CN104778072A - 一种用于交通混合流模型的车辆和行人交互模拟方法 - Google Patents
一种用于交通混合流模型的车辆和行人交互模拟方法 Download PDFInfo
- Publication number
- CN104778072A CN104778072A CN201510181942.9A CN201510181942A CN104778072A CN 104778072 A CN104778072 A CN 104778072A CN 201510181942 A CN201510181942 A CN 201510181942A CN 104778072 A CN104778072 A CN 104778072A
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- vehicle
- model
- time
- road
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于交通混合流模型的车辆和行人交互模拟方法,对于模拟任一行人穿越所在道路包括以下步骤:获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;根据获取的行人的坐标和车辆的坐标,计算行人穿越道路的时间和车辆穿越行人的时间;比较行人穿越道路的时间和车辆穿越行人的时间,根据结果进行不同的控制;然后将驱动力反馈项添加到原始驱动力项中以驱动行人前进或者停止;将加速度反馈项添加到原始加速度项中以驱动车辆前进;本发明方法简单新颖,很好的解决了在虚拟交通模拟中的真实性欠缺问题和人车交互问题。
Description
技术领域
本发明涉及虚拟仿真技术领域,特别涉及一种用于交通混合流模型的车辆和行人交互模拟方法。
背景技术
近年来对道路交通的模拟受到越来越多的关注。在交通系统中,车辆和行人是两个非常重要的对象。在真实世界中,车辆和行人有难以分割的联系,两者之间的交互非常复杂。对于车辆与行人在交通系统中的交互的模拟有助于城市环境的交通安全和未来发展。另外,对于混合交通流的模拟能够更真实的体现城市环境。
目前在计算机图形学领域中,车辆和行人的行为总是被分离成两部分研究。目前有大量利用基于个体的微观模型和基于车辆流的宏观模型的方法对车流和行人群体进行建模和模拟的文献。
人流模拟的方法用于计算在避免与障碍物和其他个体碰撞情况下每个个体的行走路径,模拟个体在人群中的行为。基于规则的方法常用于模拟复杂的群体行为。这种方法可以追溯到Reynolds所做的工作(ReynoldsCW.Steering behaviors for autonomous characters.In Game DevelopersConference,Vol.1999,1999;763–782),模拟了人群在紧急疏散中的行为以及在其他有效的转向规则下的行为。其他局部导航的技术使用基于力的模型,比如SFM(social force model),(SFM,Helbing D,Farkas I,Vicsek T.Simulating dynami-cal features of escape panic.Nature 2000;407(6803):487–490.),以及Hi-DAC(Pelechano N,Allbeck JM,Badler NI.Controllingindi-vidual agents in high-density crowd simulation.In Pro-ceedings of the2007ACM SIGGRAPH/Eurographics Symposium on Computer Animation.Eurographics Association,2007;99–108)。这些方法利用个体之间复杂的力的关系来准确的模拟他们之间的交互。基于相对速度障碍物的几何方法被用于模拟局部碰撞避免的行为。
有些学者在人群模拟中引入心理学因素来模拟创建真实的异质性群体行为。Durupinar(Durupinar F,Allbeck J,Pelechano N,Badler N.Creatingcrowd variation with the ocean personal-ity model.In Proceedings of the 7thInternational Joint Conference on Autonomous Agents and Multia-gentSystems-Volume 3.International Foundation for Autonomous Agents andMultiagent Systems,2008;1217–1220.)和Guy(Guy SJ,Kim S,Lin MC,Manocha D.Simulat-ing heterogeneous crowd behaviors using personalitytrait theory.In Proceedings of the 2011ACM SIG-GRAPH/EurographicsSymposium on Computer Ani-mation.ACM,2011;43–52.)