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;...     

基于元胞自动机的竞争型换道模型

为研究车辆在换道过程中存在的互不相让、相互竞争的现象,运用元胞自动机理论,提出一种竞争型的换道模型。首先,将换道分为换道需求判断和换道实施过程两部分;然后,在需求判断中引入邻车道速度累积优势,在换道实施过程中引入竞争程度定义换道新规则;最后,在不同交通密度下对竞争换道模型进行仿真,并与自由换道和协作换道进行对比分析。结果表明：不同密度下协作换道模型得到的车流量和车辆平均速度均高于其他换道模型;在一定密度范围内,竞争换道得到的车流量和车辆速度比自由换道高;但当密度较高时,竞争换道对车辆的速度以及交通密度可能产生负面影响。这说明协作换道能提高车辆速度,有效缓解交通阻塞;而竞争换道对车辆速度的提升不明显,并且采用竞争换道对交通流有影响,有时可能会降低道路的通行能力。     

考虑与跟驰模型结合的自由换道模型及仿真

考虑跟驰过程与换道过程的结合,在车辆换道过程的具体实施过程中引入跟驰模型,以全速度差模型为基础,对换道过程中的换道加速度进行确定,并通过对天津市视频录像换道时间的统计分析,建立了换道距离与换道时车头偏角之间的关系.最后利用Netlogo平台对模型进行了实现与仿真分析,结果表明:该模型很好地体现了实际换道的特点.     

多网联范围下的智能网联车换道决策组合模型研究

为提升不同网联范围下智能网联车(Intelligent Connected Vehicles, ICV)的换道效率,结合深度强化学习和分子动力学理论,提出一种融合掩码机制和注意力机制的双深度Q网络(MaskAttention-DDQN, MAQ)换道决策模型。首先,在SUMO (Simulation of Urban Mobility)仿真环境中采集网联范围内ICV及人工驾驶车辆(Human Drive Vehicles, HDV)的行驶状态信息。其次,搭建MAQ模型,采用掩码机制和注意力机制方法,实现固定模型输入大小,以及实现置换不变性。第三,为实现车辆间影响程度的数值化,以车辆间相对速度和相对位置为参数,使用分子动力学理论为网联范围内HDV信息赋予权重。最后,分别在不同交通密度仿真环境中对不同换道决策模型和赋权方法进行对比,并测试ICV在不同网联范围(80~330 m,以50 m为间隔)下的换道决策效果。仿真结果表明,以40辆HDV、100m网联范围为例,MAQ模型比DeepSet-Q模型拟合精度提高了90.2%;分子动力学赋权方法相比线性权重赋权方法总奖励值提高了5.5%,ICV平均车速提高了4.8%;ICV平均车速随着网联范围的扩大,呈现出先增大、再减小、后趋于平稳的变化规律。     

基于换道决策机理的多车道元胞自动机模型

在探索机动车驾驶换道决策机理,分析影响驾驶员换道决策内外因子的基础上,提出了以内部因子为决策变量,外部因子为约束条件的机动车多车道换道模型,并将其引入一维改进舒适驾驶元胞自动机模型,形成基于换道决策机理的多车道元胞自动机模型.不同V/C条件下该元胞自动机模型的运行分析表明：换道驾驶行为会导致自身及周边车辆的加减速、匀速、怠速等运行工况发生变化;不同的内外因子导致车流平均换道次数不同,车流平均速度的波动规律也不同.本文提出的多车道换道模型描述决策机理清晰,能同时描述多个内外因子的共同作用,具有很好的适应性与扩展性.     

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.     

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.     

基于换道概率分布的多车道交织区元胞自动机模型

交织区是快速路系统的重要组成部分,由于车辆频繁换道、相互作用复杂,容易造成交通瓶颈。本文提取城市多车道交织区时间分辨率为0.1 s、空间分辨率为0.1 m·px-1的高精度车辆轨迹,分析交织区及相邻路段的交通流和车辆行为特性,提出分区元胞自动机模型。在上游和下游换道模型中,建立基于速度差、车辆间距的换道动机规则、间距规则及Logistic换道概率规则。对于交织影响区,建立考虑速度、间距及路径转换需求的换道动机规则,根据安全风险构建换道时机的多步决策规则,提出基于换道频率Gaussian分布模型的换道概率规则,并对主要参数进行灵敏度仿真测试分析,模型具备评估交织区不同换道状态的实际应用潜力。仿真与实测显示,本文模型流量、速度、密度及换道分布等特性与实际相符,能有效反映车辆在不同位置的换道需求与强度差异性,刻画多车道交织区复杂的换道行为。     

城市干线短交织区元胞自动机多级换道决策模型

为探索城市干线短交织区交通运行特性,基于高精度车辆轨迹数据,提出细化元胞尺寸与步长的交织区元胞自动机多级换道决策模型.划分上下游、交织影响区等多个分区,独立设置变量与规则进行建模;考虑车辆换道速度差、间距及换道安全风险,建立上下游换道模型,交织影响区多级换道决策模型;对未分区换道模型(I),分区STCA换道模型(II),分区多路合流换道模型(III),本文模型(IV)进行仿真验证.与实测数据相比,本文模型平均车道流量误差仅为 1.64%. 模型 I~IV 在交织影响区的平均速度误差分别为 98.35%、23.77%、16.46%、7.45%,换道次数误差分别为33.34%、97.75%、62.97%、11.85%.结果表明,本文模型能有效模拟短交织区复杂的换道行为及交通流特性.     

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。     

车道分隔方式对驾驶换道行为的影响

为探索不同车道分隔方式对驾驶换道行为的影响,在分析机动车驾驶换道决策机理与换道决策属性的基础上,改进双车道元胞自动机(STCA)的换道规则模型,提出了基于层次分析法(AHP)的多属性换道决策模型.在同向 3车道上设置不同车道分隔方式,运行模型以获得每种分隔方式在不同空间占有率情况下的换道动机概率、换道成功概率分布规律.分析发现：平均换道动机概率直接与交通流内部状态属性有关,平均换道成功概率则由交通流内部状态属性与车道隔离方式共同决定;通过对不同分隔方式下的换道规律分析,表明模型能较好诠释不同车道分隔方式的交通管理法规涵义.该换道决策模型构造方法上具有同时处理多个外部决策属性的能力,具有较强的通用性.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

多车道元胞自动机换道决策模型的冲突处理策略

换道模型是多车道元胞自动机交通流模型的核心子模块之一,在分析现实中驾驶员执行换道时处理车辆冲突过程的基础上,依据其蕴含的不同换道驾驶行为特征把驾驶员采取的换道冲突策略划分为保守型、机敏型与激进型3 类,并通过进一步优化车辆状态更新算法,提出了换道冲突处理多策略,车辆状态更新次序随机的多车道换道模型.运行模型获得不同空间占有率条件下,驾驶员分别采取保守、机敏或激进策略时所产生的换道动机次数和换道成功次数.通过数据分析发现：在特定空间占有率区间,不同换道冲突处理策略将引起较显著换道动机概率差异与换道成功概率差异.     

考虑车流异质性的信号交叉口疏解车辆跟驰模型

为客观地描述绿灯期间交叉口进口道异质疏解车流的跟驰行为,基于实测数据验证全速差模型发现,其加速度、速度、车间距的仿真结果存在较大误差. 考虑不同车型车辆性能和驾驶员驾驶行为差异,基于4 种跟驰情景,即小客车跟驰小客车(car-car),小客车跟驰公交车(car-bus),公交车跟驰小客车(bus-car),公交车跟驰公交车(bus-bus),建立考虑车流异质性的车辆跟驰模型. 结果表明,改进模型的性能提升明显,较全速差模型,速度和跟驰间距的均方根百分比误差(RMSPE)分别下降了15.29%,22.32%,更符合交叉口进口道异质疏解车流的跟驰行为.     

Ũ�����³���ͨ�ŶԽ�ͨ�¹ʵ�Ӱ�����

雾天环境下驾驶员会表现出和正常天气不同的驾驶行为,给行车安全带来威胁.为保证交通安全,交通管理部门在浓雾环境下关闭高速公路,给人们出行带来不便.分析浓雾环境下基于传统目视和基于车车通信的驾驶行为,建立了交通流元胞自动机模型.模拟结果表明:车车通信能够有效减少车辆分布的"局部聚集效应",从而大大降低交通事故率;当车辆密度较小时,交通事故率的降低效应尤其明显.本文的研究为高速公路在浓雾环境下采用车车通信技术实现车辆连续放行提供参考.     

新型混合交通交叉口信号与车辆轨迹协同控制方法

新型混合交通环境下的交叉口交通控制可通过信号灯控制与自动驾驶车辆的轨迹控制协同实现,能够极大地优化道路通行资源利用效率。已有研究中,信号配时与车辆轨迹集中优化的控制策略难以应用于车辆自组织控制的现实场景,且往往计算复杂度较高。本文提出一种无中心框架下基于逻辑的交叉口信号与车辆轨迹协同控制方法。基于协同理论中的快慢变量主动伺服控制原理,设计一种交叉口信号配时慢变量与车辆轨迹策略快变量协同框架,并分别提出基于逻辑的信号配时优化和网联自动驾驶车辆轨迹协同控制方法。协同控制方法可以在车辆自主控制的条件下,一方面,实现交叉口信号配时动态适应交通需求;另一方面,实现网联自动驾驶车辆主动优化驾驶速度,高效通过交叉口。而且网联自动驾驶车辆在进口道可引导混合车队高效通过交叉口,降低绿灯启动损失,提高交叉口通行效率。仿真实验表明,本文的协同控制方法相较于传统控制方法可显著降低交叉口车辆平均延误,同时,基于逻辑的决策模型可实现快速求解。通过对网联自动驾驶车辆控制策略关键参数的敏感性分析,进一步讨论新型混合交通流交叉口通行公平性,并比较在不同网联自动驾驶车辆渗透率下的控制效果。     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream,MTS)下智能网联车(Intelligent Connected Vehicle,ICV)实现鸣笛意图(Horn’s Intention,HI)识别,更好地遵循常规车辆(Manual Vehicle, MV)的驾驶意图,提出ICV 对MV 鸣笛声的“ 感知(Perception) - 定位(Location) - 识别 (Recognition)”模型(简称HI-PLR),采用深度卷积-循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声;采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV;再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明,HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%,定位角度估计误差小于5°,HI 识别率达 82.5%,为ICV在MTS中的智能驾驶决策提供依据.     

面向混合交通流的智能网联车鸣笛意图识别模型

为使混合交通流(Mixed Traffic Stream，MTS)下智能网联车(Intelligent Connected Vehicle，ICV)实现鸣笛意图(Horn’s Intention，HI)识别，更好地遵循常规车辆(Manual Vehicle， MV)的驾驶意图，提出ICV 对MV 鸣笛声的“ 感知(Perception) — 定位(Location) — 识别 (Recognition)”模型(简称HI-PLR)，采用深度卷积—循环神经网络(Deep Convolution Recurrent Neural Network, DCRNN)算法感知鸣笛车辆(Horning Vehicles, HV)的鸣笛声；采用到达时差 (Time Difference of Arrival, TDOA)算法定位HV；再基于运动时间窗(Motion Time Window, MTW)的支持向量机(Support Vector Machine, SVM)算法识别HI.实验结果表明，HI-PLR可使 ICV 对混流中车辆的鸣笛声感知准确率达90.4%，定位角度估计误差小于5°，HI 识别率达 82.5%，为ICV在MTS中的智能驾驶决策提供依据.