智能网联测试场混合交通流仿真研究

智能网联汽车的出现为解决交通问题提供了新的技术手段。通过智能网联汽车与交通控制协同策略消除交通冲击波的生成和传播影响是提高交通效率与安全的有效手段之一。研究对混合流下的智能网联车辆速度控制与可变限速控制以及两者的协同控制模型与机制,通过搭建测试场数字孪生感知平台,获取测试场高环区域内的实时混合交通流数据,并构建协同控制模型框架与最优化求解办法,探究协同管控策略在测试场高环场景下对交通效率与安全的实际效果。通过仿真实验,对比交通效率、安全等核心指标,显示的协同控制策略对测试场交通流碰撞时间分布数据优化了50%以上,对当前场景的总行程时间优化超过20%,为智能网联车辆控制优化交通流提供解决思路。

航拍视频车辆检测目标关联与时空轨迹匹配

高解析度轨迹数据蕴含丰富车辆行驶与交通流时空信息。为从航拍视频中提取车辆轨迹,构建了车辆检测目标跨帧关联与轨迹匹配融合方法。采用卷积神经网络YOLOv5构建视频全域车辆目标检测,提出车辆动力学与轨迹置信度约束下跨帧目标关联算法,建立了基于最大相关性的断续轨迹匹配与融合构建算法,实现轨迹车辆唯一编号。将轨迹从图像坐标转换为车道基准下Frenet坐标,构建集合经验模态分解(EEMD)模型进行轨迹数据噪声消除。采用南京市快速路无人机拍摄的2组开源航拍视频,涵盖拥堵与自由流交通状态,对轨迹提取算法进行效果测试。结果表明,在自由流和拥挤条件下轨迹准确率分别为98.86%和98.83%,轨迹召回率为93.00%和86.69%,构建算法的轨迹提取速度为0.07 s/辆/m。该方法处理得到的详细车辆时空轨迹信息能为交通流、交通安全、交通管控研究提供广泛的数据支撑,数据公开于http://seutraffic.com/。