混有智能网联车队的交通流基本图模型分析

为了探究高速公路混有智能网联车队交通流特性,构建了混合交通流中不同类型车辆随机分布特性的数学解析表达;考虑期望车头间距随速度动态变化的交通流特性,建立了混合交通流中不同类型车辆的跟驰模型.基于此,推导了混有智能网联车队的交通流基本图模型,并对模型参数渗透率p和最大车队规模的敏感性进行了分析.仿真结果表明,随着p值的增加,道路交通流通行能力随之提升,当p<0.3时,渗透率增加对于混合交通流通行能力提升效果并不显著;而当p>0.5时,混合交通流通行能力随着渗透率增加提升效果显著.另外,随着智能网联车辆的渗透率p增加,车队规模的限制对交通流通行能力的影响越来越明显,当p<0.5时,车队规模宜保持在4~6之间,而p接近1时,车队规模增大对通行能力的提升效果更加显著.

混入智能网联车队的混合交通流元胞自动机模型

针对现有自动-手动驾驶混合交通流元胞自动机模型未考虑智能网联车队队列行为,提出了考虑智能网联车队的混合交通流元胞自动机模型,研究混入智能网联汽车车队的混合交通流特征。对混合交通流中的跟驰行为进行了分析,基于跟驰行为的特征,分别构建人工驾驶跟驰模式、自适应巡航模式、协同自适应巡航车队模式的元胞自动机规则,基于数值仿真实验对不同智能网联车渗透率下的混合交通流特性及拥堵情况进行了分析。结果表明:智能网联汽车的应用可显著提高道路通行能力和车辆平均速度,进而有效地缓解交通拥堵。

基于区块链的智能网联车队协同轨迹预测系统

自动驾驶汽车技术近年来得到了广泛研究与快速发展,但在复杂的交通场景下,自动驾驶汽车面对突然出现的行驶车辆并不能及时避让。针对此问题,基于区块链技术提出智能网联车队的协同轨迹预测系统,智能网联车队中的各个节点与路边基础设施通过长短时记忆网络(LSTM)模型对周边车辆的运动轨迹进行预判,并将得到的结果进行分享,利用区块链技术,智能网联车队与路边基础设施可以对其接收到的信息进行评分,并将汇总后的评分以区块的形式加入存储信誉评分的区块链中。通过该评分,智能网联车队中的车辆可以根据车队中其他节点的信誉值来判断其是否可信,低信誉值节点传来的信息将不予理睬,从而实现了协同驾驶。实验分析表明,所提LSTM模型能够较为准确地预测周边车辆5 s内的行驶轨迹,而所提的系统在提升智能网联车队的行驶安全上起到了明显的效果。

基于模型预测控制的智能网联车队异步避障策略

有效避障规划是保证智能网联车队行驶安全性的前提。文章提出一种基于模型预测控制(model predictive control,MPC)的智能网联车队异步避障策略,以解决智能网联车队规避障碍物时的横向控制问题。首先运用人工势场理论建立周围交通参与物和道路的势场,并由全局规划模块及感知模块获得目标车道和车速信息;其次基于模型预测控制器综合考虑人工势场、目标车道与车速以及车辆动力学限制进行多目标控制,以实现车队的避障规划,智能网联车队采用异步避障策略降低行车风险以及道路的占用面积;最后基于MATLAB/Simulink与TruckSim的联合仿真平台建立多个避障场景,包括单障碍物避障和多障碍物避障,对比车队的同步避障策略与异步避障策略的性能表现。结果表明,文章提出的基于MPC的智能网联车队异步避障策略能够有效提升车队行驶的安全性,证明该方法可行且优越。

多源时变延误下考虑信息同步的智能网联车队控制策略

为解决多前车-后车通信拓扑结构车队中多源时变信息延误影响下的车队稳定性问题,本文提出一种考虑信息同步的智能网联车队控制策略。为此,首先梳理车队中车辆间交互存在的信息延误方式,设计追溯时间项,应用线性前馈-反馈控制器构建状态信息同步的车辆跟驰控制器模型。其次,采用关于间距误差的l2范数稳定性概念,应用控制领域的频域法推导确保车队稳定性控制的稳定性条件。最后,基于推导条件,通过数值计算给出不同通信结构和固定时距下确保车队稳定性的控制参数组合区域。针对领队车周期性震荡和自然驾驶震荡场景,采用数值仿真实验分析所提出的控制策略对于提升车队稳定性的有效性,以及针对减速场景下车队系统的安全表现进行验证。结果表明:对于相同通信结构,车辆控制参数的可行区域随固定时距的增大而变大;提供信息的车辆越多,临界固定时距越小,当控制参数范围为[0,2]时,提供信息的车辆数为1、2和3所对应的固定时距临界值分别为0.43 s、0.24 s和0.16 s;扰动实验结果验证了应用信息同步策略有效抵消延误影响从而保证间距误差随扰动传播而衰减;在加速度为-3.0 m/s^(2)和-4.0 m/s^(2)的减速情况下,基于TIT数值可知信息同步策略能够降低碰撞风险分别超过48%和45%;在加速度为-5.0 m/s^(2)情况下,采用信息同步策略不会发生追尾事故,表明信息同步策略对于紧急制动情况的有效性。基于信息同步的车队控制策略能够为智能网联车队应用提供理论支撑。

智能网联车辆组队与离队行为对混合交通流影响特性分析

针对智能网联车队的组队和离队场景从宏观基本图与微观跟驰行为2方面进行建模:首先在宏观层面,研究含有智能网联车队的混合交通流组态概率分布,紧接着对网联车渗透率p以及车队长度S这2个重要参数分别研究其对混合交通流通行能力的影响;其次,从微观角度出发,分别对车队的组队场景和分离场景进行仿真研究其微观运行状况。结果表明:当网联车渗透率为1时,道路通行能力可达到3777辆/h,是不含车队交通流通行能力的1.5倍以上;车辆组成车队所需的时间主要受车间距离以及车队规模影响;车队分离场景的效率以及稳定性均高于组队场景。研究结论可支撑未来车队动态演化过程的研究,同时也可为车队的宏观与微观运行管理提供理论支撑。

利用通行能力余量的智能网联车队生态驾驶模型

针对非饱和城乡交通干道上存在通行能力余量和高燃油消耗的问题,提出一种利用通行能力余量的智能网联车队生态驾驶模型,该模型兼顾燃油经济性和通行能力两个目标,通过优化求解获取最优速度曲线,引导一系列小型车队平滑地通过非饱和城乡交通干道。提出近似的速度优化模型并采用遗传算法对其求解。定义3种控制方案对模型进行测试,仿真结果表明:与方案1相比,方案2燃油消耗量减少49.4%,通行能力增加200%,绿灯剩余时间减少14.7%;方案3燃油消耗量减少59.5%,通行能力增加200%,绿灯剩余时间减少23.5%。与方案2相比,方案3可以在不影响通行能力的前提下,通过绿灯剩余时间缩短10.3%和平均速度降低5.2%,燃油消耗量可以减少20%。结果表明,当信号交叉口存在通行能力余量时,可以通过调整车辆的行驶速度曲线以充分利用通行能力余量,明显改善燃油经济性。

基于改进智能驾驶员模型的车队纵横向协同控制

为了研究弯道、超高及坡度等道路几何设计参数对智能网联车队纵横向协同控制的影响,设计了一种以车辆纵向速度作为纵横向运动耦合变量的协同控制系统,其中纵向跟驰控制的上层加速度模型采用改进智能驾驶员模型反映道路几何设计参数对车辆跟驰行为的影响,结合下层逆纵向动力学模型实现对引导车辆的速度跟随;横向轨迹控制采用预瞄距离基于耦合速度变化的单点预瞄模型实现对引导车辆的轨迹跟踪,并设计滑膜控制器提高轨迹跟踪精度。搭建了Carsim/Simulink联合仿真平台,采用加减速、双移线和匝道工况验证了该协同控制系统纵横向及其协同控制性能。结果表明:该纵横向协同控制系统具有良好的纵向跟驰性能和较高的横向轨迹跟踪精度,对引导车辆速度和加速度皆保持较高的跟随精度,行车间距与速度变化呈正相关,且速度稳定时行车间距趋于稳定,同时该控制系统的转向角与Carsim内置转向模型一致性较高且转向平滑,侧向偏移量均小于0.2 m,且采用滑膜控制的轨迹跟踪精度更高;采用IIDM的协同控制系统组成的智能网联车队对道路几何设计参数的纵横向响应比采用IDM的车队更为显著,具体表现为减速行为更明显,行车间距增加0.55 m,且转向角减小,平均侧向偏移减少2.51×10m,更有利于车队整体安全性。

基于马尔科夫优化的移动边缘计算车载网络任务卸载

针对集中式车载网络不能满足移动用户需求的问题,将移动边缘计算引入车载网络,以增强车辆的计算能力,提升服务质量,并有效地解决任务传输过程的丢包、时延问题;对移动边缘计算网联式车队资源分配和任务卸载展开研究,建立移动边缘计算车载网络系统模型,将车辆计算任务分配至相邻车辆节点和移动边缘计算服务器进行任务卸载计算;构建马尔科夫优化过程,利用车辆节点状态转移获取所有计算任务决策方案,通过选择不同传输路径的条件概率,计算数据传输的成功概率,比较任务执行周期的总时长,获得任务分配和卸载的最优方案;采用MATLAB软件构建边缘计算环境中车载网络任务分配和卸载的仿真模型,研究不同任务量、不同时间段时3种资源分配和任务卸载方法的总时长。结果表明,马尔科夫优化方法能够有效地减少任务执行总时长,提高网络资源利用效率。