CN110728464A - 一种交通流模型的构建方法及构建系统 - Google Patents
一种交通流模型的构建方法及构建系统 Download PDFInfo
- Publication number
- CN110728464A CN110728464A CN201911012925.7A CN201911012925A CN110728464A CN 110728464 A CN110728464 A CN 110728464A CN 201911012925 A CN201911012925 A CN 201911012925A CN 110728464 A CN110728464 A CN 110728464A
- Authority
- CN
- China
- Prior art keywords
- dimensional
- vehicle
- dimensional area
- model
- 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.)
- Granted
Links
- 238000010276 construction Methods 0.000 title claims abstract description 24
- 230000008859 change Effects 0.000 claims description 33
- 238000000034 method Methods 0.000 claims description 29
- 239000012530 fluid Substances 0.000 claims description 21
- 238000001514 detection method Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 239000000126 substance Substances 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006399 behavior Effects 0.000 description 36
- 230000001133 acceleration Effects 0.000 description 17
- 238000012360 testing method Methods 0.000 description 14
- 238000004088 simulation Methods 0.000 description 6
- 230000006855 networking Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012827 research and development Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000010998 test method Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本申请公开了一种交通流模型的构建方法及构建系统,交通流模型的构建方法将不同维度和尺度的交通流模型及车辆模型耦合起来,采取了各个维度的交通流模型交界处的边界条件一致性的处理,达到了不同维度和不同尺度的交通流模型的数据连续性,使得整个交通流模型描述的是一个完整的交通流。并且距离机动车辆越近的位置,交通流模型的维度越高,模型参数和变量越详细,而在距离机动车辆越远的位置,将交通流模型从维度上进行简化,从而达到了兼顾仿真的交通流模型的准确性和计算效率的目的。
Description
技术领域
本申请涉及车辆工程技术领域,更具体地说,涉及一种交通流模型的构建方法及构建系统。
背景技术
随着车辆工程技术的不断发展,机动车辆的各类辅助驾驶功能不断涌现,其中,自动驾驶(Autonomous vehicles;Self-driving automobile)功能逐渐成为研发人员的重要研发方向之一。
自动驾驶功能可以显著改善汽车的安全性、舒适性和经济性。但是由于实际交通情况复杂多变,如何在公共道路的交互环境中测试和验证自动驾驶的综合性能,是一项重要且有待解决的任务。
在密集的城市交通环境中,实际驾驶情况下,被测自动驾驶系统将与其它交通参与者持续交互,形成大量的潜在场景和测试用例。因此,采用逐个测试用例对自动驾驶功能进行测试的方法将会非常难以实现。
发明内容
为解决上述技术问题,本申请提供了一种交通流模型的构建方法及构建系统,以实现降低对自动驾驶功能进行测试的交通流模型的构建难度的目的。
为实现上述技术目的,本申请实施例提供了如下技术方案:
一种交通流模型的构建方法,包括:
以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
在所述0维区域中建立基于交通经验关系模型;
在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
