自动驾驶专用车道影响下的CACC车流管理策略

自动驾驶专用车道对混合交通流的作用与协同自适应巡航控制(Cooperative Adaptive Cruise Control,CACC)车流大小相关.为分析已存在自动驾驶专用车道场景下CACC车流在各车道上的分布情况对交通流的影响,利用已有的人工驾驶车辆(Human-driving Vehicle,HV)和CACC跟...     

智能网联混合交通流交叉口控制：研究进展与前沿

交叉口是城市道路交通运行的瓶颈点，是造成交通拥堵的问题所在。交通控制是调控交通流、预防和缓解交通拥堵的关键策略，在效费比上具有较大优势。智能网联、自动驾驶技术的发展催生了常规车辆(Regular Vehicle, RV)、网联车辆(Connected Vehicle, CV)和智能网联车辆(Connected and Automated Vehicle, CAV)组成的智能网联新型混合交通流，推动着城市道路交通控制对象、数据环境和控制手段的变革，为交通控制提出巨大挑战的同时，也为交通控制理论方法的创新发展创造了新的条件。智能网联混合交通流交叉口控制已成为国内外研究热点，尚处于研究起步阶段。根据路权特征，先从单点交叉口、干线交叉口和路网多交叉口3个层面梳理智能网联混合交通流环境下的共用设施交叉口控制研究，包括交通信号配时、车辆轨迹/路径规划以及车辆轨迹-信号配时协同控制。然后介绍自动驾驶专用设施交叉口控制研究，包括CAV专用车道、CAV专用路段、CAV专用区域和快速公交-CAV混合专用车道。通过对现有成果的梳理发现：虽然新型混合交通流交叉口控制研究取得了部分进展，但RV驾驶行为的随机性、...     

网联自动驾驶车辆通过信号交叉口的速度轨迹优化

以网联自动驾驶汽车(Connected Autonomous Vehicle,CAV)为研究对象,研究了CAV车队通过城市信号交叉口的速度轨迹优化控制策略.基于最优控制理论,采用CAV的自动驾驶模型描述车间相互作用,以所有CAV车辆在行驶过程中的总油耗为优化目标,根据信号灯的配时信息建立模型约束,通过优化CAV头车的速...     

限速60km/h 北京发布自动驾驶测试文件

正近日,北京市多部门联合发布了《北京市自动驾驶道路测试能力评估内容与方法(试行)》和《北京市自动驾驶车辆封闭测试场地技术要求(试行)》。根据文件要求,自动驾驶车辆的速度等均具有相对严格的要求,并会对自动驾驶车辆进行考核,未达标的车辆将无法进行测试。下面是文件中重点规划的要求。自动驾驶车辆在测试时需要设置相应的场景,在测试阶段必须有应急处置与人工介入能力。测试驾驶员需     

乘用车高级驾驶辅助系统节油技术发展现状

在汽车电动化、网联化、智能化趋势下,欧盟和美国开展了ADAS(Advanced Driver-Assistance System,高级驾驶辅助系统)和CAV(Connected and Autonomous Vehicles,互联自动驾驶车辆)节油研究及举措。欧盟eCoMove项目旨在经济性最优的行驶控制和交通管理;欧盟MAVEN项目探讨了GLOSA(Green Light Optimal Speed Advisory,绿灯优化推荐速度)的技术路径和EAD(Eco-Autonomous Driving,生态自动驾驶)促成的车速平滑;美国NEXTCAR项目含多个子项。在辅以DSF(Dynamic Skip Fire,智能化动态跳跃点火技术)及48V技术时,OSU(Ohio State University,俄亥俄州立大学)牵头的道路测试得出15%节油率。列队跟驰、路口信号灯优化使车辆处于更节油工况;坡度能量利用、HEV(Hybrid Electric Vehicle,混合动力汽车)的SOC(State of Charge,荷电状况)主动管理、储冷蒸发器、滑行、48V以及m DSF(miller cycle Dynamic Skip Fire,米勒循环智能化动态跳跃点火技术)的节油潜力得到充分施展。     

全新日产聆风完美诠释日产智行科技

正零排放的全新日产聆风完美诠释了日产汽车如何通过"日产智行科技"改变车辆的驾驶、动力以及与社会融合,详尽呈现了"日产智能驾驶"、"日产智能动力"、"日产智能互联"三大领域。日产智能驾驶(Nissan Intelligent Driving)全新日产聆风搭载的Pro PILOT日产自动驾驶技术,Pro PILOT Park日产自动泊车系统、e-Pedal日产电子踏板及日产安全屏障技术彰显出日产智能驾驶。Pro PILOT日产自动驾驶技术,可实现车辆在单车道上的自动驾驶。车辆可以在驾驶者预设的速度下(30-100km/h)自动保持与前车的车距。同时,该技术还能够辅助转向,使车辆保持在车道中央行驶。     

EURO NCAP开展自动驾驶试验

正随着汽车制造商朝着实现车辆自动驾驶的目标迈进,汽车正变得越来越先进。虽然自动驾驶汽车仍有很长的路要走,但驾驶辅助技术正日益普及,比如自适应巡航控制(ACC)与车道居中(LC)相结合,可帮助驾驶员保持稳定的速度、与前方车辆保持安全距离并使车辆保持在车道中     

