考虑后视和多前车信息反馈的车辆跟驰模型

为改进车联网环境下车辆跟驰模型的稳定性,在经典OVCM模型基础上考虑后视效应、多前车速度差和多前车最优速度记忆综合信息对交通流稳定性能的影响,提出一种基于后视和多前车信息反馈的扩展车辆跟驰模型。根据线性稳定性分析法得出模型的中性稳定性判断条件,并进行数值仿真实验与分析。实验结果表明,在扰动初始条件设置一致下,所提模型相比于OV、FVD、OVCM模型,交通流稳定区域增大,速度波动幅度减小,特别是考虑的前车数k、后视敏感系数λi和记忆效应敏感系数γi取值为k=3,λi=［0.2,0.15,0.1］,γi=［0.1,0.08,0.06］时,车辆的平均速度波动率低于0.1%,由此说明,所提模型能有效减少扰动影响,增强交通流的稳态保持。     

考虑后视效应和多前车信息的跟驰模型

网联车跟驰模型的研究可为未来实施大规模的实地测试提供模型参考,已成为交通流及智能交通领域的研究热点.为了更好地研究智能网联车的跟驰特性,在MVD模型的基础上,提出了一种考虑后视效应和多前车信息的跟驰模型(BL-MVDAM),利用线性稳定性分析方法推导出BL-MVDAM模型的交通流稳定性判断依据,并分别分析了模型中各参数对系统稳定性的影响,给出分析结果并进行了数值仿真实验.仿真实验选取在环形道路上给行驶过程中的车队施加轻微扰动,并根据跟驰车对后车的关注程度P和前车数量k设计数值模拟实验,当其他条件一致时,本文模型相比FVD,MVD,OMVC和BLVD模型,BL-MVDAM模型中车队的速度波动率较小,尤其是当P=0.8,k=3 时,车队速度平均波动率最小可以达0.24％,实验分析结果表明,所提出模型在引入后视效应和多前车信息后,具备更优的稳定区域,能较好地吸收扰动且有利于增强车队行驶的稳定性.     

考虑前车动态效应的高速跟驰交通流研究

为描述交通中存在的“高速跟驰”现象,在NaSch模型的基础上,考虑了前车的运动特性,并结合驾驶员的驾驶行为差异,建立了考虑前车动态效应的高速跟驰交通流模型（DPM）。通过数值模拟得到了高速跟驰规律,当道路车流密度为0.18时,车道上的高速跟驰率为4.93%;同时,通过分析车辆运动的时空特性,模拟出交通流中自由流、同步流以及宽幅运动阻塞现象;还得出了不同驾驶员占比下的速度-流量-密度的关系;并分析了车辆随时间变化的速度及车头间距波动情况,较NaSch模型有更高的交通稳定性。通过NGSIM数据集及国内实测数据验证了DPM模型的有效性和实用性。     

信息物理系统下的耦合映射跟驰模型

针对车辆跟驰模型中信息响应延迟时间导致交通拥堵,通过信息物理系统对耦合映射跟驰模型重新定义,在嵌入计算功能的网络端与延迟导致拥堵的物理端相互作用下,提出均衡车头距的概念,在此基础上量化跟驰过程中的响应延迟时间,从而间接增大了车头距,拉长可操作时间线,给驾驶系统提供预估功能。考虑前车、后车对己车的反馈控制,并选取不同的反馈系数,仿真结果表明CPS定义下的耦合映射跟驰模型,对交通拥堵具有明显的抑制效果。     

驾驶员多源信息融合协同仿真算法研究

交通仿真是交通控制与管理方案评价和优化的重要实验研究手段。传统的微观交通仿真模型,特别是刻画驾驶员行为的车辆跟驰模型,未能综合考虑交通环境中信息刺激的多源性和驾驶员任务集聚、协调反应的行为过程。文章利用Bayes方法描述驾驶员在复杂行驶环境中多源信息的融合过程,确定驾驶员任务集聚后对车辆应采取的驾驶行为。模型验证表明:交通仿真过程中,在车辆跟驰模型实施之前,利用Bayes算法模型化驾驶员在多源信息刺激下任务集聚、协同反应的过程是行之有效的。     

一类时变时滞车辆跟驰模型的稳定性控制

为了研究交通拥堵问题,同时了解交通拥挤形成的过程以及驾驶员自身特性对交通流稳定性的影响.本文基于复杂网络同步理论,对一类考虑前后车效应的时变时滞最优速度车辆跟驰模型的稳定性进行了研究.利用Lyapunov稳定性理论,通过设计基于速度和车头间距的自适应控制器使得该车辆跟驰模型趋于稳定,并得到了模型稳定性的条件.此外,在车辆受到随机外部扰动的情形下,研究了该模型的稳定性.最后,采用MATLAB仿真技术进行了数值模拟,结果表明在本文设计的控制器下,考虑前后车效应的时变时滞最优速度车辆跟驰模型快速趋于稳定,拥堵现象得到了有效的缓解.     

跟驰驾驶行为的滑模控制系统建模

为量化描述跟驰驾驶行为的特质,即个人意志(即稳速驾驶)与环境干扰(即车辆间距、速度差、加速度差)间的动态调和,剖析了跟驰驾驶行为的"运动跟踪(即跟驰车辆对前导车辆速度、加速度轨迹的跟踪)"特性与"刺激-反应"机理,建立了"刺激-反应"行为模式下跟驰驾驶行为的2阶滑模控制系统模型;通过数学分析验证了本模型控制的跟驰车辆运动的Lyapunov渐近稳定性.并通过数值仿真说明了本模型控制的跟驰车队的运动可能具备Lyapunov渐近稳定性.     

基于多前车信息融合的智能网联车辆跟驰模型

为了进一步提高交通流的稳定性,在经典基于驾驶员记忆的最优速度（OVCM）模型的基础上,提出了一种基于多前车最优速度与紧邻加速度（MHOVA）的智能网联车辆跟驰模型。首先,引入k辆前车的最优速度变化量与紧邻前车的加速度改进OVCM模型,并分别以参数γ和ω表示其权重;然后,结合改进模型利用线性稳定性分析获得交通流的临界稳定条件;最后,利用Matlab对车队施加扰动后的速度和车头距等参数进行数值模拟与分析。仿真结果表明：在车队启动和停止过程的仿真中,所提模型比OVCM模型使得车队整体达到稳定状态的时间更短;在环形道路上车队施加扰动的仿真中,所提模型相比于全速度差（FVD）模型、OVCM和多前车最优速度（MHOV）模型,在合理加速度敏感系数ω和前车数k约束下的速度和车头距波动幅度相对较小,尤其当ω为0.3且k为5时车辆速度的向上和向下波动率最小可达0.67%和0.47%,表明改进模型能较好地吸收交通扰动和增强车队行驶稳定性。     

车辆自适应巡航控制策略研究与仿真

为了保证车辆自适应巡航控制(ACC)系统的安全性、跟踪效果和稳定性,基于车辆安全距离模型建立了车辆自适应巡航控制模型,在Trucksim中搭建CACC跟驰控制系统;通过Simulink与Trucksim联合仿真,验证系统的可行性.仿真结果表明,在车辆编队的行驶过程中,前后车的车距始终在设定的安全距离范围内波动,具有良好...     

5G环境下车联网跟驰模型

针对现有跟驰模型的不足,提出一种5G环境下车联网实时稳定(current time stabilization,CTS)模型。该跟驰模型首先考虑了网络时延的时变性对跟驰模型的影响,其次考虑了由网络时延带来的对车辆实时速度、加速度、驾驶员反应时间的影响,从而保证CTS模型更符合实际驾驶情况。从理论上推导出跟驰模型的临界稳定性条件。仿真结果表明,当网络时延不同时,随着网络时延的降低,CTS模型的稳定性不断升高;在相同扰动下,CTS模型比传统优化速度(optimal velocity,OV)跟驰模型的稳定性提高了32.5%。     

交通流多预期延迟模型与数值仿真

为了更准确地描述交通流,考虑驾驶员反应延迟时间和前车信息的非均衡使用,建立一种多预期延迟跟驰模型。线性稳定性分析表明,驾驶员反应延迟时间的增加会降低交通流的稳定性,多个前车信息的使用可以提高交通流的稳定性。数值仿真的结果表明,减少司机的反映延迟时间和适当地增加前车信息都能提高交通流的稳定性。为尽可能少地引入输入变量,不均衡地利用前车的车间距和速度差信息是必要的。理论和数值模拟的结果均表明驾驶员反应延迟在交通拥堵的形成过程中起着重要作用。     

基于模糊推理的驾驶员车速决策行为建模与仿真

为了在微观交通仿真中更真实地模拟驾驶员的车速决策行为,在综合自由行驶和跟驰两种驾驶行为的基础上,采用模糊推理技术进行建模研究。选取车头时距、期望速度差、前车速度差作为模糊推理系统输入变量,加速度为系统输出,结合实际中加减速行为的不对称性及不同行驶状态下主要行驶意图的不同,构造模糊规则,建立基于模糊推理的车速决策模型。利用模糊系统的输入输出曲面进行了模型的校核,并在考虑驾驶员反应时间的基础上进行了仿真实验。仿真结果表明,车辆能够根据前车行驶状态和自身期望车速进行适当的速度决策,验证了所建模型的合理性。     

自动驾驶车辆道路跟驰与状态一致性控制

针对含有未知输入和外部干扰的非线性自动驾驶车辆时变跟驰队列系统,研究系统部分状态可测情况下的车辆道路跟驰和状态一致性控制问题.基于车辆跟驰和二自由度动力学模型,得到含有外部干扰和未知输入的离散化状态方程,利用前导跟驰特性,得到自动驾驶车辆跟驰队列系统;利用比例积分状态观测器解决系统部分状态不可测问题,提出一种基于观测器实现含有未知输入和外部干扰的自动驾驶车辆状态一致性控制协议;将观测器估计效果和一致性控制问题转化为误差系统的稳定性问题,由此构造Lyapunov-Krasovkii函数,利用离散系统稳定性理论推导出一个充分条件;通过求解线性矩阵不等式(linear matrix inequality, LMI)得到跟驰系统的增益矩阵和参数矩阵,利用H_∞性能指标分析系统鲁棒性.仿真结果表明:所设计观测器能够估计未知输入、外部干扰和系统状态,并且基于观测器设计能够使自动驾驶车辆道路跟驰和状态达到一致.     

前后车辆最优速度差跟驰模型与数值仿真

为了克服经典最优速度（OV）模型仅依据车间距单一因素调整跟驰车最优速度的局限性,在考虑前导车与跟驰车最优速度差信息对交通流稳定性影响的基础上,提出了一种改进的最优速度差（OVD）模型,并通过小振幅摄动法对模型进行了稳定性分析,推导了模型的稳定性条件。最后对改进OVD模型进行了数值仿真。通过线性稳定性分析,发现考虑前后车辆最优速度差后,自由流稳定的临界驾驶员反应灵敏度系数明显减小,稳定区域显著增加。仿真结果表明,与OV跟驰模型相比,在相同初始扰动条件下,改进OVD模型能够明显增强交通流的稳定性。     

基于横纵向联合控制的多目标优化车辆跟驰研究

为解决车辆在拥堵环境中因车速波动较大所带来的跟驰平稳性较差、跟踪无效或不安全等问题,提出了基于车辆模型和深度强化学习的多目标优化跟驰方案。首先基于车辆横纵向动力学建立车辆跟驰模型,然后根据车间距误差、速度误差、横向偏差及相对偏航角等,利用深度确定性策略梯度算法得到跟驰车的加速度和转向角,以更平稳安全地控制跟驰车辆。经NGSIM公开驾驶数据集进行测试与验证,该方案可有效地提升跟驰车辆的稳定、舒适与安全性,对保证交通安全和提升道路通行能力具有重要意义。     

基于改进最优速度的车辆跟驰模型及数值模拟

为了克服传统最优速度模型(OVM)单一考虑车间距对最优速度影响的不足,在同时考虑跟驰车与前导车之间的车间距和相对速度对后车跟驰行为影响的基础上,提出一种基于改进最优速度的车辆跟驰模型。通过对模型线性稳定性分析,得到改进模型的稳定性条件,并与OV模型进行比较,发现改进模型的稳定区域显著增加。最后对改进模型进行数值仿真,结果表明基于改进最优速度的车辆跟驰模型能明显增强交通流的稳定性。     

基于SUMO平台的微观交通仿真研究

微观交通仿真在城市交通控制系统中有着重要地位,而微观仿真模型的建立是其主要内容之一。Krauss模型是基于安全车速范式的微观、空间连续的车辆跟驰模型,为避免原始Krauss模型中加速度突变的问题,本文在其基础上提出了融合车辆减速度渐变过程的新模型。在SUMO仿真平台上编程实现了改进后的车辆跟驰模型,并在同等条件下对原始模型和改进模型进行了实例仿真分析,结果表明改进后的模型在一定程度上避免了加速度突变问题,交通流运行的仿真情况在整体性能上有显著改善,仿真效果与现实交通情况更趋一致。     

基于模糊神经网络的车辆跟驰决策的研究

为了减少高速公路车辆跟驰行驶过程中引发的追尾碰撞事故,并保证行车效率,对高速公路车辆跟驰行为进行了分析.本文基于模糊控制和神经网络等理论知识,建立了一种正则化模糊神经网络跟驰控制决策模型.实验仿真表明,该模型系统较好的反应了一定道路条件下的车辆跟驰行为,且系统响应速度快,控制精度高,保证了车辆跟驰行驶的安全性和行车效率.     

通信延时环境下异质网联车辆队列非线性纵向控制

针对通信延时环境下的异质车辆队列控制问题, 本文提出了一种基于三阶模型的分布式非线性车辆队列纵向控制器. 首先, 基于三阶动力学模型描述了车辆的异质特性. 考虑车辆跟驰行为以及异质通信延时, 提出一种通信延时环境下的异质车辆队列非线性控制器. 所提控制器不仅可以在通信延时以及车辆异质特性的影响下实现队列中车辆的位置、速度以及加速度的一致性, 而且可以有效避免负的车辆间距和不合理的加/减速度, 保证车辆的运动行为符合交通流理论. 然后, 利用Lyapunov-Krasovskii定理对车辆队列的稳定性进行分析, 得出车辆队列的稳定性条件和通信延时上界. 最后, 所提控制器的有效性和稳定性通过数值仿真得到验证.     

全速度差跟驰模型的Lyapunov稳定性分析

车辆跟驰模型是智能交通系统(intelligent transportation system,ITS)中研究微观交通流的一个主要内容,而稳定性分析则是跟驰模型研究的一个重要问题.为了有效分析跟驰模型的稳定性,本文从控制理论的角度出发,针对典型的全速度差(full velocity difference,FVD)跟驰模型,提出了基于Lyapunov函数的稳定性分析.随后对FVD模型进行了数值仿真,结果表明了本方法的有效性.