CN114897306B

CN114897306B - 一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法

Info

Publication number: CN114897306B
Application number: CN202210380466.3A
Authority: CN
Inventors: 陈志勇; 李华民
Original assignee: Chongqing University
Current assignee: Chongqing University
Priority date: 2022-04-12
Filing date: 2022-04-12
Publication date: 2024-04-26
Anticipated expiration: 2042-04-12
Also published as: CN114897306A

Abstract

本发明公开了一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法，该方法包括以下步骤：S1、获取自动驾驶车辆与人工驾驶车辆混合交通条件下的基本数据；S2、基于不同的车道方案,考虑自动驾驶车辆渗透率及车流跟驰模式的影响，构建路段最大通行能力函数；S3、基于路段最大通行能力函数，推导不同车道方案下阻抗函数；S4、考虑具有不同车道方案组合下的道路阻抗函数，构建基于模糊软集合的混合交通流阻抗函数模型，实现对该道路的阻抗值计算。本发明考虑了自动驾驶车辆渗透率及车流跟驰模式差异的影响，基于模糊软集合的组合计算方法，将不同车道场景下的阻抗函数组合起来，更准确的反映出了拥有多种车道通行方案的道路结构的路段阻抗变化。

Description

一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法

技术领域

本发明属于智能交通信息技术领域，具体涉及一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法。

背景技术

随着自动驾驶技术的不断发展，自动驾驶车辆的数量逐年递增，在未来会出现自动驾驶与人工驾驶车辆共存的混合交通状况。道路交通系统会因此发生前所未有的变化，交通流将经历一个长期的人工驾驶与自动驾驶混合行驶的时期，而这个时期的混合交通环境下的路段行程时间特征和以往的交通有着很大的区别。路段阻抗是交通分配的基础，同时准确的路段行程时间不仅能满足出行者的日常需要，也有助于管理者进行交通诱导，缓解交通拥堵等。

自动驾驶车辆的车头时距稳定、车辆反应时间更快、整体行驶性能优于传统人工驾驶车辆等特点，在道路上与传统的人工驾驶车辆混行时，容易导致人工驾驶车辆的驾驶风格变化和跟车距离的调整等，进而对道路阻抗产生不可忽视的影响作用，随着自动驾驶技术的快速发展，自动驾驶车辆数量的不断增加，这种影响在路段行程时间中呈现出不断加深的变化趋势。同时在混合交通场景中，会采取多种车道方案来提高道路通行的效率，例如自动驾驶专用车道；同时在自动驾驶车辆与人工驾驶车辆组成的混合车流中，会存在不同的跟驰模式；在自动驾驶车渗透率、不同车流跟驰模式和车道方案的影响下，道路阻抗会发生不同程度的变化，所以有必要考虑自动驾驶车辆渗透率、跟驰模式差异及车道方案对路段阻抗的影响作用。

现有的阻抗函数计算方法虽然在以往的研究中取得了不错的效果，但随着智能交通的快速发展，交通系统越来越复杂，以往的模型越来越不能满足在自动驾驶车辆混行的交通场景中路段阻抗值计算的准确性与适用性。

因此，通过分析自动驾驶车辆渗透率、跟驰模式差异及车道方案对路段最大通行能力的影响规律，研究考虑不同车道方案组合下的混合交通流阻抗函数计算方法，构建组合计算模型，将有利于提高模型的预测精度及泛化能力，使得自动驾驶车辆渗透率与专用车道方案等影响因素考虑到阻抗函数中。

发明内容

有鉴于此，为了解决上述问题，本发明提供一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法

为实现上述目的，本发明是通过以下的技术方案来实现的：

一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法，该方法包括以下步骤：

1)分析考虑自动驾驶车辆与人工驾驶车辆组成的所有不同车道方案下的路段最大通行能力，建立不同车道方案下的路段最大通行能力函数模型；

2)基于不同车道方案下的路段最大通行能力函数模型，考虑自动驾驶车辆的渗透率分别建立不同车道方案下的路段阻抗函数；

3)将不同车道组合方案下的路段阻抗函数通过基于模糊软集合的组合计算方法，得到不同车道组合方案下的路段阻抗函数模型；

进一步的，所述步骤1)的具体过程如下：

首先考虑在单向双车道的自动驾驶车辆与人工驾驶车辆组成的车道方案共包括4种组合形式：

a)车道1与车道2都用于人工驾驶车辆和自动驾驶车辆混合行驶，记为车道方案A；

b)车道1用于自动驾驶车辆的专用车道，车道2用于人工驾驶车辆的专用车道，记为车道方案B；

c)车道1用于人工驾驶车辆和自动驾驶车辆混合行驶，车道2用于人工驾驶车辆的专用车道，记为车道方案C；

d)车道1用于自动驾驶车辆的专用车道，车道2用于人工驾驶车辆和自动驾驶车辆混合行驶，记为车道方案D；

方案A的最大通行能力计算公式如下：

式中，C₀表示车道1与车道2在纯人工驾驶车辆下的道路最大通行能力，p表示自动驾驶车辆的在整个路段上的渗透率，ε表示车道上的自动驾驶车辆增益，该变量反映了不同车流下的跟驰模式差异。

方案B的最大通行能力计算公式如下：

在上式中，ε₁表示的是车道1的自动驾驶车辆的增益，在该车道方案中，当时，路段最大通行能力达到最大。

方案C的最大通行能力关系公式如下：

在上式中，α₁表示车道1的自动驾驶车辆的渗透率，当时，路段最大通行能力达到最大，代入上述公式中可以得到方案C的最大通行能力的计算公式为：

方案D的最大通行能力关系公式如下：

式中，ε₁,ε₂分别代表车道1与车道2的自动驾驶车辆增益，α₂表示车道2上的自动驾驶车辆的渗透率，当时，路段最大通行能力达到最大，代入上述公式可以得到方案D的最大通行能力的计算公式为：

进一步的，所述步骤2)的具体过程如下：

分别建立4种车道方案下的路段阻抗函数，基于广泛使用的BPR函数，考虑不同车道方案下的路段最大通行能力的变化，建立阻抗函数模型，BPR函数如下所示：

式中，该函数描述了路段行程时间与路段上的流量关系，C为道路的最大通行能力，式中a,b为模型的参数，可以通过实际的交通数据进行标定，t₀是自由流行程时间。

在方案A中，代入该车道方案下的路段最大通行能力公式，可以得到：

式中，q₁和q₂分别代表车道1和车道2的流量，p表示整个路段的自动驾驶车辆的渗透率，可以通过如下公式计算：

同理可得，在方案B、C、D下的路段阻抗函数分别为：

进一步的，所述步骤3)，通过模糊软集合理论，建立基于不同车道方案混合下的道路阻抗函数模型，具体过程如下：

根据不同车道方案组合下实际的阻抗值序列与各个车道方案下的路段阻抗值序列，构建模糊软集合(F:A)，公式如下：

F:A→P(T)

式中，T＝{t₁,t₂,...,t_k,t_k+1,...,t_n}表示实际阻抗值数据样本集合，A表示不同车道方案下的路段阻抗值序列，即A＝{t_tp1,t_tp2,...,t_tpk,t_tp(k+1),...,t_tpn}，F表示集合A到T的映射关系，即上文中得到的不同车道方案下的路段阻抗函数；

根据模糊软集合的定义，计算(F,A)的隶属度函数f(ξ_km)，公式如下：

f(ξ_km)＝(1-|t_tpkm-t_k|/t_k)∨0

式中，ξ_km表示单个车道方案下的路段阻抗值精度，k表示样本的容量，m表示车道方案的个数；

计算各个车道方案下的所有路段阻抗值的精度之和w_j(j＝1,2,3,…,m)，公式如下：

根据得到的w_j，计算该车道方案下的各个路段阻抗值所占的权重θ_j(j＝1,2,3,…,m)，公式如下：

式中，θ_j(j＝1,2,3,…,m)表示该车道方案下各个阻抗值所占的权重，m表示车道方案的个数，j表示当前车道；

组合后的阻抗值为t_Fpk(k＝1,2,3,…,n)，公式如下：

根据上述过程得到最终的路段阻抗结果为其中，t_Fpk表示k时刻最终的路段阻抗值。

有益效果：

本发明提出一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法，该方法针对现有的阻抗计算方法尚未考虑自动驾驶车辆与人工驾驶车辆混合交通场景下，不同车道方案设置对路段阻抗的影响，提出了一种计算混合车道方案下的道路阻抗计算方法，该方法考虑了自动驾驶车辆渗透率、车流的跟驰模式差异及车道方案等因素的影响，基于模糊软集合的组合计算方法，将不同车道场景下的阻抗函数组合起来，对于拥有多种车道通行方案的道路结构，该阻抗函数计算方法可以更为准确的反映出道路的阻抗变化，阻抗函数作为交通分配的基础，该方法可以为混合多种车道方案的道路提供更为可靠的阻抗计算方法，相较于以往的阻抗计算方法，本发明的适用性与准确性更高，除此之外，本发明还可以用于路段行程时间的计算和预测等领域。

附图说明

图1为本发明总体流程示意图。

具体实施方式

为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例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的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。

实施例1

如图1所示，本实施例提供了一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法，该方法包括以下步骤：

d)车道1用于自动驾驶车辆的专用车道，车道2用于人工驾驶车辆和自动驾驶车辆混合行驶，记为车道方案D。

步骤1)分析考虑自动驾驶车辆与人工驾驶车辆组成的所有不同车道方案下的路段最大通行能力，建立不同车道方案的路段最大通行能力函数模型；具体包括以下几个子步骤：

步骤1.1：首先确定道路在纯人工驾驶车辆下的路段最大通行能力C₀及车道上自动驾驶车辆增益ε，可以通过真实的交通数据获得，然后根据自动驾驶车辆渗透率p计算方案A的最大通行能力，计算公式如下：

步骤1.2：与步骤1.1同理，通过以下公式计算方案B下的道路最大通行能力：

步骤1.3：计算方案C的路段最大通行能力的公式如下：

步骤1.4：计算方案D的路段最大通行能力的公式如下：

步骤1.5：通过上述计算方法分别得到4种车道方案下的路段最大通行能力值。

步骤2)基于不同车道方案下的路段最大通行能力函数，通过BPR函数考虑自动驾驶车辆的渗透率分别建立不同车道方案下的路段阻抗函数。具体包括以下几个子步骤：

步骤2.1：利用BPR函数推导不同车道方案下的路段阻抗函数，BPR函数如下：

式中，C为道路的最大通行能力，a,b为模型的参数，可以通过实际的交通数据进行标定，t₀是自由流行程时间。

步骤2.2：代入方案A的最大通行能力函数，得到方案A下的阻抗函数，公式如下：

步骤2.3：代入方案B的最大通行能力函数，计算得到方案B下的阻抗函数为：

步骤2.4：代入方案C的最大通行能力函数，计算得到方案C下的阻抗函数为：

步骤2.5：代入方案D的最大通行能力函数，计算得到方案D下的阻抗函数为：

步骤3)通过模糊软集合理论，建立基于不同车道方案混合下的道路阻抗函数模型。具体包括以下几个子步骤：

步骤3.1：根据不同车道方案组合下实际的阻抗值序列与各个车道方案下的路段阻抗值序列，构建模糊软集合(F:A)，公式如下：

F:A→P(T)

步骤3.2：根据模糊软集合的定义，计算(F,A)的隶属度函数f(ξ_km)，公式如下：

f(ξ_km)＝(1-|t_tpkm-t_k|/t_k)∨0

步骤3.3：计算各个车道方案下的所有路段阻抗值的精度之和w_j(j＝1,2,3,…,m)，公式如下：

步骤3.4：根据得到的w_j，计算该方案下的各个路段阻抗值所占的权重θ_j(j＝1,2,3,…,m)，公式如下：

步骤3.5：计算组合后的阻抗值为t_Fpk(k＝1,2,3,…,n)，公式如下：

步骤3.6：根据上述过程得到最终的路段阻抗结果为T_Fp＝{t_Fp1,t_Fp2,...,t_Fpk,t_Fp(k+1),...,t_Fpn}，其中，t_Fpk表示k时刻最终的路段阻抗值。

以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims

1.一种考虑自动驾驶专用车道混合交通流路段阻抗计算方法，其特征在于，该方法包括以下步骤：

S1、获取自动驾驶车辆与人工驾驶车辆混合交通条件下的车辆和车道的基本信息；

S2、基于S1中获取的基本信息，分析考虑自动驾驶车辆与人工驾驶车辆组成的所有不同车道方案下的路段最大通行能力，建立不同车道方案下的路段最大通行能力函数模型；

所述S2包括以下步骤：

S21、考虑在单向双车道的自动驾驶车辆与人工驾驶车辆组成的车道方案包括以下4种组合形式：

a)车道1与车道2均用于人工驾驶车辆和自动驾驶车辆混合行驶，记为车道方案A；

S22、所述方案A的最大通行能力计算公式如下：

其中，C₀表示车道1与车道2在纯人工驾驶车辆下的道路最大通行能力，p表示自动驾驶车辆在整个路段上的渗透率，ε表示车道上的自动驾驶车辆增益；

S23、所述方案B的最大通行能力计算公式如下：

其中，ε₁表示的是车道1的自动驾驶车辆的增益，当时，路段最大通行能力达到最大；

S24、所述方案C的最大通行能力关系公式如下：

其中，α₁表示车道1的自动驾驶车辆的渗透率，当时，路段最大通行能力达到最大，代入上述公式中得到方案C的最大通行能力的计算公式如下：

S25、所述方案D的最大通行能力关系公式如下：

其中，ε₁,ε₂分别代表车道1与车道2的自动驾驶车辆增益，α₂表示车道2上的自动驾驶车辆的渗透率，当时，路段最大通行能力达到最大，代入上述公式得到方案D的最大通行能力的计算公式如下：

S3、基于S2中建立的不同车道方案下的路段最大通行能力函数模型，考虑自动驾驶车辆的渗透率分别建立不同车道方案下的路段阻抗函数；

所述S3包括以下步骤：

S31、分别建立4种车道方案下的路段阻抗函数，基于BPR函数，考虑不同车道方案下的路段最大通行能力的变化，建立阻抗函数模型；所述BPR函数如下：

其中，C为道路的最大通行能力，a,b为模型的参数，通过实际的交通数据进行标定，t₀是自由流行程时间；Q为交通流量；

S32、在方案A中，代入该车道方案下的路段最大通行能力公式，得到以下公式：

其中，q₁和q₂分别代表车道1和车道2的流量，p表示整个路段的自动驾驶车辆的渗透率，通过如下公式计算：

S33、根据S31和S32，得到车道方案B、C、D下的路段阻抗函数分别为：

S4、将S3中建立的不同车道方案下的路段阻抗函数通过模糊软集合的组合计算方法计算，得到不同车道组合方案下的路段阻抗函数模型；

所述S4包括以下步骤：

S41、根据不同车道方案组合下实际的路段阻抗值序列与各个车道方案下的路段阻抗值序列，构建模糊软集合(F:A)，公式如下：

F:A→Ρ(T)

其中，T＝{t₁,t₂,...,t_k,t_k+1,...,t_n}表示实际路段阻抗值数据样本集合，A表示不同车道方案下的路段阻抗值序列，即A＝{t_tp1,t_tp2,...,t_tpk,t_tp(k+1),...,t_tpn}，F表示集合A到T的映射关系，即S3中得到的不同车道方案下的路段阻抗函数；

S42、根据模糊软集合的定义，计算(F,A)的隶属度函数f(ξ_km)，计算公式如下：

f(ξ_km)＝(1-|t_tpkm-t_k|/t_k)∨0

其中，ξ_km表示单个车道方案下的路段阻抗值精度，k表示样本的容量，m表示车道方案的个数；

S5、基于S4中得到的不同车道组合方案下的路段阻抗函数模型，计算不同车道方案下的路段阻抗值；

所述S5包括以下步骤：

S51、计算各个车道方案下的所有路段阻抗值的精度之和w_j，j＝1,2,3,…,m，计算公式如下：

S52、根据S51得到的w_j，计算该车道方案下的各个路段阻抗值所占的权重θ_j，j＝1,2,3,…,m，计算公式如下：

其中，θ_j，j＝1,2,3,…,m，表示该车道方案下各个路段阻抗值所占的权重，j表示当前车道；

S53、计算组合后的路段阻抗值为t_Fpk，k＝1,2,3,…,n，计算公式如下：

S54、根据S51至S53，得到最终的路段阻抗结果为T_Fp，计算公式如下：

T_Fp＝{t_Fp1,t_Fp2,...,t_Fpk,t_Fp(k+1),...,t_Fpn}

其中，t_Fpk表示k时刻最终的路段阻抗值。