CN115116249B - 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法 - Google Patents

Abstract

本发明涉及一种自动驾驶车辆不同渗透率与道路通行能力的估计方法，包括：基于不同自动驾驶车辆的渗透率，以驾驶员性格因素和可变车头时距策略分别对普通车辆和自动驾驶车辆的跟驰建立模型；根据不同等级的自动驾驶对换道行为的产生的效应，建立换道模型；基于SUMO平台，结合Python构建联合仿真平台，从渗透率、自动驾驶等级方面，完成普通‑多等级自动驾驶混合交通流道路通行能力的变化规律。基于SUMO平台，结合Python语言，以基本图模型和车辆平均行程时间评估渗入不同自动驾驶渗透率的混合交通流下的道路通行能力并确定可有效改善交通状况的临界渗透率。

Description

一种自动驾驶车辆不同渗透率与道路通行能力的估计方法

技术领域

本发明涉及自动驾驶渗透率改善交通运行能力技术领域，特别涉及一种自动驾驶车辆不同渗透率与道路通行能力的估计方法。

背景技术

伴随着车辆与人工智能等技术的深度融合，自动驾驶将成为现代交通发展的必然趋势。然而由于自动化全面普及的过程缓慢，道路交通流必然经历自动驾驶渗透率逐渐增加的过程，由此形成的混合交通流状态演化也会因此而更加复杂多变。

现有的关于车辆驾驶行为的研究工具有交通仿真、驾驶模拟器模拟、实车试验和数学解析四种，其中，交通仿真既能体现交通实际情况，又能测试各种交通场景，是最合适的分析方法。针对交通仿真技术，根据粒度不同可分为宏观、中观和微观3类，近年来，国内外不少学者通过构建交通仿真平台，利用微观驾驶模型(车辆跟驰、换道及元胞自动机等模型)对自动驾驶不同渗透率场景下的混合交通流进行了研究。

但截止目前，该领域的研究仍存在以下问题，其一：所研究的自动驾驶等级偏低，一般局限在L1～L2级，其二：同时研究多等级的自动驾驶车辆对道路通行能力的影响内容较少。

以解决现有技术中存在的问题，经检索，未发现与本发明相同或相似的技术方案。

发明内容

本发明目的是：提供一种自动驾驶车辆不同渗透率与道路通行能力的估计方法，以解决现有技术中无法准确反应多等级自动驾驶下道路通行能力的问题。

本发明的技术方案是：一种自动驾驶车辆不同渗透率与道路通行能力的估计方法，包括：基于不同自动驾驶车辆的渗透率，以驾驶员性格因素和可变车头时距策略分别对普通车辆和自动驾驶车辆的跟驰建立模型；根据不同等级的自动驾驶对换道行为的产生的效应，建立换道模型；基于SUMO平台，结合Python构建联合仿真平台，从渗透率、自动驾驶等级方面，完成普通-多等级自动驾驶混合交通流道路通行能力的变化规律。

优选的，所述普通车辆的驾驶模型为IDM跟驰模型，如下式表示：

其中：

s_n(t)＝x_n-1(t)-x_n(t)-l

Δv_n(t)＝v_n(t)-v_n-1(t)

式中，a_n(t)：t时刻跟驰车的加速度；a₀：跟驰车的最大加速度；v_n(t)：t时刻跟驰车的速度；v₀：期望速度；δ：加速度指数；s^*(v_n(t),Δv_n(t))：t时刻跟驰车的期望车头间距；s_n(t)：t时刻跟驰车与前车的实际车头间距；x_n(t)：t时刻跟驰车位移；x_n-1(t)：t时刻前车位移；l：车身长度；Δv_n(t)：跟驰车与前车速度差；v_n-1(t)：t时刻前车的速度；s₀：拥堵状态下最小车头间距；T：最小安全车头时距；b：舒适的减速度。

优选的，所述驾驶员性格因素可分为激进型、稳重型、谨慎型，考虑驾驶员的性格因素后如下式表示：

式中：λ：驾驶员的冒险程度。

优选的，所述自动驾驶车辆跟驰模型为ACC跟驰模型，考虑可变车头时距，如下式表示：

式中：t_h为车头时距；t₀为基本车头时距；k_v为车头时距参数且大于0；v_r为相邻两车的相对速度；sat()为饱和函数，通过饱和函数设置了车头时距的上下限t_hmax和0。

优选的，可变的车头时距来计算相邻两车之间的安全间距，进而，得到该模型中间距误差的计算方式。描述如下：

e_n(t)＝x_n-1(t)-x_n(t)-d₀-t_hv_n(t)

式中：e_n(t)是跟驰车与前车在t时刻的间距误差；x_n-1(t)：前车在t时刻的位移；x_n(t)：后车在t时刻的位移；d₀：最小安全间距；v_n(t)：后车在t时刻的速度。

优选的，所述不同等级的自动驾驶对换道行为的产生的效应，如下式表示：

其中：

ET_θ(g)＝ET_lcStrategic(g)+ET_lcSpeedGain(g)+

ET_lcAssertive(g)+ET_{lcCooPerative}(g)

式中：d_lc(t)为t时刻换道最短距离；v(t)为t时刻的车辆速度；α₁、α₂为比例系数；L为车长；ET_θ(g)(Effect Type(Gread))为效应参数，代表不同自动驾驶等级车辆对换道行为所能产生的效应；g为车辆的不同等级。

优选的，所述仿真平台包括路网模型，所述路网模型包含路网结构、车道数、车道宽度、限速标志，所述普通-多等级自动驾驶混合交通流道路通行能力的变化规律，具体为：通过仿真得出密度与速度、密度与流量的关系、不同渗透率下的最大通行能力的提升关系以及不同自动驾驶车辆渗透率下车辆的行程时间及提升值的变化。

与现有技术相比，本发明的优点是：

(1)基于SUMO平台，结合Python语言，以基本图模型和车辆平均行程时间评估渗入不同自动驾驶渗透率的混合交通流下的道路通行能力并确定可有效改善交通状况的临界渗透率；

(2)根据车辆之间的驾驶特性差异，选取不同的跟驰模型分别对其描述，即采用智能驾驶员(IDM)模型描述普通车辆，采用ACC模型描述自动驾驶车辆，并以驾驶员性格因素和可变车头时距策略分别对其进行了改进，同时，基于LC2013换道模型，引入自动驾驶等级效益参数，以参数值来区分不同车辆的换道能力；

(3)考虑了驾驶员性格的普通车辆平均行驶速度受到的影响，更好的反映出道路中实际不确定的驾驶情景；融合可变车头时距策略后的自动驾驶车头间距变化幅度较小，车辆运行更加稳定，可以更贴切的模拟自动驾驶车辆；

模型的改进可为本文对普通—多等级自动驾驶混合交通流道路通行能力机理的研究提供真实可靠的基础。

附图说明

下面结合附图及实施例对本发明作进一步描述：

图1为本发明所述普通车辆跟驰模型对比图；

图2为本发明所述自动驾驶车辆跟驰模型对比图；

图3为本发明所述SUMO与Python接口原理图；

图4为本发明所述路网模型图；

图5为本发明所述密度-流量关系图；

图6为本发明所述密度-速度关系图；

图7为本发明所述不同渗透率场景下最大通行能力图；

图8为本发明所述不同渗透率场景下平均行程时间提升值图。

具体实施方式

下面结合具体实施例，对本发明的内容做进一步的详细说明：

一种自动驾驶车辆不同渗透率与道路通行能力的估计方法，包括：

基于不同自动驾驶车辆的渗透率，以驾驶员性格因素和可变车头时距策略分别对普通车辆和自动驾驶车辆的跟驰建立模型；本实施例中，自动驾驶等级采用SAE划分标准，即L0-L5的等级划分，具体的主要是以L2、L4等级的车辆为研究对象。

普通车辆的驾驶模型为IDM跟驰模型，如下式表示：

其中：

s_n(t)＝x_n-1(t)-x_n(t)-l

Δv_n(t)＝v_n(t)-v_n-1(t)

式中，a_n(t)：t时刻跟驰车的加速度；a₀：跟驰车的最大加速度；v_n(t)：t时刻跟驰车的速度；v₀：期望速度；δ：加速度指数；s^*(v_n(t),Δv_n(t))：t时刻跟驰车的期望车头间距；s_n(t)：t时刻跟驰车与前车的实际车头间距；x_n(t)：t时刻跟驰车位移；x_n-1(t)：t时刻前车位移；l：车身长度；Δv_n(t)：跟驰车与前车速度差；v_n-1(t)：t时刻前车的速度；s₀：拥堵状态下最小车头间距；T：最小安全车头时距；b：舒适的减速度。

驾驶员的的驾驶行为是道路交通事故的首要影响因素。驾驶员的性格可直接影响驾驶的状态。本实施例中，驾驶员性格因素采用激进型、稳重型、谨慎型，以λ表示驾驶员的冒险程度取λ∈[0.7,0.9]，考虑驾驶员的性格因素后如下式表示：

如图1所示，为考虑驾驶员的性格后的模型对比图，可见不考虑驾驶员性格时的车辆平均行驶速度较高，考虑驾驶员性格后，车辆的平均行驶速度降低，说明驾驶员性格确实可以影响到车辆的运行状态。其中，谨慎型驾驶员平均行驶速度偏低，激进型驾驶员平均行驶速度偏高，随机混合各种性格特性的驾驶员平均行驶速度位于两者之间，更能符合实际的交通情况。

自动驾驶车辆跟驰模型采用ACC跟驰模型，其包括对车辆的控制策略分为速度控制、间距控制、间距接近控制和避撞控制四种：

速度控制是当传感器感应到跟驰车前方无车或与前车的间距大于120米时，不考虑前车的影响，以预先设定的车速为控制目标，预设速度与实时速度误差为控制变量行驶。描述如下：

a_n(t+1)＝k₁(v_d-v_n(t))

式中：a_n(t+1)：跟驰车在下一仿真步长的加速度；v_d：期望车速；v_n(t)：跟驰车在第t时刻速度；k₁：决定加速度速度偏差率的控制增益，取0.4s-1。

间距控制是当间距和速度偏差分别同时小于0.2m和0.1m/s时，车辆下一时刻的加速度将会根据与前车的间距及速度偏差进行调整。描述如下：

a_n(t+1)＝k₂e_n(t)+k₃(v_n-1(t)-v_n(t))

e_n(t)＝x_n-1(t)-x_n(t)-d₀-t_dv_n(t)

式中：e_n(t)是跟驰车与前车在t时刻的间距误差；x_n-1(t)：前车在t时刻的位移；x_n(t)：后车在t时刻的位移；d₀：最小安全间距；t_d：预设的恒定车头时距；v_n-1(t)：前车在t时刻的速度；v_n(t)：后车在t时刻的速度；k₂、k₃：位置和速度偏差的控制增益系数，k₂＝0.23s^-2；k₃＝0.07s^-1。

间距接近控制和避撞控制，当跟驰车与前车的间距小于100m时，通过修改间距控制策略中参数的方式，即另k₂和k₃分别为0.04s^-2和0.8s^-1来实现间距接近控制策略；当间距在100m与120m之间时，转化为上一控制策略；当间距小于100m且间距偏差为负值、速度偏差小于0.1m/s时，令k₂和k₃分别为0.8s^-2和0.23s^-1来实现避撞控制策略。

根据实际的交通情况，恒定车头时距无法应对一些较为复杂的情况，本实施例中，加入了可变车头时距的影响，可变车头时距(VTH)策略是指车头时距随相邻两车的速度及加速度等因素变化而变化，通过饱和函数使车头时距保持在一个合理的范围内。如下式表示：

式中：t_h为车头时距；t₀为基本车头时距；k_v为车头时距参数且大于0；v_r为相邻两车的相对速度；sat()为饱和函数，通过饱和函数设置了车头时距的上下限t_hmax和0。

可变的车头时距来计算相邻两车之间的安全间距，进而，得到该模型中间距误差的计算方式。描述如下：

e_n(t)＝x_n-1(t)-x_n(t)-d₀-t_hv_n(t)

式中：e_n(t)是跟驰车与前车在t时刻的间距误差；x_n-1(t)：前车在t时刻的位移；x_n(t)：后车在t时刻的位移；d₀：最小安全间距；v_n(t)：后车在t时刻的速度。

如图2所示，为融入可变车体时距的ACC跟驰模型与原模型的比较，在仿真100秒时开始设定前车初始速度值30m/s，以20秒为跨度、加减速度均为1m/s^-2，令前车从初始速度30m/s减速至10m/s，从10m/s加速至30m/s，整个扰动过程共计350s车头间距变动幅度较小，说明融入可变车头时距的ACC跟驰模型更加稳定。

根据不同换道目的的分为战略换道、合作换道、战术换道、强制换道4种类型。不同换道行为的参数设置对车辆换道行为有不一样的影响，因此本实施例中，从换道类型相关决定参数值设定的角度引入了效应参数ET_θ(g)(EffectType(Gread))代表不同自动驾驶等级车辆对换道行为所能产生的效应，其中g指L0、L2、L4等级车辆，如下式表示：

其中：

ET_θ(g)＝ET_lcStrategic(g)+ET_lcSpeedGain(g)+

ET_lcAssertive(g)+ET_{lcCooPerative}(g)

式中：d_lc(t)为t时刻换道最短距离；v(t)为t时刻的车辆速度；α₁、α₂为比例系数；L为车长；ET_θ(g)(Effect Type(Gread))为效应参数，代表不同自动驾驶等级车辆对换道行为所能产生的效应；g为车辆的不同等级。

综上，影响车辆自动化水平的相关参数如表1所示：

表1驾驶行为模型相关影响参数

对于车辆跟驰行为，随自动等级提升，驾驶员不完美参数、最小车头间距、时距会显著降低，且从L4级开始，由于车辆驾驶主体由人转化为车辆，所以本文将L4级车辆设置为0缺陷驾驶，其与L0级车辆的中间值作为L2级车辆取值；对于换道行为，高自动化程度的车辆会呈现出战略前瞻性增加；倾向于为追求高速而频繁换道；换道时需要的最小安全车距较小；保持在右车道行驶的满意值较低等性能，

基于SUMO平台，结合Python构建联合仿真平台，其接口原理如图3所示，仿真平台包括路网模型，路网模型包含路网结构、车道数、车道宽度、限速标志等一系列参数，这些参数均可在SUMO中编辑形成xml文件。本实施例中，其建模方法有三种：一是通过netconvert命令，将节点文件(node.xml)、边文件(edge.xml)、附加文件(add.xml)等整合形成；二是从外部导入，例如OSM、Vissim等；三是通过netedit可视化界面直接绘制。如图4所示，本实施例基于netedit可视化界面绘制了全长10km的单向双车道路段。区段1和区段2均长1km，区段3长8km，用于表示快速路的常见情况。通过添加SUMO-e1、e2固定检测器来进行信息采集，并设定相关限速信息标志控制车辆速度变化，例如车道(运行方向从左到右)设计速度分别为：80km/h、60km/h。为分析自动驾驶逐步渗入的影响，交通仿真场景的构建从渗透率、自动驾驶等级两个方面入手，如表2所示：

表2仿真场景

普通-多等级自动驾驶混合交通流道路通行能力的变化规律，具体为：通过仿真得出如图5所示的密度与流量的关系，如图6所示的密度与速度的关系，如图7所示的不同渗透率下的最大通行能力示意图。可见，不同比例下自动驾驶车辆的密度—流量、密度—速度图变化趋势几乎一致，随着密度的增加，平均速度均逐渐降低，路段流量呈现先上升至临界值后逐渐下降的趋势。

同一密度下，随自动驾驶渗透率增加，道路通行能力呈现先降低后上升的趋势。其中渗透率P值位于较小的范围时(0％～60％)，道路通行能力降低，但当P值大于60％后，道路通行能力得到了明显提升，尤其当P值为100％时，即道路中全部为自动驾驶车辆时，通行能力提升值达32.52％，取得了最大值。然而，对于车辆的平均速度，同一密度下，只要有自动驾驶车辆存在，道路整体的平均速度就会得到提升，但当密度小于27veh/km时，车辆运行平均速度在自动驾驶渗透率为100％时持续保持最大值；当密度大于27veh/km时，车辆运行速度在自动驾驶渗透率为80％时持续保持最大值，不难看出，自动驾驶技术可有效改善道路的通行能力与交通效率，但改善情况与自动驾驶车辆的渗透比例密切相关。

如表3自动驾驶不同渗透率场景下车辆平均行程时间及图8所示降低值的变化趋势，随自动驾驶车辆比例的增加，混合驾驶渗透率为100％时，平均行程时间最少，较全普通(手动)车辆驾驶场景减少了46.1s，降低了23.38％。说明多等级自动驾驶车辆的渗入可以减少车辆平均行程时间，提高路网整体的运行效率，但改善情况与自动驾驶渗透比例密切相关。

表3自动驾驶不同渗透率场景下车辆平均行程时间

本文基于SUMO与Python联合仿真平台，一方面从微观层面构建了不同等级的自动驾驶车辆的驾驶行为规则，另一方面通过量化自动驾驶的渗透率对道路混合交通流的通行能力进行了分析。研究结果证明自动化技术确实可以有效改善道路交通运行状况。

上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明，因此无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。

Claims (2)

1.一种自动驾驶车辆不同渗透率与道路通行能力的估计方法，其特征在于，包括：

基于不同自动驾驶车辆的渗透率，以驾驶员性格因素和可变车头时距策略分别对普通车辆和自动驾驶车辆的跟驰建立模型；

根据不同等级的自动驾驶对换道行为的产生的效应，建立换道模型；

基于SUMO平台，结合Python构建联合仿真平台，从渗透率和自动驾驶等级方面，完成普通-多等级自动驾驶混合交通流道路通行能力的变化规律；

所述普通车辆的驾驶模型为IDM跟驰模型，如下式表示：

其中：

s_n(t)＝x_n-1(t)-x_n(t)-l

Δv_n(t)＝v_n(t)-v_n-1(t)

式中，a_n(t)：t时刻跟驰车的加速度；a₀：跟驰车的最大加速度；v_n(t)：t时刻跟驰车的速度；v₀：期望速度；δ：加速度指数；s^*(v_n(t),Δv_n(t))：t时刻跟驰车的期望车头间距；s_n(t)：t时刻跟驰车与前车的实际车头间距；x_n(t)：t时刻跟驰车位移；x_n-1(t)：t时刻前车位移；l：车身长度；Δv_n(t)：跟驰车与前车速度差；v_n-1(t)：t时刻前车的速度；s₀：拥堵状态下最小车头间距；T：最小安全车头时距；b：舒适的减速度；

所述驾驶员性格因素可分为激进型、稳重型和谨慎型，考虑驾驶员的性格因素后如下式表示：

Δv_n(t)＝v_n(t)-λv_n-1(t)

式中：λ：驾驶员的冒险程度；

自动驾驶车辆跟驰模型为ACC跟驰模型，考虑可变车头时距，如下式表示：

式中：t_h为车头时距；t₀为基本车头时距；k_v为车头时距参数且大于0；v_r为相邻两车的相对速度；sat()为饱和函数，通过饱和函数设置了车头时距的上下限t_hmax和0；

可变的车头时距来计算相邻两车之间的安全间距，进而，得到该模型中间距误差的计算方式，描述如下：

e_n(t)＝x_n-1(t)-x_n(t)-d₀-t_hv_n(t)

式中：e_n(t)是跟驰车与前车在t时刻的间距误差；x_n-1(t)：前车在t时刻的位移；x_n(t)：后车在t时刻的位移；d₀：最小安全间距；v_n(t)：后车在t时刻的速度；

所述不同等级的自动驾驶对换道行为的产生的效应，如下式表示：

其中：

ET_θ(g)＝ET_lcStrategic(g)+ET_lcSpeedGain(g)+ET_lcAssertive(g)+ET_{lcCooPerative}(g)

式中：d_lc(t)为t时刻换道最短距离；v(t)为t时刻的车辆速度；α₁、α₂为比例系数；L为车长；ET_θ(g)为效应参数，代表不同自动驾驶等级车辆对换道行为所能产生的效应；g为车辆的不同等级；ET_lcStrategic(g)为战略换道意愿；ET_lcSpeedGain(g)为战术换道意愿；ET_lcAssertive(g)为愿意接受目标车道上的车辆间隙；ET_{lcCooPerative}(g)为合作换道意愿。

2.根据权利要求1所述的自动驾驶车辆不同渗透率与道路通行能力的估计方法，其特征在于，所述仿真平台包括路网模型，所述路网模型包含路网结构、车道数、车道宽度和限速标志，所述普通-多等级自动驾驶混合交通流道路通行能力的变化规律，具体为：通过仿真得出密度与速度、密度与流量的关系、不同渗透率下的最大通行能力的提升关系以及不同自动驾驶车辆渗透率下车辆的行程时间及提升值的变化。