面向高速公路混合交通流的车辆协同合流策略

为提高高速公路匝道合流区的运行效率、减少交通事故的发生,面向网联自动驾驶车辆(Connected and Automated Vehicles, CAV)与人工驾驶车辆(Human Driven Vehicles, HDV)混行的交通场景,提出高速公路匝道分层协作合流框架,该框架集成合流序列调度算法和协作合流算法,并根据车辆类型与车辆状态进行实时调整。首先,提出一种基于启发式规则的高速公路合流序列实时调度算法,优化合流区车辆的合流顺序,解决了传统固定合流序列无法适应HDV驾驶行为随机扰动的问题。然后,根据合流序列调度算法及当前车辆位置,判断协作合流的车辆组及其车辆类型,分别建立CAV-CAV、CAV-HDV和HDV-HDV的协作合流控制算法。通过试验仿真发现：相较于无控制情况和“先进先出”策略,总延误分别降低了21.66%、39.88%;协作控制区长度对燃油经济性存在一定影响,能耗随着距离的增加而减小,并存在一个最小值,即300 m,到达该值后能耗将逐渐增大;车辆之间车头时距的增加,对减小车辆能耗存在一定的影响。其中,HDV之间车头时距的影响大于CAV之间车头时距的影响。     

车路协同系统信息交互仿真方法

为提高车路协同系统信息交互网络通信质量, 在规定延时范围内实现数据的准确交互, 构建了基于OPNET的车路协同系统信息交互平台。研究了多种车辆自组织网络路由协议, 应用最小距离路由竞争机制设计了基于车辆位置的分簇路由协议优化方法。基于OPNET对基于车辆位置的分簇优化路由协议和传统的路由协议进行仿真对比, 分析了不同路由协议对车路协同系统通信性能的影响。对DCF和PCF两种不同的信道接入协议进行仿真比较。仿真结果表明: 基于车辆位置的分簇路由协议中簇头变化率为1.47次·s^-1; 在信息延时方面, 较AODV、DSR分别减少18.92%、26.90%, 较基于最高节点度和基于ID的分簇路由协议分别减少14.20%、21.54%;在网络负载方面, 较AODV、DSR分别减少20.83%、22.92%;PCF较DCF信道接入协议延时效果优越, 延时减少了约29.60%。     

基于半监督极限学习机的隧道内车辆RSSI定位方法

为了提高公路隧道突发事件的判别效率,实现道路交通状态全天候监测,以智能公路上泛在无线传感网络为基础,研究了基于信号强度指示值(RSSI)的网联车辆定位问题;考虑到隧道内车辆的连续运动特性,提出了一种带有局部线性嵌入(LLE)算法的半监督极限学习机(SSELM)实现RSSI指纹定位;离线阶段利用LLE对少量已标记位置的RSSI样本和大量无标记样本进行降维处理,辨识表征目标位置信息的高维数据对应的低维流形,再基于改进的半监督学习拟合降维后的RSSI与位置的映射关系;在线阶段将实时采集的RSSI数据进行流形降维后,输入校准好的SSELM中估计目标位置;采用无迹卡尔曼滤波平滑估计位置。试验结果表明：相比于已有半监督学习算法,提出的方法在不同车辆行驶速度和部署间距下均能取得较优的定位性能;当已标记数据占比(减少了50%~90%)、未标记数据数量(0~1 000个)和检测器部署间距(10~25 m)等关键指标变化后,本文方法的定位性能仍然保持最佳,其平均误差最低为3.09 m;计算复杂度上,当已标记数据为30%,即仅采集96个参考点样本时,其平均定位误差为3.8 m,训练时间低至8.7 s。可见,带有局部线性嵌入算法的半监督极限学习机在稀疏或密集传感器部署环境中,对不同行驶速度的车辆均能提供理想的定位性能,且训练时间短、样本依赖性低,是进行隧道内网联车辆辅助定位的一种有效方法。