基于启发式算法的VANETs性能优化研究

车载自组织网络(VANETs)是驾驶员在路上进行沟通和确保安全的革命性飞跃。针对VANETs的数据包传输问题,提出了一种改进的启发式算法,该算法考虑了干扰因素,基于碰撞丢包率,SINR和队列溢出,根据网络和交通情况优化传输功率和竞争窗尺寸。用Vanet Mobi Sim交通仿真软件构建VAENTs网络场景。结果表明,与传统的启发式算法比较,改进的启发式算法在端到端延迟影响较小的情况下,能够有效地降低数据包丢包率,提高数据包传递率和可靠性,进而提高吞吐量、降低端到端延迟和提高数据包传输的可靠性。     

考虑时延的信号交叉口生态驾驶控制

针对信号交叉口处的生态驾驶问题,本文中提出了一种考虑时变时延的鲁棒模型预测控制方法。首先给出基于交通信号灯正时信息、最优巡航车速和前车状态信息的最优目标车速计算方法,建立时变时延的离散非线性系统模型;然后利用时延的上下界信息构造李雅普诺夫函数,利用线性矩阵不等式求解反馈控制律,保证系统的鲁棒稳定和对目标性能的优化;最后通过仿真和智能小车试验进行验证。结果表明,提出的控制方法能保证车队的安全,并提高燃油经济性和交通流畅性。     

考虑网络通信时延的智能网联汽车横向鲁棒控制研究

智能网联汽车横向控制系统主要由车体姿态传感器、期望路径生成模块及横向控制器等组成,通过通信网络实现传感器、控制器与执行器之间的信息传递.智能网联汽车通信时延会降低网络数据的传输效率,严重影响车辆横向控制系统的性能.建立了两自由度汽车操纵动力学模型,考虑车载网络的通信时延,将动力学模型转换成离散化含时延状态空间方程.根据...     

一种用于道路交通事故自动检测的改进双流网络

交通事故实时快速检测对提升道路交通应急管理水平具有重要意义。视频检测技术可以有效节省人工监控成本，并在事故检测的相关研究中取得了较好成果。然而，在拥堵交通环境中，现有方法通常无法准确识别出交通事故。为解决上述问题，提出一种改进双流网络，以提高拥堵交通环境下的检测性能。该改进双流网络利用2个并行卷积神经网络(即外观、运动特征提取网络)分别提取视频数据的事故外观特征和运动特征。为了引导网络捕捉拥堵场景下判别性事故外观特征，引入辅助网络和三元损失函数来训练外观特征提取网络。在运动特征提取网络中建立光流提取网络，以捕捉拥堵交通环境下细微的光流信息，进而提升事故运动特征提取能力。研究结果表明：相较传统方法，所提方法有效提升了拥堵交通环境下的事故检测能力，降低了24.56%的误报率和25.00%的漏检率。研究成果可用于城市高流量、混流交通场景(如城市交叉口、快速路、主干道等)中进行道路交通事故自动检测。     

面向自动驾驶汽车测试的交通车辆交互过程建模

为满足自动驾驶汽车测试对场景真实度的要求,提出一种针对交通车辆交互关系的耦合特征建模方法。结合基于机理模型构建的虚拟数据和采集的真实场景数据建立交通车辆行为数据集;采用深度学习建立局部信息响应的交通车辆行为决策模型、跟驰模型和换道模型,结构相对简单的单体模型能提升场景模拟的可扩展性;针对自动驾驶汽车测试对模型鲁棒性要求高的问题,建立分布执行-集中对抗训练的架构进行交通车辆模型优化,提高模型对输入扰动的鲁棒性。构建交通车辆交互仿真环境对模型进行仿真,通过仿真数据与真实数据分布之间的对比和量化评价指标验证模型的有效性。     

基于车联网控制的改进跟车模型

利用车联网理论建立跟车模型,基于网络控制原则,应用跟车模式对传统的交通模型进行改进。在"不进行换道的高速公路"条件下分析了车联网状态流量、车联网对交通流造成的影响,对单向某特定场景进行定量评估。实例表明在车联网条件下道路容量的利用率有效增强。     

城市道路场景下考虑多类交通参与者的多模态车辆轨迹预测方法研究

车辆轨迹预测是自动驾驶的关键技术之一,针对以往模型较少考虑城市道路场景中车辆以外多类交通参与者的问题,本研究提出了一种多类交通参与者的多模态车辆轨迹预测模型。该模型使用门控循环单元对历史轨迹信息进行编码,并利用注意力机制将多类交通参与者的特征映射到用图结构表达的驾驶场景中,通过图注意力网络进行环境特征提取,从而使模型能感知环境中的多类交通参与者。此外,模型通过节点轨迹预测与坐标轨迹预测模块输出最终的多模态轨迹预测结果。基于城市道路场景数据集nuScenes的实验结果表明：相较于同类现有模型,所提出的模型算力需求更低、预测更准确,且能适用于人车混合的城市道路驾驶场景。     

老城区交通微循环的双层规划模型

老城区道路街巷网络密集，利用交通微循环可以缓解交通干道的压力，提高区域路网的承载力和可达性。以干路饱和度和街道级交通指数为优化目标，支路不拥堵为约束条件，构建上层模型，采用用户均衡交通分配与借助Tran CAD求解下层模型，构建老城区交通微循环的双层规划模型，并通过实例说明了模型的建立与求解过程。     

基于类人视觉的多任务交通目标实时检测模型

针对复杂交通场景下单个模型无法同时对可行驶区域和交通目标进行统一检测和检测实时性较差的问题,本文中提出了一种基于类人视觉的多任务交通目标单阶段检测模型,实现了可行驶区域和车辆、行人的实时统一检测.首先建立类人视觉注意力机制进行监督,采用轻量化模型MobileNetV3作为骨架,接着利用特征金字塔的思想对可行驶区域进行检...     

基于改进型CTM模型的城市快速路交通事件仿真

交通事件是城市快速路拥堵的重要原因,有必要对交通事件发生后的交通流特性进行分析。为更好地适用于城市快速路交通流仿真,引入元胞密度和元胞长度2个参数,改进了传统元胞传输模型(CTM)。在Matlab上建立改进的快速路元胞传输模型,考虑不同交通密度条件下拥堵形成过程和消散机理,选取了交通事件后的交通流特征指标并定量计算。结果表明,改进的CTM模型能较好地对城市快速路交通事件仿真,不同交通密度下的交通事件引起的交通流特征有很大差异。     

面向自动驾驶的遥感影像路网检测方法

针对高分辨率遥感影像道路提取难度大、提取精度低的问题，提出了一种基于VGGU-Net++的遥感影像路网检测方法。首先基于VGGU-Net框架构建了编码器-解码器网络；其次，设计了一系列嵌套、密集的卷积块，用以缩小编码器与解码器特征映射之间的语义差距。节点之间利用跳跃连接填充了具有多个卷积层的密集卷积块，其层数取决于金字塔等级；并在2个卷积块之间设置1个串联层，该层将同一密集块前一个卷积层的输出和浅层的上采样输出进行特征图融合。同时，使用深监督策略保证网络模型的修剪程度和速度增益。在网络训练过程中，这种相似语义特征图的跳转连接可以简化优化操作，提高网络训练性能。最后，利用遥感影像开源数据集——马萨诸塞州数据集进行算法的测试与验证。结果表明，提出的VGGU-Net++网络与现有同类方法相比，获得了更好的性能表现，在精确率、召回率、F₁-score和I_oU方面分别达到了88.1%、87.1%、88.5%和77.9%，能够实现城市、山区、直线、弯曲道路场景高维、复杂、抽象特征的自动提取；此外，检测结果能够减少干扰，降低误检，保留更多道路细节信息，得到更加完整、清晰的路网检测效果。     

基于云计算的卡尔曼滤波速度诱导模型研究

利用自适应卡尔曼滤波器来建立城市快速路瞬时交通预测模型,同时通过Hadoop基础框架及Ma—pReduce的编程模型设计和开发了交通属性指标最小约简云处理系统,并在此基础上对车辆进行速度诱导控制,建立了以车辆总行程时间为目标函数的诱导优化模型。并以上海南北高架南段东线为例建立了仿真场景,对模型进行了参数标定与校验,通过有效性与性能分析表明：用云计算能够提高运算效率,且速度诱导控制后,降低了路段上交通流的整体速度差异,提高了交通安全性。     

基于TrueTime的分布式主动转向网络控制的仿真研究

为揭示网络的介入对系统控制性能的影响,首先基于MATLAB/Simulink和滑模控制理论,建立了2自由度线性车辆模型和8自由度非线性车辆模型,设计了主动转向控制器.接着,提出了基于CAN网络通信的分布式主动转向控制网络架构,应用仿真工具箱TrueTime建立了网络控制系统模型,在不同网络服务品质下对网络控制性能进行了仿真分析.结果表明,不同网络环境对系统控制性能具有不同程度的影响,通信负载一定时,通信时延和数据丢包是网络产生不良影响的主要因素,在系统设计时应予以考虑.     

基于群体公平差异的公交网络双层优化模型

为准确刻画公交网络优化对不同居民群体的公平性影响,建立了考虑不同群体的人均道路占有面积、出行成本差异等因素的公交网络双层优化模型。上层模型以出行成本剥夺系数与道路面积基尼系数最小化为目标,用于求解考虑交通公平约束的公交网络优化方案;下层模型为多模式多用户随机均衡交通分配模型,用于描述上层给出的公交优化方案中不同群体对于不同交通方式的复杂选择行为。采用非劣排序遗传算法-Ⅱ求解模型,并以一个简单网络进行算例分析。结果表明：公交网络优化前,小汽车、公交车与自行车的出行分担率分别为42%,47%,11%;优化后,各出行方式的分担率分别为7%,82%,11%,部分拥有小汽车的高、中收入用户改用公交出行,3类群体的出行成本剥夺系数下降了20.68%,道路面积基尼系数下降了87.76%,低收入群体的交通公平感受与客观资源分配均显著改善。研究结果可为公交网络优化提供理论依据与模型基础,是改善交通规划方案公平性的全新尝试。     

基于封闭测试场的DSRC与LTE-V通信性能测试研究

针对专用短程通信(DSRC)和LTE-V技术的性能测试需求,在封闭测试场搭建了静态、动态条件下的5种场景,构建了面向智能网联交通应用的模块化测试平台,并设计了一种通信性能测试系统及方法,以数据包投递率和时延为评价指标,通过测试对比分析了通信距离、遮蔽物、车速等因素对DSRC和LTE-V通信性能的影响。结果表明:通信距离和遮蔽物是影响DSRC与LTE-V通信性能的重要因素,但LTE-V较DSRC有更广的通信范围,在同一范围内有更可靠的性能;车速对二者通信性能影响较小,但在高速场景下,两车距离较近时,LTE-V出现时延突增现象,DSRC较LTE-V有更佳的性能。     

动态网络交通信号配时模型研究

讨论了均衡网络交通信号醒时问题，提出了一个同时进行动态交通分配和最优信号配时的动态网络交通信号配时多层规划模型。该模型的下层问题是应用最优控制理论建立的动态用户最优模型，能够实时描述出行者对任意给定的信号控制策略的反应。模型的上层问题在考虑出行者路径选择行为的基础上，优化系统运行指标以获得时变的绿信比。     

自动紧急制动系统测试场景研究

根据国外已提出的自动紧急制动系统(AEB)测试场景,对适用于我国汽车行驶工况的AEB测试场景进行了研究。采用行驶记录仪采集了汽车实际行驶危险工况并进行了统计分析,利用驾驶员反映时间确定了危险开始时刻,从而获得相应的AEB测试场景参数,并依此建立完整的测试场景仿真模型,得到了符合我国城市道路交通情况的AEB测试场景。     

融合Lite-HRNet的Yolo v5双模态自动驾驶小目标检测方法

针对目前自动驾驶领域的目标检测算法在对道路小目标和密集目标进行检测的时候出现漏检的问题,提出一种融合Lite-HRNet的Yolo v5网络。首先为了获得高分辨率的特征检测图将Lite-HRNet作为Yolo v5的主干网络,以增强对小目标及密集目标的检测。为提升暗光场景下的检测性能,将红外图像与可见光图像进行动态权值融合,充分发挥可见光图像与红外图像的互补优势。由于主干网络进行了充分的特征融合,为加快检测速度取消在检测层中的特征融合结构。其次为了加快收敛速度和提高回归精度采用α-EIoU作为边界框损失函数,同时为选取针对数据集更合适的先验框,使用二分K-means算法进行聚类,并且使用小目标数据增强算法对数据集进行样本扩充。最后在flir数据集上进行对比测试,根据实验结果,提出的算法比Yolo v5在平均精度上提高了7.64%,小目标和密集目标的漏检率明显减少。     

多通路高分辨率网络与注意力机制融合的车辆检测模型

为改善道路交通监测和保证智能网联交通系统的安全、可靠与稳定运行,提出了在路侧边缘平台中基于多通路高分辨率网络与注意力机制融合的车辆检测模型MCHRANet。该模型采用多通路的高分辨率网络的结构设计,保留高分辨率特征并保障识别准确率。融入注意力机制的特征融合方法,通过特征连接权重自学习实现多尺度特征的深度融合。各通路网络采用跳跃连接促进跨层特征融合,加速网络收敛,并利用公开数据集对车辆检测性能进行评估并验证。结果表明：所提模型的车辆检测性能优于3个传统模型,改进后的网络识别平均精度均值（mAP）指标接近95%,且对于不同场景下的检测具有良好的鲁棒性。     

基于改进跟驰模型的混合车辆编队研究

现有的车辆编队控制研究多基于全智能网联环境，不适用于智能网联汽车(Connected and Automated Vehicle, CAV)与人工驾驶汽车(Human-Driven Vehicles, HDV)组成的混合交通场景，因此以混合交通环境下CAV和HDV组成的车辆编队为研究对象，引入头车及前车、后方HDV信息，提出一种改进的智能驾驶员模型(Intelligent Driver Model, IDM)。为更贴合驾驶员的操作行为，缓解优化速度模型(Optimal Velocity Model, OVM)受前车影响产生的速度波动，通过引入驾驶员误差，对OVM模型进行改进。为验证模型的有效性，分别对以上改进进行仿真对比分析，结果表明改进后的IDM模型和OVM模型组成的混合车辆编队在速度响应时间、跟驰间距、油耗、安全性、稳定性等性能方面得到明显改善。