CN108491600A - 一种基于人本自治交通的车辆运动仿真方法 - Google Patents
一种基于人本自治交通的车辆运动仿真方法 Download PDFInfo
- Publication number
- CN108491600A CN108491600A CN201810199331.0A CN201810199331A CN108491600A CN 108491600 A CN108491600 A CN 108491600A CN 201810199331 A CN201810199331 A CN 201810199331A CN 108491600 A CN108491600 A CN 108491600A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- gap
- lane
- change
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- 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)
- Geometry (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Hardware Design (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于人本自治交通的车辆运动仿真方法,该方法包括步骤:确定车辆运动仿真模型,构建人本自治交通规则和基于上述规则的车辆运动仿真实现。具体来说,首先给出了车辆运动仿真模型,包括跟车运动仿真和换道运动仿真,然后提出了驾驶人驾驶信用值和交通资源值的奖惩规则,最后将驾驶人基于上述规则获得的奖惩结果融入了车辆运动仿真中,根据驾驶人驾驶倾向的变化进行仿真。发明中体现了人、车和交通资源的有机结合,通过经济手段充分发挥了驾驶人的主观能动性的主导作用,对未来交通管理机制的研究和应用实施具有引领性的作用。
Description
技术领域
本发明涉及计算机仿真技术领域,尤其涉及一种基于人本自治交通的车辆运动仿真方法。
背景技术
随着全球城市化进程的不断加快,城市人口和车辆的急剧增加,超大型城市的相继涌现,普遍、频繁发生的交通拥堵等问题。交通问题治理广泛涉及路网规划建设、资源需求配置、交通管理、交通系统信息化、交通心理等方面。为此,交通科学、信息科学、经济学、心理学、管理学、安全科学、物理学、社会学、人类行为学等诸多学科已从不同视角对交通治理展开了长期的研究。
为此可以根据经济学和心理学的有关理论来模拟交通流的演化态势。
发明内容
本发明主要解决的技术问题是提供一种基于人本自治交通的车辆运动模拟仿真方法,解决现有技术中交通车辆仿真中对人的行为因素和交通奖罚因素没有综合融入的问题。
为解决上述技术问题,本发明采用的一种技术方案是提供一种基于人本自治交通的车辆运动仿真方法,包括以下步骤:确定车辆运动仿真模型,包括确定车辆的跟车运动仿真和换道运动仿真;构建人本自治交通规则,建立包括驾驶人、车辆和交通资源在内的交通规则集,所述交通规则集中包括对交通违章行为的处罚计算、对交通主动避让行为的奖励计算以及参与交通拥堵的处罚计算等;基于上述规则的车辆运动仿真实现,在所述车辆运动仿真模型中,将所述人本自治交通规则的奖惩计算,作用于所述车辆的跟车运动行为和换道运动行为,根据驾驶人驾驶倾向的变化进行车辆运动仿真。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,所述跟车运动仿真中所述车辆的加速度为:
其中,a表示车辆加速度,v表示当前速度,s表示当前车间距,Δv表示和前车的速度差,v0表示期望车速,表示最小期望间距,T表示安全时距,amax表示最大加速度,bcom表示期望减速度,δ表示加速系数,s0表示安全车距。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,所述换道运动仿真包括换道需求判断和换道可行性判断,所述换道需求判断包括:具有换道需求的车辆SV的前方车速低于相邻车道的前方车速,当前车道即将闭合,即将驶入新路段或即将驶出新路段;所述换道可行性判断包括:具有换道需求的车辆SV判断自身和周围车辆之间的距离均大于最小的安全车距,才能进行换道。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,所述周围车辆包括具有换道需求的车辆SV所在的当前车道的前车CL,需要换道的目标车道的前车TL和目标车道的后车TF,并且在换道结束时,所述车辆SV和所述前车CL之间的距离为gapCL,所述车辆SV和所述前车TL之间的距离为gapTL,所述车辆SV和所述后车TF之间的距离为gapTF,为了避免碰撞,gapCL,gapTL,gapTF需要满足:
gapCL≥gapCL,min,gapTL≥gapTL,min,gapTF≥gapTF,min
其中,gapTL,min、gapTF,min、gapCL,min分别表示车辆SV需要换道时分别与所述前车TL、后车TF和前车CL保持的最小安全距离。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,在换道中所述车辆SV与所述前车CL、所述前车TL、所述后车TF都保持匀速运动,并且gapTL,min、gapTF,min、gapCL,min和速度为线性关系,即 gapTL,min=μ1vSV、gapTF,min=μ2vSV、gapCL,min=μ3vSV,对应则有:
vSVΔτ≤vCLΔτ+gapCL,0-μ1vSV
vSVΔτ≤vTLΔτ+gapTL,0-μ2vSV
vSVΔτ≤vTFΔτ-gapTF,0+μ3vSV
其中,μ1、μ2、μ3均为常数。Δτ表示换道持续时长,vSV、vCL、 vTL、vTF分别表示所述车辆SV、前车CL、前车TL、后车TF在换道开始时刻的速度,gapCL,0、gapTL,0、gapTF,0分别表示换道初始时刻车辆SV 和前车CL,车辆SV和前车TL,车辆SV和后车TF在沿车道方向上两者之间的间距。在本发明人本自治交通的车辆运动仿真方法另一实施例中,在所述构建人本自治交通规则中,所述交通系统为:
其中,Θ为所述交通系统,Γ表示车辆集合,Ω表示交通规则集;Φ表示可供行驶的道路空间资源;Λ表示所述交通系统模型认定的交通违章行为类型及对应的处罚额度;表示所述交通系统模型认定的交通主动避让行为类型及对应的奖励额度。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,所述交通系统包括定义参数和交通规则,
所述定义参数包括:
车辆Γi,Γi∈Γ,N=|Γ|,i∈N,N表示出行车辆的总数;
交通资源值表示车辆Γi在时刻t拥有的交通资源额度;
驾驶信用值表示车辆Γi在时刻t拥有的信用额度;
Αi(t),表示在时刻t车辆Γi所检测到的所有违章车辆的集合,对于Γj∈Αi(t),Ψj(t)则表示在时刻t所有与车辆Γi共同检测到车辆Γj违章的集合;
所述交通规则包括:
规则1:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始交通资源值则对车辆Γi有其中代表着车辆Γi的初始购买力,每经过时间ΔT,每辆车都将再次免费获得等额度初始交通资源值其中无时效限制且可以积累使用,即当t=nΔT时,n为正整数,并且在时间段 [nΔT,(n+1)ΔT)内,若车辆Γi的交通资源值时,将被迫放弃驾车的出行方式;规则2:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始驾驶信用值则对车辆Γi有每经过时间ΔT,每个车都将再次免费获得等额度驾驶信用值其中有时效限制且不能交易,即车辆Γi在t0=n·ΔT时刻的驾驶信用值n为正整数,并且在时间段[nΔT,(n+1)ΔT) 内,车辆Γi的累计支付交通资源值的上限为当t∈[nΔT,(n+1)ΔT),时,车辆Γi在后续的时间段[t,(n+1)ΔT]内将被迫放弃驾车的出行方式;规则3:在感知范围内能够识别其周围所有违章车辆,同时车辆Γi的违章驾驶行为也被能感知它周围的车识别;车辆Γi在t 时刻所识别的所有违规车为Αi(t),则对Γj不但要被扣除驾驶信用值,同时还要向车辆Γi以交通资源值的形式立刻交纳罚金,罚金额由车辆Γj的违章类型k∈Λ和t时刻同时识别到Γj违章的所有车的数量|Ψj(t)|共同决定,记k类型违章的罚款额为则将t时刻Γj向Γi支付的罚款额fj→i(t)定义为并约定被识别违章的车辆即时获知已被罚款;规则4:能够随时查询到当前的拥堵区域分布信息J={areajam(t)},并且约定当车辆Γi选择当前拥堵区域areajam(t)∈J为目的地时将被收取拥堵费,所述拥堵费以扣除所述交通资源值的形式收取。
在本发明人本自治交通的车辆运动仿真方法另一实施例中,所述车辆Γi行驶包括保守型行驶、普通型行驶和激进型行驶, A(t,i),B(t,i),C(t,i)分别表示车辆Γi为保守型、普通型、激进型时对应的参数向量取值,由下式确定,
A(t,i)=A0
B(t,i)=(B0-A0)λ(t,i)+A0
C(t,i)=(C0-A0)λ(t,i)+A0
其中,所述A0,B0,C0表示模拟初始时刻,即交通资源值和驾驶信用值初始分配时刻,三种驾驶行为对应的参数向量取值, A(t,i),B(t,i),C(t,i)分别表示车辆Γi为保守型、正常型、激进型时在t时刻对应的参数组取值,所述λ(t,i)为通过Weber‐Fechner Law求取的强度值,即:
其中,表示车辆Γi在t时刻的归一化驾驶信用值和交通资源值。
本发明的技术效果是:本发明公开了一种基于人本自治交通的车辆运动模拟仿真方法,该方法包括步骤:确定车辆运动仿真模型,构建人本自治交通规则和基于上述规则的车辆运动仿真实现。具体来说,首先给出了车辆运动仿真模型,包括跟车运动仿真和换道运动仿真,然后提出了驾驶人驾驶信用值和交通资源值的奖惩规则,最后将驾驶人基于上述规则获得的奖惩结果融入了车辆运动仿真中,根据驾驶人驾驶倾向的变化进行仿真。本发明的核心理念是“以人为本、效率最优、保证公平”,发明中体现了人、车和交通资源的有机结合,通过经济手段充分发挥了驾驶人的主观能动性的主导作用,对未来交通管理机制的研究和应用实施具有引领性的作用。
附图说明
图1是根据本发明基于人本自治交通的车辆运动模拟仿真方法一实施例的流程图;
图2是根据本发明基于人本自治交通的车辆运动模拟仿真方法另一实施例的车辆换道规则示意图。
具体实施方式
为了便于理解本发明,下面结合附图和具体实施例,对本发明进行更详细的说明。附图中给出了本发明的较佳的实施例。但是,本发明可以以许多不同的形式来实现,并不限于本说明书所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。
需要说明的是,除非另有定义,本说明书所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是用于限制本发明。本说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
这里提出“人本自治交通”主要是根据经济学和心理学的有关理论来模拟交通流的演化态势。其中的约束条件是包括:(1)政府在每辆车上安装可监控其它车辆交通行为的“电子眼”设备,实现车辆之间的相互监控,使每个驾驶人同时具有“执法者”和“被执法对象”的双重身份;(2)每个驾驶人都可通过举报其它车辆的违章行为获得一定的奖励,该奖励由违章车辆的驾驶人支付;(3)对违章驾驶行为除了经济处罚,还要扣除一定的驾驶信用值,该信用值只能通过系统对所有驾驶人定期平均发放获得,其使用具有时效性,一定时间内每个驾驶人的驾驶信用值是有限的,扣除完后将被终止驾驶,用以约束违章驾驶行为。这样,我们从经济学理论角度对“人本自治交通”框架内的车辆流动态势演化过程可以建立多智能体系统计算模型,探索将驾驶人的驾驶行为表达为心理空间函数的可计算模型,并尝试采用心理学和经济学理论建模驾驶资源值和信用额度影响下的驾驶员心理变化趋势,从而驱动车辆群组运动仿真。
图1显示了本发明一种基于人本自治交通的车辆运动仿真方法一实施例的流程图。在图1中,包括:
步骤S101:确定车辆运动仿真模型,包括车辆的跟车运动仿真和换道运动仿真;
步骤S102:构建人本自治交通规则,建立包括驾驶人、车辆和交通资源在内的交通规则集,所述交通规则集中包括对交通违章行为的处罚计算、对交通主动避让行为的奖励计算以及参与交通拥堵的处罚计算;
步骤S103:车辆运动仿真实现,在所述车辆运动仿真模型中,将所述人本自治交通规则的奖惩结果,作用于所述车辆的跟车运动行为和换道运动行为,根据驾驶人驾驶倾向的变化进行车辆运动仿真。
优选的,在步骤S101中,在所述跟车运动仿真中车辆的加速度为:
其中,a表示车辆加速度,v表示当前速度,s表示当前车间距,Δv表示和前车的速度差,v0表示期望车速,表示最小期望间距,T表示安全时距,amax表示最大加速度,bcom表示期望减速度,δ表示加速系数,s0表示安全车距。
可以看出,该车辆的运行加速度的模型公式中体现了车间距、与前车的速度差等参数,表明该驾驶行为中是以交通安全、交通规则为基础,符合仿真需要。
进一步的,在所述跟车运动模拟规则中,所述换道运动模拟包括换道需求判断和换道可行性判断,所述换道需求判断包括:具有换道需求的车辆SV的前方车速低于相邻车道的前方车速,即两车速比η<1,当前车道即将闭合,即将驶入新路段或即将驶出新路段;所述换道可行性判断包括:具有换道需求的车辆SV判断自身和周围车辆之间的距离均大于最小的安全车距,才能进行换道。
优选的,图2显示了一个车辆换道模型,可以看出,所述周围车辆包括具有换道需求的车辆SV所在的当前车道的前车CL,需要换道的目标车道的前车TL和目标车道的后车TF,并且在换道结束时,所述车辆SV和所述前车CL之间的距离为gapCL,所述车辆SV和所述前车TL之间的距离为gapTL,所述车辆SV和所述后车TF之间的距离为 gapTF,为了避免碰撞,gapCL,gapTL,gapTF需要满足:
gapCL≥gapCL,min,gapTL≥gapTL,min,gapTF≥gapTF,min
其中,gapTL,min、gapTF,min、gapCL,min分别表示车辆SV需要换道时分别与所述前车TL、后车TF和前车CL保持的最小安全距离。
进一步优选的,在换道中所述车辆SV与所述前车CL、所述前车 TL、所述后车TF都保持匀速运动,并且gapTL,min、gapTF,min、gapCL,min和速度为线性关系,即gapTL,min=μ1vSV、gapTF,min=μ2vSV、gapCL,min=μ3vSV,对应则有:
vSVΔτ≤vCLΔτ+gapCL,0-μ1vSV
vSVΔτ≤vTLΔτ+gapTL,0-μ2vSV
vSVΔτ≤vTFΔτ-gapTF,0+μ3vSV
其中,μ1、μ2、μ3均为常数。Δτ表示换道持续时长,vSV、vCL、 vTL、vTF分别表示所述车辆SV、前车CL、前车TL、后车TF在换道开始时刻的速度,gapCL,0、gapTL,0、gapTF,0分别表示换道初始时刻车辆SV 和前车CL,车辆SV和前车TL,车辆SV和后车TF在沿车道方向上两者之间的间距。
可以看出,结合图2所示实施例,在对车辆运动仿真规则中不仅对车辆的加速度进行建模还对车辆的换道行为进行了建模,覆盖了车辆行驶的主要特征,能够反映车辆运行的基本规律,由此确定了车辆运动仿真中的车辆运行规则。
优选的,所述构建人本自治交通规则,交通系统为:
其中,Θ为所述交通系统,Γ表示车辆集合,Ω表示交通规则集;Φ表示可供行驶的道路空间资源;Λ表示所述交通系统模型认定的交通违章行为类型及对应的处罚额度;表示所述交通系统模型认定的交通主动避让行为类型及对应的奖励额度。
可见,通过该交通模型可以包括车辆、道路、交通规则,以及对驾驶人违反交通规则和主动避让行为所对应的经济手段(处罚和奖励),具有人本自治的特点。
进一步优选的,所述交通系统还包括定义参数和交通规则,所述定义参数包括:车辆Γi,Γi∈Γ,N=|Γ|,i∈N,N表示出行车辆的总数;交通资源值表示车辆Γi在时刻t拥有的交通资源额度;驾驶信用值表示车辆Γi在时刻t拥有的信用额度;Αi(t),表示在时刻t车辆Γi所检测到的所有违章车辆的集合,对于Γj∈Αi(t),Ψj(t)则表示在时刻t所有与车辆Γi共同检测到车辆Γj违章的集合;
所述交通规则包括:规则1:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始交通资源值则对车辆Γi 有其中代表着车辆Γi的初始购买力,每经过时间ΔT,每辆车都将再次免费获得等额度初始交通资源值其中无时效限制且可以积累使用,即当t=nΔT时,n为正整数,并且在时间段[nΔT,(n+1)ΔT)内,若车辆Γi的交通资源值 时,将被迫放弃驾车的出行方式;规则2:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始驾驶信用值则对车辆Γi有每经过时间ΔT,每个车都将再次免费获得等额度驾驶信用值其中有时效限制且不能交易,即车辆Γi在t0=n·ΔT时刻的驾驶信用值n为正整数,并且在时间段[nΔT,(n+1)ΔT)内,车辆Γi的累计支付驾驶信用值的上限为当 t∈[nΔT,(n+1)ΔT),时,车辆Γi在后续的时间段[t,(n+1)ΔT]内将被迫放弃驾车的出行方式;规则3:在感知范围内能够识别其周围所有违章车辆,同时车辆Γi的违章驾驶行为也被能感知它周围的车识别;车辆Γi在t时刻所识别的所有违规车为Αi(t),则对Γj不但要被扣除驾驶信用值,同时还要向车辆Γi以交通资源值的形式立刻交纳罚金,罚金额由车辆Γj的违章类型k∈Λ和t时刻同时识别到Γj违章的所有车的数量|Ψj(t)|共同决定,记k类型违章的罚款额为则将t时刻Γj向Γi支付的罚款额fj→i(t)定义为并约定被识别违章的车辆即时获知已被罚款;规则4:能够随时查询到当前的拥堵区域分布信息J={areajam(t)},并且约定当车辆Γi选择当前拥堵区域areajam(t)∈J为目的地时将被收取拥堵费,所述拥堵费以扣除所述交通资源值的形式收取。
通过上述交通系统模型中的定义参数和交通规则,又进一步体现了该人本自治交通模型中能够在车辆之间进行相互监督,通过交通资源值和驾驶信用值的方式对车辆(包含驾驶人)进行奖励和处罚的规则,为后面的车辆运行仿真奠定基础。
进一步的,在基于上述规则的车辆运动仿真实现中,需要进一步结合驾驶员的行为特点进行归类。优选的,所述车辆Γi行驶包括保守型行驶、普通型行驶和激进型行驶,A(t,i),B(t,i),C(t,i)分别表示车辆Γi为保守型、普通型、激进型时在t时刻对应的参数向量(v0,T,amax,bcom,δ,s0η,μ1,μ2,μ3,Δτ)的取值,由下式确定,
A(t,i)=A0
B(t,i)=(B0-A0)λ(t,i)+A0
C(t,i)=(C0-A0)λ(t,i)+A0
其中,所述A0,B0,C0表示模拟初始时刻,即交通资源值和驾驶信用值初始分配时刻,三种驾驶行为对应的参数向量取值,所述λ(t,i)为通过Weber‐Fechner Law求取的强度值,即:
其中,表示车辆Γi在t时刻的归一化驾驶信用值和交通资源值。
在这里,Weber‐Fechner Law用来表示心理量和物理量之间关系的定律。该定律可以采用下式表示:
κ1=εlnκ2
其中,κ1为感觉强度,κ2为刺激强度。该定律说明心理量是刺激量的对数函数,即当刺激弱度以几何级数增加时,感觉的强度以算数级数增加。驾驶员驾驶车辆时,当其交通资源值和驾驶信用值降低时,会倾向于保守驾驶,但是,当其驾驶交通资源值和驾驶信用值各项分值比较高时,违规扣除单位分值对其驾驶行为的影响要低于其分值较低的时候。这说明,驾驶员拥有分值和驾驶行为之间具有 Weber‐Fechner Law描述的性质。
优选的,这里A(t,i),B(t,i),C(t,i)所对应的参数向量分别是A(i,t, v0,T,amax,bcom,δ,s0,η,μ1,μ2,μ3,Δτ),B(i,t,v0,T,amax,bcom,δ,s0,η,μ1,μ2,μ3,Δτ),C(i,t,v0,T,amax,bcom,δ,s0,η,μ1,μ2,μ3,Δτ),其中的这些参数对应的就是前述中车辆运动仿真模型的参数向量的取值。
因此,可以通过仿真来验证交通事故发生率和驾驶信用值之间的关系,当驾驶信用值降低会导致其他车辆的交通资源值增加,对拥堵情况进行仿真。以及人群类型随时间的演化仿真,如激进型变为保守型等。
通过上述方式,本发明公开了一种基于人本自治交通的车辆运动仿真方法,该方法包括步骤:确定车辆运动仿真模型,构建人本自治交通规则和基于上述规则的车辆运动仿真实现。具体来说,首先给出了车辆运动仿真模型,包括跟车运动仿真和换道运动仿真,然后提出了驾驶人驾驶信用值和交通资源值的奖惩规则,最后将驾驶人基于上述规则获得的奖惩结果融入了车辆运动仿真中,根据驾驶人驾驶倾向的变化进行仿真。本发明的核心理念是“以人为本、效率最优、保证公平”,发明中体现了人、车和交通资源的有机结合,通过经济手段充分发挥了驾驶人的主观能动性的主导作用,对未来交通管理机制的研究和应用实施具有引领性的作用。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种基于人本自治交通的车辆运动仿真方法,其特征在于,包括以下步骤:
确定车辆运动仿真模型,包括确定车辆的跟车运动仿真和换道运动仿真;
构建人本自治交通规则,建立包括驾驶人、车辆和交通资源在内的交通规则集,所述交通规则集中包括对交通违章行为的处罚计算、对交通主动避让行为的奖励计算以及参与交通拥堵的处罚计算;
车辆运动仿真实现,在所述车辆运动仿真模型中,将所述人本自治交通规则的奖罚计算,作用于所述车辆的跟车运动行为和换道运动行为,根据驾驶人驾驶倾向的变化进行车辆运动仿真。
2.根据权利要求1所述的基于人本自治交通的车辆运动仿真方法,其特征在于,所述跟车运动仿真中所述车辆的加速度为:
其中,a表示车辆加速度,v表示当前速度,s表示当前车间距,Δv表示和前车的速度差,v0表示期望车速,表示最小期望间距,T表示安全时距,amax表示最大加速度,bcom表示期望减速度,δ表示加速系数,s0表示安全车距。
3.根据权利要求2所述的基于人本自治交通的车辆运动仿真方法,其特征在于,所述换道运动仿真包括换道需求判断和换道可行性判断,所述换道需求判断包括:具有换道需求的车辆SV的前方车速低于相邻车道的前方车速,当前车道即将闭合,即将驶入新路段或即将驶出新路段;所述换道可行性判断包括:具有换道需求的车辆SV判断自身和周围车辆之间的距离均大于最小的安全车距,才能进行换道。
4.根据权利要求3所述的基于人本自治交通的车辆运动仿真方法,其特征在于,所述周围车辆包括具有换道需求的车辆SV所在的当前车道的前车CL,需要换道的目标车道的前车TL和目标车道的后车TF,并且在换道结束时,所述车辆SV和所述前车CL之间的距离为gapCL,所述车辆SV和所述前车TL之间的距离为gapTL,所述车辆SV和所述后车TF之间的距离为gapTF,为了避免碰撞,gapCL,gapTL,gapTF需要满足:
gapCL≥gapCL,min,gapTL≥gapTL,min,gapTF≥gapTF,min
其中,gapTL,min、gapTF,min、gapCL,min分别表示车辆SV需要换道时分别与所述前车TL、后车TF和前车CL保持的最小安全距离。
5.根据权利要求4所述的基于人本自治交通的车辆运动仿真方法,其特征在于,在换道中所述车辆SV与所述前车CL、所述前车TL、所述后车TF都保持匀速运动,并且gapTL,min、gapTF,min、gapCL,min和速度为线性关系,即gapTL,min=μ1vSV、gapTF,min=μ2vSV、gapCL,min=μ3vSV,对应则有:
vSVΔτ≤vCLΔτ+gapCL,0-μ1vSV
vSVΔτ≤vTLΔτ+gapTL,0-μ2vSV
vSVΔτ≤vTFΔτ-gapTF,0+μ3vSV
其中,μ1、μ2、μ3均为常数。Δτ表示换道持续时长,vSV、vCL、vTL、vTF分别表示所述车辆SV、前车CL、前车TL、后车TF在换道开始时刻的速度,gapCL,0、gapTL,0、gapTF,0分别表示换道初始时刻车辆SV和前车CL,车辆SV和前车TL,车辆SV和后车TF在沿车道方向上两者之间的间距。
6.根据权利要求5所述的基于人本自治交通的车辆运动仿真方法,其特征在于,在所述构建人本自治交通规则中,交通系统为:
其中,Θ为所述交通系统,Γ表示车辆集合,Ω表示交通规则集;Φ表示可供行驶的道路空间资源;Λ表示所述交通系统模型认定的交通违章行为类型及对应的处罚额度;表示所述交通系统模型认定的交通主动避让行为类型及对应的奖励额度。
7.根据权利要求6所述的基于人本自治交通的车辆运动仿真方法,其特征在于,所述交通系统包括定义参数和交通规则,
所述定义参数包括:
车辆Γi,Γi∈Γ,N=|Γ|,i∈N,N表示出行车辆的总数;
交通资源值表示车辆Γi在时刻t拥有的交通资源额度;
驾驶信用值li(t),表示车辆Γi在时刻t拥有的信用额度;
Αi(t),表示在时刻t车辆Γi所检测到的所有违章车辆的集合,对于Γj∈Αi(t),Ψj(t)则表示在时刻t所有与车辆Γi共同检测到车辆Γj违章的集合;
所述交通规则包括:
规则1:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始交通资源值则对车辆Γi有其中代表着车辆Γi的初始购买力,每经过时间ΔT,每辆车都将再次免费获得等额度初始交通资源值其中无时效限制且可以积累使用,即当t=nΔT时,n为正整数,并且在时间段[nΔT,(n+1)ΔT)内,若车辆Γi的交通资源值时,将被迫放弃驾车的出行方式;
规则2:所述交通系统模型初始化时,将为每辆车无偿设定相同的、额度合适的初始驾驶信用值l0,则对车辆Γi有li(0)=l0,每经过时间ΔT,每个车都将再次免费获得等额度驾驶信用值l0,其中l0有时效限制且不能交易,即车辆Γi在t0=n·ΔT时刻的驾驶信用值li(t0)≡l0,n为正整数,并且在时间段[nΔT,(n+1)ΔT)内,车辆Γi的累计支付交通资源值的上限为l0,当t∈[nΔT,(n+1)ΔT),li(t)≤0时,车辆Γi在后续的时间段[t,(n+1)ΔT]内将被迫放弃驾车的出行方式;
