深圳交通发展模式回顾与展望

交通发展模式是交通发展的基本遵循和制度设计,是多目标导向下的最终发展路径选择。深圳交通发展不同阶段重点更迭交替,但服务大局、改革开放、创新驱动、城市协同始终是交通发展的总逻辑,呈现出由孕育到发展再到成熟、由探索到稳定再到变革的蓬勃生命力,与之相伴的是交通运输治理体系的逐步发展。进入新时代,深圳建设中国特色社会主义先行示范区,将赋予交通发展模式新内涵,促进交通运输治理体系现代化。     

考虑定位信息不确定性的多车协同定位算法

针对车载全球定位系统(global positioning system)存在的定位精度较差、定位可靠性较低等问题,提出了一种车车通信环境下考虑定位信息不确定性的多车协同定位算法.该算法在所研究车辆均装有车载GPS和前置距离传感器的基础上,以定位信息不确定性为依据进行协同定位.对自适应卡尔曼滤波进行改进以确定车辆定位信息的不确定度,搭建车间相对位置模型求解2车相对位置关系,最后设计联邦卡尔曼滤波算法利用多车数据进行融合以实现定位效果的优化.通过数值仿真表明这一算法与自车组合导航相比有效提升了GPS定位精度和可靠性,两者分别平均提升了35.2%和42.6%,且在车联网渗透率较高以及GPS信号较差时,定位效果提升更为明显.     

关于受托服务商钢轨转向架一体化协同管理的展望

分析了现阶段转向架管理工作中存在的问题,提出了建立多方式、多渠道信息共享,一体化协同管理的构想,以期实现钢轨生产商、受托服务商、国铁企业整体联动,相互配合,改善转向架管理工作现状.     

面向智能网联汽车定位的协同地图匹配算法

为实现智能网联环境下低成本、高精度的车辆定位, 研究了基于自适应遗传Rao-Blackwellized粒子滤波的协同地图匹配算法。利用联网车辆的定位信息和道路约束条件消除公共偏差, 提高车辆定位精度。将自适应遗传算法引入到粒子滤波的重采样过程中, 增加粒子的多样性, 解决传统粒子滤波算法中容易出现的“粒子退化”和“粒子耗尽”问题。通过仿真实验与传统粒子滤波以及卡尔曼平滑粒子滤波下的定位结果进行了对比, 同时分析了不同联网车辆数目对定位精度的影响。通过实际测试验证了算法在实际应用中的定位效果。实测结果表明: 以典型十字路口为例, 在联网车辆数目为4的情况下, 协同地图匹配算法的定位误差范围为1.67 m, 分别为原始GNSS定位以及单车地图匹配定位结果的41.03%和56.80%。同时, 该算法的统计定位精度(CEP)达到1.06 m, 比GNSS原始定位精度提高了2.52 m, 具有较好的定位效果。     

基于数据驱动的人机混驾多车协同控制算法

针对多车协同控制系统中,传统控制算法需要准确获取系统中与驾驶员驾驶行为相关的参数以及与车辆系统动力学相关参数等问题,提出基于数据驱动的自适应动态规划控制算法。以有人与无人驾驶车辆混行的多车协同控制系统为研究对象,通过分析系统的横纵向控制模型,推导出系统状态方程,采用递推数值方法在线逼近最优解,并通过对最优反馈控制矩阵进行优化求解,得到最优控制输入。该算法简化了系统的控制输入参数,仅仅利用V2X通信获得的车辆的前轮转角以及车辆期望的纵向加速度作为控制输入,即可实现无人驾驶车辆的优化控制。基于Carsim和Simulink进行联合仿真测试验证,结果表明,该算法控制参数简单、收敛速度快、控制精度高、适应性强,能够控制无人驾驶车辆在多车系统中保持期望的车速并且与前车保持期望的车间距,同时在任意曲率道路上行驶时与车道中心线之间的横向误差趋于0。     

基于模型预测控制的船舶纵向航速协同控制方法

多船协同航行在海事搜救、资源勘探、极地航运等领域中具有显著优势,其中纵向航速协同控制是实现船舶协同航行的关键。通过分析船舶螺旋桨转速、加速度与航速之间的关系,构建了考虑风力影响的船舶纵向动力模型,为实现前后船加速度与跟驰距离的关联,引用基于变时距策略的船舶间距模型。设计了考虑航速、加速度等多约束的多船航速控制目标函数,并利用模型预测控制方法实现了最优化问题的实时求解。通过Matlab进行仿真验证,结果表明,提出的基于模型预测控制方法的船舶纵向航速协同控制方法在前船加速、减速、匀速等工况下,后船均能实现对前船的精确稳定跟驰,其距离跟踪误差分别为0.092 5 m,0.192 8 m,0.166 2 m,与PID方法相比具有更好的收敛性、跟踪精度和抗干扰能力。     

车路协同雾天预警系统对车辆运行生态特性的影响

为探究车路协同技术对车辆运行生态特性的影响,基于驾驶模拟试验平台构建车路协同条件下的雾天预警系统,测试了驾驶人在浓雾条件下驾驶车辆的能耗排放特征;设计了空白对照组、可变情报板(DMS)预警组、人机交互界面(HMI)预警组以及DMS+HMI预警组4种试验场景,招募43名驾驶人开展驾驶模拟试验,通过对比不同预警方式作用下车辆总体和道路关键区段的能耗排放差异,明确不同预警系统对车辆运行生态特性的影响效用。分析结果表明：相对于空白组,3种车路协同雾天预警系统均能显著降低车辆整体能耗与排放,但是不同预警方式的作用效果并无明显差别;道路场景分为了预警前、预警区、渐变区和雾区4个关键区段,3种预警系统在预警区及渐变区均可有效降低车辆能耗及排放;HMI从发出预警信息后开始生效,DMS可在车辆进入预警区前产生效果,DMS+HMI在预警区的效果最为显著,但进入雾区后不能有效降低车辆能耗与排放。可见,虽然车路协同雾天预警系统整体可以提升车辆运行生态特性,但是单一增加预警强度或改变预警方式并不能有效保证整个雾天影响区域不同区段均具有节能减排效用,合理设置车路协同预警系统应综合考虑不同预警方式、预警信息触发点位及时机、驾驶人特性等因素的匹配关系。     

车路协同环境下混合交通群体智能仿真与测试研究综述

归纳了车路协同及其仿真测试技术的发展历程,并结合典型仿真结果探讨了萌芽期、起步期、发展期阶段下的仿真需求、经典方法与技术瓶颈;在此基础上,提出了基于交通主体建模、群体行为仿真、测试结果分析的3层新型虚实交互仿真测试架构;针对混合交通主体仿真需求构建了异构交通主体模型,解析了混合交通运行机理,以此作为仿真系统底层模型支撑;结合设计的虚实交互仿真测试架构,突破了混合交通群体智能场景生成技术,提出了混合交通群体智能仿真方法;在此基础上,选取交叉口和路段典型交通场景,开展了不同群体智能决策控制方法的仿真试验,以验证所提方法的效能;最后,总结了车路协同的未来发展方向和相关建议。研究结果表明：相比于传统仿真测试方法,提出的虚实交互仿真测试方法的系统仿真粒度从500 ms减小到100 ms以内,仿真规模从9个节点和500个交通主体提升到150个节点和2 000个交通主体,仿真场景数量由36个扩展到98个,实现了异构交通主体渗透率0~100%动态可调,有效提高了车路协同混合交通仿真测试的效率、规模和覆盖度;目前新型混合交通环境下车路协同仿真测试需求快速朝着群体化、智能化、规模化演变,开展基于虚实交互和运行环境数据模拟的车路协同群体智能仿真测试方法技术研究,将有力推动下一代智能交通系统的发展。     

车路协同环境下群体车辆诱导与协同运行方法

为解决城市发展带来的交通拥堵问题,发掘道路交通的潜力,提高车路协同环境下车辆在路网中的行驶效率,面向群体车辆提出了一种诱导优化方法和协同控制策略;在车辆诱导分配方面,在起始点和目的地之间的可达路径中,以交通效率最优、车辆排放最小为目标,设计了基于道路饱和度、车辆行程时间和延误的群体车辆分配规则,建立了群体车辆诱导分配优化模型,并用多目标非支配排序遗传算法-Ⅱ(NSGA-Ⅱ)和多目标粒子群优化算法进行求解;在车辆协同运行控制策略方面,基于引力场思想建立了多车协同运行模型,并提出了多车协同加减速策略;通过仿真验证比较了不同网联自动驾驶车辆(CAV)渗透率下的车辆诱导优化结果,同时仿真了车辆协同加减速策略,并将诱导优化方法和协同控制策略进行了联合仿真。仿真结果表明：多目标诱导分配方法可以提升车辆速度和环境效益,且群体车辆平均速度与CAV渗透率正相关;在四车组队行驶环境中,车辆协同加减速策略能够将车辆在加速和减速时的初始平均加速度分别提高15.0%和8.2%,让车辆快速达到目标速度,保障行车安全;在联合仿真环境中,路网群体车辆的加速度平均提高了11.6%,速度平均提高了1.6%,碳氧化合物排放量减少约4.9%。由此可见,提出的方法能够提高路网通行效率,降低车辆能源消耗,减少对环境造成的不良影响。     

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,其控制效能不断提高,较无渗透条件最高可分别提升42.0%和14.2%;即使智能网联汽车渗透率仅达到20%,较无渗透条件也可以在交通效率方面实现20.4%的显著改善;较长的交通信号周期与较短的网联人工驾驶汽车驾驶人反应时间有助于协同控制效能的提升。