混行交叉口下智能车辆驾驶轨迹控制方法

考虑车辆之间的相互影响和交通环境的不确定性,且混行交叉口的路况较为复杂,导致驾驶轨迹跟踪控制误差较大。为此提出混行交叉口下智能车辆驾驶轨迹跟踪控制方法。构建智能车辆驾驶模型,在IDM场景计算车辆加速度,确定车速和安全距离。利用线性时变模型将智能车辆驾驶轨迹线性时变表达,并建立轨迹预测方程,求出预测时域状态量和输出量;构建驾驶轨迹限制条件,引入前轮转角的控制量、控制增量与重心偏移角度,通过构建目标函数,计算实际控制量,通过设定理想时间,获取时域内外纵速度,结合欧拉积分完成驾驶轨迹跟踪控制。仿真结果表明,所提方法驾驶轨迹跟踪控制误差小,保证智能车辆安全稳定运行。

智能网联环境下CAV混行车流集聚策略及分析

针对目前的交叉口控制方法无法适应于网联人工驾驶车辆(CHV)与网联自动驾驶车辆(CAV)的混行而导致冲突增多、效率下降的问题,提出了一种适用于主干路交叉口的基于多智能体系统(MAS)的CAV混行车流集聚控制模型(MTF-ACM).构建基于V2V(车对车)技术的混行车流集聚策略,以降低混行车流的随机性.设计虚拟动态预信号,通过时空同步机制对集聚车队进行速度诱导.根据主预信号协同配时策略,使集聚车队以最大可能不停车通过交叉口.研究结果表明:当CAV的市场渗透率(MPR)为60%时MTF-ACM取得通行能力的最佳效益;当交通流量临近饱和状态时,相较于无ACM和CAV-ACM,MTF-ACM平均延误时间和停车次数分别降低30%和50%以上,燃油消耗和CO_(2)排放分别减少20.59%和22.21%.

考虑多前车作用势的混行交通流车辆跟驰模型

基于自动驾驶车辆(AV)和常规人驾车辆(RV)混合行驶的情况,在全速度差(FVD)模型的基础上考虑了多前车和一辆后车的车头间距、速度、速度差、加速度差等因素,建立了适用于AV和RV 2种车辆的混行车辆跟驰模型;引入分子动力学理论定量化表达了周围车辆对主体车辆的影响程度;利用RV和AV混行场景跟车数据,以模型拟合精度最高为目标,对所有参数遍历寻优,进行标定;对比分析了混行车辆跟驰模型和FVD模型控制下交通流的稳定性,解析了车速对交通流稳定性的影响;设计了数值仿真试验,模拟了城市道路和高速公路2种常见场景,分析了混行车辆跟驰模型的拟合精度。研究结果表明:考虑周围多车信息有利于提高交通流的稳定性;车辆速度越低交通流稳定性越差;考虑多车信息的分子动力学混行车辆跟驰模型可以提前获得整个车队的运行趋势,更好地模拟AV的动力学特征;与FVD模型相比,在城市道路条件下混行车辆跟驰模型中的RV平均最大误差与平均误差分别减小了0.18 m·s^(-1)和13.12%,拟合精度提高了4.47%;与PATH实验室的ACC模型相比,在高速公路条件下混行车辆跟驰模型中的AV平均最大误差和平均误差分别减小了7.78%和26.79%,拟合精度提高了1.21%。可见,该模型可用于混行环境下AV的跟驰控制与队列控制,以及AV和RV的跟驰仿真。