CN115952641B - 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 - Google Patents
基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 Download PDFInfo
- Publication number
- CN115952641B CN115952641B CN202211255079.3A CN202211255079A CN115952641B CN 115952641 B CN115952641 B CN 115952641B CN 202211255079 A CN202211255079 A CN 202211255079A CN 115952641 B CN115952641 B CN 115952641B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- probability
- lane
- safe
- 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.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000001413 cellular effect Effects 0.000 title claims abstract description 22
- 230000008859 change Effects 0.000 claims abstract description 62
- 230000001133 acceleration Effects 0.000 claims description 6
- 230000035484 reaction time Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 description 13
- 238000005315 distribution function Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000006073 displacement reaction Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
本发明公开了基于元胞自动机的双车道自动‑手动驾驶车辆交通流仿真方法,特点是先建立城市仿真道路以及在仿真道路上设置仿真车辆集合,然后建立自动‑手动驾驶车辆的元胞自动机模型,并设定模型中的车辆的运行判断规则和换道判断规则;最后将车辆的仿真参数输入元胞自动机模型中,对混行状态下的自动‑手动驾驶车辆车队进行交通流仿真模拟;优点是通过对混合交通流数值仿真结果分析,可研究在不同的自动驾驶车辆和手动驾驶车辆的比例下,车队的离散特性变化;且通过研究自动驾驶车辆占车队总车辆数的比例对车队离散特性的影响,所得出的结论较为符合传统车队(即手动驾驶车辆车队)离散模型的结论,也和现实情况相符。
Description
技术领域
本发明涉及交通流仿真技术领域,尤其涉及基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法。
背景技术
目前交通仿真正成为验证信号交叉口交通控制方案有效性的重要方法,特别是城市道路由于交叉路口多,车流通行情况复杂,更加需要通过交通流仿真来控制和优化道路信号配时。而在交通流仿真中分析车队的离散性是一种常用的方式,传统的车队离散性模型主要基于速度分布的假设进行推导,派西(Pacey)利用正态分布函数描述了车队离散特性,其假设是每辆车从上游停车线驶向下游停车线的过程中,车辆保持恒定不变的行驶速度,但整个车队中各辆车有不同的行驶速度,而且行驶速度的频率分布服从变换的正态分布。罗伯逊(Robertson)使用几何分布函数对车队离散现象进行了建模,推导出了到达函数以预测车辆随时空变化的到达率。
而随着科技的进步,自动驾驶技术(即无人驾驶)是汽车未来发展的一个趋势。自动驾驶技术是指汽车依靠视觉计算、人工智能、全球定位和雷达等系统共同协作,通过车载传感器、控制器和执行器装置,让车载的系统自动地驾驶车辆的技术。其集成了传感技术、通讯技术、智能决策技术、车辆控制技术和数据平台等多项技术,具有安全性、舒适性、便捷性和快速性的显著特点。未来,随着5G通讯技术和智能车联网技术的进一步发展,自动驾驶技术的基础将会更加坚实,其可靠性、智能程度和反应速度都会获得提升。而从司机驾驶汽车步入自动驾驶(即无人驾驶)汽车的过程中,必然会经历并且长期经历自动驾驶和人工驾驶汽车混行的时期,此时期的车队离散特性将在较大程度上发生改变,并且进一步影响交通控制技术和理论,因此是具有研究和讨论价值的。但是目前尚未有可用于分析城市道路混合车队(包括自动驾驶和人工驾驶)间断流的车队离散性的仿真方法。
发明内容
本发明所要解决的技术问题是提供一种基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,其通过对混合交通流数值仿真结果分析,可研究不同自动驾驶车辆和手动驾驶车辆比例下,车队的离散特性变化,且可行性较好。
本发明解决上述技术问题所采用的技术方案为:基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,包括以下具体步骤:
(1)、建立城市仿真道路以及在仿真道路上设置仿真车辆集合,其中:仿真车辆包括手动驾驶车辆和自动驾驶车辆;
(2)、设定车辆的安全距离和安全车速的关系式;
(3)、确定手动驾驶车辆期望速度的概率分布;
(4)、建立自动-手动驾驶车辆的元胞自动机模型,并设定模型中的车辆的运行判断规则和换道判断规则;
(5)、将车辆的仿真参数输入元胞自动机模型中,对混行状态下的自动-手动驾驶车辆车队进行交通流仿真模拟。
进一步地,所述的步骤(2)所设定的车辆的安全距离的关系式为:
安全车速的关系式为:
其中:dsafe,n(t)表示车辆n在t时刻与前车之间的安全距离;vn(t)表示车辆n在t时刻的瞬时速度;τn表示车辆n的驾驶员的反应时间;bn表示车辆n的最大减速度;n指代本车,n+1指代本车的前车;vsafe,n(t)表示车辆n在t时刻的安全车速;xn(t)表示车辆n在t时刻的车头位置,ln+1车辆n的前车的车身长度。
进一步地,所述的步骤(3)中自动驾驶车辆的期望速度等于最大车速,手动驾驶车辆的期望速度服从截断正态分布,且其期望速度的概率密度函数为:
其中:ev为手动驾驶车辆的期望速度;c为积分系数;σ为期望速度的自然对数的标准差;μ为期望速度的自然对数的均值;evmin为期望速度的下限;evmax为期望速度的上限。
进一步地,所述的步骤(4)中,车辆的运行判断规则包括:慢启动规则、主动变速规则、随机慢化规则和位置移动规则,具体为:
(1)、慢启动规则:
若车辆n为手动驾驶车辆且速度为0,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的慢启动概率Pstart进行比较,若随机数小于慢启动概率Pstart,则判定车辆n为慢启动,并设定车辆n在t+1时刻的瞬时速度vn(t+1)=0,并跳过其余的三个运行判断规则;若随机数大于等于慢启动概率Pstart,或手动驾驶车辆的速度大于0,则依次进行主动变速规则、随机慢化规则和位置移动规则的判断;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的慢启动概率为0,判断规则与上述手动驾驶车辆相同;
(2)、主动变速规则:
(2.1)、当同一车道内前后两车之间的距离大于安全距离时,若车辆n的车速小于期望速度,则车辆n加速,并设定:
Δvn(t)=min[max(vsafe,n(t)-vn(t),0),ant0]
vn(t+1)=min(vn(t)+Δvn(t),vmax)
其中,Δvn(t)为车辆n在t时刻的速度变化量,an为车辆n的最大加速度,vmax为车辆的道路限制速度,t0为仿真单位时间步长;
若车辆n的车速大于等于期望速度,则减速至期望速度,并设定:
Δvn(t)=min[max(vn(t)-evn,0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
其中:evn为车辆n的期望速度;
(2.2)、当同一车道内前后两车之间的距离等于安全距离时,则保持车辆n的车速不变,即:vn(t+1)=vn(t);
(2.3)、当同一车道内前后两车之间的距离小于安全距离时,则减速至安全车速,并设定:
Δvn(t)=min[max(vn(t)-vsafe,n(t),0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
(3)、随机慢化规则:
若车辆n为手动驾驶车辆,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的随机慢化概率Pslow进行比较,若随机数小于随机慢化概率Pslow,则车辆n减速,并设定:
vn(t+1)=max(vn(t+1)-kmbnt0,0)(m=1,2,3,4),
其中:km为车辆n的减速度与最大减速度bn的比值,k1=0,k4=1分别表示不慢化、轻刹车、中刹车和重刹车四种情况;若随机数大于等于随机慢化概率Pslow,则保持车辆n的车速不变,即不慢化;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的随机慢化概率为0,判断规则与上述手动驾驶车辆相同;
(4)、位置移动规则:
设定车辆n在下一时刻t+1的车辆位置为:xn(t+1)=xn(t)+vn(t+1)t0,其中:xn(t+1)为车辆n在t+1时刻的车头位置。
进一步地,所述的步骤(4)中,车辆的换道判断规则包括意愿条件、前后安全距离条件和概率条件,具体为:
意愿条件:vn+1(t)t0+dn(t)<min(vn(t)+ant0,vmax)t0,
其中:vn+1(t)为车辆n的前车在t时刻的瞬时速度,dn(t)为在t时刻车辆n与前车之间的距离;
前后安全距离条件:dn<dn+1,dn+2>α·dsafe,n+3
其中:dn为车辆n与前车之间的距离,dn+1为车辆n与相邻车道的前车之间的距离,dn+2为车辆n与相邻车道的后车之间的距离,α为后车安全距离系数;dsafe,n+3为车辆n与相邻车道的后车之间的安全距离;
概率条件:
预先设定车辆的换道概率Pchange,针对车辆n生成一个区间在[0,1]的随机数,并与预先设定的换道概率Pchange进行比较,若随机数大于换道概率Pchange,则进行换道;若随机数小于等于换道概率Pchange,则保持原车道不变;
若车辆n满足上述三个条件,则车辆n进行换道,车辆n向与行进方向相垂直的方向移动,左移或者右移到相邻车道上,行进方向保持不变;若车辆n不满足至少一个上述条件,则车辆n不换道。
进一步地,所述的车辆的换道判断规则中,自动驾驶车辆的换道概率大于手动驾驶车辆的换道概率。
与现有技术相比,本发明的优点是:
(1)、通过建立基于元胞自动机的双车道自动-手动驾驶车辆车队交通流模型,以进行城市道路混合车队间断流的仿真;
(2)、通过对混合交通流数值仿真结果分析,可研究在不同的自动驾驶车辆和手动驾驶车辆的比例下,车队的离散特性变化;
(3)、本发明在元胞自动机模型的基础上,考虑到传统车队离散理论中的假设,引入了服从截断正态分布的期望速度,研究自动驾驶车辆占车队总车辆数的比例对车队离散特性的影响,所得出的结论较为符合传统车队(即手动驾驶车辆车队)离散模型的结论,也和现实情况相符,因此也可以适用于实际城市道路交通流,可行性较好。
附图说明
图1为本发明的运行判断规则的流程图;
图2为本发明的换道条件中车辆与距离的示意图;
图3为本发明在自动驾驶车辆比例为0时,起点线下游1000m处车道断面流率随时间的变化图;
图4为本发明在不同自动驾驶车辆的比例下,车队平均速度随时间的变化图;
图5为本发明在不同自动驾驶车辆的比例下,车队总体长度随时间的变化图;
图6为本发明在不同自动驾驶车辆的比例下,车速的标准差随时间的变化图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
如图所示,基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,包括以下具体步骤:
(1)、建立城市仿真道路以及在仿真道路上设置仿真车辆集合,其中:仿真车辆包括手动驾驶车辆和自动驾驶车辆;
(2)、设定车辆的安全距离和安全车速的关系式,本方法采取Gipps安全距离公式,Gipps模型是一种基于反应时间的跟车模型,它以前车以最大减速度刹车至速度为零,后车在反应时间之后也开始以最大减速度刹车至速度为零的极端情况为依据,计算两车不相撞时的距离为安全距离,并凭此推导出后车应遵循的安全速度,车辆的安全距离的关系式为:
安全车速的关系式为:
其中:dsafe,n(t)表示车辆n在t时刻与前车之间的安全距离;vn(t)表示车辆n在t时刻的瞬时速度;τn表示车辆n的驾驶员的反应时间;bn表示车辆n的最大减速度;n指代本车,n+1指代本车的前车;vsafe,n(t)表示车辆n在t时刻的安全车速;xn(t)表示车辆n在t时刻的车头位置,ln+1车辆n的前车的车身长度;
(3)、确定手动驾驶车辆期望速度的概率分布,手动驾驶车辆的期望速度服从截断正态分布,且其期望速度的概率密度函数为:
其中:ev为手动驾驶车辆的期望速度;c为积分系数;σ为期望速度的自然对数的标准差;μ为期望速度的自然对数的均值;evmin为期望速度的下限;evmax为期望速度的上限;但自动驾驶车辆的期望速度不服从截断正态分布,其期望速度等于最大车速;
(4)、建立自动-手动驾驶车辆的元胞自动机模型,并设定模型中的车辆的运行判断规则和换道判断规则,车辆的运行判断规则包括:慢启动规则、主动变速规则、随机慢化规则和位置移动规则,具体为:
(4.1)、慢启动规则:
若车辆n为手动驾驶车辆且速度为0,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的慢启动概率Pstart进行比较,若随机数小于慢启动概率Pstart,则判定车辆n为慢启动,并设定车辆n在t+1时刻的瞬时速度vn(t+1)=0,并跳过其余的三个运行判断规则;若随机数大于等于慢启动概率Pstart,或手动驾驶车辆的速度大于0,则依次进行主动变速规则、随机慢化规则和位置移动规则的判断;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的慢启动概率为0,判断规则与上述手动驾驶车辆相同;
(4.2)、主动变速规则:
(4.2.1)、当同一车道内前后两车之间的距离大于安全距离时,若车辆n的车速小于期望速度,则车辆n加速,并设定:
Δvn(t)=min[max(vsafe,n(t)-vn(t),0),ant0]
vn(t+1)=min(vn(t)+Δvn(t),vmax)
其中,Δvn(t)为车辆n在t时刻驾驶员或车载控制系统主动操作下的速度变化量,an为车辆n的最大加速度,vmax为车辆的道路限制速度,t0为仿真单位时间步长;
若车辆n的车速大于等于期望速度,则减速至期望速度,并设定:
Δvn(t)=min[max(vn(t)-evn,0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
其中:evn为车辆n的期望速度;
(4.2.2)、当同一车道内前后两车之间的距离等于安全距离时,则保持车辆n的车速不变,即:vn(t+1)=vn(t);
(4.2.3)、当同一车道内前后两车之间的距离小于安全距离时,则减速至安全车速,并设定:
Δvn(t)=min[max(vn(t)-vsafe,n(t),0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
(4.3)、随机慢化规则:
若车辆n为手动驾驶车辆,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的随机慢化概率Pslow进行比较,若随机数小于随机慢化概率Pslow,则车辆n减速,并设定:
vn(t+1)=max(vn(t+1)-kmbnt0,0)(m=1,2,3,4),
其中:km为车辆n的减速度与最大减速度bn的比值,k1=0,k4=1分别表示不慢化、轻刹车、中刹车和重刹车四种情况;若随机数大于等于随机慢化概率Pslow,则保持车辆n的车速不变,即不慢化;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的随机慢化概率为0,判断规则与上述手动驾驶车辆相同;
(4.4)、位置移动规则:
设定车辆n在下一时刻t+1的车辆位置为:xn(t+1)=xn(t)+vn(t+1)t0,其中:xn(t+1)为车辆n在t+1时刻的车头位置;
车辆的换道判断规则包括意愿条件、前后安全距离条件和概率条件,具体为:
意愿条件:vn+1(t)t0+dn(t)<min(vn(t)+ant0,vmax)t0,
其中:vn+1(t)为车辆n的前车在t时刻的瞬时速度,dn(t)为在t时刻车辆n与前车之间的距离;
前后安全距离条件:dn<dn+1,dn+2>α·dsafe,n+3
其中:dn为车辆n与前车之间的距离,dn+1为车辆n与相邻车道的前车之间的距离,dn+2为车辆n与相邻车道的后车之间的距离,α为后车安全距离系数;dsafe,n+3为车辆n与相邻车道的后车之间的安全距离;
概率条件:
预先设定车辆的换道概率Pchange,自动驾驶车辆的换道概率大于手动驾驶车辆的换道概率,针对车辆n生成一个区间在[0,1]的随机数,并与预先设定的换道概率Pchange进行比较,若随机数大于换道概率Pchange,则进行换道;若随机数小于等于换道概率Pchange,则保持原车道不变;
若车辆n满足上述三个条件,则车辆n进行换道,车辆n向与行进方向相垂直的方向移动,左移或者右移到相邻车道上,行进方向保持不变;若车辆n不满足至少一个上述条件,则车辆n不换道;
(5)、将车辆的仿真参数输入元胞自动机模型中,对混行状态下的自动-手动驾驶车辆车队进行交通流仿真模拟。
以下是对本发明的仿真方法的具体仿真模拟实验过程:
预先设置仿真实验参数:本元胞自动机模型中未对车道边界作周期性设置,因此车道长度需要大于仿真时间内车辆能到达的的最远距离,本实验中,仿真所构造的车道长度为8000格,每格长度设置为1m,一共两条车道。
车辆方面,设定车辆总数目为N=50辆,其中自动驾驶车辆的数量为N1,手动驾驶车辆的数量为N2,N1+N2=N,为便于描述,记自动驾驶车辆的比例rate=N1/N,车辆n的最大加速度an设置为3m/s2、最大减速度bn设置为5m/s2,车身长度ln设置为5m,车辆的道路限制速度vmax设置为60km/h;驾驶行为方面,设定手动驾驶车辆的随机慢化概率Pslow为0.15、慢启动概率Pstart为0.25,自动驾驶车辆的反应时间τ1为0.1秒,手动驾驶车辆的反应时间τ2为1秒。后车安全距离系数α为0.5,这一系数表示车辆在换道时考虑后方安全距离的程度,越接近0越激进,越接近1越谨慎。设定自动驾驶车辆的换道概率Pchange,1为1,手动驾驶车辆的换道概率Pchange,2为0.5。期望速度方面,期望速度下限evmin设置为最大车速的一半,期望车速上限evmax设置为最大车速,继而对期望速度上下限的算术平均值求自然对数,得出均值μ约为2.5、标准差σ为5。仿真模型每次运行400个单位时间,仿真单位时间t0设定为现实中的1秒。
本实验所说的“车队”即所有车辆的集合,仅包括初始化所产生的50辆车,中途不会再产生其它车辆。初始化车队时,令车队尾部的车辆的车尾在第1格,其前车的尾部与其车头相距1格距离,以此类推。车队头部的车,即首车,前1格的坐标即为停车线坐标。通过步骤(3)的概率分布赋予每一辆手动驾驶车辆期望速度,具体方法为选取某一整数速度(元胞自动机模型中的车辆的速度只能是整数),在其左右各0.5的区间上对概率分布函数作积分,得出期望速度等于该整数速度的概率。概率分布函数的区间取[最小整数速度-0.5,最大整数速度+0.5]以方便计算概率。得出所有整数速度后,对所有手动驾驶车辆赋予期望速度,自动驾驶车辆的期望速度等于最大速度。
随后运行仿真模型,在时间达到仿真时间以前,其持续重复以下步骤:获取信息、变速和位移、获取信息、换道。其中,获取信息是指车辆获取附近车辆(通常是前车、后车、相邻车道前车和相邻车道后车)的位置和速度信息,以进行安全距离和安全速度的计算,其计算方法依照步骤(2)的公式进行。对于没有前车的情况,则按照前车距离非常远,速度非常快进行计算;对于没有后车的情况,则按照后车距离非常远,速度非常慢进行计算,此处的非常意味远大于或远小于常规水平。进行两次信息获取的原因在于,变速过程改变了第一次获取到的数据信息,需要第二次获取,以免车辆换道时使用错误的信息。变速、位移规则以及换道规则按照步骤(4)的设定进行,车辆根据安全速度、期望速度、加速度、减速度等数据,按照变速和位移规则改变速度和位置。车辆n根据与前后车的安全距离,按照换道规则进行判断是否换道和执行换道行为。当运行时间达到规定的仿真时间后,仿真结束,输出车队运行的数据。
而为了获取车队运行的数据,规定一些变量如下:
(1)、车队长度L为最前方车辆的头部坐标减去最后方车辆的尾部坐标,公式为:L=maxi=1,2…nposi-mini=1,2…nposi+ln,其中,posi为车辆i的车头位置;ln为最后方车辆的车身长度。
(2)、车队平均速度为所有车辆速度的算术平均值,公式为:/>
(3)、密度k由全部车辆的数目N除以车队长度L得到,由于车辆在两条车道上,所以应再除以2,即
(4)、流量q由车队平均速度与密度的乘积计算得到:
(5)、车速标准差和车头间距标准差可通过同一个公式计算得到,其用于描述样本值距离样本值中心的离散程度:其中,σ为标准差,N为样本数量,xi为序列中第i个样本的值(车速或车头间距),/>为序列中所有样本的均值,通过所有样本值之和除以样本数量得到。
为了尽量消除随机性的影响,并且凸显出实验结果的统计特征,因此每次实验100次,取这100次实验结果的平均值作为结果。且从实验结果可看出,由图3所示,下游道路断面流率变化图与传统车队(即手动驾驶车辆车队)离散模型的结果和现实情况有较好的符合度,说明本发明的仿真方法进行合适的标定后也可以适用于实际城市道路交通流的仿真。
而由图4所示,车队的平均速度首先快速上升,随后上升速率变得平缓,最终平均速度保持稳定。随着自动驾驶车辆比例的上升,平均速度稳定后的值也上升。原因是,从第一辆汽车从静止状态启动,直至最后一辆汽车达到稳定速度,所有的车辆个体为车队整体的平均速度提供了加速度,至此车队进入相对稳定的状态,大部分车辆达到了期望速度或者受前车制约的跟驰速度,车队平均速度不会突变。而自动驾驶车辆的期望速度高于手动驾驶车辆,因此自动驾驶车辆的比例越高,车队整体可以达到的平均速度就越高。
由图5所示,车队长度呈现出先快速上升,在某个时间节点后,上升速度有所减慢。随着自动驾驶车辆比例的上升,最终的车队长度的变化速率先升后降。原因是,该时间点正是车队从车队平均速度达到稳定的时间点,车队长度的变化速率等于首车速度与尾车速度之差,最后一辆车启动前,速度为0,启动后速度为正数,因此车队长度的变化速率先大后小。
由图6所示,车辆车速的标准差在车辆启动过程中先增后减,在车速稳定状态下,在某个值附近保持稳定。而这个值随着自动驾驶车辆比例的增长而先增后减,直至为0,表现出与车队长度类似的结果。原因是,随着部分车辆启动,车速之间的标准差迅速增加;但随着未启动的车辆数越来越少,车速均值越发接近于运动中车辆的速度,标准差降低;最终,由于车辆期望速度和跟驰速度的差异,除了自动驾驶车辆比例为1的车队,所有车队的标准差都在一个值附近保持稳定。这也说明了车队稳定状态下车速相对稳定,没有导致标准差产生较大波动。
本发明的保护范围包括但不限于以上实施方式,其保护范围以权利要求书为准,任何对本技术做出的本领域的技术人员容易想到的替换、变形、改进均落入本发明的保护范围。
Claims (3)
1.基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,其特征在于包括以下具体步骤:
(1)、建立城市仿真道路以及在仿真道路上设置仿真车辆集合,其中:仿真车辆包括手动驾驶车辆和自动驾驶车辆;
(2)、设定车辆的安全距离和安全车速的关系式;
(3)、确定手动驾驶车辆期望速度的概率分布:
自动驾驶车辆的期望速度等于最大车速,手动驾驶车辆的期望速度服从截断正态分布,且其期望速度的概率密度函数为:
其中:ev为手动驾驶车辆的期望速度;c为积分系数;σ为期望速度的自然对数的标准差;μ为期望速度的自然对数的均值;evmin为期望速度的下限;evmax为期望速度的上限;
(4)、建立自动-手动驾驶车辆的元胞自动机模型,并设定模型中的车辆的运行判断规则和换道判断规则;
车辆的运行判断规则包括:慢启动规则、主动变速规则、随机慢化规则和位置移动规则,具体为:
(1)、慢启动规则:
若车辆n为手动驾驶车辆且速度为0,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的慢启动概率Pstart进行比较,若随机数小于慢启动概率Pstart,则判定车辆n为慢启动,并设定车辆n在t+1时刻的瞬时速度vn(t+1)=0,并跳过其余的三个运行判断规则;若随机数大于等于慢启动概率Pstart,或手动驾驶车辆的速度大于0,则依次进行主动变速规则、随机慢化规则和位置移动规则的判断;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的慢启动概率为0,判断规则与上述手动驾驶车辆相同;
(2)、主动变速规则:
(2.1)、当同一车道内前后两车之间的距离大于安全距离时,若车辆n的车速小于期望速度,则车辆n加速,并设定:
Δvn(t)=min[max(vsafe,n(t)-vn(t),0),ant0]
vn(t+1)=min(vn(t)+Δvn(t),vmax)
其中,Δvn(t)为车辆n在t时刻的速度变化量,an为车辆n的最大加速度,vmax为车辆的道路限制速度,t0为仿真单位时间步长;
若车辆n的车速大于等于期望速度,则减速至期望速度,并设定:
Δvn(t)=min[max(vn(t)-evn,0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
其中:evn为车辆n的期望速度;
(2.2)、当同一车道内前后两车之间的距离等于安全距离时,则保持车辆n的车速不变,即:vn(t+1)=vn(t);
(2.3)、当同一车道内前后两车之间的距离小于安全距离时,则减速至安全车速,并设定:
Δvn(t)=min[max(vn(t)-vsafe,n(t),0),bnt0]
vn(t+1)=max(vn(t)-Δvn(t),0)
(3)、随机慢化规则:
若车辆n为手动驾驶车辆,则针对该车辆n生成一个区间在[0,1]的随机数,并与预先设定的手动驾驶车辆的随机慢化概率Pslow进行比较,若随机数小于随机慢化概率Pslow,则车辆n减速,并设定:
vn(t+1)=max(vn(t+1)-kmbnt0,0)(m=1,2,3,4),
其中:km为车辆n的减速度与最大减速度bn的比值,k1=0,k4=1分别表示不慢化、轻刹车、中刹车和重刹车四种情况;若随机数大于等于随机慢化概率Pslow,则保持车辆n的车速不变,即不慢化;
若车辆n为自动驾驶车辆,则预先设定自动驾驶车辆的随机慢化概率为0,判断规则与上述手动驾驶车辆相同;
(4)、位置移动规则:
设定车辆n在下一时刻t+1的车辆位置为:xn(t+1)=xn(t)+vn(t+1)t0,其中:xn(t+1)为车辆n在t+1时刻的车头位置;
车辆的换道判断规则包括意愿条件、前后安全距离条件和概率条件,具体为:
意愿条件:vn+1(t)t0+dn(t)<min(vn(t)+ant0,vmax)t0,
其中:vn+1(t)为车辆n的前车在t时刻的瞬时速度,dn(t)为在t时刻车辆n与前车之间的距离;
前后安全距离条件:dn<dn+1,dn+2>α·dsafe,n+3
其中:dn为车辆n与前车之间的距离,dn+1为车辆n与相邻车道的前车之间的距离,dn+2为车辆n与相邻车道的后车之间的距离,α为后车安全距离系数;dsafe,n+3为车辆n与相邻车道的后车之间的安全距离;
概率条件:
预先设定车辆的换道概率Pchange,针对车辆n生成一个区间在[0,1]的随机数,并与预先设定的换道概率Pchange进行比较,若随机数大于换道概率Pchange,则进行换道;若随机数小于等于换道概率Pchange,则保持原车道不变;
若车辆n满足上述三个条件,则车辆n进行换道,车辆n向与行进方向相垂直的方向移动,左移或者右移到相邻车道上,行进方向保持不变;若车辆n不满足至少一个上述条件,则车辆n不换道;
(5)、将车辆的仿真参数输入元胞自动机模型中,对混行状态下的自动-手动驾驶车辆车队进行交通流仿真模拟。
2.如权利要求1所述的基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,其特征在于:所述的步骤(2)所设定的车辆的安全距离的关系式为:
安全车速的关系式为:
其中:dsafe,n(t)表示车辆n在t时刻与前车之间的安全距离;vn(t)表示车辆n在t时刻的瞬时速度;τn表示车辆n的驾驶员的反应时间;bn表示车辆n的最大减速度;n指代本车,n+1指代本车的前车;vsafe,n(t)表示车辆n在t时刻的安全车速;xn(t)表示车辆n在t时刻的车头位置,ln+1车辆n的前车的车身长度。
3.如权利要求1所述的基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法,其特征在于:所述的车辆的换道判断规则中,自动驾驶车辆的换道概率大于手动驾驶车辆的换道概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255079.3A CN115952641B (zh) | 2022-10-13 | 2022-10-13 | 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211255079.3A CN115952641B (zh) | 2022-10-13 | 2022-10-13 | 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115952641A CN115952641A (zh) | 2023-04-11 |
CN115952641B true CN115952641B (zh) | 2023-10-24 |
Family
ID=87284916
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211255079.3A Active CN115952641B (zh) | 2022-10-13 | 2022-10-13 | 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115952641B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169912A (ja) * | 2008-01-21 | 2009-07-30 | Toyota Central R&D Labs Inc | 交通流シミュレーションシステム |
CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
CN113204863A (zh) * | 2021-04-09 | 2021-08-03 | 燕山大学 | 基于元胞自动机的手动-cacc自动驾驶车辆混合流仿真方法 |
CN113792424A (zh) * | 2021-09-06 | 2021-12-14 | 清华大学深圳国际研究生院 | 自动驾驶车异质交通流下的多车道换道方法及系统 |
CN113838287A (zh) * | 2021-10-18 | 2021-12-24 | 清华大学深圳国际研究生院 | 判断网联自动驾驶环境下的混行交通流状态的方法及装置 |
-
2022
- 2022-10-13 CN CN202211255079.3A patent/CN115952641B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009169912A (ja) * | 2008-01-21 | 2009-07-30 | Toyota Central R&D Labs Inc | 交通流シミュレーションシステム |
CN106991251A (zh) * | 2017-04-27 | 2017-07-28 | 东南大学 | 一种高速公路交通流元胞机仿真方法 |
CN113204863A (zh) * | 2021-04-09 | 2021-08-03 | 燕山大学 | 基于元胞自动机的手动-cacc自动驾驶车辆混合流仿真方法 |
CN113792424A (zh) * | 2021-09-06 | 2021-12-14 | 清华大学深圳国际研究生院 | 自动驾驶车异质交通流下的多车道换道方法及系统 |
CN113838287A (zh) * | 2021-10-18 | 2021-12-24 | 清华大学深圳国际研究生院 | 判断网联自动驾驶环境下的混行交通流状态的方法及装置 |
Non-Patent Citations (2)
Title |
---|
手动-自动驾驶城市混合交通流特性研究;孙雷;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第1期);论文第2.2节,第3.1-3.2节 * |
智能网联车辆与普通车辆混合车流交通状态估计方法研究;李志伟;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》(第4期);论文第6.1.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN115952641A (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11216748B2 (en) | Predictive control techniques for ground vehicles | |
CN109598934B (zh) | 一种基于规则与学习模型的无人驾驶汽车驶离高速的方法 | |
Moon et al. | Design, tuning, and evaluation of a full-range adaptive cruise control system with collision avoidance | |
Aycin et al. | Comparison of car-following models for simulation | |
US9224299B2 (en) | Cruise control plan evaluation device and method | |
US8788134B1 (en) | Autonomous driving merge management system | |
CN111994071B (zh) | 后向追尾主动避让方法、系统、存储介质 | |
CN108919795A (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
CN110816529A (zh) | 基于可变时距间距策略的车辆协同式自适应巡航控制方法 | |
EP1332910A1 (en) | Method and system for vehicle operator assistance improvement | |
US20060217866A1 (en) | Method for controlling the speed of a vehicle | |
CN111439264B (zh) | 一种基于人机混驾的换道控制模型的实现方法 | |
CN103718220A (zh) | 交通控制系统、车辆控制系统、交通管理系统及交通控制方法 | |
SE1151256A1 (sv) | Metod och modul för att styra ett fordons hastighet genom simulering | |
CN103496368A (zh) | 具有学习能力的汽车协同式自适应巡航控制系统及方法 | |
CN113165650A (zh) | 根据速度设定值来调节转弯中的车辆速度的调节 | |
CN104417558A (zh) | 减速度设定系统、方法以及程序 | |
JP2022521137A (ja) | 車両を安全化するための方法 | |
CN113823076B (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
CN115952641B (zh) | 基于元胞自动机的双车道自动-手动驾驶车辆交通流仿真方法 | |
CN108839655A (zh) | 一种基于最小安全车距的协同式自适应控制方法 | |
CN116142231A (zh) | 一种考虑多因素的自动驾驶车辆纵向控制方法及系统 | |
CN115131959A (zh) | 车辆队列防追尾主动避撞协同控制方法 | |
JP2020091692A (ja) | 隊列走行制御装置 | |
CN116691680B (zh) | 一种基于多车运动模型的变道方法和装置 |
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 | ||
CB03 | Change of inventor or designer information | ||
CB03 | Change of inventor or designer information |
Inventor after: Lu Ting Inventor after: Liu Chenghao Inventor after: Zheng Pengjun Inventor after: Ye Xiaofei Inventor before: Liu Chenghao Inventor before: Lu Ting Inventor before: Zheng Pengjun Inventor before: Ye Xiaofei |
|
GR01 | Patent grant | ||
GR01 | Patent grant |