驾驶员的驾驶特性对交通流的影响

在单车道元胞自动机交通流N S模型基础上,通过引入不同的刹车概率来反映不同驾驶员的驾驶特性,并在周期边界条件下,对由激进驾驶车辆和谨慎驾驶车辆构成的混合交通流进行模拟.结果表明,在有谨慎驾驶车辆构成的交通流的临界密度以前,混合交通流的流量完全由谨慎驾驶员的特性决定;在谨慎驾驶车辆交通流临界密度以后,混合交通流的流量介于只有激进驾驶车辆和只有谨慎驾驶车辆的流量之间,小于完全是谨慎驾驶车辆流量和完全是激进驾驶车辆流量的线性之和;激进驾驶车辆和谨慎驾驶车辆的混合比例及它们的刹车概率对混合交通流的临界密度和流量有很大的影响.     

混有CACC和ACC车辆的连续型元胞自动机交通流模型

现有的混合交通流元胞自动机模型中自动驾驶车辆与手动驾驶车辆在跟驰模型上大多仅存在反应时间上的差别,并不能体现自动驾驶上层控制系统实时调节加速度保持车速稳定的特点,基于Gipps模型和PATH实验室标定的ACC和CACC跟驰模型提出了更符合自动驾驶机理的连续型元胞自动机模型。通过计算机数值仿真分别从速度,流量,拥堵比例以及期望车间时距方面对不同渗透率下的混合交通流进行分析。结果表明,智能网联车辆能有效提高道路通行能力,且能大幅减少交通拥堵;智能网联车渗透率越高,开始出现拥堵车辆的密度临界值越大;同时道路通行能力随期望车间时距减小而增大。     

考虑时延的网联车混合交通流基本图模型

由于智能网联车的不断发展,未来将出现智能网联车和人工驾驶车共同存在的混合交通流,因此,研究道路上的混合交通有助于解决交通拥堵等问题,具有一定的现实意义。为探究这类混合交通流的流量、密度和速度之间的关系,文中综合考虑智能网联车辆退化和车辆时延,建立了自动驾驶环境下混合交通流的基本图模型。首先,确定交通流中的车辆类型和不同类型车辆的比例,并考虑联网智能车辆跟随人工车辆时发生的车辆功能退化;然后,确定3种车辆的延迟时间并改进每种车辆的跟驰模型;在此基础上,同时考虑车辆时延和车辆功能退化两种因素,推导出交通流平衡时的基本图模型,并对模型中的自由流速度参数进行敏感度分析。研究结果表明,智能网联车对混合交通流的最大流量和最佳密度有积极影响,车辆时延有消极影响,自由流速度则对混合交通流的最大流量有积极影响,对最佳密度有消极影响。SUMO仿真结果表明,在不同场景下仿真得到的流量–密度分布点符合理论曲线,验证了文中理论模型的准确性。     

考虑异质出行者的道路收费路网流量演化模型

为研究道路收费路网的流量在出发时刻和出行路径上的逐日演化规律,根据时间价值差异将出行者分为3类,以历史经验学习更新出行路径相关参数,将时间价值与路段收费统一为出行成本,引入前景理论描述出行者的出行行为.以准点到达概率最大为目标,建立出发时刻的流量转移模型;以追逐路径前景值最大为目标,建立各出发时刻流量在路径间的流量转移模型;最后通过算例对模型和算法进行验证.结果表明:处于收费路段与时段的流量较小,流量向其他路段及时段转移;异质出行者与同质出行者相比,总体流量演化表现为转移次数更多、转移幅度更平缓.     

考虑有限理性和认知更新的日变交通分配模型

研究交通流的逐日演化规律对缓解城市交通拥堵有着重要意义.现有日变交通分配模型所考虑的因素具有一定的片面性,不能全面描述实际交通环境下出行者的有限理性和认知更新行为.基于累计前景理论框架,提出考虑出行者有限理性和认知更新的日变交通分配模型,并通过测试网络进行仿真分析.研究发现,在考虑出行者有限理性和认知更新的条件下,路径流量收敛到最终稳定态的速度较快,在本文算例中,路径1~6分别在第40天、40天、11天、13天、22天和23天演化到稳定点;出行者对路径累积前景值认知的敏感性参数η对路径流量的逐日演化收敛速度也有着显著的影响,较小的η值意味着需要更长的时间,使得网络上的流量分布演化到最终平衡态.     

车联网环境下自动驾驶交通流建模与分析

在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型,并理论推导在不同自动驾驶比例下混合交通流稳定性的解析判别条件,从混合交通流稳定域角度对比分析模型改进前后混合交通流的稳定性。结果表明,相比于原自动驾驶跟驰模型,改进后的模型能有效缩小混合交通流不稳定区域,降低混合交通流全速度范围内稳定时所需的最低自动驾驶比例,从而提升自动驾驶混合交通流的稳定性。     

考虑驾驶员特性的混合交通流演化网络特性研究

考虑驾驶员具有不同的驾驶特点,利用元胞自动机NS模型和FI模型的混合模型模拟交通流状态的演化网络,模拟结果表明:混合比例系数虽然对道路交通流的流量和平均速度影响很大,但是不改变交通流状态演化网络的无标度特性;网络模型的无标度特性呈几何分布.     

基于冲突相位组的自动驾驶交叉口行人过街控制方法

【目的】在无信号控制的自动驾驶环境下,自动驾驶车辆的通行轨迹将与过街行人产生大量冲突,如何利用交通控制手段使行人安全通过交叉口,并避免对自动驾驶车辆的通行造成较大的干扰,是亟待解决的关键问题。【方法】本文提出一种基于冲突相位组的自动驾驶交叉口行人过街控制方法,将到达交叉口的车辆流向分为4个冲突相位组,在各相位组内单独分配通行时间,基于冲突相位组对自动驾驶车辆和行人过街的通行时间进行建模;在穿插式通行模式的基础上,使用行人信号灯保障行人过街需求,建立考虑行人二次过街的自动驾驶交叉口交通控制模型。模型以交叉口各流向需求量与实际交通量乘积之和最大为目标,以各流向允许车辆通行的时间比例和行人信号灯状态为决策变量,综合考虑交通流量、行人和车辆通行权等约束,建立混合整数线性规划模型（mixed-integer linear program,MILP）,该控制模型可为各流向的车辆和行人分配通行权。【结果】本文模型的车均延误较定时控制方案的降低26.74%,较单次过街模型的降低11.53%,人均延误较定时控制方案的降低51.66%,较单次过街模型的降低36.20%。这表明本文模型能有效提升交叉口的通行...     

考虑两次改变驾驶方式的双车道交通流元胞自动机模型

考虑驾驶员在不同交通环境下会变换驾驶方式的真实情况,建立两次改变驾驶方式的双车道交通流元胞自动机模型(TTChange-CA模型).通过数值模拟发现,2种类型车辆的初始混合比例和换道概率对交通流基本没有影响;与只改变一次驾驶方式的双车道模型(TChange-CA模型)相比,TTChange-CA模型提高了系统的流量、速度和临界密度,增加了道路利用率;与双车道SDNaSch模型和WWH模型相比,该模型的速度、流量及时空图的致密程度介于二者之间,更真实地刻画了现实交通流.     

驾驶机器人车辆多新息动态转向力矩补偿

为了减小驾驶机器人车辆长期自动驾驶过程中转向性能下降带来的影响,提出了一种基于多新息的驾驶机器人车辆动态转向力矩补偿方法。构建了车辆动力学模型和驾驶机器人车辆动力学模型;建立了以路径曲率及车速为输入、方向盘转向角为输出的驾驶机器人车辆转向性能离线自学习模型;建立了以方向盘角速度、角加速度及车轮转角为输入,转向机械手驱动力矩为输出的受控自回归在线辨识模型,并运用遗忘因子多新息最小二乘方法进行参数辨识,将迭代计算过程中的标量新息扩展为向量新息,提高了驾驶机器人车辆转向性能参数的辨识精度;驾驶机器人车辆自动驾驶过程中,利用离线自学习模型和转向机械手动力学方程计算出转向电机输出力矩,加上反馈回来的驱动力矩误差,实现对驾驶机器人车辆转向力矩的在线动态补偿。仿真与试验结果对比表明:所提方法辨识的转向力矩误差在0.1N·m以内,跟踪目标路径的横向位移偏差小于0.2m;所提方法有效减小了驾驶机器人车辆转向性能下降造成的影响。     

车联网环境下巡航控制系统对交通流油耗的影响

为研究未来车联网环境下联网巡航控制(CCC)系统对交通流油耗的影响,选取Helly跟驰模型作为手动驾驶车辆跟驰模型,基于CCC车辆跟驰特性,构建多前车反馈的CCC跟驰模型;推导CCC系统的扰动传递函数,计算CCC系统关于反馈系数与平衡态速度的稳定域;针对高速公路上匝道瓶颈,考虑CCC车辆与手动驾驶车辆混合行驶中的随机性,在不同的主路需求与匝道需求情况下设计数值仿真实验,评估CCC车辆对交通流油耗的影响。研究结果表明:当CCC系统稳定时,CCC车辆有利于降低交通流油耗,当CCC车辆比例达到约60%时,油耗降低速度较快,相比于传统手动车辆交通流,CCC车辆交通流油耗降低约35%以上;当CCC系统不稳定时,交通流油耗降低率小于3.59%;CCC系统稳定域能够影响交通流油耗降低。     

元胞自动机FI和NS交通流混合模型的研究

考虑车辆的驾驶员具有其不同的驾驶特点,建立了单车道开放边界条件下元胞自动机FI模型和NS模型混合的交通流模型．通过计算机模拟,研究了混合交通流的密度、速度和流量受边界、NS型车辆的随机减速概率PNS、FI型车辆的随机减速概率PFI和NS型车辆的产生概率α′的影响．结果表明,PNS和α′是决定混合交通流的主要因素,它们的值越大,混合交通流的密度、速度和流量就越小,混合模型的密度、速度和流量都比NS模型的大．     

自动驾驶车辆路径跟踪控制方法研究

路径跟踪控制是自动驾驶车辆关键技术的一个重要环节,主要研究如何控制关键的参数使得自动驾驶车辆稳定无偏差地沿着已经规划好的路径行驶。本文介绍了常用的一些控制方法,并分析了其在自动驾驶汽车路径跟踪方面的研究应用,指出将多种算法相结合、改善模型动力学约束的完整性等会使路径跟踪的效果更精准的研究。     

速度差影响下混合驾驶交通流动态特性分析

为分析自动驾驶车辆(AV)与人工驾驶车辆(HV)之间存在速度差时对混合驾驶交通流动态特性的影响,选取智能驾驶员模型(IDM)和协同自适应巡航控制(CACC)模型分别对HV和AV跟驰行为进行建模,采用MOBIL换道模型对换道行为进行建模.以单向两车道路段为场景,仿真分析了不同AV渗透率下速度差对混合驾驶环境交通流基本图的...     

快速路上匝道瓶颈路段异质交通流演变规律

为了掌握快速路瓶颈路段异质交通流的演变规律,以缓解交通拥堵,本文以快速路上匝道瓶颈路段为研究对象,构建了考虑安全距离的改进NaSch上匝道模型,利用数值仿真,对不同场景交通流演化过程进行系统性研究。仿真结果显示:在不同条件下,异质交通流中自动驾驶车辆比例的增加对瓶颈路段交通运营状态影响结果各异。在自由流阶段,自动驾驶车辆比例的增加对快速路瓶颈路段运营通行能力的增加无显著影响,自动驾驶车辆比例取0.9时,瓶颈路段运营通行能力反而降低了2.48%;在交通拥堵状态下,当异质交通流中自动驾驶车辆比例达到0.7及以上时,才有助于交通拥堵的消散,且其临界值随交通拥堵状态程度的提高而增大;当交通密度达到100 veh/km以上时,自动驾驶车辆比例的增加无法实质性改善瓶颈路段交通拥堵状态。研究结果可为异质交通流环境下的快速路上匝道瓶颈路段的治堵策略提供理论依据。     

自动驾驶环境下考虑停车需求的交通均衡模型

本文在自动驾驶环境下,考虑交通网络中自动驾驶车辆(autonomous vehicles,AVs)的载人和空载状态在路段上相互影响,研究AVs路径选择和停车选择的组合均衡问题。首先,提出自动驾驶环境下考虑停车需求的交通均衡条件,建立网络均衡模型,证明模型的等价性以及解的唯一性;其次,采用网络变换法,将原问题变换为经典的用户均衡问题,使用相继平均法求解模型;最后,通过算例分析停车场费用对均衡的影响。结果表明:随着中心停车场费用的降低,个人总出行成本总体呈下降趋势,且局部路段流量变化幅度大;当中心停车场费用在一定范围内降低时,该停车场的需求量显著上升,其余停车场需求量总体上均有不同程度的下降;当中心停车场费用超出这个范围时,停车费的降低不影响停车选择结果。     

四驱混合动力轿车转弯工况路径跟踪控制

针对四驱混合动力轿车,提出一种转弯工况下集成横向与纵向运动控制功能的路径跟踪控制策略.在建立车辆动力学与动力系统模型的基础上,设计了基于轨迹跟踪误差的驾驶员预瞄转向模型;采用模糊控制器确定了期望车速,对转矩分配问题进行优化研究;设计了车速与轨迹跟踪模型预测控制器;搭建了CarSim与MATLAB/Simulink联合仿真模型与自动驾驶模拟驾驶器,对控制策略进行了离线仿真和硬件在环仿真试验.研究结果表明,车辆转弯过程中路径及车速跟踪效果良好,满足转弯工况路径跟踪需求.     

基于无人驾驶车辆的不同车道模式交通流优化

为研究不同类型车辆组成的混合交通流的运行模式,假定无人驾驶车辆、先进出行者出行系统(advanced traveler information systems,ATIS)装置车辆和普通驾驶车辆分别遵从系统最优模式、用户均衡模式、随机用户均衡模式选择路径,分别建立普通车道、专用车道模式下的交通分配模型,给出求解模型的连续平均算法(method of successive averages,MSA)。通过算例确定路段通行能力,分析信息质量水平、出行需求量、市场渗透率对出行时间的影响,在确定模型各项参数取值的基础上,根据专用车道设置情况对混合均衡流状态进行研究,验证模型算法的可行性和收敛性。研究结果表明:通行能力随着行驶速度的增加先提高后下降,选择合适的行驶速度将提高路段通行能力,且无人驾驶专用道的通行能力明显高于普通车道;适当提高信息质量水平,可降低路径选择的随机性,有效减少平均出行时间;随着出行需求量的增加,平均出行时间逐渐提高,其中系统最优模式(无人驾驶专用道)的平均出行时间最小;根据市场渗透率的变化情况选择合适的车道配置模式,既能提高道路资源的使用效率,又能减少出行者的出行成本;不同车道配置模式下的混合交通流均随着迭代次数的增加逐渐达到稳定状态;当无人驾驶车辆的市场渗透率较高时,设置无人驾驶专用道将缩短行驶时间,提高运行效率。     

网联混合车流车辆换道博弈行为及模型

车联网环境中,交通系统将长期呈现智能网联汽车和传统人工驾驶车辆混合共存的状况.针对智能网联交通环境下的新型混合车流,建立了车辆的换道行为决策模型.对于混合车辆交通流引入最小安全区域模型,自主车辆交通流基于博弈论的思想进行建模.自主车辆之间的换道被看作为1种非合作博弈行为,车辆以自身行驶状态为博弈收益,寻求行驶条件更优的车道.运用SUMO软件对提出的换道模型进行仿真验证分析.仿真结果表明,博弈换道模型相比于传统间隙阈值接受模型具有较高的车道利用率和安全稳定性.     

考虑无人驾驶车辆影响的道路网络容量模型

为了研究未来无人驾驶车辆对道路网络容量的影响,将路网上的车辆分为无人驾驶车辆和普通车辆两类,根据两类车辆的不同路径选择行为,构建考虑无人驾驶车辆影响的道路网络容量双层规划模型。上层模型为满足路段容量约束条件下的最大交通需求,其中各OD之间的交通需求采用均一的增长乘子;下层模型为考虑无人驾驶车辆影响的混合路径选择行为模型,其中普通车辆以极小化个体的出行成本为目标,而无人驾驶车辆以系统最优为目标。基于迭代平衡思想设计求解双层规划的启发式算法,并通过算例验证了模型和算法的有效性和可行性。研究结果表明:(1)当无人驾驶车辆的市场渗透率较低时,无人驾驶车辆对普通车辆的路径选择影响不大,道路网络混合均衡流量波动很小,道路网络容量增加不明显;(2)随着市场渗透率的增加,道路网络容量首先呈现缓慢增加的趋势,当无人驾驶车辆占据主导地位后,可利用的路径数量增多,流量在不同路段上分布更加均衡,道路网络容量快速增长,当网络中的车辆都是无人驾驶车辆时,整个系统处于最优运行状态,算例结果表明道路网络容量显著增加;(3)随着道路网络容量的增加,交通网络系统总阻抗也会增加,但每辆车的平均出行成本变化不大。