多前车影响的智能网联车辆纵向控制模型

为了更好地模拟智能网联车辆(CAV)的跟驰特性, 在纵向控制模型(LCM)的基础上考虑V2V环境下多辆前车速度和加速度的影响, 构建了智能网联环境下的纵向控制模型(C-LCM); 对LCM和C-LCM进行稳定性分析, 比较了2个模型的交通流稳定域, 确定了不同通信距离时C-LCM对交通流稳定域的影响; 设计数值仿真试验对加速和减速的常见交通场景进行模拟, 分析了在V2V通信条件下CAV的跟驰行为特征; 仿真分析了CAV不同通信距离以及不同渗透率影响下的交通流安全水平; 构建了包含不同CAV渗透率的混合交通流基本图模型。研究结果表明: 交通流稳定域随着考虑前车数量的增多而增大, 当只考虑1辆前车时, 前车与本车的间隔越远, 车辆速度系数对C-LCM稳定域的影响越大; C-LCM可以提前对多前车的行为做出反应, 更好地模拟CAV的动力学特征, 在减速情景中速度超调量从0.15减少为0.08, 最大速度延迟时间由7.5 s缩短为4.9 s, 在加速情景中速度超调量从0.07减少为0.04, 最小速度延迟时间由3.5 s缩短为2.6 s; 随着CAV渗透率的提升, 交通流的安全水平不断提升, 当通信范围内有4辆CAV时, 交通流的安全性能达到最高, 其TIT和TET指标的最大减少量分别为57.22%和59.08%;随着CAV渗透率的提升, 道路通行能力从1 281 veh·h^-1提升为3 204 veh·h^-1。可见, 提出的C-LCM可以刻画不同车辆的跟驰特点, 实现混合交通流建模, 并降低混合交通流的复杂性, 为智能网联车辆对交通流的影响分析提供参考。     

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。     

基于安全势场的网联自主车辆跟驰行为决策及模型

为改善网联自主车辆(CAV)的跟车安全和效率,针对CAV通过对周围环境进行感知进而进行自主决策的特点,首先,建立包含车道线势场、道路边界势场和车辆势场的安全势场模型,系统地刻画CAV在行驶过程中面临的安全风险,在安全势场模型的建立过程中,针对现有车辆势场函数存在引力和斥力表达式分割独立的缺陷,借鉴分子间相互作用关系建立统一的基于LennardJones势的车辆相互作用势场函数,并将加速度参数引入到车辆势场中,加速度的变化直接影响车辆势场的分布,能够有效地反映车辆在不同运行状态下安全势场的动态变化趋势;然后,将安全势场应用于CAV跟驰行为决策,并通过上海自然驾驶数据集标定模型参数;最后,选择与现有经典的智能驾驶人IDM和可变车头时距VTH模型进行仿真对比。结果表明：与其他两种模型相比,该模型在所设计的3种交通场景中有更平滑的响应曲线来改善跟车安全和效率,验证了模型的有效性。研究成果可为CAV的上层控制设计提供理论支撑,也为CAV安全技术的研究提供了 独特的途径。     

基于跟驰特性的智能网联车混合交通流轨迹重构

车辆轨迹数据蕴含着丰富的时空交通信息,是交通状态估计的基础数据之一. 为解决现有数据采集环境难以获得全样本车辆轨迹的问题,面向智能网联环境,构建了混合交通流全样本车辆轨迹重构模型. 首先,分析了智能网联环境下混合交通流的车辆构成及其轨迹数据采集环境;然后,提出了基于智能驾驶员跟驰模型的车辆轨迹重构模型,实现了对插入轨迹数量、轨迹位置和速度等参数的估计;最后,设计仿真试验验证了模型在不同交通流密度和智能网联车（connected automated vehicle,CAV）渗透率条件下的适用性. 试验结果表明:CAV和网联人工驾驶车（connected vehicle,CV）的渗透率为8%和20%时,该车辆轨迹重构模型在不同交通流密度下均能重构84%以上的车辆轨迹;重构轨迹准确性随着CAV和CV渗透率的增加而提高;当交通密度为70辆/km,且CAV渗透率仅为4%的情况下,模型也能重构82%的车辆轨迹.      

混合交通环境下网联自动驾驶车辆跟驰模型与优化策略

为进一步提高混合交通环境下车辆的行车效率与交通流的稳定性,在考虑后视效应的基础上,融合多辆前车速度与加速度等状态信息,以指数平滑方式构建了网联自动驾驶车辆(CAV)跟驰模型;在此基础上,研究了前后方车辆数和状态信息完整度对模型稳定性的影响,结合Lyapunov第一方法和线性谐波微扰法进行了线性稳定性分析,并确定了模型最优参数;利用混合交通环境特性,在考虑通信信息丢失的情况下提出了CAV在不同位置和状态下的跟驰策略,并在该策略支撑下进行了不同CAV渗透率的车辆启动、车辆刹车停止、环形道路3个典型场景下的数值仿真。研究结果表明：在刹车停止场景中,全部车辆的停止波速最大提高了26.1%;在车辆启动场景中,启动波速最大提高了15.5%,车辆加速度和速度变化更为平缓;在环形道路场景中,当混合交通流中CAV渗透率由40%提高至100%时,在较大扰动条件下车辆的平均速度波动时间相较于低CAV渗透率场景下降了44.8%,波峰下降了5.7%,波谷上升了19.4%,而CAV渗透率较低时提出的优化策略对混合交通流的改善并不明显。由此可见,在当前构建实际混合交通环境与开展CAV实车试验比较困难的情况下,该跟驰模型和策略可用于车辆跟驰仿真与特定场景下的测试验证,能够有效保障混合交通环境中的交通流扰动吸收和车队稳定行驶。     

考虑多车影响的分子动力学智能网联跟驰模型

为研究含智能网联汽车(Connected and Automated Vehicle, CAV)和人工驾驶汽车(Regular Vehicle, RV)混行交通流下CAV跟驰行为的控制问题,考虑前后多车的速度、车头间距、速度差、加速差等参数,采用分子动力学定量表达不同周边车辆对主体车的影响,得到可用于描述CAV在混行交通流中的跟驰过程。稳定性分析结果表明,与全速度差模型相比,本文提出的考虑前后多车信息的CAV跟驰模型有利于提高交通流的稳定性。数值仿真与模型验证结果表明,与PATH实验室的CACC(Cooperative Adaptive Cruise Control)模型相比,本文建立的CAV跟驰模型平均速度最大误差减小了0.19 m·s^-1,平均误差减小26.79%,拟合精度提高了0.91%。同时,在CAV和RV组成的混行交通流中,随着CAV比例的逐渐增加,车队的平均速度和交通流量逐渐增加。迟滞回环曲线表明,与全速度差(Full Velocity Difference, FVD)模型相比,本文提出的CAV模型控制下的交通流稳定性更强。该模型可用于同质流或CAV与...     

高速公路意外事件影响下的车辆跟驰模型

应用智能主体技术, 针对双向四车道高速公路意外事件影响下的车辆跟驰行为, 建立了基于智能主体的车辆跟驰模型, 利用西部高速公路交通调查统计的数据, 对车辆主体的间距愿望进行了定量分析, 利用比例微分控制确定车辆主体的加速度响应, 建立了不同加速度队列的逻辑意图, 使模型的加速度响应符合车辆的动力特性。利用开发的EAD-Simulation系统, 在特定和随机两种不同过程下对模型进行的测试表明: 利用智能主体技术描述高速公路意外事件影响下的跟驰行为, 可充分发挥其个性、自治性和自适应性的特点, 在主体的属性描述中利用比例微分控制“类阻尼”的特性, 可有效地对车辆主体的稳定性进行控制。     

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.     

考虑前车状态的智能网联车交叉口行为决策

为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口,在车联网实时获取信号灯和前车状态信息的基础上,建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态,预测得到前方车辆是否要通过交叉口的行为,进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断;将换道加入到驾驶方式中来寻求更高的通行效率,用基于换道时间模型的方法判断智能网联汽车换道后的通过条件;仿真对比分析了所提出模型和现有模型的决策能力,讨论了影响决策过程的关键因素. 研究结果表明:相比于现有模型,综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性,从而进行更合理的行为选择,随着单位绿灯剩余时间的增加,车辆决策通过交叉口的概率可提高20%,当前车道的车辆位置对决策结果影响显著.      

基于Multi-Agent System的跟驰模型

利用Agent相关理论,基于多个相互协作的Agent,构建了基于Multi-Agent System的跟驰模型,具体给出了各Agent的结构和元组构成,以使车辆在跟驰环境下能自适应、主动地对环境进行响应并做出决策.此外,基于构建的跟驰模型给出了数值仿真实例,并得到合理结论.     

前后多车影响的跟驰模型及稳定性分析

驾驶员在跟车行驶过程中,通常会通过视野前后车辆的行驶状态来调整自己的跟驰行为,基于此本文提出了一种考虑驾驶员视野内双前车和后车对跟驰车辆影响的改进跟驰模型.根据线性稳定分析方法,得到了改进模型的中性稳定性条件,并通过计算机仿真模拟进行了验证.为了进一步加强验证结果及说明改进模型的优越性,同经典FVD模型进行了数值仿真对比.仿真结果表明：灵敏度α越大越有利于提高改进跟驰系统的稳定性;同经典FVD跟驰模型相比,改进模型抵抗干扰的能力更突出,能够消散交通系统中的微小扰动,具有抑制交通拥堵和稳定交通流的有利作用.     

网联环境下混合交通流偶发拥堵演化机理研究

针对混合交通流中智能网联车辆(Connected and Autonomous Vehicles, CAVs)和人工驾驶车辆的交织干涉问题,本文在传统交通流统计理论模型和一阶连续介质模型的基础上,通过引入智能驾驶员跟驰模型(Intelligent driver model, IDM)和协同自适应巡航控制模型(Cooperative Adaptive Cruise Control, CACC),构建人工驾驶车辆和CAVs的混合交通流偶发拥堵演化模型,探索CAVs混入和诱导干涉措施对混合交通流偶发性拥堵传播规律的影响。实验选取重庆市华陶立交至巴南立交路段为路网原型,对CAVs不同渗透率( Pc )下的路段拥堵演化情况进行仿真。实验结果表明：CAVs渗透率越高,混合流流量、占有率和速度的改善情况越显著,但只有当 Pc ≥ 0.2 时,网联车辆对拥堵消散的改善效果才较为明显;Pc ≤ 0.8 时,干涉措施下,拥堵消散状态的持续时间约为不采用干涉措施的 50%;当 Pc = 1.0 时,网联车辆的通行能力是纯人工驾驶交通流的2.34倍;分别在非干涉措施和干涉措施下计算拥堵评价指标,与仿真结果进行对比,最大相对误差在5.38%之内,验证了模型的准确性。研究成果对疏散交通拥堵具有重要意义。     

跟车模型及其稳定性分析综述

交通流的仿真是以车辆的行为作为研究对象,最终达到模拟不同条件下交通流的目的. 跟车模型是文通流仿真中采用的一个基本模型.综述了跟车模型的发展过程,介绍了不同的模 型及各种稳定性的分析方法,同时对该方向的研究与最新进展进行了分析和展望.     

智能网联环境下复杂异质交通流稳定性解析

针对网联车辆与普通车辆构成的异质交通流,考虑网联车辆车对车(V2V)、车对基础设施(V2I)不同通信技术,研究复杂异质交通流稳定性.基于李雅普诺夫理论,分析对比不同通信技术下网联车辆与普通车辆构成的异质交通流稳定性;基于V2V、V2V/V2I的网联车辆和普通车辆以不同比例混合时,进行异质交通流稳定性判别及稳定域解析.通过数值仿真,验证理论解析的正确性.研究结果表明,基于V2V/V2I的网联车辆比基于V2V的网联车辆混入对异质交通流稳定性改善效果更显著.基于V2V、V2V/V2I的网联车辆同时汇入普通车辆交通流的情况下,当基于V2V的网联车辆比例较低时,不会明显提高异质交通流稳定性;而基于 V2V/V2I的网联车辆即使在低比例时,也会显著改善交通流稳定性;且基于V2V网联车辆比例较低时,平衡态临界速度值随着基于V2V/V2I网联车辆的比例增加近似呈线性减小.     

智能网联环境下复杂异质交通流稳定性解析

针对网联车辆与普通车辆构成的异质交通流,考虑网联车辆车对车(V2V)、车对基础设施(V2I)不同通信技术,研究复杂异质交通流稳定性.基于李雅普诺夫理论,分析对比不同通信技术下网联车辆与普通车辆构成的异质交通流稳定性;基于V2V、V2V/V2I的网联车辆和普通车辆以不同比例混合时,进行异质交通流稳定性判别及稳定域解析.通过数值仿真,验证理论解析的正确性.研究结果表明,基于V2V/V2I的网联车辆比基于V2V的网联车辆混入对异质交通流稳定性改善效果更显著.基于V2V、V2V/V2I的网联车辆同时汇入普通车辆交通流的情况下,当基于V2V的网联车辆比例较低时,不会明显提高异质交通流稳定性;而基于 V2V/V2I的网联车辆即使在低比例时,也会显著改善交通流稳定性;且基于V2V网联车辆比例较低时,平衡态临界速度值随着基于V2V/V2I网联车辆的比例增加近似呈线性减小.     

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.