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.     

自动驾驶车辆对混合交通流的平衡影响研究

在自动驾驶车辆和人工驾驶车辆构成的混合交通系统中,不同车辆类型的出行者对路径的选择原则表现出不同的偏好。为充分了解自动驾驶车辆投入市场后对混合交通系统的作用,考虑两种不同车辆类型的出行行为,构建混合交通网络均衡模型,并将模型嵌入算例网络中进行验证。通过研究发现:自动驾驶车辆在混合交通系统中的比例对道路网络系统效率有显著影响,自动驾驶车辆比例的增加能够有效降低路网系统中的人均出行时间。     

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。     

智能网联汽车协同生态驾驶策略综述

为了跟踪近年来智能网联汽车(CAV)协同生态驾驶策略的研究进展, 分析了车辆、驾驶行为、交通网络和社会这4类因素对CAV能耗的影响程度, 以车辆、基础设施和旅行者为对象对目前CAV生态研究进行分类, 重点分析了信号交叉口生态驶入与离开、生态协同自适应巡航控制、匝道合流区生态协同驾驶、生态协同换道轨迹规划和生态路由5种典型车辆协同生态驾驶应用场景的研究现状。分析结果表明: 相比人类驾驶方式, 在任何交通流量CAV 100%渗透率的条件下和低交通流量CAV部分渗透率的条件下, CAV油耗节省效果显著, 最高可达63%, 而具有部分智能化和网联化等级的CAV油耗可至少节省7%;现有研究较少考虑人机共驾情况下, 驾驶人反应延迟和自动控制器传输延迟导致的轨迹跟踪偏离; 现有研究将车车通信/车路通信假定为理想数据交互过程, 未考虑通信拓扑、传输时延、通信失效与基站切换等因素对CAV生态协同驾驶策略的影响; 现有研究较少探讨多车道、交叉口转向-直行共用车道和U型车道等交通场景, 以及不同智能网联等级CAV与人类驾驶汽车、行人、自行车等共存的混合交通条件下的生态驾驶策略; 受限于自动驾驶技术和基础设施尚未成熟和完善, 真实交通场景下的测试验证工作尚未开展; 车辆控制、车车通信、多车协同、混合交通流场景、半实物仿真测试和真实交通场景测试等方面将是CAV协同生态驾驶策略的进一步发展方向。      

混行环境下网联信号交叉口车路协同控制方法

为了提高网联信号交叉口车路协同控制对真实交通环境的适应性,以智能网联汽车与网联人工驾驶汽车混行的典型交通应用场景为研究对象,通过构建八相位网联信号交叉口,研究了混行环境下的交通信号和网联车辆轨迹车路协同优化控制方法;在对场景中的网联车辆运动学特性和跟驰行为进行建模的基础上,构建了一种混行车辆编队方法;基于混行车队模型、安全约束与燃油消耗模型,建立了基于滚动优化的交通信号-车辆轨迹协同优化控制方法;基于异步分层优化思路,将该协同控制问题分解为上层交通信号优化与下层车辆轨迹优化两方面,以交叉口车辆行驶延误时间和燃油消耗量为优化目标,利用遗传算法和“三段式”轨迹优化法分别对交通信号优化问题与车辆轨迹优化问题进行求解;对不同稳态车速与智能网联汽车渗透率下构建的混行交通流的稳定性进行了验证,并通过仿真测试分析了所提出的协同优化控制方法的控制效能与关键参数对控制效能的影响。分析结果表明：在不同交通流量与智能网联汽车渗透率下,提出的控制方法均可有效提升交叉口通行效率与燃油经济性;在完全渗透环境下,较固定配时交通信号控制方法最高可分别提升57.3%和13.3%;随着智能网联汽车渗透率的增加,其控制效能...     

跟跟驰驰自自动动驾驾驶驶车车时时人人驾驾车车行行为为研研究究：实证与建模

随着中国新基建战略的提出及自动驾驶和网联通信技术的不断发展,智能网联车辆（Connected and Automated Vehicle,CAV）、自动驾驶车辆（Autonomous Vehicle,AV）和人工驾驶车辆（Human-driven Vehicle,HDV）混行的状态将在未来一段时间内存在。在混行条件下,车辆间的交互影响模式将发生变化。本文以HDV跟驰AV的驾驶行为为研究对象,通过分析驾驶实验数据将跟驰AV时HDV的驾驶风格量化并分为迟疑型、平稳型和信赖型三类。同时考虑驾驶风格、车辆的转弯能力和转弯半径等参数改进智能驾驶人模型（Intelligent Driver Model,IDM）,建立了前车为AV时的HDV跟驰模型。该模型通过对三类不同风格HDV跟驰AV时的驾驶参数的标定,能根据不同跟驰风格采取相应的跟驰策略。经数据拟合检验,该模型在启动加速、匀速行驶和制动减速阶段均能以较高精度拟合实际驾驶数据,其中直行跟驰的平均拟合精度为96.2%,转弯跟驰的平均拟合精度为91.4%。可见,本文提出的模型可以刻画HDV跟驰AV时的行为特征。在目前难以进行大规模混流实车实验的情况下...     

