随着智能汽车的迅速发展,自动驾驶算法的开发与应用已经成为智能汽车能否成功商业化的重要条件。当前在行业内,通过构建虚拟的汽车驾驶环境,来进行自动驾驶算法的开发、测试和迭代,有效降低了自动驾驶算法验证成本,提高了自动驾驶算法开发效率,已经成为主流研究方向。因此,研究人驾驶车辆的特性和机理,且让虚拟环境的车辆驾驶具有现实世界中车辆驾驶的特性是提高虚拟测试环境真实性的重要手段。由于人车路闭环系统中,人扮演着非常重要的角色,并会给汽车驾驶过程带来很大的不确定性,尤其人的愤怒情绪会给汽车驾驶过程造成极大影响,因此有必要针对人驾驶过程中的愤怒情绪在仿真场景中的表现加以研究。一方面可以构建愤怒情绪的随机驾驶行为,增强虚拟的汽车驾驶测试环境真实性;另一方面也进一步探究不同情绪下驾驶行为的差异,丰富驾驶员模型的考量维度。经研究,本文通过诱导驾驶员产生愤怒行为,成功采集驾驶员在愤怒情绪下的相关驾驶数据,并与分析处理后的第三方NGSIM（Next Generation Simulation）数据相结合,训练得到驾驶员愤怒驾驶行为的识别模型;并成功利用识别模型,建立愤怒情绪及正常情况驾驶的数据集,统计形成概率密度函数,从而对本课题组的既有驾驶员模型的输出函数进行改进,得到愤怒驾驶员的随机驾驶行为数据。基于这一技术路线,本课题的研究内容主要包括以下三个方面:一、驾驶员愤怒驾驶行为识别模型:利用PAD（愉悦度、唤醒度、优势度）情绪理论模型,筛选能够产生愤怒情绪的诱导因素。通过诱导驾驶员产生愤怒行为,成功采集驾驶员在愤怒情绪下的相关驾驶数据,并与分析处理后的第三方NGSIM数据相结合,建立愤怒情绪及非愤怒情绪下车辆运动学数据集。根据高斯混合模型-隐含马尔可夫理论模型（GMM-HMM）,训练得到驾驶员愤怒驾驶行为的识别模型。二、愤怒情绪下驾驶员情绪模型构建:通过以上驾驶员愤怒驾驶行为识别模型,对NGSIM数据进行分类,将所有的数据分成了愤怒驾驶情绪及非愤怒驾驶情绪两类驾驶行为数据集,从而形成一个基于NGSIM的愤怒情绪驾驶行为的数据集。在课题组已建构的驾驶员模型的基础上,基于已分类完成的NGSIM愤怒情绪驾驶行为数据集,构建关于主特征向量的概率分布函数,该概率分布函数将作为驾驶员模型运动决策的参考依据之一,从而形成具有愤怒情绪风格的驾驶员情绪模型,产生愤怒驾驶员的随机驾驶行为数据。最后,通过基于simulink与VTD的联合仿真,一定程度上验证了愤怒情绪下驾驶员情绪模型的有效性,同时也成功探索出基于PAD情绪理论模型进行情绪诱导后驾驶实验的实施路径。本研究提高了虚拟汽车驾驶环境的真实性,通过建立情绪模型进一步丰富了驾驶员模型,间接支撑了自动驾驶算法开发效率的提升。