CN114578711A - 一种面向城市场景的cacc仿真平台 - Google Patents

一种面向城市场景的cacc仿真平台 Download PDF

Info

Publication number
CN114578711A
CN114578711A CN202210189370.9A CN202210189370A CN114578711A CN 114578711 A CN114578711 A CN 114578711A CN 202210189370 A CN202210189370 A CN 202210189370A CN 114578711 A CN114578711 A CN 114578711A
Authority
CN
China
Prior art keywords
vehicle
cacc
mode
current
executing
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.)
Pending
Application number
CN202210189370.9A
Other languages
English (en)
Inventor
胡笳
孙士超
赖金涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongji University
Original Assignee
Tongji University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongji University filed Critical Tongji University
Priority to CN202210189370.9A priority Critical patent/CN114578711A/zh
Publication of CN114578711A publication Critical patent/CN114578711A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及一种面向城市场景的CACC仿真平台，包括：交通生成模块，用于随机生成包含城市场景的路网以及路网上的交通流，交通流包括CACC车辆和人类驾驶车辆；交通控制模块，用于生成城市场景的交通信息，每个城市场景的交通信息包括信号灯、冲突区域和优先规则中的一种或多种；车辆控制模块，包括决策器、控制器和执行器，决策器用于根据路网信息和交通控制指令生成CACC车辆的模式切换指令，控制器根据模式切换指令切换CACC车辆的车辆模式，并根据当前车辆模式生成对应的车辆控制指令，执行器根据车辆控制指令控制CACC车辆行驶。与现有技术相比，本发明实现了城市场景的CACC仿真，兼具车辆仿真平台和交通仿真平台的优点。

Description

一种面向城市场景的CACC仿真平台
技术领域
本发明涉及智能交通领域，尤其是涉及一种面向城市场景的CACC仿真平台。
背景技术
CACC(Cooperative Adaptive Cruise Control,协同自适应巡航控制)是缓解城市拥堵的关键技术。它是从ACC技术提升而来，可以从时间和空间维度获取更多的交通信息，不仅提高单车的感知和决策能力，还能为车辆群体协同感知和决策提供条件，甚至实现整个交通信息***的信息共享。CACC车辆在道路上以编队形式行驶，前车可以将位置和速度等信息传递给CACC车辆，然后通过算法保持较小的车头时距稳定前进。
对城市场景下的CACC的效果评价非常重要。现有的很多CACC的研究都面向高速公路，证明了CACC在该场景下的益处。但是在混合交通背景下的城市道路场景中，CACC的安全性、效率和环保仍然未得到广泛且有效的验证，从而限制了CACC技术的应用。
对CACC的评价具有实车测试和仿真测试两种方式。因为实车测试具有成本高、效率低和场景受限的缺点，所以仿真测试是必要的。为了更加高效进行大规模测试来评价CACC，一个仿真平台是有必要的。现有的仿真平台忽略了人类驾驶车辆和CACC车辆间的交互作用，它们对交叉口场景的CACC的评价能力受到限制。目前的仿真平台主要分为汽车和交通两类，汽车仿真平台具备真实的车辆动力学模型和控制器，可以较真实的模拟智能的单车行为。但是仿真场景中的交通事件、交通参与者行为都是预先设定的，这导致了仿真场景的不真实，尤其在交叉口这种交互事件频发的环境。另一类仿真平台是交通仿真平台，虽然它们可以实现大规模混合交通流仿真，但是由于不具备真实的自动驾驶***，车辆间的交互缺乏随机性。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向城市场景的CACC仿真平台，实现了城市场景的CACC仿真，兼具车辆仿真平台和交通仿真平台的优点。
本发明的目的可以通过以下技术方案来实现：
一种面向城市场景的CACC仿真平台，包括：
交通生成模块，用于随机生成包含城市场景的路网以及路网上的交通流，所述的交通流包括CACC车辆和人类驾驶车辆；
交通控制模块，用于生成城市场景的交通信息，每个城市场景的交通信息包括信号灯、冲突区域和优先规则中的一种或多种；
车辆控制模块，包括决策器、控制器和执行器，所述的决策器用于根据路网信息和交通控制指令生成CACC车辆的模式切换指令，所述的控制器根据模式切换指令切换CACC车辆的车辆模式，并根据当前车辆模式生成对应的车辆控制指令，所述的执行器根据车辆控制指令控制CACC车辆行驶；
其中，所述的CACC车辆的车辆模式分为CACC模式、信号灯头车模式和冲突头车模式，处于CACC模式的CACC车辆基于CACC模型行驶，处于信号灯头车模式和冲突头车模式的CACC车辆减速或停止；
所述的决策器包括CACC决策器、信号灯头车决策器和冲突头车决策器；
所述的CACC决策器用于生成CACC模式切换指令；
所述的信号灯头车决策器用于CACC车辆面向具有信号灯的城市场景时生成信号灯头车模式切换指令；
所述的冲突头车决策器用于生成冲突头车模式切换指令；
所述的信号灯头车决策器、冲突头车决策器和CACC决策器的优先权依次递减。
进一步地，所述的信号灯头车模式切换指令包括信号灯头车模式进入指令和信号灯头车模式退出指令；
所述的信号灯头车决策器生成信号灯头车模式切换指令的具体过程包括：
周期性执行第一判断步骤；
所述的第一判断步骤包括以下子步骤：
S11、判断当前CACC车辆是否处于信号灯头车模式，若是则执行子步骤S12，否则执行子步骤S13；
S12、判断信号灯是否是绿色，若是则生成信号灯头车模式退出指令，否则保持当前CACC车辆当前模式；
S13、判断当前CACC车辆与城市场景之间的间距是否小于设定距离，若是则执行步骤子步骤S14，否则保持当前CACC车辆当前模式；
S14、判断当前CACC车辆是否右转，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S15；
S15、判断当前CACC车辆前方信号灯是否为红灯，若是则对当前CACC车辆进行标记，并执行子步骤S18，否则执行子步骤S16；
S16、判断当前CACC车辆前方信号灯是否为黄灯，若是则执行子步骤S17，否则保持当前CACC车辆当前模式；
S17、判断当前CACC车辆是否有足够时间进入城市场景，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S18；
S18、判断当前CACC车辆是否为所有被标记的CACC车辆中离信号灯最近的车辆，若是则生成信号灯头车模式进入指令。
进一步地，所述的子步骤S17的具体过程包括：
判断以下条件是否成立：
dintersection＜v*(tremaing_yellow_light-tsafe)
其中，dintersection为CACC车辆与城市场景之间的距离，v为CACC车辆的当前车速，tremaing_yellow_light为剩余黄灯时间，tsafe为设定安全时间。
进一步地，所述的冲突头车决策器生成冲突头车模式切换指令的具体过程包括：
周期性执行第二判断步骤；
所述的第二判断步骤包括以下子步骤：
S21、判断城市场景内是否有冲突事件，若是则执行子步骤S22，否则执行子步骤S26；
S22、判断当前CACC车辆是否有最高优先权，若是则执行子步骤S26，否则执行子步骤S23；
S23、根据当前CACC车辆抵达冲突区域的时间，判断当前CACC车辆是否能在高优先权的车辆前方通过，若是则执行子步骤S26，否则执行子步骤S24；
S24、在冲突表中搜索所有面向相同冲突区域的CACC车辆；
S25、判断当前CACC车辆是否为面向相同冲突区域中最近的车，若是则生成冲突头车模式切换指令，并执行步骤S27，否则执行子步骤S26；
S26、保持当前CACC车辆当前模式；
S27、更新冲突表；
其中，所述的冲突表中存储有所有冲突区域上的冲突事件。
进一步地，所述的CACC模式分为头车模式、跟车模式和人类驾驶模式，所述的CACC模式切换指令包括头车模式进入指令、跟车模式进入指令和人类驾驶模式进入指令，所述的CACC决策器生成CACC模式切换指令的具体过程包括：
周期性执行第三判断步骤；
所述的第三判断步骤包括以下子步骤：
S31、判断当前CACC车辆是否开始横向行为，若是则生成人类驾驶模式进入指令，否则执行子步骤S32；
S32、判断当前CACC车辆是否到达目的地，若是则生成人类驾驶模式进入指令，否则执行子步骤S33；
S33、判断当前CACC车辆的前方车辆是否为跟车，若是则执行子步骤S34，否则生成头车模式进入指令；
S34、判断当前CACC车辆与前方车辆是否在同一车队，若是则生成跟车模式进入指令，否则执行步骤S35；
S35、判断当前CACC车辆与前方车辆之间的距离是否小于通信范围，若是则执行步骤S36，否则生成头车模式进入指令；
S36、判断当前CACC车辆合队后车队中的车辆总数是否小于最大车队车辆数，若是则执行步骤S37，否则生成头车模式进入指令；
S37、判断当前CACC车辆与前方车辆的行驶方向是否相同，若是则生成跟车模式进入指令，否则生成头车模式进入指令。
进一步地，处于人类驾驶模式的CACC车辆的控制模型为Wiedemann 99模型。
进一步地，所述的CACC车辆处于信号灯头车模式或冲突头车模式时，所述的控制器生成用于控制CACC车辆减速的车辆控制指令，具体过程包括：
假设停车线处存在一辆静止的虚拟车，采用IDM模型控制CACC车辆跟随该虚拟车，实现减速和停止。
进一步地，所述的减速过程中CACC车辆的自车加速度的计算公式为：
若CACC车辆的当前车速不大于期望速度，则自车加速度的计算公式为：
Figure BDA0003524770010000051
其中，aACC为自车加速度，afree为期望加速度，s*为期望距离，a为常数，s为CACC车辆与停车线之间的实际距离，δ为速度系数，v0为期望速度，v为当前车速；
若CACC车辆的当前车速大于期望速度，则自车加速度的计算公式为：
Figure BDA0003524770010000052
其中，b为常数；
所述的期望距离的计算公式为：
Figure BDA0003524770010000053
其中，s0为静止安全距离，T为安全时距。
进一步地，所述的执行器通过车辆动力学模型执行车辆控制指令，并获取实际加速度。
进一步地，所述的人类驾驶车辆的控制模型为Wiedemann 99模型。
与现有技术相比，本发明具有以如下有益效果：
(1)本发明CACC仿真平台嵌入了交通控制模块，实现了城市场景的CACC仿真，兼具车辆仿真平台和交通仿真平台的优点，既可以模拟真实的车辆微观交互行为，也具备真实的自动驾驶***，仿真过程具备随机性；
(2)本发明通过采集CACC仿真平台的仿真过程中的CACC车辆数据，进行后处理，可以计算得到延误、通行能力等移动性指标及紧急停车次数等安全性指标，从而可以评测CACC车辆在交叉口的效率和安全性，CACC仿真平台可作为CACC技术研发过程中的开发测试工具，也为交通从业者提供了评价工具，便于研究交通管控策略对CACC车流的影响及城市道路中混合车流下CACC产生的影响。
附图说明
图1为CACC仿真平台的结构框图；
图2为第三判断步骤的流程示意图；
图3为第一判断步骤的流程示意图；
图4为第二判断步骤的流程示意图；
图5为CACC仿真平台的仿真可视化结果示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
一种面向城市场景的CACC仿真平台，城市场景为一个三车道的信号交叉口，信号灯为两相位，信号周期100s，黄灯时间3s，左转车和对向直行车之间存在冲突区域，直行车优先权高于左转车；
如图1，CACC仿真平台包括：
交通生成模块，用于随机生成包含城市场景的路网以及路网上的交通流，交通流包括CACC车辆和人类驾驶车辆；
交通控制模块，用于生成城市场景的交通信息，每个城市场景的交通信息包括信号灯、冲突区域和优先规则中的一种或多种；
车辆控制模块，包括决策器、控制器和执行器，决策器用于根据路网信息和交通控制指令生成CACC车辆的模式切换指令，控制器根据模式切换指令切换CACC车辆的车辆模式，并根据当前车辆模式生成对应的车辆控制指令，执行器根据车辆控制指令，通过车辆动力学模型控制CACC车辆行驶；
其中，CACC车辆的车辆模式分为：
CACC模式：网联车队中的车辆；
信号灯头车模式：面向信号灯的网联车队的头车
冲突头车模式：面向冲突区域的网联车队的头车；
处于CACC模式的CACC车辆基于CACC模型行驶，处于信号灯头车模式和冲突头车模式的CACC车辆减速或停止；
决策器包括CACC决策器、信号灯头车决策器和冲突头车决策器；
CACC决策器用于生成CACC模式切换指令；
信号灯头车决策器用于CACC车辆面向具有信号灯的城市场景时生成信号灯头车模式切换指令；
冲突头车决策器用于生成冲突头车模式切换指令；
信号灯头车决策器、冲突头车决策器和CACC决策器的优先权依次递减。
为了使CACC车辆能够在城市场景下通行，本实施例设计了信号灯头车决策器和冲突头车决策器，分别用来判断网联自动驾驶车辆是否需要进入信号灯头车模式或冲突区域头车模式，每辆车在每个时间步都会运行两个决策器。
信号灯头车决策器的优先权大于冲突区域决策器，即CACC车辆会先使用信号灯头车决策器，因为在部分场景中冲突区域前往往存在信号灯来分配路权，避免了冲突事件发生，比如信号交叉口。对于信号灯头车决策器无法处理的场景才需要进入冲突区域决策器。
信号灯头车模式切换指令包括信号灯头车模式进入指令和信号灯头车模式退出指令；
信号灯头车决策器生成信号灯头车模式切换指令的具体过程包括：
周期性执行第一判断步骤；
如图3，第一判断步骤包括以下子步骤：
S11、判断当前CACC车辆是否处于信号灯头车模式，若是则执行子步骤S12，否则执行子步骤S13；
S12、判断信号灯是否是绿色，若是则生成信号灯头车模式退出指令，否则保持当前CACC车辆当前模式；
S13、判断当前CACC车辆与城市场景之间的间距是否小于50m，若是则执行步骤子步骤S14，否则保持当前CACC车辆当前模式；
S14、判断当前CACC车辆是否右转(不受信号灯控制)，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S15；
S15、判断当前CACC车辆前方信号灯是否为红灯(和红灯之间无其他车辆)，若是则对当前CACC车辆进行标记，并执行子步骤S18，否则执行子步骤S16；
S16、判断当前CACC车辆前方信号灯是否为黄灯，若是则执行子步骤S17，否则保持当前CACC车辆当前模式；
S17、判断当前CACC车辆是否有足够时间进入城市场景，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S18；
S18、判断当前CACC车辆是否为所有被标记的CACC车辆中离信号灯最近的车辆，若是则生成信号灯头车模式进入指令。
子步骤S17的具体过程包括：
判断以下条件是否成立：
dintersection＜v*(tremaing_yellow_light-tsafe)
其中，dintersection为CACC车辆与城市场景之间的距离，v为CACC车辆的当前车速，tremaingr_yellow_light为剩余黄灯时间，tsafe为设定安全时间。
网联自动驾驶车辆在面向冲突区域时会根据自车信息和环境信息判断是否进入冲突模式，冲突头车决策器生成冲突头车模式切换指令的具体过程包括：
周期性执行第二判断步骤；
如图4，第二判断步骤包括以下子步骤：
S21、根据车辆信息和环境信息判断城市场景内是否有冲突事件，若是则执行子步骤S22，否则执行子步骤S26；
S22、判断当前CACC车辆是否有最高优先权，若是则执行子步骤S26，否则执行子步骤S23；
S23、根据当前CACC车辆抵达冲突区域的时间，判断当前CACC车辆是否能在高优先权的车辆前方通过，若是则执行子步骤S26，否则执行子步骤S24；
S24、在冲突表中搜索所有面向相同冲突区域的CACC车辆；
S25、判断当前CACC车辆是否为面向相同冲突区域中最近的车，若是则生成冲突头车模式切换指令，并执行步骤S27，否则执行子步骤S26；
S26、保持当前CACC车辆当前模式；
S27、更新冲突表；
其中，冲突表中存储有所有冲突区域上的冲突事件，鉴于在同一个交叉口有多个冲突区域，每个冲突区域可能会同时发生多起冲突事件，每辆网联自动驾驶也可能处于多起冲突事件之中，因此有必要设计一个冲突表来记录这些繁杂的信息。冲突表中存放所有冲突区域上会发生的冲突事件，执行第二判断步骤的每个周期都实时添加新的冲突事件，冲突事件消亡后，需要在冲突表中删除。
子步骤S23中，计算当前CACC车辆抵达冲突区域的时间的方法包括：
若CACC车辆静止，则时间为无穷大，若加速度绝对值小于0.2/s2，则假设车辆匀速行驶，并估算时间，否则假设车辆匀变速运动，并估算时间。
CACC模式分为：
头车模式：网联车队的首辆车；
跟车模式：网联车队内除首车的其他车辆；
人类驾驶模式：正在换道的CACC车辆；
CACC模式切换指令包括头车模式进入指令、跟车模式进入指令和人类驾驶模式进入指令，CACC决策器生成CACC模式切换指令的具体过程包括：
周期性执行第三判断步骤；
如图2，第三判断步骤包括以下子步骤：
S31、判断当前CACC车辆是否开始横向行为，若是则生成人类驾驶模式进入指令，否则执行子步骤S32；
S32、判断当前CACC车辆是否到达目的地，若是则生成人类驾驶模式进入指令，否则执行子步骤S33；
S33、判断当前CACC车辆的前方车辆是否为跟车，若是则执行子步骤S34，否则生成头车模式进入指令；
S34、判断当前CACC车辆与前方车辆是否在同一车队，若是则生成跟车模式进入指令，否则执行步骤S35；
S35、判断当前CACC车辆与前方车辆之间的距离是否小于通信范围，若是则执行步骤S36，否则生成头车模式进入指令；
S36、判断当前CACC车辆合队后车队中的车辆总数是否小于最大车队车辆数，若是则执行步骤S37，否则生成头车模式进入指令；
S37、判断当前CACC车辆与前方车辆的行驶方向是否相同，若是则生成跟车模式进入指令，否则生成头车模式进入指令。
控制器通过PID算法实现，控制器的控制过程分为纵向控制过程和横向控制过程；
纵向控制过程：CACC车辆处于信号灯头车模式或冲突头车模式时，控制器生成用于控制CACC车辆减速的车辆控制指令，具体过程包括：
假设停车线处存在一辆静止的虚拟车，采用IDM模型控制CACC车辆跟随该虚拟车，实现减速和停止。
减速过程中CACC车辆的自车加速度的计算公式为：
若CACC车辆的当前车速不大于期望速度，则自车加速度的计算公式为：
Figure BDA0003524770010000101
其中，aACC为自车加速度，afree为期望加速度，s*为期望距离，a为常数，取值为1，s为CACC车辆与停车线之间的实际距离，δ为速度系数，可由模型参数标定获得，本实施例中取值为4，v0为期望速度，本实施例中取值为30km/h，v为当前车速；
若CACC车辆的当前车速大于期望速度，则自车加速度的计算公式为：
Figure BDA0003524770010000102
其中，b为常数，取值为1；
期望距离的计算公式为：
Figure BDA0003524770010000103
其中，s0为静止安全距离，本实施例中取值为2m，T为安全时距，本实施例中取值为2s，
横向控制过程：仿真平台中的自动驾驶车辆横向行为主要为变道，若自动驾驶车辆不在目标车道且处于可以换道的区域，则自动驾驶模式会变为人类驾驶模式来换道，处于人类驾驶模式的CACC车辆以及人类驾驶车辆的控制模型均为Wiedemann 99模型。
执行器包括底层控制器和车辆动力学模型，底层控制器根据期望加速度和当前车速输出油门和刹车指令，车辆动力学模型用于获取实际加速度。
本实施例的仿真效果如图5所示，处于信号灯头车模式的CACC车辆在停车线前会停下，处于冲突区域头车模式的CACC车辆等待对向直行车通行。
通过采集仿真过程中的CACC车辆数据，进行后处理，可以计算得到延误、通行能力等移动性指标及紧急停车次数等安全性指标。
本实施例提出了一种面向城市场景的CACC仿真平台，实现了城市场景的CACC仿真，兼具车辆仿真平台和交通仿真平台的优点，既可以模拟真实的车辆微观交互行为，也具备真实的自动驾驶***，仿真过程具备随机性，可以评测CACC车辆在交叉口的效率和安全性，CACC仿真平台可作为CACC技术研发过程中的开发测试工具，也为交通从业者提供了评价工具，便于研究交通管控策略对CACC车流的影响及城市道路中混合车流下CACC产生的影响。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种面向城市场景的CACC仿真平台，其特征在于，包括：
交通生成模块，用于随机生成包含城市场景的路网以及路网上的交通流，所述的交通流包括CACC车辆和人类驾驶车辆；
交通控制模块，用于生成城市场景的交通信息，每个城市场景的交通信息包括信号灯、冲突区域和优先规则中的一种或多种；
车辆控制模块，包括决策器、控制器和执行器，所述的决策器用于根据路网信息和交通控制指令生成CACC车辆的模式切换指令，所述的控制器根据模式切换指令切换CACC车辆的车辆模式，并根据当前车辆模式生成对应的车辆控制指令，所述的执行器根据车辆控制指令控制CACC车辆行驶；
其中，所述的CACC车辆的车辆模式分为CACC模式、信号灯头车模式和冲突头车模式，处于CACC模式的CACC车辆基于CACC模型行驶，处于信号灯头车模式和冲突头车模式的CACC车辆减速或停止；
所述的决策器包括CACC决策器、信号灯决策器和冲突头车决策器；
所述的CACC决策器用于生成CACC模式切换指令；
所述的信号灯决策器用于CACC车辆面向具有信号灯的城市场景时生成信号灯头车模式切换指令；
所述的冲突头车决策器用于生成冲突头车模式切换指令；
所述的信号灯头车决策器、冲突头车决策器和CACC决策器的优先权依次递减。
2.根据权利要求1所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的信号灯头车模式切换指令包括信号灯头车模式进入指令和信号灯头车模式退出指令；
所述的信号灯头车决策器生成信号灯头车模式切换指令的具体过程包括：
周期性执行第一判断步骤；
所述的第一判断步骤包括以下子步骤：
S11、判断当前CACC车辆是否处于信号灯头车模式，若是则执行子步骤S12，否则执行子步骤S13；
S12、判断信号灯是否是绿色，若是则生成信号灯头车模式退出指令，否则保持当前CACC车辆当前模式；
S13、判断当前CACC车辆与城市场景之间的间距是否小于设定距离，若是则执行步骤子步骤S14，否则保持当前CACC车辆当前模式；
S14、判断当前CACC车辆是否右转，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S15；
S15、判断当前CACC车辆前方信号灯是否为红灯，若是则对当前CACC车辆进行标记，并执行子步骤S18，否则执行子步骤S16；
S16、判断当前CACC车辆前方信号灯是否为黄灯，若是则执行子步骤S17，否则保持当前CACC车辆当前模式；
S17、判断当前CACC车辆是否有足够时间进入城市场景，若是则保持当前CACC车辆当前模式，否则执行步骤子步骤S18；
S18、判断当前CACC车辆是否为所有被标记的CACC车辆中离信号灯最近的车辆，若是则生成信号灯头车模式进入指令。
3.根据权利要求2所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的子步骤S17的具体过程包括：
判断以下条件是否成立：
dintersection＜v*(tremaing_yellow_light-tsafe)
其中，dintersection为CACC车辆与城市场景之间的距离，v为CACC车辆的当前车速，tremaing_yellow_light为剩余黄灯时间，tsafe为设定安全时间。
4.根据权利要求1所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的冲突头车决策器生成冲突头车模式切换指令的具体过程包括：
周期性执行第二判断步骤；
所述的第二判断步骤包括以下子步骤：
S21、判断城市场景内是否有冲突事件，若是则执行子步骤S22，否则执行子步骤S26；
S22、判断当前CACC车辆是否有最高优先权，若是则执行子步骤S26，否则执行子步骤S23；
S23、根据当前CACC车辆抵达冲突区域的时间，判断当前CACC车辆是否能在高优先权的车辆前方通过，若是则执行子步骤S26，否则执行子步骤S24；
S24、在冲突表中搜索所有面向相同冲突区域的CACC车辆；
S25、判断当前CACC车辆是否为面向相同冲突区域中最近的车，若是则生成冲突头车模式切换指令，并执行步骤S27，否则执行子步骤S26；
S26、保持当前CACC车辆当前模式；
S27、更新冲突表；
其中，所述的冲突表中存储有所有冲突区域上的冲突事件。
5.根据权利要求1所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的CACC模式分为头车模式、跟车模式和人类驾驶模式，所述的CACC模式切换指令包括头车模式进入指令、跟车模式进入指令和人类驾驶模式进入指令，所述的CACC决策器生成CACC模式切换指令的具体过程包括：
周期性执行第三判断步骤；
所述的第三判断步骤包括以下子步骤：
S31、判断当前CACC车辆是否开始横向行为，若是则生成人类驾驶模式进入指令，否则执行子步骤S32；
S32、判断当前CACC车辆是否到达目的地，若是则生成人类驾驶模式进入指令，否则执行子步骤S33；
S33、判断当前CACC车辆的前方车辆是否为跟车，若是则执行子步骤S34，否则生成头车模式进入指令；
S34、判断当前CACC车辆与前方车辆是否在同一车队，若是则生成跟车模式进入指令，否则执行步骤S35；
S35、判断当前CACC车辆与前方车辆之间的距离是否小于通信范围，若是则执行步骤S36，否则生成头车模式进入指令；
S36、判断当前CACC车辆合队后车队中的车辆总数是否小于最大车队车辆数，若是则执行步骤S37，否则生成头车模式进入指令；
S37、判断当前CACC车辆与前方车辆的行驶方向是否相同，若是则生成跟车模式进入指令，否则生成头车模式进入指令。
6.根据权利要求5所述的一种面向城市场景的CACC仿真平台，其特征在于，处于人类驾驶模式的CACC车辆的控制模型为Wiedemann 99模型。
7.根据权利要求1所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的CACC车辆处于信号灯头车模式或冲突头车模式时，所述的控制器生成用于控制CACC车辆减速的车辆控制指令，具体过程包括：
假设停车线处存在一辆静止的虚拟车，采用IDM模型控制CACC车辆跟随该虚拟车，实现减速和停止。
8.根据权利要求7所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的减速过程中CACC车辆的自车加速度的计算公式为：
若CACC车辆的当前车速不大于期望速度，则自车加速度的计算公式为：
Figure FDA0003524768000000041
Figure FDA0003524768000000042
其中，aACC为自车加速度，afree为期望加速度，s*为期望距离，a为常数，s为CACC车辆与停车线之间的实际距离，δ为速度系数，v0为期望速度，v为当前车速；
若CACC车辆的当前车速大于期望速度，则自车加速度的计算公式为：
Figure FDA0003524768000000043
Figure FDA0003524768000000044
其中，b为常数；
所述的期望距离的计算公式为：
Figure FDA0003524768000000045
其中，s0为静止安全距离，T为安全时距。
9.根据权利要求8所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的执行器通过车辆动力学模型执行车辆控制指令，并获取实际加速度。
10.根据权利要求1所述的一种面向城市场景的CACC仿真平台，其特征在于，所述的人类驾驶车辆的控制模型为Wiedemann 99模型。
CN202210189370.9A 2022-02-28 2022-02-28 一种面向城市场景的cacc仿真平台 Pending CN114578711A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210189370.9A CN114578711A (zh) 2022-02-28 2022-02-28 一种面向城市场景的cacc仿真平台

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210189370.9A CN114578711A (zh) 2022-02-28 2022-02-28 一种面向城市场景的cacc仿真平台

Publications (1)

Publication Number Publication Date
CN114578711A true CN114578711A (zh) 2022-06-03

Family

ID=81771205

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210189370.9A Pending CN114578711A (zh) 2022-02-28 2022-02-28 一种面向城市场景的cacc仿真平台

Country Status (1)

Country Link
CN (1) CN114578711A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079451A (zh) * 2023-07-11 2023-11-17 清华大学 城市连续交叉路口场景下混合交通***的控制方法及装置

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117079451A (zh) * 2023-07-11 2023-11-17 清华大学 城市连续交叉路口场景下混合交通***的控制方法及装置
CN117079451B (zh) * 2023-07-11 2024-04-19 清华大学 城市连续交叉路口场景下混合交通***的控制方法及装置

Similar Documents

Publication Publication Date Title
CN111768637B (zh) 一种信号交叉***通信号灯和车辆轨迹控制方法
Treiber et al. An open-source microscopic traffic simulator
Makridis et al. The impact of automation and connectivity on traffic flow and CO2 emissions. A detailed microsimulation study
CN108959813A (zh) 一种智能车辆道路导航环境模型的仿真建模方法
Banjanovic-Mehmedovic et al. Autonomous vehicle-to-vehicle (v2v) decision making in roundabout using game theory
CN113936461B (zh) 一种信号控制交叉口车辆混行的仿真方法和***
CN113887037B (zh) 一种不同渗透率的网联环境下自动驾驶***测评方法
Kavas-Torris et al. Fuel economy benefit analysis of pass-at-green (PaG) V2I application on urban routes with STOP signs
Zhang et al. A discrete-event and hybrid traffic simulation model based on SimEvents for intelligent transportation system analysis in Mcity
Cantas et al. Development of virtual fuel economy trend evaluation process
Cantas et al. Use of hardware in the loop (HIL) simulation for developing connected autonomous vehicle (CAV) applications
Deshpande et al. In-vehicle test results for advanced propulsion and vehicle system controls using connected and automated vehicle information
Gupta et al. Eco-driving of connected and autonomous vehicles with sequence-to-sequence prediction of target vehicle velocity
Wilmink et al. Traffic flow effects of integrated full-range speed assistance (IRSA)
CN114578711A (zh) 一种面向城市场景的cacc仿真平台
Brunelli et al. A hybrid vehicle hardware-in-the-loop system with integrated connectivity for ehorizon functions validation
CN113511215B (zh) 一种混合自动驾驶决策方法、设备及计算机存储介质
Yao et al. Managing connected and automated vehicles in mixed traffic by human-leading platooning strategy: A simulation study
US20230324863A1 (en) Method, computing device and storage medium for simulating operation of autonomous vehicle
Cetin et al. Making way for emergency vehicles at oversaturated signals under vehicle-to-vehicle communications
Du et al. Impacts of vehicle-to-everything enabled applications: literature review of existing studies
Fekete et al. Methods for improving the flow of traffic
Pariota et al. Motivating the need for an integrated software architecture for connected and automated vehicles technologies development and testing
Torris Eco-Driving of Connected and Automated Vehicles (CAVs)
Almutairi et al. Eco-cooperative adpative cruise control at multiple signlized intersections: Network-wide evaluation and sensitivity analysis

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination