考虑CAV自主停车行为的混合交通均衡配流模型

为了评估网联自动驾驶汽车(CAV)的自主停车行为对交通系统效率的影响,建立了CAV通勤流、人工驾驶汽车(HDV)通勤流、CAV自主停车流3类交通流混行下的交通均衡配流模型.通过引入CAV停车需求内生变量,考虑CAV对路段通行能力的提升效应,从而定量描述CAV停车需求分布以及3类交通流在路段上混行的拥挤效应.分别采用用户均衡、随机用户均衡原则描述CAV、HDV出行者的路径选择行为,采用Logit离散选择模型描述自主停车CAV的停车场选择行为,由此建立多用户混合交通均衡条件以及等价的变分不等式(VI)模型.由于模型中CAV自主停车需求为未知的内生变量,提出一种改进的相继加权平均法求解该模型.最后,通过算例验证了混合交通均衡配流模型及求解算法的有效性.

基于MFD的快速路新型混合交通流特性分析

为探究智能网联车辆(CAV)与人工驾驶车辆混行情况下快速路的宏观交通流特性,研究了CAV渗透率对快速路宏观基本图(MFD)的影响规律.首先,利用MFD临界点和拥堵拐点的特征属性,构建考虑CAV渗透率的MFD分段拟合模型;其次,从拥堵持续时间、拥堵严重程度和MFD迟滞现象3个方面分析CAV渗透率对快速路拥堵过程的影响;最后,采用SUMO搭建仿真环境,对提出方法进行验证.结果表明:提出的分段拟合方法在拟合优度及跟踪MFD临界点上均优于三次拟合方法;CAV的引入并不会消除快速路MFD的迟滞现象,但其持续时间会随着CAV渗透率的增加而降低;快速路拥堵严重程度随CAV渗透的增大而降低,当CAV渗透率超过0.5时,拥堵的改善效果开始减弱.

网联车对抗神经网络跟驰模型

针对当前混行交通流场景下网联车对前车速度变化的实时性、安全性和车队稳定性较差的状况,提出一种由生成模型和辨别模型构成的网联车生成式对抗网络车辆跟驰模型(GANVFM)。其中,生成模型提取跟驰参数中的前车速度、跟驰车速和相对车距计算生成加速度;辨别模型对生成模型生成的加速度参数进行相似度计算,并通过更新函数加以更新。采用速度和加速度的均方差σ、追尾预测因子γn和跟驰状态因子φn作为对应的指标,对车辆的实时性、安全性和车队的稳定性进行分析。实验结果表明:GANVFM的σ和γn均最小,GANVFM对前车速度变化的实时性和安全性高;随着网联车渗透率δ的升高,φn降低、车队长度缩短,车队稳定性提高。

智能网联车辆混行交通流中灯语意图识别模型研究

为使混行交通流下智能网联车辆(Connected and Automated Vehicles, CAV)实现对人工驾驶车辆(Human-driven Vehicle, HV)前照灯灯语意图(Vehicle Headlights Intention, VHI)的识别,弥补车对车(Vehicle to Vehicle, V2V)和鸣笛意图识别技术的不足,更好地与HV交互沟通,提出CAV对HV的VHI识别模型.模型包括:灯光感知、光数据处理、VHI识别3个模块,灯光感知模块通过RGB(Red-Green-Blue, RGB)和HSV(Hue-Saturation-Value, HSV)颜色空间感知前照灯(Vehicle Headlights, VH),采用KLT(Kanade-Lucas-Tomasi Tracking,KLT)和车辆匹配算法定位跟踪发出灯语的HV;光数据处理模块采用光通道增益算法计算光辐射通量变化;VHI识别模块基于双层隐马尔可夫模型(Double-layer Hidden Markov Model,DHMM)辨识VH闪烁次数和HV行驶状态,实现VHI识别.在3种灯语示意典型场景下的实验结果表明:1 s内VH感知准确率为96.8%,定位跟踪精度小于1°,VHI识别率为96.6%,满足混行交通环境下CAV对HV驾驶意图的识别要求,基本保证实时性,为混行交通流中CAV自动驾驶决策提供理论依据.

面向人机混驾环境的交叉口车辆通行控制策略

依据网联自动驾驶车辆(connected and autonomous driving vehicle,CAV)与人工驾驶车辆(human driving vehicle,HV)的特点,针对人机混驾交通环境,基于通行锁法和可插车间隙理论建立交叉口车辆通行控制策略,利用城市交通仿真(simulation of urban mobility,SUMO)平台构建仿真环境对策略进行效果评估,以交通量和CAV渗透率为输入变量,进行了共计6种情景的52组交叉实验.结果表明:在CAV渗透率一定时,随着交通流量的增加,交叉口内可供CAV利用的通行机会减少,策略对于延误的降低效果逐渐减小;在交通流量一定时,策略的实施效果对于CAV渗透率变化较为敏感,高渗透率下CAV获得闲置时空资源的机会更大,交叉口车辆平均延误降低效果更明显;相较于传统信控策略,所提策略在低交通流量的低、中、高渗透率,中等交通流量的中、高渗透率,以及高交通流量的高渗透率情况下,均能够降低10%以上的车辆平均延误.所提出的策略可以作为人机混驾环境下交叉口常规信控策略的补充,对完全智能网联自动驾驶环境下的交叉口组织优化与管理也具有参考意义.

高速公路雾天人工和智能网联车混行交通流仿真

为提高雾天行车安全性,以智慧高速主线为研究对象,分析混行下能见度降低造成安全速度下降、智能网联车(CAVs)驾驶模式降级和换道动机趋于保守的驾驶行为变化情况,建立含纵向跟驰和横向换道规则雾天单向高速公路元胞自动机模型(CAM),通过仿真对模型予以校验,并分析交通流特性和事故概率。结果表明:轻雾、中雾、重雾和浓雾时,车辆降级占比为52.3%、60%、63%和67.3%,2 h换道次数为161、131、104.3和69(×10^(2) veh),自由流最大速度为90、76.8、62.6、46.8 km/h,临界密度为42、40、38、36 veh/km,且随渗透率变小愈加明显;事故概率随渗透率变大而大幅减少,渗透率达到50%以上时,事故概率较人工车辆(HVs)下降不低于52.9%。

基于跟驰模型的智能网联汽车混合交通流分析

针对人类驾驶车辆和智能网联车辆(CAV)混合的交通流,基于智能网联汽车跟驰特性,提出了一种灵敏度、平滑因子均可调的数学模型,用一个引理和一个定理来支持交通流稳定性标准,进行了一系列仿真模拟来分析车流量的稳定性。结果表明:在一定密度范围内,智能网联汽车交通流的稳定性强于混合交通流,且随着参数的增加,存在一个临界值。不同的灵敏度和平滑因子会影响交通流的稳定性,在一定边界条件下,随着灵敏度和平滑因子的增大,智能网联车流和混合交通流的稳定性均得到了增强。

网联混合流高速公路车道管理及通行能力分析

为提高网联混合交通流环境下高速公路基本路段通行能力,需针对车流量、网联自动驾驶车辆(CAV)比例制定与之匹配的车道管理策略。针对低CAV比例环境下CAV专用车道闲置浪费的问题,提出了一种CAV优先车道管理策略。利用跟驰模型推导了混合交通流基本图模型,构建了人工驾驶车辆(HV)专用车道、CAV专用车道、混行车道及CAV优先车道通行能力模型,分析了高速公路不同车道组合方案适用的交通需求范围。然后,以双向4车道高速公路为例,基于SUMO仿真平台分析了CAV优先车道性能,对不同车道组合方案的通行能力和适用范围进行了仿真验证,并从效率、安全及能耗角度对车道组合方案进行了比较。结果表明:在适用性方面,CAV比例p≤0.5时,两条混行车道适用的交通需求范围最大,CAV优先车道次之,CAV专用车道最小;在效率方面,p≤0.5时,设置CAV专用车道方案的效率最差,CAV优先车道表现较好,且p越小优先车道效率提升越显著;在安全、能耗方面,设置CAV专用车道方案的能耗和安全性能较佳,CAV优先车道次之;在p>0.5时,设置CAV专用车道方案的综合表现更优;在多种车道管理方案均可行时,相比于两条混行车道方案,采取其他车道管理措施在安全、能耗上的表现均有提升;在需求D≤2500 veh/h,p≤0.5时,相比于其他车道方案,采用CAV优先车道方案既能满足通行需求、降低能耗,也能更充分地利用道路资源,综合表现均衡。

网联自动驾驶车辆下匝道换道决策模型

为宏观刻画自动驾驶专用车道上的网联自动驾驶车辆(CAV)下匝道的行为,提出了混合交通流下基于安全风险的CAV下匝道换道决策模型;该模型将换道间隙选择过程抽象为成功换道或不成功换道的伯努利试验,并在此基础上建立了基于交通流理论的车辆换道成功率计算方法;提出了耦合换道安全与效率的下匝道换道决策成本函数,其中安全与效率的权重参数根据不同的驾驶模式确定,从而确定CAV最优的换道意图生成点,为CAV换道提供指令。数值分析结果表明:CAV下匝道成功率由换道准备距离、交通需求和CAV渗透率共同决定,成本函数随着CAV渗透率的变化出现明显的拐点;交通量为2400 veh·h^(-1)时,CAV的最佳换道意图生成点为距离下匝道入口1 km处;当交通量增加至4000 veh·h^(-1)时,最佳换道意图生成点为距离下匝道入口2.5 km处;当交通量大于6400 veh·h^(-1)时,需要提高CAV的侵略性才能高效驶出高速公路;成本函数随着CAV渗透率的增大先下降再升高,若渗透率低于拐点渗透率,则增加换道准备距离可以降低成本函数,若渗透率高于拐点渗透率,则需通过减小换道准备距离降低成本函数。仿真结果表明:交通需求和渗透率对车辆下匝道的安全性影响显著,渗透率由30%提升至60%,碰撞时间最大降幅为76.23%。