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.      

多层次交通网络的UE与SO混合均衡与效率损失

缓解城市交通拥挤,改善交通网络效率是城市经济社会发展的重要议题,实际交通网络的多层次性被证明能改善交通网络性能.多层次的现代城市交通网络中部分车辆受控于交通诱导与控制中心,遵从系统最优原则(SO),而其他出行者服从用户平衡原则(UE),建立了这种多层次混合交通均衡及其等价变分不等式,并推导出了多层次混合均衡的效率损失上界.该效率损失上界与网络层次结构、道路路况、交通需求水平、交通诱导信息渗透率相关,其特殊情况与以前所报道的结果吻合.     

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.      

混合交通下智能网联车借道公交专用车道控制

为研究含人工车的混合交通流下部分智能网联车借道城市公交专用车道的控制问题,以两个信号交叉口间公交专用车道为研究对象,提出以不妨碍公交车优先通行、满足换道动机和换道安全条件的智能网联车借道公交车道控制策略.基于公交车道控制预测模块设计智能网联车进入和离开公交专用道规则,采用改进最小化由换道引起的所有制动模型计算的收益作为...     

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。     

基于地面路网MFD 的快速路出口匝道流量分配模型

过于集中的流量分配易导致出口匝道和与之相衔接的地面道路过饱和,进而影响快速路和地面路网的通行效率.为提高路网中车辆通过快速路到达目的地的通行效率,基于地面路网宏观基本图（Macroscopic Fundamental Diagram,MFD）,以出口匝道通行能力和与之相衔接的地面路网承载能力为约束条件,以整个路网的车辆总行程时间最短为优化目标,建立快速路出口匝道流量分配模型.根据宏观网络车流平衡方程,采用改进的遗传算法对模型进行求解.最后,通过实际路网验证了模型的有效性.结果表明,该模型可有效提高车辆通过快速路到达目的地的通行效率,同时降低出行成本.     

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...     

ATIS 作用下弹性需求混合交通均衡的效率损失

在ATIS 用户和利己用户组成的交通网络中，利己用户遵循用户均衡原则选择出行路径，其目的是最小化自身出行成本；先进出行者信息系统(ATIS)用户遵循系统最优原则选择出行路径，其目的是最小化系统总出行成本. 本文基于ATIS 用户和利己用户路径选择原则的异质性，对弹性需求下该类混合交通均衡分配的效率损失进行探讨. 构建弹性需求下该类混合交通均衡分配的变分不等式模型，界定其效率损失上界. 结果表明，效率损失上界与用户均衡时社会总收益与社会总剩余之比相关，还与用户均衡时路段上ATIS 用户的流量与总流量之比有关.     

收费情形下一类弹性需求混合交通均衡的效率损失

收费是降低交通均衡效率损失的一种重要方法,本文对收费情形下多用户类弹性 需求交通均衡分配的效率损失进行了研究.首先,构建该类交通均衡分配在两类不同出行决策 准则下的变分不等式模型.然后,通过解析推导法分别界定了其在不同出行决策准则下的效率 损失上界,并探讨了它们与网络参数的关系.最后,给出了数值算例.结果表明：两类效率损失 上界都与路段出行时间函数、路段收费向量、出行者的出行时间价值系数、用户均衡时社会总 收益与社会总剩余之比相关;费用度量出行决策准则下的效率损失上界还与系统最优时的社 会总收益与均衡时社会总剩余之比有关.     

Efficiency Loss of the Multiclass Stochastic Traffic Equilibrium Assignment with Fixed Demand

There exists efficiency loss when introducing a user equilibrium traffic assignment in comparison with the system optimization assignment. Seeking the upper bound of the efficiency loss has attracted many scholars' attentions. The existing researches mainly focus on single user class and deterministic traffic assignment, few on stochastic user equilibrium (SUE) assignment with multiple user classes. In this paper, the authors investigate the upper bound of this SUE's inefficiency. Two decision-making criteria are used in the SUE, namely, time-based and monetary-based. It is shown that the upper bound of efficiency loss caused by the time-based SUE depends on the type of link travel time function, the network complexity, the travel demand, and the degree of users' perception error to travel cost. The upper bound of efficiency loss caused by the monetary-based SUE depends on the value of time of user classes besides the aforementioned factors.     

多用户多方式混合交通均衡变分模型及求解算法

在城市混合交通路网中,出行者通常根据自己的出行偏好选择自己的交通方式和出行路径. 考虑城市道路中不同交通方式之间的相互影响,把出行者按照时间价值划分为多个用户类型,每类出行者可选择自驾车、出租车或公交车方式出行. 为解决这个多交通模式相互影响的混合交通均衡分配问题,从交通需求的角度出发,基于BPR公式构造了城市混合交通网络的路段旅行时间函数,建立了多用户多方式混合交通均衡变分不等式模型,并设计了基于对角化技术与MSA方法的混合求解算法. 算例结果表明,高时间价值类出行者倾向于选择自驾车或出租车出行,低时间价值类出行者倾向于选择公交车出行.