CN115240419A - 一种超高速工况下智能网联车辆加速车道确定方法 - Google Patents
一种超高速工况下智能网联车辆加速车道确定方法 Download PDFInfo
- Publication number
- CN115240419A CN115240419A CN202210868930.3A CN202210868930A CN115240419A CN 115240419 A CN115240419 A CN 115240419A CN 202210868930 A CN202210868930 A CN 202210868930A CN 115240419 A CN115240419 A CN 115240419A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- acceleration
- lane
- acceleration lane
- determining
- 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
- 230000001133 acceleration Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 claims abstract description 27
- 238000004088 simulation Methods 0.000 claims abstract description 18
- 238000004458 analytical method Methods 0.000 claims abstract description 15
- 238000013461 design Methods 0.000 claims abstract description 15
- 238000002474 experimental method Methods 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000011217 control strategy Methods 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 12
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 230000006399 behavior Effects 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 description 13
- 230000006855 networking Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000004941 influx Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000011144 upstream manufacturing Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Images
Classifications
-
- 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
- G08G1/0125—Traffic data processing
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G06Q50/40—
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
Abstract
本发明涉及公路互通立交设计领域,公开了一种超高速工况下智能网联车辆加速车道确定方法,步骤S1,开展实车实验采集驾乘人员生理特征参数、匝道合流区的交通流特征参数和车辆运行特征参数,并形成特征集合;步骤S2,建立加速车道评价指标体系,选取多方面的评价指标对加速车道技术水平进行评价分析,并得到分析结果;步骤S3,根据采集到的特征集合并结合道路实测参数在仿真软件中建立仿真场景,并对智能网联车辆的控制策略进行参数标定;步骤S4,设计不同长度的加速车道方案,并根据仿真场景中的输出数据分析加速车道长度和形式设置的合理性,并确定最终的加速车道长度值。本发明具有提高超高速公路车辆加速车道设定结果的精准性的有益效果。
Description
技术领域
本发明涉及公路互通立交设计领域,具体涉及一种超高速工况下智能网联车辆加速车道确定方法。
背景技术
目前高速公路的最高限速值为120km/h,但随着智能网联技术的发展和汽车性能的提升,智能网联汽车也将通过智能决策和控制代替驾驶人员完成超高速驾驶的任务,因此高速公路的道路设计将不再被驾驶人员的主观原因所限制,故高速公路的速度阈值也将迎来新的突破,在此前提下,满足车辆运动学特性和驾乘人员行车舒适性将成为超高速公路几何设计的主要控制因素。
汽车在高速公路行驶时,一般将车辆的行驶状态划分为加速、匀速和减速,在汽车的智能化控制过程中,针对加速的控制无疑是最复杂的,因为要根据前方车辆行驶情况、汇流情况以及是否有足够的加速空间来确定加速车道的长度,现有规范和标准依据的加速车道长度确定方法无法体现智能网联车辆的驾驶特性,给出的推荐值也不适用于车辆超高速行驶工况,特别是在超高速公路的匝道口,不合理的加速车道长度不仅会导致驾驶舒适性和安全性降低,也会引起主线交通流的紊乱。因此,现在针对超高速公路的特定情况,急需一种精准确定智能网联车辆加速车道长度的方法,用以提高驾驶舒适性和行车安全性。
发明内容
本发明意在提供一种超高速工况下智能网联车辆加速车道确定方法,以提高超高速公路车辆加速车道设定结果的精准性,进而保障驾驶舒适性和行车安全性。
为达到上述目的,本发明采用如下技术方案:一种超高速工况下智能网联车辆加速车道确定方法,包括以下步骤:
步骤S1,开展实车实验采集驾乘人员生理特征参数、匝道合流区的交通流特征参数和车辆运行特征参数,并形成特征集合;
步骤S2,建立加速车道评价指标体系,选取多方面的评价指标对加速车道技术水平进行评价分析,并得到分析结果;
步骤S3,根据采集到的特征集合并结合道路实测参数在仿真软件中建立仿真场景,并对智能网联车辆的控制策略进行参数标定;
步骤S4,设计不同长度的加速车道方案,并根据仿真场景中的输出数据分析加速车道长度和形式设置的合理性,并确定最终的加速车道长度值。
本方案的原理及优点是:实际应用时,通过开展实车实验采集到实际的特征数据,然后建立加速车道的评价指标体系,并从多个方面的指标来进行评估分析,然后根据采集到的数据建立仿真场景,来对不同的加速长度的车道方案进行验证,并综合考量后确定加速车道最佳的长度设置。相比于现有技术,本方案的优点在于,通过采集实际试验数据建立了整套超高速公路汽车加速车道的确定体系,克服了传统方法不适用超高速公路的缺点,通过建立驾乘人员舒适性的轴向加速度阈值指标,能够有效避免超高速公路上汽车进行合流时主线速度和匝道速度差过大引发驾乘人员的不适感,同时结合多要素控制设计,在保证车辆行驶安全的前提下提出合理的变速车道长度设置方法,精准确定智能网联车辆加速车道长度,大幅提高了超高速公路加速车道长度的设定结果的准确性,同时还能够兼顾道路安全、通行能力与驾乘人员的舒适感受,从而为超高速公路加速车道布设提供科学依据。
优选的,作为一种改进,开展实车实验为,对实验车辆装载微机械式航姿参考系统,采集车辆在横向、纵向和竖向三个轴向的加速度以及行驶姿态,并用心电监测仪采集驾乘人员的心电信号,依据驾乘人员主观感受和心率变异性判断驾乘人员在乘车过程中的舒适感。
有益效果:通过实车实验,能够更准确全面地采集到驾乘人员在实际工况下的体验感受,并且能够利用科学化的依据来对体验感受分级,从而为后续加速车道的设置提供准确可靠的数据支撑。
优选的,作为一种改进,步骤S1中,对合流区域进行高空航拍,运用视频分析技术得到匝道合流区交通流特征参数和车辆运行特征参数。
有益效果:通过此种设置,能够准确采集到实际道路交通情况,从而为后续对匝道合流区的道路情况分析提供可靠依据,进而能够准确完成对加速车道的设定分析,最终有效提高对加速车道长度分析结果的准确性,从而为超高速公路的加速车道的设置提供有力帮助。
优选的,作为一种改进,交通流特征参数包括车流量;车辆运行特征参数包括速度分布情况和驾驶行为。
有益效果:通过采集这些数据,能够更准确直观地分析出匝道合流区的交通情况,从根源上保证采集数据的真实性,使数据的可参考性更高,从而为此区域路段的加速车道的确定提供可靠数据支撑,进而提高加速车道设定结果的准确性。
优选的,作为一种改进,道路实测参数包括匝道曲线段设计曲率、匝道汇入角度、车道数量和加速起点。
有益效果:通过采集匝道的实际数据,不仅能够提高数据的准确率,同时还能够将不同路况的匝道作以区分,从而能够使不同匝道合流区的加速车道长度的设定结果更准确更符合实际路况,从而保证此区域的行车安全和车辆通行能力。
优选的,作为一种改进,评价指标包括舒适性指标、运行效率指标和安全性指标。
有益效果:通过从此三种指标来对加速车道进行评价分析,从而使最终确定的加速车道能够兼顾这三方面的特性,满足基本的安全条件下,尽可能提高车辆通行效率和驾乘人员的体验感受,从而使加速车道的设置更人性化、科学化。
优选的,作为一种改进,针对舒适性指标,根据实车实验中驾乘人员对乘坐舒适程度的感受反馈,结合心电监测仪记录的心律值变化点,在车辆轴向加速度累计频率曲线中对高百分位值进行限制,建立加速度阈值评价指标。
有益效果:通过此种设置,针对舒适性不仅仅是简单的凭借人的主观意识来考虑,而是通过心电监测仪的监测结果以及车辆加速度,更科学准确地评估出驾乘人员的实际身体感受,也能够避免部分驾乘人员主观描述不准确导致判断结果出现误差,尽可能保障舒适性评价结果的准确性。
优选的,作为一种改进,针对运行效率指标,根据匝道口汇入车辆对主线行驶的稳定车流造成的局部干扰,选取该匝道路段的平均车速和延误时间来评价分析运行效率指标。
有益效果:通过此种设置,能够特定针对运行效率来评价分析,利用平均车速和延误时间来评价匝道路段的运行效率,参考依据具有代表性,能够极大程度提高运行效率分析结果的准确率,进而为加速车道的确定提供可靠依据。
优选的,作为一种改进,针对安全性指标,利用避撞减速度来判断相邻车辆间的事故冲突情况,若后车的避撞减速度大于可用最大减速度时,判断会发生追尾事故。
有益效果:通过此种设置,能够利用避撞减速度来判断相邻两车辆间是否会发生追尾事故,从而准确地判断出此路段交通的安全性指标,丰富后续加速车道设定的参考依据,从而提高加速车道设定结果的准确性。
优选的,作为一种改进,避撞减速度的计算公式为:
其中,DRAC为车辆编号为i的避撞减速度,Δv为相邻车辆之间的速度差,Δt为冲突区域的时间差值。
有益效果:通过此公式,能够准确计算出后车的避撞减速度,从而准确判断出是否会发生追尾事故,同时也使智能网联车辆的控制系统能够及时介入,在保障通行效率的同时尽量降低追尾的概率,提高行车安全性,保证驾乘人员的人身安全。
附图说明
图1为本发明一种超高速工况下智能网联车辆加速车道确定方法实施例一的流程示意图。
图2为本发明一种超高速工况下智能网联车辆加速车道确定方法实施例一加速车道不同长度效果示意图。
图3为本发明一种超高速工况下智能网联车辆加速车道确定方法实施例一的追尾冲突数量变化趋势示意图。
具体实施方式
下面通过具体实施方式进一步详细说明:
实施例一:
本实施例基本如附图1所示:一种超高速工况下智能网联车辆加速车道确定方法,包括以下步骤:
步骤S1,开展实车实验采集驾乘人员生理特征参数、匝道合流区的交通流特征参数和车辆运行特征参数,并形成特征集合;
步骤S2,建立加速车道评价指标体系,选取多方面的评价指标对加速车道技术水平进行评价分析,并得到分析结果;
步骤S3,根据采集到的特征集合并结合道路实测参数在仿真软件中建立仿真场景,并对智能网联车辆的控制策略进行参数标定;
步骤S4,设计不同长度的加速车道方案,并根据仿真场景中的输出数据分析加速车道长度和形式设置的合理性,并确定最终的加速车道长度值。
具体的,步骤S1中,对实验车辆装载微机械式航姿参考系统,并采集车辆在横向、纵向和竖向三个轴向的加速度以及行驶姿态,并用心电监测仪采集驾乘人员的心电信号,依据驾乘人员主观感受和心率变异性判断其在乘车过程中是否出现不舒适感,对较高百分位的加速度值进行限制;同时,对合流区域进行高空航拍,运用视频分析技术得到匝道合流区交通流特征参数和车辆运行特征参数,包括车流量、速度分布情况和驾驶行为。
具体的,步骤S2中,建立加速车道评价指标体系,选取舒适性指标、运行效率指标和安全性指标对加速车道技术水平进行评价分析。
针对舒适性指标,根据实车实验中驾乘人员对乘坐舒适程度的感受反馈,结合心电监测仪记录的心律值变化点,在车辆轴向加速度累计频率曲线中对高百分位值进行限制,建立加速度阈值评价指标。
具体的,计算心率变异性(HRV)的时域统计参数特征值,得到连续心跳间期(R-R间期)的均值和总体标准差,结合乘员的舒适状态反馈对特征值与不舒适感受进行显著性分析,最后在加速度累计频率曲线进行舒适、较舒适、不舒适状态的百分位数限制,建立舒适程度与加速度之间的关系,如表1所示,并且利用舒适性阈值评价指标对智能网联车辆的加减速控制策略进行参数设置。
表1:舒适性阈值评价指标表
注:ax表示纵向加速度,ab表示制动减速度,ay表示横向的轴向加速度,az表示竖向的轴向加速度。
针对运行效率指标,由于匝道口汇入车辆会对主线行驶的稳定车流造成局部干扰,因此选取该匝道合流区路段的平均车速和延误时间来评价分析运行效率指标。
安全性指标,利用避撞减速度来判断相邻车辆间的事故冲突情况,若后车的避撞减速度大于可用最大减速度时,判断会发生追尾事故。
避撞减速度的计算公式为:
其中,DRAC为车辆编号为i的避撞减速度,Δv为相邻车辆之间的速度差,Δt为冲突区域的时间差值。
具体的,本实施例中,可用最大减速度为8m/s2,通过限定减速度的最大安全数值,来确保后车在最高行驶速度下都能够通过紧急刹车来避免发生追尾事故,从而保证行驶安全性,也通过此数值限制,能够为加速车道的确定提供最可靠的数据支撑,从而最大程度保证加速车道确定结果的准确性。
具体的,步骤S3中,根据采集到的交通流特征参数和道路实测参数,在SUMO仿真软件完成实验路段仿真场景搭建和车辆类型参数标定,交通流特征参数包括主线和匝道的速度分布情况和交通量大小,道路实测参数包括匝道曲线段设计曲率、匝道汇入角度、车道数量和加速起点。
具体的,本实施例中,匝道合流区上游长度设置为1000米,加速车道末端下游车道长度为1000m,车道宽度为3.75m,根据实测交通流数据将主线交通量为800辆/小时/车道,匝道基本交通能力为400辆/小时/车道来模拟实际道路交通流量,主线限速值为55.55m/s(200km/h),匝道限速值22.22m/s(80km/h)。
道路行驶车辆均选择智能网联车辆,其具有环境感知、协同变道等功能,同时,对智能网联车辆的横向、纵向舒适加速度的常规阈值进行设置,横向加速度为2.851m/s2,纵向加速度为1m/s2,另外,制动减速度设置为,1.3m/s2,同时对协作变道意愿值、期望间距、可接受最小汇入间隙和紧急减速度值等参数设置,当主线无法提供插车间隙时,汇入车辆会根据加速车道剩余长度减速行驶保证加速效率且避免碰撞,同时等待下一个可插入间隙。
具体的,步骤S4中,不同长度的加速车道方案中,加速车道长度设计范围值是100-1200米,单次仿真长度变化间隔为50米,仿真时长为3600秒,在合流区路段布置道路检测器采集合流区车辆的平均速度和延误情况。从Python引入TraCi控制接口,提取单车仿真驾驶数据对合流区车辆加减速情况进行判断;建立SSM安全代理措施采集车辆避撞减速度的冲突情况。
考虑到仿真实验中匝道车流出现位置和概率的随机性,取独立的三次实验均值作为该加速车道长度下指标评价结果,如表2所示。
表2:不同加速车道长度下评价指标结果
由上表结合附图2可以看出,根据现有规范推荐的加速车道长度无法满足超高速工况下智能网联车辆由匝道汇入主线的场景,易造成乘员行车的极度不舒适和主线交通流的紊乱;当加速车道长度在100-1000米增加时,匝道合流区平均速度均有增加,平均延误时间呈下降趋势,加速度均方根值逐渐下降接近舒适加速度,交织区路段车速恢复高速行驶水平。但是,当长度超过1000米后平均延误时间增大,匝道合流路段平均速度得到提高的收益值逐渐降低。
综上所述,在主线限速200km/h,匝道限速80km/h,主线交通量为800辆/小时/车道,匝道交通量为400辆/小时/车道情况下,1000米后继续增加加速车道车道长度对主线通行能力影响变化不大,且会进一步提高交通延误时间和追尾冲突的数量,如附图3所示,基于通行安全和效率最大化的原则,将加速车道长度设置为1000米为最佳方案。
本实施例的具体实施过程如下:
第一步,开展实车实验,对实验车辆装载微机械式航姿参考系统,并采集车辆在横向、纵向和竖向三个轴向的加速度以及行驶姿态,并用心电监测仪采集驾乘人员的心电信号,依据驾乘人员主观感受和心率变异性判断其在乘车过程中是否出现不舒适感,对较高百分位的加速度值进行限制;同时,对合流区域进行高空航拍,运用视频分析技术得到匝道合流区交通流特征参数和车辆运行特征参数,包括车流量、速度分布情况和驾驶行为。
第二步,建立加速车道评价指标体系,选取舒适性指标、运行效率指标和安全性指标对加速车道技术水平进行评价分析,针对舒适性指标,根据实车实验中驾乘人员对乘坐舒适程度的感受反馈,结合心电监测仪记录的心律值变化点,在车辆轴向加速度累计频率曲线中对高百分位值进行限制,建立加速度阈值评价指标;针对运行效率指标,因此选取该匝道合流区路段的平均车速和延误时间来评价分析运行效率指标;安全性指标,利用避撞减速度来判断相邻车辆间的事故冲突情况,若后车的避撞减速度大于可用最大减速度时,判断会发生追尾事故。
第三步,根据采集到的交通流特征参数和道路实测参数,在SUMO仿真软件完成实验路段仿真场景搭建和车辆类型参数标定,匝道合流区上游长度设置为1000米,加速车道末端下游车道长度为1000m,车道宽度为3.75m,根据实测交通流数据将主线交通量为800辆/小时/车道,匝道基本交通能力为400辆/小时/车道来模拟实际道路交通流量,主线限速值为55.55m/s(200km/h),匝道限速值22.22m/s(80km/h);对智能网联车辆的横向、纵向舒适加速度的常规阈值进行设置,横向加速度为2.851m/s2,纵向加速度为1m/s2,另外,制动减速度设置为,1.3m/s2,同时对协作变道意愿值、期望间距、可接受最小汇入间隙和紧急减速度值等参数设置,当主线无法提供插车间隙时,汇入车辆会根据加速车道剩余长度减速行驶保证加速效率且避免碰撞,同时等待下一个可插入间隙。
第四步,设计不同长度加速车道设计方案,采集输出数据验证加速车道长度和形式设置的合理性,加速车道长度设计范围值是100-1200米,单次仿真长度变化间隔为50米,仿真时长为3600秒,在合流区路段布置道路检测器采集合流区车辆的平均速度和延误情况,取独立的三次实验均值作为该加速车道长度下指标评价结果,最终确定加速车道的长度,即在主线限速200km/h,匝道限速80km/h,主线交通量为800辆/小时/车道,匝道交通量为400辆/小时/车道情况下,将加速车道长度设置为1000米为最佳方案。
随着社会经济的发展和快节奏社会的到来,高速公路已经成为了带动地方经济发展的主要指标,而目前高速公路的最高限速值为120km/h,但是随着高速公路的更迭,新建的高速公路的路况逐渐提升,车道数也有所增加,因此,高速公路的交通得到了极大程度的缓解。另外随着汽车性能的提升,高速公路最高限速120km/h已经逐渐不能满足人们的出行需求,故高速公路的速度阈值也急需新的突破,在此前提下,满足车辆运动学特性和驾乘人员行车舒适性将成为超高速公路几何设计的主要控制因素。
随着智能网联技术的发展,智能网联汽车也将通过智能决策和控制代替驾驶人员完成超高速驾驶的任务,因此在高速公路的设计上,需要跟随汽车主体性能的提升进行改变。在汽车的智能化控制过程中,针对加速的控制无疑是最复杂的,因为要根据前方车辆行驶情况、汇流情况以及是否有足够的加速空间来确定加速车道的长度,现有规范和标准依据的加速车道长度确定方法无法体现智能网联车辆的驾驶特性,给出的推荐值也不适用于车辆超高速行驶工况,特别是在超高速公路的匝道口,不合理的加速车道长度不仅会导致驾驶舒适性和安全性降低,也会引起主线交通流的紊乱。
而本方案中,针对超高速公路的特定情况,通过采集实际试验数据建立了整套超高速公路汽车加速车道的确定体系,克服了传统方法不适用超高速公路的缺点,并且传统方法在对加速车道确定时,仅仅考虑到行车安全性和通行效率,保证高速公路的通畅即可,而对于驾驶员尤其是车内乘坐人员的主观感受,并没有动机也没有能力去考虑到。但是在车辆智能化时代,其宗旨更多的是追求为人服务,因此人会是车辆操作依据的第一要素,因此,在车辆加速、变道、超车等驾驶操作策略设定时,更多的是要从乘坐人员的舒适性来出发考虑,也即本方案增加舒适性评价指标本身就具有非显而易见性,是付出了巨大创造性劳动才得到的成果。进一步,本方案通过建立驾乘人员舒适性的轴向加速度阈值指标,能够有效避免超高速公路上汽车进行合流时主线速度和匝道速度差过大引发驾乘人员的不适感,同时结合多要素控制设计,在保证车辆行驶安全的前提下提出合理的变速车道长度设置方法,精准确定智能网联车辆加速车道长度,大幅提高了超高速公路加速车道长度的设定结果的准确性,有效提高了驾驶舒适性和行车安全性。
综上所述,本方案具有以下优点:
(1)本发明建立了乘员舒适性的轴向加速度阈值指标,避免了超高速公路上汽车进行合流时主线速度和匝道速度差过大引发的不适感,根据乘客对不同轴向的行驶舒适性评价,建立了基于自然驾驶生理数据确定乘坐舒适性指标,保证乘客出行的整体舒适体验。
(2)本发明结合多要素控制设计,对于智能网联车辆超高速行驶所需道路参数展开研究,基于智能网联车辆特点、交通量大小、主线和匝道速度差等因素进行考虑,而国内现有标准规范提供的参考值只考虑了变速车道类型和主线速度,适用于车流量较少,主线和匝道速度相差不大的情况,本发明基于多要素控制设计,在保证车辆行驶安全的前提下,提出合理的变速车道长度设置方法,能够兼顾道路安全、通行能力与道路使用者的舒适感受,从而为超高速公路加速车道布设提供科学依据。
(3)本发明是基于实车采集数据得到合流区交通流参数统计特征和换道行为特征,结合智能网联车辆在环境感知、跟驰以及与邻车协作换道更智能安全等优点,对模型参数进行取值和结果验证,得到的加速车道长度推荐值适用性更广泛,在SUMO软件集成仿真平台可针对不同工况进行设计和验证,且具有成本低、可重复、快速真实等优点。
以上所述的仅是本发明的实施例,方案中公知的具体结构及特性等常识在此未作过多描述,所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识,能够获知该领域中所有的现有技术,并且具有应用该日期之前常规实验手段的能力,所属领域普通技术人员可以在本申请给出的启示下,结合自身能力完善并实施本方案,一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出,对于本领域的技术人员来说,在不脱离本发明结构的前提下,还可以作出若干变形和改进,这些也应该视为本发明的保护范围,这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准,说明书中的具体实施方式等记载可以用于解释权利要求的内容。
Claims (10)
1.一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:包括以下步骤:
步骤S1,开展实车实验采集驾乘人员生理特征参数、匝道合流区的交通流特征参数和车辆运行特征参数,并形成特征集合;
步骤S2,建立加速车道评价指标体系,选取多方面的评价指标对加速车道技术水平进行评价分析,并得到分析结果;
步骤S3,根据采集到的特征集合并结合道路实测参数在仿真软件中建立仿真场景,并对智能网联车辆的控制策略进行参数标定;
步骤S4,设计不同长度的加速车道方案,并根据仿真场景中的输出数据分析加速车道长度和形式设置的合理性,并确定最终的加速车道长度值。
2.根据权利要求1所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:所述开展实车实验为,对实验车辆装载微机械式航姿参考系统,采集车辆在横向、纵向和竖向三个轴向的加速度以及行驶姿态,并用心电监测仪采集驾乘人员的心电信号,依据驾乘人员主观感受和心率变异性判断驾乘人员在乘车过程中的舒适感。
3.根据权利要求1所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:所述步骤S1中,对合流区域进行高空航拍,运用视频分析技术得到匝道合流区交通流特征参数和车辆运行特征参数。
4.根据权利要求3所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:所述交通流特征参数包括车流量;所述车辆运行特征参数包括速度分布情况和驾驶行为。
5.根据权利要求1所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:所述道路实测参数包括匝道曲线段设计曲率、匝道汇入角度、车道数量和加速起点。
6.根据权利要求1所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:所述评价指标包括舒适性指标、运行效率指标和安全性指标。
7.根据权利要求6所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:针对舒适性指标,根据实车实验中驾乘人员对乘坐舒适程度的感受反馈,结合心电监测仪记录的心律值变化点,在车辆轴向加速度累计频率曲线中对高百分位值进行限制,建立加速度阈值评价指标。
8.根据权利要求6所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:针对运行效率指标,根据匝道口汇入车辆对主线行驶的稳定车流造成的局部干扰,选取该匝道路段的平均车速和延误时间来评价分析运行效率指标。
9.根据权利要求6所述的一种超高速工况下智能网联车辆加速车道确定方法,其特征在于:针对安全性指标,利用避撞减速度来判断相邻车辆间的事故冲突情况,若后车的避撞减速度大于可用最大减速度时,判断会发生追尾事故。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868930.3A CN115240419B (zh) | 2022-07-22 | 2022-07-22 | 一种超高速工况下智能网联车辆加速车道确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210868930.3A CN115240419B (zh) | 2022-07-22 | 2022-07-22 | 一种超高速工况下智能网联车辆加速车道确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115240419A true CN115240419A (zh) | 2022-10-25 |
CN115240419B CN115240419B (zh) | 2023-05-23 |
Family
ID=83675697
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210868930.3A Active CN115240419B (zh) | 2022-07-22 | 2022-07-22 | 一种超高速工况下智能网联车辆加速车道确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115240419B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5783997A (en) * | 1994-11-16 | 1998-07-21 | Pioneer Electronic Corporation | Cardiac rate measuring apparatus |
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
CN101016711A (zh) * | 2007-01-13 | 2007-08-15 | 焦永溢 | 一种限速公路的设计建造方法 |
CN101694745A (zh) * | 2009-06-16 | 2010-04-14 | 同济大学 | 基于高速公路几何线形综合技术指标的安全检测方法 |
CN204676453U (zh) * | 2015-04-09 | 2015-09-30 | 重庆交通大学 | 一种基于视错觉的热熔型振动减速带 |
CN109829663A (zh) * | 2019-04-11 | 2019-05-31 | 郑州大学 | 一种基于云平台的轻轨列车舒适度评测系统 |
CN111695241A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 |
CN111811842A (zh) * | 2020-07-23 | 2020-10-23 | 江西省交通科学研究院 | 一种行车舒适度评价方法 |
CN112229642A (zh) * | 2020-08-06 | 2021-01-15 | 沈阳工业大学 | 一种基于工效学的乘用车驾驶动态舒适性测试分析方法 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
CN114611932A (zh) * | 2022-03-10 | 2022-06-10 | 哈尔滨工业大学 | 一种基于vissim仿真和变道冲突的入口加速车道服务水平分级方法 |
-
2022
- 2022-07-22 CN CN202210868930.3A patent/CN115240419B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5783997A (en) * | 1994-11-16 | 1998-07-21 | Pioneer Electronic Corporation | Cardiac rate measuring apparatus |
US20020082806A1 (en) * | 1995-01-13 | 2002-06-27 | Kaub Alan R. | Traffic safety prediction model |
CN101016711A (zh) * | 2007-01-13 | 2007-08-15 | 焦永溢 | 一种限速公路的设计建造方法 |
CN101694745A (zh) * | 2009-06-16 | 2010-04-14 | 同济大学 | 基于高速公路几何线形综合技术指标的安全检测方法 |
CN204676453U (zh) * | 2015-04-09 | 2015-09-30 | 重庆交通大学 | 一种基于视错觉的热熔型振动减速带 |
CN109829663A (zh) * | 2019-04-11 | 2019-05-31 | 郑州大学 | 一种基于云平台的轻轨列车舒适度评测系统 |
CN111695241A (zh) * | 2020-05-18 | 2020-09-22 | 东南大学 | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 |
CN111811842A (zh) * | 2020-07-23 | 2020-10-23 | 江西省交通科学研究院 | 一种行车舒适度评价方法 |
CN112229642A (zh) * | 2020-08-06 | 2021-01-15 | 沈阳工业大学 | 一种基于工效学的乘用车驾驶动态舒适性测试分析方法 |
CN113356101A (zh) * | 2021-07-13 | 2021-09-07 | 合肥工业大学 | 一种大型车辆右转盲区的城市道路警示标线设计方法 |
CN114611932A (zh) * | 2022-03-10 | 2022-06-10 | 哈尔滨工业大学 | 一种基于vissim仿真和变道冲突的入口加速车道服务水平分级方法 |
Non-Patent Citations (3)
Title |
---|
彭勇 等: "基于心率变异性的高速列车乘员舒适度评价研究" * |
徐进 等: "山区复杂线形公路小客车纵向加速度特性" * |
石权: "混合异质交通流环境下高速公路合流区加速车道长度优化设计" * |
Also Published As
Publication number | Publication date |
---|---|
CN115240419B (zh) | 2023-05-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Feng et al. | Can vehicle longitudinal jerk be used to identify aggressive drivers? An examination using naturalistic driving data | |
CN112487617B (zh) | 基于碰撞模型的风险预防方法、装置、设备及存储介质 | |
CN108091132B (zh) | 一种交通流量预测方法及装置 | |
EP4011740A2 (en) | Method and apparatus for determining behavioral driving habit and controlling vehicle driving | |
CN107705635B (zh) | 信号交叉口电动自行车的交通冲突判别方法 | |
CN111695241A (zh) | 一种基于vissim仿真的左入匝道合流区加速车道长度确定方法 | |
CN112100857B (zh) | 一种分心驾驶行为的风险评估方法 | |
CN110228479B (zh) | 一种考虑驾驶员驾驶风格的车速引导方法 | |
Olstam et al. | A framework for simulation of surrounding vehicles in driving simulators | |
CN115620530A (zh) | 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法 | |
CN114169444B (zh) | 车辆跟驰工况下考虑风险势场分布的驾驶风格分类方法 | |
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 | |
CN109583081B (zh) | 一种车辆行驶速度预测模型构建方法 | |
CN115240419A (zh) | 一种超高速工况下智能网联车辆加速车道确定方法 | |
CN108241866A (zh) | 一种对驾驶行为进行引导的方法、装置和车辆 | |
JP6614688B1 (ja) | 制動評価装置、制動評価方法、自動制動パターンの評価閾値の生成方法、自動制動パターンの基礎データの収集方法 | |
Griesbach et al. | Prediction of lane change by echo state networks | |
CN112373482B (zh) | 一种基于驾驶模拟器的驾驶习惯建模方法 | |
CN115063986A (zh) | 隧道出口安全车速计算方法及装置 | |
Chen et al. | Data based parameter setting method for adaptive cruise control | |
Sroczyński et al. | Examining the impact of distance between VSL road signs on vehicle speed variance | |
CN106585634A (zh) | 一种对驾驶行为进行分析的方法和装置 | |
CN111276008B (zh) | 一种于加速车道对车速进行个性化引导的装置及方法 | |
CN117382643A (zh) | 基于驾驶人心理风险场模型的个性化换道决策方法及系统 | |
CN112785863B (zh) | 基于K-Means和熵加权的并道决策分类预警方法 |
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 |