等人利用个人性格特点对异质性行为和交通行为进行建模(Lu X,Wang Z,Xu M,Chen W,Deng Z.A person-ality model for animating heterogeneous traffic behav-iors.Computer Animation and Virtual Worlds 2014;25(3-4):361–371.)。基于以上工作,Kim等人利用压力模型模拟人体在多种环境情景下的动态行为(KimS,Guy SJ,Manocha D,Lin MC.Interactive simulation of dynamic crowdbehaviors using general adaptation syndrome theory.In Proceedings of theACM SIGGRAPH Symposium on Interactive 3D Graphics and Games.ACM,2012;55–62.)。
在车辆行为模拟中,一些微观模型,包括LWR模型(Lighthill MJ,Whitham GB.On kinematic waves.II.a theory of traffic flow on long crowdedroads.In Proceedings of the Royal Society of London.Series A.Mathematicaland Physical Sciences,1955;317–345.),PW模型(Payne HJ.Models offreeway traffic and control.Mathematical Models of Public Systems 1971;1(1):51–61,Whitham GB.Linear and nonlinear waves.Wiley:New York,1974.),以及ARZ模型(Aw A,Rascle M.Resurrection of second ordermodels of traffic flow.SIAM Journal of Applied Math 2000;60(3):916–938,Zhang HM.A non-equilibrium traffic model devoid of gas-like behavior.Transportation Research Part B 2002;36(3):275–290)。他们视交通流为连续物体,通过引入某时刻某个位置的车辆密度和平均速度的概念,建立关于密度和速度的偏微分方程或方程组。微观模型以个体车辆为研究对象,在给出描述车辆运动的动力学方程后,计算模拟单辆车在道路上的运动状态,最终得到整个车流的运动,从而再现路网中的交通流情况。Gerlough总结了一系列在交通模拟中的车辆跟随规则(Gerlough DL.Simulation offreeway traffic on a general-purpose discrete variable computer.Ph.D.Thesis,UCLA,1955.)。随后,很多变化和拓展加入了模型,比如optimal velocitymodel(Bando M,Hasebe K,Nakayama A,Shibata A,Sugiyama Y.Dynamicmodel of traffic congestion and numerical simulation.Physical Review E 1995;51(2):1035–1042)和IDM模型(Treiber M,Helbing D.Microsimulations offreeway traffic including control measures.Automatisierung-stechnik 2001;49:478–484.)。
在计算机图形学领域,Sewall等人将ARZ模型进行多车道扩展,并使其包含并维持离散车辆的个体运动信息,以便于绘制最后的汽车动画(Sewall J,Wilkie D,Merrell P,Lin MC.Continuum traffic simulation.Computer Graphics Forum 2010;29(2):439–448.)。Shen等人将IDM模型和灵活变道模型相结合,提出了一种新的微观控制模型(J.Shen and X.Jin.Detailed traffic animation for urban road networks.Graphical Models,74(5):265–282,2012)。另外,Sewall(J.Sewall,D.Wilkie,and M.C.Lin.Interactive hybrid simulation of large-scale traffic.ACM Transaction onGraphics(Proceedings of SIGGRAPH Asia),30(6),December 2011.)还提出一种混合模型,对大规模交通场景进行动画模拟,使其能保持稳定的交互更新速率,并根据用户需求拉伸和缩进镜头,进行整体交通流与局部细节观察的切换。
最近有一些使用真实数据进行运动驱动方向的研究。研究人员提供了使用高速公路上真实传感器所捕获的车辆运动数据进行车流重建的方法(Wilkie D,Sewall J,Lin M.Flow reconstruction for data-driven trafficanimation.ACM Transactions on Graphics 2013;32(4):89:1–89:10,van denBerg J,Sewall J,Lin M,Manocha D.Virtualized traffic:reconstructing trafficflows from discrete spatio-temporal data.IEEE Transactions on Visualizationand Computer Graphics 2010;17(1):26–37.)。Chao等人提出了基于视频样本的学习车辆个性化驾驶特性的方法(Chao Q,Shen J,Jin X.Video-basedpersonalized traffic learning.Graphical Models 2013;75(6):305–317.)。
但是上述所有的研究都是基于理想的交通环境,对于真实交通场景的模拟仍有待研究,一些交通模拟工具(比如VisSim)已经涉及了人车交互的微观模拟,但是它们的方法只是设定了双方的移动优先级,过度简化了问题,并不符合真实情况。
发明内容
本发明提供了一种用于交通混合流模型的车辆和行人交互模拟方法,方法简单新颖,更贴合实际的交通混合流的情况,提高模型的真实性,解决人车交互过程中真实性欠缺问题。
一种用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆和行人分别自带原始控制模型,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间;
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
本发明方法充分考虑行人流和车辆流的交互情况,在行人穿越道路时,增加了判断机制,还考虑到行人和车辆相互影响,从而在适当的情况下行人才穿越道路,充分模拟真实的道路交通情况以及行人的真实行为规律,方法简单新颖,有效提高交通混合流模型的真实性。
在步骤(4)和(5)中,计算车辆对行人的驱动力反馈项也可以是加速度反馈项,计算行人对车辆的加速度反馈项,也可以是驱动力反馈项,由于加速度和驱动力之间仅有质量变量,可以相互转换,因此,可以根据选择的原始控制模型中带有的参数来进行选择,即模型中带有什么参数,就选用哪种反馈项,使有利于简化计算。
本发明中描述的行人穿越道路为行人垂直穿越道路,车辆穿越行人为车辆穿越行人所在的路面。
为了真实模拟行人的判断机制,优选的,步骤(2)中,
行人穿越道路的时间的计算公式为:
车辆穿越行人的时间的计算公式为:
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped-veh为车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
上述公式中,充分考虑了人的反应时间以及心理设定的安全时间,从而可以模拟真实的行人穿越道路的判定过程。
现有技术中,将高层的车辆驾驶特性具体映射为低层的、体现车辆行为的控制模型有LWR模型,optimal velocity model,IDM模型,ARZ模型等(详见背景技术),为了真实模拟车辆的行为,优选的,车辆自带的原始控制模型为IDM模型。IDM模型具有五个参数(v0,T,a,b,s0),具体如下:
v0的含义为车辆的目标速度,T为车辆需要的安全时间距离,a为车辆的最大加速度,b为车辆的最大减速度,s0为车辆与前车的安全距离,v为车辆当前速度,s为车辆与前进直线方向上最近车辆的距离。IDM模型自带加速度参数,可以很好地控制车辆进行速度变化,模拟真实的车辆情况。
进一步优选的,步骤(4)和步骤(5)中,将加速度反馈项添加到原始加速度项,计算控制车辆前进的驱动力项的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
该公式充分考虑了在真实情况下,车辆遇到行人后的形式特性,并且可以同时应用在行人继续前进或者停止的情况下,有效简化计算过程,提高仿真时效。
现有技术中,将高层的行人行为具体映射为低层的控制行人行为的控制模型有SFM模型,Hi-DAC模型,SFM模型具体结构如下:
为行人自身驱动力,fij为其他行人对该行人的驱动力,为障碍物对该行人的力。
优选的,行人自带的原始控制模型为SFM模型,步骤(4)中,将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
为行人自身驱动力;
fij为其他行人对该行人的驱动力;
为障碍物对该行人的力;
m为行人质量;
为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k为一个常量,表示行人感受到的刺激和物理刺激Ip之间的一个缩放系数,在本发明中,Ip是指车辆与行人之间的距离产生的物理刺激,即压力项。缩放系数k设定为0.012,其取值参考自该文献:Kim S,Guy SJ,Manocha D,Lin MC.Interactivesimulation of dynamic crowd behaviors using general adaptation syndrome theory.In Proceedings of the ACM SIGGRAPH Symposium on Interactive 3D Graphics andGames.ACM,2012;55–62.
pped为行人的坐标;
pveh为车辆的坐标。
通过在SFM模型上增加了车辆对行人行为的反馈,更加真实的模拟车辆与行人在复杂的交通系统下的交互行为。
本发明的有益效果:
本发明的用于交通混合流模型的车辆和行人交互模拟方法,在行人穿越道路时,增加了判断机制,还考虑到行人和车辆相互影响,从而在适当的情况下行人才穿越道路,充分模拟真实的道路交通情况以及行人的真实行为规律,简单新颖,很好的解决了在虚拟交通模拟中的真实性欠缺问题和人车交互问题,具有很大的现实指导意义。
附图说明
图1为本发明技术方案的流程图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
本发明为了模拟车辆与行人交互行为,首先输入人车混合流之间的位置信息,获取行人个体与车辆之间的距离以及道路宽度,计算行人预测通过时间和车辆预测通过时间,通过比较进行行人决策是否穿越道路。
如图1所示,本实施例的用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆自带的原始控制模型为IDM模型,行人自带的原始控制模型为SFM模型,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间,行人穿越道路的时间的计算公式为:
车辆穿越行人的时间的计算公式为:
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped_veh车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
为行人自身驱动力;
fij为其他行人对该行人的驱动力;
为障碍物对该行人的力;
m为行人质量;
为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k取值0.012;
pped为行人的坐标;
pveh为车辆的坐标;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
将加速度反馈项添加到原始加速度项,计算控制车辆前进的驱动力项的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
将加速度反馈项添加到原始加速度项,计算控制车辆前进的驱动力项的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆和行人分别自带原始控制模型,其特征在于,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间;
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
2.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,步骤(2)中,
行人穿越道路的时间的计算公式为:
车辆穿越行人的时间的计算公式为:
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped_veh为车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
3.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,车辆自带的原始控制模型为IDM模型。
4.如权利要求3所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,步骤(4)和步骤(5)中,将加速度反馈项添加到原始加速度项,计算控制车辆前进的驱动力项的公式为:
其中,
tped为行人穿越道路的时间;
tveh为车辆穿越行人的时间;
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
5.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,行人自带的原始控制模型为SFM模型。
6.如权利要求5所述的用于交通混合流模型的车辆和行人交互模拟方法,步骤(4)中,将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
fi 0为行人自身驱动力;
fij为其他行人对该行人的驱动力;
fi obs为障碍物对该行人的力;
m为行人质量;
fi veh为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k为一个常量,表示行人感受到的刺激和物理刺激Ip之间的一个缩放系数;
pped为行人的坐标;
pveh为车辆的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181942.9A CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181942.9A CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778072A true CN104778072A (zh) | 2015-07-15 |
CN104778072B CN104778072B (zh) | 2018-02-23 |
Family
ID=53619557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510181942.9A Active CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778072B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097421A (zh) * | 2016-06-27 | 2016-11-09 | 大连理工大学 | 基于真实数据的交通动画模拟系统 |
CN108983633A (zh) * | 2017-06-02 | 2018-12-11 | 北京图森未来科技有限公司 | 一种虚拟环境中多物体的模拟系统、方法和装置 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111767648A (zh) * | 2020-06-19 | 2020-10-13 | 浙江大学 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
CN114913710A (zh) * | 2021-02-07 | 2022-08-16 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050155441A1 (en) * | 2004-01-15 | 2005-07-21 | Tn Corporation | Collision accident simulator and collision accident simulation method |
US20090143987A1 (en) * | 2005-08-19 | 2009-06-04 | Renault S.A.S | Method and system for predicting the impact between a vehicle and a pedestrian |
CN103632535A (zh) * | 2013-11-19 | 2014-03-12 | 河海大学 | 路段行人过街信号灯设置判定方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉口交通控制方法 |
-
2015
- 2015-04-16 CN CN201510181942.9A patent/CN104778072B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050155441A1 (en) * | 2004-01-15 | 2005-07-21 | Tn Corporation | Collision accident simulator and collision accident simulation method |
US20090143987A1 (en) * | 2005-08-19 | 2009-06-04 | Renault S.A.S | Method and system for predicting the impact between a vehicle and a pedestrian |
CN103632535A (zh) * | 2013-11-19 | 2014-03-12 | 河海大学 | 路段行人过街信号灯设置判定方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉口交通控制方法 |
Non-Patent Citations (2)
Title |
---|
敬明 等: "基于车辆个体特征的IDM模型研究", 《交通信息与安全》 * |
贾海亮 等: "行人穿越道路对路段交通流的影响分析", 《西华大学学报(自然科学版)》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097421A (zh) * | 2016-06-27 | 2016-11-09 | 大连理工大学 | 基于真实数据的交通动画模拟系统 |
CN106097421B (zh) * | 2016-06-27 | 2019-04-12 | 大连理工大学 | 基于真实数据的交通动画模拟系统 |
CN108983633A (zh) * | 2017-06-02 | 2018-12-11 | 北京图森未来科技有限公司 | 一种虚拟环境中多物体的模拟系统、方法和装置 |
CN110688729A (zh) * | 2019-08-26 | 2020-01-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN110688729B (zh) * | 2019-08-26 | 2023-07-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111767648A (zh) * | 2020-06-19 | 2020-10-13 | 浙江大学 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
CN114913710A (zh) * | 2021-02-07 | 2022-08-16 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
CN114913710B (zh) * | 2021-02-07 | 2023-12-05 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
Also Published As
Publication number | Publication date |
---|---|
CN104778072B (zh) | 2018-02-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chao et al. | A survey on visual traffic simulation: Models, evaluations, and applications in autonomous driving | |
Camara et al. | Pedestrian models for autonomous driving part ii: high-level models of human behavior | |
Chen et al. | Stabilization approaches for reinforcement learning-based end-to-end autonomous driving | |
Xu et al. | Trajectory prediction for heterogeneous traffic-agents using knowledge correction data-driven model | |
CN104778072B (zh) | 一种用于交通混合流模型的车辆和行人交互模拟方法 | |
Zhang et al. | Force-driven traffic simulation for a future connected autonomous vehicle-enabled smart transportation system | |
Chen et al. | Path planning for intelligent vehicle collision avoidance of dynamic pedestrian using Att-LSTM, MSFM, and MPC at unsignalized crosswalk | |
CN103218489B (zh) | 一种基于视频样本的模拟车辆个性化驾驶特性的方法 | |
CN105718065A (zh) | 车路协同环境下的交互式视景仿真系统 | |
Yu et al. | Multi-agent based modeling and simulation of microscopic traffic in virtual reality system | |
CN107330147A (zh) | 一种地铁车站人员应急疏散仿真方法及系统 | |
Prédhumeau et al. | Agent-based modeling for predicting pedestrian trajectories around an autonomous vehicle | |
CN102982703A (zh) | 一种汽车驾驶仿真器与虚拟交通环境仿真系统的交互方法 | |
CN109726804A (zh) | 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法 | |
Zhang et al. | Collision avoidance predictive motion planning based on integrated perception and V2V communication | |
CN108829110A (zh) | 一种横/纵向运动统一框架的驾驶员模型建模方法 | |
Wang et al. | Multi-information-based convolutional neural network with attention mechanism for pedestrian trajectory prediction | |
Yuan et al. | Multi-reward architecture based reinforcement learning for highway driving policies | |
Liu et al. | Review of virtual traffic simulation and its applications | |
Cao et al. | Autonomous driving policy continual learning with one-shot disengagement case | |
Mänttäri et al. | Learning to predict lane changes in highway scenarios using dynamic filters on a generic traffic representation | |
Wang et al. | Cognition-driven traffic simulation for unstructured road networks | |
Valero et al. | Adaptation and calibration of a social force based model to study interactions between electric scooters and pedestrians | |
Zhang et al. | Crowd evacuation simulation using hierarchical deep reinforcement learning | |
Lu et al. | AA‐FVDM: An accident‐avoidance full velocity difference model for animating realistic street‐level traffic in rural scenes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |