CN109978260B - 混合交通流下网联车跟驰行为预测方法 - Google Patents

混合交通流下网联车跟驰行为预测方法 Download PDF

Info

Publication number
CN109978260B
CN109978260B CN201910233245.1A CN201910233245A CN109978260B CN 109978260 B CN109978260 B CN 109978260B CN 201910233245 A CN201910233245 A CN 201910233245A CN 109978260 B CN109978260 B CN 109978260B
Authority
CN
China
Prior art keywords
vehicle
internet
imm
target
acceleration
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
Application number
CN201910233245.1A
Other languages
English (en)
Other versions
CN109978260A (zh
Inventor
刘琳
王硕
李锐
李永福
姜定杰
杨谊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN201910233245.1A priority Critical patent/CN109978260B/zh
Publication of CN109978260A publication Critical patent/CN109978260A/zh
Application granted granted Critical
Publication of CN109978260B publication Critical patent/CN109978260B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks

Abstract

本发明涉及一种混合交通流下网联车跟驰行为预测方法，属于智能驾驶领域。通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度。利用本发明的预测方法，在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。

Description

混合交通流下网联车跟驰行为预测方法
技术领域
本发明属于智能驾驶领域，涉及一种混合交通流下网联车跟驰行为预测方法。
背景技术
网联技术能够提供全方位的感知，更好地服务于智能驾驶，近年来已成为智能交通发展的新方向，许多世界强国都加大了对网联技术的研究、部署和实施力度。如美国计划从2021 年起，所有新出厂的汽车都将安装V2V通信装置。中国也在紧锣密鼓研发车间通信技术LTE- V2X，并预计到2020年，智能道路交通系统(ITS)建设取得积极进展，大城市、高速公路的车用无线通信网络(LTE-V2X)覆盖率达到90％。
因此，随着V2V、LET-V等新技术的部署实施，网联汽车离大规模应用已经为期不远。这也意味着在未来很长一段时间内，必将存在由网联车和非网联车组成的混合交通流。
在复杂的混合交通流环境下，网联车与非网联车随机分布，基于V2V、LTE-V2X等车联网技术的应用效果将受到一定影响，如何确定网联车在混合交通流环境下的跟驰状态，提高交通的稳定性和网联车的安全性、能效性和舒适性，实现“安全、高效、绿色、文明”的智能出行是目前存在的一大问题。
基于上述问题，在考虑车辆之间具有通信功能的前提下，许多学者对网联车的跟驰行为进行了广泛的研究。很多研究仅局限于V2V技术在纯网联车环境中的具体应用，即假设某一车队均具有V2V通信功能，研究车辆的跟驰行为。但是对于网联车的部署初期，即网联车渗透率较低时期，这些理论模型的实用性有待提高。同时这些模型只是考虑可通信范围内的网联车与其相邻车辆的相对行驶状态对目标网联车的间接影响，并且对于可通信范围内的任一辆车Cn，它只是将信息传递给它的后一辆车Cn-1，并依次传递。所以目标网联车的驾驶员不能同时收到可通信范围内网联车的信息，由于人的反应具有一定的滞后性，信息的传递将发生时延，对交通的稳定性有较大的影响。所以能否在考虑可通信范围内的网联车对目标网联车的直接影响的前提下，建立一个混合交通流环境下的网联车的跟驰模型，从而更符合实际情况(网联车与非网联车的混合交通流)，减少信息时延的影响(可通信范围内的网联车直接对目标车的驾驶行为影响)是亟待解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种混合交通流下网联车跟驰行为预测方法，在混合交通流环境下，通过考虑前导车的行驶状态(速度，位置，加速度)对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。
为达到上述目的，本发明提供如下技术方案：
一种混合交通流下网联车跟驰行为预测方法，通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度。
进一步，将目标网联车的加速度分为紧邻前车imm行驶状态对目标网联车的直接影响 aimm和可通信范围内前向M辆网联车的行驶状态对目标网联车的直接影响af，以及后向N 辆网联车的行驶状态对目标网联车的直接影响ab，即目标网联车cn的加速度
Figure BDA0002007373810000021
为：
Figure BDA0002007373810000022
其中，η，γ，λ，为各个加速度的占比，η+γ+λ＝1，simm和Δvimm是目标网联车cn和前车 imm的间距和速度差，
Figure BDA0002007373810000023
其中ximm表示前车 imm的位置，xCn表示目标网联车cn的位置，limm表示目标网联车的前车imm的车长，vimm表示前车imm的速度，
Figure BDA0002007373810000024
表示目标网联车cn的速度；
Figure BDA0002007373810000025
分别为第Cn+k辆网联车与目标网联车cn的间距和速度差，即
Figure BDA0002007373810000026
其中
Figure BDA0002007373810000027
表示网联车Cn+k的位置，
Figure BDA0002007373810000028
表示网联车Cn+k的车长，
Figure BDA0002007373810000029
表示网联车Cn+k的速度，
Figure BDA00020073738100000210
N为可通信范围内后向网联车的个数，
Figure BDA00020073738100000211
为网联车Cn-i与前车的间距，
Figure BDA00020073738100000212
为网联车Cn-i的期望车间间距；
采用智能驾驶者模型IDM对aimm进行描述：
Figure BDA00020073738100000213
其中a0为最大加速度，v0为期望速度，δ为自由加速度指数；
s*为最小期望间距，是关于
Figure BDA00020073738100000214
vimm、安全时间间隔T和舒适减速度b0的函数：
Figure BDA00020073738100000215
引入可变权重系数表示前M辆网联车对目标网联车的影响程度，af表示为：
Figure BDA0002007373810000031
其中常数Kv，Ka为灵敏度系数，αk，βk为加权系数，是前M辆网联车与目标网联车间距的函数。
进一步，对于加速度ab，着重考虑驾驶员的舒适性，并将加速度的大小作为衡量舒适性的指标，将后向所有网联车作为一个整体，以整体的舒适性作为一个最优函数来考虑，函数的解即为满足条件模型的解ab，包括以下步骤：
首先确定后向任一网联车的加速度
Figure BDA0002007373810000032
根据协同自适应巡航CooperativeAdaptive Cruise Control(CACC)模型，并利用ab进行动态反馈得出：
Figure BDA0002007373810000033
ξi表示后向的网联车Cn-i的行驶状态对于目标网联车的影响程度，与距离成反比，k0， k1，k2，分别为加速度参数，速度参数，和车间间距参数，
Figure BDA0002007373810000034
为Cn-i网联车的期望车间距，
Figure BDA0002007373810000035
其中Cn-i，imm为Cn-i网联车的前车，τ为驾驶员反应时间。
将整体的舒适性作为一个最优函数，基于此，需满足这样的目标函数：即CACC车组内所有车辆的累计加速度或者减速度平方的和最小，简化形式为
Figure BDA0002007373810000036
将
Figure BDA0002007373810000037
进行简化，令
Figure BDA0002007373810000038
其中
Figure BDA0002007373810000039
即求
Figure BDA00020073738100000310
为了满足上述目标函数，对
Figure BDA00020073738100000311
进行求导：
令
Figure BDA00020073738100000312
Figure BDA00020073738100000313
Figure BDA00020073738100000314
令k3＝-k0
所以
Figure BDA0002007373810000041
带入
Figure BDA0002007373810000042
得：
Figure BDA0002007373810000043
本发明的有益效果在于：利用本发明的预测方法，在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
图1为本发明所述混合交通流下网联车跟驰行为预测方法的模型示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
在复杂的混合交通流环境下，网联车与非网联车随机分布，基于V2V、LTE-V2X等车联网技术的应用效果将受到一定影响，如何确定网联车在混合交通流环境下的跟驰状态，提高交通的稳定性和网联车的安全性、能效性和舒适性，实现“安全、高效、绿色、文明”的智能出行。
在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。因此，本模型将目标网联车的加速度将目标网联车的加速度分为紧邻前车imm行驶状态对目标网联车的直接影响aimm和可通信范围内前向M辆网联车的行驶状态对目标网联车的直接影响af，以及后向N辆网联车的行驶状态对目标网联车的直接影响ab。
如图1所示，基于这个思路，为一种混合交通流下网联车跟驰行为预测方法，车辆跟驰模型最重要的是确定车辆的加速度，一般情况下可用车辆加速度模型来描述车辆的跟驰状态，通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度；
将目标网联车的加速度分为紧邻前车imm行驶状态对目标网联车的直接影响aimm和可通信范围内前向M辆网联车的行驶状态对目标网联车的直接影响af，以及后向N辆网联车的行驶状态对目标网联车的直接影响ab，即目标网联车cn的加速度
Figure BDA0002007373810000051
为：
Figure BDA0002007373810000052
其中，其中，η，γ，λ，为各个加速度的占比，η+γ+λ＝1，simm和Δvimm是目标网联车cn和前车imm的间距和速度差，simm＝ximm-xCn-limm，
Figure BDA0002007373810000053
其中ximm表示前车imm的位置，xCn表示目标网联车cn的位置，limm表示目标网联车的前车imm的车长，vimm表示前车imm的速度，
Figure BDA0002007373810000054
表示目标网联车cn的速度；
Figure BDA0002007373810000055
分别为网联车Cn+k与目标网联车cn的间距和速度差，即
Figure BDA0002007373810000056
其中
Figure BDA00020073738100000614
表示网联车Cn+k的位置，
Figure BDA0002007373810000061
表示网联车Cn+k的车长，
Figure BDA0002007373810000062
表示网联车Cn+k的速度，
Figure BDA0002007373810000063
N为可通信范围内后向网联车的个数，
Figure BDA0002007373810000064
为网联车Cn-i与前车的间距，
Figure BDA0002007373810000065
为网联车Cn-i的期望车间间距；
采用智能驾驶者模型IDM对aimm进行描述：
Figure BDA0002007373810000066
其中a0为最大加速度，v0为期望速度，δ为自由加速度指数；
s*为最小期望间距，是关于
Figure BDA0002007373810000067
vimm，安全时间间隔T，和舒适减速度b0的函数：
Figure BDA0002007373810000068
引入可变权重系数表示前M辆网联车的影响程度，af表示为：
Figure BDA0002007373810000069
其中常数Kv，Ka为灵敏度系数，αk，βk为加权系数，是前M辆网联车与目标网联车间距的函数。
对于加速度ab，着重考虑驾驶员的舒适性，并将加速度的大小作为衡量舒适性的指标，将后向所有网联车作为一个整体，以整体的舒适性作为一个最优函数来考虑，函数的解即为满足条件模型的解ab，包括以下步骤：
首先确定后向任一网联车的加速度
Figure BDA00020073738100000610
根据协同自适应巡航CooperativeAdaptive Cruise Control(CACC)模型，并利用ab进行动态反馈得出：
Figure BDA00020073738100000611
ξi表示后向的网联车Cn-i的行驶状态对于目标网联车的影响程度，与距离成反比，k0，k1，k2，分别为加速度参数，速度参数，和车间间距参数，
Figure BDA00020073738100000612
为Cn-i网联车的期望车间距，
Figure BDA00020073738100000613
其中Cn-i，tmmm为Cn-i网联车的前车，τ为驾驶员反应时间；
将整体的舒适性作为一个最优函数，基于此，需满足这样的目标函数：即CACC车组内所有车辆的累计加速度或者减速度平方的和最小，简化形式为
Figure BDA0002007373810000071
将
Figure BDA0002007373810000072
进行简化，令
Figure BDA0002007373810000073
其中
Figure BDA0002007373810000074
即求
Figure BDA0002007373810000075
为了满足上述目标函数，对
Figure BDA0002007373810000076
进行求导：
令
Figure BDA0002007373810000077
Figure BDA0002007373810000078
Figure BDA0002007373810000079
令k3＝-k0
所以
Figure BDA00020073738100000710
带入
Figure BDA00020073738100000711
得：
Figure BDA00020073738100000712
利用本发明的预测方法，在混合交通流环境下，驾驶员不仅可以直接感知到前车的行驶状态，还可以超视距感知可通信范围内的网联车辆的行驶信息，以致能够做出更适宜的驾驶决策，从而提高交通的稳定性和目标网联车的安全性、能效性和舒适性。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (1)

1.一种混合交通流下网联车跟驰行为预测方法，其特征在于：通过考虑前导车的行驶状态对于目标网联车的直接影响，以及可通信范围内的网联车的行驶状态对目标网联车的直接影响，确定目标网联车的跟驰状态，所述行驶状态包括速度、位置和加速度；
将目标网联车的加速度分为紧邻前车imm行驶状态对目标网联车的直接影响aimm和可通信范围内前向M辆网联车的行驶状态对目标网联车的直接影响af，以及后向N辆网联车的行驶状态对目标网联车的直接影响ab，即目标网联车cn的加速度
Figure FDA0003980716880000011
为：
Figure FDA0003980716880000012
其中,η,γ，λ，为各个加速度的占比，η+γ+λ＝1，simm和Δvimm是目标网联车cn和前车imm的间距和速度差，
Figure FDA0003980716880000013
其中ximm表示前车imm的位置，xCn表示目标网联车cn的位置，limm表示目标网联车的前车imm的车长，vimm表示前车imm的速度，
Figure FDA00039807168800000115
表示目标网联车cn的速度；
Figure FDA0003980716880000014
分别为网联车Cn+k与目标网联车cn的间距和速度差，即
Figure FDA0003980716880000015
其中
Figure FDA0003980716880000016
表示网联车Cn+k的位置，
Figure FDA0003980716880000017
表示网联车Cn+k的车长，
Figure FDA0003980716880000018
表示网联车Cn+k的速度，
Figure FDA0003980716880000019
N为可通信范围内后向网联车的个数，
Figure FDA00039807168800000110
为网联车Cn-i与前车的间距，
Figure FDA00039807168800000111
为网联车Cn-i的期望车间间距；
采用智能驾驶者模型IDM对aimm进行描述：
Figure FDA00039807168800000112
其中a0为最大加速度，v0为期望速度，δ为自由加速度指数；
s*为最小期望间距，是关于
Figure FDA00039807168800000113
vimm，安全时间间隔T，和舒适减速度b0的函数：
Figure FDA00039807168800000114
引入可变权重系数表示前M辆网联车对目标网联车的影响程度，af表示为：
Figure FDA0003980716880000021
其中常数Kv，Ka为灵敏度系数，αk，βk为加权系数，是前M辆网联车与目标网联车间距的函数；
对于加速度ab，着重考虑驾驶员的舒适性，并将加速度的大小作为衡量舒适性的指标，将后向所有网联车作为一个整体，以整体的舒适性作为一个最优函数来考虑，函数的解即为满足条件模型的解ab，包括以下步骤：
首先确定后向任一网联车的加速度
Figure FDA0003980716880000022
根据协同自适应巡航CACC模型，并利用ab进行动态反馈得出：
Figure FDA0003980716880000023
ξi表示后向的网联车Cn-i的行驶状态对于目标网联车的影响程度，与距离成反比，k0，k1，k2,分别为加速度参数，速度参数，和车间间距参数，
Figure FDA0003980716880000024
为Cn-i网联车的期望车间距，
Figure FDA0003980716880000025
其中Cn-i，imm为Cn-i网联车的前车，τ为驾驶员反应时间；
将整体的舒适性作为一个最优函数，并满足目标函数:CACC车组内所有车辆的累计加速度或者减速度平方的和最小，简化形式为
Figure FDA0003980716880000026
将
Figure FDA0003980716880000027
进行简化，令
Figure FDA0003980716880000028
其中
Figure FDA0003980716880000029
即求
Figure FDA00039807168800000210
为了满足上述目标函数，对
Figure FDA00039807168800000211
进行求导：
令
Figure FDA00039807168800000212
Figure FDA00039807168800000213
Figure FDA00039807168800000214
所以
Figure FDA0003980716880000031
带入
Figure FDA0003980716880000032
得：
Figure FDA0003980716880000033
CN201910233245.1A 2019-03-26 2019-03-26 混合交通流下网联车跟驰行为预测方法 Active CN109978260B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910233245.1A CN109978260B (zh) 2019-03-26 2019-03-26 混合交通流下网联车跟驰行为预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910233245.1A CN109978260B (zh) 2019-03-26 2019-03-26 混合交通流下网联车跟驰行为预测方法

Publications (2)

Publication Number Publication Date
CN109978260A CN109978260A (zh) 2019-07-05
CN109978260B true CN109978260B (zh) 2023-02-21

Family

ID=67080757

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910233245.1A Active CN109978260B (zh) 2019-03-26 2019-03-26 混合交通流下网联车跟驰行为预测方法

Country Status (1)

Country Link
CN (1) CN109978260B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN110979309B (zh) * 2019-12-23 2021-03-19 北京航空航天大学 一种考虑驾驶人感知误差的车辆跟驰模型稳定性控制方法
CN111284489B (zh) * 2020-03-24 2021-09-07 吉林大学 智能网联汽车随机预测巡航控制系统
CN111445015B (zh) * 2020-06-15 2020-10-13 之江实验室 一种智能网联环境下非网联车位置估计方法
CN112562316B (zh) * 2020-11-04 2021-10-26 中山大学 一种基于acp理论的智能网联车平行驾驶控制方法
CN112907937B (zh) * 2021-02-03 2022-10-14 湖南大学 一种考虑后车信息的混合车辆队列控制方法及系统
CN113066282B (zh) * 2021-02-26 2022-05-27 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) 一种面向混行环境下车辆跟驰耦合关系建模方法及系统
CN113391548A (zh) * 2021-04-27 2021-09-14 同济大学 一种用于网联车自动驾驶的交叉口引导方法、装置及介质
CN115424433B (zh) * 2022-07-21 2023-10-03 重庆大学 一种多车型的混合交通中网联车辆跟驰行为刻画方法
CN116030632B (zh) * 2023-02-10 2023-06-09 西南交通大学 一种面向混合交通流的性能指标计算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2969175B1 (ja) * 1998-06-02 1999-11-02 建設省土木研究所長 走行支援道路システムの合流制御システムにおける本線交通流予測方法
WO2017177969A1 (en) * 2016-04-15 2017-10-19 Podway Ltd System for and method of maximizing utilization of a closed transport system in an on-demand network
CN110570049A (zh) * 2019-09-19 2019-12-13 西南交通大学 一种高速公路混合交通流汇流协同优化底层控制方法
CN113222382A (zh) * 2021-04-30 2021-08-06 河海大学 一种车联网环境异质车流换道影响路段通过能力确定方法
CN113920740A (zh) * 2021-11-16 2022-01-11 重庆邮电大学 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法
CN114495499A (zh) * 2022-01-21 2022-05-13 东南大学 一种多目标智能网联车辆协同优化控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10902336B2 (en) * 2017-10-03 2021-01-26 International Business Machines Corporation Monitoring vehicular operation risk using sensing devices

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2969175B1 (ja) * 1998-06-02 1999-11-02 建設省土木研究所長 走行支援道路システムの合流制御システムにおける本線交通流予測方法
WO2017177969A1 (en) * 2016-04-15 2017-10-19 Podway Ltd System for and method of maximizing utilization of a closed transport system in an on-demand network
CN110570049A (zh) * 2019-09-19 2019-12-13 西南交通大学 一种高速公路混合交通流汇流协同优化底层控制方法
CN113222382A (zh) * 2021-04-30 2021-08-06 河海大学 一种车联网环境异质车流换道影响路段通过能力确定方法
CN113920740A (zh) * 2021-11-16 2022-01-11 重庆邮电大学 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法
CN114495499A (zh) * 2022-01-21 2022-05-13 东南大学 一种多目标智能网联车辆协同优化控制方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
A Car-Following Model for Mixed Traffic Flows in Intelligent Connected Vehicle Environment Considering Driver Response Characteristics;Yunze Wang et al.;《Sustainability》;20210903;第14卷;第11010（1-17）页 *
Analysis and Modeling of Vehicle Following Behavior in Mixed Traffic Conditions;Gowri Asaithambi et al.;《Transportation Research Procedia》;20170731;第25卷;第5094-5103页 *
Analysis of mixed traffic flow with human-driving and autonomous cars based on car-following model;Wen-Xing Zhu et al.;《Physica A》;20171226;第496卷;第274-285页 *
Car-following behavior of connected vehicles in a mixed traffic flow: modeling and stability analysis;Liu, L et al.;《2018 IEEE 8TH ANNUAL INTERNATIONAL CONFERENCE ON CYBER TECHNOLOGY IN AUTOMATION, CONTROL, AND INTELLIGENT SYSTEMS (IEEE-CYBER)》;20181231;第2页左栏第1-4段 *
混有自适应巡航控制汽车的交通流通行能力分析;秦严严等;《山东科技大学学报(自然科学版)》;20201231(第05期);第120-126页 *
网联环境下高速公路辅助驾驶车辆编队评估;邱志军等;《中国公路学报》;20191215(第12期);第70-79页 *

Also Published As

Publication number Publication date
CN109978260A (zh) 2019-07-05

Similar Documents

Publication Publication Date Title
CN109978260B (zh) 混合交通流下网联车跟驰行为预测方法
CN110414831B (zh) 基于驾驶人认知视角的人车路耦合风险评估方法及装置
CN111439260B (zh) 面向个性化需求的网联商用柴油车巡航行驶优化控制系统
CN103863330B (zh) 车辆驾驶控制系统和方法
WO2018086218A1 (zh) 车辆制动能量的回收方法和装置
CN103359110B (zh) 电动汽车行驶辅助系统
CN104822556B (zh) 用于运行机动车的回馈制动器的方法和回馈制动器
CN109803866A (zh) 在后端中的减速阶段的最佳开始的确定
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
Zhao et al. Identification of driver’s braking intention based on a hybrid model of GHMM and GGAP-RBFNN
CN112233413B (zh) 一种面向智能网联车辆的多车道时空轨迹优化方法
CN108058704A (zh) 基于车辆对车辆通信的动力传动系统的预测控制
CN101840635B (zh) 基于人工免疫粒子群算法的可变限速控制方法
CN104417558B (zh) 减速度设定系统、方法以及程序
DE112014003982T5 (de) Steuerungseinheit und Verfahren zum Steuern eines Fahrzeugs in einem Fahrzeug
CN108216233A (zh) 一种自适应巡航系统控制参数的标定方法及装置
CN108944946A (zh) 一种基于车车通信的弯道风险预估计算方法
CN109410561A (zh) 一种高速路车辆匀异质编队行驶控制方法
CN105667501B (zh) 具有轨迹优化功能的混合动力车辆的能量分配方法
CN109455178A (zh) 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法
CN105872959A (zh) 基于移动自适应聚类的城市道路状况自动感知方法
CN109300323A (zh) 一种基于车联网的车速引导方法及系统
CN103693042A (zh) 一种基于前视轨迹曲率的山区复杂道路汽车行驶速度预测方法
CN105046070A (zh) 带有转弯特性的城市综合工况构建方法
CN106394524A (zh) 基于vanet无线短程通信的主动刹车方法

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