CN111767648A - 一种基于简化的社会力计算模型的混合交通仿真方法 - Google Patents
一种基于简化的社会力计算模型的混合交通仿真方法 Download PDFInfo
- Publication number
- CN111767648A CN111767648A CN202010570733.4A CN202010570733A CN111767648A CN 111767648 A CN111767648 A CN 111767648A CN 202010570733 A CN202010570733 A CN 202010570733A CN 111767648 A CN111767648 A CN 111767648A
- Authority
- CN
- China
- Prior art keywords
- agent
- intelligent
- simulation method
- representing
- traffic simulation
- 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
Images
Classifications
-
- 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
-
- 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
Abstract
本发明公开了一种基于简化的社会力模型的混合交通仿真方法,包括如下步骤:定义智能体基类,进一步从基类派生得到智能体类型;在仿真系统中输入包含智能体,道路边界信息以及障碍物信息的混合交通场景,设定每个智能体的智能体类型;将混合交通场景中任一个智能体的行为结果表征为不同交互作用力的组合,得到统一的合力表达式;根据统一的合力表达式,基于简化的社会力计算模型,结合智能体类型,计算每个智能体的受力情况;实时更新所有智能体的受力情况,结合具体的交通规则进行所述混合交通场景仿真。本发明所述的混合交通仿真方法简单高效地模拟不同智能体在交通中的动态行为,逻辑架构清晰明了,易于拓展集成更多不同类型的智能体。
Description
技术领域
本发明涉及混合交通仿真技术领域,具体涉及一种基于简化的社会力模型的混合交通仿真方法。
背景技术
当今随着社会经济的飞速发展,城市规划与建设日益前进,同时也使得城市交通的构造越发复杂。为了响应城市建设与管理信息化数字化的时代需求,交通仿真作为行之有效的方法成为了近年来研究的热点之一,深入研究交通场景中成分的行为特点,能够仔细探讨交通阻塞、交通事故等诸多问题的本质。
混合交通仿真在交通仿真的基础上,更加强调多智能体参与、多客观因素综合影响的结果,旨在将复杂交通场景与多种类行为合理建模,高保真地模拟出真实交通中的情况。
社会力模型便是一种连续的微观仿真模型,它将行人视为质点,充分考虑每个质点与其他质点以及环境的相互作用,并把这些相互作用以明确的物理力来体现。
交通仿真不仪能为城市道路交通的建设与管理提供借鉴,近年来基于人工智能飞速发展而兴起的无人驾驶技术也深受其益。混合交通仿真能为无人驾驶提供多维度的仿真数据用于算法的训练,同时也能够为受到安全伦理和地方政策等因素制约的路测实验提供虚拟且可行的测试环境。
现有的交通仿真方法并没有真正完整覆盖现实交通中多样的交通方式。百度阿波罗仿真平台和A.Best等人关于自动驾驶仿真平台的工作,都实现了行人和自行车的混合交通模拟,但是其智能体的行为都是预定义好的,无法实时对智能体的运动变化进行更新和反馈;Carla平台支持行人的动态反馈,但智能体间的交互依然是通过简单的预定义米实现的。
公开号为CN109992886A的中国发明专利申请公开了一种基于社会力的混合交通仿真方法,通过社会力模型统一了复杂的交通场景中的汽车、行人、自行车等不同交通方式的表示,将交通流问题转变成力的问题。
但是,该混合交通仿真方法需要针对不同的力的类型,预先设计多种的计算模型并给定大量模型所需常系数,用户调试参数的过程复杂程度将被放大,同时大量的既定模型与手调参数使得框架灵活性变低,无法轻易扩展到其他更多的智能体类型。
发明内容
本发明提供了一种基于简化的社会力模型的混合交通仿真方法,本发明所述的混合交通仿真方法遵循面向对象的思想,因此具有清晰的逻辑架构和拓展性,可以进行包含汽车、行人、自行车等多种智能体共同参与的混合交通场景实时仿真。
本发明解决上述技术问题所提供的技术方案为:
一种基于简化的社会力模型的混合交通仿真方法,包括以下步骤:
S1、定义统一描述智能体的基本属性与行为的智能体基类,进一步从智能体基类派生得到智能体类型,所述的智能体类型通过属性参数模拟智能体的特有属性和行为举止。
所述的智能体为汽车、行人或自行车。
步骤S1中,所述的属性参数为智能体尺寸、预期运动速度、智能体期望与其他个体保持的安全距离、智能体受影响范围、智能体制动所需的反应时间、智能体期望采取的最大加速度或减速度。
S2、在仿真系统中输入包含智能体,道路边界信息以及障碍物信息的混合交通场景,设定每个智能体的智能体类型。
步骤S2中,设定每个智能体的智能体类型后,可根据用户的实际需要调整智能体的属性参数使任意智能体的行为产生个体化差异。
S3、将混合交通场景中任一个智能体的行为结果表征为不同交互作用力的组合,得到统一的合力表达式。
S4、根据统一的合力表达式,基于简化的社会力计算模型,结合智能体类型,计算每个智能体的受力情况。
所述的统一合力表达式如式(1)所示:
其中,Fi表示智能体i所受到的合力,表示智能体i期望到达目的地所产生的自我驱动力,Fij表示智能体i受到的邻近范围内任何其他个体j的排斥力,个体j∈A∪W表示是j是智能体、道路边界或障碍物,A表示与智能体i邻近的智能体集合,W表示行驶道路边界或与智能体i邻近的障碍物集合。
所述的Fij的计算公式如式(3)所示:
所述用于控制简化的社会力计算模型的系数c用于保证使用不同参数化公式时力的计算数值都不为负值,α、β、c的参数化公式如下:
式(5)所示:
其中,si0表示智能体i期望与其他个体保持的安全距离,vi表示智能体i的实时速度,Ti表示智能体i制动所需的反应时间,ai和bi分别表示智能体i期望采取的最大加速度和减速度,Δvij则表示智能体i与个体j的相对速度。
其中,k表示视角系数,其值为智能体i的朝向与i到j方向的夹角的余弦值,表示垂直于nij方向的单位向量;代表个体j对智能体i的直接排斥力,表示由j产生的指向i的点对点排斥效果;||||代表取力的数值大小。
S5、实时更新所有智能体的受力情况,结合具体的交通规则进行所述混合交通场景仿真。
步骤(5)中,所述的具体交通规则包括但不限于行人需要通过斑马线穿行马路,汽车驶向正在穿行马路的行人时需减速停止让行,汽车在受阻且相邻车道无其他车辆时可以选择合理变道等。
本发明的有益效果主要体现在:
本发明提供基于简化的社会力计算模型的混合交通仿真方法改变了原有技术中不同力定义不同模型的冗杂思想,遵循面向对象的思想,将智能体的多态实现从力计算模型本身的异构,转移到统一模型内系数参数化方法的异构,简单高效地模拟不同个体在交通中的动态行为,逻辑架构上清晰明了,易于拓展集成更多不同类型的智能体。
附图说明
图1为本发明所述混合交通仿真方法的框架流程图。
图2为本发明提供的自行车与行人交互时的受力示意图;
图3为本发明提供的汽车正常沿车道行驶时的受力示意图;
图4为本发明提供的汽车受阻变道时的受力示意图;
其中,j为智能体i邻近的智能体,La,Lb与Lc分别为相邻两条道路的三条边界;为智能体i期望到达目的地所产生的自我驱动力;为个体j对智能体i的直接排斥力;为Lc对智能体i的直接排斥力;为Lb对智能体i的直接排斥力。
具体实施方式
下面结合附图对本发明的技术方案进行详细讲解。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。
如图1所示,一种基于简化的社会力模型的混合交通仿真方法,包括以下步骤:
S1、基于面向对象的思想,定义统一描述智能体的基本属性与行为的智能体基类,进一步从智能体基类派生得到智能体类型,所述的智能体类型通过属性参数模拟智能体的特有属性和行为举止,所述的属性参数为智能体尺寸、预期运动速度、智能体期望与其他个体保持的安全距离、智能体受影响范围、智能体制动所需的反应时间、智能体期望采取的最大加速度或减速度。
S2、在仿真系统中输入包含智能体,道路边界信息以及障碍物信息的混合交通场景,设定每个智能体的智能体类型分别为人、自行车、汽车,调整智能体的属性参数使任意智能体的行为产生个体化差异。
S3、将混合交通场景中任一个智能体的行为结果表征为不同交互作用力的组合,得到统一的合力表达式。
S4、根据统一的合力表达式,基于简化的社会力计算模型,结合智能体类型,计算每个智能体的受力情况。
所述的统一合力表达式如式(1)所示:
其中,Fi表示智能体i所受到的合力,表示智能体i期望到达目的地所产生的自我驱动力,Fij表示智能体i受到的邻近范围内任何其他个体j的排斥力,个体j∈A∪W表示是j是智能体、道路边界或障碍物,A表示与智能体i邻近的智能体集合,W表示行驶道路边界或与智能体i邻近的障碍物集合。
所述的Fij的计算公式如式(3)所示:
如图2和图3所示,对任意一个智能体施加直接排斥力的个体,可以是另一个智能体,也可以是某一条道路边界。对于汽车而言,道路两侧施加的直接排斥力能保证其沿着这一条道路行驶。
所述用于控制简化的社会力计算模型的系数α和β的计算公式如下:
式(5)所示:
其中,si0表示智能体i期望与其他个体保持的安全距离,vi表示智能体i的实时速度,Ti表示智能体i制动所需的反应时间,ai和bi分别表示智能体i期望采取的最大加速度和减速度,Δvij则表示智能体i与个体j的相对速度,本实施例设定上述参数的数值如表1所示。
表1
其中,k表示视角系数,其值为智能体i的朝向与i到j方向的夹角的余弦值,表示垂直于nij方向的单位向量;代表个体j对智能体i的直接排斥力,表示由j产生的指向i的点对点排斥效果;||||代表取力的数值大小。
如图4所示,汽车在受阻时的变道行为可以直接通过相邻车道施加道路边界排斥力来实现,而不需要施加横向排斥力。汽车的变道超车行为本质自行车绕过行人前进的行为相似,均为横向避让,横向排斥力设计用于实现诸如此类的横向避让-超越行为。但本发明中所有汽车前进方向的垂直方向上,会一直施加有道路边界的排斥力以保持其沿指定道路稳定行驶,因此可以特别利用这一直存在的车道排斥力米实现横向的避让,即变道,从而避免了高速行驶的汽车突然施加额外的力出现一些行为上的不流畅。
S5、实时更新所有智能体的受力情况,结合具体的交通规则进行所述混合交通场景仿真。
Claims (8)
1.一种基于简化的社会力模型的混合交通仿真方法,其特征在于,包括如下步骤:
S1、定义统一描述智能体的基本属性与行为的智能体基类,进一步从智能体基类派生得到智能体类型,所述的智能体类型通过属性参数模拟智能体的特有属性和行为举止;
S2、在仿真系统中输入包含智能体,道路边界信息以及障碍物信息的混合交通场景,设定每个智能体的智能体类型;
S3、将混合交通场景中任一个智能体的行为结果表征为不同交互作用力的组合,得到统一的合力表达式;
S4、根据统一的合力表达式,基于简化的社会力计算模型,结合智能体类型,计算每个智能体的受力情况;
S5、实时更新所有智能体的受力情况,结合具体的交通规则进行所述混合交通场景仿真。
2.根据权利要求1所述的混合交通仿真方法,其特征在于,步骤S1中,所述的属性参数为智能体尺寸、预期运动速度、智能体期望与其他个体保持的安全距离、智能体受影响范围、智能体制动所需的反应时间、智能体期望采取的最大加速度或减速度。
3.根据权利要求1所述的混合交通仿真方法,其特征在于,步骤S2中,设定每个智能体的智能体类型后,调整属性参数使任意智能体的行为产生个体化差异。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570733.4A CN111767648B (zh) | 2020-06-19 | 2020-06-19 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010570733.4A CN111767648B (zh) | 2020-06-19 | 2020-06-19 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111767648A true CN111767648A (zh) | 2020-10-13 |
CN111767648B CN111767648B (zh) | 2022-04-29 |
Family
ID=72721313
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010570733.4A Active CN111767648B (zh) | 2020-06-19 | 2020-06-19 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111767648B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581756A (zh) * | 2020-11-16 | 2021-03-30 | 东南大学 | 一种基于混合交通的行车风险评估方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004068318A2 (en) * | 2003-01-29 | 2004-08-12 | Indasea Inc. | Cultural simulation model for modeling of agent behavioral expression and simulation data visualization methods |
CN104778072A (zh) * | 2015-04-16 | 2015-07-15 | 浙江大学 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
CN108804810A (zh) * | 2018-06-07 | 2018-11-13 | 西南交通大学 | 基于社会力的交叉口横跨式施工区交通流模型建立方法 |
CN109992886A (zh) * | 2019-04-01 | 2019-07-09 | 浙江大学 | 一种基于社会力的混合交通仿真方法 |
CN110427682A (zh) * | 2019-07-26 | 2019-11-08 | 清华大学 | 一种基于虚拟现实的交通场景模拟实验平台和方法 |
CN110782661A (zh) * | 2019-09-17 | 2020-02-11 | 浙江大学 | 一种基于数据驱动优化的通用混合交通仿真方法 |
CN111291469A (zh) * | 2020-01-17 | 2020-06-16 | 东南大学 | 一种基于多智能体的人行横道混合交通流仿真方法与系统 |
-
2020
- 2020-06-19 CN CN202010570733.4A patent/CN111767648B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2004068318A2 (en) * | 2003-01-29 | 2004-08-12 | Indasea Inc. | Cultural simulation model for modeling of agent behavioral expression and simulation data visualization methods |
CN104778072A (zh) * | 2015-04-16 | 2015-07-15 | 浙江大学 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
CN108804810A (zh) * | 2018-06-07 | 2018-11-13 | 西南交通大学 | 基于社会力的交叉口横跨式施工区交通流模型建立方法 |
CN109992886A (zh) * | 2019-04-01 | 2019-07-09 | 浙江大学 | 一种基于社会力的混合交通仿真方法 |
CN110427682A (zh) * | 2019-07-26 | 2019-11-08 | 清华大学 | 一种基于虚拟现实的交通场景模拟实验平台和方法 |
CN110782661A (zh) * | 2019-09-17 | 2020-02-11 | 浙江大学 | 一种基于数据驱动优化的通用混合交通仿真方法 |
CN111291469A (zh) * | 2020-01-17 | 2020-06-16 | 东南大学 | 一种基于多智能体的人行横道混合交通流仿真方法与系统 |
Non-Patent Citations (9)
Title |
---|
叶倩倩: "基于社会力的人车混合交通模拟", 《中国优秀硕士学位论文全文数据库(电子期刊)工程科技II辑》 * |
周烨等: "基于GAMA平台的多智能体应急疏散仿真模型", 《测绘工程》 * |
孙菲: "混合交通流下的智能交通系统建模、控制与仿真", 《自动化与仪器仪表》 * |
崔鑫等: "无信号交叉口人行横流与车辆冲突干扰仿真分析", 《森林工程》 * |
张晋等: "基于多智能体的城域混合交通仿真系统的体系结构", 《复杂系统与复杂性科学》 * |
李律锌等: "客运枢纽内行人行为社会力建模研究", 《福建交通科技》 * |
王子甲等: "基于Agent的社会力模型实现及地铁通道行人仿真", 《华南理工大学学报(自然科学版)》 * |
邱小平等: "基于社会力的信号交叉口施工区交通流建模", 《交通运输系统工程与信息》 * |
高鹏等: "城市轨道交通车站客流仿真中的事件驱动模型", 《系统工程理论与实践》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112581756A (zh) * | 2020-11-16 | 2021-03-30 | 东南大学 | 一种基于混合交通的行车风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111767648B (zh) | 2022-04-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
Zhang et al. | A game theoretic model predictive controller with aggressiveness estimation for mandatory lane change | |
CN109213148B (zh) | 一种基于深度强化学习的车辆低速跟驰决策方法 | |
CN106991251B (zh) | 一种高速公路交通流元胞机仿真方法 | |
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 | |
Li et al. | Combined trajectory planning and tracking for autonomous vehicle considering driving styles | |
CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
CN113297721A (zh) | 一种信号交叉口车辆选择出口道的仿真方法和装置 | |
Yu et al. | Modeling and simulation of overtaking behavior involving environment | |
Sarvi et al. | Freeway ramp merging phenomena in congested traffic using simulation combined with a driving simulator | |
CN115257819A (zh) | 城市低速环境下的大型营运车辆安全驾驶决策方法 | |
Yu et al. | Modeling overtaking behavior in virtual reality traffic simulation system | |
CN111767648B (zh) | 一种基于简化的社会力计算模型的混合交通仿真方法 | |
Fujii et al. | Multi-agent based traffic simulation at merging section using coordinative behavior model | |
Ni | 2DSIM: a prototype of nanoscopic traffic simulation | |
Sharath et al. | 2‐dimensional human‐like driver model for autonomous vehicles in mixed traffic | |
Naseri et al. | A real-time lane changing and line changing algorithm for driving simulators based on virtual driver behavior | |
Fredette et al. | Swarm-inspired modeling of a highway system with stability analysis | |
Fan et al. | A Co-Simulation Platform for Powertrain Controls Development | |
Jordanoska et al. | Comparative analysis of car following models based on driving strategies using simulation approach | |
Teng et al. | Car Following Model Based on Driving Risk Field for Vehicle Infrastructure Cooperation | |
CN116749925B (zh) | 面向人机混驾的仿人工驾驶证据动态累积制动方法及系统 | |
Félez et al. | A full driving simulator of urban traffic including traffic accidents | |
Yang et al. | Real traffic data-driven animation simulation | |
O'Brien et al. | Analysis of driving data for autonomous vehicle applications |
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 |