CN113361866B - 一种非机动车微观交通流二维仿真方法 - Google Patents

一种非机动车微观交通流二维仿真方法 Download PDF

Info

Publication number
CN113361866B
CN113361866B CN202110535241.6A CN202110535241A CN113361866B CN 113361866 B CN113361866 B CN 113361866B CN 202110535241 A CN202110535241 A CN 202110535241A CN 113361866 B CN113361866 B CN 113361866B
Authority
CN
China
Prior art keywords
motor vehicle
behavior
individual
tolerance
interaction
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.)
Active
Application number
CN202110535241.6A
Other languages
English (en)
Other versions
CN113361866A (zh
Inventor
倪颖
李逸昕
孙剑
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202110535241.6A priority Critical patent/CN113361866B/zh
Publication of CN113361866A publication Critical patent/CN113361866A/zh
Application granted granted Critical
Publication of CN113361866B publication Critical patent/CN113361866B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/067—Enterprise or organisation modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Analytical Chemistry (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种非机动车微观交通流二维仿真方法，包括以下步骤：根据非机动车实测数据，构建非机动车的自适应舒适空间模型，用于识别非机动车的动态交互关系；随后依据交互关系产生当前非机动车的行为决策结果并执行该行为，从而构建二维运动过程；其中自适应舒适空间为一个时空范围，其时间范围的阈值为该非机动车的最大刺激容忍度，通过获取所产生的刺激超过最大刺激容忍度的其他个体，确定该非机动车当前时刻的动态多交互关系。与现有技术相比，本发明通过实时动态量化评估周围交通个体对骑行产生的影响大小，能够动态确定多主体交互关系并实现二维平面仿真，极大地提高了非机动车微观仿真的可信度，推动和改善了虚拟测试的真实度和测试效果。

Description

一种非机动车微观交通流二维仿真方法
技术领域
本发明涉及非机动车微观交通仿真技术领域，尤其是涉及一种非机动车微观交通流二维仿真方法。
背景技术
近年来，由于在保证测试安全性和降低测试成本方面具有的优势，虚拟测试逐渐成为一种必要的智能汽车测试手段。然而，现有虚拟测试仿真工具往往更注重车辆动力学仿真和驾驶环境建模的真实性，背景交通流的控制仅基于预设交通个体运行轨迹，优先权明确、交互规则简单，交通流运行状态理想，导致虚拟测试的效果无法满足测试场景真实性的需求。因此，为现有的虚拟测试工具和系统，通过交通流仿真技术解析不同性质的交通流的运行机理和交互机制，注入真实可靠的背景交通流仿真环境，提高虚拟测试结果可信度，就成为了虚拟测试水平和效果不断进步和提升的必经之路。
建立高可信度的非机动车微观交通仿真模型是在虚拟测试中复现城市道路真实交通运行特征的重要环节之一。非机动车的运动和交互通常具有几个明显的特征。第一，轨迹形式复杂多变，分布范围具有全域性，车辆运动自由度非常高；第二，通常同时与多个动态变化的交通个体交互，异质的非机动车流构成更是导致了交互频率和复杂性激增；第三，复杂的多交互环境和个体差异使得骑车人的行为决策十分灵活多样。因此，如何在二维平面上捕获骑车人的动态多交互关系，并对多交互影响下的行为决策进行建模描述，对于准确模拟骑车人的微观行为、交互以及运动至关重要。然而，现有非机动车微观仿真模型大多为一维模型或准二维模型，非机动车在横纵向上行为解耦，难以复现运动轨迹连续特征；同时，传统模型通过基于车道的假设极大地简化了交互，骑行者的决策过程仅基于简单规则，交互对象仅局限于相同虚拟车道中的逻辑前车。这导致现有模型无法从微观层面准确表征骑车人的交互和决策，更无法精确模拟骑车人的运动过程。因此，现有模型在本质上与实际情况不相符合，难以满足高精度高可信度建模和仿真的需求，更无法为智能汽车提供高逼真的虚拟测试交通流环境和仿真工具。
发明内容
本发明的目的就是为了克服上述现有传统交通仿真技术中基于车道的运动模式和一对一固定交互模式所存在的缺陷而提供的一种非机动车微观交通流二维仿真方法。
本发明的目的可以通过以下技术方案来实现：
一种非机动车微观交通流二维仿真方法，包括以下步骤：
根据仿真非机动车实时交通环境信息，使用预先构建的自适应舒适空间模型计算仿真非机动车个体的自适应舒适空间大小，来识别非机动车每时每刻的动态多交互关系；随后基于所识别的动态多交互关系生成当前仿真非机动车的行为决策结果，并使用二维运动控制方法执行该行为，从而控制和模拟非机动车从感知、决策到行为执行的二维运动全过程；
所述自适应舒适空间模型给予仿真非机动车用于判断交互的动态变化的时间范围，所述时间范围的阈值为该非机动车的最大刺激容忍度；通过识别对该仿真非机动车产生的刺激超过其最大刺激容忍度的其他个体，作为该非机动车当前时刻的多交互对象，从而确定动态多交互关系；所述刺激为交互双方的距离与速度的一种比值。
进一步地，所述自适应舒适空间模型的时间范围形状由两个具有相同的短半轴但长半轴不同的图形组成，其边界为非机动车的最大刺激容忍度；所述非机动车的最大刺激容忍度包括：该舒适空间的前向最大刺激容忍度、后向最大刺激容忍度和侧向最大刺激容忍度。
进一步地，所述非机动车的最大刺激容忍度根据对应的最大刺激容忍度分布获取，所述最大刺激容忍度分布的表达式为：
Figure BDA0003069568960000021
Figure BDA0003069568960000022
Figure BDA0003069568960000023
式中，TF为自适应舒适空间前向最大刺激容忍度，TR为自适应舒适空间后向最大刺激容忍度，TL为自适应舒适空间侧方最大刺激容忍度，N(μ,σ2)为均值为μ方差为σ2的正态分布；
Figure BDA0003069568960000031
为最小值和最大值分别为
Figure BDA0003069568960000032
和
Figure BDA0003069568960000033
的均匀分布。
进一步地，所述用于确定当前骑车人在当前时刻的多交互对象集合的表达式为：
Figure BDA0003069568960000034
Figure BDA0003069568960000035
式中，ΦMI为动态交互关系个体集合，
Figure BDA0003069568960000036
为非机动车n的自适应舒适空间的前向最大刺激容忍度，TR为非机动车n后向最大刺激容忍度，
Figure BDA0003069568960000037
为非机动车n侧向最大刺激容忍度，
Figure BDA0003069568960000038
为前方个体j产生的刺激，
Figure BDA0003069568960000039
为后方个体s产生的刺激，
Figure BDA00030695689600000310
为个体j产生的横向刺激，
Figure BDA00030695689600000311
为个体s产生的横向刺激，J＝{x1，x2，…，xj}为非机动车n的前车集合，S＝{x1，x2，…，xs}为非机动车n的后车集合，J+S＝M，M为周围交通个体集合。
进一步地，所述周围交通个体的刺激的计算表达式为：
Figure BDA00030695689600000312
Figure BDA00030695689600000313
Figure BDA00030695689600000314
式中，dj为非机动车n与前方个体j的距离，vn为非机动车n的速度，ds为非机动车n与后方个体s的距离，vs为后方个体s的速度，yn为非机动车n的横向位置，ym为侧向个体m的横向位置，wn为非机动车n的宽度，wm为侧向个体m的宽度，vm为侧向个体m的速度。
进一步地，所述自适应舒适空间模型还包括空间范围，该空间范围仍为两个共用相同短半轴但长半轴不同的图形，该空间范围的计算表达式为：
Figure BDA00030695689600000315
Figure BDA00030695689600000316
Figure BDA00030695689600000317
式中，a1为空间范围图形前半部分的长半轴，a2为空间范围图形后半部分的长半轴，b为空间范围图形的短半轴，xm为集合M中的个体；
通过获取同时处在该非机动车的自适应舒适空间模型的时间和空间范围以内的其他个体，来确定该骑车人当前时刻的动态多交互关系。
进一步地，所述当前非机动车的行为决策结果的判断过程具体为：
将所述非机动车的动态交互关系载入预先建立并训练好的决策模型网络结构中，获取行为决策结果，所述行为决策结果包括跟驰行为、超车行为和自由行驶行为；所述网络结构的模型变量包括与前方距离最近的交互个体之间的速度差、与前方距离最近的交互个体的纵向距离、左侧前方和后方区域的交互个体之间的纵向距离、前方距离最近的交互个体与车道标线间的横向距离、与前方左右两侧区域的交互个体之间的纵向距离、与后方距离最近的交互个体之间的速度差、后方距离最近的交互个体与车道标线之间的横向距离。
进一步地，所述二维运动过程的构建过程具体为：根据当前非机动车的行为决策结果，计算产生当前非机动车的行为轨迹和加速度，并基于所述行为轨迹确定各个时刻的转向角大小，最后根据轨迹、加速度、转向角，共同控制非机动车完成在二维平面上的运动；
所述非机动车的行为轨迹的确定方法包括：根据所述行为决策结果确定当前非机动车的临时目的地，并根据三阶贝塞尔曲线生成所述行为轨迹；
所述三阶贝塞尔曲线的计算公式为：
B(t)＝Pc(1-t)3+3Q1t(1-t)2+3Q2t2(1-t)+Ptt3,t∈[0,1]
式中，Pc为个体的当前位置，Pt为个体的临时目的地，Q1为第一控制点，Q2为第二控制点，t是控制组成轨迹的点数的参数；
所述第一控制点和第二控制点的计算表达式为：
Figure BDA0003069568960000041
Figure BDA0003069568960000042
Figure BDA0003069568960000043
Figure BDA0003069568960000044
式中，
Figure BDA0003069568960000045
为第一控制点的坐标，
Figure BDA0003069568960000046
为第二控制点的坐标；D为当前位置到临时目的地的距离；θ为当前个体的航向角；β为x轴与当前位置和临时目的地连线之间的夹角；ε表示航向角θ与x轴的指向关系指数；δ为涉及θ和β的关系式，其中，
Figure BDA0003069568960000047
进一步地，所述行为决策结果包括跟驰行为、超车行为和自由行驶行为；
所述自由行驶行为的加速度计算表达式为：
Figure BDA0003069568960000051
式中，as(t)为当前时刻自由行驶加速度，vd为期望速度，τs为松弛系数；
所述跟驰行为的加速度计算表达式为：
Figure BDA0003069568960000052
Figure BDA0003069568960000053
式中，af(t)为本车加速度；Δv为本车与前车速度之差；Δs为与车头距离；Sd为与前车的期望距离；Td为反应时间；am为起步加速度；bf为舒适减速度；δ为加速度指数；s0为静止安全距离；s1为与速度有关的安全距离选择参数；
所述超车行为的加速度计算表达式为：
Figure BDA0003069568960000054
式中，ao(t)为超车加速度；τ为仿真时间间隔。
进一步地，所述转向角的计算表达式为：
Figure BDA0003069568960000055
式中，
Figure BDA0003069568960000056
为当前时刻方向角；L为当前个体长度；ld为前视距离，
Figure BDA0003069568960000057
为当前位置与目标点连线与当前个体前进方向之间的夹角。
与现有技术相比，本发明具有以下优点：
(1)本发明提出的一种非机动车微观交通流二维仿真方法，能够为精细化的设施规划设计和采取精准的管理控制手段提供仿真工具支撑，是对传统交通流理论的重要完善和创新；同时，还满足了智能汽车虚拟测试对于在二维平面上高准确度模拟交通个体运动和交互的需求，推动和改善了虚拟测试的真实度和测试效果，对研制高等级智能车辆具有重要的推动作用和实际价值。
(2)本发明首次提出的自适应舒适空间模型，通过实时动态量化评估周围交通个体对骑行产生的影响大小，动态地确定多主体交互关系，克服了传统交通仿真中基于车道的一对一固定交互模式缺陷，极大地提高了非机动车微观仿真的可信度，从根本上实现了非机动车交通微观仿真向“真二维模型”的突破，推动传统交通仿真向深度仿真方向发展。
(3)本发明所提出的行为决策模型，考虑了大量群体交互和决策不确定性双重影响下的决策行为特征，弥补了现有仿真决策模型基于简单规则交互决策现状的不足，模型中的决策模式和结果更加接近实际中骑车人的行为选择方式和结果，能够为真实模拟多交互决策运动过程提供模型依据和参考。
附图说明
图1为本发明实施例提供的一种非机动车微观交通流二维仿真方法的流程示意图；
图2为本发明实施例中实例1场景情况示意图(曹杨路)；
图3为本发明实施例中的一种三层仿真框架实现流程图；
图4为本发明实施例中的一种自适应舒适空间概念示意图；
图5为本发明实施例中的一种基于静态贝叶斯网络的行为决策模型网络图结构；
图6为本发明实施例中的一种二维运动控制方法逻辑；
图7为本发明实施例中的一种行为决策临时目的地及相应加速度示意图；
图8为本发明实施例中的一种单车运动过程关键帧示意图；
图9为本发明实施例中的一种单车行为决策过程图；
图10为本发明实施例中的一种超车距离分布图；
图11为本发明实施例中的一种轨迹整体分布图；
图12为本发明实施例中的一种行程时间分布图；
图13为本发明实施例中的一种TTC分布图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“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，或者是该发明产品使用时惯常摆放的方位或位置关系，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。
需要说明的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
此外，术语“水平”、“竖直”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
实施例1
本实施例提供一种非机动车微观交通流二维仿真方法，包括以下步骤：
根据仿真实时交通环境信息，使用所构建的自适应舒适空间模型计算仿真非机动车个体的自适应舒适空间大小，来识别非机动车每时每刻的动态多交互关系；随后基于所识别的动态交互关系生成当前仿真非机动车的行为决策结果，并使用二维运动控制方法执行该行为，从而控制和模拟非机动车从感知、决策到行为执行的二维运动全过程；
所述自适应舒适空间模型给予仿真非机动车用于判断交互的动态变化的时间范围，所述时间范围的阈值为该非机动车的最大刺激容忍度；通过识别对该仿真非机动车产生的刺激超过其最大刺激容忍度(即位于该时间范围内)的其他个体，作为该非机动车当前时刻的多交互对象，从而确定动态多交互关系；所述刺激为交互双方的距离与速度的一种比值。
本方案的自适应舒适空间模型通过寻找对骑车人的运动有影响的交通个体来确定交互。假设自适应舒适空间是围绕骑车人的虚拟时空区域，用于感知影响其运动的交互个体。如果某交通个体使骑车人感到不舒服，则意味着该交通个体侵入了骑车人的个人区域，并建立了交互，本实施例认为交通个体的影响可以反映在其与当前骑车人的时间关系上，自适应舒适空间的时间大小代表了骑车人对外部刺激的最大刺激容忍度。当周围交通个体在时间上的刺激超过了当前骑车人的最大刺激容忍度时，则意味着两者之间的交互建立，该交通个体成为当前交互对象之一。随着骑车人的运动，其自适应舒适空间的大小将随着当前周围交通环境和自身状态的变化而动态变化。因此，自适应舒适空间能够动态地为非机动车确定多主体交互关系，从而克服了传统交通仿真中基于车道的一对一固定交互模式的缺陷，模拟真实交通场景中骑车人存在多交互的特点，极大地提高了非机动车微观仿真的可信度，从根本上实现了非机动车交通微观仿真向“真二维模型”的突破，推动传统交通仿真向深度仿真方向发展。
作为一种优选的实施方式，自适应舒适空间模型的时间范围为两个共用相同的短半轴但长半轴不同的图形，非机动车的最大刺激容忍度表示该图形的边界。在纵向上，图形前方的长度表示非机动车在前向的最大刺激容忍度、图形后方的长度表示非机动车在后向的最大刺激容忍度；在横向上，图形侧方长度表示非机动车在侧向的最大刺激容忍度。考虑到交互关系存在的各向异性，上述图形优选为由两个具有相同短半轴但长半轴不同的半椭圆所组成的图形，如图4所示。
具体地，非机动车在各向上的最大刺激容忍度根据相应方向上的最大刺激容忍度分布获取，该最大刺激容忍度分布，体现了现实中非机动车个体所有最大刺激容忍度的分布情况，通过从相应的最大刺激容忍度分布有序选取一个最大刺激容忍度作为当前仿真非机动车的属性，进行后续计算。
最大刺激容忍度分布的表达式为：
Figure BDA0003069568960000081
Figure BDA0003069568960000082
Figure BDA0003069568960000083
式中，TF为自适应舒适空间前向最大刺激容忍度，TR为自适应舒适空间后向最大刺激容忍度，TL为自适应舒适空间侧方刺激容忍度，N(μ,σ2)为均值为μ方差为σ2的正态分布；
Figure BDA0003069568960000084
为最小值和最大值分别为
Figure BDA0003069568960000085
和
Figure BDA0003069568960000086
的均匀分布。
确定当前骑车人在当前时刻的多交互对象集合的表达式为：
Figure BDA0003069568960000091
Figure BDA0003069568960000092
式中，ΦMI为多交互对象集合，
Figure BDA0003069568960000093
为非机动车n前向最大刺激容忍度，TR为非机动车n后向的最大刺激容忍度，
Figure BDA0003069568960000094
为非机动车n侧向的最大刺激容忍度，
Figure BDA0003069568960000095
为前方个体j产生的刺激，
Figure BDA0003069568960000096
为后方个体s产生的刺激，
Figure BDA0003069568960000097
为个体j产生的横向刺激，
Figure BDA0003069568960000098
为个体s产生的横向刺激，J＝{x1，x2，…，xj}为非机动车n的前车集合，S＝{x1，x2，…，xs}为非机动车n的后车集合，J+S＝M，M为周围交通个体集合。
作为一种优选的实施方式，周围其他交通个体对当前骑车人n所产生的刺激的计算表达式为：
Figure BDA0003069568960000099
Figure BDA00030695689600000910
Figure BDA00030695689600000911
式中，dj为非机动车n与前方个体j的距离，vn为非机动车n的速度，ds为非机动车n与后方个体s的距离，vs为后方个体s的速度，yn为非机动车n的横向位置，ym为侧向个体m的横向位置，wn为非机动车n的宽度，wm为侧向个体m的宽度，vm为侧向个体m的速度。
物理意义上，
Figure BDA00030695689600000912
分别表征了骑车人n与前方个体j所需要保持的安全间隙、后方个体s对骑车人n的追击影响程度、以及侧向发生碰撞的可能性。
作为一种优选的实施方式，自适应舒适空间模型还包括空间范围，该空间范围仍为两个短半轴相同但长半轴不同的图形，该空间范围的计算表达式为：
Figure BDA00030695689600000913
Figure BDA00030695689600000914
Figure BDA00030695689600000915
式中，a1为空间范围图形前半部分的长半轴，a2为空间范围图形后半部分的长半轴，b为空间范围图形的短半轴；其中，骑车人n的当前速度vn表示骑车人n自身属性对于其舒适空间的空间大小的影响，而来自外界交通个体的刺激的最大值则表征了周围交通环境对于舒适空间的影响程度。进一步地，上述图形优选为由两个具有相同短半轴但长半轴不同的半椭圆所组成的图形。
通过获取同时处在该非机动车的自适应舒适空间模型的时间和空间范围以内的其他周围交通个体，作为该骑车人当前时刻的多交互个体；同时，还可以通过图像化显示自适应舒适空间的空间范围，直观地体现自适应舒适空间模型的大小动态变化情况和多交互对象选择的结果。
作为一种优选的实施方式，其特征在于，当前非机动车的行为决策结果的判断过程具体为：
将非机动车的动态多交互关系载入预先建立并训练好的行为决策网络结构中，获取行为决策结果，行为决策结果包括跟驰行为、超车行为和自由行驶行为，网络结构的建模参数包括与前方距离最近的交互个体之间的速度差、与前方距离最近的交互个体的纵向距离、左侧前方和后方区域的交互个体之间的纵向距离、前方距离最近的交互个体与车道标线间的横向距离、与前方左右两侧区域的交互个体之间的纵向距离、与后方距离最近的交互个体之间的速度差、后方距离最近的交互个体与车道标线之间的横向距离。
网络结构的建模参数的确定过程包括：以距离最近原则从所确定的多交互个体中捕获位于左前、左后、右前、右后四个区域的关键多交互客体，并根据关键多交互客体与当前非机动车的位置和速度关系以获取影响行为决策的相关属性的具体数值。
作为一种优选的实施方式，二维运动过程的构建过程具体为：根据当前非机动车的行为决策结果，计算产生当前非机动车的行为轨迹和加速度，并基于所述行为轨迹确定各个时刻的转向角大小，最后根据轨迹、加速度、转向角，共同控制非机动车完成在二维平面上的运动。
非机动车的行为轨迹的确定包括：根据行为决策结果，确定当前非机动车的行为临时目的地，随后根据三阶贝塞尔曲线生成由当前位置到行为临时目的地的行为轨迹；
三阶贝塞尔曲线的计算公式为：
B(t)＝Pc(1-t)3+3Q1t(1-t)2+3Q2t2(1-t)+Ptt3,t∈[0,1]
式中，Pc为个体的当前位置，Pt为个体的临时目的地，Q1为第一控制点，Q2为第二控制点，t是控制组成轨迹的点数的参数；
第一控制点和第二控制点的计算表达式为：
Figure BDA0003069568960000111
Figure BDA0003069568960000112
Figure BDA0003069568960000113
Figure BDA0003069568960000114
式中，
Figure BDA0003069568960000115
为第一控制点的坐标，
Figure BDA0003069568960000116
为第二控制点的坐标；D为当前位置到临时目的地的距离；θ为当前个体的航向角；β为x轴与当前位置和临时目的地连线之间的夹角；ε表示航向角θ与x轴的指向关系指数；δ为涉及θ和β的关系式，其中，
Figure BDA0003069568960000117
作为一种优选的实施方式，行为决策结果包括跟驰行为、超车行为和自由行驶行为；
自由行驶行为的加速度计算表达式为：
Figure BDA0003069568960000118
式中，as(t)为当前时刻自由行驶加速度，vd为期望速度，τs为松弛系数；
跟驰行为的加速度计算表达式为：
Figure BDA0003069568960000119
Figure BDA00030695689600001110
式中，af(t)为本车加速度；Δv为本车与前车速度之差；Δs为与车头距离；Sd为与前车的期望距离；Td为反应时间；am为起步加速度；bf为舒适减速度；δ为加速度指数；s0为静止安全距离；s1为与速度有关的安全距离选择参数；
超车行为的加速度计算表达式为：
Figure BDA00030695689600001111
式中，ao(t)为超车加速度；τ为仿真时间间隔。
作为一种优选的实施方式，基于生成的轨迹确定当前时刻转向角大小。仿真个体转向角控制通过基于阿克曼几何模型(Ackermann Model,AM)的轨迹追踪方法(PurePursuit,PP)得以实现。该方法以非机动车中心点位置为切点，前进方向作为切线，通过不断计算和改变转向角，使骑车人沿轨迹前进。通过以下计算公式求解转向角；
Figure BDA0003069568960000121
式中，
Figure BDA0003069568960000122
为当前时刻方向角；L为当前个体长度；ld为前视距离，
Figure BDA0003069568960000123
为当前位置与目标点连线与当前个体前进方向之间的夹角。
将上述优选的实施方式进行组合，可以得到多种较优的实施方式，下面对一种最优的实施方式的具体实施过程进行描述。
本实施例中，实施地点位于上海市普陀区曹杨路路段，是一处典型的机非混合交通流路段，如附图2所示。通过使用一台安装于高处的摄像机记录调查期间交通流状况，拍摄时间均位于高峰时段，交通个体间交互作用、轨迹变化均十分明显。使用高精度视频轨迹数据提取软件获取交通个体轨迹数据，采样间隔为0.12s。轨迹数据信息包含：车辆编号、位置坐标、速度、加速度等。最终，轨迹数据集包含1065条非机动车轨迹和548条机动车轨迹。
本实施例提供一种非机动车微观交通流二维仿真方法，并通过构建仿真框架实现，现在结合仿真框架的构建过程描述具体步骤如下：
(一)构建“感知-决策-执行”三层非机动车二维仿真框架
基于交通个体行为认知过程，构建非机动车“感知-决策-执行”三层仿真框架模型体系。在三层仿真模型中，自适应舒适空间模型作为感知层模型，根据实时交通条件选择和确定多交互对象，并将其作为输出提供至决策层中；随后，决策层在三种潜在的行为决策结果，即跟驰、超车和自由行驶行为中选择当前时刻最合适的行为，并将实时行为决策结果提供给运动层；而运动层则基于决策层输入的行为决策结果，通过使用所构建的二维运动控制方法，生成相应行为轨迹并提供行为加速度、转向角，控制仿真个体执行行为决策结果。各部分的联系与输入输出详见附图3。
(二)自适应舒适空间建模
自适应舒适空间模型通过寻找对骑车人的运动有影响的交通个体来确定交互。假设自适应舒适空间是围绕骑车人的虚拟时空区域，用于感知影响其运动的交通个体。如果某交通个体使骑车人感到不舒服，则意味着该交通个体侵入了骑车人的个人区域，并建立了交互。我们认为，交通个体的影响通常反映与其时间和空间的相对运动状态上。因此，模型考虑了两种测量角度，即其时间和空间属性，以描述骑车人的感知过程和多交互关系的确定。自适应舒适空间的时间概念代表了骑车人对外部刺激的最大忍受程度，而空间大小则代表了每个骑车人对运动影响的感知领域。建立交互后，相应的交互对象在空间上位于当前骑车人的舒适区内，而时间上其刺激超过了当前骑车人的最大忍受程度。随着骑车人的运动，自适应舒适空间的大小随着当前的交通环境及自身状态而动态变化。
假设骑车人n在时刻t以速度vn运动。此时，共有J＝{x1，x2，…，xj}辆前车和S＝{x1，x2，…，xs}辆后车(J+S＝M)。xi表示M集合中的任一个体。则来自前、后及侧向的交通个体的刺激由下式分别计算：
Figure BDA0003069568960000131
Figure BDA0003069568960000132
Figure BDA0003069568960000133
式中，
Figure BDA0003069568960000134
分别是前方个体j，后方个体s，以及个体m所产生的刺激，它们分别代表了骑车人n与前方个体j所需要保持的安全间隙、后方个体s对骑车人n的追击影响程度、以及侧向发生碰撞的可能性；dj是与前方个体j的距离；ds和vs分别表示与后方个体s的距离和个体s的速度。yn表示当前骑车人n的横向位置；yi是交通个体i的横向位置；wn等于当前骑车人n的宽度；wi是交通个体i的宽度。
自适应舒适空间模型用于捕获骑车者与其他周围交通用户之间的交互关系。该空间由两个具有相同短半轴但长半轴不同的半椭圆组成(如附图4所示)。该空间的形状可用以下公式描述：
Figure BDA0003069568960000135
式中，a表示舒适空间的半长轴(包括分别代表前半长轴和后半长轴的a1和a2)；b代表舒适空间的半短轴；θ表示从原点到该空间形状上任意点的连线与当前骑车人移动方向间的夹角。
自适应舒适空间的时间概念代表了骑车人对外部刺激的最大刺激容忍度。假设TF、TR、TL分别为自适应舒适空间在时间层面的前、后及侧向的最大刺激容忍程度，则通过以下公式来衡量该舒适空间在时间层面的大小：
Figure BDA0003069568960000136
Figure BDA0003069568960000141
Figure BDA0003069568960000142
式中，TF、TR、TL分别为a1、a2和b在时间层面的时间阈值；N(μ,σ2)表示均值为μ方差为σ2的正态分布，
Figure BDA0003069568960000143
表示最小值和最大值分别为
Figure BDA0003069568960000144
和
Figure BDA0003069568960000145
的均匀分布。
同时，自适应舒适空间的空间大小代表了每个骑车人对交通影响的感知领域。可以使用以下公式计算舒适空间的空间层面的大小：
Figure BDA0003069568960000146
Figure BDA0003069568960000147
Figure BDA0003069568960000148
式中，vn代表当前骑车人n的速度；
Figure BDA0003069568960000149
分别是前方个体xj，后方个体xs，以及个体xm所产生的刺激；
Figure BDA00030695689600001410
分别为当前骑车人n的舒适空间a1、a2、和b的时间阈值。计算式中，骑车人n的当前速度vn表示骑车人n自身属性对于其舒适空间的空间大小的影响，而来自外界交通个体的刺激的最大值则表征了周围交通环境对于舒适空间的影响程度。
所述自适应舒适空间模型，通过捕获在时间上所有刺激超过最大刺激容忍度且在空间上位于舒适空间内的交通个体来确定当前时刻的多交互对象，因此t时刻多交互个体集合ΦMI由以下公式确定：
Figure BDA00030695689600001411
Figure BDA00030695689600001412
(三)构建非机动车行为决策模型
决策层的行为决策模型基于静态贝叶斯网络方法构建，包括：参数选择，网络结构学习及参数估计三步骤。
本实例使用静态贝叶斯网络方法构建非机动车行为决策模型，以此考虑多交互决策特征及骑车人决策不确定性特征。该模型中，隐藏节点的取值为跟驰行为、超车行为及自由行驶行为三类。
假设在静态贝叶斯网络中有N个随机变量N1，N2，N3，…，NN和隐藏状态H，对于以下情况，总体随机变量Ω＝{H，N1，N2，N3，…，NN}的联合概率分布可以根据以下公式来计算：
Figure BDA0003069568960000151
式中，Zi是网络图中的第i个节点(可以是隐藏节点或观察节点)，而π(Zi)表示Zi的父节点。本模型中，隐藏状态H表示潜在的决策结果，而随机变量集合N1，N2，N3，…，NN则代表了不同的决策建模变量。
通常，构造静态贝叶斯网络存在三个步骤：变量选择、结构学习以及参数估计。
首先，建模变量的选择。以距离最近原则，从所确定的多交互个体集合中捕获左前、左后、右前、右后四个区域的关键多交互客体，以获取影响行为决策的相关属性的具体数值。具体的，表1给出了该模型中详细的行为决策模型的建模参数的符号和其完整定义。
表1行为决策模型建模参数列表
Figure BDA0003069568960000152
基于轨迹数据集，以获取模型变量具体数值。本实施例中，共采集到29592组数据样本，其行为标签包括跟驰、超车以及自由行驶行为三种。为保证结构学习对于数据形式的要求，使用Zero-mean归一化化方法对建模变量参数进行归一化处理，并基于等间距法进行离散化处理。在本实例中，数据训练集和测试集比例为1：1。同时，三类不同行为标签的时间片段数据均匀分布在两个数据集中。
第二，网络结构学习。采用经典K2算法来实现网络图结构的学习。最终，训练得到的静态贝叶斯网络决策模型的具体结构图详见附图5。
第三，参数估计。采用基于极大似然估计的期望最大算法(Expectation-Maximization,EM)来完成。随后，使用测试集数据来评估所构建的网络决策模型的参数估计准确性。将模型给出的预测结果与每个轨迹时间点的行为标签进行比较。表2给出了相应的混淆矩阵。模型的总体准确率约为92.7％。
表2 SBN行为决策模型预测结果混淆矩阵
Figure BDA0003069568960000161
(三)基于行为决策结果，构建二维运动控制方法
首先根据行为决策结果选择行为临时目的地，并生成由当前位置至该目的地的行为轨迹，随后使用相应行为加速度模型计算相应行为加速度，最后采用轨迹追踪方法控制仿真个体转向角，实现二维运动。各部分之间的关系详见附图6。
第一，行为轨迹的生成。根据从决策层所输入的当前时刻的行为决策结果和多交互关系，为每一种特定的行为设定其临时目的地，以引导仿真个体按照相应行为产生运动。在本发明中，所涉及的非机动车行为决策结果有三种，即跟驰、超车和自由行驶行为。三种行为相应的行为临时目的地设置规则如下：(1)将自由行驶行为的临时目的地设定为骑车人的最终目的地，该目的地是调查/仿真路段末端的随机位置；(2)跟驰行为的临时目标位于其前方跟驰对象的尾部；(3)超车行为中，将被超越对象的头部侧面的固定距离的位置设置为超车行为的临时目的地。上述固定距离等于超车自行车的宽度，并添加两侧各有0.25m的回避距离(自行车的宽度设置为0.80m)。每种行为所对应的行为临时目的地选择方案详见附图7。
所述行为轨迹，使用三阶贝塞尔曲线生成，其计算公式如下所示：
B(t)＝Pc(1-t)3+3Q1t(1-t)2+3Q2t2(1-t)+Ptt3,t∈[0,1]
式中,Pc和Pt分别表示个体的当前位置和临时目的地，Q1,Q2分别为两个控制点，t是控制组成轨迹的点数的参数。
所述三阶贝塞尔曲线，其曲线控制点坐标计算公式为：
Figure BDA0003069568960000171
Figure BDA0003069568960000172
Figure BDA0003069568960000173
Figure BDA0003069568960000174
式中，
Figure BDA0003069568960000175
和
Figure BDA0003069568960000176
分别为三阶贝塞尔曲线的第一控制点和第二控制点坐标；D为当前位置到临时目的地的距离；θ为当前个体的航向角；β为x轴与当前位置和临时目的地连线之间的夹角；ε表示航向角θ与x轴的指向关系指数；δ为涉及θ和β的关系式。其中，
Figure BDA0003069568960000177
第二，根据行为决策结果选择相应行为加速度计算模型来提供执行当前行为所需要的加速度。
自由行驶行为的加速度计算方法表达式如下：
Figure BDA0003069568960000178
式中，as(t)为当前时刻自由行驶加速度；vd为期望速度；τs为松弛系数。
跟驰行为的加速度计算方法表达式如下：
Figure BDA0003069568960000179
Figure BDA00030695689600001710
式中，af(t)为本车加速度；Δv为本车与前车速度之差；Δs为与车头距离；Sd为与前车的期望距离；Td为反应时间；am为起步加速度；bf为舒适减速度；δ为加速度指数；s0为静止安全距离；s1为与速度有关的安全距离选择参数。
超车行为的加速度计算方法表达式如下：
Figure BDA00030695689600001711
式中，ao(t)为超车加速度；τ为仿真时间间隔。
采用遗传算法，基于本实例的轨迹数据标定行为加速度模型，结果如下表所示：
表3加速度计算模型标定参数取值
Figure BDA0003069568960000181
第三，基于生成的轨迹确定当前时刻转向角大小。仿真个体转向角控制通过基于阿克曼几何模型(Ackermann Model,AM)的轨迹追踪方法(Pure Pursuit,PP)得以实现。该方法以非机动车中心点位置为切点，前进方向作为切线，通过不断计算和改变转向角，使骑车人沿轨迹前进。通过以下计算公式求解转向角：
Figure BDA0003069568960000182
式中，
Figure BDA0003069568960000183
为当前时刻方向角；L为当前个体长度；ld为前视距离，设为0.2m，
Figure BDA0003069568960000184
为当前位置与目标点连线与当前个体前进方向之间的夹角。
(五)仿真实现与模型验证
基于标定结果，本部分将讨论所提出模型的有效性。选择实施例1，即上海市曹杨路，作为仿真研究案例，基于MATLAB平台进行微观仿真实现，并将本发明所提出的模型的仿真结果与实际数据以及社会力模型仿真结果进行对比，进一步验证模型的有效性。
本实施例分别从交互建模评价、决策建模评价以及安全及效率集计指标评价三个方面来验证模型有效性。相应的，模型验证关键指标包括：多交互关系关键帧比较(见附图8)、行为决策与轨迹重合度对比(单车决策过程(见附图9)、超车事件对比(见附图10)、轨迹覆盖情况(见附图11))、安全及效率集计评估指标(旅行时间分布(见附图12)、TTC分布(见附图13))。
从附图8中我们可以发现，自适应舒适空间可以合理地识别每一时刻的动态多交互关系，其大小的变化趋势合理；附图9展示了单辆仿真非机动车的仿真决策过程及其轨迹分布情况。可以看出，所提出的模型的单条轨迹变化接近真实轨迹情况，轨迹重合度较高；此外，对比模型的超车事件成功预测率(观察到的超车事件成功预测的百分比)。成功的预测意味着在仿真中再现了骑车人超越同辆非机动车的超车行为。统计结果表明，所提出的模型的成功预测率为75.16％，而原始社会力模型的成功预测率仅为13.98％。因此可以认为，所提出的模型可以更加精确地再现超车行为交互；附图10表明，与原始社会力模型相比，所提出模型的横向距离分布更接近经验数据；附图11表明，所提出的模型的仿真轨迹的整体覆盖情况比较好。其中，所提出的模型与社会力模型的轨迹均方根误差RMSE分别为9.64和和20.29。这说明所提出的模型在整体上更能够较好的反映真实场景中的非机动车的实际运动过程；附图12为旅行时间分布对比结果，与原始社会力模型相比，所提出模型的旅行时间分布更接近实证数据；附图13表明，实证数据和仿真数据的TTC分布十分接近。其中，所提出的模型的均值和标准差分别为24.84s和26.22s，实证数据分别为22.98s和24.72s，而社会力模型分别为31.24s和28.26s。这些评价结果都说明本模型从感知、决策到执行全过程均具有较好的仿真效果。
本实施例还提供一种非机动车微观二维仿真装置，包括存储器和处理器，所述存储器存储有计算机程序，处理器调用所述计算机程序执行如上任一实施方式所述的方法的步骤。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (5)

1.一种非机动车微观交通流二维仿真方法，其特征在于，包括以下步骤：
根据仿真非机动车实时交通环境信息，使用预先构建的自适应舒适空间模型计算仿真非机动车个体的自适应舒适空间大小，来识别非机动车每时每刻的动态多交互关系；随后基于所识别的动态多交互关系生成当前仿真非机动车的行为决策结果，并使用二维运动控制方法执行该行为，从而控制和模拟非机动车从感知、决策到行为执行的二维运动全过程；
所述自适应舒适空间模型给予仿真非机动车用于判断交互关系的动态变化的时间范围，所述时间范围的阈值为该非机动车的最大刺激容忍度；通过识别对该仿真非机动车产生的刺激超过其最大刺激容忍度的其他个体，作为该非机动车当前时刻的多交互对象，从而确定动态多交互关系；所述刺激为交互双方的距离与速度的一种比值；
所述自适应舒适空间模型的时间范围形状由两个具有相同的短半轴但长半轴不同的图形组成，其边界为非机动车的最大刺激容忍度；所述非机动车的最大刺激容忍度包括：该舒适空间的前向最大刺激容忍度、后向最大刺激容忍度和侧向最大刺激容忍度；
所述非机动车的最大刺激容忍度根据对应的最大刺激容忍度分布获取，所述最大刺激容忍度分布的表达式为：
Figure FDA0003772534990000011
Figure FDA0003772534990000012
Figure FDA0003772534990000013
式中，TF为自适应舒适空间前向最大刺激容忍度，TR为自适应舒适空间后向最大刺激容忍度，TL为自适应舒适空间侧方最大刺激容忍度，N(μ,σ2)为均值为μ方差为σ2的正态分布；
Figure FDA0003772534990000014
为最小值和最大值分别为
Figure FDA0003772534990000015
和
Figure FDA0003772534990000016
的均匀分布；
用于确定当前骑车人在当前时刻的多交互对象集合的表达式为：
Figure FDA0003772534990000017
式中，ΦMI为动态交互关系个体集合，
Figure FDA0003772534990000021
为非机动车n的自适应舒适空间的前向最大刺激容忍度，
Figure DEST_PATH_DEST_PATH_IMAGE002A
为非机动车n后向最大刺激容忍度，
Figure FDA0003772534990000022
为非机动车n侧向最大刺激容忍度，
Figure FDA0003772534990000023
为前方个体j产生的刺激，
Figure FDA0003772534990000024
为后方个体s产生的刺激，
Figure FDA0003772534990000025
为个体j产生的横向刺激，
Figure FDA0003772534990000026
为个体s产生的横向刺激，J＝{x1，x2，…，xj}为非机动车n的前车集合，S＝{x1，x2，…，xs}为非机动车n的后车集合，J+S＝M，M为周围交通个体集合；
周围交通个体的刺激的计算表达式为：
Figure FDA0003772534990000027
Figure FDA0003772534990000028
Figure FDA0003772534990000029
式中，dj为非机动车n与前方个体j的距离，vn为非机动车n的速度，ds为非机动车n与后方个体s的距离，vs为后方个体s的速度，yn为非机动车n的横向位置，ym为侧向个体m的横向位置，wn为非机动车n的宽度，wm为侧向个体m的宽度，vm为侧向个体m的速度；
所述自适应舒适空间模型还包括空间范围，该空间范围仍为两个共用相同短半轴但长半轴不同的图形，该空间范围的计算表达式为：
Figure FDA00037725349900000210
Figure FDA00037725349900000211
Figure FDA00037725349900000212
式中，a1为空间范围图形前半部分的长半轴，a2为空间范围图形后半部分的长半轴，b为空间范围图形的短半轴，xm为集合M中的个体；
通过获取同时处在该非机动车的自适应舒适空间模型的时间和空间范围以内的其他个体，来确定该骑车人当前时刻的动态多交互关系。
2.根据权利要求1所述的一种非机动车微观交通流二维仿真方法，其特征在于，当前非机动车的行为决策结果的判断过程具体为：
将所述非机动车的动态交互关系载入预先建立并训练好的决策模型网络结构中，获取行为决策结果，所述行为决策结果包括跟驰行为、超车行为和自由行驶行为；所述网络结构的模型变量包括与前方距离最近的交互个体之间的速度差、与前方距离最近的交互个体的纵向距离、左侧前方和后方区域的交互个体之间的纵向距离、前方距离最近的交互个体与车道标线间的横向距离、与前方左右两侧区域的交互个体之间的纵向距离、与后方距离最近的交互个体之间的速度差、后方距离最近的交互个体与车道标线之间的横向距离。
3.根据权利要求1所述的一种非机动车微观交通流二维仿真方法，其特征在于，二维运动过程的构建过程具体为：根据当前非机动车的行为决策结果，计算产生当前非机动车的行为轨迹和加速度，并基于所述行为轨迹确定各个时刻的转向角大小，最后根据轨迹、加速度、转向角，共同控制非机动车完成在二维平面上的运动；
所述非机动车的行为轨迹的确定方法包括：根据所述行为决策结果确定当前非机动车的临时目的地，并根据三阶贝塞尔曲线生成所述行为轨迹；
所述三阶贝塞尔曲线的计算公式为：
B(t)＝Pc(1-t)3+3Q1t(1-t)2+3Q2t2(1-t)+Ptt3,t∈[0,1]
式中，Pc为个体的当前位置，Pt为个体的临时目的地，Q1为第一控制点，Q2为第二控制点，t是控制组成轨迹的点数的参数；
所述第一控制点和第二控制点的计算表达式为：
Figure FDA0003772534990000031
Figure FDA0003772534990000032
Figure FDA0003772534990000033
Figure FDA0003772534990000034
式中，
Figure FDA0003772534990000035
为第一控制点的坐标，
Figure FDA0003772534990000036
为第二控制点的坐标；D为当前位置到临时目的地的距离；θ为当前个体的航向角；β为x轴与当前位置和临时目的地连线之间的夹角；ε表示航向角θ与x轴的指向关系指数；δ为涉及θ和β的关系式，其中，
Figure FDA0003772534990000037
4.根据权利要求3所述的一种非机动车微观交通流二维仿真方法，其特征在于，所述行为决策结果包括跟驰行为、超车行为和自由行驶行为；
所述自由行驶行为的加速度计算表达式为：
Figure FDA0003772534990000038
式中，as(t)为当前时刻自由行驶加速度，vd为期望速度，τs为松弛系数；
所述跟驰行为的加速度计算表达式为：
Figure FDA0003772534990000041
Figure FDA0003772534990000042
式中，af(t)为本车加速度；Δv为本车与前车速度之差；Δs为与车头距离；Sd为与前车的期望距离；Td为反应时间；am为起步加速度；bf为舒适减速度；δe为加速度指数；s0为静止安全距离；s1为与速度有关的安全距离选择参数；
所述超车行为的加速度计算表达式为：
Figure FDA0003772534990000043
式中，ao(t)为超车加速度；τ为仿真时间间隔。
5.根据权利要求3所述的一种非机动车微观交通流二维仿真方法，其特征在于，所述转向角的计算表达式为：
Figure FDA0003772534990000044
式中，
Figure FDA0003772534990000045
为当前时刻方向角；L为当前个体长度；ld为前视距离，
Figure FDA0003772534990000046
为当前位置与目标点连线与当前个体前进方向之间的夹角。
CN202110535241.6A 2021-05-17 2021-05-17 一种非机动车微观交通流二维仿真方法 Active CN113361866B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110535241.6A CN113361866B (zh) 2021-05-17 2021-05-17 一种非机动车微观交通流二维仿真方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110535241.6A CN113361866B (zh) 2021-05-17 2021-05-17 一种非机动车微观交通流二维仿真方法

Publications (2)

Publication Number Publication Date
CN113361866A CN113361866A (zh) 2021-09-07
CN113361866B true CN113361866B (zh) 2022-11-15

Family

ID=77526785

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110535241.6A Active CN113361866B (zh) 2021-05-17 2021-05-17 一种非机动车微观交通流二维仿真方法

Country Status (1)

Country Link
CN (1) CN113361866B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099009B (zh) * 2022-05-31 2023-08-29 同济大学 一种基于推理图的混合交通流运动行为建模方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472271A (zh) * 2019-07-01 2019-11-19 电子科技大学 一种微观交通仿真的非机动车道混合交通流模型构建方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110427682B (zh) * 2019-07-26 2020-05-19 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

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472271A (zh) * 2019-07-01 2019-11-19 电子科技大学 一种微观交通仿真的非机动车道混合交通流模型构建方法

Also Published As

Publication number Publication date
CN113361866A (zh) 2021-09-07

Similar Documents

Publication Publication Date Title
US11667301B2 (en) Symbolic modeling and simulation of non-stationary traffic objects for testing and development of autonomous vehicle systems
Li et al. Dynamic driving risk potential field model under the connected and automated vehicles environment and its application in car-following modeling
Xu et al. Learning from naturalistic driving data for human-like autonomous highway driving
Huang et al. Cyclist social force model at unsignalized intersections with heterogeneous traffic
US11465650B2 (en) Model-free reinforcement learning
CN109726804B (zh) 一种基于行车预测场和bp神经网络的智能车辆驾驶行为拟人化决策方法
Yang et al. Social force based microscopic modeling of vehicle-crowd interaction
Li et al. A modified social force model for high-density through bicycle flow at mixed-traffic intersections
Huang et al. An integrated architecture for intelligence evaluation of automated vehicles
CN114446049A (zh) 基于社会价值取向的交通流预测方法、系统、终端及介质
Wang et al. Vehicle Trajectory Prediction by Knowledge‐Driven LSTM Network in Urban Environments
Chandra et al. Using graph-theoretic machine learning to predict human driver behavior
CN113361866B (zh) 一种非机动车微观交通流二维仿真方法
Johora et al. On the generalizability of motion models for road users in heterogeneous shared traffic spaces
Wissing et al. Interaction-aware long-term driving situation prediction
Kou et al. Dual-objective intelligent vehicle lane changing trajectory planning based on polynomial optimization
Anderson et al. A kinematic model for trajectory prediction in general highway scenarios
Ni et al. An operational simulation framework for modelling the multi-interaction of two-wheelers on mixed-traffic road segments
Li et al. A physical law constrained deep learning model for vehicle trajectory prediction
Ge et al. Task-Driven Controllable Scenario Generation Framework Based on AOG
Kang et al. A simple and realistic pedestrian model for crowd simulation and application
Senanayake et al. Directional primitives for uncertainty-aware motion estimation in urban environments
Jiang et al. A review of traffic behaviour and intelligent driving at roundabouts based on a microscopic perspective
Fang et al. Cooperative Driving of Connected Autonomous Vehicles in Heterogeneous Mixed Traffic: A Game Theoretic Approach
Lin et al. A utility maximization model of pedestrian and driver interactions

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