CN115712252A - 云控自动驾驶公交车车速规划仿真验证方法及系统 - Google Patents
云控自动驾驶公交车车速规划仿真验证方法及系统 Download PDFInfo
- Publication number
- CN115712252A CN115712252A CN202211359392.1A CN202211359392A CN115712252A CN 115712252 A CN115712252 A CN 115712252A CN 202211359392 A CN202211359392 A CN 202211359392A CN 115712252 A CN115712252 A CN 115712252A
- Authority
- CN
- China
- Prior art keywords
- simulation
- vehicle
- data
- cloud
- speed planning
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 118
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012795 verification Methods 0.000 title claims abstract description 23
- 238000005457 optimization Methods 0.000 claims abstract description 20
- 206010021033 Hypomenorrhoea Diseases 0.000 claims abstract description 7
- 230000011664 signaling Effects 0.000 claims abstract description 7
- 230000004044 response Effects 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 7
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000003993 interaction Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明实施例提供云控自动驾驶公交车车速规划仿真验证方法及系统，方法包括：根据历史客流数据和历史排班数据，利用蚁群优化算法，生成仿真排班时刻表；基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点的仿真客流数据；结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令；基于所述车速规划指令，控制仿真车辆的运行，并接收仿真车辆上传的运行数据。本发明提供的验证系统考虑的影响因素全面，准确程度和效率高。
Description
技术领域
本发明涉及计算机技术领域，具体而言，涉及一种云控自动驾驶公交车车速规划仿真验证方法及系统。
背景技术
云控自动驾驶公交车是指通过云端下发最优车速给公交车，从而让公交车根据指令进行自动行驶。云控自动驾驶公交车旨在解决公交运营痛点，提高运营安全，提高运营效率；纵向车速控制保证车辆能够准确响应云端车速规划，按照预期车速行驶。
云控自动驾驶公交车的关键在于最优车速的规划，然而由于云控车速规划算法的验证需要考虑复杂的系统输入以及车辆响应情况，再叠加车辆原有的单车安全防碰控制以及司机的操作，造成仿真验证的难度过大。
发明内容
有鉴于此，本发明的目的在于提供一种云控自动驾驶公交车车速规划仿真验证方法及系统，以改善上述问题。
本发明实施例提供了一种云控自动驾驶公交车车速规划仿真验证方法，其包括：
根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表；
基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据；
结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；
根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；
基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令；
基于所述车速规划指令，控制仿真车辆的运行，并接收仿真车辆上传的运行数据。
优选地，还包括：
构建仿真车辆；其中，根据长时间采集的真实车辆不同载重下的加减速响应构建车辆动力学模型，参考站点停车时长模拟乘客上下车情况、估算车辆载重，同时对单车防碰撞、司机的操作进行仿真模拟。
优选地，车速规划的原则保证在每一次规划需在原车速加减预设速度值范围内，每一次规划车速需要至少在上一次规划的预置时间间隔后。
优选地，所述预设速度值为5，所述预置时间间隔为5/k秒，k为仿真倍率。
本发明实施例还提供了一种云控自动驾驶公交车车速规划仿真验证系统，其包括：云控决策平台和车辆仿真平台；其中：
所述云控决策平台，用于：
根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表；
基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据；
结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；
根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；
基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令，并将所述车速规划指令发送给车辆仿真平台；
所述车辆仿真平台用于：
根据班次信息依次调用对应的仿真车辆，并根据所述车速规划指令控制所述仿真车辆的运行；
将仿真车辆的实时数据上传至云控决策平台。
优选地，云控决策平台和车辆仿真平台的交互通过4G/5G网络进行传输。
优选地，仿真车辆的实时数据以100ms/k的周期上传至云控决策平台，k为仿真倍率。
优选地，仿真车辆的实时数据包括GPS定位数据、车速、上下行、运行状态；班次信息包括发班时间、位置、航向角、上下行、线路号。
优选地，所述云控决策平台还用于，在仿真过程完成，进行运营指标的分析，通过各种运营指标的完成情况进行优化方案设计，再根据优化方案进行新的仿真测试直至各参数调至最优；运营指标包括平均车速、平均车间距、绿波通行成功率。
优选地，所述车辆仿真平台还用于，
当判断仿真车辆的轨迹与预设的轨迹偏离超过3米时，则结束该班次且上报异常；
当出现仿真车辆的实际车速和规划车速之间的差值超过5km/h时，则结束该班次且上报异常。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明第一实施例提供的云控自动驾驶公交车车速规划仿真验证系统的架构图。
图2是云控自动驾驶公交车车速规划仿真验证系统的工作流程图。
图3是班次执行的子流程图。
图4是本发明第二实施例提供的云控自动驾驶公交车车速规划仿真验证方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了更好的理解本发明的技术方案，下面结合附图对本发明实施例进行详细描述。
应当明确，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。
下面结合附图与具体实施方式对本发明作进一步详细描述：
请参阅图1，本发明第一实施例提供了一种云控自动驾驶公交车车速规划仿真验证系统，其包括：云控决策平台和车辆仿真平台；其中：
所述云控决策平台包括：
排班调度模块，用于根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表。
客流仿真模块，用于基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据。
交通流仿真模块，用于结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据。
交通灯仿真模块，用于根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据。
云控车速规划模块，用于基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令，并将所述车速规划指令发送给车辆仿真平台。
所述车辆仿真平台包括：
排班调度响应模块，用于根据班次信息依次调用对应的仿真车辆。
在本实施例中，所述班次信息包括发班时间、位置、航向角、上下行、线路号等，排班调度响应模块根据所述班次信息能够
车速响应模块，用于根据所述车速规划指令控制所述仿真车辆的运行。
其中，车辆仿真平台首先由车辆动力学模块根据长时间采集的真实车辆在不同载重下的加减速响应构建车辆动力学模型，然后由上下车仿真模块参考站点停车时长模拟乘客上下车情况、由载重估算模块估算车辆载重等，并且由车速响应模块实时响应云控决策平台下发的规划车速，同时对单车防碰撞、司机的操作(刹车、加速、转向等)进行一定程度的仿真，从而控制所述仿真车辆的运行。
数据上传模块，用于将仿真车辆的实时数据上传至云控决策平台。
具体地，在本实施例中，为了提高仿真的真实性，云控决策平台和车辆仿真平台的交互通过4G/5G网络进行传输。
为便于对本发明的理解，下面将详细的阐述本发明的工作流程。
请参照图2和图3，在仿真开始后，云控决策平台首先获取排班调度模块中的班次数据(排班数据可以是历史上某日的排班，也可以是优化后的排班)生成班次列表，按时间顺序排列，作为待发班车列表。接下来按照需求选取仿真倍率k(k为大于0的整数)，同时将系统时间运行速度调整为k倍，系统间通讯频率提升k倍。
在待发班列表中，取出距离目前仿真时刻最近的未发车班次，如果该仿真车辆的发班时刻距离仿真系统当前时间小于预设时间(如20秒)，云控决策平台将班次信息(包含发班时间、位置、航向角、上下行、线路号等)发送至车辆仿真平台内。车辆仿真平台收到该班次信息后启动一辆仿真车辆，进行班次执行子流程。
仿真车辆按照云端规划的车速控制完成班次。云控决策平台和车辆仿真平台逐次下发新的班次、执行新的班次直至班次列表中未发班次数为空。此时，仿真过程完成。
其中，在仿真过程中，若出现异常，则需要及时的上报，例如：当判断仿真车辆的轨迹与预设的轨迹偏离超过3米时，则结束该班次且上报异常；当出现仿真车辆的实际车速和规划车速之间的差值超过5km/h时，则结束该班次且上报异常。
最后进行运营指标的分析，如平均车速、平均车间距、绿波通行成功率等。最终，通过各种运营指标的完成情况进行优化方案设计，优化后的算法再进行新的仿真测试直至各参数调至最优。仿真中的异常数据均被系统记录，能够快速的定位问题并进行修复。
综上所述，本实施例至少具有如下优点：
1.车速群控算法的效果在仿真环境中得以量化，且能够给出优化反馈进行算法完善；
2.使用实际的通讯链路与平台运行环境，能够考虑到更全面的系统影响因子，如通讯时延、软件模块交互时延、系统时间同步问题等，使系统的稳定性得以验证；
3.车辆模型是根据实际车辆数据分析后搭建的，非常准确的描述了车辆在实际道路行驶时的响应状态，使仿真结果更可信；
4.提供了加速仿真的功能，而且通过提升系统运算速度来完成该功能，保证了仿真数据的完整度。
请参阅图4，本发明第二实施例还提供了一种云控自动驾驶公交车车速规划仿真验证方法，其包括如下步骤：
S101，根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表；
S102，基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据；
S103，结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；
S104，根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；
S105，基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令；
S106，基于所述车速规划指令，控制仿真车辆的运行，并接收仿真车辆上传的运行数据。
优选地，还包括：
构建仿真车辆；其中，根据长时间采集的真实车辆不同载重下的加减速响应构建车辆动力学模型，参考站点停车时长模拟乘客上下车情况、估算车辆载重，同时对单车防碰撞、司机的操作进行仿真模拟。
优选地，车速规划的原则保证在每一次规划需在原车速加减预设速度值范围内，每一次规划车速需要至少在上一次规划的预置时间间隔后。
优选地，所述预设速度值为5，所述预置时间间隔为5/k秒，k为仿真倍率。
在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种云控自动驾驶公交车车速规划仿真验证方法，其特征在于，包括：
根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表；
基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据；
结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；
根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；
基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令；
基于所述车速规划指令，控制仿真车辆的运行，并接收仿真车辆上传的运行数据。
2.根据权利要求1所述的云控自动驾驶公交车车速规划仿真验证方法，其特征在于，还包括：
构建仿真车辆；其中，根据长时间采集的真实车辆不同载重下的加减速响应构建车辆动力学模型，参考站点停车时长模拟乘客上下车情况、估算车辆载重，同时对单车防碰撞、司机的操作进行仿真模拟。
3.根据权利要求1所述的云控自动驾驶公交车车速规划仿真验证方法，其特征在于，车速规划的原则保证在每一次规划需在原车速加减预设速度值范围内，每一次规划车速需要至少在上一次规划的预置时间间隔后。
4.根据权利要求3所述的云控自动驾驶公交车车速规划仿真验证方法，其特征在于，所述预设速度值为5，所述预置时间间隔为5/k秒，k为仿真倍率。
5.一种云控自动驾驶公交车车速规划仿真验证系统，其特征在于，包括：云控决策平台和车辆仿真平台；其中：
所述云控决策平台，用于：
根据历史客流数据和历史排班数据，利用蚁群优化算法，生成所有公交线路的仿真排班时刻表；
基于预定时间段内和上一年同期时间的历史客流数据和信令数据，构建每个公交站点在不同时刻的仿真客流数据；
结合高精度地图信息和路侧设备检测到的不同时段的车流信息，在每个路口附近添加仿真车流数据；
根据真实的不同时段红绿灯周期信息，构建路口各方向红绿灯仿真数据；
基于仿真排班时刻表、仿真客流数据、仿真车流数据以及红绿灯仿真数据，使用复杂交通群决策优化算法，对每辆车进行实时的车速规划，以生成车速规划指令，并将所述车速规划指令发送给车辆仿真平台；
所述车辆仿真平台用于：
根据班次信息依次调用对应的仿真车辆，并根据所述车速规划指令控制所述仿真车辆的运行；
将仿真车辆的实时数据上传至云控决策平台。
6.根据权利要求5所述的云控自动驾驶公交车车速规划仿真验证系统，其特征在于，云控决策平台和车辆仿真平台的交互通过4G/5G网络进行传输。
7.根据权利要求5所述的云控自动驾驶公交车车速规划仿真验证系统，其特征在于，仿真车辆的实时数据以100ms/k的周期上传至云控决策平台，k为仿真倍率。
8.根据权利要求5所述的云控自动驾驶公交车车速规划仿真验证系统，其特征在于，仿真车辆的实时数据包括GPS定位数据、车速、上下行、运行状态；班次信息包括发班时间、位置、航向角、上下行、线路号。
9.根据权利要求5所述的云控自动驾驶公交车车速规划仿真验证系统，其特征在于，
所述云控决策平台还用于，在仿真过程完成，进行运营指标的分析，通过各种运营指标的完成情况进行优化方案设计，再根据优化方案进行新的仿真测试直至各参数调至最优；运营指标包括平均车速、平均车间距、绿波通行成功率。
10.根据权利要求5所述的云控自动驾驶公交车车速规划仿真验证系统，其特征在于，所述车辆仿真平台还用于，
当判断仿真车辆的轨迹与预设的轨迹偏离超过3米时，则结束该班次且上报异常；
当出现仿真车辆的实际车速和规划车速之间的差值超过5km/h时，则结束该班次且上报异常。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359392.1A CN115712252A (zh) | 2022-11-02 | 2022-11-02 | 云控自动驾驶公交车车速规划仿真验证方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211359392.1A CN115712252A (zh) | 2022-11-02 | 2022-11-02 | 云控自动驾驶公交车车速规划仿真验证方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115712252A true CN115712252A (zh) | 2023-02-24 |
Family
ID=85232023
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211359392.1A Pending CN115712252A (zh) | 2022-11-02 | 2022-11-02 | 云控自动驾驶公交车车速规划仿真验证方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115712252A (zh) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996300A (zh) * | 2014-05-15 | 2014-08-20 | 东南大学 | 一种交叉口处公交车辆不停车通过的公交诱导方法 |
| CN111340289A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 一种基于遗传算法的公交发车与车速调整优化方法及系统 |
| CN113160602A (zh) * | 2021-04-27 | 2021-07-23 | 华录智达科技股份有限公司 | 一种智能公交调度模拟系统 |
| CN113537713A (zh) * | 2021-06-11 | 2021-10-22 | 南京航空航天大学 | 一种公交发车频率仿真调度系统 |
| CN114627650A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 城市公交优先仿真推演系统、方法、电子设备及存储介质 |
| CN114662801A (zh) * | 2022-05-20 | 2022-06-24 | 南京智慧交通信息股份有限公司 | 一种公交车辆的运营精准管理方法及其系统 |
| CN115270475A (zh) * | 2022-08-01 | 2022-11-01 | 安徽工业大学 | 基于5g和cv2x的车路云公交优先在线仿真平台 |
-
2022
- 2022-11-02 CN CN202211359392.1A patent/CN115712252A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103996300A (zh) * | 2014-05-15 | 2014-08-20 | 东南大学 | 一种交叉口处公交车辆不停车通过的公交诱导方法 |
| CN111340289A (zh) * | 2020-02-25 | 2020-06-26 | 杭州电子科技大学 | 一种基于遗传算法的公交发车与车速调整优化方法及系统 |
| CN113160602A (zh) * | 2021-04-27 | 2021-07-23 | 华录智达科技股份有限公司 | 一种智能公交调度模拟系统 |
| CN113537713A (zh) * | 2021-06-11 | 2021-10-22 | 南京航空航天大学 | 一种公交发车频率仿真调度系统 |
| CN114627650A (zh) * | 2022-05-11 | 2022-06-14 | 深圳市城市交通规划设计研究中心股份有限公司 | 城市公交优先仿真推演系统、方法、电子设备及存储介质 |
| CN114662801A (zh) * | 2022-05-20 | 2022-06-24 | 南京智慧交通信息股份有限公司 | 一种公交车辆的运营精准管理方法及其系统 |
| CN115270475A (zh) * | 2022-08-01 | 2022-11-01 | 安徽工业大学 | 基于5g和cv2x的车路云公交优先在线仿真平台 |
Non-Patent Citations (1)
| Title |
|---|
| 张鹏 等: "基于交叉口双站台的BRT优先控制研究", 《交通运输系统工程与信息》 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102416203B1 (ko) | 자기-학습(self-learning) 차량 제어 시스템 | |
| Gunter et al. | Are commercially implemented adaptive cruise control systems string stable? | |
| CN110795818B (zh) | 一种确定虚拟测试场景方法、装置、电子设备和存储介质 | |
| Tettamanti et al. | Vehicle-in-the-loop test environment for autonomous driving with microscopic traffic simulation | |
| US9689681B2 (en) | System and method for vehicle operation | |
| CN102026841B (zh) | 用于管理在机动系统中的储能量的系统和方法 | |
| CN111319629B (zh) | 一种自动驾驶车队的组队方法、装置及系统 | |
| CN101529486B (zh) | 巡航控制计划评估装置和方法 | |
| Li et al. | Sustainability effects of next-generation intersection control for autonomous vehicles | |
| Smith et al. | Improving urban traffic throughput with vehicle platooning: Theory and experiments | |
| Beglerovic et al. | Model-based safety validation of the automated driving functio highway pilot | |
| Gáspár et al. | Predictive cruise control for road vehicles using road and traffic information | |
| US11511760B2 (en) | Cross-platform control profiling tool for autonomous vehicle control | |
| CN107571864A (zh) | 无人驾驶车辆的数据采集方法和装置 | |
| Prakash et al. | Use of the hypothetical lead (hl) vehicle trace: A new method for evaluating fuel consumption in automated driving | |
| Pasquale et al. | A new emission model including on-ramps for two-class freeway traffic control | |
| Jiménez et al. | Real‐time speed profile calculation for fuel saving considering unforeseen situations and travel time | |
| US20230394896A1 (en) | Method and a system for testing a driver assistance system for a vehicle | |
| CN115712252A (zh) | 云控自动驾驶公交车车速规划仿真验证方法及系统 | |
| US11780440B1 (en) | Methods and apparatus for automated speed selection and retarder application in downhill driving of an autonomous tractor trailer | |
| CN115718437A (zh) | 一种网联自动驾驶的仿真方法及装置 | |
| CN102700567B (zh) | 用于机动系统的优化的燃料效率、排放量和任务性能的方法 | |
| Pariota et al. | Motivating the need for an integrated software architecture for connected and automated vehicles technologies development and testing | |
| Lakshmanan et al. | Predicting Lead Vehicle Velocity for Eco-Driving in the Absence of V2V Information | |
| JP4011539B2 (ja) | 運転計画作成装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230224 |
|
| RJ01 | Rejection of invention patent application after publication |