网联混合流高速公路车道管理及通行能力分析

为提高网联混合交通流环境下高速公路基本路段通行能力,需针对车流量、网联自动驾驶车辆(CAV)比例制定与之匹配的车道管理策略。针对低CAV比例环境下CAV专用车道闲置浪费的问题,提出了一种CAV优先车道管理策略。利用跟驰模型推导了混合交通流基本图模型,构建了人工驾驶车辆(HV)专用车道、CAV专用车道、混行车道及CAV优先车道通行能力模型,分析了高速公路不同车道组合方案适用的交通需求范围。然后,以双向4车道高速公路为例,基于SUMO仿真平台分析了CAV优先车道性能,对不同车道组合方案的通行能力和适用范围进行了仿真验证,并从效率、安全及能耗角度对车道组合方案进行了比较。结果表明:在适用性方面,CAV比例p≤0.5时,两条混行车道适用的交通需求范围最大,CAV优先车道次之,CAV专用车道最小;在效率方面,p≤0.5时,设置CAV专用车道方案的效率最差,CAV优先车道表现较好,且p越小优先车道效率提升越显著;在安全、能耗方面,设置CAV专用车道方案的能耗和安全性能较佳,CAV优先车道次之;在p>0.5时,设置CAV专用车道方案的综合表现更优;在多种车道管理方案均可行时,相比于两条混行车道方案,采取其他车道管理措施在安全、能耗上的表现均有提升;在需求D≤2500 veh/h,p≤0.5时,相比于其他车道方案,采用CAV优先车道方案既能满足通行需求、降低能耗,也能更充分地利用道路资源,综合表现均衡。

高原山区双车道公路超车车道设置条件与参数

为给高原山区双车道公路超车车道的设计提供参考依据,针对高原山区双车道公路超车车道设置的几何条件、交通量条件与设置长度开展研究。通过工程实例验证了模型的有效性,进行了超车车道长度与运行速度的相关性研究。首先,结合高原山区条件的影响,从保证超车车辆驾驶人舒适度的角度出发,给出了高原山区双车道公路超车车道的最小圆曲线半径值;其次,从车辆转向安全行驶的角度出发,给出了超车车道的最大上坡和下坡坡度条件;然后,建立了双车道公路交通冲突时间与交通量、设计速度的关系模型,并给出了各设计速度下设置超车车道的交通量条件;最后,基于VISSIM仿真试验数据,利用多元非线性回归法构建了高原山区双车道公路超车车道长度模型。结果表明:在高原山区环境下,当双车道公路的设计速度分别为80,60,40 km/h时,满足设置超车车道要求路段的交通量应大于392,364,318 pcu/h;平面圆曲线半径应大于610,370,200 m;下坡方向的最大纵坡分别为―2.4%,―2.7%,―3.2%;上坡方向的最大纵坡分别为2.6%,3.0%,3.5%;在同一交通量条件下,随着双车道公路超车车道长度的增加,小客车的平均运行速度呈现出逐渐增大的趋势,当超车车道长度达到一定值时,平均运行速度维持在80 km/h,不再发生明显变化。

基于逆透视变换的车道线激光精准检测方法

车道线检测作为智能汽车安全驾驶的主要研究方向,能够在汽车偏离车道时及时发出预警,有效缓解交通拥挤、安全问题,但常规方法易受光照强度、阴影等环境因素影响,限制其使用范围,且检测误差较大。为此,提出基于逆透视变换的车道线激光精准检测方法。该方法选用RS-LiDAR-16激光雷达作为车道数据采集装置,借助逆透视变换、顶视图空间坐标系转换各激光点数据,利用最大类间与最小类间方差算法找出激光点反射强度最佳阈值,作为车道表面及车道线数据判断依据,通过二值化算得出车道线各点数据,凭借最小二乘拟合法将这些数据拟合成线,最终检测出车道线。实验结果表明,所提方法车道线检测精准度高,逆透视变换降低了环境对检测结果的干扰。

考虑安全性提升的非机动车道划分研究与评价

非机动车道中混合行驶的自行车和电动车很容易发生交通冲突,进而导致交通事故,本文从交通安全的角度,研究非机动车道划分方法。首先,依据规范标准,确定自行车道划分模型。然后,建立车辆宽度与非机动车道宽度的关系以及车辆宽度与路段通行能力的关系模型,确定电动车道划分模型。之后,选取北京市昌平区老城某路段,依据建立的自行车和电动车车道划分模型,分别确定自行车和电动车车道宽度和车道数,使2种骑行者各行其道。最后将设计方案进行VISSIM仿真,得到非机动车道优化前后的路网评估结果,检验方案的可行性。结果表明,优化设计方案能有效降低非机动车运行延误、停车次数等,提升非机动车道运行效率。

基于数据驱动的快速路合流区加速车道长度的研究

设计长度合理的加速车道能有效地缓解快速路合流区频繁出现的交通瓶颈问题,因此采用数据驱动方法对快速路合流区的加速车道长度进行研究。利用无人机设备测取了快速路合流区的交通数据,从交通流特性及车辆汇入行为这两个角度对实测数据进行分析,得到了合流区车辆的驾驶行为;根据合流区交通流特点,对数据集进行聚类分析,使用生成对抗式网络训练不同合流区汇入行为车辆的跟驰换道模型,并与实测数据和SUMO仿真软件中内置模型进行对比分析;应用生成对抗式网络模型进行交通环境仿真,选取速度、交通密度、交通冲突率指标建立奖励评价函数,得出了加速车道长度设计的推荐值。研究结果表明:采用主线车辆提前减速和向内侧车道换道这两种手段,可实现协同换道避让匝道汇入的车辆;相比SUMO软件内置模型,生成对抗式网络模型更加贴近实际情况;仿真得出的单车道平行式加速车道长度分别在100、80、60 km/h情况下的推荐值为280、240、200 m。

高速公路收费站ETC/MTC混合收费车道通行能力计算模型研究

分析了ETC/MTC混合收费车道入口ETC车辆占比αE和连续到达ETC车辆排队长度w对混合收费车道平均服务时间tS的影响;对SHAKER模型进行了修正,并对修正SHAKER模型参数进行了标定,建立VISSIM仿真模型对修正SHAKER模型的有效性进行了验证;分析了ETC/MTC混合收费车道通行能力与ETC车辆占比之间的关系,提出了考虑车辆平均服务时间的ETC/MTC混合收费车道入口通行能力估计模型,并与余弦函数模型进行了对比分析。结果表明:不同ETC车辆占比下,ETC/MTC混合收费车道入口通行能力修正SHAKER模型计算值和VISSIM模型仿真值的相对误差ε<10%,在允许范围之内,验证了修正SHAKER模型的有效性;ETC/MTC混合收费车道通行能力随着驶入混合车道ETC车辆占比的增大而增大;与余弦函数模型相比,笔者提出的估计模型更能反映ETC/MTC混合收费车道的交通运行特性。

考虑车道间差异和上下游断面关联的快速路交通流量预测方法

在现有的交通流量预测研究中,并未充分考虑断面道路内不同车道间的交通流量差异性以及上下游断面交通流量相关性。研究了结合主成分分析法(principal component analysis,PCA)与长短期记忆神经网络(long short-term memory,LSTM)的快速路交通流量预测框架,可以满足智能网联技术实时性和准确性的需求。收集城市快速路的交通流量数据,应用快速傅里叶变换方法(fast fourier transform,FFT)进行数据预处理,以提高原始数据的可预测性能;通过PCA方法对车道间的横向及纵向交通流量进行特征融合,建立车道间交通流量的关联性数据,以降低数据维度;并将关联性数据融入到LSTM模型中,进行车道级交通流量预测并汇总其预测结果,得到断面交通流量的预测值。选取武汉市三环线上的城市快速路卡口检测数据对本文方法进行验证。结果表明:考虑车道间差异和上下游断面关联的模型能够提高断面交通流量的预测精度,相较于仅考虑时间特征的断面交通流量预测结果,平均绝对误差、均方根误差和平均绝对百分比误差分别能降低6.66%,6.23%,17.51%;与单独考虑上下游断面关联性或者车道间差异的断面交通流量预测结果相比均具有更好的预测效果,在平均绝对误差、均方根误差和平均绝对百分比误差上的优化幅度,最低可降低1.53%,最高可降低12.88%;此外,所提的模型相较于支持向量机回归(support vector regression,SVR)和随机森林(random forest,RF)算法具有更高的预测精度;并且在分时段预测中,在晚高峰和平峰时段预测精度表现更佳。

信控交叉口公交专用车道动态共享实时控制方法

针对目前交叉口拥堵、公交专用车道利用率低的问题,提出一种信控交叉口公交专用车道动态共享实时控制方法。利用GPS定位实时获取交叉口处公交车的位置,并通过交通检测设备获取专用道内小汽车车辆数,结合主信号显示情况综合计算当前时刻公交专用道共享前后交叉口车辆总延误。将延误大小判断结果反馈给车道信号,车道信号显示红灯或绿灯以提醒司机是否能够进入公交专用道。引入受影响车辆概念,建立以减少交叉口车辆总延误为目标的公交专用车道共享控制模型。通过对当前时刻主信号显示红灯和显示绿灯两种情况分析,提出一种综合考虑车辆司乘系数、受影响车辆的交叉口延误计算方法,得到共享公交专用车道前后交叉口车辆总延误差值的表达式。利用示例数值模拟在多种不同场景下车道信号的显示情况,分析了专用道内已有车辆、公交车位置以及主信号显示情况对车道共享的影响。结果表明:该控制方法较符合实际情况,并能有效提高公交专用车道利用率,能够充分利用交叉口绿灯时间,为解决公交专用车道的动态共享、缓解道路拥堵提供了一种新的思路。

LSTR算法的改进及在车道线检测中的应用

基于Transformer的车道预测LSTR(Lane Shape Prediction with Transformers)算法在检测车道线时存在缺少捕捉局部特征的能力和多头注意力机制中头数多余的问题.本文提出了改进LSTR算法的车道线检测方法,首先在最后一个编码器中前馈网络的后面引入CBAM(Convolutional Block Attention Module)注意力机制模块,充分利用通道和空间上的信息,捕捉特征图中更多的细节;然后对解码器中的掩码多头注意力机制进行剪枝,使用掩码单头注意力机制来进行替换,以便更多关注前一时刻的车道线信息.改进后的LSTR算法在TuSimple数据集上准确度为96.31%,明显高于PolyLaneNet(Lane Estimation via Deep Polynomial Regression)等算法,在CULane数据集上比原始算法的F1评分上升了2.11%.

融合CBAM注意力机制与可变形卷积的车道线检测

为满足自动驾驶及汽车高级驾驶辅助系统(ADAS)对车道线检测准确性和实时性的要求,提出一种融合卷积块注意力机制(CBAM)与可变形卷积网络(DCN)的车道线检测方法CADCN。在特征提取模块中嵌入CBAM注意力机制,增强有用特征并抑制无用特征响应;引入可变形卷积替换常规卷积,用带偏移的采样学习车道线的几何形变,提高卷积核的建模能力;基于行锚分类思想,对行方向上的位置进行选择和分类分析,预测车道线的位置信息,提高车道线检测模型的实时性。在车道线公开数据集上对所提CADCN方法进行训练及验证,在满足实时性的情况下,CADCN方法在TuSimple数据集上准确率达到96.63%,在CULane数据集上综合评估指标F1平均值达到74.4%,验证了所提方法的有效性。

基于深度学习的低光环境车道线检测算法仿真

车道线检测研究是保证车辆自动驾驶安全的基础,但当下研究中存在低光环境车道线检测稳定性差,准确率低的问题,为此提出一种基于改进BFA-Retinex光照补偿深度学习算法,提高图像重点区域的光照水平,通过提取并融合车道线纹理与直方图特征,构建出BRI-SVM低光车道线检测识别模型。模型包括图像补光模块、特征融合模块与车道线检测模块三个模块。BRI-SVM模型首先对Lll低光车道数据集进行灰度化与标准化处理,然后采用改进双边滤波算法提高图像光照基准;接着提取优化图像中的H与G特征,并将二者有机融合;最后基于数据驱动的方法,以深度学习与SVM算法为核心,构建出BRI-SVM模型,并采用交叉验证的方式提升模型性能。多类融合算法模型的仿真结果表明,在Lll低光数据集上,与其它模型相比,BRI-SVM模型的稳定性能与综合性能最高,特征值分别达到96.1%与96.3%,较传统算法分别平均提升了24.4%和23.8%;此外,所构建的模型具有较好的检测时效性与检测准确性,在所有模型评价中排名第2。综上所述,基于改进BFA-Retinex算法的低光照环境下车道线检测模型在具有最高鲁棒性与稳定性的同时,大幅度提高了车道线检测的准确性与时效性。

混合流下非机动车道基本需求宽度的设计

为弥补在非机动车道设计方面对电动自行车考虑不足的情况,有必要对由人力/电动自行车组成的饱和混合流下非机动车道基本需求宽度进行研究。以非机动车饱和混合流为研究对象,从非机动车的物理运动宽度组成出发,通过构建多重线性回归模型分析了非机动车物理运动宽度的影响因素,对分类自变量进行组合筛选;建立了不同组合类型下的非机动车速度与运行摆幅、路侧安全净距线性模型,得到性别为女性、年龄为老年和车型为电动自行车为最不利组合的结论;根据非机动车道的85%位运营速度确定最不利组合下的非机动车物理运动宽度,进而确定非机动车道基本需求宽度;针对非机动车道宽度合理性验证的准确性问题,从稳定性角度提出了运用速度熵来验证基本需求宽度合理性的方法,并以多条非机动车道路段为例进行了实测验证。研究结果表明:在隔离栏和划线下,非机动车单车道基本需求宽度分别为1.65、1.50 m;在绿化带、隔离栏和划线下,非机动车两车道基本需求宽度分别为2.90、2.80、2.65 m。在同一车道数和隔离方式下,车道宽度越宽,交通流速度熵越高;随着非机动车道宽度增加,以基本需求宽度为拐点,非机动车道的交通流速度熵变化幅度增大,稳定性更差。

基于消失点引导透视变换的车道线检测算法

目的为解决车道线的位置会随着车辆或相机的偏移发生变化而导致车道线检测准确率低和适应性差的问题,提出了一种基于消失点引导透视变换的车道线检测算法。方法首先,采用自适应消失点坐标引导更新透视变换矩阵,将车道图像转换为车道线保存完整的鸟瞰图;其次,将其颜色特征和边缘特征进行融合,得到精准的二值化图像;最后,根据直方图分析定位车道线的基点,采用滑动窗口搜索的方法提取候选的车道线像素,然后对搜索到的车道线像素进行多项式拟合。在不同的道路场景下测试算法的性能,并与其它同类算法进行对比分析。结果仿真结果表明,算法的准确率为94.12%,平均每帧耗时85.35ms,在检测精度和速度方面优于对比的算法。结论该算法能有效解决车道线位置的改变对车道线检测性能的影响,具有更高的准确率和较好的适应性,在阴影遮挡、车道破损、恶劣天气等复杂道路环境的检测下,表现出良好的鲁棒性。

基于轻量化U^(2)-Net的车道线检测算法研究

针对车道线遮挡、道路阴影等多车道驾驶环境下提取的车道线特征信息缺失造成预测车道线模糊、不连续等问题,提出一种基于轻量化U^(2)-Net的车道线检测算法。首先,以轻量化U^(2)-Net的残差U形模块(RSU)和多特征尺度融合获得全局信息丰富的车道线特征;其次,对车道线特征进行逐像素阈值判断,并选择最小二乘法结合感兴趣区域(ROI)中车道线簇进行车道线的拟合,实现多车道线检测并确认自车道线区域;最后,在图森(TuSimple)数据集上进行验证与分析。验证结果表明,所提出的车道线检测算法的平均准确率达到98.4%,相比于其他车道线检测网络,该算法的网络参数量较少,准确率较高。

激光点云特征与知识规则协同的车道线提取

实现车道线高效的检测提取是自动驾驶领域中亟待攻克的关键技术之一,众多基于视觉方案的检测算法由于图像数据的特点存在一定局限性,如天气光照影响成像质量、难以兼顾弯道直道等。本文结合三维激光点云优势与道路知识规则提出了一种车道线自动提取算法。首先,通过多次强化道路边界高程差异获取路面点;其次,简化Isodata算法,自适应地得到反射强度滤波阈值;然后采用随机一致性算法检测直线聚类得到候选车道,将候选车道映射成二维矢量并通过类间距约束提取正确车道线;最后,基于相邻关键特征点对的向量拓扑关系一致性实现车道线拓扑重构,得到对应现实世界中意义完整的车道线。算法在车道线达5~6条的情况下,召回率达92.46%,准确率达94.79%,综合评价指标达92.41%,实验结果证明了方法的有效性和可行性。

融合坐标注意力机制的车道线检测算法研究

车道线检测是智能驾驶中的一项关键技术,快速准确地检测出车道线位置对提升驾驶车辆的安全具有重要的意义。因此,提出改进的行方向位置分类车道线检测方法,在特征提取主干网络中融合了坐标注意力机制,增强特征图中的有效位置的权重,其次引入ELAN模块、MP下采样模块,提升模型特征提取的能力;在推理的时候利用结构重参数化的思想,将卷积和BN层融合,加快推理速度。为了验证改进模型的性能,将改进的模型在TuSimple和CULane两大经典车道线数据集上进行实验验证,检测的精度与原模型相比分别提升了0.09%和2.5%,验证了模型改进的有效性。

循环多特征信息融合法:一种基于深度学习的车道线检测方法

车道线检测是辅助驾驶和自动驾驶的核心技术之一。为了进一步增强车道线特征的提取能力,提出了一种基于深度学习的循环多特征信息融合车道线识别算法。针对模型计算效率问题,该算法将车道线检测问题视为基于行选择单元格的分类问题;针对图像中车道信息聚合问题,提出了一种新的循环多特征信息聚合(recurrent multi-feature information aggregator,RMFA)方法,并将该方法与残差神经网络(residual neural network,ResNet)相结合提出融合上下文及多通道信息的车道线识别网络ResNet-RMFA。将该网络模型在Tusimple和CULane公开数据集上进行了性能测试,实验结果表明该模型单帧图像的推理时间可达4.8 ms,在Tusimple数据集上的精确度为96.07%,在CULane数据集上的F_(1)(IoU=0.5)评分为69.3%,达到了速度与精度的良好平衡。

面向城市道路的智能网联汽车多车道轨迹优化方法

为提高城市路网下智能网联汽车的通行效率以及燃油效率,提出面向城市道路的多车道时空轨迹优化方法。首先,结合多车道时空位置关系定义智能网联汽车状态与约束,综合考虑通行效率与燃油经济性构建时空轨迹复合优化模型,并采用庞特里亚金极大值算法进行求解。然后,本文设定协同换道的规则,并通过Q-learning算法获取最优的换道策略。最后,通过SUMO/Python联合仿真验证了该方法可以在不同车辆饱和程度、绿信比状态及最低通行速度条件下有效提高通行效率,且燃油效率得到明显改善。

基于注意力机制与线锚信息传递的车道线检测

车道线检测是自动驾驶领域的关键技术,目前仍面临较多挑战。车道线监督信号的稀疏性以及复杂场景下的遮挡、阴影等因素会影响检测的准确率与实时性。基于此,提出了一种融合CBAM注意力机制与线锚特征聚合模块的车道线检测模型,提出的算法在Tusimple和CULane数据集分别达到96.19%的准确率和76.24%的综合F1得分,通过实车测试表明,该算法检测帧率为67 fps,可以在复杂交通场景下进行实时检测,较好地解决了车道线遮挡问题。

基于元胞自动机的航站楼离港车道边停车容量评估研究

航站楼车道边是旅客实现陆空转换的关键节点,其规模对陆侧交通的正常运行有着至关重要的作用。针对航站楼离港车道边送客车辆的个体行为,基于元胞自动机提出一种改进型离港车道边停车容量仿真模型并利用实测数据对模型的准确性进行验证,最后利用文中模型分析了不同停车方式及停靠时间对停车容量的影响。试验结果表明,仿真结果与实测数据基本一致,可用于评估离港车道边停车容量;在车道边规模不变的前提下,竖向停车方式可以显著增加车道边停车容量;两种停车方式的车道边停车容量都随停靠时间的增加而减小。