智能网联车专用道内队列控制模型

在智能网联车与人工驾驶车辆混合通行的场景中,为提高混行交通流的通行效率,提出了一种智能网联车专用道内车辆按编队行驶的队列控制模型。根据快速路道路条件和智能网联车的运行模式,通过分析智能网联车专用道内前后两车的运动过程,构建了智能网联车车队创建、加入和巡航控制模型,并求解出专用道内智能网联车形成编队行驶的最优策略。为验证队列控制模型的有效性,利用SUMO仿真平台搭建单车道和多车道仿真场景,模拟智能网联车在专用道内形成车队的过程,统计分析车流的通行效率,其中单车道仿真结果显示,相比于传统CACC跟驰模型,队列控制模型能将车辆编队时间减少23.06%;多车道仿真结果显示,当CAV渗透率在23.22%~40%时,队列控制模型下的车辆平均行程时间缩短17%。这表明在智能网联车专用道内,队列控制模型能更有效地利用专用道的空间资源,从而缩短车辆编队时间,提高智能网联环境下混行交通流的通行效率,故可用于混行交通流下智能网联车专用道的设置。

利用激光点云的智能网联汽车自主换道横向避障

通过智能网联汽车自主换道横向避障设计,提高车辆自主驾驶安全性能,提出基于激光点云的智能网联汽车自主换道横向避障方法,构建基于全激光雷达的无人驾驶系统的汽车行驶环境激光点云数据采集模型,通过激光雷达激光点云图像检测方法实现对智能网汽车行驶环境感知。结合障碍物检测、车道线检测、可行驶区域检测的方法,分析智能网联下汽车换道障碍物和车道的相关性特征量,通过激光点云的自主寻优方法寻找边界点直到搜索路径达到阈值,再结合直线道路模型和车道线连续性原则实现对汽车自主换道横向避障规划设计。仿真结果表明,采用该方法进行汽车自主环控避障,在5 s时达到收敛状态,障碍物坐标识别误差距离低于0.7,并且该方法的识别精度达到了0.970以上,提高了车道信息的感知能力,准确高效地估计可行驶区域,提高车辆避障能力。

高速公路网联自动驾驶专用车道物理基础设施设计方法研究综述

为深入探究网联自动驾驶专用车道的物理基础设施设计对交通性能的影响,从专用车道的部署条件、专用车道的接入方式、以及专用车道与普通车道的分隔方式等3个方面进行梳理,明确了现有研究的理论基础与实践进展,构建了这些方面对交通系统性能的影响关系框架,并指出了当前研究中存在的空白和未来研究的发展方向。结果表明:目前对网联自动驾驶专用车道部署条件的研究主要聚焦在交通效率上,缺少对交通安全的评估,且不同的研究假设导致了研究结果的差异,在未来研究中需要对部署条件进行精确评估;有关接入方式的研究则显示常规的自由接入和有限接入各有优势,但2种接入方式的优势条件有待进一步检验,建议借鉴高载客率车辆(high occupancy vehicle,HOV)专用车道接入方式的设计,在网联自动驾驶专用车道场景下对其进行重新评估;有关分隔方式的研究显示需要确认网联自动驾驶专用车道与普通车道的分隔方式对人类驾驶员适应性行为的影响,以确保驾驶者能够有效适应专用车道的部署。总体而言,目前研究虽有一定进展,但由于缺乏实际的道路案例与部署效果验证,基于仿真的方法由于假设等方面的差异使得研究结论有较大的分歧。未来的研究应重点聚焦在网联自动驾驶行为的精确化、横纵向对比研究、以及量化网联自动驾驶专用车道设计对安全效率的影响等方向进行改进。

基于安全裕度的网联自主汽车换道行为风险量化及动态平衡模型

伴随车联网技术的发展,道路交通流呈现智能网联自动驾驶汽车与传统人工驾驶车辆混合共存发展态势,研究网联新型混合车流换道驾驶行为的风险特性极其重要。基于安全裕度理论,建立了换道行为风险量化模型,采用故障树分析法,推导换道的时间和空间风险,进行时空融合的风险评定量化,以判断车辆是否处于安全变道状态,并动态平衡车辆换道行为可能存在的风险。运用SUMO软件对建立的量化模型进行仿真验证分析,碰撞时间倒数与瞬时风险系数均值分别下降0.1与0.05,同时变化趋势趋于稳定。安全裕度风险量化模型使换道风险得到了有效控制的同时,交通流的稳定性得到了较大提高,可保障未来网联环境中自主驾驶车辆队列的稳态运行,从而提高交通容量和交通效率。

考虑自动驾驶专用道和组合管理策略的通勤行为建模及分析

考虑自动驾驶背景下新型多模式通勤方式并存的情景,设置存在自动驾驶汽车专用道,即传统汽车与自动驾驶汽车分离出行的双车道交通系统,基于瓶颈模型进行建模,分析实施可交易电子路票与鼓励合乘组合管理策略前后对路票市场价格、通勤者出行方式选择和自动驾驶汽车内生渗透率的影响,并以系统总成本改善效果最佳为目标,协同优化组合管理策略参数。研究表明:实施组合管理策略后,路票市场价格可唯一确定;部分独驾通勤者转向合乘出行,系统总车辆数减少,两车道的早高峰持续时间均缩短,交通拥堵得到改善;存在满足特定关系的组合管理策略参数使得系统总成本改善最佳,且能够得到系统最优时的私人自动驾驶汽车和共享自动驾驶汽车的市场渗透率。研究可为未来城市交通管理提供新的思路。

网联自主车辆协作换道行为博弈特性及模型

为了更加深入了解在车联网环境下车辆之间的动态交互博弈关系,基于自动驾驶车辆换道存在协作交互决策的自主特性,建立了网联自主驾驶车辆的协作换道行为模型。协作换道行为模型将换道决策过程的交互博弈时间作为换道的主要安全影响因素,速度收益作为换道博弈优化目标,运用SUMO仿真对比分析传统换道模型与协作博弈换道模型。仿真结果表明,协作博弈换道模型具有更好的速度收益、安全性和稳定性。异质车群中的网联自主车辆存在协作换道行为特性,博弈换道模型科学地表征了换道动态博弈过程,且具有很好的稳定性。

基于可达性分析的网联自主车辆换道安全轨迹规划与仿真

为解决网联自主车辆在换道时前车向目标车道紧急变道所引发的交通安全问题。通过考虑车道线与道路边界约束以及网联自主车辆与障碍车辆的碰撞风险,建立了换道临界碰撞模型。综合考虑换道临界模型与多项式规划方法,规划带安全约束的换道轨迹。进一步为降低网联车辆紧急避障的反应时间,提高避让轨迹的动态响应效果,采用可达性分析方法搜索出安全区域,使用多项式规划安全避让轨迹。最后针对具体的实际交通场景,使用MATLAB对规划轨迹进行数值仿真分析,仿真结果表明换道轨迹满足安全性、舒适性以及换道效率的约束,所规划的避让轨迹在牺牲部分舒适性的前提下能够满足安全性的要求,降低车辆面对突发情况的安全风险。

异质流网联车的不同换道集聚策略

为研究车联网环境下异质交通流的演变规律,首先,引入相对熵定量描述异质流的有序性,并分析有序性与智能网联车(connected and autonomous vehicle,CAV)市场渗透率、协同自适应巡航控制(cooperative adaptive cruise control,CACC)队列数之间的内在联系,推导得出智能网联车渗透率的增加及队列数的减少可以提升异质流的有序性;其次,提出了保守型集聚(conservative aggregation,CSA)、激进型集聚(radical aggregation,RDA)两种改进的智能网联车集聚换道策略,并通过元胞自动机仿真实验,从通行能力、相对熵和平均队列长度等方面比较了无集聚(no aggregation,NOA)、常规集聚(conventional aggregation,CVA)、CSA、RDA 4种换道策略的优劣;最后,在CSA换道策略中分析了不同最小队列规模限制对于通行能力的影响.研究结果表明:在双车道环境下,采取集聚换道策略能使智能网联车形成CACC队列,使异质流趋于“有序”,在20~95辆/km密度范围内提升通行能力;相比NOA换道策略,CSA、RDA换道策略分别最大提升道路通行能力12.6%、14.0%,但当智能网联车市场渗透率为0.8时,RDA换道策略导致最大通行能力反而降低25.8%;根据相对熵对异质流中智能网联车辆集聚程度的定量描述,NOA、CVA、CSA、RDA 4种换道策略对智能网联的集聚能力依次递增;在CSA换道策略中,CACC最小队列规模取4辆时道路通行效率达到最佳.

基于全连接条件随机场的车道线检测方法

【目的】优化车道线检测结果中的噪声区域,提高边缘分割精度。【方法】提出一种深度学习算法与后处理方法相结合的新方法;引入全连接条件随机场(Fully Connected CRFs)算法对ENet-SAD算法输出的车道线概率图进行修正,并将概率图与原图进行拟合,得到车道线检测结果;将新的检测算法在自建数据集及CULane数据集上进行训练及测试。【结果】在自建数据集上,新算法在常规、强光、阴影、遮挡4种场景下的F1分数分别为90.0%、73.1%、81.5%、76.6%;在CULane数据集上,该算法在常规场景下的F1达到了91.0%。【结论】所提出的车道线检测算法能适应多类场景,是一种有效的车道线检测算法。

基于博弈论的网联自动驾驶车辆协同换道研究

为改善频繁、不合理的换道行为,提升行车舒适感,以网联自动驾驶车辆为研究对象,提出一种舒适安全的换道策略。该策略主要包括单车期望换道和多车协同换道。在传统换道激励模型的速度收益函数中引入舒适性收益,建立换道总收益优化模型,进行单车换道可行性判断;针对网联自动驾驶车辆换道决策之间可能存在冲突的问题,采用双矩阵法构建基于博弈论的多车协同换道策略;最后,在Matlab仿真环境中验证。结果表明,所提换道策略在提高换道稳定性和安全性的基础上可以较大地改善行车舒适性,降低交通流的整体制动幅度。

Traffic signal coordination control for arterials with dedicated CAV lanes

Purpose–This study aims to make full use of the advantages of connected and autonomous vehicles(CAVs)and dedicated CAV lanes to ensure all CAVs can pass intersections without stopping.Design/methodology/approach–The authors developed a signal coordination model for arteries with dedicated CAV lanes by using mixed integer linear programming.CAV non-stop constraints are proposed to adapt to the characteristics of CAVs.As it is a continuous problem,various situations that CAVs arrive at intersections are analyzed.The rules are discovered to simplify the problem by discretization method.Findings–A case study is conducted via SUMO traffic simulation program.The results show that the efficiency of CAVs can be improved significantly both in high-volume scenario and medium-volume scenario with the plan optimized by the model proposed in this paper.At the same time,the progression efficiency of regular vehicles is not affected significantly.It is indicated that full-scale benefits of dedicated CAV lanes can only be achieved with signal coordination plans considering CAV characteristics.Originality/value–To the best of the authors’knowledge,this is the first research that develops a signal coordination model for arteries with dedicated CAV lanes.

智能网联混行环境下交叉口时空资源配置优化

在网联自动车辆(CAVs)与人工驾驶车辆混行环境下,构建混合整数线性规划(MILP)模型,以优化交叉口时空资源配置.该模型以交叉口通行能力最大化为目标,约束条件主要包括车道渠化、流量分配和信号配时等相关约束.以典型四车道十字交叉口为例,在网联自动车不同驾驶行为和不同渗透比例的条件下,优化交叉口渠化方案和信号配时方案.结果表明,随着网联自动车占比和跟驰行为的改变,交叉口最优渠化方案和信号配时方案须相应调整.网联自动车占比增大和跟车时距减小,均有利于提高交叉口的通行能力,且当网联自动车跟车时距不受前车类型的影响时,交叉口通行能力提高更多.

高速公路施工区自动车辆行驶轨迹优化方法

为改善高速公路施工区路段车辆运行状态,建立了一种集合优化换道比例和可变跟车时距的换道控制策略。通过引入交通运行效率和冲突风险目标函数并进行在线求解,从而对施工区车辆行驶轨迹进行优化,提高了车辆的平顺性。在网联自动车环境下,以施工区上游路段车辆平均速度为目标函数,借助遗传算法遍历交通流状态集合,求解换道比例,以此调整施工区上游车辆分布。以施工区汇入路段车辆交通效率和冲突风险为可变跟车时距模型的目标函数,调用CPLEX/Matlab求解器得到汇入路段可变跟车时距。为了在线计算和可视化建立了Matlab/Vissim_COM的仿真平台,通过Matlab编程技术以单步仿真的方式提取Vissim车辆信息,将CPLEX求解器和Vissim的封装环境以函数调用的方式与遗传算法结合,对车辆信息进行优化计算和参数反馈。在总仿真次数达到400次时,模型控制得到最优。结果表明,与未实施控制相比,在最优控制中,当仿真时长达到800 s时,每条车道交通量输入达到700 veh/h,优化效果较为明显,即全局车辆在汇入路段"曝光"次数减少,车辆行驶轨迹变的"平滑",全局运行速度提高了48%,速度标准差的变化幅度降低,全局车辆的速度离散性得到改善,以后侵入时间表征冲突风险,冲突次数降低了39%,高速公路施工区车辆运行状态得到了改善。

混合交通下智能网联车借道公交专用车道控制

为研究含人工车的混合交通流下部分智能网联车借道城市公交专用车道的控制问题,以两个信号交叉口间公交专用车道为研究对象,提出以不妨碍公交车优先通行、满足换道动机和换道安全条件的智能网联车借道公交车道控制策略。基于公交车道控制预测模块设计智能网联车进入和离开公交专用道规则,采用改进最小化由换道引起的所有制动模型计算的收益作为智能网联车换道时激励准则。期望跟随车类型若为人工车时,目标车辆礼让系数取1;妨碍公交优先必须离开公交道时,满足安全规则即可。通过具体仿真实验予以验证,结果表明:本方法在高交通需求下,与不允许借道控制方法、基于清空距离公交专用车道控制方法对比,人均延误分别减少60%和40%,车均延误分别减少65%和32%,渗透率在30%~40%范围内控制效果显著。

智能网联汽车自主换道控制策略与仿真

针对城市复杂路况下智能网联汽车频繁换道过程中的平顺性差以及跟踪精度低等问题,提出了基于模型预测控制(MPC)理论的轨迹跟踪控制方法,对智能网联汽车在执行自主换道时的轨迹规划和轨迹跟踪进行了研究。根据车载传感器对周围环境检测识别结果,采用5次多项式进行车辆换道轨迹规划,利用MPC理论的轨迹跟踪控制方法设计轨迹,使跟踪控制器对轨迹跟踪不断滚动优化,并搭建了CarSim与Simulink联合虚拟仿真平台进行仿真实验。结果表明:在城市复杂路况中,智能网联汽车在一定车速范围内使用该方法进行频繁换道时,车辆的平顺性和跟踪精确度均较好。

基于深度强化学习的自动驾驶车辆专用道汇入引导

为满足自动驾驶车辆(CAV)与人工驾驶车辆混行过程中安全和效率的需求,自动驾驶车辆专用道应运而生。当高速公路内侧车道设为自动驾驶车辆专用道时,引导自动驾驶车辆从普通车道汇入至专用道的策略研究具有重要的理论意义和实际价值。首先,设计专用道入口并提出车辆控制规则;其次,以使更多自动驾驶车辆换道至专用道为目标,基于深度强化学习,选择换道信号动作引导车辆换道;最后,通过Python语言编译进行数值仿真验证。结果表明:在自动驾驶车辆渗透率、到达专用道自动驾驶车辆比例等不同因素构建的9种场景下,本文算法能够快速收敛;能够有效引导自动驾驶车辆汇入专用道,保证通行效率;相较无信号控制情况,渗透率为20%~40%时,第2车道交通拥堵显著减少;在两段式专用道入口场景下,CAV换道至专用道的比例比单入口场景明显提高。所提出的策略具有较好的适用性,能为工程建设提供参考借鉴。

考虑自动驾驶专用车道的混合交通分配模型

面向网联自动驾驶车辆(Connected and Automated Vehicles,CAV)与人工驾驶车辆(Human Driven Vehicle,HDV)混行的交通模式,研究部署自动驾驶专用车道(Lanes for Connected and Automated Vehicles,CAVL)环境下的混合交通网络均衡演变规律。考虑CAV在通行能力、时间价值和节能方面的优势,建立了面向不同属性车道的车辆出行成本计算函数,克服了传统BPR函数无法表征CAV特性的问题;提出了面向混合交通流的车道管理策略,并建立了路段交通量分配模型,为混合交通流下的道路通行能力计算提供了基础。假定CAV受中央系统调控而遵循系统最优的路径选择原则,而HDV用户根据自身驾驶经验而遵循用户最优的路径选择原则,基于此构建了CAVL环境下的混合交通均衡模型,并运用改进的连续平均法求解该模型。数值分析结果表明:同时考虑CAV对道路通行能力和用户时间价值的效益,CAV渗透率达到40%时,出行时间成本降低12%。同时发现CAVL与通用车道的设计速度相同时,当渗透率大于31%,部署CAVL才能降低时间成本。通过Nguyen-Dupuis网络测试分析发现:由于CAV行驶稳定和CAVL的优势,为达到系统最优,CAV流量主要沿CAVL路段流动;当交通需求分别为7000 veh·h^(-1)和15000 veh·h^(-1)时,CAV渗透率由20%增大至60%,系统成本分别降低4.12%和46.38%。研究成果为深度刻画混合交通网络流量分配奠定了基础,也为自动驾驶专用车道的优化部署提供了理论指导。

网联自动驾驶车辆混合交通流专用道管控方法

分析了网联自动驾驶车辆(CAV)混合交通流中各车辆类型及其跟驰模式下的车头间距,从通用性混合交通流特征层面理论推导了各车头间距模式的概率表达式,从而对混合交通流进行了数学描述;以混合交通流整体通行流率最大为目标,计算了多车道混合交通流中一个CAV专用道的设置条件以及专用道设置后CAV交通流在专用道和混合道上的最优交通流分配比例,将一个CAV专用道情形推广至多个CAV专用道动态管控的一般性情形,构建了混合交通流专用道动态管控的分析方法;应用案例分析论证了CAV专用道管控方法的有效性。研究结果表明:在交通需求为2000 veh·h^(-1)时,各CAV渗透率阶段均无需设置CAV专用道;在交通需求为3000 veh·h^(-1)时,需在CAV渗透率为0.2~0.4的阶段下考虑设置CAV专用道;在交通需求为5000 veh·h^(-1)时,需考虑在各CAV渗透率阶段下设置CAV专用道;提出的CAV专用道管控方法可根据交通需求和车道总数等条件定量化计算不同CAV渗透率阶段下的最优CAV专用道数量以及CAV交通流最优分配比例,且交通需求能够影响反映CAV专用道设置条件的临界CAV渗透率范围,交通需求和车道总数量可分别从交通需求属性和道路空间属性方面促进最优CAV专用道数量的提升,符合多车道场景混合交通流CAV专用道管控的特性。

自动驾驶汽车连通专用道网络设计问题研究

[目的]现有自动驾驶汽车专用道设计模型不能保证设立的专用道彼此相互连通,将导致自动驾驶汽车频繁驶入驶出专用道。这不仅增加自动驾驶汽车的走行时间,也会增加与有人驾驶车辆的相互干扰,降低整个交通系统的性能。基于此建立了一个自动驾驶汽车连通专用道网络设计模型,用于设计连通的自动驾驶汽车专用道网络,保证无人驾驶汽车只使用专用道即可完成出行。[方法]提出的自动驾驶汽车连通专用道网络设计模型是一个离散双层规划模型,上层问题以系统总出行时间最小为目标,决策在哪些路径上设置自动驾驶汽车专用道;下层问题描述自动驾驶汽车连通专用道条件下有人驾驶汽车与自动驾驶汽车的均衡配流问题。由于所提模型的特点,基于模拟退火算法设计了求解算法,并通过数值试验验证了算法的有效性。[结果]通过数值分析发现即使在自动驾驶汽车的市场占有率较低时,所提连通专用道方案仍然可以有效减少系统总出行时间。[结论]当自动驾驶汽车在市场占有绝对份额后,应设立有人驾驶汽车的连通专用道,允许自动驾驶汽车自由使用剩余车道。这样既能保证有人驾驶汽车的路权,也能充分发挥自动驾驶汽车提高道路通行能力及减少系统总出行时间的潜力。

基于混行跟驰仿真的CAV专用进口道动态设置方法

信号交叉口是影响交通系统运行安全和效率的关键。在国家新基建战略的提出以及车路协同技术不断发展的环境下,合理设置网联自动驾驶车辆(Connected and Autonomous Vehicle, CAV)专用进口道,对信号交叉口进口道处不同网联类型的车辆进行科学的交通组织,能够提高交叉口的通行能力,降低行车延误,促进城市交通系统效率与安全的双提升。建立协同自适应巡航控制(Cooperative Adaptive Cruise Control, CACC)车辆跟驰模型和GM(General Motor)模型分别描述混行环境下网联车辆与非网联车的跟驰行为,以提高进口道通行能力、降低延误和油耗为优化目标,采取敏感度分析方法,提出不同CAV比例、进口道车道数、交通量和信号配时方案组合情况下CAV专用进口道的动态设置条件,适用于不同交通状况的信号交叉口,具有较强的普适性。数值仿真结果表明:采用该方法设置CAV专用进口道能够提高混行信号交叉口的通行能力、降低延误和车均油耗;在实际应用时,可视交叉口类型和交通智能化程度灵活选取CAV专用进口道设置方式,为混行交通流环境下交叉口进口道的交通组织优化提供理论依据和模型支持,对车路协同系统的相关研究具有参考意义。