CN115099002A - 一种面向混合交通环境的交通流微观模型优化方法 - Google Patents
一种面向混合交通环境的交通流微观模型优化方法 Download PDFInfo
- Publication number
- CN115099002A CN115099002A CN202210598016.1A CN202210598016A CN115099002A CN 115099002 A CN115099002 A CN 115099002A CN 202210598016 A CN202210598016 A CN 202210598016A CN 115099002 A CN115099002 A CN 115099002A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- potential field
- motion
- traffic flow
- 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.)
- Pending
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
- 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
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种面向混合交通环境的交通流微观模型优化方法,包括:将目标车辆期望属性信息和目标车辆属性信息进行融合,得到车辆运动势场场强;利用元胞网格将各道路连续分布运动势场场强进行离散化处理,对各道路每一个离散的元胞网格在当前时刻赋予运动势场场强;分别计算在跟驰情景中智能网联车辆和人工驾驶车辆的加速度;根据车辆加速度以及离散化后各道路元胞内车辆运动势场场强,对经典NaSch模型进行优化,得到混合交通流下目标车辆的元胞自动机模型演化规则。本发明由目标车辆自身的速度势场和前车的车辆势场所组成的综合势场决定目标车辆的加速度,同时根据车辆跟驰模式的不同决定随机慢化规则,更准确地刻画实际交通流中车辆的跟驰行为。
Description
技术领域
本发明涉及交通流理论、车路协同以及智慧交通领域,特别涉及一种面向混合交通环境的交通流微观模型优化方法。
背景技术
作为交通运输、汽车工业、人工制造、信息通信等多个行业交叉融合发展的新兴产物,智能网联汽车得到迅速发展。由于搭载了先进的感知与通讯设备,智能网联汽车能够实时获取交通信息并对所获取的交通信息进行利用与反应,弥补传统交通系统中信息不能实时交互的缺点,有利于有针对性地实施准确的交通控制,提升交通系统运行效率与资源利用率,提升交通安全水平。
智能网联技术的发展还有待完善成熟,智能网联交通系统的实施将是一项需要长期努力的任务,在实现完全的智能网联环境之前,道路交通流在很长一段时间内将表现为由智能网联汽车与人工驾驶汽车共同组成的混合交通流。智能网联汽车与人工驾驶汽车在交通信息感知能力方面的差异,导致其各自的运动控制也存在差异,对混合交通流的微观状态演化带来不同程度的影响。研究混合交通流的微观运动状态演化过程,不仅能够为掌握道路交通态势发展规律提供必要基础,而且还能够为智能网联环境下的混合交通流优化控制提供前瞻性方向。
在交通流微观模型的研究中,元胞自动机理论广受青睐,主要因为该理论可以凭借简单的规划对复杂的交通现象进行较为真实的模拟,还原交通流运动状态的演化过程。然而,目前基于元胞自动机理论的交通流微观模型研究中,往往将车辆的加速度和减速度设定为固定值,无法体现车辆在交通流环境中针对实际交通信息作出的行为,进而难以还原真实交通流的微观状态演化过程;另一方面,由于混合交通流中智能网联汽车在交通信息感知、抑制车辆随机性等方面具有突出性能,传统的元胞自动机模型不能很好对这些现象进行模拟。
发明内容
发明目的:针对以上问题,本发明目的是提供一种面向混合交通环境的交通流微观模型优化方法,综合考虑智能网联环境下混合交通流微观演化过程,还原现实交通流微观运动状态的复杂演化过程,为研究混合交通流的换道模型提供基础。
技术方案:本发明的一种面向混合交通环境的交通流微观模型优化方法,包括以下步骤:
步骤1,获取目标车辆自身属性信息和运动属性信息,将目标车辆期望属性信息和目标车辆属性信息进行融合,得到车辆运动势场场强;
步骤2,根据元胞自动机模型的特点,利用元胞网格将各道路连续分布的运动势场场强进行离散化处理,对各道路每一个离散的元胞网格在当前时刻赋予运动势场场强;
步骤3,根据离散化后车辆运动势场场强及不同类型车辆运动特征,分别计算在跟驰情景中智能网联车辆和人工驾驶车辆的加速度;
步骤4,根据智能网联车辆和人工驾驶车辆的加速度以及离散化后各道路元胞内车辆运动势场场强,对经典NaSch模型进行优化,得到混合交通流下目标车辆从t时刻到t+1时刻的元胞自动机模型演化规则。
进一步,所述目标车辆自身属性是指目标车辆i的质量mi;
所述运动属性是指目标车辆i在运动过程中产生的速度vi、加速度ai、转向角θ以及与前车i-1之间的间距L;
目标车辆期望属性是指目标车辆i的期望速度vdes;
根据目标车辆属性信息计算目标车辆i的车辆势场场强Eveh表达式为:
其中,β1与β2表征不同类型车辆对车辆运动状态的敏感度的参数;
根据目标车辆属性信息和目标车辆期望属性信息计算目标车辆速度势场场强Evel表达式为:
Evel=γ(vi-vdes)
其中,γ表征不同类型车辆对速度差值的反馈程度的参数;
根据目标车辆势场场强和速度势场场强得到车辆运动势场场强EV表达式为:
EV=Eveh+Evel。
进一步,所述步骤2包括:
进一步,所述步骤3包括:
根据目标车辆自身质量与速度计算目标车辆i的等效质量,表达式为:
Mi=mi×(1.566vi 6.687×10-14+0.3345)
进一步,步骤4中元胞自动机模型的演化规则包括以下规则:
(1)速度更新:vn(t+1)=min(vn(t)+an,vmax,L-Lsafe)
其中,vn(t)和vn(t+1)为第n辆车t时刻与t+1时刻的速度,vmax为设定的道路限速值,L为目标车辆与前车之间的距离,Lsafe为前后车应该保持的最小安全间距;
(2)随机慢化:
人工驾驶车辆:vn(t+1)=max(vn(t+1)-1,0)
智能网联车辆:无随机慢化
对于人工驾驶车辆,设置随机慢化概率为p;对于智能网联汽车,无随机慢化现象;
(3)位置更新:xn(t+1)=xn(t)+vn(t+1)
其中,xn(t+1)为第n辆车在t+1时刻的位置,xn(t)为第n辆车在t时刻的位置;
按照上述速度更新、随机慢化和位置更新规则对目标车辆运行进行更新,当到达预定迭代步数时结束更新。
有益效果:本发明与现有技术相比,其显著优点是:
1、本发明优化方法面向混合交通环境,由目标车辆自身的速度势场和前车的车辆势场所组成的综合势场决定目标车辆的加速度,同时根据车辆跟驰模式的不同决定随机慢化规则,所提出的SPF-NS模型与NaSch模型相比能更准确地刻画实际交通流中车辆的跟驰行为;
2、本发明通过元胞自动机简单的规则实现混合交通流微观运动状态复杂的演化过程;
3、本发明通过设置不同的智能网联汽车渗透率,得到随着智能网联汽车渗透率的升高,交通拥堵能够得到有效缓解,且开始出现交通拥堵的时密度值提高,证明在交通流中引入智能网联汽车的优势;
4、本发明对未来研究复杂场景下的混合交通流微观状态演化具有重要意义,为构建基于势场理论的混合交通流多车道元胞自动机模型提供了基础。
附图说明
图1为势场离散化处理过程示意图;
图2为设置元胞长度为1m,车辆长度为5m时车辆占用元胞的示意图;
图3为交通流密度取25辆/千米,智能网联汽车渗透率取0%时,用NaSch模型仿真得到的交通流时空轨迹演化图;
图4为智能网联汽车渗透率取0,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图5为智能网联汽车渗透率取20%,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图6为智能网联汽车渗透率取40%,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图7为智能网联汽车渗透率取60%,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图8为智能网联汽车渗透率取80%,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图9为智能网联汽车渗透率取100%,交通流密度取25辆/千米时,用SPF-NS模型仿真得到的交通流时空轨迹演化图;
图10为不同智能网联汽车渗透率下混合交通流的流量-密度关系图;
图11为不同智能网联汽车渗透率下混合交通流的速度-密度关系图;
图12为不同智能网联汽车渗透率下拥堵比例随交通流密度变化图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。
本实施例所述的一种面向混合交通环境的交通流微观模型优化方法,包括以下步骤:
步骤1,获取目标车辆自身属性信息和运动属性信息,将目标车辆期望属性信息和目标车辆属性信息进行融合,得到车辆运动势场场强。
目标车辆自身属性是指目标车辆i的质量mi;运动属性是指目标车辆i在运动过程中产生的速度vi、加速度ai、转向角θ以及与前车i-1之间的间距L;目标车辆期望属性是指目标车辆i的期望速度vdes。
根据目标车辆属性信息计算目标车辆i的车辆势场场强Eveh表达式为:
其中,β1与β2表征不同类型车辆对车辆运动状态的敏感度的参数;
根据目标车辆属性信息和目标车辆期望属性信息计算目标车辆速度势场场强Evel表达式为:
Evel=γ(vi-vdes)
其中,γ表征不同类型车辆对速度差值的反馈程度的参数;
根据目标车辆势场场强和速度势场场强得到车辆运动势场场强EV,表达式为:
EV=Eveh+Evel。
步骤2,根据元胞自动机模型的特点,利用元胞网格将各道路连续分布的运动势场场强进行离散化处理,对各道路每一个离散的元胞网格在当前时刻赋予运动势场场强,如图1所示势场离散化处理过程示意图,左边代表目标车辆所在位置势场强度,右边代表前车车辆所在位置势场强度,
步骤3,根据离散化后车辆运动势场场强及不同类型车辆运动特征,分别计算在跟驰情景中智能网联车辆和人工驾驶车辆的加速度。
根据目标车辆自身质量与速度计算目标车辆i的等效质量,表达式为:
Mi=mi×(1.566vi 6.687×10-14+0.3345)
步骤4,根据智能网联车辆和人工驾驶车辆的加速度以及离散化后各道路元胞内车辆运动势场场强,对经典NaSch模型进行优化,得到混合交通流下目标车辆从t时刻到t+1时刻的元胞自动机模型演化规则,包括以下规则:
(1)速度更新:vn(t+1)=min(vn(t)+an,vmax,L-Lsafe)
其中,vn(t)和vn(t+1)为第n辆车t时刻与t+1时刻的速度,vmax为设定的道路限速值,L为目标车辆与前车之间的距离,Lsafe为前后车应该保持的最小安全间距。
(2)随机慢化:
人工驾驶车辆:vn(t+1)=max(vn(t+1)-1,0)
智能网联车辆:无随机慢化
对于人工驾驶车辆,设置随机慢化概率为p;对于智能网联汽车,无随机慢化现象;
(3)位置更新:xn(t+1)=xn(t)+vn(t+1)
其中,xn(t+1)为第n辆车在t+1时刻的位置,xn(t)为第n辆车在t时刻的位置;
按照上述速度更新、随机慢化和位置更新规则对目标车辆运行进行更新,当到达预定迭代步数时结束更新。
为了验证本发明优化方法提供的混合交通流的微观模型更加有效刻画实际混合交通流中车辆的跟驰行为,以下结合附图对本申请进行进一步详细说明。
运用本发明所提出的面向混合交通环境的交通流模型对一段人工设置的路段内的混合交通流进行仿真,包括如下步骤:
假设仿真道路长度设置为4000m,采用周期性边界条件,车道由4000个元胞组成,每个元胞长度为1m,宽度为3m,仿真时长为300s,仿真精度为1s。不考虑大型车影响,设置车辆长度为5m,即一辆车占用5个元胞,宽度为2m,质量为1000kg,最大加速度为3m/s2,最大减速度为5m/s2,车辆的期望行驶速度为30m/s,高速公路最高限速为35m/s。车辆占用元胞的示意图如图2所示。设置元胞自动机中人工驾驶车辆的随机慢化概率为0.3。
令交通流密度为25量/千米,智能网联汽车渗透率为0,图3给出了用传统的NaSch模型对交通流进行仿真得到的交通流时空轨迹演化图,图4给出了用本发明SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。对比图3与图4可知,NaSch模型下的交通流速度不稳定,车辆走停现象频发,交通流中的拥堵始终存在,明显与实际的交通流演化不相符;SPF-NS模型下的交通流体现了车辆根据自身运动期望与前车运动限制调整运动状态的过程,交通流运行更为稳定,能够更加真实地刻画真实情况下的车辆跟驰行为。
图5给出了交通流密度为25量/千米,智能网联汽车渗透率为20%情况下用本发明SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。
图6给出了交通流密度为25量/千米,智能网联汽车渗透率为40%情况下用SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。
图7给出了交通流密度为25量/千米,智能网联汽车渗透率为60%情况下用SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。
图8给出了交通流密度为25量/千米,智能网联汽车渗透率为80%情况下用SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。
图9给出了交通流密度为25量/千米,智能网联汽车渗透率为100%情况下用SPF-NS模型对交通流进行仿真得到的交通流时空轨迹演化图。
通过图4-9可知,在智能网联汽车渗透率较低时,由于人工驾驶汽车行驶随机性较高,速度变化频繁,容易引发拥堵波向后传递,交通流稳定性较低。随着智能网联汽车渗透率的升高,车辆驾驶随机性行为减少,交通流速度稳定性提高,拥堵波的形成与传递减少,整体交通流的稳定性得到增强。当智能网联汽车渗透率达到100%,实现完全智能网联环境时,交通流稳定性达到最高,车辆间距趋于稳定,具有完全消除交通拥堵的能力。
图10给出了不同的智能网联汽车渗透率情况下用SPF-NS模型对交通流进行仿真得到的交通流流量与密度关系图。从图10可以看出,交通流量在密度低于临界密度值时随着密度值的增加而线性增加,交通流量在密度高于临界密度值时随着密度值的增加而降低,直到流量值降低为0,交通流完全拥堵。智能网联汽车渗透率为40%时,道路通行能力最大为纯人工驾驶环境下的1.3倍;智能网联汽车渗透率为80%时,道路通行能力最大为纯人工驾驶环境下的1.6倍;智能网联汽车渗透率为100%时,道路通行能力最大为纯人工驾驶环境下的2.2倍。这说明随着智能网联汽车渗透率的升高,道路通行能力也随之提高。
图11给出了不同的智能网联汽车渗透率情况下用SPF-NS模型对交通流进行仿真得到的交通流速度与密度关系图。从图11可以看出,交通流速度随着密度值的增加而降低,直至速度值降低为0,交通流完全拥堵。随着智能网联汽车渗透率的升高,交通流中车辆的随机性驾驶行为减少,车辆减速现象减少,交通流稳定性增强,交通流平均速度得到提升。
图12给出了不同的智能网联汽车渗透率情况下拥堵比例随交通流密度的变化图。从图12可以看出,当密度值达到临界值后,拥堵比例随着交通流密度值的增加而增加。随着智能网联汽车渗透率的升高,交通流开始出现拥堵的密度值逐渐增高。在同一密度值下,交通流的拥堵比例随着智能网联汽车渗透率的升高而降低。这证明了在交通流中引入智能网联汽车的优势。
综上,本发明的方法,克服了现有元胞自动机模型中车辆加速度、减速度为定值,不能反应车辆根据自身期望前车运动限制对自身运功进行调整的不足,提供了一种面向混合交通环境的交通流微观模型优化方法,基于势场理论对传统的NaSch模型进行优化,有效刻画了混合交通流中不同类型车辆对前车运动状态的反应,能够更加准确地模拟混合交通流的微观状态演化过程。
Claims (5)
1.一种面向混合交通环境的交通流微观模型优化方法,其特征在于,包括以下步骤:
步骤1,获取目标车辆自身属性信息和运动属性信息,将目标车辆期望属性信息和目标车辆属性信息进行融合,得到车辆运动势场场强;
步骤2,根据元胞自动机模型的特点,利用元胞网格将各道路连续分布的运动势场场强进行离散化处理,对各道路每一个离散的元胞网格在当前时刻赋予运动势场场强;
步骤3,根据离散化后车辆运动势场场强及不同类型车辆运动特征,分别计算在跟驰情景中智能网联车辆和人工驾驶车辆的加速度;
步骤4,根据智能网联车辆和人工驾驶车辆的加速度以及离散化后各道路元胞内车辆运动势场场强,对经典NaSch模型进行优化,得到混合交通流下目标车辆从t时刻到t+1时刻的元胞自动机模型演化规则。
2.根据权利要求1所述的交通流微观模型优化方法,其特征在于,所述目标车辆自身属性是指目标车辆i的质量mi;
所述运动属性是指目标车辆i在运动过程中产生的速度vi、加速度ai、转向角θ以及与前车i-1之间的间距L;
目标车辆期望属性是指目标车辆i的期望速度vdes;
所述目标车辆属性包括自身属性和运动属性,根据目标车辆属性信息计算目标车辆i的车辆势场场强Eveh,表达式为:
其中,β1与β2表征不同类型车辆对车辆运动状态的敏感度参数;
根据目标车辆属性信息和目标车辆期望属性信息计算目标车辆速度势场场强Evel,表达式为:
Evel=γ(vi-vdes)
其中,γ表征不同类型车辆对速度差值的反馈程度的参数;
根据目标车辆势场场强和速度势场场强得到车辆运动势场场强EV表达式为:
EV=Eveh+Evel。
4.根据权利要求3所述的交通流微观模型优化方法,其特征在于,所述步骤3包括:
根据目标车辆自身质量与速度计算目标车辆i的等效质量,表达式为:
5.根据权利要求4所述的交通流微观模型优化方法,其特征在于,步骤4中元胞自动机模型的演化规则包括以下规则:
(1)速度更新:vn(t+1)=min(vn(t)+an,vmax,L-Lsafe)
其中,vn(t)和vn(t+1)为第n辆车t时刻与t+1时刻的速度,vmax为设定的道路限速值,L为目标车辆与前车之间的距离,Lsafe为前后车应该保持的最小安全间距;
(2)随机慢化:
人工驾驶车辆:vn(t+1)=max(vn(t+1)-1,0)
智能网联车辆:无随机慢化
对于人工驾驶车辆,设置随机慢化概率为p;对于智能网联汽车,无随机慢化现象;
(3)位置更新:xn(t+1)=xn(t)+vn(t+1)
其中,xn(t+1)为第n辆车在t+1时刻的位置,xn(t)为第n辆车在t时刻的位置;
按照上述速度更新、随机慢化和位置更新规则对目标车辆运行进行更新,当到达预定迭代步数时结束更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598016.1A CN115099002A (zh) | 2022-05-30 | 2022-05-30 | 一种面向混合交通环境的交通流微观模型优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210598016.1A CN115099002A (zh) | 2022-05-30 | 2022-05-30 | 一种面向混合交通环境的交通流微观模型优化方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115099002A true CN115099002A (zh) | 2022-09-23 |
Family
ID=83288265
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210598016.1A Pending CN115099002A (zh) | 2022-05-30 | 2022-05-30 | 一种面向混合交通环境的交通流微观模型优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115099002A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601954A (zh) * | 2022-12-13 | 2023-01-13 | 西南交通大学(Cn) | 一种智能网联车队的换道判断方法、装置、设备及介质 |
CN115953893A (zh) * | 2022-11-30 | 2023-04-11 | 东南大学 | 一种异质交通环境下高速公路车流稳定性分析方法 |
CN117485366A (zh) * | 2023-10-30 | 2024-02-02 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
-
2022
- 2022-05-30 CN CN202210598016.1A patent/CN115099002A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115953893A (zh) * | 2022-11-30 | 2023-04-11 | 东南大学 | 一种异质交通环境下高速公路车流稳定性分析方法 |
CN115953893B (zh) * | 2022-11-30 | 2024-01-30 | 东南大学 | 一种异质交通环境下高速公路车流稳定性分析方法 |
CN115601954A (zh) * | 2022-12-13 | 2023-01-13 | 西南交通大学(Cn) | 一种智能网联车队的换道判断方法、装置、设备及介质 |
CN117485366A (zh) * | 2023-10-30 | 2024-02-02 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
CN117485366B (zh) * | 2023-10-30 | 2024-05-28 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115099002A (zh) | 一种面向混合交通环境的交通流微观模型优化方法 | |
Deng | A general simulation framework for modeling and analysis of heavy-duty vehicle platooning | |
CN110930697B (zh) | 一种基于规则的智能网联车辆协同汇入控制方法 | |
CN112437412A (zh) | 一种基于车路协同的混行驾驶车辆编队控制方法 | |
CN113204863B (zh) | 基于元胞自动机的手动-cacc自动驾驶车辆混合流仿真方法 | |
CN111873998A (zh) | 一种自动驾驶车辆纵向加速度规划方法 | |
CN113792424A (zh) | 自动驾驶车异质交通流下的多车道换道方法及系统 | |
CN115601958A (zh) | 一种基于连续型元胞自动机的车联网交通流建模方法 | |
CN114132341A (zh) | 一种车联网环境下自动驾驶车辆上匝道轨迹规划模型 | |
Wang et al. | Lookup table-based consensus algorithm for real-time longitudinal motion control of connected and automated vehicles | |
CN114611292A (zh) | 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法 | |
CN112489500B (zh) | 一种基于几何视景模型的短期飞行冲突检测与避免方法 | |
Wei et al. | Developing an adaptive strategy for connected eco-driving under uncertain traffic condition | |
Jin et al. | Variable cell transmission model for mixed traffic flow with connected automated vehicles and human-driven vehicles | |
Shao et al. | Optimal eco-approach control with traffic prediction for connected vehicles | |
Lichtlé et al. | Fuel consumption reduction of multi-lane road networks using decentralized mixed-autonomy control | |
He et al. | Cellular automaton model for bidirectional traffic under condition of intelligent vehicle infrastructure cooperative systems | |
Xu et al. | B&B algorithm-based green light optimal speed advisory applied to contiguous intersections | |
Jeong et al. | Online implementation of optimal control with receding horizon for eco-driving of an electric vehicle | |
Nekoui et al. | The Effect of IntelliDrive on the Efficiency of Highway Transportation Systems. | |
Battista et al. | Modeling small unmanned aircraft system traffic flow under external force | |
Mello et al. | Optimizing Range and Efficiency in Autonomous EVs: The Role of the Time Horizon | |
Jeong et al. | Implementation of model predictive control into closed-loop micro-traffic simulation for connected automated vehicle | |
Zhang et al. | A modified mixed car-following model considering that the connected and intelligent vehicle and non-connected vehicle | |
Liu et al. | A Centralized Cooperative Lane-Changing Strategy for Merging into CAV Platoon |
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 |