CACC车头时距与混合交通流稳定性的解析关系

研究协同自适应巡航控制(Cooperative Adaptive Cruise Control，CACC)车头时距对不同CACC比例下混合交通流稳定性的影响关系，进而为CACC车头时距设计提供参考. 应用优化速度模型(Optimal Velocity Model，OVM)作为手动车辆的跟驰模型，PATH真车实验标定的模型作为CACC车辆的跟驰模型. 基于传递函数理论，推导混合交通流稳定性判别条件，计算关于CACC比例与平衡态速度的混合交通流稳定域. 分析混合交通流在任意速度下稳定所需满足的临界CACC比例与CACC车头时距的解析关系，提出随CACC比例增加的可变 CACC车头时距设计策略，并通过数值仿真实验验证所提可变CACC车头时距策略的正确性. 研究结果表明：在所提可变CACC车头时距策略下，CACC车头时距随CACC比例增加而逐渐降低，避免取值较大影响混合交通流通行能力的提升；当CACC比例大于35%时，混合交通流在任意速度下稳定.研究结果可为大规模CACC真车实验的实施提供理论设计参考.     

手动-自动驾驶混合交通流元胞传输模型

为了分析自动驾驶车辆对交通流宏观特性的影响, 以手动驾驶车辆与自动驾驶车辆构成的混合交通流为研究对象, 提出了不同自动驾驶车辆比例下的混合交通流元胞传输模型(CTM); 应用Newell跟驰模型作为手动驾驶车辆跟驰模型, 应用PATH实验室真车测试标定的模型作为自动驾驶车辆跟驰模型; 计算了手动驾驶与自动驾驶车辆跟驰模型在均衡态的车头间距-速度函数关系式, 推导了不同自动驾驶车辆比例下的混合交通流基本图模型, 计算了混合交通流在不同自动驾驶车辆比例下的最大通行能力、最大拥挤密度以及反向波速等特征量, 依据同质交通流CTM理论建立了不同自动驾驶车辆比例下的混合交通流CTM; 选取移动瓶颈问题进行算例分析, 应用混合交通流CTM计算了不同自动驾驶车辆比例下的移动瓶颈影响时间, 应用跟驰模型对移动瓶颈问题进行微观数值仿真, 分析了混合交通流CTM计算结果与跟驰模型微观仿真结果之间的误差, 验证了混合交通流CTM的准确性。研究结果表明: 混合交通流CTM能够有效计算移动瓶颈的影响时间, 在不同自动驾驶车辆比例下, 混合交通流CTM计算结果与跟驰模型微观仿真结果的误差均在52 s以下, 相对误差均小于10%, 表明了混合交通流CTM在实际应用中的准确性; 混合交通流CTM体现了从微观到宏观的研究思路, 基于微观跟驰模型与目前逐步开展的小规模自动驾驶真车试验之间的关联性, 混合交通流CTM能够较真实地反映未来不同自动驾驶车辆比例下单车道混合交通流演化过程, 增加了模型研究的应用价值。      

CACC车辆跟驰建模及混合交通流分析

建立协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车辆跟驰模型,并分析不同CACC比例下的混合交通流通行能力,尾部碰撞安全及交通排放.考虑车辆期望车头间距随速度动态变化的交通流特性,建立基于非线性动态车头间距策略的CACC跟驰模型,推导不同CACC比例下的混合交通流基本图模型,分析CACC提高通行能力的交通流运行机理.设计高速公路上匝道瓶颈数值仿真实验,评估不同CACC比例下的车辆尾部碰撞安全隐患,以及油耗、CO、HC、NOx的排放.研究结果表明,本文建立的CACC模型能够在交通流速度基本不变的情况下,以较高的交通流密度显著提升通行能力,同时有利于车辆尾部碰撞安全风险及交通排放的降低.     

基于比功率的自动驾驶交通流油耗分析

鉴于油耗与节约能源和车辆尾气排放直接相关，探究自动驾驶车辆对油耗的影响. 以手动驾驶车队与自动驾驶车队为数值仿真对象，在交通震荡环境下设计数值仿真实验. 对车队的车辆数量，车队初始速度，以及自动驾驶车辆的车间通信延时做参数敏感性分析. 基于机动车比功率的油耗评价模型，对仿真结果进行统计；相比于手动驾驶车队，计算自动驾驶车队平均油耗率的降低. 从交通流稳定性角度考察油耗降低与稳定性状态转变之间的内在关联性. 研究结果表明，自动驾驶车辆对油耗的降低幅度与车队初始速度有关，与交通流稳定性之间存在定性的影响关系，交通流的平稳性有利于显著改善车辆油耗降低的幅度. 研究结果可为大规模自动驾驶背景下的油耗控制策略提供理论参考.     

智能网联卡车车队混合流通行能力分析方法

智能网联卡车车队有望成为网联自动驾驶率先应用的场景之一，本文针对智能网联卡车车队混合交通流通行能力开展研究。首先，以智能网联卡车车队、人工驾驶卡车及人工驾驶小汽车构成的随机混合交通流为研究对象，考虑智能网联卡车车队规模空间分布特征，分析混合交通流中10种跟驰行为类型，理论推导其概率表达式，进而构建智能网联卡车车队混合交通流通行能力的通用性分析方法。然后，考虑实际交通流运行中卡车分布的随机性，将智能网联卡车车队混合交通流分为优势流、随机流和劣势流3种态势，以此提升混合交通流通行能力分析方法的普适性。最后，选择实测数据标定的跟驰模型进行案例分析，验证理论分析方法的有效性。研究结果表明：智能网联卡车比例提高或其车队规模增大均有利于3种态势混合交通流中车辆转换系数及相对熵的减小，从而可有效提升混合交通流通行能力。不同智能网联卡车比例条件下，智能网联卡车车队随机分布最优车队规模为2~4辆，同时，优势流、随机流和劣势流3种混合交通流通行能力依次递减。研究结果揭示了智能网联卡车车队混合交通流通行能力提升的内在机理，为未来智能网联卡车车队的运营管理提供方法支撑。     

智能网联环境下的混合交通流LWR模型

LWR（Lighthill,Whitham and Richards,LWR）模型可推演交通流宏观状态演化过程,在智能网联环境下混有协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）车辆混合交通流LWR模型的研究,可为该混合交通流的宏观动力学特性分析提供理论工具。应用加州伯克利PATH真车试验验证的CACC模型作为CACC车辆跟驰模型,采用智能驾驶人模型（Intelligent Driver Model,IDM）模拟驾驶人在智能网联环境中的"智能"驾驶特性。基于不同CACC车辆比例下的混合交通流基本图,证明混合交通流基本图的切线斜率为交通波在混合车队中传播的波速,建立混合交通流LWR模型的一般性解析框架,得到混有CACC车辆的混合交通流LWR模型。最后,针对LWR模型冲击波特性,在6组平衡态条件下进行数值仿真试验。研究结果表明：所建立的混合交通流LWR模型可较好地描述不同CACC车辆比例时冲击波在混合车队中的传播波速;冲击波波速理论值与仿真均值的相对误差基本控制在10%以内,当冲击波处于由正向波转变为反向波的过渡阶段时,相对误差较大,为19%~26%,但绝对误差仍然较小。研究结果一方面可为混有CACC车辆的交通流宏观状态演化提供理论参考,具有推动该混合交通流其他宏观模型研究进展的积极作用;另一方面,建立的混合交通流LWR模型解析框架能够适应CACC车辆与人工-网联车辆跟驰模型选取的多样性,同时可为其他类型混合交通流LWR模型的建立提供理论支撑。     

基于火焰区域跳动特性的高速公路隧道火灾火焰检测方法

为了准确检测高速公路隧道火灾火焰,提出一种基于火焰区域跳动特性的火焰检测方法,其利用小波变换的高频敏感性来分析高速公路隧道视频火焰区域的高度变化特性。首先对视频图像进行背景更新,提取运动区域并滤除移动车辆的灯光干扰;然后在HSI颜色模型下识别出类似火焰颜色的疑似区域。疑似区域变化是火焰跳动特性的直接体现,故基于这一特点,对连续多帧图像疑似区域的高度变化曲线进行小波分解,并利用小波高频分量系数的局部极大值数量来判断视频图像中是否存在火焰。仿真试验结果表明,此种算法具有很高的准确性和有效性。     

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2 000 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3 000 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5 000 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...     

基于视频的单车道车辆逆行检测方法

针对城市单车道车辆逆行违章检测问题,研究了基于视频的单车道车辆逆行违章自动检测方法。使用背景差分法进行车辆检测;用 Harris角点特征补充Mean-shift算法的颜色特征,提高车辆跟踪精度,以此得出被跟踪车辆的运动轨迹;通过计算机对运动轨迹进行分析,自动地判断其是否为逆行。从逆行检测正确率和计算量两方面进行了对比实验,实验结果表明,该方法对车辆逆行检测效果良好。车辆平均逆行识别率达到约87.55%,与对比方法基本相当;在计算时间方面,文中方法平均每帧计算时间比对比方法少约1956ms,更具快速性。      

考虑多前车反馈的智能网联车辆跟驰模型

基于智能网联车辆(Connected Autonomous Vehicle, CAV)跟驰特性,本文研究CAV跟驰模型.考虑多前车电子节气门角度反馈,构建CAV跟驰模型,并应用稳定性分析方法,推导所提模型稳定性判别条件.以考虑3辆前导车的CAV跟驰模型为例,设计数值仿真实验,分析不同CAV比例时混合交通流的安全性.模型稳定性分析表明：所提模型相比已有模型(CAV的T-FVD模型及常规车辆FVD模型)具备更优的稳定域,且考虑前车数量越多、多前车反馈权重系数越大,所提模型的稳定性越好;相同取值条件下,距离越远处的前车反馈权重系数对所提模型稳定性的影响越大.数值仿真表明,CAV有利于降低交通流的车辆尾部碰撞安全风险.