CN110851995A

CN110851995A - 一种混合交通流跟驰模型及仿真方法

Info

Publication number: CN110851995A
Application number: CN201911179866.2A
Authority: CN
Inventors: 李霞; 王欣桐; 崔洪军; 任志笑; 朱敏清; 赵晓东; 白海丽
Original assignee: Hebei University of Technology
Current assignee: Hebei University of Technology
Priority date: 2019-11-27
Filing date: 2019-11-27
Publication date: 2020-02-28
Anticipated expiration: 2039-11-27
Also published as: CN110851995B

Abstract

本发明公开混合交通流跟驰模型及仿真方法，该混合交通流跟驰模型包括HV‑HV、AV‑HV、HV‑AV和AV‑AV四组跟驰状态的跟驰模型，该方法针对不同的跟驰车辆对使用不同的跟驰模型，制定不同的NaSch元胞自动机演化规则，将实际自动驾车辆‑手动驾驶车辆混合交通流中四组车辆对的跟驰行为准确涵盖，比现有技术更精确、真实；并且基于WUNDT曲线所描述的人对于信息的心理反映规律，引入参数“熟悉度”，量化人类驾驶员对自动驾驶车辆的心理效应，能够保证跟驰的安全性。将四种跟驰模型引入到经典的NaSch元胞自动机模型中，针对四种跟驰模型改进元胞自动机中的演化规则，通过Matlab实现跟驰模型仿真。

Description

一种混合交通流跟驰模型及仿真方法

技术领域

本发明涉及跟驰仿真领域，特别是一种混合交通流跟驰模型及仿真方法。

背景技术

随着自动驾驶技术的逐渐成熟，道路上的交通流逐渐变为自动驾驶车辆(简称AV)-手动驾驶车辆(简称HV)混合交通流，车辆跟驰状态也随之复杂化、多样化。目前，对于自动驾驶车辆-手动驾驶车辆混合交通流跟驰模型的研究多基于对刺激-反应类和安全距离类模型的改进，但存在如下两个关键问题：首先，现有研究成果多基于单一模型，无法精确、真实地反映AV-HV混合交通流中HV-HV、AV-HV、HV-AV和AV-AV四组车辆对的跟驰行为。其次，现有模型中没有考虑手动驾驶车辆驾驶人在实际路况中接触自动驾驶车辆产生的心理反应对跟驰行为造成的影响。

元胞自动机模型是一种空间及时间均离散的局部动力学演化模型，它把有限的空间以固定的尺寸划分为大小相同的方格，即“元胞”。每一个元胞的存在状态依照相同的更新规则进行演化，同时依据自身局部的规律同步更新。因此，元胞自动机模型被广泛运用于微观交通流模拟仿真中。因其自身的灵活性，可根据模拟需求制定状态演化规则。

发明内容

针对现有技术的不足，本发明提供一种混合交通流跟驰模型及仿真方法。针对不同状态建立不同的跟驰模型，并设置不同演化规则进行仿真，得到的结果与现实情况相符，所设计的跟驰模型及仿真方法宜于推广应用，将大大提高精度及安全性。

本发明解决所述技术问题的技术方案是：设计一种混合交通流跟驰模型，该混合交通流跟驰模型包括混合交通流下的车辆行驶状况下的HV-HV、AV-HV、HV-AV和AV-AV四组跟驰状态的跟驰模型，具体为：

1)HH跟驰模型，该跟驰模型针对HV(前车)-HV(后车)跟驰状态而设置；HH跟驰模型在速度优化模型(OVM)的基础上，增设加速度、减速度上限，避免车辆产生过度变速行为；

2)AH跟驰模型，该跟驰模型针对AV(前车)-HV(后车)跟驰状态而设置；AH跟驰模型是在Gipps安全距离模型的基础上，基于经典心理学规律WUNDT曲线，引入“熟悉度”参数，量化人类驾驶员对自动驾驶车辆的认知及决策行为；

3)HA跟驰模型，该跟驰模型针对HV(前车)-AV(后车)跟驰状态而设置；HA跟驰模型是在Gipps安全距离模型的基础上，考虑自动驾驶车辆反应时间短、可检测前车运行状态的特征；

4)AA跟驰模型，该跟驰模型针对AV(前车)-AV(后车)跟驰状态而设置；AA跟驰模型是在经典刺激-反应模型的基础上，增设加速度、减速度上限，避免车辆产生过度变速行为。

进一步的，本发明设计一种混合交通流跟驰仿真方法，该方法是将上述HH跟驰模型、AH跟驰模型、HA跟驰模型、AA跟驰模型引入到到经典的NaSch元胞自动机模型中，并针对四种跟驰模型改进元胞自动机中的演化规则，通过Matlab实现仿真。

与现有技术相比，本发明有益效果在于：

(1)本发明方法针对不同的跟驰车辆对使用不同的跟驰模型，制定不同的NaSch元胞自动机演化规则，可将实际自动驾车辆-手动驾驶车辆混合交通流中HV-HV、AV-HV、HV-AV和AV-AV四组车辆对的跟驰行为准确涵盖，比现有技术更精确、真实。

(2)基于WUNDT曲线所描述的人对于信息的心理反映规律，引入参数“熟悉度”，量化人类驾驶员对自动驾驶车辆的心理效应，符合人类对事物的认知过程，在AV-HV跟驰状态下能够保证跟驰的安全性。

附图说明

图1是AV-HV跟驰状态下安全距离示意图；

图2是WUNDT曲线图；

图3是本发明混合交通流跟驰模型及仿真方法在不同自动驾驶车辆汇入率下速度-密度关系图；

图4是本发明混合交通流跟驰模型及仿真方法在不同自动驾驶车辆汇入率下流量-密度关系图；

图5是本发明混合交通流跟驰模型及仿真方法在不同自动驾驶车辆汇入率下速度随汇入率变化图；

图6是本发明混合交通流跟驰模型及仿真方法在不同自动驾驶车辆汇入率下流量随汇入率变化图。

具体实施方式

下面结合附图对本发明的方法进行详细描述。需要说明的是，HV-HV等同于HV(前车)-HV(后车)，即排在前头的代表前车的类型，排在后头的为后车类型，其它跟驰状态组的表达方式与此相同。

本发明提供一种混合交通流跟驰模型，该混合交通流跟驰模型包括混合交通流下的车辆行驶状况下的HV-HV、AV-HV、HV-AV和AV-AV四组跟驰状态的跟驰模型，具体为：

所述HH跟驰模型为：

a_n(t)＝α[V^opt(Δx(t))-v_n(t)] (1)

a_n(t)＝min[a_n(t),3] a_n(t)＞0

a_n(t)＝max[a_n(t),-2.5] a_n(t)＜0

其中，V^opt(Δx(t))＝16.8[tanh0.086(Δx-25)+0.913]；

a_n(t)——第n辆车(后车)加速度；

Δx——车头间距(m)；

v_n(t)——第n辆车(后车)速度(m/s)；

α——参数，取2。

OVM模型由Bando提出，属于经典的刺激-反应类跟驰模型，

选用该模型描述混合交通流中HV-HV跟驰行为。由于该模型基于车头间距计算加速度(或减速度)，很容易导致车辆产生不切实际的变速行为，因此要在该模型基础上增设加速度和减速度上限。

所述AH跟驰模型为：

其中，v_safe,n——车辆n(后车)为保持安全距离所需安全速度；

x_n(t)——第n辆车(后车)在t时刻的位置；

x_n-1(t)——第n-1辆车(前车)在t时刻的位置；

s_n-1——前车车长，取7.5m；

v_n(t)——第n辆车(后车)在t时刻的速度(m/s)；

v_n-1(t)——第n-1辆车(后车)在t时刻的速度(m/s)；

τ——反应时间，取

b_n——第n辆车的期望最大减速度，取-2.5m/s²；

——第n辆车对前车减速度估计值，取-3m/s²；

h——听说信息，取值为0-1；

u——实践获得信息，取值为0-1；

s——距离参数，取值为40m。

自动驾驶车辆汇入道路交通后，势必会给车辆行驶的安全性带来一定的影响。在诸多车辆跟驰模型中，Gipps模型是描述“安全距离”与“避免碰撞”跟驰行为最常用的模型。模型中指定一个安全跟驰距离，即当前车紧急刹车，后车为避免与其发生追尾所必须保持的一个安全的车间距(即Gap_safe)，车辆调整速度以时刻与前车保持安全距离。因此，从车辆行驶的安全性角度考虑，选择在Gipps安全距离模型的基础上建立AH跟驰模型。

当前方为自动驾驶车辆时，驾驶人由于不熟悉其车辆性能，从而选择增大一段安全距离，如图1所示，增加距离为d，其大小按一定规律变化。

著名心理学家WILHELM MAX WUNDT提出的一条重要的心理学定律表明：人们对于过新的、过于出乎意料的事物会感到惊慌失措、焦虑不堪，而对于过于陈旧、过于熟悉的事物会感到厌烦。利用信息效用理论，人们对事物的主观新颖性(Ф)与事物的信息效用(W)的关系可用一条抛物线表示：W＝-Φ²+bΦ，WUNDT曲线如图2所示。

现将该曲线应用于驾驶人对自动驾驶车辆的心理反应：刚接触自动驾驶车辆的驾驶人，随着对其性能的了解，“恐惧心理”会逐渐增强，到达峰值后，随着对自动驾驶车辆的熟知，“恐惧心理”逐渐减小。驾驶人对自动驾驶车辆的了解程度，包括“听说信息(h)”和“实践获得信息(u)”。“听说信息”为驾驶人对自动驾驶车辆的主观了解，取值为0-1(h＝0时为完全不了解，h＝1时为完全了解)；“实践获得信息”为实际道路状况，等同于自动驾驶车辆汇入率，取值为0-1。定义参数“熟悉度(η)”，表示在“听说信息”及“实践获得信息”共同作用下，驾驶人对于自动驾驶车辆的反应。

根据WUNDT曲线，可得：η＝(-h²+h)+(-u²+u)，增大的安全距离值d＝η·s。

根据停车视距，汽车在完全停止后与静止障碍物间保持最小安全距离的最大取值为10m，当前方为正常行驶的车辆时，其距离应增大，故取20m。由上式可知，η最大取值为0.5，因此s＝20/0.5＝40m。

所述HA跟驰模型为：

其中，v_safe,n——车辆n(后车)为保持安全距离所需安全速度(m/s)；

x_n(t)——第n辆车(后车)在t时刻的位置；

x_n-1(t)——第n-1辆车(前车)在t时刻的位置；

s_n-1——前车车长，取7.5m；

b_n——第n辆车的期望最大减速度，取-2.5m/s²；

当自动驾驶车辆前方为手动驾驶车辆，考虑车辆性能差异所带来的安全风险，同时为更有效地反映车辆的实际跟驰行为，仍选取在Gipps安全距离模型基础上建立HA跟驰模型。

由于自动驾驶车辆能够在短时间内判断道路状况继而迅速调整行驶状态，将其反应时间忽略不计，对前车加速度估计值

所述AA跟驰模型为：

a_n(t)＝λ(v_n-1(t)-v_n(t)) (4)

a_n(t)＝min[a_n(t),3] a_n(t)＞0

a_n(t)＝max[a_n(t),-2.5] a_n(t)＜0

其中，a_n(t)——第n辆车(后车)加速度(m/s²)；

v_n(t)——第n辆车(后车)在t时刻的速度(m/s)；

v_n-1(t)——第n-1辆车(后车)在t时刻的速度(m/s)；

λ——速度差系数，取

当前后两车均为自动驾驶车辆，车上装载的传感器设备能够实现两车交互联系，从而轻易获取两车速度差。考虑此特性，以速度差为刺激因素，建立人机混合交通流下的AA跟驰模型。

进一步的，本发明提供一种混合交通流跟驰仿真方法，该方法是将上述HH跟驰模型、AH跟驰模型、HA跟驰模型、AA跟驰模型引入到到经典的NaSch元胞自动机模型中，并针对四种跟驰模型改进元胞自动机中的演化规则，通过Matlab实现仿真。

所述的针对四种跟驰模型改进元胞自动机中的演化规则具体为：

(1)对于HV-HV和AV-AV跟驰情况，通过跟驰模型计算a_n(t)的值，以其正负执行速度和位置演化规则。

a)加速规则

a_n(t)＞0，车辆按照如下规则进行加速：

v_n(t)→min[v_n(t)+a_n(t),v_max] (5)

其中，v_max——车辆允许最大速度，取120km/h；

b)减速规则

a_n(t)＜0，且v_n(t)＞Gap_n，车辆按照如下规则进行减速：

v_n(t)→max{min[Gap_n,v_n(t)+a_n(t)],0} (6)

Gap_n——车辆间距(m)；

c)匀速规则

a_n(t)＝0

①前车静止

v_n(t)→min{max[Gap_n,v_n(t)],v_max} (7)

②前车非静止，

v_n(t)→min[Gap_n,v_n(t)] (8)

d)随机慢化

随机慢化仅针对手动驾驶车辆，故AV-AV跟驰状态省略此慢化规则。规定随机慢化概率p＝0.2，车辆按照随机慢化概率进行减速：

v_n(t)→max[v_n(t)-b_n,0] (9)

b_n——第n辆车的期望最大减速度，取-2.5m/s²；

e)位置更新

在速度演化更新规则的基础上，进行车辆位置的更新：

x_n(t)→x_n(t)+v_n(t) (10)

(2)对于AV-HV和HV-AV跟驰状态，通过实际车辆间距Gap_n与安全距离Gap_safe的比较，执行速度和位置演化规则。Gap_safe的计算如下：

AV-HV：

HV-AV：

a)加速规则

当Gap_n>Gap_safe，车辆按照如下规则进行加速：

v_n(t)→min[v_n(t)+a,Gap_n,v_max,v_safe] (13)

a——车辆最大期望加速度，取3m/s²；

b)减速规则

当Gap_n<Gap_safe，车辆采按照如下规则进行减速：

①前车静止，采取安全减速的规则进行减速，即保证该车于前方车辆的车间距不小于0.5m，即：

v_n(t)→max{min[v_safe,Gap_n-0.5],0} (14)

②前车非静止，采取确定性减速的规则进行减速：

v_n(t)→max{min[v_safe,Gap_n],0} (15)

c)匀速规则

当Gap_n＝Gap_safe，车辆不会采取任何加减速措施，保持原速度行驶：

v_n(t)→min[v_n(t),Gap_n] (16)

d)随机慢化

随机慢化仅针对手动驾驶车辆，故HV-AV跟驰状态省略此慢化规则。规定随机慢化概率p＝0.2，车辆按照随机慢化概率进行减速。

v_n(t)→max[v_n(t)-b_n,0] (17)

e)位置更新

在速度演化更新规则的基础上，进行车辆位置的更新：

x_n(t)→x_n(t)+v_n(t) (18)

经典的NaSch模型由Nagel和Schreckenberg提出，作为微观交通模拟的主要工具，反映交通系统的演化特性。经典NaSch模型演化规则如下：

加速决策v_n→min(v_max,v_n+1) (19)

减速决策v_n→min(v_n,d_n) (20)

随机慢化v_n→max(v_n-1,0) (21)

位置更新v_n→(x_n+v_n-1) (22)

其中，d_n——两车间距；

v_max——车辆最大速度；

v_n——车辆n的速度；

x_n——车辆n的位置。

所述的通过Matlab实现仿真的具体过程为：

Matlab仿真设置如下：选择周期性边界条件。设定元胞长度为0.5m，时步长为1s，仿真道路长度为6km(12000个元胞)，车辆长度取7.5m(15个元胞)，最大车速v_max为120km/h，自动驾驶汇入率n取值为0，0.1，0.2，0.3，0.4，0.5，0.6，0.7，0.8，0.9，1。

通过仿真得到的速度-密度-自动驾驶车辆汇入率及流量-密度-自动驾驶车辆汇入率关系图如图3-6所示。

由图3所示，在密度低时车辆可达到理论最高速度，即畅行速度；密度增加，速度随之减少，直至道路拥堵，速度为0。

由图4所示，在低密度区，交通流量随着交通密度而增大。当密度到达临界密度(图4中各峰值所对应的密度值)时，交通流量增长至最大值(通行能力)，后又随密度的增加而减小，在高密度区逐渐形成拥堵。

因此，图3、图4符合道路交通流中流量、速度、密度三参数的基本关系，说明本发明跟驰模型适用于实际道路交通。

由图5所示，在低密度区，随着自动驾驶车辆的汇入，平均速度并非一直呈上升趋势，原因是，随着AV-HV跟驰车辆对的增加，由于驾驶人增大与自动驾驶车辆的跟驰距离，速度随之受到影响。这一情况会随着自动驾驶车辆汇入率的增大而消失。

由图6所示，随着自动驾驶车辆的汇入，交通流量基本呈上升趋势，在n＝0.3时会出现些许下降，原因是在AV-HV跟驰状态，驾驶人增大的跟驰距离影响道路平均速度，从而影响道路平均流量。这一情况同样会随着自动驾驶车辆汇入率的增大而消失。

尽管为说明目的公开了本发明的实施例，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的技术和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例所公开的内容。

Claims

1.一种混合交通流跟驰模型，其特征在于，该混合交通流跟驰模型包括混合交通流下的车辆行驶状况下的HV-HV、AV-HV、HV-AV和AV-AV四组跟驰状态的跟驰模型，具体为：

1)HH跟驰模型，该跟驰模型针对HV-HV跟驰状态而设置；HH跟驰模型在速度优化模型OVM的基础上，增设加速度、减速度上限，避免车辆产生过度变速行为；

2)AH跟驰模型，该跟驰模型针对AV-HV跟驰状态而设置；AH跟驰模型是在Gipps安全距离模型的基础上，基于经典心理学规律WUNDT曲线，引入“熟悉度”参数，量化人类驾驶员对自动驾驶车辆的认知及决策行为；

3)HA跟驰模型，该跟驰模型针对HV-AV跟驰状态而设置；HA跟驰模型是在Gipps安全距离模型的基础上，考虑自动驾驶车辆反应时间短、可检测前车运行状态的特征；

4)AA跟驰模型，该跟驰模型针对AV-AV跟驰状态而设置；AA跟驰模型是在经典刺激-反应模型的基础上，增设加速度、减速度上限，避免车辆产生过度变速行为。

2.根据权利要求1所述的一种混合交通流跟驰模型，其特征在于，所述HH跟驰模型为：

a_n(t)＝α[V^opt(Δx(t))-v_n(t)] (1)

a_n(t)＝min[a_n(t),3] a_n(t)＞0

a_n(t)＝max[a_n(t),-2.5] a_n(t)＜0

其中，V^opt(Δx(t))＝16.8[tanh0.086(Δx-25)+0.913]；

a_n(t)——第n辆车加速度；

Δx——车头间距；

v_n(t)——第n辆车速度；

α——参数，取2。

3.根据权利要求1所述的一种混合交通流跟驰模型，其特征在于，所述AH跟驰模型为：

其中，v_safe,n——车辆n为保持安全距离所需安全速度；

x_n(t)——第n辆车在t时刻的位置；

x_n-1(t)——第n-1辆车在t时刻的位置；

s_n-1——前车车长，取7.5m；

v_n(t)——第n辆车在t时刻的速度；

v_n-1(t)——第n-1辆车在t时刻的速度；

τ——反应时间，取

b_n——第n辆车的期望最大减速度，取-2.5m/s²；

——第n辆车对前车减速度估计值，取-3m/s²；

h——听说信息，取值为0-1；

u——实践获得信息，取值为0-1；

s——距离参数，取值为40m。

4.根据权利要求1所述的一种混合交通流跟驰模型，其特征在于，所述HA跟驰模型为：

其中，v_safe,n——车辆n为保持安全距离所需安全速度；

x_n(t)——第n辆车在t时刻的位置；

x_n-1(t)——第n-1辆车在t时刻的位置；

s_n-1——前车车长，取7.5m；

b_n——第n辆车的期望最大减速度，取-2.5m/s²。

5.根据权利要求1所述的一种混合交通流跟驰模型，其特征在于，所述AA跟驰模型为：

a_n(t)＝λ(v_n-1(t)-v_n(t)) (4)

a_n(t)＝min[a_n(t),3] a_n(t)＞0

a_n(t)＝max[a_n(t),-2.5] a_n(t)＜0

其中，a_n(t)——第n辆车加速度；

v_n(t)——第n辆车在t时刻的速度；

v_n-1(t)——第n-1辆车在t时刻的速度；

λ——速度差系数，取

6.一种混合交通流跟驰仿真方法，其特征在于，该方法是将如权利要求1-5任一项所述的HH跟驰模型、AH跟驰模型、HA跟驰模型、AA跟驰模型引入到到经典的NaSch元胞自动机模型中，并针对四种跟驰模型改进元胞自动机中的演化规则，通过Matlab实现仿真。

7.根据权利要求6所述的一种混合交通流跟驰仿真方法，其特征在于，所述的针对四种跟驰模型改进元胞自动机中的演化规则具体为：

(1)对于HV-HV和AV-AV跟驰情况，通过跟驰模型计算a_n(t)的值，以其正负执行速度和位置演化规则：

a)加速规则

a_n(t)＞0，车辆按照如下规则进行加速：

v_n(t)→min[v_n(t)+a_n(t),v_max] (5)

其中，v_max——车辆允许最大速度，取120km/h；

b)减速规则

a_n(t)＜0，且v_n(t)＞Gap_n，车辆按照如下规则进行减速：

v_n(t)→max{min[Gap_n,v_n(t)+a_n(t)],0} (6)

Gap_n——车辆间距；

c)匀速规则

a_n(t)＝0

①前车静止

v_n(t)→min{max[Gap_n,v_n(t)],v_max} (7)

②前车非静止，

v_n(t)→min[Gap_n,v_n(t)] (8)

d)随机慢化

随机慢化仅针对手动驾驶车辆，故AV-AV跟驰状态省略此慢化规则；规定随机慢化概率p＝0.2，车辆按照随机慢化概率进行减速：

v_n(t)→max[v_n(t)-b_n,0] (9)

b_n——第n辆车的期望最大减速度，取-2.5m/s²；

e)位置更新

在速度演化更新规则的基础上，进行车辆位置的更新：

x_n(t)→x_n(t)+v_n(t) (10)

(2)对于AV-HV和HV-AV跟驰状态，通过实际车辆间距Gap_n与安全距离Gap_safe的比较，执行速度和位置演化规则；Gap_safe的计算如下：

AV-HV：

HV-AV：

a)加速规则

当Gap_n>Gap_safe，车辆按照如下规则进行加速：

v_n(t)→min[v_n(t)+a,Gap_n,v_max,v_safe] (13)

a——车辆最大期望加速度，取3m/s²；

b)减速规则

当Gap_n<Gap_safe，车辆采按照如下规则进行减速：

v_n(t)→max{min[v_safe,Gap_n-0.5],0} (14)

②前车非静止，采取确定性减速的规则进行减速：

v_n(t)→max{min[v_safe,Gap_n],0} (15)

c)匀速规则

v_n(t)→min[v_n(t),Gap_n] (16)

d)随机慢化

随机慢化仅针对手动驾驶车辆，故HV-AV跟驰状态省略此慢化规则；规定随机慢化概率p＝0.2，车辆按照随机慢化概率进行减速；

v_n(t)→max[v_n(t)-b_n,0] (17)

e)位置更新

在速度演化更新规则的基础上，进行车辆位置的更新：

x_n(t)→x_n(t)+v_n(t) (18)。