CN116432448B - 基于智能网联车和驾驶员遵从度的可变限速优化方法 - Google Patents
基于智能网联车和驾驶员遵从度的可变限速优化方法 Download PDFInfo
- Publication number
- CN116432448B CN116432448B CN202310360227.6A CN202310360227A CN116432448B CN 116432448 B CN116432448 B CN 116432448B CN 202310360227 A CN202310360227 A CN 202310360227A CN 116432448 B CN116432448 B CN 116432448B
- Authority
- CN
- China
- Prior art keywords
- speed limit
- compliance
- vehicle
- variable speed
- driver
- 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
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 31
- 230000008878 coupling Effects 0.000 title claims abstract description 19
- 238000010168 coupling process Methods 0.000 title claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 19
- 238000011217 control strategy Methods 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 48
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 31
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 38
- 239000002245 particle Substances 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 21
- 230000008901 benefit Effects 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 10
- 230000001133 acceleration Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 8
- 238000011144 upstream manufacturing Methods 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 238000013136 deep learning model Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000006855 networking Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000007477 logistic regression Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000001276 controlling effect Effects 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 206010063385 Intellectualisation Diseases 0.000 description 2
- 230000019771 cognition Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 208000011597 CGF1 Diseases 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000004039 social cognition Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/05—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles the view from a vehicle being simulated
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
- G09B9/00—Simulators for teaching or training purposes
- G09B9/02—Simulators for teaching or training purposes for teaching control of vehicles or other craft
- G09B9/04—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles
- G09B9/052—Simulators for teaching or training purposes for teaching control of vehicles or other craft for teaching control of land vehicles characterised by provision for recording or measuring trainee's performance
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Geometry (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Hardware Design (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Aviation & Aerospace Engineering (AREA)
- Educational Technology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Traffic Control Systems (AREA)
Abstract
基于智能网联车和驾驶员遵从度的可变限速优化方法，该方法包括以下步骤：1)设计高快速路三维道路场景；2)构建基于所述微观交通仿真软件和所述群体驾驶模拟平台的交互式仿真实验平台；3)所述实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级和不同驾驶人操控模拟车辆的遵从度，根据预设的车道级可变限速控制策略利用道路场景中的车道级可变限速发布***发布预设好的车道级可变限速控制指令。本发明方法通过调整微观交通仿真平台中基于仿真生成的背景车辆对于可变限速指令的遵从度，解决了智能网联环境下及人机混行交通环境下面向不同驾驶员难以进行个性化限速引导的问题。
Description
技术领域
本发明属于交通智能控制技术领域，具体地说是基于智能网联车和驾驶员遵从度的可变限速优化方法。
背景技术
随着数字化技术的快速发展及其在各行各业普及应用，公众对高速公路服务智能化、智慧化的期待和需求，越来越迫切，如何利用现代手段来破解交通安全、减轻拥堵提高通行效率、调节与控制交通流、适配自动驾驶、智能网联的问题，需要行业的回应与落实，以使泛在的公路使用者得到智能化、智能化的高水准服务。
随着交通传感技术的发展，交通数字孪生技术和平行仿真***的构建为可变限速控制提供了强大的数据基础和有效的决策依据。数字孪生指的是对物理***的虚拟映射，为高可信度的微观交通仿真提供了新的解决思路和高精度的标定手段，使得复杂路况下的高精度微观交通仿真成为可能。另一方面，随着模拟驾驶技术与微观驾驶模型的融合发展，群体模拟驾驶可以实现车辆间的行为交互，因此微观交通仿真平台和群体驾驶模拟平台的融合成为了探索驾驶行为的新的交通仿真手段。其为智能网联环境下及人机混行交通环境下的驾驶人驾驶行为探究提供的有效研究手段。
发明内容
本发明提供基于智能网联车和驾驶员遵从度的可变限速优化方法，用以解决现有技术中的缺陷。
本发明通过以下技术方案予以实现：
基于智能网联车和驾驶员遵从度的可变限速优化方法，该方法包括以下步骤：
1)设计高快速路三维道路场景，并基于群体驾驶模拟平台搭建高快速路三维道路场景，同时将该场景同样导入微观交通仿真软件；
2)构建基于所述微观交通仿真软件和所述群体驾驶模拟平台的交互式仿真实验平台；
3)所述实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级和不同驾驶人操控模拟车辆的遵从度，根据预设的车道级可变限速控制策略利用道路场景中的车道级可变限速发布***发布预设好的车道级可变限速控制指令；
4)招募多名驾驶人利用驾驶模拟器佩戴VR眼镜进行虚拟仿真群体驾驶，驾驶人控制仿真车辆的运行状态，针对不同交通状态及场景下，大规模群体驾驶人、不同驾驶风格驾驶人，在驾驶过程中加载到统一场景中进行交互，根据不同交通状态加载基于平行仿真生成的背景车辆；利用问卷调查方式获取驾驶人基本信息，同时获取实验路段道路环境信息数据、车辆运行状态数据和交通状态数据；
5)计算模拟驾驶中每个驾驶人的遵从度，遵从度定义为：
其中，Compratei(t)为t时刻i车的遵从度，为i车在接受可变限速信息位置处上游250m处的速度，/>为i车在接受可变限速信息位置处下游200m处的速度，VSLi(t)为t时刻对i车发布的可变限速值。
其中，当时，认为遵从度为100％；
6)调整微观交通仿真平台中基于仿真生成的背景车辆对于可变限速指令的遵从度，可选取一部分设置为100％作为自动驾驶车辆，另一部分根据需求设置为不同遵从度；
7)将驾驶人及车辆以遵从度100％、80％为界限，定义高、中、低遵从度；其中遵从度等级定义为：
8)根据将驾驶人及车辆以遵从度等级，将其分为三个数据集，分别为高遵从度数据集、中遵从度数据集和低遵从度数据集；采用K-means聚类算法对每个时间段的不同遵从度数据集的车辆的参数矩阵进行聚类分析，矩阵中每一列为一个参数的时间序列，参数矩阵包含的参数如下：(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离；(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄格；(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积；(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、当前路段平均车速、当前车道流量；采用欧氏距离作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即可将相似的数据归为一簇；将参数矩阵数据集分为3簇，分别为激进、耐心、小心；最终把驾驶人分为9类：激进高遵从度、耐心高遵从度、小心高遵从度、激进中遵从度、耐心中遵从度、小心中遵从度、激进低遵从度、耐心低遵从度、小心低遵从度，构建驾驶人风格类型矩阵；
9)将驾驶人风格类型作为因变量，参数矩阵作为自变量，训练基于SAEs的深度学习模型；
训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入；模型结构由用于提取短时交通流特征的SAEs与用于有监督的参数矩阵预测的逻辑回归层共同组成；采用基于梯度优化技术的反向传播(Back Propagation,BP)算法训练深层网络，贪婪分层无监督学习算法由于自底向上依次对深层网络中每一层参数进行训练而展现出优势性；在预训练阶段完成后，再借助BP神经网络自上而下对预测模型的参数进行调整，最终获得基于参数矩阵的驾驶特征类型研判模型；
10)利用可变限速决策模块采用针对不同道路及交通场景下不同驾驶风格驾驶人分别进行限速指令优化，寻找针对该驾驶风格遵从度较高且适宜的可变限速控制策略，利用基于个体车辆安全和交通流整体安全的综合风险等级作为实际奖励值，驾驶人遵从度作为修正因子，建立智能网联环境下及人机混行交通环境下的考虑驾驶员遵从度的车道级可变限速控制方案，形成控制方案策略库，可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现复杂交通环境下针对不同驾驶人提供个性化限速指导。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤2)中，所述微观交通流的运行状态由所述微观交通仿真软件控制，所述被驾驶人操控的仿真车辆由群体驾驶模拟仿真软件生成，所述仿真车辆的信息在微观交通仿真软件与群体驾驶模拟仿真软件中同步实时更新，其中群体驾驶模拟仿真车辆之间可以交互，同时群体驾驶模拟仿真车辆与微观交通仿真软件生成的仿真车辆之间可以交互。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤3)中，布设于路侧的RSU为可变限速***的信息指令发布设备，以500m间距布设，每次指令针对不同车道发布不同的可变限速信息，即不同车道上和上下游的车道级限速指令可以具备不同的限速值，通过实时改变调整可变限速标志的限速值，进而实时改变道路交通流的运行状态。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤6)中，在微观交通仿真平台中植入在线仿真模块，其中自动驾驶车辆采用IDM跟驰和换道模型对车辆位置进行实时仿真，智能网联车辆利用Q-learning强化学习算法对车辆位置进行实时仿真，人工驾驶车辆利用Gipps跟驰和换道模型对车辆位置进行实时仿真，将三种模型根据不同比例和限速遵从度加载到在线仿真模块中。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤8)中，参数矩阵的参数取值规则为：提取位置为车辆接收到可变限速指令位置处上游200m、800m、1400m、2000m，以及车辆接收到可变限速指令位置处下游400m、1000m处，提取时间粒度为5min，提取时刻为车辆接收到可变限速指令前5min、10min、15min、20min、25min、30min。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤9)中，针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险作为实际奖励值，个体车辆遵从度作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。该方法包括以下步骤：
1)利用驾驶风格判断方法对驾驶人驾驶风格进行判断，完成判断后对限速进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
2)对可变限速速度变化阈值进行初始化设置；
3)根据行车风险对可变限速变化进行控制，如果Q＞0.30，则对可变限速进行改变，计算该控制周期结束时行车风险，若仍为Q＞0.30，则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化，直至组合控制策略的行车风险收益E(μp)最高，并将此控制策略纳入可变限速策略库中，由此得到针对不同驾驶风格的针对性可变限速控制策略。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤9)中，将参数矩阵中的参数作为输入变量并进行数据标准化处理，利用步骤8)中获得的驾驶风格类型建立原始数据集，并采用随机森林法来对数据维度进行降维处理，得到训练数据集。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤10)中，所述基于个体车辆安全和交通流整体安全的综合风险等级算法，该方法包括以下步骤：
1)构建个体车辆安全风险等级判断及评价标准，其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值。
2)利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级。利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
3)构建交通流整体安全风险等级判断及评价标准，统计t时刻路段内各个车辆高、中、低风险等级车辆比例。其中交通流整体安全风险等级定义为：
4)构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1
5)针对不同驾驶风格驾驶人，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆遵从度Compratei(t)作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表该控制策略下的风险收益，为该控制策略实施之前综合风险，为该控制策略实施之后综合风险。
组合控制策略的遵从度组合损失定义为：
其中，Compratei(t)b为该控制策略实施之前个体车辆遵从度，Compratei(t)a为该控制策略实施之后个体车辆遵从度。
6)可变限速信息发布模块利用布设在路侧的RSU向道路使用者发布限速信息。
本发明的优点是：
一、本发明方法基于群体驾驶模拟平台搭建高快速路三维道路场景；基于交互式微观交通仿真平台向三维道路场景加载背景交通，通过调整微观交通仿真平台中基于仿真生成的背景车辆对于可变限速指令的遵从度，解决了智能网联环境下及人机混行交通环境下面向不同驾驶员难以进行个性化限速引导的问题，以及不同遵从度车辆混行情况下个性化限速引导的问题。
二、本发明利用可变限速决策模块采用针对不同道路及交通场景下不同驾驶风格驾驶人分别进行限速指令优化，寻找针对该驾驶风格遵从度较高且适宜的可变限速控制策略，利用个体交通安全指标作为实际奖励值，驾驶人遵从度作为修正因子，建立智能网联环境下及人机混行交通环境下的考虑驾驶员遵从度的车道级可变限速控制方案，形成控制方案策略库。解决了传统可变限速控制方法由于驾驶人遵从度较低导致部分行驶车辆行车风险增加的问题。同时本发明具备可复制推广、鲁棒性强的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的可变限速优化方法原理流程示意图；
图2为本发明的可变限速控制模块决策流程示意图；
图3为本发明的在线仿真模块示意图；
图4为本发明的车道级可变限速的信息发布示意图；
图5为本发明的粒子群优化算法的流程示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
基于智能网联车和驾驶员遵从度的可变限速优化方法，该方法包括以下步骤：
1)设计高快速路三维道路场景，并基于群体驾驶模拟平台搭建高快速路三维道路场景，同时将该场景同样导入微观交通仿真软件；
2)构建基于所述微观交通仿真软件和所述群体驾驶模拟平台的交互式仿真实验平台；
3)所述实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级和不同驾驶人操控模拟车辆的遵从度，根据预设的车道级可变限速控制策略利用道路场景中的车道级可变限速发布***发布预设好的车道级可变限速控制指令；
4)招募多名驾驶人利用驾驶模拟器佩戴VR眼镜进行虚拟仿真群体驾驶，驾驶人控制仿真车辆的运行状态，针对不同交通状态及场景下，大规模群体驾驶人、不同驾驶风格驾驶人，在驾驶过程中加载到统一场景中进行交互，根据不同交通状态加载基于平行仿真生成的背景车辆；利用问卷调查方式获取驾驶人基本信息，同时获取实验路段道路环境信息数据、车辆运行状态数据和交通状态数据；
5)计算模拟驾驶中每个驾驶人的遵从度，遵从度定义为：
其中，Compratei(t)为t时刻i车的遵从度，为i车在接受可变限速信息位置处上游250m处的速度，/>为i车在接受可变限速信息位置处下游200m处的速度，VSLi(t)为t时刻对i车发布的可变限速值。
其中，当时，认为遵从度为100％；
6)调整微观交通仿真平台中基于仿真生成的背景车辆对于可变限速指令的遵从度，可选取一部分设置为100％作为自动驾驶车辆，另一部分根据需求设置为不同遵从度；
7)将驾驶人及车辆以遵从度100％、80％为界限，定义高、中、低遵从度；其中遵从度等级定义为：
8)根据将驾驶人及车辆以遵从度等级，将其分为三个数据集，分别为高遵从度数据集、中遵从度数据集和低遵从度数据集；采用K-means聚类算法对每个时间段的不同遵从度数据集的车辆的参数矩阵进行聚类分析，矩阵中每一列为一个参数的时间序列，参数矩阵包含的参数如下：(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离；(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄格；(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积；(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、当前路段平均车速、当前车道流量；采用欧氏距离作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即可将相似的数据归为一簇；将参数矩阵数据集分为3簇，分别为激进、耐心、小心；最终把驾驶人分为9类：激进高遵从度、耐心高遵从度、小心高遵从度、激进中遵从度、耐心中遵从度、小心中遵从度、激进低遵从度、耐心低遵从度、小心低遵从度，构建驾驶人风格类型矩阵；
9)将驾驶人风格类型作为因变量，参数矩阵作为自变量，训练基于SAEs的深度学习模型；
训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入；模型结构由用于提取短时交通流特征的SAEs与用于有监督的参数矩阵预测的逻辑回归层共同组成；采用基于梯度优化技术的反向传播(Back Propagation,BP)算法训练深层网络，贪婪分层无监督学习算法由于自底向上依次对深层网络中每一层参数进行训练而展现出优势性；在预训练阶段完成后，再借助BP神经网络自上而下对预测模型的参数进行调整，最终获得基于参数矩阵的驾驶特征类型研判模型；
10)利用可变限速决策模块采用针对不同道路及交通场景下不同驾驶风格驾驶人分别进行限速指令优化，寻找针对该驾驶风格遵从度较高且适宜的可变限速控制策略，利用基于个体车辆安全和交通流整体安全的综合风险等级作为实际奖励值，驾驶人遵从度作为修正因子，建立智能网联环境下及人机混行交通环境下的考虑驾驶员遵从度的车道级可变限速控制方案，形成控制方案策略库，可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现复杂交通环境下针对不同驾驶人提供个性化限速指导。
优选的，所述的步骤2)中，所述微观交通流的运行状态由所述微观交通仿真软件控制，所述被驾驶人操控的仿真车辆由群体驾驶模拟仿真软件生成，所述仿真车辆的信息在微观交通仿真软件与群体驾驶模拟仿真软件中同步实时更新，其中群体驾驶模拟仿真车辆之间可以交互，同时群体驾驶模拟仿真车辆与微观交通仿真软件生成的仿真车辆之间可以交互。
如上所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，所述的步骤3)中，布设于路侧的RSU为可变限速***的信息指令发布设备，以500m间距布设，每次指令针对不同车道发布不同的可变限速信息，即不同车道上和上下游的车道级限速指令可以具备不同的限速值，通过实时改变调整可变限速标志的限速值，进而实时改变道路交通流的运行状态。
优选的，所述的步骤6)中，在微观交通仿真平台中植入在线仿真模块，其中自动驾驶车辆采用IDM跟驰和换道模型对车辆位置进行实时仿真，智能网联车辆利用Q-learning强化学习算法对车辆位置进行实时仿真，人工驾驶车辆利用Gipps跟驰和换道模型对车辆位置进行实时仿真，将三种模型根据不同比例和限速遵从度加载到在线仿真模块中。
优选的，参数矩阵的参数取值规则为：提取位置为车辆接收到可变限速指令位置处上游200m、800m、1400m、2000m，以及车辆接收到可变限速指令位置处下游400m、1000m处，提取时间粒度为5min，提取时刻为车辆接收到可变限速指令前5min、10min、15min、20min、25min、30min。
优选的，针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险作为实际奖励值，个体车辆遵从度作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。该方法包括以下步骤：
1)利用驾驶风格判断方法对驾驶人驾驶风格进行判断，完成判断后对限速进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
2)对可变限速速度变化阈值进行初始化设置；
3)根据行车风险对可变限速变化进行控制，如果Q＞0.30，则对可变限速进行改变，计算该控制周期结束时行车风险，若仍为Q＞0.30，则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化，直至组合控制策略的行车风险收益E(μp)最高，并将此控制策略纳入可变限速策略库中，由此得到针对不同驾驶风格的针对性可变限速控制策略。
优选的，所述的步骤9)中，将参数矩阵中的参数作为输入变量并进行数据标准化处理，利用步骤8)中获得的驾驶风格类型建立原始数据集，并采用随机森林法来对数据维度进行降维处理，得到训练数据集。
优选的，所述的步骤10)中，所述基于个体车辆安全和交通流整体安全的综合风险等级算法，该方法包括以下步骤：
1)构建个体车辆安全风险等级判断及评价标准，其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值。
2)利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级。利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
3)构建交通流整体安全风险等级判断及评价标准，统计t时刻路段内各个车辆高、中、低风险等级车辆比例。其中交通流整体安全风险等级定义为：
4)构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1
5)针对不同驾驶风格驾驶人，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆遵从度Compratei(t)作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库。
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表该控制策略下的风险收益，为该控制策略实施之前综合风险，为该控制策略实施之后综合风险。
组合控制策略的遵从度组合损失定义为：
其中，Compratei(t)b为该控制策略实施之前个体车辆遵从度，Compratei(t)a为该控制策略实施之后个体车辆遵从度。
利用所述驶风格判断方法对驾驶人驾驶风格进行判断，完成判断后对限速进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置。
对可变限速速度变化阈值进行初始化设置。
对各车辆可变限速引导速度进行初始化设置，初始限速为100km/h。
对速度变化梯度进行初始化设置，速度变化梯度为5km/h。
对速度变化周期进行初始化设置，速度变化周期为1min。
根据该路段交通实时轨迹获取行车风险，如果风险等级＞0.30，则采用初始化设置对可变限速进行改变。计算改变限速后未来5min时刻组合控制策略的收益E(μp)和组合控制策略的损失Riskp。
将组合控制策略的收益E(μp)和组合控制策略的损失Riskp的差值作为目标优化函数，作为输入到粒子群优化算法模型中。
初始化粒子群，设群体规模为N，对粒子的速度和位置进行初始化。
设置适应度函数，通过适应度函数计算每个粒子的适应度。分别保存各个粒子所经历过的最优位置和最佳适应度，种群的最优位置和最佳适应度。
把各个粒子的适应度和历史最优点的适应度Pi做比较，若粒子的适应度优于历史最优点，则把当前位置作为该粒子的历史最优位置，同时该粒子的适应度也成为历史最优适应度，以此寻找个体最优。
粒子的位置和速度的更新依据如下：
其中，加速因子c1调节个体最优位置飞行的最大步长，c2调节全局最优位置飞行的最大步长。如果加速因子取值太大会使粒子急速飞出目标区域，若取值太小则可能会使粒子到达目标区域太慢。合适的c1和c2值能提升粒子群算法的收敛速度，避免陷入局部最优。c1和c2值取[0,4]之间，本实施例设置为2。
代表粒子上一代留下来的速度对粒子飞行行为的影响，可视为粒子自身的惯性；第二部分/>是个体认知，粒子朝自身寻找到的最优解方向寻找，代表粒子对自身过去经验的学习；第三部分/>属于社会认知，粒子向种群中其他粒子借鉴学习，代表粒子对种群整体搜索情况的认可。
将各个粒子的历史最优位置所对应的适应值与种群最优适应度Pg进行比较，若更好，则更新种群的历史最优位置与历史适应，以此寻找全局最优。
若满足终止条件则终止，否则返回根据该路段交通实时轨迹获取行车风险，如果风险等级＞0.30，则采用初始化设置对可变限速进行改变。计算改变限速后未来5min时刻组合控制策略的收益E(μp)和组合控制策略的损失Riskp此处继续重复操作。直到得到该条件下的最优限速值Vt。
可变限速信息发布模块利用布设在路侧的RSU向道路使用者发布限速信息。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，该方法包括以下步骤：
1)设计高快速路三维道路场景，并基于群体驾驶模拟平台搭建高快速路三维道路场景，同时将该场景同样导入微观交通仿真软件；
2)构建基于所述微观交通仿真软件和所述群体驾驶模拟平台的交互式仿真实验平台；
3)所述实验平台启动后，将仿真交通流数据实时导出，利用交通流风险检测算法计算当前交通流风险等级和不同驾驶人操控模拟车辆的遵从度，根据预设的车道级可变限速控制策略利用道路场景中的车道级可变限速发布***发布预设好的车道级可变限速控制指令；
4)招募多名驾驶人利用驾驶模拟器佩戴VR眼镜进行虚拟仿真群体驾驶，驾驶人控制仿真车辆的运行状态，针对不同交通状态及场景下，大规模群体驾驶人、不同驾驶风格驾驶人，在驾驶过程中加载到统一场景中进行交互，根据不同交通状态加载基于平行仿真生成的背景车辆；利用问卷调查方式获取驾驶人基本信息，同时获取实验路段道路环境信息数据、车辆运行状态数据和交通状态数据；
5)计算模拟驾驶中每个驾驶人的遵从度，遵从度定义为：
其中，Compratei(t)为t时刻i车的遵从度，为i车在接受可变限速信息位置处上游250m处的速度，/>为i车在接受可变限速信息位置处下游200m处的速度，VSLi(t)为t时刻对i车发布的可变限速值；
其中，当时，认为遵从度为100％；
6)调整微观交通仿真平台中基于仿真生成的背景车辆对于可变限速指令的遵从度，可选取一部分设置为100％作为自动驾驶车辆，另一部分根据需求设置为不同遵从度；
7)将驾驶人及车辆以遵从度100％、80％为界限，定义高、中、低遵从度；其中遵从度等级定义为：
8)根据将驾驶人及车辆以遵从度等级，将其分为三个数据集，分别为高遵从度数据集、中遵从度数据集和低遵从度数据集；采用K-means聚类算法对每个时间段的不同遵从度数据集的车辆的参数矩阵进行聚类分析，矩阵中每一列为一个参数的时间序列，参数矩阵包含的参数如下：(1)道路环境信息数据矩阵：黑天/白天、天气、光照、当前道路线形、坡度、当前车道限速、距离可变限速板距离；(2)驾驶人信息数据矩阵：驾驶员性别、驾驶员驾龄、驾驶员年龄格；(3)车辆运行状态数据矩阵：时间、车辆中心纵向位置、车辆中心横向位置、车辆纵向速度、车辆纵向加速度、车辆横向速度、车辆横向加速度、车道偏移、方向盘转角与车速乘积；(4)交通状态数据矩阵：本车道前车纵向速度、车头时距、车头间距、相邻车道前车纵向距离、相邻车道前车纵向速度、本车与后车间距、交通饱和度、当前路段平均车速、当前车道流量；采用欧氏距离作为衡量数据点相似性的指标，计算样本集中各个数据点距离初始质点的距离，并采用距离最近原则，将数据点分配至距离最近的质点，即可将相似的数据归为一簇；将参数矩阵数据集分为3簇，分别为激进、耐心、小心；最终把驾驶人分为9类：激进高遵从度、耐心高遵从度、小心高遵从度、激进中遵从度、耐心中遵从度、小心中遵从度、激进低遵从度、耐心低遵从度、小心低遵从度，构建驾驶人风格类型矩阵；
9)将驾驶人风格类型作为因变量，参数矩阵作为自变量，训练基于SAEs的深度学习模型；
训练基于SAEs的深度学习模型，以训练集作为输入，第一层被训练为自动编码器；在获得第一个隐藏层之后，第m个隐藏层的输出作为第m+1个隐藏层的输入；模型结构由用于提取短时交通流特征的SAEs与用于有监督的参数矩阵预测的逻辑回归层共同组成；采用基于梯度优化技术的反向传播(Back Propagation,BP)算法训练深层网络，贪婪分层无监督学习算法由于自底向上依次对深层网络中每一层参数进行训练而展现出优势性；在预训练阶段完成后，再借助BP神经网络自上而下对预测模型的参数进行调整，最终获得基于参数矩阵的驾驶特征类型研判模型；
10)利用可变限速决策模块采用针对不同道路及交通场景下不同驾驶风格驾驶人分别进行限速指令优化，寻找针对该驾驶风格遵从度较高且适宜的可变限速控制策略，利用基于个体车辆安全和交通流整体安全的综合风险等级作为实际奖励值，驾驶人遵从度作为修正因子，建立智能网联环境下及人机混行交通环境下的考虑驾驶员遵从度的车道级可变限速控制方案，形成控制方案策略库，可变限速信息发布模块利用RSU向道路使用者发布限速信息，实现复杂交通环境下针对不同驾驶人提供个性化限速指导。
2.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤2)中，所述微观交通流的运行状态由所述微观交通仿真软件控制，被驾驶人操控的仿真车辆由群体驾驶模拟仿真软件生成，所述仿真车辆的信息在微观交通仿真软件与群体驾驶模拟仿真软件中同步实时更新，其中群体驾驶模拟仿真车辆之间可以交互，同时群体驾驶模拟仿真车辆与微观交通仿真软件生成的仿真车辆之间可以交互。
3.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤3)中，布设于路侧的RSU为可变限速***的信息指令发布设备，以500m间距布设，每次指令针对不同车道发布不同的可变限速信息，即不同车道上和上下游的车道级限速指令可以具备不同的限速值，通过实时改变调整可变限速标志的限速值，进而实时改变道路交通流的运行状态。
4.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤6)中，在微观交通仿真平台中植入在线仿真模块，其中自动驾驶车辆采用IDM跟驰和换道模型对车辆位置进行实时仿真，智能网联车辆利用Q-learning强化学习算法对车辆位置进行实时仿真，人工驾驶车辆利用Gipps跟驰和换道模型对车辆位置进行实时仿真，将三种模型根据不同比例和限速遵从度加载到在线仿真模块中。
5.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，参数矩阵的参数取值规则为：提取位置为车辆接收到可变限速指令位置处上游200m、800m、1400m、2000m，以及车辆接收到可变限速指令位置处下游400m、1000m处，提取时间粒度为5min，提取时刻为车辆接收到可变限速指令前5min、10min、15min、20min、25min、30min。
6.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤9)中，针对不同驾驶人的驾驶风格，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险作为实际奖励值，个体车辆遵从度作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库；该方法包括以下步骤：
1)利用驾驶风格判断方法对驾驶人驾驶风格进行判断，完成判断后对限速进行初始化设置，对可变限速速度变化梯度、速度变化周期进行初始化设置；
2)对可变限速速度变化阈值进行初始化设置；
3)根据行车风险对可变限速变化进行控制，如果Q＞0.30，则对可变限速进行改变，计算该控制周期结束时行车风险，若仍为Q＞0.30，则对当前可变限速策略的可变限速板速度变化梯度、速度变化周期进行遍历调整优化，直至组合控制策略的行车风险收益E(μp)最高，并将此控制策略纳入可变限速策略库中，由此得到针对不同驾驶风格的针对性可变限速控制策略。
7.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤9)中，将参数矩阵中的参数作为输入变量并进行数据标准化处理，利用步骤8)中获得的驾驶风格类型建立原始数据集，并采用随机森林法来对数据维度进行降维处理，得到训练数据集。
8.根据权利要求1所述的基于智能网联车和驾驶员遵从度的可变限速优化方法，其特征在于，所述的步骤10)中，所述基于个体车辆安全和交通流整体安全的综合风险等级算法，该方法包括以下步骤：
1)构建个体车辆安全风险等级判断及评价标准，其中，危险行为定义为：
TTCi是i车在t时刻相对于前车的碰撞时间，因为数据采集到的车辆位置是车头的位置，所以Xi(t)是t时刻i车车头的位置，Xh(t)是t时刻i车前车h车头的位置，lh是h车的车身长度，Vi(t)是t时刻i车的瞬时速度，Vh(t)是t时刻h车的瞬时速度；
个体车辆安全风险等级定义方法为，计算：
其中，
其中，代表i车在t时刻相对于前车的碰撞风险，TTCp代表该时刻所有个体车辆TTCi的均值；
2)利用K-means聚类方法，将聚类为三类，分别为高风险等级、中风险等级和低风险等级；利用Risk(i)代表i车在t时刻相对于前车的碰撞风险等级，即：
3)构建交通流整体安全风险等级判断及评价标准，统计t时刻路段内各个车辆高、中、低风险等级车辆比例；其中交通流整体安全风险等级定义为：
4)构建基于个体车辆安全和交通流整体安全的综合风险算法：
其中，α+β＝1
5)针对不同驾驶风格驾驶人，采用改进的粒子群优化算法寻找最优的可变限速控制策略，利用综合风险Q作为实际奖励值，个体车辆遵从度Compratei(t)作为修正因子，最终建立适应各驾驶风格的可变限速控制方案，形成控制方案策略库；
其中组合控制策略个体车辆安全风险收益定义为：
其中，E(μp)代表该控制策略下的风险收益，为该控制策略实施之前综合风险，/>为该控制策略实施之后综合风险；
组合控制策略的遵从度组合损失定义为：
其中，Compratei(t)b为该控制策略实施之前个体车辆遵从度，Compratei(t)a为该控制策略实施之后个体车辆遵从度；
6)可变限速信息发布模块利用布设在路侧的RSU向道路使用者发布限速信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310360227.6A CN116432448B (zh) | 2023-04-06 | 2023-04-06 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310360227.6A CN116432448B (zh) | 2023-04-06 | 2023-04-06 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116432448A CN116432448A (zh) | 2023-07-14 |
| CN116432448B true CN116432448B (zh) | 2024-02-23 |
Family
ID=87084910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310360227.6A Active CN116432448B (zh) | 2023-04-06 | 2023-04-06 | 基于智能网联车和驾驶员遵从度的可变限速优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116432448B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116959254A (zh) * | 2023-08-01 | 2023-10-27 | 同济大学 | 基于时序轨迹数据的车道级可变限速个体遵从度预测方法 |
| CN116884220A (zh) * | 2023-08-01 | 2023-10-13 | 同济大学 | 一种基于轨迹数据的面向全局可变限速遵从度预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975705A (zh) * | 2016-05-13 | 2016-09-28 | 东南大学 | 一种针对可变限速控制的元胞传输仿真模型改进方法 |
| CN111754777A (zh) * | 2020-07-10 | 2020-10-09 | 清华大学 | 无人驾驶和有人驾驶混行交通流的微观交通仿真方法 |
| CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控***的虚拟现实测试方法 |
| CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
| CN114627647A (zh) * | 2022-03-16 | 2022-06-14 | 重庆大学 | 一种基于可变限速与换道结合的混合交通流优化控制方法 |
| CN115206103A (zh) * | 2022-07-18 | 2022-10-18 | 山西省智慧交通研究院有限公司 | 一种基于平行仿真***的可变限速控制*** |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220197280A1 (en) * | 2020-12-22 | 2022-06-23 | Uatc, Llc | Systems and Methods for Error Sourcing in Autonomous Vehicle Simulation |
-
2023
- 2023-04-06 CN CN202310360227.6A patent/CN116432448B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105975705A (zh) * | 2016-05-13 | 2016-09-28 | 东南大学 | 一种针对可变限速控制的元胞传输仿真模型改进方法 |
| CN111754777A (zh) * | 2020-07-10 | 2020-10-09 | 清华大学 | 无人驾驶和有人驾驶混行交通流的微观交通仿真方法 |
| CN114067561A (zh) * | 2021-10-25 | 2022-02-18 | 东南大学 | 城市快速道路车路协同主动管控***的虚拟现实测试方法 |
| CN114118795A (zh) * | 2021-11-26 | 2022-03-01 | 同济大学 | 智能重载高速公路的安全风险度评估分级及动态预警方法 |
| CN114627647A (zh) * | 2022-03-16 | 2022-06-14 | 重庆大学 | 一种基于可变限速与换道结合的混合交通流优化控制方法 |
| CN115206103A (zh) * | 2022-07-18 | 2022-10-18 | 山西省智慧交通研究院有限公司 | 一种基于平行仿真***的可变限速控制*** |
Non-Patent Citations (4)
| Title |
|---|
| Richard Atta Boateng,Michael D. Fontaine,and etc,..Driver Response to Variable Speed Limits on I-66 in Northern Virginia.《journal of transportation engineering》.2019,全文. * |
| 吴宏涛 ; 刘力源 ; 孟颖 ; 荣亚鹏 ; 李路凯.动态多特征融合的道路遗洒物威胁度分析方法.《计算机科学》.2020,全文. * |
| 基于运营安全的超长地下道路车速控制方法研究;杨旻皓;中国市政工程(05);全文 * |
| 多形态几何约束的道路障碍物检测新方法;吴宏涛;《山西交通科技》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116432448A (zh) | 2023-07-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116432448B (zh) | 基于智能网联车和驾驶员遵从度的可变限速优化方法 | |
| Du et al. | Comfortable and energy-efficient speed control of autonomous vehicles on rough pavements using deep reinforcement learning | |
| Kuefler et al. | Imitating driver behavior with generative adversarial networks | |
| CN110750877B (zh) | 一种Apollo平台下的车辆跟驰行为预测方法 | |
| 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 | |
| CN110956851B (zh) | 一种智能网联汽车协同调度换道方法 | |
| CN107813820A (zh) | 一种仿优秀驾驶员的无人车换道路径规划方法 | |
| Jayawardana et al. | Learning eco-driving strategies at signalized intersections | |
| CN108711285B (zh) | 一种基于道路路口的混合交通模拟方法 | |
| CN116822125A (zh) | 基于虚拟现实的个性化交互式车道级可变限速优化方法 | |
| CN110619340B (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
| CN114580302A (zh) | 基于最大熵强化学习的自动驾驶汽车决策规划方法 | |
| CN114030485A (zh) | 一种考虑附着系数的自动驾驶汽车类人换道决策规划方法 | |
| CN114368387B (zh) | 一种基于注意力机制的驾驶员意图识别及车辆轨迹预测方法 | |
| CN115257789A (zh) | 城市低速环境下的营运车辆侧向防撞驾驶决策方法 | |
| CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策*** | |
| CN113120003B (zh) | 无人驾驶车辆运动行为决策方法 | |
| CN111488674B (zh) | 一种平面交叉口车辆运行轨迹模拟方法 | |
| Zhang et al. | Driving style classification for vehicle-following with unlabeled naturalistic driving data | |
| CN114148349B (zh) | 一种基于生成对抗模仿学习的车辆个性化跟驰控制方法 | |
| CN113276860B (zh) | 车辆控制方法、装置、电子设备以及存储介质 | |
| Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
| CN107657106A (zh) | 基于遗传算法的交通流模拟方法 | |
| Hua | A new car-following model considering recurrent neural network | |
| CN116767218B (zh) | 一种无人驾驶车辆强制换道决策方法、计算机设备及介质 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Zhang Linliang Inventor after: Zhao Yuhong Inventor after: Wang Yubiao Inventor after: Niu Bingqing Inventor after: He Lingling Inventor after: Yan Lianshan Inventor after: Wu Hongtao Inventor after: Liang Lei Inventor after: Wang Yanchao Inventor after: Song Hao Inventor after: Fu Yuqiang Inventor after: Xu Xin Inventor after: Li Xianda Inventor before: Zhang Linliang Inventor before: Wang Yubiao Inventor before: Niu Bingqing Inventor before: He Lingling Inventor before: Wu Hongtao Inventor before: Liang Lei Inventor before: Wang Jianchao Inventor before: Song Wu Inventor before: Fu Yuqiang Inventor before: Xu Xin Inventor before: Li Xianda Inventor before: Zhao Yuhong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |