CN108229078B - 一种城市交通场景中基于规则的群体运动模拟方法 - Google Patents
一种城市交通场景中基于规则的群体运动模拟方法 Download PDFInfo
- Publication number
- CN108229078B CN108229078B CN201810222644.3A CN201810222644A CN108229078B CN 108229078 B CN108229078 B CN 108229078B CN 201810222644 A CN201810222644 A CN 201810222644A CN 108229078 B CN108229078 B CN 108229078B
- Authority
- CN
- China
- Prior art keywords
- rule
- lane
- vehicle
- road
- traffic
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000002776 aggregation Effects 0.000 claims abstract description 9
- 238000004220 aggregation Methods 0.000 claims abstract description 9
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 5
- 238000007430 reference method Methods 0.000 claims abstract description 4
- 230000009471 action Effects 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 11
- 230000008447 perception Effects 0.000 claims description 10
- 239000013598 vector Substances 0.000 claims description 6
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 241000270298 Boidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开一种城市交通场景中基于规则的群体运动模拟方法,包含如下步骤:采集城市交通场景中的路网信息和规则信息,建立路网信息和规则信息模型;建立基于线性参考方法的城市交通路网模型,并以模型中的路片为基本单元,对线性要素的每一个部分关联不同的规则信息;建立基于多智能主体、分布式人工智能系统和规则信息的群体运动模型;将路网信息和规则信息输入到城市交通场景中的群体运动模型中,从而使群体运动模型中的车辆和人群等交通参与者根据道路交通规则以及各群体之间的聚集程度,进行仿真运动,并且能够根据目的地进行合理的路径规划。
Description
技术领域
本发明属于三维计算机图形学领域,具体涉及一种城市交通场景中基于规则的群体运动模拟方法。
背景技术
群体运动模拟作为VR(Virtual Reality)技术的一个重要研究内容,兴起于计算机高速发展的上个世界末期。刚开始由于计算机硬件的限制,复杂的大规模群体运动模拟只能使用简单的粒子系统或者粗糙的人物模型来渲染,真实感较低,并且由于粒子系统中的粒子没有形态节点和自己的局部空间,不能满足工程仿真的需求。近年来随着计算机硬件制造技术的不断进步,CPU和GPU等计算机核心部件运算速度不断提高,使越来越复杂的计算机图形运算和渲染成为可能。大规模群体运动的模拟作为计算机图形学领域的重点和难点,近年来也取得了长足的发展。
群体运动模拟,就是通过研究真实的群体在特定环境和特定的约束条件下的运动,分析群体的运动特征和运动规律,以此建立大规模群体运动的仿真模型,并且利用相关的模拟工具在计算机虚拟环境中生成真实的群体运动过程。基于群体运动模拟技术,许多研究人员做了大量相关的研究工作,例如运用分布式人工智能系统对公共场所的人群进行仿真,可以模拟出人们在该场所中可能发生的种种状况,提前了解该场所中可能发生的情况,从而对该场所的日常管理以及客流管理起到指导作用,防患于未然。同时,如果对该场所的紧急状况进行仿真,可以方便地模拟出在紧急情况下人们疏散的情况,尽早发现可能出现的问题并提前制定好相关的对策甚至从根本上解决该问题,从而减少不必要的损失。
比起无规则群体运动模拟,有规则的群体运动模拟对于城市道路交通网的建设、实际道路通行能力的测试、突发紧急事件时人员疏散以及救援路径的规划等都具有十分重要的现实意义。
目前,进行的群体运动模拟大多都是对人群进行的模拟,研究的群体运动比较单一,并且不能对路网中交通信号和交通标识等道路交通规则进行合理的建模,不适合在城市交通场景中,基于路网和复杂的交通规则下对人员和车辆等不同类型的交通参与者,同时存在的群体运动进行模拟。
发明内容
针对上述传统的研究内容和研究方法的不足,本发明提出一种城市交通场景中基于规则的群体运动模拟方法。该方法是在经典的以多智能主体(Agent)和分布式人工智能系统为基础的群体运动模型之上,加入路网和完整的交通规则限制,并且基于规则对车辆和人群分别建模,使得城市交通场景中的群体运动模拟信息更加真实全面,更能体现出实际的城市道路交通运行状况。
实现本发明方法的主要思路是:采集城市交通场景中的路网信息和规则信息,建立路网信息和规则信息模型;建立基于线性参考方法的城市交通路网模型,并以模型中的路片为基本单元,对线性要素的每一个部分关联不同的规则信息;建立基于多智能主体、分布式人工智能系统和规则信息的群体运动模型;将路网信息和规则信息输入到城市交通场景中的群体运动模型中,从而使群体运动模型中的车辆和人群等交通参与者根据道路交通规则以及各群体之间的聚集程度,进行仿真运动,并且能够根据目的地进行合理的路径规划。
一种城市交通场景中基于规则的群体运动模拟方法,包含如下步骤:
(1)建立路网节点和规则模型
基于真实的城市道路交通场景中路网的交叉口位置信息、交叉口规则信息以及各个交叉口之间的路片和规则信息,建立路网节点和规则模型。路网交叉口的规则信息包含车道的通行方向信息、红绿灯信息、各车道转向联通关系信息和车道之间的优先级关系等信息。
(2)建立交通网模型并关联规则信息
基于线性参考方法和路网节点模型,建立描述同向交通流的有向弧段。根据交通流的有向弧段和关联规则模型构建车道对象并建立车道间联系,同时建立交叉路口处有向弧段的连通转向关系和交叉路口处车道的连通转向关系。建立基于Moore状态机的红绿灯模型,用于动态控制交叉路口车辆通行。
(3)建立人群运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中行人的群体运动模型。该群体运动模型中的个体都有自己的空间不被其他人侵占,同时该模型中的个体在保证遵守交通规则的前提下尽量保持运动方向得一致,并且保持运动群体的聚集程度不变。
(4)建立车辆运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中车辆的群体运动模型。该群体运动模型中的车辆在保证遵守交通规则的前提下,尽量找到快速的车道或路径到达目的地。
(5)产生基于规则的群体运动
车辆和人群等交通参与者根据感知系统,获得当前道路交通规则以及各群体之间的聚集程度,进行仿真的运动,并且能够根据目的地进行合理的路径规划。
与现有技术相比,本发明具有以下明显的优势和有益的效果:
(1)本发明提出一种城市交通场景中基于规则的群体运动模拟方法,智能化程度高,满足了对仿真度有较高需求的城市交通场景模拟应用。
(2)本发明对boids群模型进行了改进,分别对车辆群体和行人群体进行建模,并且两者之间通过交通规则模型进行关联,提高了城市交通场景中的群体运动的仿真度。使用Moore状态机进行红绿灯的仿真,减少了群体感知系统的调用频率。使用感知、决策和运动的多层智能主体,将底层的路径规划和速度调整与上层的决策规划相结合,提高了系统的运行效率,在群体运动的真实感和实时性中达到了平衡。
附图说明
图1为本发明所涉及方法的流程图;
图2为建立路网模型的流程图;
图3为车辆和人群模型的结构图;
具体实施措施
下面结合附图和具体实施方式对本发明做进一步的描述。
本发明所涉及方法的流程图如图1所示,包含以下步骤:
步骤1,建立路网节点和规则模型。
基于真实的城市道路交通场景中路网的交叉口位置信息和夹角信息,建立二维路网节点信息模型。用有向图G=(P,E)表示物理路网,其中P={pi|i=1,2,…n}表示节点集,E={ei=(px,py)|i=1,…,m;px,py∈P}是G的线段集,其中ei=(px,py)表示从px到py的有向线段。路片和车道可表述为r_rgn=<s_x,e_x,s_y,e_y>。此结构以道路几何中心线段ei为基准,数字化方向为参考方向,其中s_x,e_x表示横向起始偏移和终止偏移,s_y,e_y表示纵向起始偏移和终止偏移。规则模型可表述为r_rule=<g,r_rgn,token,para>其中g是加载规则的道路对象,如路段ei和节点pi;r_rgn为加载规则的路片或车道;token为规则的优先级;para为规则的其他参数如时间,可为空。
步骤2,建立交通网模型并关联规则信息
基于步骤1建立的路网节点和规则模型,表1定义了构建交通路网模型的关联规则,
表格1路段规则关联表
表格2交叉口规则关联表
表格3红绿灯规则关联表
如图2所示,根据路段规则关联表和交叉路口规则关联表及红绿灯规则关联表,建立城市交通场景中的路网模型。该模型的建立具体可分为如下3步:(1)根据道路中心线或分隔带和道路导向箭头推导规则Ru—Div和Ru—Dir,建立交通路网数据中的有向弧段、节点集并把它们作为几何特征要素存储。(2)根据行车道分界线、禁变线推导出规则Ru—LnNum,Ru—Lane和Ru—LnConn,建立与有向弧段关联的车道表,相邻车道的连通信息存储于车道表中,其他车道属性信息也在此加载。(3)根据物理路网中交叉口的几何特征、红绿灯信息、车道转向联通关系和导向箭头类型推导规则Rv—Pass、Rv—LnConn和Rl_Pass,建立有向弧段在交叉口处的连通关系,以及对应的车道基于时间特征的连通关系。根据物理路网中,不同转向车道在交叉口的优先通行级别推导规则Rv_PriConn。
步骤3,建立人群运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中行人的群体运动模型。该模型如图3所示,主要由感知系统、信息融合器、意图发生器、动作决策系统和动作执行系统组成。首先,感知系统获取实时道路交通信息并将该信息加工过滤后传递给信息融合器,信息融合器将个体的运动参数信息和交通信息封装后传递给意图发生器,意图发生器根据信息融合器传递的信息和知识库,推导个体下一步应该进行的动作,最后动作决策系统控制动作执行系统执行具体的动作。
群体运动中的行人个体都遵循任意r_rgn范围内的规则约束,同时按照动作执行器下的“追逐”、“聚集”和“分离”三个基本动作进行。
“追逐”即群体中的个体尽量与周围的个体运动速度保持一致,按照如下方程运动:
在上面的方程中,Vj指的是当前检测个体的运动速度,Vi是群体中其他个体的运动速度,n是指群体中个体的个数,S表示群落的聚集程度(0≤S≤1),S越大,表示该个体受其他个体运动的影响也就越大,整个群落也就趋向于分离,S值越小,个体保持自身运动的趋势就越大,整个群落也就趋向于聚集。
“聚集”即群体中的个体尽量往群体的中心位置移动,个体向中心靠拢的速度按照如下方程运动:
在上面方程中,Posj表示当前个体的位置向量,Posi表示群体中其他个体的位置向量。
“分离”即对群体中每一个个体都进行碰撞检测,使个体们不会挤在一起,每一个个体有它自己的个人空间,如果其他个体进入了这个空间,个体就会尝试离开对方,直到距离合适为止。个体按照如下方程运动:
在上面方程中,|Posj-Posi|为向量的模。
步骤4,建立车辆运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中车辆的群体运动模型。该模型如图3所示,该群体运动模型中的车辆在保证遵守交通规则的前提下,尽量找到快速的车道或路径到达目的地。由于车辆在行车道内运动,受规则的约束性比较大,因此车辆群体运动中个体的运动按照动作执行器下的“加速”、“变道”和“减速”三个基本动作进行。
“加速”即该车辆与同车道的前车辆距离较远时,为了达到较高的通行效率,该车辆需要加速向前与前车保持合适的距离,按照如下方程运动:
Vj=[|Posj-Posi|-K]*Vi
“变道”即该车辆与同车道的前车辆距离较近,且相邻车道通行状况良好符合变道条件时,为了尽快的到达目的地,该车辆需要进行变换车道操作。变换车道条件方程如下:
当Fn≥0时车辆变道,否则车辆不变道。在上面的方程中,Vj为当前车辆的速度,r_width为车道的宽度,Vmax为该车道的最高限速,y_dist为该车辆与待变车道后车辆的竖向距离。
步骤5,产生基于规则的群体运动
将步骤3建立的人群运动模型和步骤4建立的车辆运动模型,输入到步骤2建立的交通网模型中,车辆和人群等交通参与者根据感知系统,获得当前道路交通规则以及各群体之间的聚集程度,进行仿真的运动,并且能够根据目的地进行合理的路径规划。
Claims (2)
1.一种城市交通场景中基于规则的群体运动模拟方法,其特征在于,包含如下步骤:
步骤1、采集城市交通场景中的路网信息和规则信息,建立路网信息和规则信息模型;
步骤2、建立基于线性参考方法的城市交通路网模型,并以模型中的路片为基本单元,对线性要素的每一个部分关联不同的规则信息;建立基于多智能主体、分布式人工智能系统和规则信息的群体运动模型;将路网信息和规则信息输入到城市交通场景中的群体运动模型中,从而使群体运动模型中的车辆和人群等交通参与者根据道路交通规则以及各群体之间的聚集程度,进行仿真运动,并且能够根据目的地进行合理的路径规划;
具体为:
步骤1,建立路网节点和规则模型
基于真实的城市道路交通场景中路网的交叉口位置信息和夹角信息,建立二维路网节点信息模型;用有向图G=(P,E)表示物理路网,其中P={pi|i=1,2,…n}表示节点集,E={ei=(px,py)|i=1,…,m;px,py∈P}是G的线段集;其中ei=(px,py)表示从px到py的有向线段;路片和车道可表述为r_rgn=<s_x,e_x,s_y,e_y>;此结构以道路几何中心线段ei为基准,数字化方向为参考方向,其中s_x,e_x表示横向起始偏移和终止偏移,s_y,e_y表示纵向起始偏移和终止偏移;规则模型可表述为r_rule=<g,r_rgn,token,para>,其中,g是加载规则的道路对象,如路段ei和节点pi;r_rgn为加载规则的路片或车道;token为规则的优先级;para为规则的其他参数如时间,可为空;
步骤2,建立交通网模型并关联规则信息
基于步骤1建立的路网节点和规则模型,定义了构建交通路网模型的关联规则,根据路段规则关联表和交叉路口规则关联表及红绿灯规则关联表,建立城市交通场景中的路网模型;该模型的建立具体可分为如下3步:(1)根据道路中心线或分隔带和道路导向箭头推导规则Ru_Div和Ru_Dir,建立交通路网数据中的有向弧段、节点集并把它们作为几何特征要素存储;(2)根据行车道分界线、禁变线推导出规则Ru_LnNum,Ru_Lane和Ru_LnConn,建立与有向弧段关联的车道表,相邻车道的连通信息存储于车道表中,其他车道属性信息也在此加载;(3)根据物理路网中交叉口的几何特征、红绿灯信息、车道转向联通关系和导向箭头类型推导规则Rv_Pass、Rv_LnConn和Rl_Pass,建立有向弧段在交叉口处的连通关系,以及对应的车道基于时间特征的连通关系;根据物理路网中,不同转向车道在交叉口的优先通行级别推导规则Rv_PriConn;
步骤3,建立人群运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中行人的群体运动模型,群体运动中的行人个体都遵循任意r_rgn范围内的规则约束,同时按照动作执行器下的“追逐”、“聚集”和“分离”三个基本动作进行,
“追逐”即群体中的个体尽量与周围的个体运动速度保持一致,按照如下方程运动:
其中,Vj指的是当前检测个体的运动速度,Vi是群体中其他个体的运动速度,n是指群体中个体的个数,S表示群落的聚集程度,
“聚集”即群体中的个体尽量往群体的中心位置移动,个体向中心靠拢的速度按照如下方程运动:
其中,Posj表示当前个体的位置向量,Posi表示群体中其他个体的位置向量,
“分离”即对群体中每一个个体都进行碰撞检测,个体按照如下方程运动:
其中,|Posj-Posi|为向量的模;
步骤4,建立车辆运动模型
基于感知、决策和运动的多层智能主体,建立城市交通场景中车辆的群体运动模型,车辆群体运动中个体的运动按照动作执行器下的“加速”、“变道”和“减速”三个基本动作进行;
“加速”即该车辆与同车道的前车辆距离较远时,该车辆需要加速向前与前车保持合适的距离,按照如下方程运动:
Vj=[|Posj-Posi|-K]*Vi
“变道”即该车辆与同车道的前车辆距离较近,且相邻车道通行状况良好符合变道条件时,该车辆需要进行变换车道操作,变换车道条件方程如下:
其中,当Fn≥0时车辆变道,否则车辆不变道,Vj为当前车辆的速度,r_width为车道的宽度,Vmax为该车道的最高限速,y_dist为该车辆与待变车道后车辆的竖向距离,
步骤5,产生基于规则的群体运动
将步骤3建立的人群运动模型和步骤4建立的车辆运动模型,输入到步骤2建立的交通网模型中,车辆和人群交通参与者根据感知系统,获得当前道路交通规则以及各群体之间的聚集程度,进行仿真的运动,并且能够根据目的地进行合理的路径规划。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222644.3A CN108229078B (zh) | 2018-03-19 | 2018-03-19 | 一种城市交通场景中基于规则的群体运动模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810222644.3A CN108229078B (zh) | 2018-03-19 | 2018-03-19 | 一种城市交通场景中基于规则的群体运动模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108229078A CN108229078A (zh) | 2018-06-29 |
CN108229078B true CN108229078B (zh) | 2021-11-05 |
Family
ID=62658751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810222644.3A Active CN108229078B (zh) | 2018-03-19 | 2018-03-19 | 一种城市交通场景中基于规则的群体运动模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108229078B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360445B (zh) * | 2018-07-09 | 2021-02-09 | 重庆大学 | 一种基于横向与纵向运动学特征分布的高速换道风险检测方法 |
CN111401220B (zh) * | 2020-03-12 | 2021-03-19 | 重庆特斯联智慧科技股份有限公司 | 一种用于智慧安防的人群聚合特征分析方法和系统 |
CN115099009B (zh) * | 2022-05-31 | 2023-08-29 | 同济大学 | 一种基于推理图的混合交通流运动行为建模方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159042A (zh) * | 2007-10-30 | 2008-04-09 | 北京航空航天大学 | 基于层次图组织与变换的虚拟环境群体对象行为演化方法 |
CN102693550A (zh) * | 2011-03-25 | 2012-09-26 | 上海日浦信息技术有限公司 | 虚拟场景中的智能群体运动模拟方法 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN105701314A (zh) * | 2016-02-25 | 2016-06-22 | 武汉大学 | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
CN106022510A (zh) * | 2016-05-11 | 2016-10-12 | 湖北工业大学 | 一种基于多粒子群协同演化的人车混合疏散仿真优化方法 |
KR101671359B1 (ko) * | 2015-05-11 | 2016-11-01 | 동서대학교 산학협력단 | 논리적 스프링 생성에 의한 액체속성 포인트 군 그래픽 구현방법 |
CN106709519A (zh) * | 2016-12-20 | 2017-05-24 | 北京工业大学 | 一种基于层次聚类的大型超市会员聚类方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102518947B (zh) * | 2011-12-06 | 2015-01-28 | 北京大方科技有限责任公司 | 一种城市管网泄露实时监测方法 |
CN103606267B (zh) * | 2013-11-20 | 2016-02-10 | 天津市市政工程设计研究院 | 基于产生点-吸引点的港口道路网络交通量智能预判方法 |
US9613137B2 (en) * | 2014-02-04 | 2017-04-04 | Gilbert Eid | Remote identification of vehicle status |
CN104298829B (zh) * | 2014-10-14 | 2017-04-12 | 浙江师范大学 | 基于元胞自动机模型的城市路网交通流仿真设计方法 |
-
2018
- 2018-03-19 CN CN201810222644.3A patent/CN108229078B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101159042A (zh) * | 2007-10-30 | 2008-04-09 | 北京航空航天大学 | 基于层次图组织与变换的虚拟环境群体对象行为演化方法 |
CN102693550A (zh) * | 2011-03-25 | 2012-09-26 | 上海日浦信息技术有限公司 | 虚拟场景中的智能群体运动模拟方法 |
CN103531024A (zh) * | 2013-10-28 | 2014-01-22 | 武汉旭云科技有限公司 | 一种动态交通路网城市道路要素模型及其建模方法 |
CN105809953A (zh) * | 2014-12-27 | 2016-07-27 | 吉林大学 | 一种基于m2m的城市交通流车路协同控制方法 |
KR101671359B1 (ko) * | 2015-05-11 | 2016-11-01 | 동서대학교 산학협력단 | 논리적 스프링 생성에 의한 액체속성 포인트 군 그래픽 구현방법 |
CN105701314A (zh) * | 2016-02-25 | 2016-06-22 | 武汉大学 | 一种基于自适应智能体模型的复杂人群疏散行为仿真方法 |
CN106022510A (zh) * | 2016-05-11 | 2016-10-12 | 湖北工业大学 | 一种基于多粒子群协同演化的人车混合疏散仿真优化方法 |
CN106709519A (zh) * | 2016-12-20 | 2017-05-24 | 北京工业大学 | 一种基于层次聚类的大型超市会员聚类方法 |
Non-Patent Citations (3)
Title |
---|
人车混合环境智能控制研究与实现;高杨;《中国优秀硕士学位论文全文数据库》;20130215(第2期);第13、15、16、23、24、36页 * |
基于 Vicrowd 模型的人群仿真研究;龚伟;《科技视界》;20160531;摘要,第173页,图1 * |
基于规则的交通路网建模及其应用;黄敏等;《公路交通科技》;20130131;第29卷(第1期);摘要,第135-136页,表1,表2,图2 * |
Also Published As
Publication number | Publication date |
---|---|
CN108229078A (zh) | 2018-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schönauer et al. | Modeling concepts for mixed traffic: Steps toward a microscopic simulation tool for shared space zones | |
CN108229078B (zh) | 一种城市交通场景中基于规则的群体运动模拟方法 | |
JP4361389B2 (ja) | 道路交通シミュレーション装置 | |
Shen et al. | Detailed traffic animation for urban road networks | |
CN107220447B (zh) | 基于疏散路径集合的人群疏散仿真方法及系统 | |
CN113297721B (zh) | 一种信号交叉口车辆选择出口道的仿真方法和装置 | |
CN110795833B (zh) | 基于猫群算法的人群疏散仿真方法、系统、介质及设备 | |
Jiang et al. | Extended social force model with a dynamic navigation field for bidirectional pedestrian flow | |
Anvari et al. | Calibration and validation of a shared space model: Case study | |
Hoar et al. | Evolutionary swarm traffic: if ant roads had traffic lights | |
CN111845754A (zh) | 一种基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 | |
Pan et al. | Research on the behavior decision of connected and autonomous vehicle at the unsignalized intersection | |
Wang et al. | A cellular automata approach for modelling pedestrian-vehicle mixed traffic flow in urban city | |
Zhou et al. | Data-driven framework for the adaptive exit selection problem in pedestrian flow: Visual information based heuristics approach | |
CN107103150A (zh) | 一种具有避让机制的双向行人流仿真方法及系统 | |
Hostetler et al. | Strolling down the avenue with a few close friends | |
Godara et al. | Simulating pedestrian-vehicle interaction in an urban network using cellular automata and multi-agent models | |
CN113299068B (zh) | 一种交通路网拥堵状态预测方法及系统 | |
Chen et al. | A cellular automata (CA) model for two-way vehicle flows on low-grade roads without hard separation | |
CN117482518B (zh) | 基于行人行为预测的导航方法、装置及电子设备 | |
Tang et al. | Crowd Intelligent Grouping Collaboration Evacuation via Multi-agent Reinforcement Learning | |
Yang et al. | Real traffic data-driven animation simulation | |
Tai et al. | Development of a User-Interactive Agent Simulation System with the Blackboard Architectural Pattern | |
Wang et al. | Parallel crowd simulation based on power law | |
Huang et al. | 3D Collaborative Judgment MobileNet Based Intelligent Driving System |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |