CN116822125A - 基于虚拟现实的个性化交互式车道级可变限速优化方法 - Google Patents
基于虚拟现实的个性化交互式车道级可变限速优化方法 Download PDFInfo
- Publication number
- CN116822125A CN116822125A CN202310222637.4A CN202310222637A CN116822125A CN 116822125 A CN116822125 A CN 116822125A CN 202310222637 A CN202310222637 A CN 202310222637A CN 116822125 A CN116822125 A CN 116822125A
- Authority
- CN
- China
- Prior art keywords
- speed limit
- variable speed
- vehicle
- lane
- risk
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 238000005457 optimization Methods 0.000 title claims abstract description 41
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 36
- 238000011217 control strategy Methods 0.000 claims abstract description 55
- 238000004088 simulation Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000002245 particle Substances 0.000 claims description 75
- 230000006399 behavior Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 31
- 230000001133 acceleration Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 20
- 230000008901 benefit Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 13
- 230000003304 psychophysiological effect Effects 0.000 claims description 11
- 238000013461 design Methods 0.000 claims description 10
- 238000012937 correction Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000019771 cognition Effects 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000011144 upstream manufacturing Methods 0.000 claims description 5
- 230000006978 adaptation Effects 0.000 claims description 4
- 210000004556 brain Anatomy 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 239000011521 glass Substances 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000011597 CGF1 Diseases 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000004039 social cognition Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 claims description 2
- 230000000747 cardiac effect Effects 0.000 claims 2
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000016571 aggressive behavior Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000002650 habitual effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0968—Systems involving transmission of navigation instructions to the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- 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
- 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T19/00—Manipulating 3D models or images for computer graphics
- G06T19/006—Mixed reality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computer Graphics (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Remote Sensing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Radar, Positioning & Navigation (AREA)
- Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Traffic Control Systems (AREA)
Abstract
基于虚拟现实的个性化交互式车道级可变限速优化方法，涉及交通智能控制技术领域，具体为：设计高快速路三维道路场景，构建交互式仿真实验平台；实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级，根据预设的控制策略，利用仿真场景中的车道级可变限速控制系统发布控制相应的控制指令，调整车道级可变限速板的限速值；驾驶人控制仿真车辆的运行状态并与实验平台的道路交通环境进行实时交互，保存车辆的运行状态信息；构建驾驶行为谱，建立适应各驾驶风格的车道级可变限速控制方案，形成控制方案策略库，利用RSU发布限速信息，实现对不同驾驶风格驾驶人的个性化限速指导，具备可复制推广、鲁棒性强的特点。
Description
技术领域
发明涉及交通智能控制技术领域，尤其是涉及一种基于虚拟现实的个性化交互式车道级可变限速优化方法。
背景技术
随着传感技术、人工智能、5G及物联网技术的发展，精准化个性化的车辆指令推送技术逐渐加速迈向落地应用，智能网联汽车技术得到不断更新和迭代。智能网联汽车将实现人、车、路关系的重构，使得车辆的感知和控制跃上了新的台阶。随着机动车的普及及交通运输需求的增长，目前高速公路安全主动管控技术采用的静态速度管制方法及基于可变信息板进行信息发布的方式逐渐不能满足智能网联环境的需要，其一，静态限速方式无法在动态的道路交通环境下为不同工况及特定条件下提供安全合理的限速值；其二，基于可变信息板进行信息发布的手段不能针对特定车辆进行个性化的限速引导，导致管理效果在不同个体之间出现较大差异，对高速公路交通安全产生负面影响。
驾驶人由于年龄、性别、性格、职业、驾驶经验等方面的不同，个体之间的驾驶行为特性会存在较大差异。驾驶风格是指一个人选择的开车方式和习惯性的驾驶方式，是一种相对稳定的内在的驾驶行为倾向，是驾驶行为特性的重要方面，对驾驶风格的研究对于个性化可变限速控制，对于精细化交通运输服务具有十分重要的价值。基于驾驶模拟仿真软件可以实现个性化驾驶数据的采集，同时根据车辆行驶数据可以对驾驶风格进行采集，利用RSU信息发布技术可以实现个性化驾驶信息推送，从而实现对不同驾驶风格进行针对性限速引导。
发明内容
本发明利用交互式交通仿真实验平台，根据预设的车道级可变限速控制策略利用道路场景中的车道级可变限速控制系统发布预设好的车道级可变限速控制指令，调整车道级可变限速板的限速值；将驾驶仿真车辆及车道级可变限速板限速发布信息加载到交互式交通仿真实验平台中；招募驾驶人利用驾驶模拟器佩戴VR眼镜进行虚拟仿真驾驶，驾驶人控制仿真车辆的运行状态，并与所述实验平台的道路交通环境进行实时的交互，保存车辆的运行状态信息；基于生理心理仪采集驾驶模拟器驾驶人的生理心理数据；基于获取的实验路段道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据，构建驾驶行为谱，基于收集到的驾驶行为谱，利用K-means聚类方法将驾驶风格进行群体分类，将驾驶风格分为6类，构建行车风险判断及评价标准，基于准相对风险暴露量分析方法，结合驾驶行为变化规律，建立基于个体车辆安全和交通流整体安全的综合风险等级算法，针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险作为实际奖励值，个体车辆安全风险作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库，可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现针对不同驾驶风格驾驶人提供个性化限速指导。解决了传统可变限速控制方法不能针对不同驾驶风格进行个性化限速引导的问题，同时也解决了个性化可变限速控制可能造成的个体车辆行驶风险增大的问题。本发明具备可复制推广、鲁棒性强的特点。车道级可变限速控制系统包括数据分析、方案决策和信息发布三个模块。
本发明的目的可以通过以下技术方案来实现：
1)设计高快速路三维道路场景，并基于驾驶模拟仿真软件搭建高快速路三维道路场景，同时将该场景导入微观交通仿真软件；
2)构建基于所述微观交通仿真软件和所述驾驶模拟仿真软件的交互式仿真实验平台，其中，所述微观交通仿真软件为实验平台提供微观交通流及驾驶车辆周边车辆，所述驾驶模拟仿真软件为所述实验平台提供被驾驶人操控的仿真车辆；基于交互式交通仿真实验平台向高快速路三维道路场景加载背景交通和仿真车辆；
3)所述交互式仿真实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级，交互式仿真实验平台根据预设的车道级可变限速控制策略利用高快速路三维道路场景中的车道级可变限速控制系统发布预设好的车道级可变限速控制指令，通过实时改变调整车道级可变限速板的限速值，进而实时改变道路交通流的运行状态；
车道级可变限速板为车道级可变限速控制系统的信息指令发布设备，以750m间距布设在龙门架上，每个车道级可变限速板针对一个车道发布可变限速信息，不同车道上和上下游的车道级限速指令可以具备不同的限速值；
4)驾驶人利用驾驶模拟器佩戴VR眼镜通过驾驶模拟仿真软件控制所述仿真车辆的运行状态，并与所述交互式仿真实验平台的道路交通环境进行实时的交互，所述交互式仿真实验平台的数据存储模块实时保存仿真车辆的运行状态信息；
5)获取实验路段道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据，并对上述数据通过数据预处理模块进行预处理，如采用MATLAB或者python等软件和语言进行处理，滤除所述心生理数据中的无效数据，对所述数据进行校正，构建不同道路不同交通状态下驾驶人的驾驶行为谱；
实验路段道路环境信息数据的获取：道路环境信息数据是在设计三维道路场景时就有的，因为需要根据实际测量的道路环境信息设计三维场景，其数据的获取可以通过获取道路设计图纸得到道路几何信息或者采用全站仪等测量手段去测量，数据获取后导入到数据分析软件中进行处理；
驾驶人的心生理数据的获取：将生理心理仪佩戴在驾驶员在身上和头上，驾驶员佩戴期间的数据是直接通过生理心理仪记录并直接传输到数据处理软件中；
6)基于收集到的驾驶行为谱，利用K-means聚类方法进行群体分类，分为分心、紧张、危险、激进、耐心和小心6类驾驶风格；
紧张、耐心和小心属于遵从度高的一类驾驶人，其中紧张为跟驰过程中距离前车距离较近，加速度变化方差较大，耐心为跟驰过程中距离前车距离较近，加速度变化方差较小，小心为跟驰过程中距离前车距离较远，加速度变化方差较小，
分心、危险、激进都属于遵从度低的一类驾驶人，其中，其中危险为跟驰过程中距离前车距离较近，加速度变化方差较大，激进为跟驰过程中距离前车距离较近，加速度变化方差较小，分心为跟驰过程中距离前车距离时进时远，加速度变化方差较大；
7)利用集成在车道级可变限速控制系统中的可变限速决策模块针对不同道路及交通场景下不同驾驶人的驾驶风格分别进行个性化优化，针对该驾驶风格给出车道级可变限速控制策略，利用综合风险Q作为实际奖励值，建立适应各驾驶风格的车道级可变限速控制方案，形成控制方案策略库，集成在车道级可变限速控制系统中的可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现针对不同驾驶风格驾驶人提供个性化限速指导。
优选的，步骤2)中，所述微观交通流的运行状态由所述微观交通仿真软件控制，所述被驾驶人操控的仿真车辆由驾驶模拟仿真软件生成，所述仿真车辆的信息在微观交通仿真软件与驾驶模拟仿真软件中同步实时更新。
优选的，步骤3)中，所述交通流风险检测算法为基于个体车辆安全和交通流整体安全的综合风险等级算法，包括以下步骤：
①构建个体车辆安全风险等级判断及评价标准，
其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，数据采集到的车辆位置是车头的位置，Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值，n代表该时刻该路段上的车辆数；
利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级，利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
②构建交通流整体安全风险等级判断及评价标准，令驾驶人在驾驶过程中在特定位置进行急减速、紧急换道、以及紧急刹车危险驾驶行为，其中急减速需要驾驶人原有车速的基础上速度降低50％，在每一次驾驶人做出危险驾驶行为后，统计路段内各个车辆Risk(i)的变化，以及高、中、低风险等级车辆比例，同时统计每一次危险驾驶行为前后微观交通流参数，包括特定位置上游200m、800m、1400m、2000m，以及特定位置下游400m、1000m处断面流量、车速、占有率，其统计时间粒度为5min，统计时刻为每一次危险驾驶行为前5min、10min、15min、20min、25min、30min，即一共216个交通流参数，其中交通流整体安全风险等级定义为：
，利用CNN神经网络模型，构建Secrisk(i)和216个交通流参数的机器学习模型，通过交通流参数来预测交通流整体安全风险等级；
③构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1，n代表该时刻该路段上的车辆数；
④针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法得到可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库；
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表组合控制策略个体车辆安全风险收益，为该控制策略实施之前综合风险，/>为该控制策略实施之后综合风险；
组合控制策略的个体车辆安全风险组合损失定义为：
其中，Risk(i)b为该控制策略实施之前个体车辆安全风险，Risk(i)a为该控制策略实施之后个体车辆安全风险；
风险收益和损失计算作为可变限速的触发条件。
优选的，步骤5)中，对所述道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据进行预处理，通过Z-score方法来识别异常值，阈值取2.0，识别并删除异常值，滤除所述心生理数据中的无效数据，对所述数据进行校正，对各个特征指标进行归一化处理，将所有特征指标归一到[-1,1]的区间内。
优选的，步骤5)中，驾驶行为谱包括4个矩阵：道路环境信息数据矩阵、驾驶人信息数据矩阵、车辆运行状态数据矩阵和交通状态数据矩阵，将驾驶人信息、车辆运行状态、交通状态和道路环境信息作为多维统一要素，构建时序矩阵数据库，以矩阵为基本单元构建驾驶行为谱；矩阵中使用行向量代表驾驶人在某一维度上随时间变化的时空信息或状态信息，列维度是矩阵的时间索引，反应某时刻不同维度指标的取值；行向量在驾驶行为时间序列上所有的取值构成了驾驶行为谱。
优选的，上述矩阵包含的参数如下：
(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离；
(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄、脑电波功率比、心率、眨眼频率、眨眼持续时间、扫视频率、扫视持续时间；
(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车道编号、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积；
(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、交通服务水平、当前路段平均车速、当前车道流量。
采用随机森林模型将驾驶风格特征参数根据聚类特征进行降维。
优选的，所述的针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法得到可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库，该方法包括以下步骤：
I、对驾驶人驾驶风格进行判断，完成判断后对可变限速引导速度进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
II、对可变限速速度变化阈值进行初始化设置；
III、根据综合风险Q对可变限速变化进行控制，如果Q>0.30，则对可变限速限速进行改变，计算该控制周期结束时综合风险Q，若仍为Q>0.30，则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化，直至组合控制策略个体车辆安全风险收益E(μp)最高，并将此控制策略纳入可变限速策略库中，由此得到针对不同驾驶风格的针对性可变限速控制策略。
优选的，对各车辆可变限速引导速度进行初始化设置，初始限速为100km/h；对可变限速速度变化梯度进行初始化设置，速度变化梯度为5km/h；对速度变化周期进行初始化设置，速度变化周期为1min；
根据该路段交通实时轨迹获取综合风险Q，如果风险等级>0.30，则采用初始化设置对可变限速限速进行改变，计算改变限速后未来5min时刻组合控制策略个体车辆安全风险收益E(μp)和组合控制策略的个体安全风险组合损失Riskp；
将组合控制策略个体车辆安全风险收益E(μp)和组合控制策略的个体安全风险组合损失Riskp的差值Fit(μp)作为目标优化函数，输入到粒子群优化算法模型中，粒子群优化算法模型的设置主要是初始化群体规模、适应度函数、粒子位置和速度更新规则；
初始化粒子群，设群体规模为N，对粒子的速度和位置进行初始化，
设置适应度函数，将目标优化函数Fit(μp)作为适应度函数输入，通过适应度函数计算每个粒子的适应度，分别保存各个粒子所经历过的最优位置和最佳适应度，种群的最优位置和最佳适应度，
把各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若粒子的适应度优于历史最优点，则把当前位置作为该粒子的历史最优位置，同时该粒子的适应度也成为历史最优适应度，以此寻找个体最优；
粒子的位置和速度的更新依据如下：
其中，加速因子c1调节个体最优位置飞行的最大步长，c2调节全局最优位置飞行的最大步长，c1和c2值取[0,4]之间，代表粒子上一代留下来的速度对粒子飞行行为的影响，可视为粒子自身的惯性；第二部分/>是个体认知，粒子朝自身寻找到的最优解方向寻找，代表粒子对自身过去经验的学习；第三部分/>属于社会认知，粒子向种群中其他粒子借鉴学习，代表粒子对种群整体搜索情况的认可，
将各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若更好，则更新种群的历史最优位置与历史适应，以此寻找全局最优，
若满足终止条件则终止，否则返回初始化粒子群这一步。
优选的，步骤1)中，高快速路三维道路场景中道路的设计遵循《公路路线设计规范》的要求；高快速路三维道路场景中标志与标线的设置遵循《道路交通标志和标线》和《公路限速标志设计规范》的要求。
本发明提供的基于虚拟现实的个性化交互式车道级可变限速优化方法，相较于现有技术至少包括如下有益效果：
一、本发明方法采用基于VR的交互式交通仿真实验平台集成了微观交通仿真功能和驾驶模拟功能，可以对任意高快速路场景的主动安全控制系统的性能进行仿真测试与评价，同时基于生理心理仪采集驾驶模拟器驾驶人的生理心理数据，可以获取不同可变限速控制条件下个体驾驶行为特征，为主动安全控制策略的制定与实际应用提供理论依据。
二、基于实验路段道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据，构建不同道路不同交通状态下驾驶人的驾驶行为谱，利用聚类方法将驾驶风格分为6类，针对每种驾驶风格进行个性化限速引导。
三、针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险作为实际奖励值，个体车辆安全风险作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，解决了传统可变限速控制方法不能针对不同驾驶风格进行个性化限速引导的问题，同时也解决了个性化可变限速控制可能造成的个体车辆行驶风险增大的问题。本发明具备可复制推广、鲁棒性强的特点。
附图说明
图1为实施例中基于虚拟现实的个性化交互式车道级可变限速优化方法原理示意图。
图2为实施例中基于驾驶人驾驶风格的可变限速控制方法中粒子群优化算法示意图。
图3为实施例中基于驾驶人驾驶风格的可变限速控制方法可变限速的信息发布示意图。
图4为实施例中基于驾驶人驾驶风格的可变限速控制方法闭环优化算法的流程示意图。
图5为实施例中基于驾驶人驾驶风格的可变限速控制方法中驾驶风格分类方法示意图。
图6为实施例中基于驾驶人驾驶风格的可变限速控制方法中交互式微观交通仿真平台示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。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的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例1
1)设计高快速路三维道路场景，并基于驾驶模拟仿真软件搭建高快速路三维道路场景，同时将该高快速路三维道路场景同样导入微观交通仿真软件。
所绘制的城市快速路三维道路场景为高精度电子地图场景；场景中道路的设计需要遵循《公路路线设计规范》(JTG D20-2017)的要求；场景中标志与标线的设置需要遵循《道路交通标志和标线》(GB 5768-2009)和《公路限速标志设计规范》(JTG/T 3381-02-2020)的要求。
2)构建基于所述微观交通仿真软件和所述驾驶模拟仿真软件的交互式仿真实验平台，其中，所述微观交通仿真软件为实验平台提供微观交通流及驾驶车辆周边车辆，所述驾驶模拟仿真软件为所述实验平台提供被驾驶人操控的仿真车辆；基于交互式仿真实验平台向高快速路三维道路场景加载背景交通和仿真车辆。
仿真实验平台中，交通流的运行状态由微观交通仿真软件所控制，被驾驶人操控的仿真车辆由驾驶模拟仿真软件所生成，平台中车辆的信息(大小、形状、位置、速度、加/减速度、角度等)会在微观交通仿真软件与驾驶模拟仿真软件中同步实时更新。
3)所述实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级，实验平台的控制系统根据预设的车道级可变限速控制策略利用高快速路三维道路场景中的车道级可变限速发布系统发布预设好的车道级可变限速控制指令。
车道级可变限速板为可变限速控制系统的信息指令发布设备，以750m间距布设在龙门架上，每个车道级可变限速板针对一个车道发布可变限速信息，不同车道上和上下游的车道级限速指令可以具备不同的限速值。通过实时改变调整可变限速标志的限速值，进而实时改变道路交通流的运行状态。
其中，交通流风险检测算法为基于个体车辆安全和交通流整体安全的综合风险等级算法，包括以下内容：
①构建个体车辆安全风险等级判断及评价标准，
其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，数据采集到的车辆位置是车头的位置，Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值，n代表该时刻该路段上的车辆数；
利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级，利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
②构建交通流整体安全风险等级判断及评价标准，令驾驶人在驾驶过程中在特定位置进行急减速、紧急换道、以及紧急刹车等危险驾驶行为，其中急减速需要驾驶人原有车速的基础上速度降低50％，在每一次驾驶人做出危险驾驶行为后，统计路段内各个车辆Risk(i)的变化，以及高、中、低风险等级车辆比例，同时统计每一次危险驾驶行为前后微观交通流参数，包括特定位置上游200m、800m、1400m、2000m，以及特定位置下游400m、1000m处断面流量(平均值、方差)、车速(平均值、方差)、占有率(平均值、方差)，其统计时间粒度为5min，统计时刻为每一次危险驾驶行为前5min、10min、15min、20min、25min、30min，即一共216个交通流参数，其中交通流整体安全风险等级定义为：
利用CNN神经网络模型，构建Secrisk(i)和216个交通流参数的机器学习模型，通过交通流参数来预测交通流整体安全风险等级。
③构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1，n代表该时刻该路段上的车辆数。
④针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表该组合控制策略个体车辆安全风险收益，为该控制策略实施之前综合风险，/>为该控制策略实施之后综合风险。
组合控制策略的个体车辆安全风险组合损失定义为：
其中，Risk(i)b为该控制策略实施之前个体车辆安全风险，Risk(i)a为该控制策略实施之后个体车辆安全风险。
4)驾驶人利用驾驶模拟器佩戴VR眼镜通过驾驶模拟仿真软件控制所述仿真车辆的运行状态，同时驾驶人需佩戴生理心理仪以便获取生心理信息数据，并与所述实验平台的道路交通环境进行实时的交互，所述实验平台的数据存储模块实时保存仿真车辆的运行状态信息
5)统计驾驶人基本信息(年龄、性别、驾龄)，获取实验路段道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据，并对所得数据进行预处理，通过Z-score方法来识别异常值，阈值取2.0，识别并删除异常值，滤除所述心生理数据中的无效数据，对所述数据进行校正，对各个特征指标进行归一化处理，将所有特征指标归一到[-1,1]的区间内，构建不同道路不同交通状态下驾驶人的驾驶行为谱。
驾驶行为谱包括4个矩阵：道路环境信息数据矩阵、驾驶人信息数据矩阵、车辆运行状态数据矩阵和交通状态数据矩阵；
4个矩阵中每一列为一个参数的时间序列，矩阵包含的参数如下：(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离。(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄、脑电波功率比、心率、眨眼频率、眨眼持续时间、扫视频率、扫视持续时间。(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车道编号(本文中纵向均指平行于车道的方向，横向均指垂直于车道的方向)、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积。(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、交通服务水平、当前路段平均车速、当前车道流量。将驾驶人、车辆、路况和环境作为多维统一要素，构建时序矩阵数据库，以矩阵为基本单元构建驾驶行为谱；矩阵中使用行向量代表驾驶人在某一维度上随时间变化的时空信息或状态信息，列维度是矩阵的时间索引，反应某时刻不同维度指标的取值；行向量在驾驶行为时间序列上所有的取值构成了驾驶行为谱。时序矩阵数据库入下：
a1j(i)为第i辆车j时刻黑天/白天、a2j(i)为j时刻天气参数、a3j(i)为j时刻光照参数、a4j(i)j时刻道路平曲线半径、a5j(i)j时刻道路纵曲线坡度、a6j(i)j时刻所在车道限速、a7j(i)为j时刻本车距离本车道可变限速板距离；b1j(i)为驾驶员性别、b2j(i)为驾驶员驾龄、b3j(i)为驾驶员年龄、b4j(i)为j时刻脑电波功率比、b5j(i)为j时刻心率、b6j(i)为j时刻眨眼频率、b7j(i)为j时刻眨眼持续时间、b8j(i)为j时刻扫视频率、b9j(i)为j时刻扫视持续时间；c1j(i)为j时刻车辆中心纵向位置、c2j(i)为j时刻车辆中心横向位置、c3j(i)为j时刻车道编号、c4j(i)为j时刻车辆纵向速度、c5j(i)为j时刻车辆纵向加速度、c6j(i)为j时刻车辆横向速度、c7j(i)为j时刻车辆横向加速度、c8j(i)为j时刻车道偏移、c9j(i)为j时刻方向盘转角与车速乘积；d1j(i)为j时刻本车道前车纵向速度、d2j(i)为j时刻本车与前车车头时距、d3j(i)为j时刻本车与前车车头间距、d4j(i)为j时刻本车与相邻车道前车纵向距离、d5j(i)为j时刻本车相邻车道前车纵向速度、d6j(i)为j时刻本车与后车间距、d7j(i)为j时刻交通饱和度、d8j(i)为j时刻交通服务水平、dgj(i)为j时刻当前路段平均车速。
其驾驶行为谱即为：
6)基于收集到的驾驶行为谱，使用K-means算法进行聚类，聚类簇分为6簇，将驾驶风格进行群体分类，将驾驶风格分为分心、紧张、危险、激进、耐心和小心6类。
7)利用可变限速决策模块针对不同道路及交通场景下不同驾驶人的驾驶风格分别进行个性化优化，寻找针对该驾驶风格最优的可变限速控制策略，利用综合风险Q作为实际奖励值，建立适应各驾驶风格的车道级可变限速控制方案，形成控制方案策略库，可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现针对不同驾驶风格驾驶人提供个性化限速指导。
针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。
利用所述驶风格判断方法对驾驶人驾驶风格进行判断，完成判断后对限速进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
对可变限速速度变化阈值进行初始化设置；
对各车辆可变限速引导速度进行初始化设置，初始限速为100km/h；
对速度变化梯度进行初始化设置，速度变化梯度为5km/h；
对速度变化周期进行初始化设置，速度变化周期为1min；
根据该路段交通实时轨迹获取综合风险Q，如果风险等级＞0.30，则采用初始化设置对可变限速限速进行改变。计算改变限速后未来5min时刻组合控制策略个体车辆安全风险收益E(μp)和组合控制策略的个体安全风险组合损失Riskp；
将组合控制策略个体车辆安全风险收益E(μp)和组合控制策略的个体安全风险组合损失Riskp的差值作为目标优化函数，作为输入到粒子群优化算法模型中；
初始化粒子群，设群体规模为N，对粒子的速度和位置进行初始化；
设置适应度函数，将目标优化函数Fit(μp)作为适应度函数输入，通过适应度函数计算每个粒子的适应度，分别保存各个粒子所经历过的最优位置和最佳适应度，种群的最优位置和最佳适应度，
把各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若粒子的适应度优于历史最优点，则把当前位置作为该粒子的历史最优位置，同时该粒子的适应度也成为历史最优适应度，以此寻找个体最优；
粒子的位置和速度的更新依据如下：
其中，加速因子c1调节个体最优位置飞行的最大步长，c2调节全局最优位置飞行的最大步长。如果加速因子取值太大会使粒子急速飞出目标区域，若取值太小则可能会使粒子到达目标区域太慢。合适的c1和c2值能提升粒子群算法的收敛速度，避免陷入局部最优。c1和c2值取[0,4]之间，本实施例设置为2；
代表粒子上一代留下来的速度对粒子飞行行为的影响，可视为粒子自身的惯性；第二部分/>是个体认知，粒子朝自身寻找到的最优解方向寻找，代表粒子对自身过去经验的学习；第三部分/>属于社会认知，粒子向种群中其他粒子借鉴学习，代表粒子对种群整体搜索情况的认可；
将各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若更好，则更新种群的历史最优位置与历史适应，以此寻找全局最优；
若满足终止条件则终止，否则返回初始化粒子群这一步；
可变限速信息发布模块利用布设在路侧的RSU向道路使用者发布限速信息。
本发明提供的个性化交互式可变限速优化方法，首先利用驾驶风格判断驾驶人的驾驶风格，再针对不同风格的驾驶人分别利用交通流风险等级作为可变限速控制的触发阈值，分别采用改进的粒子群优化算法获得其可变限速控制参数，即利用交互式交通仿真实验平台、驾驶模拟仿真软件以及生理心理仪，根据驾驶行为谱，针对驾驶人驾驶风格提供个性化限速引导，解决了无法获取不同道路及交通场景下车道级可变限速对驾驶个体生理心理及行为的影响，同时也解决了传统可变限速控制方法不能针对个体车辆进行个性化限速引导的问题。
Claims (9)
1.基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，该方法包括以下步骤：
1)设计高快速路三维道路场景，并基于驾驶模拟仿真软件搭建高快速路三维道路场景，同时将该场景导入微观交通仿真软件；
2)构建基于所述微观交通仿真软件和所述驾驶模拟仿真软件的交互式仿真实验平台，其中，所述微观交通仿真软件为实验平台提供微观交通流及驾驶车辆周边车辆，所述驾驶模拟仿真软件为所述实验平台提供被驾驶人操控的仿真车辆；基于交互式交通仿真实验平台向高快速路三维道路场景加载背景交通和仿真车辆；
3)所述交互式仿真实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级，交互式仿真实验平台根据预设的车道级可变限速控制策略利用高快速路三维道路场景中的车道级可变限速控制系统发布预设好的车道级可变限速控制指令，通过实时改变调整车道级可变限速板的限速值，进而实时改变道路交通流的运行状态；
车道级可变限速板为车道级可变限速控制系统的信息指令发布设备，以750m间距布设在龙门架上，每个车道级可变限速板针对一个车道发布可变限速信息，不同车道上和上下游的车道级限速指令可以具备不同的限速值；
4)驾驶人利用驾驶模拟器佩戴VR眼镜通过驾驶模拟仿真软件控制所述仿真车辆的运行状态，并与所述交互式仿真实验平台的道路交通环境进行实时的交互，所述交互式仿真实验平台的数据存储模块实时保存仿真车辆的运行状态信息；
5)获取实验路段道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据，并对上述数据进行预处理，滤除所述心生理数据中的无效数据，对所述数据进行校正，构建不同道路不同交通状态下驾驶人的驾驶行为谱；
6)基于收集到的驾驶行为谱，利用K-means聚类方法进行群体分类，分为分心、紧张、危险、激进、耐心和小心6类驾驶风格；
7)利用集成在车道级可变限速控制系统中的可变限速决策模块针对不同道路及交通场景下不同驾驶人的驾驶风格分别进行个性化优化，针对该驾驶风格给出车道级可变限速控制策略，利用综合风险Q作为实际奖励值，建立适应各驾驶风格的车道级可变限速控制方案，形成控制方案策略库，集成在车道级可变限速控制系统中的可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现针对不同驾驶风格驾驶人提供个性化限速指导。
2.根据权利要求1所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，步骤2)中，所述微观交通流的运行状态由所述微观交通仿真软件控制，所述被驾驶人操控的仿真车辆由驾驶模拟仿真软件生成，所述仿真车辆的信息在微观交通仿真软件与驾驶模拟仿真软件中同步实时更新。
3.根据权利要求1所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，步骤3)中，所述交通流风险检测算法为基于个体车辆安全和交通流整体安全的综合风险等级算法，包括以下步骤：
①构建个体车辆安全风险等级判断及评价标准，
其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，数据采集到的车辆位置是车头的位置，Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值，n代表该时刻路段上的车辆数；
利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级，利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
②构建交通流整体安全风险等级判断及评价标准，令驾驶人在驾驶过程中在特定位置进行急减速、紧急换道、以及紧急刹车危险驾驶行为，其中急减速需要驾驶人原有车速的基础上速度降低50％，在每一次驾驶人做出危险驾驶行为后，统计路段内各个车辆Risk(i)的变化，以及高、中、低风险等级车辆比例，同时统计每一次危险驾驶行为前后微观交通流参数，包括特定位置上游200m、800m、1400m、2000m，以及特定位置下游400m、1000m处断面流量、车速、占有率，其统计时间粒度为5min，统计时刻为每一次危险驾驶行为前5min、10min、15min、20min、25min、30min，即一共216个交通流参数，其中交通流整体安全风险等级定义为：
利用CNN神经网络模型，构建Secrisk(i)和216个交通流参数的机器学习模型，通过交通流参数来预测交通流整体安全风险等级；
③构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1，n代表该时刻路段上的车辆数；
④针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法得到可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库；
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表该组合控制策略个体车辆安全风险收益，为该控制策略实施之前综合风险，/>为该控制策略实施之后综合风险；
组合控制策略的个体车辆安全风险组合损失定义为：
其中，Risk(i)b为该控制策略实施之前个体车辆安全风险，Risk(i)a为该控制策略实施之后个体车辆安全风险。
4.根据权利要求1所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，步骤5)中，对所述道路环境信息数据、驾驶人的心生理数据、车辆运行状态数据和交通状态数据进行预处理，通过Z-score方法来识别异常值，阈值取2.0，识别并删除异常值，滤除所述心生理数据中的无效数据，对所述数据进行校正，对各个特征指标进行归一化处理，将所有特征指标归一到[-1，1]的区间内。
5.根据权利要求1所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，步骤5)中，驾驶行为谱包括4个矩阵：道路环境信息数据矩阵、驾驶人信息数据矩阵、车辆运行状态数据矩阵和交通状态数据矩阵，将驾驶人信息、车辆运行状态、交通状态和道路环境信息作为多维统一要素，构建时序矩阵数据库，以矩阵为基本单元构建驾驶行为谱；矩阵中使用行向量代表驾驶人在某一维度上随时间变化的时空信息或状态信息，列维度是矩阵的时间索引，反应某时刻不同维度指标的取值；行向量在驾驶行为时间序列上所有的取值构成了驾驶行为谱。
6.根据权利要求5所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，矩阵包含的参数如下：
(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离；
(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄、脑电波功率比、心率、眨眼频率、眨眼持续时间、扫视频率、扫视持续时间；
(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车道编号、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积；
(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、交通服务水平、当前路段平均车速、当前车道流量。
7.根据权利要求3所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，所述的针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法得到可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆安全风险Risk(i)作为修正因子，建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库，该方法包括以下步骤：
I、对驾驶人驾驶风格进行判断，完成判断后对可变限速引导速度进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
II、对可变限速速度变化阈值进行初始化设置；
III、根据综合风险Q对可变限速变化进行控制，如果Q＞0.30，则对可变限速限速进行改变，计算该控制周期结束时综合风险Q，若仍为Q＞0.30，则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化，直至组合控制策略个体车辆安全风险收益E(μp)最高，并将此控制策略纳入可变限速策略库中，由此得到针对不同驾驶风格的针对性可变限速控制策略。
8.根据权利要求7所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，对各车辆可变限速引导速度进行初始化设置，初始限速为100km/h；对可变限速速度变化梯度进行初始化设置，速度变化梯度为5km/h；对速度变化周期进行初始化设置，速度变化周期为1min；
根据该路段交通实时轨迹获取综合风险Q，如果风险等级＞0.30，则采用初始化设置对可变限速限速进行改变，计算改变限速后未来5min时刻组合控制策略的收益E(μp)和组合控制策略的个体安全风险组合损失Riskp；
将组合控制策略的收益E(μp)和组合控制策略的个体安全风险组合损失Riskp的差值Fit(μp)作为目标优化函数，输入到粒子群优化算法模型中；
初始化粒子群，设群体规模为N，对粒子的速度和位置进行初始化，
设置适应度函数，将目标优化函数Fit(μp)作为适应度函数输入，通过适应度函数计算每个粒子的适应度，分别保存各个粒子所经历过的最优位置和最佳适应度，种群的最优位置和最佳适应度，
把各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若粒子的适应度优于历史最优点，则把当前位置作为该粒子的历史最优位置，同时该粒子的适应度也成为历史最优适应度，以此寻找个体最优；
粒子的位置和速度的更新依据如下：
其中，加速因子c1调节个体最优位置飞行的最大步长，c2调节全局最优位置飞行的最大步长，c1和c2值取[0，4]之间，代表粒子上一代留下来的速度对粒子飞行行为的影响，可视为粒子自身的惯性；第二部分/>是个体认知，粒子朝自身寻找到的最优解方向寻找，代表粒子对自身过去经验的学习；第三部分/>属于社会认知，粒子向种群中其他粒子借鉴学习，代表粒子对种群整体搜索情况的认可，
将各个粒子的适应度Fit(μp)和历史最优点的适应度Fit(μi)做比较，若更好，则更新种群的历史最优位置与历史适应，以此获得全局最优，
若满足终止条件则终止，否则返回初始化粒子群这一步。
9.根据权利要求1所述的基于虚拟现实的个性化交互式车道级可变限速优化方法，其特征在于，步骤1)中，高快速路三维道路场景中道路的设计遵循《公路路线设计规范》的要求；高快速路三维道路场景中标志与标线的设置遵循《道路交通标志和标线》和《公路限速标志设计规范》的要求。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222637.4A CN116822125A (zh) | 2023-03-07 | 2023-03-07 | 基于虚拟现实的个性化交互式车道级可变限速优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310222637.4A CN116822125A (zh) | 2023-03-07 | 2023-03-07 | 基于虚拟现实的个性化交互式车道级可变限速优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116822125A true CN116822125A (zh) | 2023-09-29 |
Family
ID=88128273
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310222637.4A Pending CN116822125A (zh) | 2023-03-07 | 2023-03-07 | 基于虚拟现实的个性化交互式车道级可变限速优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116822125A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117698685A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种面向动态场景的混动汽车自适应能量管理方法 |
| CN117973080A (zh) * | 2024-03-28 | 2024-05-03 | 深圳前海壹路科技有限公司 | 一种基于混合现实的飞行仿真模拟方法及系统 |
-
2023
- 2023-03-07 CN CN202310222637.4A patent/CN116822125A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117698685A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种面向动态场景的混动汽车自适应能量管理方法 |
| CN117698685B (zh) * | 2024-02-06 | 2024-04-09 | 北京航空航天大学 | 一种面向动态场景的混动汽车自适应能量管理方法 |
| CN117973080A (zh) * | 2024-03-28 | 2024-05-03 | 深圳前海壹路科技有限公司 | 一种基于混合现实的飞行仿真模拟方法及系统 |
| CN117973080B (zh) * | 2024-03-28 | 2024-06-04 | 深圳前海壹路科技有限公司 | 一种基于混合现实的飞行仿真模拟方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Du et al. | Comfortable and energy-efficient speed control of autonomous vehicles on rough pavements using deep reinforcement learning | |
| CN112896170B (zh) | 一种车路协同环境下的自动驾驶横向控制方法 | |
| CN116822125A (zh) | 基于虚拟现实的个性化交互式车道级可变限速优化方法 | |
| CN116432448B (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
| CN114067561B (zh) | 城市快速道路车路协同主动管控系统的虚拟现实测试方法 | |
| CN114117829B (zh) | 极限工况下人-车-路闭环系统动力学建模方法及系统 | |
| CN112201033B (zh) | 一种道路交通运行主动管控策略选择方法 | |
| Liang et al. | Comprehensive identification of driving style based on vehicle's driving cycle recognition | |
| Chen et al. | Towards human-like speed control in autonomous vehicles: A mountainous freeway case | |
| Chen et al. | Advanced driver assistance strategies for a single-vehicle overtaking a platoon on the two-lane two-way road | |
| Liu et al. | Real-time comprehensive driving ability evaluation algorithm for intelligent assisted driving | |
| CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| CN111143936A (zh) | 一种高速公路螺旋隧道圆曲线半径推荐值的计算方法 | |
| Qiang et al. | Traffic flow modeling in fog with cellular automata model | |
| CN114863708B (zh) | 一种面向营运车辆的道路合流区路侧实时精准诱导方法 | |
| CN116798238A (zh) | 一种交叉口网联自动车辆协调控制优化方法及装置 | |
| CN112785863B (zh) | 基于K-Means和熵加权的并道决策分类预警方法 | |
| CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
| Fan et al. | Role of vehicle trajectory and lateral acceleration in designing horizontal curve radius of off-ramp: a driving simulator based study. | |
| CN115447605A (zh) | 自动驾驶车辆及其控制方法及控制装置 | |
| Wang et al. | Driver modeling based on vehicular sensing data | |
| Zhang et al. | Classification of Driving Modes Based on Driving Styles under Natural Environment | |
| Cui et al. | Human-like Behavior Decision Making Method for Intelligent Vehicle Considering Driver Characteristics | |
| CN117152951B (zh) | 一种基于断面交通流参数的可变限速群体遵从度预测方法 | |
| Wen et al. | Analysis of vehicle driving styles at freeway merging areas using trajectory data |
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 |