CN104778072B - 一种用于交通混合流模型的车辆和行人交互模拟方法 - Google Patents
一种用于交通混合流模型的车辆和行人交互模拟方法 Download PDFInfo
- Publication number
- CN104778072B CN104778072B CN201510181942.9A CN201510181942A CN104778072B CN 104778072 B CN104778072 B CN 104778072B CN 201510181942 A CN201510181942 A CN 201510181942A CN 104778072 B CN104778072 B CN 104778072B
- Authority
- CN
- China
- Prior art keywords
- pedestrian
- vehicle
- mrow
- msub
- time
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000004088 simulation Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 title abstract description 9
- 230000001133 acceleration Effects 0.000 claims abstract description 47
- 230000003993 interaction Effects 0.000 claims description 20
- 230000033001 locomotion Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000035484 reaction time Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 230000006399 behavior Effects 0.000 description 19
- 239000003795 chemical substances by application Substances 0.000 description 5
- 238000013459 approach Methods 0.000 description 3
- 238000003891 environmental analysis Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003786 synthesis reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000827 velocimetry Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种用于交通混合流模型的车辆和行人交互模拟方法,对于模拟任一行人穿越所在道路包括以下步骤:获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;根据获取的行人的坐标和车辆的坐标,计算行人穿越道路的时间和车辆穿越行人的时间;比较行人穿越道路的时间和车辆穿越行人的时间,根据结果进行不同的控制;然后将驱动力反馈项添加到原始驱动力项中以驱动行人前进或者停止;将加速度反馈项添加到原始加速度项中以驱动车辆前进;本发明方法简单新颖,很好的解决了在虚拟交通模拟中的真实性欠缺问题和人车交互问题。
Description
技术领域
本发明涉及虚拟仿真技术领域,特别涉及一种用于交通混合流模型的车辆和行人交互模拟方法。
背景技术
近年来对道路交通的模拟受到越来越多的关注。在交通***中,车辆和行人是两个非常重要的对象。在真实世界中,车辆和行人有难以分割的联系,两者之间的交互非常复杂。对于车辆与行人在交通***中的交互的模拟有助于城市环境的交通安全和未来发展。另外,对于混合交通流的模拟能够更真实的体现城市环境。
目前在计算机图形学领域中,车辆和行人的行为总是被分离成两部分研究。目前有大量利用基于个体的微观模型和基于车辆流的宏观模型的方法对车流和行人群体进行建模和模拟的文献。
人流模拟的方法用于计算在避免与障碍物和其他个体碰撞情况下每个个体的行走路径,模拟个体在人群中的行为。基于规则的方法常用于模拟复杂的群体行为。这种方法可以追溯到Reynolds所做的工作(Reynolds CW.Steering behaviors for autonomouscharacters.In Game Developers Conference,Vol.1999,1999;763–782),模拟了人群在紧急疏散中的行为以及在其他有效的转向规则下的行为。其他局部导航的技术使用基于力的模型,比如SFM(social force model),(SFM,Helbing D,Farkas I,VicsekT.Simulating dynami-cal features of escape panic.Nature 2000;407(6803):487–490.),以及Hi-DAC(Pelechano N,Allbeck JM,Badler NI.Controlling indi-vidualagents in high-density crowd simulation.In Pro-ceedings of the2007ACMSIGGRAPH/Eurographics Symposium on Computer Animation.EurographicsAssociation,2007;99–108)。这些方法利用个体之间复杂的力的关系来准确的模拟他们之间的交互。基于相对速度障碍物的几何方法被用于模拟局部碰撞避免的行为。
有些学者在人群模拟中引入心理学因素来模拟创建真实的异质性群体行为。Durupinar(Durupinar F,Allbeck J,Pelechano N,Badler N.Creating crowd variationwith the ocean personal-ity model.In Proceedings of the 7th InternationalJoint Conference on Autonomous Agents and Multia-gent Systems-Volume3.International Foundation for Autonomous Agents and Multiagent Systems,2008;1217–1220.)和Guy(Guy SJ,Kim S,Lin MC,Manocha D.Simulat-ing heterogeneouscrowd behaviors using personality trait theory.In Proceedings of the 2011ACMSIG-GRAPH/Eurographics Symposium on Computer Ani-mation.ACM,2011;43–52.)等人利用个人性格特点对异质性行为和交通行为进行建模(Lu X,Wang Z,Xu M,Chen W,DengZ.A person-ality model for animating heterogeneous traffic behav-iors.Computer Animation and Virtual Worlds 2014;25(3-4):361–371.)。基于以上工作,Kim等人利用压力模型模拟人体在多种环境情景下的动态行为(Kim S,Guy SJ,ManochaD,Lin MC.Interactive simulation of dynamic crowd behaviors using generaladaptation syndrome theory.In Proceedings of the ACM SIGGRAPH Symposium onInteractive 3D Graphics and Games.ACM,2012;55–62.)。
在车辆行为模拟中,一些微观模型,包括LWR模型(Lighthill MJ,Whitham GB.Onkinematic waves.II.a theory of traffic flow on long crowded roads.InProceedings of the Royal Society of London.Series A.Mathematical and PhysicalSciences,1955;317–345.),PW模型(Payne HJ.Models of freeway traffic andcontrol.Mathematical Models of Public Systems 1971;1(1):51–61,WhithamGB.Linear and nonlinear waves.Wiley:New York,1974.),以及ARZ模型(Aw A,RascleM.Resurrection of second order models of traffic flow.SIAM Journal of AppliedMath 2000;60(3):916–938,Zhang HM.A non-equilibrium traffic model devoid ofgas-like behavior.Transportation Research Part B 2002;36(3):275–290)。他们视交通流为连续物体,通过引入某时刻某个位置的车辆密度和平均速度的概念,建立关于密度和速度的偏微分方程或方程组。微观模型以个体车辆为研究对象,在给出描述车辆运动的动力学方程后,计算模拟单辆车在道路上的运动状态,最终得到整个车流的运动,从而再现路网中的交通流情况。Gerlough总结了一系列在交通模拟中的车辆跟随规则(GerloughDL.Simulation of freeway traffic on a general-purpose discrete variablecomputer.Ph.D.Thesis,UCLA,1955.)。随后,很多变化和拓展加入了模型,比如optimalvelocity model(Bando M,Hasebe K,Nakayama A,Shibata A,Sugiyama Y.Dynamic modelof traffic congestion and numerical simulation.Physical Review E 1995;51(2):1035–1042)和IDM模型(Treiber M,Helbing D.Microsimulations of freeway trafficincluding control measures.Automatisierung-stechnik 2001;49:478–484.)。
在计算机图形学领域,Sewall等人将ARZ模型进行多车道扩展,并使其包含并维持离散车辆的个体运动信息,以便于绘制最后的汽车动画(Sewall J,Wilkie D,Merrell P,Lin MC.Continuum traffic simulation.Computer Graphics Forum 2010;29(2):439–448.)。Shen等人将IDM模型和灵活变道模型相结合,提出了一种新的微观控制模型(J.Shenand X.Jin.Detailed traffic animation for urban road networks.GraphicalModels,74(5):265–282,2012)。另外,Sewall(J.Sewall,D.Wilkie,andM.C.Lin.Interactive hybrid simulation of large-scale traffic.ACM Transactionon Graphics(Proceedings of SIGGRAPH Asia),30(6),December 2011.)还提出一种混合模型,对大规模交通场景进行动画模拟,使其能保持稳定的交互更新速率,并根据用户需求拉伸和缩进镜头,进行整体交通流与局部细节观察的切换。
最近有一些使用真实数据进行运动驱动方向的研究。研究人员提供了使用高速公路上真实传感器所捕获的车辆运动数据进行车流重建的方法(Wilkie D,Sewall J,LinM.Flow reconstruction for data-driven traffic animation.ACM Transactions onGraphics 2013;32(4):89:1–89:10,van den Berg J,Sewall J,Lin M,ManochaD.Virtualized traffic:reconstructing traffic flows from discrete spatio-temporal data.IEEE Transactions on Visualization and Computer Graphics 2010;17(1):26–37.)。Chao等人提出了基于视频样本的学习车辆个性化驾驶特性的方法(ChaoQ,Shen J,Jin X.Video-based personalized traffic learning.Graphical Models2013;75(6):305–317.)。
但是上述所有的研究都是基于理想的交通环境,对于真实交通场景的模拟仍有待研究,一些交通模拟工具(比如VisSim)已经涉及了人车交互的微观模拟,但是它们的方法只是设定了双方的移动优先级,过度简化了问题,并不符合真实情况。
发明内容
本发明提供了一种用于交通混合流模型的车辆和行人交互模拟方法,方法简单新颖,更贴合实际的交通混合流的情况,提高模型的真实性,解决人车交互过程中真实性欠缺问题。
一种用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆和行人分别自带原始控制模型,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间;
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
本发明方法充分考虑行人流和车辆流的交互情况,在行人穿越道路时,增加了判断机制,还考虑到行人和车辆相互影响,从而在适当的情况下行人才穿越道路,充分模拟真实的道路交通情况以及行人的真实行为规律,方法简单新颖,有效提高交通混合流模型的真实性。
在步骤(4)和(5)中,计算车辆对行人的驱动力反馈项也可以是加速度反馈项,计算行人对车辆的加速度反馈项,也可以是驱动力反馈项,由于加速度和驱动力之间仅有质量变量,可以相互转换,因此,可以根据选择的原始控制模型中带有的参数来进行选择,即模型中带有什么参数,就选用哪种反馈项,使有利于简化计算。
本发明中描述的行人穿越道路为行人垂直穿越道路,车辆穿越行人为车辆穿越行人所在的路面。
为了真实模拟行人的判断机制,优选的,步骤(2)中,
行人穿越道路的时间的计算公式为:
车辆穿越行人的时间的计算公式为:
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped_vth为车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
上述公式中,充分考虑了人的反应时间以及心理设定的安全时间,从而可以模拟真实的行人穿越道路的判定过程。
现有技术中,将高层的车辆驾驶特性具体映射为低层的、体现车辆行为的控制模型有LWR模型,optimal velocity model,IDM模型,ARZ模型等(详见背景技术),为了真实模拟车辆的行为,优选的,车辆自带的原始控制模型为IDM模型。IDM模型具有五个参数(v0,T,a,b,s0),具体如下:
v0的含义为车辆的目标速度,T为车辆需要的安全时间距离,a为车辆的最大加速度,b为车辆的最大减速度,s0为车辆与前车的安全距离,v为车辆当前速度,s为车辆与前进直线方向上最近车辆的距离。IDM模型自带加速度参数,可以很好地控制车辆进行速度变化,模拟真实的车辆情况。
进一步优选的,步骤(4)和步骤(5)中,将加速度反馈项添加到原始加速度项,计算控制车辆前进的加速度项aveh的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
该公式充分考虑了在真实情况下,车辆遇到行人后的形式特性,并且可以同时应用在行人继续前进或者停止的情况下,有效简化计算过程,提高仿真时效。
现有技术中,将高层的行人行为具体映射为低层的控制行人行为的控制模型有SFM模型,Hi-DAC模型,SFM模型具体结构如下:
为行人自身驱动力,fij为其他行人对该行人的驱动力,为障碍物对该行人的力。
优选的,行人自带的原始控制模型为SFM模型,步骤(4)中,将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
为行人自身驱动力;
fij为其他行人对该行人的驱动力;
为障碍物对该行人的力;
为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k为一个常量,表示行人感受到的刺激和压力项Ip之间的一个缩放系数,在本发明中,Ip是指车辆与行人之间的距离产生的物理刺激,即压力项。缩放系数k设定为0.012,其取值参考自该文献:Kim S,Guy SJ,Manocha D,Lin MC.Interactivesimulation ofdynamic crowd behaviors usi ng general adaptation syndrome theory.InProceedings of the ACM SIGGRA PH Symposium on Interactive 3D GraphicsandGames.ACM,2012;55–62.
pped为行人的坐标;
pveh为车辆的坐标。
通过在SFM模型上增加了车辆对行人行为的反馈,更加真实的模拟车辆与行人在复杂的交通***下的交互行为。
本发明的有益效果:
本发明的用于交通混合流模型的车辆和行人交互模拟方法,在行人穿越道路时,增加了判断机制,还考虑到行人和车辆相互影响,从而在适当的情况下行人才穿越道路,充分模拟真实的道路交通情况以及行人的真实行为规律,简单新颖,很好的解决了在虚拟交通模拟中的真实性欠缺问题和人车交互问题,具有很大的现实指导意义。
附图说明
图1为本发明技术方案的流程图。
具体实施方式
下面结合附图和实施例对本发明技术方案做进一步详细说明,以下实施例不构成对本发明的限定。
本发明为了模拟车辆与行人交互行为,首先输入人车混合流之间的位置信息,获取行人个体与车辆之间的距离以及道路宽度,计算行人预测通过时间和车辆预测通过时间,通过比较进行行人决策是否穿越道路。
如图1所示,本实施例的用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆自带的原始控制模型为IDM模型,行人自带的原始控制模型为SFM模型,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间,行人穿越道路的时间的计算公式为:
车辆穿越行人的时间的计算公式为:
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped_vth车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
为行人自身驱动力;
fij为其他行人对该行人的驱动力;
为障碍物对该行人的力;
为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k取值0.012;
pped为行人的坐标;
pveh为车辆的坐标;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
将加速度反馈项添加到原始加速度项,计算控制车辆前进的加速度项的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
将加速度反馈项添加到原始加速度项,计算控制车辆前进的加速度项的公式为:
其中,
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (6)
1.一种用于交通混合流模型的车辆和行人交互模拟方法,所述交通混合流模型包括道路、车流和行人流,各车辆和行人分别自带原始控制模型,其特征在于,对于模拟任一行人穿越所在道路包括以下步骤:
(1)获取待穿越行人的坐标,同时在靠近该行人的车流中获取距离该行人最近的车辆的坐标;
(2)根据步骤(1)中获取的行人的坐标和车辆的坐标,结合车辆和行人自带的原始控制模型,分别计算行人穿越道路的时间和车辆穿越行人的时间;
(3)比较步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,
如果车辆穿越行人的时间较长,则判定行人继续前进,进入步骤(4);
如果行人穿越道路的时间较长,则判定行人停止前进,进入步骤(5);
(4)根据步骤(2)中获取的行人和车辆的坐标之间的距离向量和距离大小,计算车辆对行人的驱动力反馈项,同时基于行人的原始控制模型计算行人的原始驱动力项,将驱动力反馈项添加到原始驱动力项中以驱动行人前进,穿越道路;
根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
(5)根据步骤(2)中计算得到的行人穿越道路的时间和车辆穿越行人的时间,计算行人对车辆的加速度反馈项,同时利用车辆的原始控制模型计算得到车辆的原始加速度项,将加速度反馈项添加到原始加速度项中以驱动车辆前进;
控制行人停止前进,待该车辆穿越行人后,返回步骤(1)进行循环操作,直至行人穿过道路。
2.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,步骤(2)中,
行人穿越道路的时间的计算公式为:
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mi>D</mi>
<msub>
<mi>v</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
</mfrac>
<mo>+</mo>
<msub>
<mi>t</mi>
<mi>a</mi>
</msub>
<mo>+</mo>
<msub>
<mi>t</mi>
<mi>b</mi>
</msub>
</mrow>
车辆穿越行人的时间的计算公式为:
<mrow>
<msub>
<mi>t</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>d</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
<mo>_</mo>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>v</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
</mfrac>
</mrow>
其中,
vped为行人在原始控制模型控制下的当前速度;
vveh为车辆在原始控制模型控制下的当前速度;
D为道路宽度;
dped_veh为车辆前端与行人在车辆行驶方向上的距离;
ta、tb分别为行人反应时间和安全时间。
3.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,车辆自带的原始控制模型为IDM模型。
4.如权利要求3所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,步骤(4)和步骤(5)中,将加速度反馈项添加到原始加速度项,计算控制车辆前进的加速度项aveh的公式为:
<mrow>
<msub>
<mi>a</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>a</mi>
<mrow>
<mi>I</mi>
<mi>D</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>-</mo>
<mi>b</mi>
<mo>*</mo>
<msup>
<mrow>
<mo>(</mo>
<mfrac>
<msub>
<mi>t</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<msub>
<mi>t</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
<mi>n</mi>
</msup>
<mo>,</mo>
</mrow>
其中,
tped为行人穿越道路的时间;
tveh为车辆穿越行人的时间;
aIDM为根据车辆自带的IDM模型得到的车辆加速度项;
b为根据车辆自带的IDM模型得到的最大减速度;
n是减速指数。
5.如权利要求1所述的用于交通混合流模型的车辆和行人交互模拟方法,其特征在于,行人自带的原始控制模型为SFM模型。
6.如权利要求5所述的用于交通混合流模型的车辆和行人交互模拟方法,步骤(4)中,将驱动力反馈项添加到原始驱动力项,计算控制行人前进的驱动力项fped的公式为:
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mn>0</mn>
</msubsup>
<mo>+</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mrow>
<mi>o</mi>
<mi>b</mi>
<mi>s</mi>
</mrow>
</msubsup>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msubsup>
<mo>=</mo>
<msubsup>
<mi>kI</mi>
<mi>p</mi>
<mn>2</mn>
</msubsup>
<msubsup>
<mi>n</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msubsup>
<mo>,</mo>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>=</mo>
<mo>|</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msub>
<mo>|</mo>
<mo>,</mo>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mrow>
<mi>p</mi>
<mi>e</mi>
<mi>d</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>f</mi>
<mrow>
<mi>S</mi>
<mi>F</mi>
<mi>M</mi>
</mrow>
</msub>
<mo>+</mo>
<msubsup>
<mi>f</mi>
<mi>i</mi>
<mrow>
<mi>v</mi>
<mi>e</mi>
<mi>h</mi>
</mrow>
</msubsup>
<mo>,</mo>
</mrow>
其中,
fSFM为行人自带的SFM模型得到的原始驱动力项;
为行人自身驱动力;
fij为其他行人对该行人的驱动力;
为障碍物对该行人的力;
为驱动力反馈项;
Ip为压力项;
为从车辆坐标指向行人坐标的二维单位距离向量;
k为一个常量,表示行人感受到的刺激和压力项Ip之间的一个缩放系数;
pped为行人的坐标;
pveh为车辆的坐标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181942.9A CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510181942.9A CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104778072A CN104778072A (zh) | 2015-07-15 |
CN104778072B true CN104778072B (zh) | 2018-02-23 |
Family
ID=53619557
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510181942.9A Active CN104778072B (zh) | 2015-04-16 | 2015-04-16 | 一种用于交通混合流模型的车辆和行人交互模拟方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104778072B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106097421B (zh) * | 2016-06-27 | 2019-04-12 | 大连理工大学 | 基于真实数据的交通动画模拟*** |
US10474790B2 (en) * | 2017-06-02 | 2019-11-12 | TuSimple | Large scale distributed simulation for realistic multiple-agent interactive environments |
CN110688729B (zh) * | 2019-08-26 | 2023-07-14 | 南京航空航天大学 | 基于自适应卡尔曼滤波的lstm-idm跟驰特性融合方法、存储介质及设备 |
CN111767648B (zh) * | 2020-06-19 | 2022-04-29 | 浙江大学 | 一种基于简化的社会力计算模型的混合交通仿真方法 |
CN114913710B (zh) * | 2021-02-07 | 2023-12-05 | 清华大学 | 人车交互决策方法及装置、存储介质、终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632535A (zh) * | 2013-11-19 | 2014-03-12 | 河海大学 | 路段行人过街信号灯设置判定方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉***通控制方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005202141A (ja) * | 2004-01-15 | 2005-07-28 | Tn Corporation:Kk | 衝突事故模擬装置及び衝突事故模擬方法 |
FR2889882B1 (fr) * | 2005-08-19 | 2009-09-25 | Renault Sas | Procede et systeme de prediction de choc entre un vehicule et un pieton. |
-
2015
- 2015-04-16 CN CN201510181942.9A patent/CN104778072B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103632535A (zh) * | 2013-11-19 | 2014-03-12 | 河海大学 | 路段行人过街信号灯设置判定方法 |
CN104021685A (zh) * | 2014-06-26 | 2014-09-03 | 广东工业大学 | 一种含混合交通流的交叉***通控制方法 |
Non-Patent Citations (2)
Title |
---|
基于车辆个体特征的IDM模型研究;敬明 等;《交通信息与安全》;20121231;第30卷(第5期);第10-13页 * |
行人穿越道路对路段交通流的影响分析;贾海亮 等;《西华大学学报(自然科学版)》;20130531;第32卷(第3期);第90-93页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104778072A (zh) | 2015-07-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104778072B (zh) | 一种用于交通混合流模型的车辆和行人交互模拟方法 | |
Dai et al. | Modeling vehicle interactions via modified LSTM models for trajectory prediction | |
Xu et al. | Crowd simulation and its applications: Recent advances | |
Best et al. | Autonovi-sim: Autonomous vehicle simulation platform with weather, sensing, and traffic control | |
CN105718065B (zh) | 车路协同环境下的交互式视景仿真*** | |
Basu et al. | Trust dynamics in human autonomous vehicle interaction: a review of trust models | |
Hao et al. | Dynamic path planning of a three-dimensional underwater AUV based on an adaptive genetic algorithm | |
Chen et al. | Path planning for intelligent vehicle collision avoidance of dynamic pedestrian using Att-LSTM, MSFM, and MPC at unsignalized crosswalk | |
CN107229973A (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN103218489B (zh) | 一种基于视频样本的模拟车辆个性化驾驶特性的方法 | |
CN108829110A (zh) | 一种横/纵向运动统一框架的驾驶员模型建模方法 | |
CN101661569A (zh) | 一种智能情感机器人多模态行为关联表达*** | |
Yu et al. | Multi-agent based modeling and simulation of microscopic traffic in virtual reality system | |
CN107480320A (zh) | 一种基于拓扑地图与视觉影响的人群疏散仿真方法及*** | |
CN110231156A (zh) | 基于时序特征的服务机器人运动***故障诊断方法及装置 | |
Zhao et al. | Co-simulation platform for modeling and evaluating connected and automated vehicles and human behavior in mixed traffic | |
Wilkie et al. | Virtualized traffic at metropolitan scales | |
Cai et al. | DQ-GAT: Towards safe and efficient autonomous driving with deep Q-learning and graph attention networks | |
CN111645673B (zh) | 一种基于深度强化学习的自动泊车方法 | |
Wang et al. | Multi-information-based convolutional neural network with attention mechanism for pedestrian trajectory prediction | |
CN110956851A (zh) | 一种智能网联汽车协同调度换道方法 | |
CN110930811B (zh) | 一种适用于无人驾驶决策学习和训练的*** | |
Han et al. | A simplified force model for mixed traffic simulation | |
CN103236084A (zh) | 一种大规模轨道线路的动态建模方法 | |
Huang et al. | Multi-modal policy fusion for end-to-end autonomous driving |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |