CN113012426B - 混合交通流下的跟车方法及系统 - Google Patents
混合交通流下的跟车方法及系统 Download PDFInfo
- Publication number
- CN113012426B CN113012426B CN202110154741.5A CN202110154741A CN113012426B CN 113012426 B CN113012426 B CN 113012426B CN 202110154741 A CN202110154741 A CN 202110154741A CN 113012426 B CN113012426 B CN 113012426B
- Authority
- CN
- China
- Prior art keywords
- following
- traffic flow
- vehicle
- car
- mixed 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000004458 analytical method Methods 0.000 claims abstract description 24
- 230000001133 acceleration Effects 0.000 claims abstract description 14
- 238000003860 storage Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000035945 sensitivity Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 description 23
- 230000006870 function Effects 0.000 description 19
- 230000006399 behavior Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]
Landscapes
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供一种混合交通流下的跟车方法及系统,属于智能交通跟车技术领域,包括基于最优速度函数,构建混合交通流下的跟车模型;根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;根据稳定条件控制车辆加速度,实现稳定跟车。本发明在智能网联车和非智能网联车组成的混合交通流下,实现了车辆的稳定跟车,根据跟车模型,可实现混合交通流下的稳定跟车模拟。
Description
技术领域
本发明涉及智能交通跟车技术领域,具体涉及一种城市道路中由智能网联车辆与非智能网联车组成的混合交通流下的跟车方法及系统。
背景技术
城市交通流下的跟车行为研究对于解决城市交通拥堵问题具有重要意义。城市交通流是一个复杂的系统,基于交通流理论,可以将车辆简化为一个个粒子,有助于研究汽车的跟车行为。跟车模型是一种典型的微观模型,代表了交通流中车辆之间的复杂相互作用。现有的跟车模型如,Newell提出的基于最优速度(OV)函数的跟车模型,Bando提出的经典最优速度模型(OVM),基于班多模型提出的例如全速度差模型(FVDM)。上述跟车模型研究的是在传统交通环境下车辆与基础设施之间没有信息交互的情况下的跟车问题。
飞速发展的信息通信技术促进了车辆间通信的实现,并为探索复杂的跟车性能提供了新的途径,这为智能交通系统指明了新的发展方向。因此,基于信息通信技术的发展,跟车模型的提出考虑了V2V(车车通信)或V2X(车路通信)等通信环境下的业务流动态。Jia和Ngoduy提出了一种基于V2X的增强型协作汽车跟随模型,以提高交通流效率。Sun等提出了一种基于V2V的OV跟随模型,并考虑了前两辆连续车辆对当前车辆的影响。上述工作虽然为研究V2X通信环境下的交通流动态提供了丰富的理论基础。但是,其研究前提是假定所有车辆都配备了通信设备,而并没有考虑智能联网车辆和非智能联网车辆组成的混合交通流形式、车辆的反应系数和跟车间距等,无法准确模拟混合交通流下的跟车动态行为。
发明内容
本发明的目的在于提供一种混合交通流下的跟车方法及系统,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供的一种混合交通流下的跟车方法,包括:
基于最优速度函数,构建混合交通流下的跟车模型;
根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
根据稳定条件控制车辆加速度,实现稳定跟车。
优选的,构建混合交通流下的跟车模型包括:
根据混合交通流跟车特点并基于OV跟车模型,构建可模拟混合交通流跟车行为的跟车模型:
其中,xn(t)表示车辆n在时间t时的位置,αn表示车辆n的跟车敏感系数,表示最优跟车速度,qi(i=1,2,...,k)表示常数,根据车辆的类型在队伍中排列形式有q0>q1>...>qk(q0≠0);q0表示不为零的常数;hn-i(t)表示车辆n-i在时间t时与前车的车距,其中i=0,1,2…k,k表示第k辆车。
优选的,进行混合交通流跟车的线性稳定性分析包括:
交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵。
优选的,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件包括:
根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
优选的,所述稳定条件为:跟车敏感系数α的取值满足α=Vmax{1-[tan(h-hs)]2};
其中,Vmax表示车辆的最大行驶速度,hs表示安全跟车间距,h表示两车间的实际车距。
第二方面,本发明提供一种混合交通流下的跟车系统,包括:
构建模块,用于基于最优速度函数,构建混合交通流下的跟车模型;
判定模块,用于根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
控制模块,用于根据稳定条件控制车辆加速度,实现稳定跟车。
优选的,所述判定模块包括分析单元和计算单元;
所述分析单元,用于在交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵;
所述计算单元,用于根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的混合交通流下的跟车方法的指令。
第四方面,本发明提供一种电子设备,包括如上所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
第五方面,本发明提供一种电子设备,所述电子设备包括用于执行如上所述的混合交通流下的跟车方法的装置。
本发明有益效果:在智能网联车和非智能网联车组成的混合交通流下,实现了车辆的稳定跟车,根据跟车模型,可实现混合交通流下的稳定跟车模拟。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的混合交通流下的基本跟车场景示意图。
图2为本发明实施例所述的混合交通流下跟车模拟的方法流程图。
图3为本发明实施例所述的场景一下的跟车扰动结果示意图。
图4为本发明实施例所述的场景二下的混合交通流跟车场景示意图。
图5为本发明实施例所述的场景二下的组合(1)的跟车扰动结果示意图。
图6为本发明实施例所述的场景二下的组合(2)的跟车扰动结果示意图。
图7为本发明实施例所述的场景二下的组合(3)的跟车扰动结果示意图。
图8为本发明实施例所述的场景三下的混合交通流跟车场景示意图。
图9为本发明实施例所述的场景三下的组合(1)的跟车扰动结果示意图。
图10为本发明实施例所述的场景三下的组合(2)的跟车扰动结果示意图。
图11为本发明实施例所述的场景三下的组合(3)的跟车扰动结果示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本发明的描述中,需要理解的是,术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”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,因此不能理解为对本发明的限制。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种混合交通流下的跟车系统,该系统包括:
构建模块,用于基于最优速度函数,构建混合交通流下的跟车模型;
判定模块,用于根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
控制模块,用于根据稳定条件控制车辆加速度,实现稳定跟车。
在本实施例1中,所述判定模块包括分析单元和计算单元;
所述分析单元,用于在交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵;
所述计算单元,用于根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
在本实施例1中,利用上述系统实现了了一种混合交通流下的跟车方法,该方法包括:
基于最优速度函数,构建混合交通流下的跟车模型;
根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
根据稳定条件控制车辆加速度,实现稳定跟车。
在本实施例1中,构建混合交通流下的跟车模型包括:
根据混合交通流跟车特点并基于OV跟车模型,构建可模拟混合交通流跟车行为的跟车模型:
其中,xn(t)表示车辆n在时间t时的位置,αn表示车辆n的跟车敏感系数,表示最优跟车速度,qi(i=1,2,...,k)表示常数,根据车辆的类型在队伍中排列形式有q0>q1>...>qk(q0≠0);q0表示不为零的常数;hn-i(t)表示车辆n-i在时间t时与前车的车距,其中i=0,1,2…k,k表示第k辆车。
在本实施例1中,进行混合交通流跟车的线性稳定性分析包括:
交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵。
在本实施例1中,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件包括:
根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
在本实施例1中,所述稳定条件为:
跟车敏感系数α的取值满足α=Vmax{1-[tan(h-hs)]2};
其中,Vmax表示车辆的最大行驶速度,hs表示安全跟车间距,h表示两车间的实际车距。
实施例2
现有的研究交通流跟车问题的模型和方法已不适用于研究混合交通流的跟车问题,因为交通流的构成形式、车辆的反应系数和跟车间距等发生实质性变化,所以相应的研究方法有必要做出改进。
因此,在本实施例2中,提出了一种模拟混合交通流跟车问题的方法及系统,基于两种车辆在跟车过程中特点,对跟车模型进行改进,提出了准确模拟混合交通流跟车动态行为的方法。
如图1所示,显示了混合交通流的基本跟车场景(单车道无超车)。由于车辆类型不同,出现四种跟车组合,包括智能网联车-智能网联车(CC),智能网联车-非智能网联车(CN),非智能网联车-非智能网联车(NN)和非智能网联车-智能网联车(NC)共存的混合交通流。通过V2V通信,智能网联车辆可以无时延地接收扰动信息。对于非智能网联车辆,如果没有V2V通信,表现出一种相对于前车的被动、盲从跟车行为。结果,混合交通流被分为一些车辆集群,集群数量由智能网联车的数量决定。
根据混合交通流跟车特点并基于Bando提出的OV跟车模型,提出可模拟混合交通流跟车行为的改进OV跟车模型:
其中,xn(t)表示车辆n在时间t时的位置,αn表示车辆n的跟车敏感系数,表示最优跟车速度,qi(i=1,2,...,k)表示常数,根据车辆的类型在队伍中排列形式有q0>q1>...>qk(q0≠0);q0表示不为零的常数;hn-i(t)表示车辆n-i在时间t时与前车的车距,其中i=0,1,2…k,k表示第k辆车。由于两种车辆对应时间不同,因此对与四种组合应该对应四种反应系数,即αcc,αcn,αnn,αnc。
接着,对给出的跟车模型,给出混合交通流跟车的线性稳定性分析。交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,式(1)可转化为如下形式
为了得到系统的稳定条件,公式(2)重新转换为:
其中,
其中,A0表示第n辆车的车间距为h*时最优速度函数相对于跟车间距的偏导数;表示求偏导,h*表示稳态时的跟车间距,Ak表示第n-k辆车的车间距为h*时最优速度函数相对于跟车间距的偏导数,v*表示稳态时的车辆行驶速度。
进一步化简可得到:
跟车系统的传递函数可定义为:
其特征多项式为:d(s)=s2+αns+αn(A0q0+A1q1+...+Akqk);
根据稳定性原理,如果d(s)稳定且||Gn(s)||≤1时,则不会发生交通拥堵;由于αn>0,且有A0q0+A1q1+...+Akqk>0,因此根据Hurwitz稳定判据,可得出d(s)稳定。接着,考虑||Gn(s)||∞≤1,有:
ω2+(αn)2≥2αn(A0q0+A1q1+...+Akqk);其中,ω表示角频率。
经过进一步计算,系统稳定的充要条件为:
αn≥2(A0q0+A1q1+...+Akqk) (7)。
因此,满足条件(7)的跟车系统中不会发生交通拥堵。
跟车敏感系数α的取值满足α=Vmax{1-[tan(h-hs)]2};;
其中,Vmax表示车辆的最大行驶速度,hs表示安全跟车间距,h表示两车间的实际车距。
实施例3
如图2所示,本实施例3提供一种研究混合交通流跟车问题的方法及系统,包括如下步骤:根据两种不同的车辆类型构成的四种跟车组合,对应设计四种跟车反应系数;基于设计的四种反应系数,与原始的最优速度模型(OV)相结合,得到改进后的基于混合交通流的最优速度跟车模型;调整车辆的比例、分布变化和反应系数,进行混合交通流的跟车动态模拟;
根据两种不同类型的车辆构成的四种跟车组合,其对应的四种反应系数分别为αcc、αcn、αnn、αnc。反应系数的取值可根据不同的情形动态调整,取值的准则服从αcc>αcn>αnn>αnc.
改进后的OV模型为:
基于混合交通流跟车模型具体为:
其中,xn(t)表示车辆n在时间t时的位置,αn表示车辆n的跟车敏感系数,表示最优跟车速度,qi(i=1,2,...,k)表示常数,根据车辆的类型在队伍中排列形式有q0>q1>...>qk(q0≠0);q0表示不为零的常数;hn-i(t)表示车辆n-i在时间t时与前车的车距,其中i=0,1,2…k,k表示第k辆车。
车辆n的最优速度函数与第n-1辆车最为相关,随着与前方车辆的间隔增大,对当前车n的影响越小,因此车辆n的最优速度函数vop(·)的构成形式由q决定,且满足q0>q1>...>qk(q0≠0)。
对于不同类型车辆的比例和分布形式,目前车辆的比例为两种,即非智能网联车为100%、智能网联车和非智能网联车各位50%;混合交通流中车辆的分布形式为:车辆比例各为50%时,采用两种车辆集群和采用四种车辆集群的分形式,每种车辆集群中的车辆类型一致。
在本实施例3中,进行了跟车仿真模拟:
通过matlab模拟由智能网联车和非智能网联车组成的混合交通流的跟车场景,假设在模拟过程中,总共由100辆车在环形单车道路面上,无超车行为进行跟车行驶。相关参数的设置为T=0.1s,αcc=2,αcn=1.7,αnc=1.4,αnn=1.1,hs=3m,Vc max=2.2m/s,q0=0.7,q1=0.25,q2=0.05,仿真的时间步长为0.1s,考虑交通流的初始状态为稳定。
场景一:非智能网联车的比例为100%
如图3所示,图3展示了交通流中出现了扰动时(Δv=0.1m/s),车辆在跟车过程中会产生严重扰动,甚至发生交通拥堵。其中图3(a)为扰动时空演变图,图3(b)为扰动引起的滞回曲线图。由图3可知,车辆的跟车间距发生了剧烈的变化,重新恢复到稳定的时间较长。
场景二:非智能网联车与智能网联车的比例各为50%
考虑混合交通流中两种车辆的组合形式分别为,1对CN组合,49对CC组合,1对CN组合和49对NN组合,如图4所示。
设定三种不同的跟车反应系数组合:
(1)αcc=1.8,αcn=1.5,αnc=1.2,αnn=1.1;
(2)αcc=2.0,αcn=1.5,αnc=1.4,αnn=1.1;
(3)αcc=2.0,αcn=1.7,αnc=1.5,αnn=1.2。
图5至图7给出了在上述场景二下跟车组合情形时的跟车动态表现。其中,图5(a)为(1)组合的扰动时空演变图,图5(b)为(1)组合的扰动引起的滞回曲线图。图6(a)为(2)组合的扰动时空演变图,图6(b)为(2)组合的扰动引起的滞回曲线图。图7(a)为(3)组合的扰动时空演变图,图7(b)为(3)组合的扰动引起的滞回曲线图。
交通流中头车发生了短时的瞬时扰动(Δv=0.1m/s),但持续的时间并不长,车辆很快恢复稳定,随着反正系数的增大,交通流中出现扰动时,跟车的表现转好。鉴于车辆的性能不同,交通流中明显出现了跟车间距的差异性,说明了智能网联车的在跟车过程中始终保持了与前车较小的跟车间距。
场景三:非智能网联车与智能网联车的比例各为50%,但比较于场景二,车辆的分布形式发生变化,如图8所示。
同样设定三种不同的跟车反应系数组合:
(1)αcc=1.8,αcn=1.5,αnc=1.2,αnn=1.1;
(2)αcc=2.0,αcn=1.5,αnc=1.4,αnn=1.1;
(3)αcc=2.0,αcn=1.7,αnc=1.5,αnn=1.2。
图9至图11给出了在上述场景三下跟车组合情形时的跟车动态表现。其中,图9(a)为(1)组合的扰动时空演变图,图9(b)为(1)组合的扰动引起的滞回曲线图。图10(a)为(2)组合的扰动时空演变图,图10(b)为(2)组合的扰动引起的滞回曲线图。图11(a)为(3)组合的扰动时空演变图,图11(b)为(3)组合的扰动引起的滞回曲线图。
交通流中头车同样发生了短时的瞬时扰动(Δv=0.1m/s),当车辆的反应系数较小时,交通流中发生了较为严重的波动,但随着反应系数增大,面对同样的干扰,交通流没有产生较大的波动,且车辆很快恢复稳定。交通流中由于不同车辆种类的分布形式,出现了方波形状的跟车间距表现。
通过模拟验证,发明专利中所提出的跟车模型适用于研究混合交通流的跟车问题,模拟得到的跟车时空轨迹图像可以准确的反映不同类型车辆在跟车过程中的动态行为。
实施例4
本实施例4提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质包括用于执行如上所述的混合交通流下的跟车方法的指令。
实施例5
本实施例5提供一种电子设备,包括如上所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
实施例6
本实施例6提供一种电子设备,所述电子设备包括用于执行如上所述的混合交通流下的跟车方法的装置。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅为本公开的优选实施例,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种混合交通流下的跟车方法,其特征在于,包括:
基于最优速度函数,构建混合交通流下的跟车模型;
根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
根据稳定条件控制车辆加速度,实现稳定跟车;
所述构建混合交通流下的跟车模型包括:
根据混合交通流跟车特点并基于OV跟车模型,构建可模拟混合交通流跟车行为的跟车模型:
2.根据权利要求1所述的混合交通流下的跟车方法,其特征在于,进行混合交通流跟车的线性稳定性分析包括:
交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵。
3.根据权利要求2所述的混合交通流下的跟车方法,其特征在于,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件包括:
根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
4.根据权利要求3所述的混合交通流下的跟车方法,其特征在于,所述稳定条件为:跟车敏感系数α的取值满足α=Vmax{1-[tan(h-hs)]2};其中,Vmax表示车辆的最大行驶速度,hs表示安全跟车间距,h表示两车间的实际车距。
5.一种混合交通流下的跟车系统,其特征在于,包括:
构建模块,用于基于最优速度函数,构建混合交通流下的跟车模型;
所述构建混合交通流下的跟车模型包括:
根据混合交通流跟车特点并基于OV跟车模型,构建可模拟混合交通流跟车行为的跟车模型:
其中,xn(t)表示车辆n在时间t时的位置,αn表示车辆n的跟车敏感系数,表示最优跟车速度,qi(i=1,2,...,k)表示常数,根据车辆的类型在队伍中排列形式有q0>q1>...>qk(q0≠0);q0表示不为零的常数,hn-i(t)表示车辆n-i在时间t时与前车的车距,其中i=0,1,2…k;k表示第k辆车;
判定模块,用于根据跟车模型,进行混合交通流跟车的线性稳定性分析,结合Hurwitz稳定判据,确定混合交通流处于稳定状态的稳定条件;
控制模块,用于根据稳定条件控制车辆加速度,实现稳定跟车。
6.据权利要求5所述的混合交通流下的跟车系统,其特征在于,所述判定模块包括分析单元和计算单元;
所述分析单元,用于在交通流处于稳定状态时,车辆的加速度为0,车辆之间保持稳定的跟车间距,根据线性系统的稳定性分析方法,对跟车模型进行求解,得到跟车稳定性条件矩阵;
所述计算单元,用于根据跟车稳定性条件矩阵,结合跟车传递函数,根据稳定性原理和Hurwitz稳定判据,获得稳定条件。
7.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质包括用于执行如权利要求1-4任一项所述的混合交通流下的跟车方法的指令。
8.一种电子设备,其特征在于,包括如权利要求7所述的非暂态计算机可读存储介质;以及能够执行所述非暂态计算机可读存储介质的所述指令的一个或多个处理器。
9.一种电子设备,所述设备包括用于执行如权利要求1-4任一项所述的混合交通流下的跟车方法的装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154741.5A CN113012426B (zh) | 2021-02-04 | 2021-02-04 | 混合交通流下的跟车方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110154741.5A CN113012426B (zh) | 2021-02-04 | 2021-02-04 | 混合交通流下的跟车方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012426A CN113012426A (zh) | 2021-06-22 |
CN113012426B true CN113012426B (zh) | 2022-04-15 |
Family
ID=76385065
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110154741.5A Expired - Fee Related CN113012426B (zh) | 2021-02-04 | 2021-02-04 | 混合交通流下的跟车方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012426B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114355883A (zh) * | 2021-11-30 | 2022-04-15 | 山东师范大学 | 自适应跟车方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800194A (zh) * | 2012-08-27 | 2012-11-28 | 西北工业大学 | 考虑斜坡因素的fvdm交通流跟驰模型稳定性建模方法 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107103749A (zh) * | 2017-05-19 | 2017-08-29 | 长安大学 | 车联网环境下跟驰交通流特性建模方法 |
CN112124309A (zh) * | 2020-09-22 | 2020-12-25 | 山东劳动职业技术学院(山东劳动技师学院) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11138349B2 (en) * | 2015-12-04 | 2021-10-05 | International Business Machines Corporation | System and method for simulating traffic flow distributions with approximated vehicle behavior near intersections |
-
2021
- 2021-02-04 CN CN202110154741.5A patent/CN113012426B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800194A (zh) * | 2012-08-27 | 2012-11-28 | 西北工业大学 | 考虑斜坡因素的fvdm交通流跟驰模型稳定性建模方法 |
CN106407563A (zh) * | 2016-09-20 | 2017-02-15 | 北京工业大学 | 一种基于驾驶类型和前车加速度信息的跟驰模型生成方法 |
CN107103749A (zh) * | 2017-05-19 | 2017-08-29 | 长安大学 | 车联网环境下跟驰交通流特性建模方法 |
CN112124309A (zh) * | 2020-09-22 | 2020-12-25 | 山东劳动职业技术学院(山东劳动技师学院) | 基于5g通信的城市交通流跟车控制方法及装置、车载终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113012426A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Stability analysis of an extended intelligent driver model and its simulations under open boundary condition | |
CN107015477B (zh) | 基于状态反馈的车辆路径跟踪h∞控制方法 | |
CN106476806B (zh) | 基于交通信息的协同式自适应巡航系统算法 | |
CN107554524B (zh) | 一种基于主观危险感知的跟驰模型稳定性控制方法 | |
CN113066282B (zh) | 一种面向混行环境下车辆跟驰耦合关系建模方法及系统 | |
CN113219962B (zh) | 一种面向混行队列跟驰安全的控制方法、系统及存储介质 | |
CN113378413B (zh) | 基于Vissim构建仿真路网平台系统、方法、设备及存储介质 | |
Yang et al. | Cellular automata–based modeling and simulation of a mixed traffic flow of manual and automated vehicles | |
CN113012426B (zh) | 混合交通流下的跟车方法及系统 | |
Li et al. | A heterogeneous traffic flow model consisting of two types of vehicles with different sensitivities | |
CN107544254A (zh) | 一种期望安全裕度跟驰模型的自适应动态滑模控制方法 | |
CN113865883A (zh) | 基于测试车辆状态采集的智能驾驶及adas测试模拟方法和系统 | |
CN113253612B (zh) | 一种自动驾驶控制方法、装置、设备及可读存储介质 | |
CN110116730A (zh) | 一种车辆制动控制方法、系统、设备和介质 | |
Jiang et al. | Risk Modeling and Quantification of a Platoon in Mixed Traffic Based on the Mass‐Spring‐Damper Model | |
Ma et al. | Improved car-following model for connected vehicles considering backward-looking effect and motion information of multiple vehicles | |
Zhang et al. | An improved car-following model based on multiple preceding vehicles under connected vehicles environment | |
Dunn | Attacker-induced traffic flow instability in a stream of automated vehicles | |
CN113485329B (zh) | 一种车辆多队列协同控制方法 | |
Ren et al. | An intersection platoon speed control model considering traffic efficiency and energy consumption in cvis | |
Xin-Gang et al. | Traffic dynamics of an on-ramp system with a cellular automaton model | |
Meng-Long et al. | A new cellular automata model considering finite deceleration and braking distance | |
Chen et al. | Enhancing the realism of autonomous driving simulation with real-time co-simulation | |
Ankem | String Stability of Vehicle Platoons with Heterogeneity in Time Headway. | |
Chen et al. | Heterogeneous vehicle platoon control based on predictive constant time headway strategy |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20220415 |