规则3:在感知范围内能够识别其周围所有违章车辆,同时车辆Γi的违章驾驶行为也被能感知它周围的车识别;车辆Γi在t时刻所识别的所有违规车为Αi(t),则对Γj不但要被扣除驾驶信用值,同时还要向车辆Γi以交通资源值的形式立刻交纳罚金,罚金额由车辆Γj的违章类型k∈Λ和t时刻同时识别到Γj违章的所有车的数量|Ψj(t)|共同决定,记k类型违章的罚款额为则将t时刻Γj向Γi支付的罚款额fj→i(t)定义为并约定被识别违章的车辆即时获知已被罚款;
规则4:能够随时查询到当前的拥堵区域分布信息J={areajam(t)},并且约定当车辆Γi选择当前拥堵区域areajam(t)∈J为目的地时将被收取拥堵费,所述拥堵费以扣除所述交通资源值的形式收取。
8.根据权利要求7所述的基于人本自治交通的车辆运动仿真方法,其特征在于,所述车辆Γi行驶包括保守型行驶、普通型行驶和激进型行驶,A(t,i),B(t,i),C(t,i)分别表示车辆Γi为保守型、普通型、激进型时对应的参数向量取值,由下式确定,
A(t,i)=A0
B(t,i)=(B0-A0)λ(t,i)+A0
C(t,i)=(C0-A0)λ(t,i)+A0
其中,所述A0,B0,C0表示模拟初始时刻,即交通资源值和驾驶信用值初始分配时刻,三种驾驶行为对应的参数向量取值,A(t,i),B(t,i),C(t,i)分别表示车辆Γi为保守型、正常型、激进型时在t时刻对应的参数向量取值,所述λ(t,i)为通过Weber‐Fechner Law求取的强度值,即:
其中,表示车辆Γi在t时刻的归一化驾驶信用值和交通资源值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199331.0A CN108491600B (zh) | 2018-03-12 | 2018-03-12 | 一种基于人本自治交通的车辆运动仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810199331.0A CN108491600B (zh) | 2018-03-12 | 2018-03-12 | 一种基于人本自治交通的车辆运动仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108491600A true CN108491600A (zh) | 2018-09-04 |
CN108491600B CN108491600B (zh) | 2022-04-05 |
Family
ID=63338585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810199331.0A Active CN108491600B (zh) | 2018-03-12 | 2018-03-12 | 一种基于人本自治交通的车辆运动仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108491600B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008577A (zh) * | 2019-04-01 | 2019-07-12 | 清华大学 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
CN110245406A (zh) * | 2019-06-05 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 行驶仿真方法、装置及存储介质 |
CN113963550A (zh) * | 2020-07-21 | 2022-01-21 | 阿里巴巴集团控股有限公司 | 一种多义路径识别方法、装置及电子设备 |
CN116890844A (zh) * | 2023-09-08 | 2023-10-17 | 新石器慧通(北京)科技有限公司 | 一种车辆两阶段换道控制方法、装置及设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228533A1 (en) * | 2009-03-09 | 2010-09-09 | Massachusetts Institute Of Technology | System and method for modeling supervisory control of heterogeneous unmanned vehicles through discrete event simulation |
CN102561126A (zh) * | 2012-02-24 | 2012-07-11 | 天津市市政工程设计研究院 | 带有中间快速通道的车道边长度确定方法 |
US9355423B1 (en) * | 2014-01-24 | 2016-05-31 | Allstate Insurance Company | Reward system related to a vehicle-to-vehicle communication system |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
CN106997689A (zh) * | 2017-05-11 | 2017-08-01 | 重庆邮电大学 | 基于路口的v2p避免碰撞方法 |
-
2018
- 2018-03-12 CN CN201810199331.0A patent/CN108491600B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100228533A1 (en) * | 2009-03-09 | 2010-09-09 | Massachusetts Institute Of Technology | System and method for modeling supervisory control of heterogeneous unmanned vehicles through discrete event simulation |
CN102561126A (zh) * | 2012-02-24 | 2012-07-11 | 天津市市政工程设计研究院 | 带有中间快速通道的车道边长度确定方法 |
US9355423B1 (en) * | 2014-01-24 | 2016-05-31 | Allstate Insurance Company | Reward system related to a vehicle-to-vehicle communication system |
CN105912814A (zh) * | 2016-05-05 | 2016-08-31 | 苏州京坤达汽车电子科技有限公司 | 智能驾驶车辆换道决策模型 |
CN106997689A (zh) * | 2017-05-11 | 2017-08-01 | 重庆邮电大学 | 基于路口的v2p避免碰撞方法 |
Non-Patent Citations (4)
Title |
---|
HUA WANG: "An all-in-one efficient lane-changing model for virtual traffic", 《COMPUTER ANIMATION AND VIRTUAL WORLDS》 * |
IDO KLEIN: "An agent-based model of the emergence of cooperation and a fair and stable system optimum using ATIS on a simple road network", 《TRANSPORTATION RESEARCH PART C》 * |
MARTIN TREIBER: "Congested traffic states in empirical observations and microscopic simulations", 《PHYSICAL REVIEW E》 * |
毛天露: "所述交通系统,Γ表示车辆集合,Ω表示交通规则集;Φ表示可供行驶的道路空间资源", 《计算机学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110008577A (zh) * | 2019-04-01 | 2019-07-12 | 清华大学 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
CN110008577B (zh) * | 2019-04-01 | 2020-12-11 | 清华大学 | 基于最差全局危险度搜索的车辆自动换道功能测评方法 |
CN110245406A (zh) * | 2019-06-05 | 2019-09-17 | 腾讯科技(深圳)有限公司 | 行驶仿真方法、装置及存储介质 |
CN110245406B (zh) * | 2019-06-05 | 2021-06-08 | 腾讯科技(深圳)有限公司 | 行驶仿真方法、装置及存储介质 |
CN113963550A (zh) * | 2020-07-21 | 2022-01-21 | 阿里巴巴集团控股有限公司 | 一种多义路径识别方法、装置及电子设备 |
CN116890844A (zh) * | 2023-09-08 | 2023-10-17 | 新石器慧通(北京)科技有限公司 | 一种车辆两阶段换道控制方法、装置及设备 |
CN116890844B (zh) * | 2023-09-08 | 2023-12-22 | 新石器慧通(北京)科技有限公司 | 一种车辆两阶段换道控制方法、装置及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN108491600B (zh) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108491600A (zh) | 一种基于人本自治交通的车辆运动仿真方法 | |
CN107161153B (zh) | 一种驾驶行为评分方法及装置 | |
Saifuzzaman et al. | Revisiting the Task–Capability Interface model for incorporating human factors into car-following models | |
Yuan et al. | Investigating drivers' mandatory lane change behavior on the weaving section of freeway with managed lanes: A driving simulator study | |
Wang et al. | The driving safety field based on driver–vehicle–road interactions | |
CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
Tomar et al. | Prediction of lane change trajectories through neural network | |
EP3970077A1 (de) | Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system | |
Aycin et al. | Linear acceleration car-following model development and validation | |
Hou et al. | Study of work zone traffic safety under adverse driving conditions with a microscopic traffic simulation approach | |
CN102622516A (zh) | 面向道路安全评价的微观交通流仿真方法 | |
CN110956851A (zh) | 一种智能网联汽车协同调度换道方法 | |
WO2020187563A1 (de) | Verfahren zum trainieren wenigstens eines algorithmus für ein steuergerät eines kraftfahrzeugs, computerprogrammprodukt, kraftfahrzeug sowie system | |
WO2018050356A1 (de) | Verfahren und vorrichtungen bestimmung des durch kolonnenfahrten erzielten nutzens | |
Naseri et al. | A new psychological methodology for modeling real-time car following maneuvers | |
Chen et al. | Towards human-like speed control in autonomous vehicles: A mountainous freeway case | |
Wang et al. | Simulated interactions of pedestrian crossings and motorized vehicles in residential areas | |
Ma et al. | Impact of lane changing on adjacent vehicles considering multi-vehicle interaction in mixed traffic flow: A velocity estimating model | |
Ontanon et al. | Learning to predict driver behavior from observation | |
McGehee et al. | Examination of drivers' collision avoidance behavior using conventional and antilock brake systems on the iowa driving simulator | |
CN115447605A (zh) | 自动驾驶车辆及其控制方法及控制装置 | |
JP4041028B2 (ja) | 交通流ミクロシミュレーションにおける車線変更判定方法およびそれを適用した交通流ミクロシミュレーションシステム | |
Beza et al. | How PTV Vissim Has Been Calibrated for the Simulation of Automated Vehicles in Literature? | |
Olstam | Simulation of vehicles in a driving simulator using microscopic traffic simulation | |
Köprülü et al. | Act to reason: A dynamic game theoretical model of driving |
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 |