CN110782661A - 一种基于数据驱动优化的通用混合交通仿真方法 - Google Patents
一种基于数据驱动优化的通用混合交通仿真方法 Download PDFInfo
- Publication number
- CN110782661A CN110782661A CN201910877849.XA CN201910877849A CN110782661A CN 110782661 A CN110782661 A CN 110782661A CN 201910877849 A CN201910877849 A CN 201910877849A CN 110782661 A CN110782661 A CN 110782661A
- Authority
- CN
- China
- Prior art keywords
- agent
- energy
- time
- collision
- speed
- 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.)
- Pending
Links
Classifications
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于数据驱动优化的通用混合交通仿真方法,该通用混合交通仿真方法包括:(1)真实数据的获取与处理,得到不同种类智能体的速度数据集;(2)仿真环境和多智能体的初始化;(3)针对不同种类智能体的运动特征,通过设计能量函数得到真实速度数据集。本发明将物理仿真方法与数据驱动仿真方法结合,利用能量驱动优化的方式,从真实数据中获取不同种类智能体的运动规律,模拟交通场景中的多种智能体(包括车辆、人群等)的动力学特征,由此实时生成复杂场景下逼真的混合交通场景。
Description
技术领域
本发明涉及多智能体仿真技术领域,具体涉及一种基于数据驱动优化的通用混合交通仿真方法。
背景技术
现有的很多实时多智能体仿真方法可以模拟人群和交通流,包括基于规则的方法、基于物理的仿真、以及基于能量优化的模型等,这些方法往往需要用户花费大量的时间和精力进行大量参数调整工作,以得到真实场景类似行为的仿真结果,此外,这些方法得到的结果往往过于规整,所有智能体具有相似的运动模式。
随着数据获取技术的提升,数据驱动的方法大量涌现,大多数数据驱动的方法是基于patch的,即将真实数据提供的轨迹分割为patch,然后基于某些规则将这些patch连接起来生成新的仿真轨迹,相比与传统的基于规则、基于物理的仿真方法,这些数据驱动的方法可以生成更真实、更精确的结果,然而,通过这些方法得到的仿真结果非常依赖于输入数据,如果输入数据的规模较小,仿真结果中人群的行为往往会比较单调且具有周期性,此外,这些数据驱动的方法很难模拟与输入数据的运动场景不一样的场景,绝大多数现有的多智能体仿真方法只模拟一种智能体,比如只模拟人群或者只模拟交通流。
公开号为CN 109992886 A中公开了一种基于社会力的混合交通仿真方法,包括:输入包含行人、自行车、汽车以及道路建筑四类模型的混合交通场景;将所述混合交通场景中任一个个体的行为结果表征为不同作用力的组合,得到统一表达式;所述个体为行人、自行车或汽车;根据所述统一表达式将行人、自行车和汽车分别抽象成行人力模型、自行车力模型和汽车力模型;计算不同的类个体之间交互的力模型;基于所述行人力模型、自行车力模型、汽车力模型和不同的类个体之间交互的力模型,进行所述混合交通场景仿真。
发明内容
针对本领域存在的不足之处,本专利提供了一种基于数据驱动优化的通用混合交通仿真方法,将物理仿真方法与数据驱动仿真方法结合,利用能量优化的方式,从真实数据中获取不同种类的智能体的运动规律,模拟交通场景中的智能体的动力学特征,由此实时生成复杂场景下逼真的混合交通场景。
一种基于数据驱动优化的通用混合交通仿真方法,包括:
(1)真实数据的获取与处理:
所述真实数据的获取,从开源的轨迹数据集或使用跟踪方法处理视频得到不同类型的智能体的真实轨迹数据,可获取不同类型的输入数据集,只要数据集中包含智能体的速度信息;
进一步的,数据集中的任何形式的不连续性或少量异常数据都是可以接受的;
所述数据处理时,从每类智能体的轨迹数据中获取智能体的所有速度信息,并将所有数据转化成统一的表达,生成不同种类的速度数据集,并用速度大小对每类数据集进行分组;
(2)仿真初始化:
所述仿真初始化包括仿真环境的初始化和智能体的初始化;
进一步的,环境初始化包括场景的形状以及静态和动态障碍物;
(3)实时仿真:
所述实时仿真主要通过设计能量函数实现对不同种类的智能体的运动特征的表达,并将能量函数转化为优化问题决策智能体的运动,实时更新智能体的运动状态;
进一步的,所述优化问题的求解为智能体移动速度的求解,优化函数的解空间为步骤(1)中所述处理数据后得到的当前计算智能体种类的速度数据集,即在tn时刻,任意智能体i的运动状态更新公式如下:
pi,n+1=pi,n+vi,n+1Δt (2)
其中,公式(1)计算能量优化的解vi,n+1为该智能体类型速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标。
所述的能量函数包括两类:通用控制能量和用户定义能量;
进一步的,所述通用控制能量是所有类型智能体在决策时都会计算的,包括:速度连续性项Em、碰撞避免项Ec、方向控制项Ed和吸引项Ea;
进一步的,所述用户定义能量Es是根据智能体类型和场景的性质而特殊设计的能量项。
在任意时刻tn,任意种类的智能体i的选择速度v产生的能量统一由以下能量函数表示:
其中,其中θ={m,c,a,d,s},wk为能量项Ek的权重。
所述通用控制能量的速度连续性项Em,计算智能体在运动时速度的变化程度,该项的优化使智能体倾向于选择与当前速度相差不大的速度运动;所述Em的计算公式为:
其中,表示智能体i的速度方向的变化程度,为所选速度,vi,n为其在tn时刻的速度,和分别为vi,n和v的单位方向向量;表示速度大小的变化程度,‖vi,n‖和‖v‖分别为vi,n+1和v的速度大小;wm1和wm2分别为与的权重。
进一步的,所述通用控制能量的碰撞避免项Ec,计算一个智能体与其邻近智能体以及障碍物发生碰撞的可能性,该项的优化使智能体倾向于选择不会与邻居发生碰撞的速度;所述Ec的计算公式包含即时碰撞避免项和预期碰撞避免项两项:
其中wc1和wc2分别为和的权重;即时碰撞避免项计算智能体在一个时间步长Δt后产生的碰撞能量,预期碰撞避免项预测较多时间步长T(T>1)后产生的碰撞能量;所述碰撞避免项的计算中,静态障碍物可视为速度始终为0的智能体。
其中,Ωc(tn,i,Δt)为智能体i的即时碰撞邻居集合,|Ωc(tn,i,Δt)|为即时碰撞邻居的个数,和分别为智能体i和其碰撞邻居j在Δt时间后的预测位置, 为智能体i和其碰撞邻居j在Δt时间后的预测距离。
进一步的,对于任意智能体i,所述的预期碰撞避免项的计算中假设所有智能体在TΔt时间内保持其当前速度不变,且智能体的预期碰撞邻居为与该智能体在TΔt时间后的预测距离小于dc的其他智能体时,的计算公式为:
其中Ωc(tn,i,TΔt)为智能体i的预期碰撞邻居集合,|Ωc(tn,i,TΔt)|为预期碰撞邻居的个数,和分别为智能体i和其碰撞邻居j在TΔt时间预测位置, 为智能体i和其碰撞邻居j在TΔt时间后的预测距离。
所述通用控制能量的方向控制项Ed表示智能体i的所选速度v的方向与智能体的控制方向之间的差异,该项的优化使智能体倾向于选择与控制方向接近的方向;所述方向控制项Ed的计算公式为:
所述通用控制能量的吸引项Ea用于计算智能体之间的吸引力和环境与智能体的吸引力,该项的优化使智能体倾向于选择使其与吸引他的同类智能体货环境间的距离相近的速度;所述Ea的计算公式为:
其中Ωa(tn,i,Δt,v)为智能体i在Δt时间后一定距离范围内的吸引力邻居集合;|Ωa(tn,i,Δt,v)|为吸引邻居个数,d2(Δt,i,j)为智能体i与智能体j距离的平方。
所述的用户定义能量项Es根据智能体所属种类不同和场景不同而区别定义:
进一步的,一般来说,对于交通流中任意车辆i,该能量项的优化使智能体倾向于在车道中间行驶;所述Es的计算公式为:
Es=Econs=|v*(vd)⊥|,
其中,每个智能体的控制方向vd为车道方向;
进一步的,对于人群中的任意智能体j,该能量项的优化使智能体倾向于选择与理想速度接近的速度运动;所述Es的计算公式为:
Es=Esc=|vj-‖v‖|
其中,vj是智能体j的理想速度。
为消除数据集对解搜索空间的约束导致的可生成仿真结果的单调性,假设仿真场景和真实数据集的场景在速度方向和控制方向之间具有相同的相对位置关系,通过对齐它们的前进方向,将数据集的局部坐标映射到仿真场景的局部坐标,使得所述基通用混合交通仿真方法可仿真与真实数据集不同的场景。
进一步的,为缩短仿真计算时间以达到实时,提出两种优化方法:
(1)缩短解搜索时间:
将每类智能体的真实速度表数据集按速度大小分组,考虑到运动的连续性,只从当前速度所在组以及其相邻组中搜索每个智能体的下一帧速度,由此缩小了能量优化的解空间,减少解搜索代价;
(2)缩短邻居搜索时间:
网格化分割运动空间,考虑到智能体运动距离的连续性和限制性,智能体在搜索碰撞邻居时只需搜索其所在网格以及空间连续的有限邻近网格,由此降低邻居搜索代价。
所述能量函数中,将不同原始种类的智能体分为两大类:
第一类包括行人和自行车,它们可以超过同一车道上的前面的智能体;
第二种类型包括三轮车和汽车,它们不能在同一车道上超过前方的智能体。
本发明的优点具体表现在:
(1)本发明所提供的通用混合交通仿真方法能针对不同种类的智能体的行为进行建模,在同一场景中同时模拟不同种类的智能体,并同时保留每种智能体自身的运动特征。
(2)本发明所提供的通用混合交通仿真方法在仿真建模时使用速度对齐的方式以丰富可以仿真的场景,不仅能生成混合多智能体的真实的运动行为,而且能模拟跟输入数据不同的场景。
附图说明
图1为通用混合交通仿真方法的仿真流程图。
具体实施方式
下面结合附图及具体实施例,进一步阐述本发明,应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围,下列实施例中未注明具体条件的实验方法,通常按照常规条件,或按照制造厂商所建议的条件。
实施例1
实施例1是真实人群仿真场景,用以复现真实数据的场景,具体为有行人来往的繁华街道。
(1)真实数据的获取与处理:
获取的真实数据来自Lerner等人的工作提供的人群数据(Alon Lerner,YiorgosChrysanthou,DaniLischinski.Crowds by Example[J].ComputerGraphicsForum,2007,26(3):655–664.),其包含行人的时序性位置信息,数据处理的过程获取所有行人的所有速度信息,并根据速度大小将速度信息分组,形成人群的速度数据集;
(2)仿真初始化:包括仿真环境的初始化和多智能体的初始化;
仿真环境初始化有街道宽度和边界信息,智能体初始化中,初始化人群中的每个智能体的位置、速度以及出现时间均与真实数据相同,根据真实轨迹数据得到每隔一段时间智能体的位置作为目标位置,智能体的控制方向为其所在位置指向当前目标位置的方向,智能体的理想速度大小为对应的真实轨迹的平均速度大小;
(3)实时仿真:
根据公式(1),任意智能体i在下一个时刻tn+1的速度vi,n+1为智能体在该智能体所属类型的速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn=0.25s,为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标;
此外,实时仿真中,每个智能体到达当前目标位置后改变目标位置为从真实数据提取出的下一个目标位置,始终向目标位置行进,直到到达最后一个目标位置(即对应轨迹中的最后一个位置坐标)。
通过优化函数中各类智能体的不同能量项的计算权重如表1所示,该实施例的计算性能如表2所示。
实施例2
实施例2是四车道单向弯曲公路的交通流,在本专利所述的仿真算法的控制下,汽车可以实现常见的交通流行为:车道保持、跟随前车和变道;
(1)真实数据的获取与处理:
获取的交通流真实数据来自直线高速公路交通数据集NGSIM(Nextgeneration.http://ops.fhwa.dot.gov/trafficanalysistools/ngsim.htm.,2013.),包含高速公路交通流中每辆汽车的尺寸、以及其时序性的位置、速度、加速度、车间距信息,数据处理的过程从汽车的轨迹数据中获取所有速度信息,形成汽车的速度数据集,并用速度大小将数据集分组,由于原始数据集为直道数据,本专利使用前述对齐的方法将全局的速度映射到局部坐标中,使真实数据可应用于弯道的场景;
(2)仿真初始化:包括仿真环境的初始化和多智能体的初始化;
仿真环境初始化为有四车道单向弯曲公路,包括其车道宽、车道线曲率、车道方向、车道线位置信息,智能体初始化中,初始化汽车的规模为80辆,分布在车道上且汽车间的间距在真实数据中随机选择,汽车的尺寸、初始速度在真实数据中随机选择且方向为车道方向,汽车的初始控制方向为车道行进方向(车道曲线的切向),智能体的理想速度大小为其初始速度大小;
(3)实时仿真:
根据公式(1),任意智能体i在下一个时刻tn+1的速度vi,n+1为智能体在该智能体所属类型的速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn=0.25s,为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标;
此外,在实时仿真中,汽车在固定车道行驶时,其控制方向始终为车道方向,而在变道时其控制方向为指向目标车道的方向;
通过优化函数中各类智能体的不同能量项的计算权重如表1所示,该实施例的计算性能如表2所示。
实施例3
实施例3是常见的行人沿斑马线横穿马路的混合交通场景,为从混合的真实数据中产生的与原始真实场景不同的复杂交通场景,智能体类型包括汽车和行人,无红绿灯,人行道上行人以一定的概率选择沿斑马线横穿到马路对面,在本专利所述的仿真算法的控制下,汽车除实现实施例2所述的车道保持、跟随前车和变道行为外,在行人横穿马路时会自然缓慢地停在斑马线外等行人通过,之后再继续行驶;行人在横穿斑马线时也会自然地躲避汽车,安全地到达马路对面。
(1)真实数据的获取与处理:
获取的人群的数据集来自Zhang等人的工作提供的开源人群轨迹数据集(JunZhang,Wolfram Klingsch,Andreas Schadschneider,Armin Seyfried.Ordering inbidirectional pedestrian flows and its influence on the fundamental diagram[J].Journal of Statistical Mechanics:Theory and Experiment,2012,2012(02):P02002.),包含人群中每个行人的时序性的位置信息,所获取的交通的数据集为NGSIM开源数据集(同实施例1),人群和交通流的数据处理方式同实施例2。
(2)仿真初始化:包括仿真环境的初始化和多智能体的初始化;
仿真环境初始化为有单向双车道、双侧边人行道、以及横贯马路的斑马线的交通场景,包括车道线位置、宽度与行进方向,人行道位置、宽度与行进方向,以及斑马线位置和宽度,智能体初始化中,汽车和行人数目分别为30和35,汽车的初始化位置pi,0在车道中且不与其他汽车位置有重叠,初始速度vi,0在车辆真实数据中随机选择且方向为车道行进方向,控制方向为车道行进方向;行人的初始化位置pj,0在人行道边缘上且与同道行人位置相近不重叠,初始速度vj,0在人群真实数据集中选择且方向为人行道方向,初始控制方向为人行道行进方向,智能体的理想速度大小为其初始速度大小。
(3)实时仿真:
根据公式(1),任意智能体i在下一个时刻tn+1的速度vi,n+1为智能体在该智能体所属类型的速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn=0.25s,为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标。
此外,在实施例3的实时仿真中,当行人选择沿斑马线横穿马路时,其控制方向变为垂直于侧边人行道行进方向并指向马路对面的方向;而行人到达马路对面后,其控制方向改为所在侧边人行道行进方向,在固定车道行驶时,汽车的控制方向始终为车道行进方向;而变道时其控制方向为指向目标车道的方向。
通过优化函数中各类智能体的不同能量项的计算权重如表1所示,该实施例的计算性能如表2所示。
实施例4
实施例4是常见的繁忙的十字路口的混合交通场景,仿真场景中的智能体类型包括汽车、行人、三轮车和自行车,有红绿灯,双向双车道,马路双侧边有人行道,在本专利所述的仿真算法的控制下,多类智能体遵守交通规则通过十字路口,除实施例3中汽车的安全行驶行为外,汽车可以安全地直行、掉头以及左/右转。
(1)真实数据的获取与处理:
使用光流法跟踪拍摄于中国山东的混合交通场景(包括行人,自行车,三轮车和汽车)获得复杂的混合交通数据,提取的数据包括3个行人、10辆自行车、10辆三轮车和2辆汽车的运动轨迹数据,共有435帧,数据处理的方法同前述实施例,得到不同类型智能体的速度数据集并按速度大小分组。
(2)仿真初始化:包括仿真环境的初始化和多智能体的初始化;
仿真环境初始化有双向二车道、双侧边人行道、十字路口、红绿灯、和十字路口四面斑马线的交通场景,具体包括:所有车道的位置、宽度和行进方向、十字路口的大小、斑马线位置和宽度、以及红绿灯闪烁的规则,智能体初始化包括行人、自行车、三轮车和汽车的数目分别为25、15、10和40,汽车和行人的初始化过程同实施例3,实施例中3轮车与汽车同享机动车道,其初始化类似汽车的初始化过程,初始速度在三轮车速度数据集中获取。智能体的理想速度大小为其初始速度大小。
(3)实时仿真:计算时将不同原始种类的智能体分为两大类:
第一类包括行人和自行车,它们可以超过同一车道上的前面的智能体;
第二种类型包括三轮车和汽车,它们不能在同一车道上超过前方的智能体。
根据公式(1),任意智能体i在下一个时刻tn+1的速度vi,n+1为智能体在该智能体所属类型的速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn=0.25s,为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标。
此外,在实施例4的实时仿真中,当行人选择沿斑马线横穿马路时,其控制方向变为垂直于侧边人行道行进方向并指向马路对面的方向;而行人到达马路对面后,其控制方向改为所在侧边人行道行进方向。汽车和三轮车到达十字路口时,控制方向是原始道路方向和目标道路方向的插值,在符合交通规则的情况下,场景中的智能体会倾向于沿着控制方向运动,当运动方向上有其它智能体时,当前的智能体会把其它智能体视为移动障碍物进行碰撞避免。
实施例4中优化函数中各类智能体的不同能量项的计算权重如表1所示,该实施例的计算性能如表2所示。
表1各实施例能量项权重
表2各实施例计算时间
Claims (8)
1.一种基于数据驱动优化的通用混合交通仿真方法,其特征在于,包括:
(1)真实数据的获取与处理:收集不同类型的智能体的真实轨迹数据,处理真实轨迹数据得到智能体的速度数据集;
(2)仿真初始化,包括:仿真环境的初始化和智能体的初始化;
所述仿真环境的初始化包括场景的形状以及静态和动态障碍物;
(3)实时仿真:设计能量函数实现对不同种类的智能体的运动特征的表达,并将能量函数转化为优化问题决策智能体的运动,实时更新智能体的运动状态;
所述的优化问题的求解为智能体移动速度的求解,优化能量函数的解空间为步骤(1)中所述的速度数据集,即在tn时刻,任意智能体i的运动状态更新公式如下:
pi,n+1=pi,n+vi,n+1Δt (2)
其中,公式(1)计算能量优化的解vi,n+1为该智能体类型速度数据集中使能量函数E(tn,i,v)最小的速度;公式(2)计算该智能体在下一时刻的位置pi,n+1,Δt=tn+1-tn为智能体运动的时间步长,pi,n为智能体i在tn时刻的位置坐标;
在任意时刻tn,任意种类的智能体i的选择速度v产生的能量函数公式为:
其中,θ={m,c,a,d,s},wk为能量项Ek的权重;
所述的能量函数包括两类:通用控制能量和用户定义能量;
所述通用控制能量是智能体在决策进行计算的,包括:速度连续性项Em、碰撞避免项Ec、方向控制项Ed和吸引项Ea;
所述用户定义能量Es是根据智能体类型和场景的性质的能量项。
8.根据权利要求1所述的通用混合交通仿真方法,其特征在于,步骤(3)中,所述用户定义能量项Es根据智能体所属种类不同和场景不同而区别定义,对于交通流中任意车辆i,Es的计算公式为:
Es=Econs=|v·(vd)⊥|
其中,每个智能体的控制方向vd为车道方向;
对于人群中的任意智能体j,Es的计算公式为:
Es=Esc=|vj-‖v‖|
其中,vj是智能体j的理想速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877849.XA CN110782661A (zh) | 2019-09-17 | 2019-09-17 | 一种基于数据驱动优化的通用混合交通仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910877849.XA CN110782661A (zh) | 2019-09-17 | 2019-09-17 | 一种基于数据驱动优化的通用混合交通仿真方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110782661A true CN110782661A (zh) | 2020-02-11 |
Family
ID=69383520
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910877849.XA Pending CN110782661A (zh) | 2019-09-17 | 2019-09-17 | 一种基于数据驱动优化的通用混合交通仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110782661A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112016660A (zh) * | 2020-07-03 | 2020-12-01 | 浙江大学 | 一种物理力和数据联合驱动的三维集群行为模拟方法 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN113642177A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数字孪生虚实多车混行仿真方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110109596A (ko) * | 2010-03-31 | 2011-10-06 | 한국과학기술원 | 실시간 다수 객체 추적시스템 및 방법 |
CN103984937A (zh) * | 2014-05-30 | 2014-08-13 | 无锡慧眼电子科技有限公司 | 基于光流法的行人计数方法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
-
2019
- 2019-09-17 CN CN201910877849.XA patent/CN110782661A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20110109596A (ko) * | 2010-03-31 | 2011-10-06 | 한국과학기술원 | 실시간 다수 객체 추적시스템 및 방법 |
CN103984937A (zh) * | 2014-05-30 | 2014-08-13 | 无锡慧眼电子科技有限公司 | 基于光流法的行人计数方法 |
CN104899446A (zh) * | 2015-06-05 | 2015-09-09 | 上海大学 | 基于数据驱动的脉动风速模拟方法 |
CN110222972A (zh) * | 2019-05-31 | 2019-09-10 | 北京交通大学 | 一种基于数据驱动的城市轨道交通路网协同限流方法 |
Non-Patent Citations (1)
Title |
---|
任佳萍: "多智能体系统仿真与评价", 《中国博士学位论文全文数据库》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112016660A (zh) * | 2020-07-03 | 2020-12-01 | 浙江大学 | 一种物理力和数据联合驱动的三维集群行为模拟方法 |
CN112016660B (zh) * | 2020-07-03 | 2023-11-14 | 浙江大学 | 一种物理力和数据联合驱动的三维集群行为模拟方法 |
CN112785842A (zh) * | 2020-12-25 | 2021-05-11 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN112785842B (zh) * | 2020-12-25 | 2022-04-12 | 际络科技(上海)有限公司 | 一种在线交通流仿真系统 |
CN113642177A (zh) * | 2021-08-16 | 2021-11-12 | 清华大学 | 数字孪生虚实多车混行仿真方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110782661A (zh) | 一种基于数据驱动优化的通用混合交通仿真方法 | |
Dosovitskiy et al. | CARLA: An open urban driving simulator | |
Sauer et al. | Conditional affordance learning for driving in urban environments | |
Sud et al. | Real-time navigation of independent agents using adaptive roadmaps | |
KR20210074366A (ko) | 자율주행 차량 계획 및 예측 | |
Cai et al. | DQ-GAT: Towards safe and efficient autonomous driving with deep Q-learning and graph attention networks | |
Schörner et al. | Predictive trajectory planning in situations with hidden road users using partially observable markov decision processes | |
Niranjan et al. | Deep learning based object detection model for autonomous driving research using carla simulator | |
Kohlhaas et al. | Semantic state space for high-level maneuver planning in structured traffic scenes | |
Huang et al. | Social force based vehicle model for 2-dimensional spaces | |
Anvari et al. | Calibration and validation of a shared space model: Case study | |
Phan-Minh et al. | Driving in real life with inverse reinforcement learning | |
CN117794803A (zh) | 使用具有响应型代理预测的树搜索和/或代理滤波进行车辆轨迹控制 | |
CN112106060A (zh) | 控制策略确定方法和系统 | |
Golchoubian et al. | Pedestrian trajectory prediction in pedestrian-vehicle mixed environments: A systematic review | |
Sun et al. | Modelling and simulation of highly mixed traffic flow on two-lane two-way urban streets | |
Darapaneni et al. | Autonomous car driving using deep learning | |
Bi et al. | A deep learning-based framework for intersectional traffic simulation and editing | |
Gómez-Huélamo et al. | How to build and validate a safe and reliable Autonomous Driving stack? A ROS based software modular architecture baseline | |
Lu et al. | AA‐FVDM: An accident‐avoidance full velocity difference model for animating realistic street‐level traffic in rural scenes | |
CN113536538A (zh) | 一种基于交通冲突的行人与车辆交互仿真方法及系统 | |
Bosse | Self-adaptive traffic and logistics flow control using learning agents and ubiquitous sensors | |
Zhao et al. | FLUIDS: A first-order lightweight urban intersection driving simulator | |
Wen et al. | TrafficMCTS: A Closed-Loop Traffic Flow Generation Framework with Group-Based Monte Carlo Tree Search | |
Kurnaz | Urban traffic modeling with microscopic approach using cellular automata |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200211 |
|
WD01 | Invention patent application deemed withdrawn after publication |