车路协同下带诱导车速的单车道改进NS模型

面向车路协同环境,基于一维元胞自动机模型提出了一种带诱导车速单车道改进NS模型。分析了车路协同交通环境中可交互的基本车辆信息。根据前后车辆的位置、速度制约关系和邻近阻塞点位置等信息类别,以及在此信息交互条件下将对车辆运行产生的影响,在单向不发生换道的假设下,设计了不同车辆关系下的诱导车速模型,并基于诱导车速模型对NS模型进行了改进。根据实际道路条件,在不同车辆密度条件下,对所建模型进行了数值模拟。数值仿真结果表明:遵守诱导速度对车辆进行控制,能够在车辆密度小于0.4 pcu/km的路况中获得较好的平均速度和平均流量;但当车辆密度大于0.4 pcu/km时,由于同步相的增多,改进NS模型中平均车速和流量均不能优于当前微观交通流现状。不同遵守率仿真结果说明:在同等车流密度条件下,当遵守车速诱导的车辆比率下降,则诱导车速的有效性也发生下降。理论和数值结果均表明:在未来交通环境中的信息交互条件下,车辆的运动规律将发生改变。根据此改变所提改进NS模型能够较好地揭示车路协同条件下单车道环境中的微观交通现象,为未来智能交通提供理论基础。     

基于Darknet框架下YOLO v2算法的车辆多目标检测方法

针对道路车辆目标检测传统方法需随场景变化提取不同特征, 检测率较低与鲁棒性差的问题, 提出了一种基于Darknet框架下YOLO v2算法的车辆多目标检测方法; 根据目标路段场景与车流量的变化对YOLO-voc网络模型进行改进, 基于ImageNet数据集和微调技术获得分类训练网络模型, 对训练结果和车辆目标特征进行分析后进一步调整改进的算法参数, 最终获得更适合于道路车辆检测的YOLO-vocRV网络模型下车辆多目标检测方法; 为验证检测方法的有效性和完备性, 采用不同车流密度进行了车辆多目标检测试验, 并与经典YOLO-voc、YOLO9000模型进行了对比; 采用改进YOLO-vocRV网络模型, 选取20 000次迭代, 分析了多目标检测结果。试验结果表明: 在阻塞流样本条件下, YOLO9000网络模型检测率为93.71%, YOLO-voc网络模型检测率为94.48%, 改进YOLO-vocRV网络模型检测率达到了96.95%, 因此, 改进网络模型YOLOvocRV检测率较高; YOLO-vocRV模型精确度和召回率均聚集在0.95, 因此, 在获得较好精确度的条件下损失的召回率明显较小, 达到了很好的折中; 采用混合样本训练后, 基于YOLO-vocRV模型的车辆多目标检测方法的检测率在自由流状态下可达99.11%, 同步流状态下可达97.62%, 阻塞流状态下可达到97.14%, 具有较小的误检率和良好的鲁棒性。