Network Integrated Algorithm）的驾驶员行为学习算法,实现驾驶员行为习惯的学习和特定环境下驾驶员行为的预测。仿真实验从驾驶员的踩踏制动踏板和加速踏板的开度、时间,以及方向盘转角角度、时间等方面进行了驾驶员行为的研究,实验结果与样本数据总体趋势较为一致,体现驾驶员行为个性。（3）以MAS为架构,以驾驶员行为为核心,以Bayes决策为手段,提出了基于MAS（Multi-Agent System）和驾驶员行为的汽车追尾预警模型MCRMASB（Model of Car Rear-end warning based on MAS and Behavior）和基于MAS和驾驶员行为的Bayes追尾预警决策算法,目的是充分利用MAS中各agent的交互性、自主性和实时性,体现道路交通中驾驶员地位的主体性,以及追尾预警各方面信息的不确定性。为汽车追尾预警系统的研究提供了一条新的思路。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 研究背景
• 1.1.1 我国道路交通安全现状
• 1.1.2 汽车追尾事故现状分析
• 1.1.3 汽车追尾预警系统研究现状
• 1.2 研究内容、意义、目标及创新点
• 1.2.1 研究内容
• 1.2.2 研究意义
• 1.2.3 研究目标
• 1.2.4 创新点
• 1.3 论文的组织结构
• 第二章 汽车追尾预警系统相关研究现状
• 2.1 道路交通事故原因分析
• 2.2 汽车追尾事故的发生机理
• 2.2.1 汽车追尾的物理模型分析
• 2.2.2 汽车追尾碰撞试验标准
• 2.3 驾驶员行为分析
• 2.3.1 道路交通信息的特点
• 2.3.2 驾驶员的能力
• 2.3.3 驾驶员的行为特征
• 2.3.4 驾驶员的驾驶任务
• 2.4 驾驶员行为模式
• 2.4.1 传统的驾驶员行为模型
• 2.4.2 模糊驾驶员行为模型
• 2.4.3 神经网络驾驶员行为模型
• 2.5 本章小结
• 第三章 基于HAGA的Agent联盟求解算法
• 3.1 MAS基本原理
• 3.1.1 Agent
• 3.1.2 MAS
• 3.1.3 联盟问题描述
• 3.2 蚁群遗传算法基本原理
• 3.2.1 遗传算法原理
• 3.2.2 蚁群算法原理
• 3.2.3 蚁群算法和遗传算法的动态衔接HAGA
• 3.3 基于HAGA的Agent联盟求解仿真实验
• 3.4 本章小结
• 第四章 基于DNNIA驾驶员行为学习算法
• 4.1 人工神经网络
• 4.2 神经网络集成
• 4.2.1 神经网络集成
• 4.2.2 个体网络生成
• 4.2.3 结论生成方法
• 4.3 动态神经网络集成算法—DNNIA
• 4.3.1 DNNIA算法思想
• 4.3.2 DNNIA有效性验证
• 4.4 基于DNNIA的驾驶员行为学习实验分析
• 4.4.1 几点说明
• 4.4.2 算法流程
• 4.4.3 仿真结果及分析
• 4.5 本章小结
• 第五章 基于MAS和驾驶员行为的追尾预警模型—MCRMASB
• 5.1 MCRMASB模型的提出
• 5.1.1 MCRMASB模型
• 5.1.2 基于扩充KQML的MAS通讯
• 5.2 基于Bayes决策的预警算法
• 5.2.1 Bayes理论
• 5.2.2 预警算法
• 5.3 实验结果及分析
• 5.3.1 有效性验证
• 5.3.2 安全性验证
• 5.3.3 与其它模型的比较
• 5.4 本章小结
• 第六章 结论与展望
• 6.1 工作总结
• 6.2 工作展望
• 参考文献
• 致谢
• 发表文章及科研情况