在所述准2维区域建立考虑车道变换的微观交通流模型;
在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
可选的,所述基于交通经验关系模型的包括:
其中,vρt表示区域内车辆的平均速度,vf表示参考速度,为一预设常数,ρt表示区域内车辆的平均密度,ρj表示参考密度,为一预设常数。
可选的,所述基于流体动力学连续性方程的宏观交通状态模型包括:
其中,t表示时间,x表示位置,ρ(x,t)表示在x位置、t时刻的车辆密度,q(x,t)表示在x位置、t时刻的车流量;
所述微观交通模型,用于描述单个交通参与者的运动状态。
可选的,确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件包括:
根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
可选的,确定所述1维区域与准2维区域的交界处的边界条件包括:
根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
一种交通流模型的构建系统,包括:
区域划分模块,用于以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
0维模型建立模块,用于在所述0维区域中建立基于交通经验关系模型;
1维模型建立模块,用于在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
准2维模型建立模块,用于在所述准2维区域建立考虑车道变换的微观交通流模型;
2维模型建立模块,用于在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
3维模型建立模块,用于在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
状态确定模块,用于依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
可选的,所述基于交通经验关系模型的包括:
其中,vρt表示区域内车辆的平均速度,vf表示参考速度,为一预设常数,ρt表示区域内车辆的平均密度,ρj表示参考密度,为一预设常数。
可选的,所述基于流体动力学连续性方程的宏观交通状态模型包括:
其中,t表示时间,x表示位置,ρ(x,t)表示在x位置、t时刻的车辆密度,q(x,t)表示在x位置、t时刻的车流量;
所述微观交通模型,用于描述单个交通参与者的运动状态。
可选的,所述状态确定模块确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件,具体用于根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
可选的,所述状态确定模块确定状态确定模块确定具体用于,根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
从上述技术方案可以看出,本申请实施例提供了一种交通流模型的构建方法及构建系统,其中,所述交通流模型的构建方法将不同维度和尺度的交通流模型及车辆模型耦合起来,采取了各个维度的交通流模型交界处的边界条件一致性的处理,达到了不同维度和不同尺度的交通流模型的数据连续性,使得整个交通流模型描述的是一个完整的交通流。并且距离机动车辆越近的位置,交通流模型的维度越高,模型参数和变量越详细,而在距离机动车辆越远的位置,将交通流模型从维度上进行简化,从而达到了兼顾仿真的交通流模型的准确性和计算效率的目的。所述交通流模型的构建方法构建的交通流模型可以模拟实际交通情况中复杂多变的情况,无需建立逐个的测试用例分别对自动驾驶功能进行测试,降低了对自动驾驶功能进行测试的交通流模型的构建难度。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本申请的一个实施例提供的一种交通流模型的构建方法的流程示意图;
图2为本申请的一个实施例提供的一种交通流模型的构建方法构建的交通流模型的各个维度的区域的边界示意图;
图3为本申请的一个实施例提供的单车智能自动驾驶行为模式的机动车辆的主动安全制动距离的确定流程示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
本申请实施例提供了一种交通流模型的构建方法,如图1所示,包括:
S101:以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
S102:在所述0维区域中建立基于交通经验关系模型;
S103:在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
S104:在所述准2维区域建立考虑车道变换的微观交通流模型;
S105:在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
S106:在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
S107:依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
交通流是指汽车在道路上连续行驶形成的车流。广义上还包括其他车辆的车流和人流。在某段时间内,在不受横向交叉影响的路段上,交通流呈连续流状态;在遇到路口信号灯管制时,呈断续流状态。
而交通流模型,是指通过仿真的方式建立的一种用于模拟交通流的模型。
参考图2,图2示出了本实施例提供的交通流模型的构建方法构建的交通流模型的各个维度的区域的边界示意图,从图2中可以看出,距离机动车辆越近的区域中交通流模型的维度越高,模型参数和和变量越详细;而随着距离机动车辆距离的增加,区域中交通流模型的维度在逐渐降低,这是因为距离机动车辆越远的位置,交通参与者对机动车辆自动驾驶的产生影响的可能性越低。
所述交通流模型的构建方法将不同维度和尺度的交通流模型及车辆模型耦合起来,采取了各个维度的交通流模型交界处的边界条件一致性的处理,达到了不同维度和不同尺度的交通流模型的数据连续性,使得整个交通流模型描述的是一个完整的交通流。并且距离机动车辆越近的位置,交通流模型的维度越高,模型参数和变量越详细,而在距离机动车辆越远的位置,将交通流模型从维度上进行简化,从而达到了兼顾仿真的交通流模型的准确性和计算效率的目的。所述交通流模型的构建方法构建的交通流模型可以模拟实际交通情况中复杂多变的情况,无需建立逐个的测试用例分别对自动驾驶功能进行测试,降低了对自动驾驶功能进行测试的交通流模型的构建难度。
下面对各个区域中的模型进行具体描述。
所述基于交通经验关系模型的包括:
其中,vρt表示区域内车辆的平均速度,vf表示参考速度,为一预设常数,ρt表示区域内车辆的平均密度,ρj表示参考密度,为一预设常数。
在现实交通中,交通规律直接受到驾驶员行为的直接影响。而驾驶员行为有个体差异,但在基于交通经验关系模型中,暂不考虑驾驶员行为的个体差异,而主要考虑总体的行为差异与交通状态的关系。那么,一个最显著的关系就是在不同的交通密度条件下(拥堵程度),驾驶员行为会有系统性的差异,为了表征这样的特点,模型采用了分段函数,分为拥堵工况(ρt>40/km)和非拥堵工况(ρt<40/km)两种条件。不同工况下对应着方程的不同参数。
所述基于流体动力学连续性方程的宏观交通状态模型包括:
其中,t表示时间,x表示位置,ρ(x,t)表示在x位置、t时刻的车辆密度,q(x,t)表示在x位置、t时刻的车流量;
所述微观交通模型,用于描述单个交通参与者的运动状态。
基于流体动力学连续性方程的宏观交通状态模型和微观交通模型相对于基于交通经验关系模型,意味着更细化的模型细节,即仿真单个交通参与者基本状态微观交通模型,即该尺度下,不再只是描述整个交通流的密度速度等宏观特性,而是描述交通流的组成元素,其中的每个交通参与者的运动状态特性,由于是1维状态,这里的交通参数者状态只描述纵向的运动状态,例如纵向的速度,加速度,与前车距离等。
在准2维区域中的考虑车道变换的微观交通流模型,也对应着微观交通流模型,其仿真范围更进一步细化,除了描述纵向的运动状态,还可以描述换道的行为,但与“2维区域中的模型”不同的是,“准2维区域中的模型”只描述换道的触发和结果,即车辆在不同车道之间的多个状态的变换,但是不描述换道的过程,即横向的行为特征不在此维度的描述范围内,例如换道轨迹、换道时间、横向移动距离等。
那么相应的,2维区域中的考虑车道变换过程及车道内偏移的微观交通流模型描述交通参与车辆在两个维度下的行为,例如换道的过程,和在车道内的偏移等。
在3维区域中建立的机动车辆及周边交通车辆模型及其传感器模型涵盖了两个不同的仿真尺度:一个是与准2维区域中模型一样的,描述单个交通参与者基本状态的微观交通模型。另一方面是亚微观交通模型,即可以描述单个交通参与者基本状态+子系统状态。这一尺度的模型,对于涉及自动驾驶汽车的测试评估起到重要作用。一方面,机动车辆及周边交通车辆模型及其传感器模型可以详细地描述车辆在不同方向上的动力学特性,而对子系统的仿真,则可以充分考虑自动驾驶汽车中传感器,执行器等性能,从而可以通过仿真,来系统全面地评价自动驾驶汽车的性能。
在上述实施例的基础上,在本申请的一个实施例中,在0维区域中建立的基于交通经验关系模型、在1维区域中建立的基于流体动力学连续性方程的宏观交通状态模型和微观交通模型、在准2维区域中建立的考虑车道变换的微观交通流模型中的机动车辆的驾驶行为模式为传统驾驶行为模型、网联车驾驶行为模式或单车智能驾驶行为模式。
传统的交通流构建方法仅仅考虑了交通流中的机动车辆的驾驶行为模型均为传统驾驶行为模式,即人类驾驶员驾驶的情况,也就是感知范围在周围有限的几辆车上,相应时间有延迟,感知频率低,有一定的注意力不集中时间,这种交通流的特性,适用于交通参与者完全由人类驾驶员组成的情况,而随着网联汽车和自动驾驶汽车逐渐进入市场,交通流中将包含不同类型的车辆,这些车辆的驾驶行为,也会有显著的差异。
因此,在本实施例中,将机动车辆的驾驶行为模式分为包括网联车驾驶行为模式和单车智能自动驾驶行为模式等三种情况。
传统驾驶行为模式的构建基于感知-心理-决策模型。
本模型将人类驾驶员的驾驶行为划分为5个阶段:
(1)、自由驾驶
(2)、接近前车
(3)、跟随
(4)、制动
(5)、避撞
任一驾驶过程可以由不同参数的上述驾驶行为阶段组合而成。参数可以通过在实际道路上采集的人类驾驶员行为参数进行标定。
对于网联车驾驶行为模式而言,网联车又分为“车-车网联”以及“车-路网联”。
“车-车网联”:
车-车联网系统支持一定范围内各车辆之间的信息实时交互,例如车辆速度、加速度、以及车辆执行机构状态信息等。因此,在模型中,可以等价为每辆具有车车联网功能的车辆均可以实时感知到周围车辆的运动状态,并且实现驾驶状态的精确控制。通过加速度控制方式来构建具有“车-车网联”系统自动驾驶汽车模型。如方程组(1)所示。其中,x为位置,单位是m,v是速度,单位是m/s,v0是期望速度,单位是m/s,T是期望安全车头时距,单位是s,a是最大加速度,单位是m/s2,b是舒适加速度,单位是m/s2,δ是加速度指数,s0是停车距离,单位是m,s*表示跟车距离。
“车-路网联”:
在本模型中,“车-路网联”只实时更新道路宏观信息,而不能实时更新与主车交互的其它车辆的动态信息。因此,“车-路网联”类型的驾驶行为模型,与“传统车”驾驶模型主体一致,但在“传统车”模型的基础上,增加了实时更新的路况信息,例如限速信息,拥堵信息等。
参考图3,图3示出了主动安全制动距离的确定流程示意图,即主车安全制动距离=跟车距离-响应距离+前车制动距离-车长度,对于单车智能自动驾驶行为模式而言,由于单车自动驾驶缺少车辆网功能,因此该类车辆只能实时感知其传感器探测范围内的交通参与者状态。相应的加速度控制方程如方程(2)所示。其中ka、kv和kd是预设的系数,分别表征了前车加速度,速度差,跟车距离对主车加速度的影响程度。τ是自动驾驶系统响应延迟时间。
另一方面,自动驾驶汽车将根据自身的减速性能和传感器探测范围,计算最大安全驾驶速度,并保持在该安全速度以内驾驶:
Dsensor=传感器探测距离;
最大安全驾驶如方程(4)所示,其中a的角标decc表示“减速度”
在图3中,t1、t2和t3表示不同时刻,ln-1表示机动车辆长度,Pos=xn和Pos=xn-1表示不同机动车辆所处位置,vn-1表示跟车方向前方的机动车辆的速度,an-1表示跟车方向前方的机动车辆的最大减速度。
在将机动车辆的驾驶行为模式分为包括网联车驾驶行为模式和单车智能自动驾驶行为模式等三种情况后,在本申请的一个具体实施例中,确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件包括:
根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
确定所述1维区域与准2维区域的交界处的边界条件包括:
根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
具体地,在0维区域内,由于距离机动车辆最远,因此只考虑最简单的交通状态参数:v与ρ的关系。也就是0维度。
假设在远处,交通拥堵情况是一个随机过程状态,也即是远处的拥堵状态符合一定的概率分布,并且每个时刻的概率分布与上一时刻的概率分布有关。我们假设拥堵状态符合高斯分布。也就是最常见的情况是车流密度中等的情况,越极端拥堵的情况和越极端低密度的情况发生的概率越低。
此概率分布可以用一个二维高斯混合分布来描述,如方程(5)所示。
其中,σ1σ2分别是两个维度上的标准差,μ1μ2代分别是两个维度上的期望。ρ是车辆密度,其下标t和t+1分别代表连续的两个时刻
根据0维模型,可以根据密度,直接计算出此范围内车辆速度,如方程(6)所示:
由于在这个范围内,维度是0维,也就是说边界上的状态等于此范围内的总体状态,如方程(7)和方程(8)所示。
ρbc0-1=ρt+1; (7)
vbc是0维和1维边界上的车辆状态,因此将用作1维模型的边界条件:
设0维和1维的边界位置是1维范围内的x=0处,则有:
ρ(x,t)|x=0=ρbc01(t);(10)其中,ρbc01(t)表示t时刻0维区域和1维区域的交界处的车辆密度;
q(x,t)|x=0=qbc=ρbc01(t)·vbc01(t);(11),其中,vbc01(t)表示t时刻0维区域和1维区域的交界处的车辆平均速度;
另设初始条件:
ρ(x,t)|t=0=ρinit(x); (12)
q(x,t)|t=0=qinit(x);(13)其中,ρinit(x)表示0时刻,1维区域中的车辆密度,qinit(x)表示0时刻,1维区域中的车辆平均速度。
结合1维区域中基于流体动力学连续性方程的宏观交通状态模型、边界条件(10)、(11)和初始条件(12)、(13),即可求解出1维范围内的车辆密度分布,进而可以计算速度分布。
在确定所述1维区域与准2维区域的交界处的边界条件时,首先,基于对1维区域中基于流体动力学连续性方程的宏观交通状态模型求解,可以得到1维区域和准2维区域边界处的车辆密度和速度:ρbc1-2,vbc1-2。
在准2维的范围内,不再是求解宏观的交通状态参数,而是要对每个车建立驾驶行为方程。也就是微观交通模型。同理,需要准2维范围内的边界条件和初始条件来求解整个范围内的车辆分布和车辆行为。
首先,建立单个车辆的驾驶行为方程,如前文所述,不同种类的机动车辆具有显著不同的驾驶行为模式。这里以单车智能自动驾驶行为模式为例,来说明如何构建和求解相应的方程:
构建自动驾驶汽车的运动控制方程,也就是加速度的控制方程,一般来说,自动驾驶汽车的运动控制模型,取决于特定的车的控制算法和模式,即使是同一车,也可能在不同的工况下采取不同控制模式,比如加速度控制,速度控制或距离控制,这些具体的细节,都取决于控制算法。但是当把自动驾驶模型简化应用到交通流模型时,可以进行简化和近似,那么控制模式本质上都可以划归到对加速度的控制。自动驾驶汽车的加速度控制方程如下所示:
这个加速度控制方程由三个部分组成,分别对应着自动驾驶汽车的控制逻辑中,考虑的三个方面因素。1是前车加速度,2是本车与前车的速度差,3是本车与前车的距离。有两点需要注意,一是方程中引入了感知延迟时间τ,可以看到,输入变量都是t-τ时刻的,即考虑了传感器系统的延迟。二是方程的每一部分都有一个系数,分别是ka,kv,kd,这三个系数表征的是三个部分的因素,对于自动驾驶加速度控制策略的影响程度。通过标定这些参数,可以描述不同的加速度控制算法的特性。
同时,由于单车智能自动驾驶汽车的感知范围直接受限于传感器的探测范围,因此,本模型还要考虑相关的限定条件。
一方面,主车的控制方程,只与传感器探测范围内的车辆运动状态有关,即上述方程中的an-1,vn-1和Sn仅当Sn<Dsensor时有效。
另一方面,自动驾驶汽车将根据自身的减速性能和传感器探测范围,计算最大安全驾驶速度,并保持在该安全速度以内驾驶:
Dsensor=传感器探测距离;
则最大安全驾驶速度为:
然后,给定车辆分布的初始条件和边界条件,其中,初值条件为车辆密度:
ρ(x,t)|t=0=ρinit(x);
q(x,t)|t=0=qinit(x);
边界条件是1维区域和准2维区域的边界位置的状态,由1维区域中基于流体动力学连续性方程的宏观交通状态模型和微观交通模型计算得到:
ρ(x,t)|x=0=ρbc12(t);
q(x,t)|x=0=qbc12=ρbc12(t)·vbc12(t);
基于上述方程和初始条件及边界条件,可以计算出准2维范围内的车辆和交通状态。
以此类推,可以计算出不同维度内的交通流及车辆运动状态。由于在不同维度的边界上,取了相同的边界条件,因此不同维度之间虽然方程是分割的,但是却是连续的相互耦合在一起,因此,整个模型描述的是一个完整的交通流,并且在距离被测对象不同距离的位置,采取了不同的模型维度,这个方法兼顾了仿真模型的准确性和计算效率。
下面对本申请实施例提供的交通流模型的构建系统进行描述,下文描述的交通流模型的构建系统可与上文描述的交通流模型的构建方法相互对应参照。
相应的,本申请实施例提供了一种交通流模型的构建系统,包括:
区域划分模块,用于以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
0维模型建立模块,用于在所述0维区域中建立基于交通经验关系模型;
1维模型建立模块,用于在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
准2维模型建立模块,用于在所述准2维区域建立考虑车道变换的微观交通流模型;
2维模型建立模块,用于在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
3维模型建立模块,用于在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
状态确定模块,用于依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
可选的,所述基于交通经验关系模型的包括:
其中,vρt表示区域内车辆的平均速度,vf表示参考速度,为一预设常数,ρt表示区域内车辆的平均密度,ρj表示参考密度,为一预设常数。
可选的,所述基于流体动力学连续性方程的宏观交通状态模型包括:
其中,t表示时间,x表示位置,ρ(x,t)表示在x位置、t时刻的车辆密度,q(x,t)表示在x位置、t时刻的车流量;
所述微观交通模型,用于描述单个交通参与者的运动状态。
可选的,所述状态确定模块确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件,具体用于根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
可选的,所述状态确定模块确定状态确定模块确定具体用于,根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
综上所述,本申请实施例提供了一种交通流模型的构建方法及构建系统,其中,所述交通流模型的构建方法将不同维度和尺度的交通流模型及车辆模型耦合起来,采取了各个维度的交通流模型交界处的边界条件一致性的处理,达到了不同维度和不同尺度的交通流模型的数据连续性,使得整个交通流模型描述的是一个完整的交通流。并且距离机动车辆越近的位置,交通流模型的维度越高,模型参数和变量越详细,而在距离机动车辆越远的位置,将交通流模型从维度上进行简化,从而达到了兼顾仿真的交通流模型的准确性和计算效率的目的。所述交通流模型的构建方法构建的交通流模型可以模拟实际交通情况中复杂多变的情况,无需建立逐个的测试用例分别对自动驾驶功能进行测试,降低了对自动驾驶功能进行测试的交通流模型的构建难度。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下,在其它实施例中实现。因此,本申请将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种交通流模型的构建方法,其特征在于,包括:
以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
在所述0维区域中建立基于交通经验关系模型;
在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
在所述准2维区域建立考虑车道变换的微观交通流模型;
在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
4.根据权利要求1所述的方法,其特征在于,确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件包括:
根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
5.根据权利要求4所述的方法,其特征在于,确定所述1维区域与准2维区域的交界处的边界条件包括:
根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
6.一种交通流模型的构建系统,其特征在于,包括:
区域划分模块,用于以机动车辆为中心,将距离所述机动车辆由近到远的区域依次划分为3维区域、2维区域、准2维区域、1维区域和0维区域;
0维模型建立模块,用于在所述0维区域中建立基于交通经验关系模型;
1维模型建立模块,用于在所述1维区域中建立基于流体动力学连续性方程的宏观交通状态模型和微观交通模型;
准2维模型建立模块,用于在所述准2维区域建立考虑车道变换的微观交通流模型;
2维模型建立模块,用于在所述2维区域建立考虑车道变换过程及车道内偏移的微观交通流模型;
3维模型建立模块,用于在所述3维区域建立所述机动车辆及周边交通车辆模型及其传感器模型;
状态确定模块,用于依次确定0维区域、1维区域、准2维区域、2维区域和3维区域中的车辆密度、车辆平均速度以及边界条件,其中,所述0维区域和1维区域交界处的边界条件由0维区域中的交通经验关系模型确定,所述1维区域和准2维区域交界处的边界条件由1维区域的宏观交通状态模型确定,所述准2维区域和2维区域交界处的边界条件由所述准2维区域的考虑车道变换的微观交通流模型确定,所述2维区域和3维区域交界处的边界条件由2维区域的考虑车道变换过程及车道内偏移的微观交通流模型确定。
9.根据权利要求6所述的系统,其特征在于,所述状态确定模块确定0维区域和1维区域中的车辆密度、车辆平均速度以及0维区域与1维区域的交界处的边界条件,具体用于根据所述0维区域中的基于交通经验关系模型,确定所述0维区域中的车辆密度和车辆平均速度;
根据所述0维区域中的车辆密度和车辆平均速度,确定所述0维区域与所述1维区域交界处的边界条件和初始条件;
根据所述0维区域与所述1维区域交界处的边界条件、初始条件以及所述1维区域中基于流体动力学连续性方程的宏观交通状态模型,计算所述1维区域中的车辆密度和车辆平均速度。
10.根据权利要求9所述的系统,其特征在于,所述状态确定模块确定状态确定模块确定具体用于,根据所述机动车辆所属驾驶行为模式,建立所述机动车辆的运动控制方程,并根据所述机动车辆的最大减速度和传感器探测范围,计算最大安全驾驶速度;
根据所述1维区域中的车辆密度和车辆平均速度,确定所述1维区域和准2维区域的交界处的初始条件和边界条件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911012925.7A CN110728464B (zh) | 2019-10-23 | 2019-10-23 | 一种交通流模型的构建方法及构建系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911012925.7A CN110728464B (zh) | 2019-10-23 | 2019-10-23 | 一种交通流模型的构建方法及构建系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110728464A true CN110728464A (zh) | 2020-01-24 |
CN110728464B CN110728464B (zh) | 2022-06-03 |
Family
ID=69221802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911012925.7A Active CN110728464B (zh) | 2019-10-23 | 2019-10-23 | 一种交通流模型的构建方法及构建系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110728464B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112912883A (zh) * | 2021-02-07 | 2021-06-04 | 华为技术有限公司 | 一种仿真方法以及相关设备 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
CN114084136A (zh) * | 2020-08-05 | 2022-02-25 | 上海汽车集团股份有限公司 | 车辆变道过程中的纵向控制跟车目标选择方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938201A (zh) * | 2012-11-03 | 2013-02-20 | 西安费斯达自动化工程有限公司 | 密度非饱和状态下的电子空穴微观交通流建模方法 |
CN102968541A (zh) * | 2012-12-11 | 2013-03-13 | 东南大学 | 基于跟车行为的交通流微观仿真方法 |
CN103164581A (zh) * | 2013-03-19 | 2013-06-19 | 天津市市政工程设计研究院 | 基于元胞自动机模型的航空枢纽微观仿真框架 |
CN103226893A (zh) * | 2013-04-10 | 2013-07-31 | 中国科学院计算技术研究所 | 基于二维宏观流模型描述交通流行为的方法及模拟系统 |
-
2019
- 2019-10-23 CN CN201911012925.7A patent/CN110728464B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938201A (zh) * | 2012-11-03 | 2013-02-20 | 西安费斯达自动化工程有限公司 | 密度非饱和状态下的电子空穴微观交通流建模方法 |
CN102968541A (zh) * | 2012-12-11 | 2013-03-13 | 东南大学 | 基于跟车行为的交通流微观仿真方法 |
CN103164581A (zh) * | 2013-03-19 | 2013-06-19 | 天津市市政工程设计研究院 | 基于元胞自动机模型的航空枢纽微观仿真框架 |
CN103226893A (zh) * | 2013-04-10 | 2013-07-31 | 中国科学院计算技术研究所 | 基于二维宏观流模型描述交通流行为的方法及模拟系统 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114084136A (zh) * | 2020-08-05 | 2022-02-25 | 上海汽车集团股份有限公司 | 车辆变道过程中的纵向控制跟车目标选择方法及装置 |
CN114084136B (zh) * | 2020-08-05 | 2024-01-30 | 上海汽车集团股份有限公司 | 车辆变道过程中的纵向控制跟车目标选择方法及装置 |
CN112912883A (zh) * | 2021-02-07 | 2021-06-04 | 华为技术有限公司 | 一种仿真方法以及相关设备 |
CN112912883B (zh) * | 2021-02-07 | 2022-06-28 | 华为技术有限公司 | 一种仿真方法以及相关设备 |
CN113345227A (zh) * | 2021-05-31 | 2021-09-03 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
CN113345227B (zh) * | 2021-05-31 | 2022-09-20 | 上海涵润汽车电子有限公司 | 一种随机交通流生成方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110728464B (zh) | 2022-06-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728464B (zh) | 一种交通流模型的构建方法及构建系统 | |
US7487074B2 (en) | Road traffic simulation apparatus | |
Yoo et al. | Stackelberg game based model of highway driving | |
CN109002595B (zh) | 模拟动态换道行为的双车道元胞自动机微观交通仿真方法 | |
JP4361389B2 (ja) | 道路交通シミュレーション装置 | |
Wang et al. | Cooperative ramp merging system: Agent-based modeling and simulation using game engine | |
CN105745131B (zh) | 行驶控制装置、服务器、车载装置 | |
Shen et al. | Detailed traffic animation for urban road networks | |
Talebpour et al. | Multiregime sequential risk-taking model of car-following behavior: specification, calibration, and sensitivity analysis | |
CN113297721A (zh) | 一种信号交叉口车辆选择出口道的仿真方法和装置 | |
Chen et al. | Towards human-like speed control in autonomous vehicles: A mountainous freeway case | |
Lin et al. | Generating believable mixed-traffic animation | |
Barmpounakis et al. | Modeling cooperation and powered-two wheelers short-term strategic decisions during overtaking in urban arterials | |
Ma et al. | Anisotropy safety potential field model under intelligent and connected vehicle environment and its application in car-following modeling | |
CN112542061B (zh) | 基于车联网的借道超车控制方法、装置、系统及存储介质 | |
Wei et al. | A learning-based autonomous driver: emulate human driver's intelligence in low-speed car following | |
Al-Jameel et al. | Analysis of traffic stream characteristics using loop detector data | |
JPH11232583A (ja) | 交通シミュレーション・システム | |
Sato et al. | Understanding driver car-following behavior using a fuzzy logic car-following model | |
Wang et al. | Realistic single-shot and long-term collision risk for a human-style safer driving | |
Olstam | Simulation of vehicles in a driving simulator using microscopic traffic simulation | |
Beza et al. | How PTV Vissim Has Been Calibrated for the Simulation of Automated Vehicles in Literature? | |
Mubasher et al. | Modeling of individual differences in car-following behaviour of drivers | |
WO2021134742A1 (zh) | 一种处理预测运动轨迹的方法、显示约束屏障的方法以及装置 | |
Marzbanrad et al. | Prediction of driver’s accelerating behavior in the stop and go maneuvers using genetic algorithm-artificial neural network hybrid intelligence |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20210827 Address after: No. 203, Shanghai Songjiang Road, No. 201563, Pudong New Area Applicant after: SAIC MOTOR Corp.,Ltd. Address before: 201203 Room 509, Building No. 1, 563 Songtao Road, Zhangjiang High-tech Park, Pudong New Area, Shanghai Applicant before: SAIC Motor Corp.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |