CN113223324A - 高速匝道入口合流的控制方法 - Google Patents

高速匝道入口合流的控制方法 Download PDF

Info

Publication number
CN113223324A
CN113223324A CN202110318210.5A CN202110318210A CN113223324A CN 113223324 A CN113223324 A CN 113223324A CN 202110318210 A CN202110318210 A CN 202110318210A CN 113223324 A CN113223324 A CN 113223324A
Authority
CN
China
Prior art keywords
vehicle
confluence
state
area
control
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
Application number
CN202110318210.5A
Other languages
English (en)
Other versions
CN113223324B (zh
Inventor
庄伟超
周闪星
殷国栋
刘帅鹏
刘昊吉
李志翰
朱峙臻
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110318210.5A priority Critical patent/CN113223324B/zh
Publication of CN113223324A publication Critical patent/CN113223324A/zh
Application granted granted Critical
Publication of CN113223324B publication Critical patent/CN113223324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Abstract

本发明公开了一种高速匝道入口合流的控制方法，涉及智能交通车辆运动控制技术领域，解决了高速匝道入口合流效率低且安全性不高的技术问题，其技术方案要点是通过高速匝道入口合流场景的控制区域和合流区域建立车辆运动控制方程，基于所述车辆运动控制方程构建多智能体马尔科夫决策，基于所述多智能体马尔科夫决策构建多智能体Q‑learning算法，根据所述多智能体Q‑learning算法求解车辆合流的最优轨迹，实现车辆合流。通过多智能体Q‑learning算法来求解车辆通行的最优轨迹，创新性地构造了含有能耗量、时延量以及安全量的奖励函数，使得车辆行驶时达到能耗最优、通行最优、安全驾驶。

Description

高速匝道入口合流的控制方法
技术领域
本公开涉及智能交通车辆运动控制技术领域，尤其涉及一种高速匝道入口合流的控制方法。
背景技术
随着我国人口和汽车保有量日益增多，交通拥堵现象也日益严重。高速匝道入口场景是城市交通中常见的交通环境，目前匝道车辆行驶安全性较低以及能耗消耗过大多是由于车辆排队现象严重造成的；匝道车辆为寻求合适间隙以并入主道而停车等待，从而造成通行效率低下。因此对高速匝道入口进行有效的合流控制将会大大提高车辆通行的效率和安全，并降低能耗。
在现有技术中，基于极小值原理的合流控制方法不能达到实时性，不利于行车安全；以动态规划控制算法为代表的优化控制方法均以数值求解为主，计算复杂度高；此外，现有研究较少同时考虑行车安全、节能、高效三个优化目标，只解决了单一问题。
发明内容
本公开提供了一种高速匝道入口合流的控制方法，其技术目的是在同时考虑行车安全、节能、高效的情况下，提高高速匝道入口合流的效率和安全性能，并降低能耗。
本公开的上述技术目的是通过以下技术方案得以实现的：
一种高速匝道入口合流的控制方法，包括：
步骤S1：搭建高速匝道入口合流场景，即将高速匝道入口合流场景划分为至少两个控制区域和一个合流区域；
步骤S2：基于所述控制区域和所述合流区域建立车辆运动控制方程，即以车辆i的位移pi(t)、速度vi(t)、加速度ui(t)及加速度变化率ji(t)为参数构建所述车辆运动控制方程；其中，i表示车辆的身份编号，车辆进入所述控制区域后被给予一个身份编号i，该身份编号i即表示该车辆进入所述控制区域的先后顺序，i∈n(t)∈n#(2)，n(t)即表示在时刻t所述控制区域内车辆的总数，n则表示所述控制区域内的车辆总数；
步骤S3：基于所述车辆运动控制方程构建多智能体马尔科夫决策；
步骤S4：基于所述多智能体马尔科夫决策构建多智能体Q-learning算法，根据所述多智能体Q-learning算法求解车辆合流的最优轨迹，实现车辆合流；
其中，所述控制区域的交接处形成所述合流区域，所述合流区域的长度为d，d＝2×dsafe+lv#(1)；式(1)中，dsafe表示同一车道上前后车辆之间的安全距离，lv表示单个车辆的平均长度。
本公开的有益效果在于：本公开所述的高速匝道入口合流的控制方法，通过高速匝道入口合流场景的控制区域和合流区域建立车辆运动控制方程，基于所述车辆运动控制方程构建多智能体马尔科夫决策，基于所述多智能体马尔科夫决策构建多智能体Q-learning算法，根据所述多智能体Q-learning算法求解车辆合流的最优轨迹，实现车辆合流。通过多智能体Q-learning算法来求解车辆通行的最优轨迹，创新性地构造了含有能耗量、时延量以及安全量的奖励函数，使得车辆行驶时达到能耗最优、通行最优、安全驾驶。
附图说明
图1为本公开所述方法的流程图；
图2为控制区域和合并区域的示意图；
图3为步骤S4中横向碰撞确定时车辆在合流区域的示意图。
具体实施方式
下面将结合附图对本公开技术方案进行详细说明。
本公开所述的高速匝道入口合流的控制方法，包括：步骤S1：搭建高速匝道入口合流场景，即将高速匝道入口合流场景划分为至少两个控制区域和一个合流区域。其中，所述控制区域的交接处形成所述合流区域，所述合流区域的长度为d，d＝2×dsafe+lv#(1)；式(1)中，dsafe表示同一车道上前后车辆之间的安全距离，lv表示单个车辆的平均长度，如图2所示。
步骤S2：基于所述控制区域和所述合流区域建立车辆运动控制方程，即以车辆i的位移pi(t)、速度vi(t)、加速度ui(t)及加速度变化率ji(t)为参数构建所述车辆运动控制方程；其中，i表示车辆的身份编号，车辆进入所述控制区域后被给予一个身份编号i，该身份编号i即表示该车辆进入所述控制区域的先后顺序，i∈n(t)∈n#(2)，n(t)即表示在时刻t所述控制区域内车辆的总数，n则表示所述控制区域内的车辆总数。
具体地，所述车辆运动控制方程包括：
vi(t)＝dpi(t)/dt# (3)；
ui(t)＝dvi(t)/dt# (4)；
ji(t)＝dui(t)/dt# (5)；
其中，
Figure BDA0002991674770000021
Figure BDA0002991674770000022
Figure BDA0002991674770000023
分别表示控制区域内允许的车辆的最小速度、最大速度，
Figure BDA0002991674770000024
分别表示控制区域内允许的车辆的最小加速度、最大加速度，
Figure BDA0002991674770000025
分别表示控制区域内允许的车辆的最小加速度变化率、最大加速度变化率；
Figure BDA0002991674770000026
表示车辆i进入控制区域的时刻，
Figure BDA0002991674770000027
表示车辆i离开合流区域的时刻。
步骤S3：基于所述车辆运动控制方程构建多智能体马尔科夫决策。
具体地，多智能体马尔科夫决策包括：＜n,S,U,P,R,γ＞#(9)；其中，S表示控制区域内所有车辆的状态集合，S＝{si}，si表示车辆i的状态，该状态包括车辆i的位移pi(t)和速度vi(t)；U表示控制区域内所有车辆采取的动作集合，U＝{ui}，ui表示车辆i的加速度ui(t)；P表示状态转移概率，则
Figure BDA0002991674770000028
表示车辆i从状态sk到状态sk+1的状态转移概率；R表示奖励函数，则
Figure BDA0002991674770000029
表示车辆i从状态sk到状态sk+1所获得的奖励函数；γ表示折扣因子，γ∈[0,1]；k表示时间步，i∈{1,2,...,n}。
作为具体实施例之一地，控制区域内所有车辆的状态集合由下式表示：
Figure BDA0002991674770000031
其中，
Figure BDA0002991674770000032
分别表示车辆i在时间步为k时的位移、速度；
Figure BDA0002991674770000033
表示与车辆i在同一车道上的前方车辆在时间步为k时的位移、速度；
Figure BDA0002991674770000034
表示与车辆i在不同的车道上的车辆与车辆i在合流区域发生碰撞风险时的车辆i的位移。
作为具体实施例之一地，控制区域内车辆i的动作选择规则包括：
Figure BDA0002991674770000035
其中，ε表示贪心率，即在保证能最大程度选择到最优动作的前提下，又能保证离散的动作集合内每个动作都有几率能被选到；
Figure BDA0002991674770000036
作为具体实施例之一地，所述奖励函数R包括：
Figure BDA0002991674770000037
其中，ω1、ω2、ω3、ω4、ω5∈[0,1]，都表示权重因子；
Figure BDA0002991674770000038
Figure BDA0002991674770000039
其中，Δt表示任意相邻时间步之间的时间步长，
Figure BDA00029916747700000310
表示车辆i进入控制区域的初始速度；
Figure BDA00029916747700000311
Figure BDA00029916747700000312
为保证车辆在合流区域不发生横向碰撞，那么在同一时刻出现在合流区域的车辆只能有一个，则有(1)车辆i在时间步为k时，采取动作
Figure BDA00029916747700000313
进入合流区域，若此时车辆(i-1)已经进入合流区域或仍在合流区域还没出去，如图3中(a)所示，则惩罚值
Figure BDA00029916747700000314
Figure BDA00029916747700000315
(2)车辆i在时间步为k时，采取动作
Figure BDA00029916747700000316
进入合流区域，若此时车辆(i-1)刚好离开合流区域，如图3中(b)所示，则惩罚值
Figure BDA00029916747700000317
这里车辆(i-1)即表示比车辆i先进入控制区域的车辆。
步骤S4：基于所述多智能体马尔科夫决策构建多智能体Q-learning算法，根据所述多智能体Q-learning算法求解车辆合流的最优轨迹，实现车辆合流。
具体地，所述Q-learning算法中Q表的更新规则包括：
Figure BDA0002991674770000041
Figure BDA0002991674770000042
其中，车辆i在状态sk时可以采取动作
Figure BDA0002991674770000043
到达状态sk+1，
Figure BDA0002991674770000044
表示在时间步为(k+1)时所有可能采取的动作下Q表中预估的最大值；
Figure BDA0002991674770000045
表示在状态sk时Q表中对应动作
Figure BDA0002991674770000046
和状态sk的实际Q值；
Figure BDA0002991674770000047
表示车辆i在状态sk时采取动作
Figure BDA0002991674770000048
到达状态sk+1时所获得的奖励值；δ表示Q表中对应动作
Figure BDA0002991674770000049
和状态sk下预估的最大Q值和实际Q值之间的误差；α表示学习效率，α∈[0,1]。
综上可知，步骤S4中的多智能体Q-learning算法具体包括：
S41：初始化Q表及学习总次数N，即
Figure BDA00029916747700000410
S42：获取车辆i在时间步为k时的状态
Figure BDA00029916747700000411
S43：根据贪心算法选择时间步为k时的动作，即符合要求的加速度
Figure BDA00029916747700000412
S44：更新车辆i在时间步为(k+1)时的状态为
Figure BDA00029916747700000413
S45：判断车辆i是否满足安全约束
Figure BDA00029916747700000414
若满足则执行步骤S46，若不满足则返回步骤S42；
S46：计算车辆i从状态sk到状态sk+1所获得的奖励函数R＝{ri:＝sk→sk+1}的奖励值，并根据该奖励值更新Q表；
S47：判断当前的时间步k是否达到学习总次数，若k≥N，则执行步骤S48，否则返回步骤S42；
S48：获得车辆i的最优轨迹，算法终止。
以上为本公开示范性实施例，本公开的保护范围由权利要求书及其等效物限定。

Claims (8)

1.一种高速匝道入口合流的控制方法，其特征在于，包括：
步骤S1：搭建高速匝道入口合流场景，即将高速匝道入口合流场景划分为至少两个控制区域和一个合流区域；
步骤S2：基于所述控制区域和所述合流区域建立车辆运动控制方程，即以车辆i的位移pi(t)、速度vi(t)、加速度ui(t)及加速度变化率ji(t)为参数构建所述车辆运动控制方程；其中，i表示车辆的身份编号，车辆进入所述控制区域后被给予一个身份编号i，该身份编号i即表示该车辆进入所述控制区域的先后顺序，i∈n(t)∈n# (2)，n(t)即表示在时刻t所述控制区域内车辆的总数，n则表示所述控制区域内的车辆总数；
步骤S3：基于所述车辆运动控制方程构建多智能体马尔科夫决策；
步骤S4：基于所述多智能体马尔科夫决策构建多智能体Q-learning算法，根据所述多智能体Q-learning算法求解车辆合流的最优轨迹，实现车辆合流；
其中，所述控制区域的交接处形成所述合流区域，所述合流区域的长度为d，d＝2×dsafe+lv# (1)；式(1)中，dsafe表示同一车道上前后车辆之间的安全距离，lv表示单个车辆的平均长度。
2.如权利要求1所述的方法，其特征在于，所述步骤S2中，所述车辆运动控制方程包括：
vi(t)＝dpi(t)/dt# (3)；
ui(t)＝dvi(t)/dt# (4)；
ji(t)＝dui(t)/dt# (5)；
其中，
Figure FDA0002991674760000011
Figure FDA0002991674760000012
Figure FDA0002991674760000013
分别表示控制区域内允许的车辆的最小速度、最大速度，
Figure FDA0002991674760000014
分别表示控制区域内允许的车辆的最小加速度、最大加速度，
Figure FDA0002991674760000015
分别表示控制区域内允许的车辆的最小加速度变化率、最大加速度变化率；
Figure FDA0002991674760000016
表示车辆i进入控制区域的时刻，
Figure FDA0002991674760000017
表示车辆i离开合流区域的时刻。
3.如权利要求2所述的方法，其特征在于，所述步骤S3中，所述多智能体马尔科夫决策包括：＜n,S,U,P,R,γ＞# (9)；
其中，S表示控制区域内所有车辆的状态集合，S＝{si}，si表示车辆i的状态，该状态包括车辆i的位移pi(t)和速度vi(t)；U表示控制区域内所有车辆采取的动作集合，U＝{ui}，ui表示车辆i的加速度ui(t)；P表示状态转移概率，则P＝{pi:＝si k→si k+1}∈[0,1]表示车辆i从状态sk到状态sk+1的状态转移概率；R表示奖励函数，则R＝{ri:＝si k→si k+1}表示车辆i从状态sk到状态sk+1所获得的奖励函数；γ表示折扣因子，γ∈[0,1]；k表示时间步，i∈{1,2,...,n}。
4.如权利要求3所述的方法，其特征在于，控制区域内所有车辆的状态集合由下式表示：
Figure FDA0002991674760000018
其中，
Figure FDA0002991674760000019
分别表示车辆i在时间步为k时的位移、速度；
Figure FDA00029916747600000110
表示与车辆i在同一车道上的前方车辆在时间步为k时的位移、速度；
Figure FDA00029916747600000111
表示与车辆i在不同的车道上的车辆与车辆i在合流区域发生碰撞风险时的车辆i的位移。
5.如权利要求4所述的方法，其特征在于，控制区域内车辆i的动作选择规则包括：
Figure FDA0002991674760000021
其中，ε表示贪心率，即在保证能最大程度选择到最优动作的前提下，又能保证离散的动作集合内每个动作都有几率能被选到；
Figure FDA0002991674760000022
6.如权利要求5所述的方法，其特征在于，所述奖励函数R包括：
Figure FDA0002991674760000023
其中，ω1、ω2、ω3、ω4、ω5∈[0,1]，都表示权重因子；
Figure FDA0002991674760000024
Figure FDA0002991674760000025
其中，Δt表示任意相邻时间步之间的时间步长，
Figure FDA0002991674760000026
表示车辆i进入控制区域的初始速度；
Figure FDA0002991674760000027
Figure FDA0002991674760000028
为保证车辆在合流区域不发生横向碰撞，那么在同一时刻出现在合流区域的车辆只能有一个，则有(1)车辆i在时间步为k时，采取动作
Figure FDA0002991674760000029
进入合流区域，若此时车辆(i-1)已经进入合流区域或仍在合流区域还没出去，则惩罚值
Figure FDA00029916747600000210
(2)车辆i在时间步为k时，采取动作
Figure FDA00029916747600000211
进入合流区域，若此时车辆(i-1)刚好离开合流区域，则惩罚值
Figure FDA00029916747600000212
7.如权利要求6所述的方法，其特征在于，所述步骤S4中，所述Q-learning算法中Q表的更新规则包括：
Figure FDA00029916747600000213
Figure FDA00029916747600000214
其中，车辆i在状态sk时可以采取动作
Figure FDA00029916747600000215
到达状态sk+1，
Figure FDA00029916747600000216
表示在时间步为(k+1)时所有可能采取的动作下Q表中预估的最大值；
Figure FDA00029916747600000217
表示在状态sk时Q表中对应动作
Figure FDA00029916747600000218
和状态sk的实际Q值；
Figure FDA00029916747600000219
表示车辆i在状态sk时采取动作
Figure FDA00029916747600000220
到达状态sk+1时所获得的奖励值；δ表示Q表中对应动作
Figure FDA00029916747600000221
和状态sk下预估的最大Q值和实际Q值之间的误差；α表示学习效率，α∈[0,1]。
8.如权利要求7所述的方法，其特征在于，所述步骤S4中，所述多智能体Q-learning算法具体包括：
S41：初始化Q表及学习总次数N，即
Figure FDA0002991674760000031
S42：获取车辆i在时间步为k时的状态
Figure FDA0002991674760000032
S43：根据贪心算法选择时间步为k时的动作，即符合要求的加速度
Figure FDA0002991674760000033
S44：更新车辆i在时间步为(k+1)时的状态为
Figure FDA0002991674760000034
S45：判断车辆i是否满足安全约束
Figure FDA0002991674760000035
若满足则执行步骤S46，若不满足则返回步骤S42；
S46：计算车辆i从状态sk到状态sk+1所获得的奖励函数R＝{ri:＝sk→sk+1}的奖励值，并根据该奖励值更新Q表；
S47：判断当前的时间步k是否达到学习总次数，若k≥N，则执行步骤S48，否则返回步骤S42；
S48：获得车辆i的最优轨迹，算法终止。
CN202110318210.5A 2021-03-25 2021-03-25 高速匝道入口合流的控制方法 Active CN113223324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110318210.5A CN113223324B (zh) 2021-03-25 2021-03-25 高速匝道入口合流的控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110318210.5A CN113223324B (zh) 2021-03-25 2021-03-25 高速匝道入口合流的控制方法

Publications (2)

Publication Number Publication Date
CN113223324A true CN113223324A (zh) 2021-08-06
CN113223324B CN113223324B (zh) 2022-05-24

Family

ID=77084085

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110318210.5A Active CN113223324B (zh) 2021-03-25 2021-03-25 高速匝道入口合流的控制方法

Country Status (1)

Country Link
CN (1) CN113223324B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114512052A (zh) * 2021-12-31 2022-05-17 武汉中海庭数据技术有限公司 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置
CN114973650A (zh) * 2022-04-13 2022-08-30 东南大学 车辆匝道入口合流控制方法、车辆、电子设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364006A (zh) * 2018-04-09 2019-10-22 丰田自动车株式会社 机器学习增强的车辆合流
CN110930697A (zh) * 2019-11-12 2020-03-27 南京航空航天大学 一种基于规则的智能网联车辆协同汇入控制方法
CN111325975A (zh) * 2020-02-19 2020-06-23 南京航空航天大学 一种智能网联车辆在汇入口区域的集中优化协调方法
CN111338351A (zh) * 2020-03-24 2020-06-26 东南大学 一种用于高速匝道入口的多智能网联车辆协同合流控制方法
CN111369813A (zh) * 2020-03-23 2020-07-03 江苏大学 一种智能网联汽车的匝道分合流协同控制方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110364006A (zh) * 2018-04-09 2019-10-22 丰田自动车株式会社 机器学习增强的车辆合流
CN110930697A (zh) * 2019-11-12 2020-03-27 南京航空航天大学 一种基于规则的智能网联车辆协同汇入控制方法
CN111325975A (zh) * 2020-02-19 2020-06-23 南京航空航天大学 一种智能网联车辆在汇入口区域的集中优化协调方法
CN111369813A (zh) * 2020-03-23 2020-07-03 江苏大学 一种智能网联汽车的匝道分合流协同控制方法及系统
CN111338351A (zh) * 2020-03-24 2020-06-26 东南大学 一种用于高速匝道入口的多智能网联车辆协同合流控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
程鹏 等: "基于BP神经网络的Q-学习可变限速控制对拥堵路段交通流的优化", 《山东交通学院学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114512052A (zh) * 2021-12-31 2022-05-17 武汉中海庭数据技术有限公司 融合遥感影像和轨迹数据的分歧合流路口生成方法及装置
CN114973650A (zh) * 2022-04-13 2022-08-30 东南大学 车辆匝道入口合流控制方法、车辆、电子设备及存储介质
CN114973650B (zh) * 2022-04-13 2023-05-23 东南大学 车辆匝道入口合流控制方法、车辆、电子设备及存储介质

Also Published As

Publication number Publication date
CN113223324B (zh) 2022-05-24

Similar Documents

Publication Publication Date Title
CN109345020B (zh) 一种完全信息下的无信号交叉口车辆驾驶行为预测方法
CN109598950B (zh) 一种智能网联车辆的匝道协同汇入控制方法及系统
CN109035862A (zh) 一种基于车车通信的多车协同换道控制方法
CN110930697B (zh) 一种基于规则的智能网联车辆协同汇入控制方法
CN113223324B (zh) 高速匝道入口合流的控制方法
CN107331182A (zh) 一种面向连续信号交叉口的网联环境下自动驾驶车速控制方法
CN112233413B (zh) 一种面向智能网联车辆的多车道时空轨迹优化方法
CN114973733B (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN112530201B (zh) 一种智能车交叉口右转换道间隙选择方法及装置
CN113593275B (zh) 一种基于公交信号优先的交叉口网联自动驾驶方法
CN114613142B (zh) 一种基于规则的自动驾驶交叉口车辆换道控制方法
CN115662131B (zh) 网联环境下道路事故路段的多车道协同换道方法
CN111710191A (zh) 一种面向城市快速路的匝道合流控制方法及系统
CN113823076B (zh) 一种基于联网车辆协调控制的即停即走路段缓堵方法
CN112216148A (zh) 一种车路协同下双车道车辆换道指引方法
CN113628459B (zh) 一种面向间歇式公交车道的预约交叉口公交优先方法
CN113120003B (zh) 无人驾驶车辆运动行为决策方法
CN112614357B (zh) 一种智能车交叉口左转相位信号优化方法及装置
CN1971655A (zh) 利用智能交通信息的减缓交通拥堵方法
CN112258864A (zh) 基于顺序选择的自动驾驶车辆路口调度方法及系统
CN117133119A (zh) 基于时间预测的无专用道公交车辆优先行驶控制方法
CN114872727A (zh) 一种应用于自动驾驶车辆的周围车辆轨迹预测方法
CN114489067A (zh) 智能网联车辆队列协同驾驶模型预测控制方法
CN113313939A (zh) 一种考虑加速度连续的单车道元胞自动机模型仿真方法
CN116343523B (zh) 网联环境下快速路近距离匝道间车辆协同换道控制方法

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