北京自动驾驶车辆考试大纲公布 未到80分将无法通过测试

正2018年2月2日,北京市交通委联合市公安交管局、市经济信息委发布《北京市自动驾驶车辆道路测试能力评估内容与方法(试行)》和《北京市自动驾驶车辆封闭测试场地技术要求(试行)》两份文件,通过评估的车辆才有资格进行上路测试。     

自动驾驶条件下城市道路机动车道宽度设计的思考

自动驾驶汽车的技术模式有别于传统汽车,对道路设计的要求也发生了变化。为深入研究自动驾驶条件下城市道路的机动车道宽度,从车辆外廓尺寸、车辆速度、车辆技术性能等角度,对传统车辆和自动驾驶车辆进行对比分析,判断适应自动驾驶车辆的城市道路机动车道宽度设计标准。研究表明,自动驾驶车辆的车距精确控制与车队化运行模式可提高道路通行能力,节约空间,提升慢行舒适性。城市干路条件下,自动驾驶车辆的横向摆动大幅缩小,2.85～3.05 m的机动车道宽度即可满足自动驾驶车辆的行驶需求。研究成果可为城市道路规划设计提供参考。     

交通运输部首次认定“自动驾驶封闭场地测试基地”

正据交通运输部网站消息,近日,交通运输部在全国首次认定3家"自动驾驶封闭场地测试基地,分别设在:交通运输部公路科学研究院(北京)、长安大学(西安)、重庆车辆检测研究院有限公司(重庆),并为3家测试基地依托单位授牌。当前,自动驾驶技术及产业迅猛发展,各有关方面对自动驾驶测试需求旺盛。交通运输部首次认定3家最有实力的单位为"自动驾驶封闭场地测试基地",是在发布《自动驾驶封闭测试场地建设技术指南(暂     

信号交叉口基于出发时刻预测的生态驾驶方法

在城市道路交通中,信号交叉口区域内车辆频繁停车启动的现象,加剧了整体交通流的能源消耗、污染排放与车辆延误。为了减少信号交叉口启停波现象对整体交通流产生的负面影响,以面向未来人工驾驶车辆(HDV)/智能网联车辆(CAV)混合构成的新型混合交通环境为基础,提出了一种基于出发时刻预测的生态驾驶方法,通过优化CAV的驾驶轨迹,减少交叉口区域的车辆延误和能源消耗。首先,对混合交通流的基本图模型进行了分析,根据启停波影响范围,划分CAV通过交叉口的驾驶场景;然后,建立了子区渗透率对饱和车头时距的影响关系,预测了CAV以当前饱和车头时距通过交叉口的时间;最后,结合车辆与交叉口的距离,利用分段三角函数模型,生成其通过交叉口的速度限制曲线,并将优化速度嵌入到智能车辆的跟驰模型中作为限制速度,从而使CAV在无法通过当前绿灯窗口的条件下,实现提前减速,在通过交叉口区域后解除速度限制,切换回自身的跟驰模型。此外,还提出了平均综合效能这一指标来综合评价驾驶策略在效率和能耗2个方面的性能,并将提出的基于出发时刻预测的生态驾驶方法与传统网联车辆控制方法、经典交叉口节能控制方法进行了对比。研究结果表明:提出的出发时刻预测方法可以精确预测CAV在交叉口的出发时刻,有效减少车辆的能源消耗与污染排放,同时提高信号交叉口的通行效率;在渗透率大于60%情况下,该方法对系统效能的提高达到12%左右,在10%渗透率条件下也可以达到6%的效能增益;在交通饱和流率在0.5~0.9的范围内时,系统的效能增益较明显。     

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...     

智能网联车辆交通流优化对交通安全的改善

为改善常规驾驶车辆交通流追尾碰撞交通安全状况,提出智能网联车辆（Connected and Automated Vehicles,CAV）与常规车辆构成的混合交通流车队稳定性优化控制方法。基于全速度差模型,应用集成速度与加速度的多前车反馈构建CAV跟驰模型,考虑CAV混合交通流车辆空间分布的随机性,将各类型局部车队稳定性作为优化目标,以局部车队头车速度扰动为系统输入,以尾车速度扰动为系统输出,应用经典控制理论领域的传递函数法推导局部车队稳定性约束条件;分析关于平衡态速度与CAV反馈系数的车队稳定域,以各类型局部车队能够在任意平衡态速度下均稳定为控制目标,对CAV反馈系数输出进行优化控制;设计高速公路上匝道交通瓶颈数值仿真试验,在不同CAV比例等多种条件下,分析CAV混合交通流优化控制对交通流车辆追尾碰撞风险的影响。研究结果表明：CAV混合交通流优化控制可降低车辆追尾碰撞风险,在碰撞时间阈值小于2 s时,100%比例的CAV交通流可将交通流的车辆追尾碰撞风险降低85.81%以上;在碰撞时间阈值大于2 s时,追尾碰撞风险可降低48.22%～78.80%。所提优化控制方法可有效降低CAV车队优化控制的复杂性,为大规模CAV背景下的混合交通流优化控制以及车辆追尾碰撞交通安全提升策略提供直接理论参考。     

