CN113449416A - 一种交叉口进口道的智能体仿真方法及系统 - Google Patents
一种交叉口进口道的智能体仿真方法及系统 Download PDFInfo
- Publication number
- CN113449416A CN113449416A CN202110652812.4A CN202110652812A CN113449416A CN 113449416 A CN113449416 A CN 113449416A CN 202110652812 A CN202110652812 A CN 202110652812A CN 113449416 A CN113449416 A CN 113449416A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- processed
- lane
- intersection
- time
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Algebra (AREA)
- Geometry (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种交叉口进口道的智能体仿真方法,针对驶向路口的道路,依次划分为排队等候区、车道选择区、自由换道区,结合将各个交通对象作为智能体,基于对车辆行驶状态的实时检测,执行车辆通行路径的控制仿真,实现车辆的换道行为和跟驰行为,由此提高车辆在路口的通信效率;相对应本发明还设计了基于智能体仿真方法的系统,基于仿真车辆智能体之间的互相通讯,以及结合环境智能体的环境信息检测,通过系统化对设计仿真方法的执行,自行根据规则完成决策,从而准确高效地复现路口进口道车辆的仿真,为路口的设计与评价提供可靠的手段。
Description
技术领域
本发明涉及一种交叉口进口道的智能体仿真方法及系统,属于智能交通仿真技术领域。
背景技术
对于交通流微观仿真,城市交叉口的部分是一个难点,而交叉口又是城市交通的关键点、瓶颈点和主要拥堵点,建立有效的交叉口仿真系统与仿真方法是十分必要、且关键的。传统的交叉口建模往往使用元胞自动机等简单模型,对车辆行为进行模拟,然而,此类方法对道路环境和车辆的刻画过于简单,仿真结果较粗糙,并且没有考虑车辆与环境的交互,因此实际的交通仿真效果不好。
发明内容
本发明所要解决的技术问题是提供一种交叉口进口道的智能体仿真方法,以实际交通场景中各交通对象作为智能体,在各个道路划分场景下实现车辆行驶路径的控制,提高路口车辆的通行效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种交叉口进口道的智能体仿真方法,基于自路口停车线向上游方向,依次针对实线区域、实线末端至虚线方向预设距离位置的区域、以及后续的虚线区域,分别定义为排队等候区、车道选择区、自由换道区,所述智能体仿真方法包括分别针对进入自由换道区的各个车辆,将车辆作为待处理车辆,执行如下步骤i-A至步骤i-H;以及分别针对进入排队等候区的各个车辆,车辆以预设跟驰模型在当前所在车道上进行跟驰行驶;
步骤i-A.判断待处理车辆目标方向对应路口的车道的数量是否大于1个,是则进入步骤i-B;否则进入步骤i-D;
步骤i-B.判断待处理车辆当前所在车道是否与其目标方向对应路口的车道一致,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在自由换道区的方案;否则进入步骤i-C;
步骤i-C.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤i-B;否则不做任何操作;
步骤i-D.判断待处理车辆当前所在车道是否属于其目标方向对应路口的各车道,是则进入步骤i-E;否则进入步骤i-H;
步骤i-E.判断待处理车辆当前所在车道是否为其目标方向对应路口各车道中排队最短的,是则进入步骤i-F;否则进入步骤i-G;
步骤i-F.待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,并返回步骤i-E;
步骤i-G.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口各车道中排队最短的车道进行变道,然后返回步骤i-E;否则不做任何操作;
步骤i-H.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的各车道进行变道,然后返回步骤i-D,否则不做任何操作。
作为本发明的一种优选技术方案:还包括分别针对进入车道选择区的各个车辆,将车辆作为待处理车辆,执行如下步骤ii-A至步骤ii-D;
步骤ii-A.判断待处理车辆当前所在车道是否属于其目标方向对应路口的车道,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在车道选择区的方案;否则进入步骤ii-B;
步骤ii-B.判断待处理车辆所在位置是否位于车道选择区最下游端向至上游方向预设车速控制距离范围内,是则进入步骤ii-C,否则进入步骤ii-D;
步骤ii-C.根据待处理车辆相距车道选择区最下游端的距离,更新待处理车辆所对应的加速度,并且待处理车辆根据加速度进行减速,然后进入步骤ii-D;
步骤ii-D.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤ii-A,否则不做任何操作。
作为本发明的一种优选技术方案:所述待处理车辆执行跟驰行驶所依据的预设跟驰模型如下:
据此更新待处理车辆跟驰过程中的加速度a(t),实现待处理车辆的速度调整进行跟驰行驶;其中,amax表示待处理车辆的最大加速度,v(t)表示待处理车辆的速度,vfront(t表示待处理车辆所在当前车道中、与待处理车辆相邻前车的速度,s*(t)表示待处理车辆所在当前车道中前后车辆的期望车距,s(t)表示待处理车辆所在当前车道中、待处理车辆与其相邻前车的车头间距,amin表示待处理车辆的最小加速度。
作为本发明的一种优选技术方案:所述待处理车辆进行变道的过程中,按如下公式:
若ab,es≥amin且则待处理车辆变道安全,待处理车辆进行变道;反之待处理车辆变道不安全,并不做任何操作;其中,ab,es表示待处理车辆变道后的需求加速度,amin表示待处理车辆的最小加速度,表示待处理车辆变道后、其相邻后车的需求加速度,表示待处理车辆变道后、其相邻前车的最小加速度,表示待处理车辆变道后、其相邻后车的最小加速度,T表示换道时间,vb(t+T)表示待处理车辆由t时刻经T时长变道后、待处理车辆对应t+T时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻前车的车长,x(t)表示待处理车辆在当前车道对应t时刻的位置,v(t)表示待处理车辆在当前车道对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t+T时刻的车速,len表示待处理车辆车长,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的车速,v(t)表示待处理车辆对应t时刻的车速。
作为本发明的一种优选技术方案:所述步骤ii-C中,根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
a(t)′=max(min(a(t)+Δa,amin),amax)
Δa=-kdece-dis
更新待处理车辆所对应的加速度a(t)',并且待处理车辆根据加速度a(t)'进行减速;其中,kdec表示衡量减速度变化的预设参数,a(t)表示待处理车辆跟驰状态下的加速度,amin表示待处理车辆的最小加速度,amax表示待处理车辆的最大加速度,min(·)表示求最小值函数,max(·)表示求最大值函数。
作为本发明的一种优选技术方案:所述根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,其中,kpro表示衡量换道概率变化的预设参数。
与上述相对应,本发明设计了一种交叉口进口道的智能体仿真方法的系统,以实际交通场景中各交通对象作为智能体,在各个道路划分场景下实现车辆行驶路径的方法控制,提高路口车辆的通行效率。
本发明为了解决上述技术问题采用以下技术方案:本发明设计了一种交叉口进口道的智能体仿真方法的系统,包括存储器、处理器、以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现交叉口进口道的智能体仿真方法。
本发明所述一种交叉口进口道的智能体仿真方法及系统,采用以上技术方案与现有技术相比,具有以下技术效果:
本发明所设计一种交叉口进口道的智能体仿真方法及系统,针对驶向路口的道路,依次划分为排队等候区、车道选择区、自由换道区,结合将各个交通对象作为智能体,基于对车辆行驶状态的实时检测,执行车辆通行路径的控制仿真,实现车辆的换道行为和跟驰行为,由此提高车辆在路口的通信效率;相对应本发明还设计了基于智能体仿真方法的系统,基于仿真车辆智能体之间的互相通讯,以及结合环境智能体的环境信息检测,通过系统化对设计仿真方法的执行,自行根据规则完成决策,从而准确高效地复现路口进口道车辆的仿真,为路口的设计与评价提供可靠的手段。
附图说明
图1是本发明所设计交叉口进口道的智能体仿真方法中的道路划分示意图;
图2是本发明所设计交叉口进口道的智能体仿真方法的框架流程示意图。
具体实施方式
下面结合说明书附图对本发明的具体实施方式作进一步详细的说明。
本发明设计了一种交叉口进口道的智能体仿真方法,如图1所示,基于自路口停车线向上游方向,依次针对实线区域、实线末端至虚线方向预设距离位置的区域、以及后续的虚线区域,分别定义为排队等候区、车道选择区、自由换道区,所述智能体仿真方法包括分别针对进入自由换道区的各个车辆,将车辆作为待处理车辆,执行如下步骤i-A至步骤i-H;以及分别针对进入排队等候区的各个车辆,车辆以预设跟驰模型在当前所在车道上进行跟驰行驶。
步骤i-A.判断待处理车辆目标方向对应路口的车道的数量是否大于1个,是则进入步骤i-B;否则进入步骤i-D。
步骤i-B.判断待处理车辆当前所在车道是否与其目标方向对应路口的车道一致,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在自由换道区的方案;否则进入步骤i-C。
步骤i-C.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤i-B;否则不做任何操作。其中,kpro表示衡量换道概率变化的预设参数。
步骤i-D.判断待处理车辆当前所在车道是否属于其目标方向对应路口的各车道,是则进入步骤i-E;否则进入步骤i-H。
步骤i-E.判断待处理车辆当前所在车道是否为其目标方向对应路口各车道中排队最短的,是则进入步骤i-F;否则进入步骤i-G。
步骤i-F.待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,并返回步骤i-E。
步骤i-G.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口各车道中排队最短的车道进行变道,然后返回步骤i-E;否则不做任何操作。
步骤i-H.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的各车道进行变道,然后返回步骤i-D,否则不做任何操作。
除了分别针对进入自由换道区的各个车辆,按上述步骤i-A至步骤i-H执行以外,当车辆驶入车道选择区后,进一步设计分别针对各个车辆,将车辆作为待处理车辆,继续执行如下步骤ii-A至步骤ii-D。
步骤ii-A.判断待处理车辆当前所在车道是否属于其目标方向对应路口的车道,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在车道选择区的方案;否则进入步骤ii-B。
步骤ii-B.判断待处理车辆所在位置是否位于车道选择区最下游端向至上游方向预设车速控制距离范围内,是则进入步骤ii-C,否则进入步骤ii-D。
步骤ii-C.根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
a(t)′=max(min(a(t)+Δa,amin),amax)
Δa=-kdece-dis
更新待处理车辆所对应的加速度a(t)',并且待处理车辆根据加速度a(t)'进行减速,然后进入步骤ii-D;其中,kdec表示衡量减速度变化的预设参数,a(t)表示待处理车辆跟驰状态下的加速度,amin表示待处理车辆的最小加速度,amax表示待处理车辆的最大加速度,min(·)表示求最小值函数,max(·)表示求最大值函数。
步骤ii-D.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤ii-A,否则不做任何操作。
上述所设计关于进入自由换道区、车道选择区的各个车辆的仿真控制,以及进入排队等候区的各个车辆仿真控制中,均会涉及到按预设跟驰模型在车道上进行跟驰行驶,因此针对这里所涉及到的跟驰模型,具体应用依据如下预设跟驰模型。
据此更新待处理车辆跟驰过程中的加速度a(t),实现待处理车辆的速度调整进行跟驰行驶;其中,amax表示待处理车辆的最大加速度,v(t)表示待处理车辆的速度,vfront(t表示待处理车辆所在当前车道中、与待处理车辆相邻前车的速度,s*(t)表示待处理车辆所在当前车道中前后车辆的期望车距,s(t)表示待处理车辆所在当前车道中、待处理车辆与其相邻前车的车头间距,amin表示待处理车辆的最小加速度。
并且在实际应用当中,针对车辆的变道动作,在具体执行过程中,依据如下公式。
若ab,es≥amin且则待处理车辆变道安全,待处理车辆进行变道;反之待处理车辆变道不安全,并不做任何操作;其中,ab,es表示待处理车辆变道后的需求加速度,amin表示待处理车辆的最小加速度,表示待处理车辆变道后、其相邻后车的需求加速度,表示待处理车辆变道后、其相邻前车的最小加速度,表示待处理车辆变道后、其相邻后车的最小加速度,T表示换道时间,vb(t+T)表示待处理车辆由t时刻经T时长变道后、待处理车辆对应t+T时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻前车的车长,x(t)表示待处理车辆在当前车道对应t时刻的位置,v(t)表示待处理车辆在当前车道对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t+T时刻的车速,len表示待处理车辆车长,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的车速,v(t)表示待处理车辆对应t时刻的车速。
由此通过上述公式,针对车辆的变道动作进行侦测与仿真控制,实现车辆的安全变道动作。
将本发明所设计交叉口进口道的智能体仿真方法应用于实际当中,基于图1所示,进口道总长度为250m,仿真系统包括3个区域:自由换道区S1、车道选择区S2、排队等候区S3,长度分别为L1=100m,L2=50m,L3=100m;展宽段包括4个车道,其转向分别是左转、直行、直行和右转,车道编号从左往右分别为1,2,3,4。
整个应用场景中包括3类智能体:车辆智能体Car、道路智能体Road、信号灯智能体TrafficLights;车辆智能体即为仿真主体,其拥有位置pveh、速度v(t)、所在车道laneveh、目标车道tar_laneveh(若多个车道的转向相同,则可有多个目标车道)、类型typeveh、长度lenveh、最大速度vmax,veh、最大加速度amax、最小加速度amin、变道概率阈值proveh等属性;道路智能体为仿真环境的一部分,其拥有所属区域类型typeroad、限制速度vlim、道路长度lenroad、车道数num和转向turnlane等属性;信号灯智能体为交叉口信号灯,也是为仿真环境的一部分,其拥有各个车道信号灯的状态lightlane及时长timelane。
本实施例中,系统内共有100个车辆智能体,即在仿真时长内,总共有100辆车辆进入仿真区域;系统内有一个信号灯智能体;其中,lane∈{1,2,…,n},n为车道数,且车道编号按照位置沿单一方向依次增大。
tar_laneveh∈{1,2,…,n};
typeveh∈{car,truck};
proveh∈{0.05,0.08,0.10};
typeroad∈{S1,S2,S3};
turnlane∈{左,直,右};
veh∈{1,2,…,m},m为车辆数;
lightlane∈{红,黄,绿};
本实例使用实测数据对各个智能体的参数进行初始化。实测数据来源为,使用无人机拍摄某一交叉口进口道的俯拍视频,并提取所需车辆数据,且所用车辆数据均为车辆完整通过整个目标区域的数据。
部分车辆智能体的初始化属性如下表1所示(注:进入时间为步长数,位置为车辆距离目标区域最上游点的距离)。
表1
道路智能体的属性如下表2所示。
表2
信号灯智能体的属性如下表3所示(表格中相位针对该进口道而言)。
表3
选定仿真步长所代表的实际时间t=0.1s,总仿真时长为T=400s,在每一仿真步长内,对所有车辆智能体的状态(位置、速度和所在车道)进行更新,在不同类型的道路区域,对应的车辆更新规则不同;在自由换道区,车辆智能体在进行跟驰的同时,依据车道的效用进行换道;在车道选择区,车辆智能体在进行跟驰的同时,未处于目标车道的车辆智能体进行强制换道;在排队等候区,车辆不进行换道,仅进行跟驰。若达到预设的仿真总时间,则停止仿真。
基于上述实施例场景设置,基于图2所示,并执行本发明所设计的交叉口进口道的智能体仿真方法,实现车辆的仿真控制,整个设计方案针对驶向路口的道路,依次划分为排队等候区、车道选择区、自由换道区,结合将各个交通对象作为智能体,基于对车辆行驶状态的实时检测,执行车辆通行路径的控制仿真,实现车辆的换道行为和跟驰行为,由此提高车辆在路口的通信效率;相对应本发明还设计了基于智能体仿真方法的系统,基于仿真车辆智能体之间的互相通讯,以及结合环境智能体的环境信息检测,通过系统化对设计仿真方法的执行,自行根据规则完成决策,从而准确高效地复现路口进口道车辆的仿真,为路口的设计与评价提供可靠的手段。
上面结合附图对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (8)
1.一种交叉口进口道的智能体仿真方法,其特征在于:基于自路口停车线向上游方向,依次针对实线区域、实线末端至虚线方向预设距离位置的区域、以及后续的虚线区域,分别定义为排队等候区、车道选择区、自由换道区,所述智能体仿真方法包括分别针对进入自由换道区的各个车辆,将车辆作为待处理车辆,执行如下步骤i-A至步骤i-H;以及分别针对进入排队等候区的各个车辆,车辆以预设跟驰模型在当前所在车道上进行跟驰行驶;
步骤i-A.判断待处理车辆目标方向对应路口的车道的数量是否大于1个,是则进入步骤i-B;否则进入步骤i-D;
步骤i-B.判断待处理车辆当前所在车道是否与其目标方向对应路口的车道一致,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在自由换道区的方案;否则进入步骤i-C;
步骤i-C.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤i-B;否则不做任何操作;
步骤i-D.判断待处理车辆当前所在车道是否属于其目标方向对应路口的各车道,是则进入步骤i-E;否则进入步骤i-H;
步骤i-E.判断待处理车辆当前所在车道是否为其目标方向对应路口各车道中排队最短的,是则进入步骤i-F;否则进入步骤i-G;
步骤i-F.待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,并返回步骤i-E;
步骤i-G.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口各车道中排队最短的车道进行变道,然后返回步骤i-E;否则不做任何操作;
步骤i-H.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的各车道进行变道,然后返回步骤i-D,否则不做任何操作。
2.根据权利要求1所述一种交叉口进口道的智能体仿真方法,其特征在于:还包括分别针对进入车道选择区的各个车辆,将车辆作为待处理车辆,执行如下步骤ii-A至步骤ii-D;
步骤ii-A.判断待处理车辆当前所在车道是否属于其目标方向对应路口的车道,是则待处理车辆以预设跟驰模型在当前所在车道上进行跟驰行驶,完成对待处理车辆在车道选择区的方案;否则进入步骤ii-B;
步骤ii-B.判断待处理车辆所在位置是否位于车道选择区最下游端向至上游方向预设车速控制距离范围内,是则进入步骤ii-C,否则进入步骤ii-D;
步骤ii-C.根据待处理车辆相距车道选择区最下游端的距离,更新待处理车辆所对应的加速度,并且待处理车辆根据加速度进行减速,然后进入步骤ii-D;
步骤ii-D.生成0-1的变道概率随机数p,以及根据待处理车辆相距车道选择区最下游端的距离,更新变道概率阈值proveh,然后判断p是否小于变道概率阈值proveh,是则待处理车辆向其目标方向对应路口的车道进行变道,然后返回步骤ii-A,否则不做任何操作。
4.根据权利要求2所述一种交叉口进口道的智能体仿真方法,其特征在于:所述待处理车辆进行变道的过程中,按如下公式:
若ab,es≥amin且则待处理车辆变道安全,待处理车辆进行变道;反之待处理车辆变道不安全,并不做任何操作;其中,ab,es表示待处理车辆变道后的需求加速度,amin表示待处理车辆的最小加速度,表示待处理车辆变道后、其相邻后车的需求加速度,表示待处理车辆变道后、其相邻前车的最小加速度,表示待处理车辆变道后、其相邻后车的最小加速度,T表示换道时间,vb(t+T)表示待处理车辆由t时刻经T时长变道后、待处理车辆对应t+T时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻前车的车长,x(t)表示待处理车辆在当前车道对应t时刻的位置,v(t)表示待处理车辆在当前车道对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻前车对应t时刻的车速,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t+T时刻的车速,len表示待处理车辆车长,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的位置,表示待处理车辆由t时刻经T时长变道后、其相邻后车对应t时刻的车速,v(t)表示待处理车辆对应t时刻的车速。
5.根据权利要求2所述一种交叉口进口道的智能体仿真方法,其特征在于:所述步骤ii-C中,根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
a(t)′=max(min(a(t)+Δa,amin),amax)
Δa=-kdece-dis
更新待处理车辆所对应的加速度a(t)',并且待处理车辆根据加速度a(t)'进行减速;其中,kdec表示衡量减速度变化的预设参数,a(t)表示待处理车辆跟驰状态下的加速度,amin表示待处理车辆的最小加速度,amax表示待处理车辆的最大加速度,min(·)表示求最小值函数,max(·)表示求最大值函数。
6.根据权利要求1至5中任意一项所述一种交叉口进口道的智能体仿真方法,其特征在于:所述根据待处理车辆相距车道选择区最下游端的距离dis,按如下公式:
proveh=1-kpro*dis
更新变道概率阈值proveh,其中,kpro表示衡量换道概率变化的预设参数。
7.根据权利要求2所述一种交叉口进口道的智能体仿真方法,其特征在于:所述各车道上的各车辆之间通过车联网方式实现通信。
8.一种执行权利要求1至7中任意一项所述一种交叉口进口道的智能体仿真方法的系统,其特征在于:包括存储器、处理器、以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2021105299397 | 2021-05-14 | ||
CN202110529939 | 2021-05-14 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113449416A true CN113449416A (zh) | 2021-09-28 |
CN113449416B CN113449416B (zh) | 2022-12-13 |
Family
ID=77811464
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110652812.4A Active CN113449416B (zh) | 2021-05-14 | 2021-06-11 | 一种交叉口进口道的智能体仿真方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113449416B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495499A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学 | 一种多目标智能网联车辆协同优化控制方法 |
CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车路协同微观仿真系统、方法、电子设备及存储介质 |
CN115273509A (zh) * | 2022-06-28 | 2022-11-01 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102360527A (zh) * | 2011-10-17 | 2012-02-22 | 天津市市政工程设计研究院 | 涉及交叉口服务水平的评价方法 |
CN102999646A (zh) * | 2011-09-14 | 2013-03-27 | 中国科学技术大学 | 一种微观交通仿真中车辆跟驰换道方法及系统 |
CN110070732A (zh) * | 2019-05-10 | 2019-07-30 | 东南大学 | 一种基于实时仿真的匝道信号前馈控制方法及系统 |
-
2021
- 2021-06-11 CN CN202110652812.4A patent/CN113449416B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999646A (zh) * | 2011-09-14 | 2013-03-27 | 中国科学技术大学 | 一种微观交通仿真中车辆跟驰换道方法及系统 |
CN102360527A (zh) * | 2011-10-17 | 2012-02-22 | 天津市市政工程设计研究院 | 涉及交叉口服务水平的评价方法 |
CN110070732A (zh) * | 2019-05-10 | 2019-07-30 | 东南大学 | 一种基于实时仿真的匝道信号前馈控制方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114495499A (zh) * | 2022-01-21 | 2022-05-13 | 东南大学 | 一种多目标智能网联车辆协同优化控制方法 |
CN114495499B (zh) * | 2022-01-21 | 2023-02-14 | 东南大学 | 一种多目标智能网联车辆协同优化控制方法 |
CN115273509A (zh) * | 2022-06-28 | 2022-11-01 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
CN115273509B (zh) * | 2022-06-28 | 2023-10-17 | 深圳优地科技有限公司 | 无人车通行交通路口的控制方法、无人车及存储介质 |
CN115116231A (zh) * | 2022-08-26 | 2022-09-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种车路协同微观仿真系统、方法、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN113449416B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113449416B (zh) | 一种交叉口进口道的智能体仿真方法及系统 | |
CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
Wang et al. | Cooperative eco-driving at signalized intersections in a partially connected and automated vehicle environment | |
CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN112373472B (zh) | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 | |
Yu et al. | Consensus and optimal speed advisory model for mixed traffic at an isolated signalized intersection | |
CN110992695B (zh) | 基于冲突消解的车辆城市交叉口通行决策多目标优化方法 | |
CN112002144A (zh) | 无信号交叉路口行车风险态势评估方法及系统 | |
CN113212454A (zh) | 车辆行驶状态的调整方法、装置、计算机设备和存储介质 | |
CN110843789A (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
US11685406B2 (en) | Vehicle control device, vehicle control method, and storage medium | |
CN110723146B (zh) | 一种考虑驾驶利益增量的多车交互换道决策方法 | |
CN113792424B (zh) | 自动驾驶车异质交通流下的多车道换道方法及系统 | |
Choe et al. | Deep q learning with LSTM for traffic light control | |
CN113536538B (zh) | 一种基于交通冲突的行人与车辆交互仿真方法及系统 | |
Liu et al. | A deep learning-based approach to line crossing prediction for lane change maneuver of adjacent target vehicles | |
CN112542061B (zh) | 基于车联网的借道超车控制方法、装置、系统及存储介质 | |
Wang et al. | Occlusion-aware motion planning for autonomous driving | |
Kanjee et al. | Vision-based adaptive cruise control using pattern matching | |
CN113548049B (zh) | 一种基于有限状态机的智能车辆驾驶行为决策方法及系统 | |
CN112590792B (zh) | 一种基于深度强化学习算法的车辆汇合控制方法 | |
CN115358415A (zh) | 自动驾驶学习模型的分布式训练方法及自动驾驶方法 | |
CN115062202A (zh) | 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质 | |
Mijic et al. | Autonomous driving solution based on traffic sign detection | |
Lee et al. | Predictive Intelligent Driver Model using Deep Learning-based Prediction of Surrounding Vehicle Trajectory |
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 |