考虑时延和多前车反馈的智能网联汽车跟驰模型

针对智能网联环境下传感器感知和车车通信(vehicle to vehicle,V2V)都存在时延的问题,提出一种考虑双时延和多前车反馈(dual delay multiple look-ahead full velocity difference,DD-MLFVD)的智能网联汽车跟驰模型.根据智能网联汽车感知特性引入双时延信息,结合多前车速度差和期望速度信息提出DD-MLFVD模型.通过微小扰动法求解DD-MLFVD模型的临界稳定性条件,同时结合模型参数研究前车数量和时延大小对模型稳定域的影响.利用直道场景对模型进行仿真分析,着重研究变扰动和变时延场景下DD-MLFVD对交通流的稳定效果.结果表明:面对复杂扰动影响,DD-MLFVD模型能够较好吸收扰动,可提升交通流的稳定性.

考虑多前车位置及分位数速度差跟驰模型稳定性分析

为探究交通流特性对车辆跟驰行为的影响,基于分位数回归方法对跟驰模型进行改进,通过稳定性分析方法利用车头间距描述交通拥堵情况。根据分位数回归方法对模型中的优化速度函数进行改进,并将其应用于考虑多前车位置及速度差跟驰模型,使模型可以通过分位点的变换,在仿真过程中模拟不同驾驶风格的车辆。运用傅里叶变换理论推导出该模型的线性稳定性条件,并通过摄动法求得其修正Korteweg-de Vries(mKdV)方程的解,根据车头间距的扭结-反扭结解描述交通拥堵的变化情况。分析对比考虑不同因素的跟驰模型的稳定性临界曲线,为评估改进模型的有效性,搭建环形车道仿真平台并对改进模型进行数值实验。结果表明:在仿真实验中,随着分位点的增加,改进模型达到稳定状态的平均速度逐渐增加,车速分别为9.57、12.58、14.76 m/s;相比原模型,改进模型能够实现更少的位移波动,位移差最小为1.05 m;在混合模型实验中,随着激进驾驶风格车辆数量的增加,改进模型与多速度差模型相比,车队整体的平均速度达到12.42 m/s,位移波动能够达到稳定状态。

考虑驾驶员记忆的多前车速度差跟驰模型研究

为了探究驾驶员记忆和多前车速度差对交通流的影响,本文基于全速度差模型(full velocity difference model,FVDM),结合驾驶员记忆因素和多前车对跟驰车的作用,构建了一种考虑了驾驶员记忆和多前车速度差的跟驰模型。通过改进模型的线性稳定性特征,得出改进模型的稳定性条件。再对改进模型下的车流启动和制动过程进行仿真,并与FVDM的仿真结果作对比。然后采用微小扰动法对改进模型进行数值仿真,研究驾驶员记忆因素和多前车速度差对交通流稳定性的影响。最后,利用下一代仿真(next generation simulation,NGSIM)数据标定了改进模型的参数,并预测了其加速度。研究结果表明:驾驶员记忆在一定程度上不利于交通流的稳定,而多前车速度差对稳定交通流具有积极作用;与FVDM相比,改进模型的启动延迟和制动延迟分别降低了10.0%和19.0%,预测精度更高,均方根误差降低了24.3%。

基于多前车最优速度与加速度的网联车跟驰模型

考虑车辆跟驰存在的延时性与传递性,基于网联车的智能感知与协同交互,提出一种基于多前车最优速度与加速度的网联车跟驰模型,并利用线性稳定性分析方法推导所提出模型的临界稳定性判别条件。以环形道路车队过程施加扰动为例,根据加速度敏感系数ω_i和多前车数k设计数值模拟实验,结合速度和车头距等参数分析不同ω_i和k取值条件下的车队行驶稳定性。模型稳定性分析表明,所提出模型在引入多前车最优速度与加速度项后,具备更优的稳定区域,且考虑前车数k越多、加速度敏感系数ω_i越大,则模型的稳定性越好。数值模拟分析表明,所提出模型相比FVD,OVCM和MHOV模型,当加速度敏感系数ω_i和前车数k取值合理时(ω_i=0.3且k=4),车队速度和车头距的波动幅度相对较小,由此说明所提出模型能较好地吸收扰动且有利于增强车队行驶稳定性。

考虑后视和多前车信息反馈的车辆跟驰模型

为改进车联网环境下车辆跟驰模型的稳定性,在经典OVCM模型基础上考虑后视效应、多前车速度差和多前车最优速度记忆综合信息对交通流稳定性能的影响,提出一种基于后视和多前车信息反馈的扩展车辆跟驰模型。根据线性稳定性分析法得出模型的中性稳定性判断条件,并进行数值仿真实验与分析。实验结果表明,在扰动初始条件设置一致下,所提模型相比于OV、FVD、OVCM模型,交通流稳定区域增大,速度波动幅度减小,特别是考虑的前车数k、后视敏感系数λi和记忆效应敏感系数γi取值为k=3,λi=[0.2,0.15,0.1],γi=[0.1,0.08,0.06]时,车辆的平均速度波动率低于0.1%,由此说明,所提模型能有效减少扰动影响,增强交通流的稳态保持。