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。     

智能网联环境下异质交通流基本图和稳定性分析

为研究人工驾驶车辆和智能网联车辆（CAVs）的混合运行对交通流产生的影响，以其基本图和稳定性为突破口研究提高异质交通流运行效率的关键技术与方法。选择全速度差模型（FVDM）作为人工驾驶车辆跟驰模型，将加州伯克利分校实车数据标定的协同自适应巡航控制（CACC）模型作为CAVs跟驰模型。建立了异质交通流基本图模型，研究了CACC车辆的混入对道路通行能力的影响；对比了不同人工驾驶模型对异质流通行能力产生的差异性。从大车-小车组成的传统异质交通流研究方法入手，利用跟驰模型建立人工-网联异质流的稳定性解析方法，并运用Matlab验证了不同CACC比例下的稳定性分析。结果表明:与人工驾驶交通流相比，CACC同质交通流的道路通行能力大约提升了95%；实验中选用不同人工驾驶模型对通行能力实验结果造成的差异不大。平衡态速度为15 m/s时，低比例CAVs（如低于20%）并不能改善交通流；当CAVs比例达到20%及以上时，异质流稳定性随着CAVs的比例增加逐渐呈现出稳定趋势；当CAVs比例达到70%以上时，异质流基本稳定。      

路段上集群智能网联汽车的车队形成机制

智能网联汽车是解决城市交通问题的关键技术之一,对于未来城市智能交通体系建设有着关键作用。集群的智能网联汽车已经具备了涌现的基本条件,设计科学合理的交互规则,可以实现车辆的自组织,分布式涌现控制。以微观仿真软件VISSIM及C2X模块为研究平台,修改驾驶模型参数,在C2X模块中编程实现3条交互规则:速度一致、尽量靠近、避免碰撞,在仿真软件中构建单车道仿真模型,运行仿真实验,统计车辆在路段上不同距离形成车队情况,利用车头时距分布的熵值来衡量车流的有序性。仿真结果表明,车辆在运行至50s后初步形成车队,随着时间的增加,形成的车队越稳定,车流熵值在路段上随距离增加而减小,说明形成车队后更加有序,在路段上呈现出涌现现象。     

网联环境下高速公路辅助驾驶车辆编队评估

为评估智能网联环境下高速公路辅助驾驶车辆编队的效果，首先基于V2X （Vehicle to Everything）和智能驾驶人模型（Intelligent Driver Model，IDM）对网联环境下的车辆跟驰行为进行建模，并对其进行参数校准；其次从安全性评价指标和通行效率两方面构建编队效果评价体系；然后通过VISSIM和VBA联合仿真，改变编队的车道、交通流量、网联车渗透率等变量进行试验。仿真结果表明，网联环境下车辆辅助驾驶编队在不同层面对于安全性与效率性都有提升；最后以不同期望速度在网联环境和非网联环境下分别进行实车辅助驾驶编队试验，以验证评价指标体系以及仿真试验的有效性。其中，实车试验结果显示，期望速度为70 km·h^-1时，网联环境下的辅助驾驶编队通行效率比非网联环境提升56%，90 km·h^-1时提升37.2%，110 km·h^-1时提升39.8%。通过与仿真试验结果对比，表明网联环境下车辆辅助驾驶编队对交通流安全性有一定程度的提升。     

车-车协同下无人驾驶车辆的换道汇入控制方法

多车协同驾驶是智能车路系统领域的研究热点之一,可有效降低道路交通控制管理的复杂程度,减少环境污染的同时保障道路交通安全。基于多车协同驾驶控制结构,提出了一种无人驾驶车辆换道汇入的驾驶模型及策略,系统分析了多车协同运行状态的稳定条件。在综合分析无人驾驶车辆换道汇入的协作准则、安全性评估后,基于高阶多项式方法,结合车辆运行特性,通过引入乘坐舒适性的指标函数,设计得到无人驾驶车辆换道汇入的有效运动轨迹。通过研究汇入车辆与车队中汇入点前、后各车辆的运动关系,详细分析车辆发生碰撞的类型和影响因素,给出避免碰撞的条件准则,从而确保无人驾驶车辆汇入过程中多车行驶的安全性和稳定性。基于车辆运动学建立车辆位置误差模型,结合系统大范围渐进稳定的条件,选取线速度和角速度作为输入,应用李雅普诺夫稳定性理论和Backstepping非线性控制算法,设计了无人驾驶车辆换道汇入后的路径跟踪控制器。仿真试验和实车试验结果表明：所设计的换道汇入路径是可行、安全的,控制器具有良好的跟踪效果,纵向和横向的距离误差在15 cm以内,方向偏差的相对误差在10%以内。研究结果为智能车路系统中的多车状态变迁与协同驾驶研究提供了参考,可服务于未来道路交通安全设计和评价。