没有合适的资源?快使用搜索试试~ 我知道了~
协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 200 浏览量
2022-11-28
20:29:56
上传
评论 1
收藏 561KB DOCX 举报
温馨提示
试读
13页
协同自适应巡航控制车辆占比对下匝道分流区混合交通流安全性的影响分析.docx
资源推荐
资源详情
资源评论
0. 引言
随着车辆电动化、网联化、智能化、共享化的持续推进,高等级驾驶自动化驾驶技术
逐步成熟,自动驾驶车辆开始逐渐进入人们生活。在驾驶自动化车辆发展过程中,道路上
运行的交通流将在很长一段时间内呈现出人工操作车辆和自动驾驶车辆共同运行的混合流
形式。高速公路采用全封闭管理,运行管理设施和车辆行驶条件更加稳定,是自动驾驶车
辆推广普及的首选道路环境。然而,高速公路下匝道影响区由于存在车辆加速、减速、超
车、换道等多种驾驶行为,行车环境复杂、交通稳定性较差,是自动驾驶车辆推广应用需
要关注的重点路段。因此,面向高速公路下匝道分流影响区,分析智能车辆混入率对混合
交通流安全性的影响具有重要意义。
协同自适应巡航控制(cooperative adaptive cruise control,CACC)和自适应巡航控制
(adaptive cruise control,ACC)是 1 种控制车辆纵向运动的技术,被广泛应用于驾驶自动
化等级较高的车辆上
[1-2]
。CACC 车辆通过车车通信系统获取周围车辆主动传送的速度、位
置等行驶信息,ACC 车辆通过车载视频、雷达等检测设备观测周围车辆的运行信息。
交通流微观建模及运行特性研究是交通工程领域重点关注的范畴,主要研究成果包括
跟驰模型、换道模型、交通流运行特性等方面
[3-4]
。在跟驰模型研究方面,全速度差模型和
智能驾驶员模型被广泛用于模拟人工操作车辆的跟驰行为
[5-6]
;由加州伯克利大学 PATH 实
验室通过实车试验提出的 CACC 模型和 ACC 模型,常被作为表述智能车换道的基本模型
[7-
8]
;在换道模型研究方面,Ahmed 等
[9]
提出基于效用理论的换道需求模型框架,Rickert 等
[10]
和 Chowdhury 等
[11]
以 NaSch 模型为基础,提出了一系列换道规则。
在交通流运行特性研究方面,学者们对混合交通流的安全性
[12-13]
、稳定性
[14-15]
、通行
能力
[16-17]
等进行了深入分析。徐桃让等
[18]
提出包含反应时间与智能网联车比例的混合交通
流基本图模型,发现网联车比例的增大能提高异质交通流的通行能力。Mahdinia 等
[19]
基于
真实数据对不同类型车辆组合进行研究,发现采用 CACC 系统可大幅降低驾驶波动性,降
低追尾事故的风险性,并减少了燃油消耗和排放。马庆禄等
[20]
对网联异质流的稳定性进行
了研究,结果表明:CAVs 比例大于 20%时,随 CAVs 比例增加异质流稳定性逐渐提高,
CAVs 比例达到 70%后异质流趋于稳定。秦严严等
[21-22]
考虑了网联车退化机制,提出混合交
通流基本图模型,发现 CACC 车辆的混入有利于降低尾撞安全风险。Ye 等
[23]
采用碰撞时
间、速度差等指标对混合交通流安全性进行评价,发现随着网联车占比的增加,交通流运
行更加平顺,时走时停现象得到缓解。吴德华等
[24]
以上匝道瓶颈路段交通流为研究对象,
建立考虑安全距离的改进 NaSch 模型,探究不同条件下网联车占比对瓶颈路段运营状态的
影响。康瑞等
[25]
提出敏感换道的元胞自动机下匝道交通流模型,探索敏感换道区长度对系
统的影响。
现有研究在交通流微观建模及运行特性研究等领域已取得显著成果,但对智能车混入
情形下的高速公路下匝道分流区车辆强制换道特征分析不足,且尚未揭示混合交通流的安
全性。因此,本文基于选取的跟驰模型和换道模型建立高速公路下匝道分流区数值模拟实
验。基于构建的交通流安全性评价指标,分析不同 CACC 车辆占比时下匝道分流区混合交
通流安全性的变化规律,研究强制换道区长度对混合交通流安全性的影响。
1. 交通场景设置
高速公路下匝道区域由高速公路主线、驶出匝道和连接部组成。本文中高速公路主线
设置为单向 3 个车道。所有车辆在主线段执行相应的跟驰和随意换道行为,有下高速意图
的车辆逐渐向右侧换道,直至驶离主线。根据驶离主线车辆的换道意图和行驶特征,在主
线段设置远端强制换道区 L
far
和近端强制换道区 L
near
。仿真场景设置见图 1。
图 1 高速公路下匝道分流区仿真场景
Figure 1. Simulation scene of off-ramp diverging area of expressway
下载: 全尺寸图片 幻灯片
1)远端强制换道区。车辆在进入远端强制换道区后开始产生强制换道意图,意图随
车辆与出口距离减小而增加。当相邻车道满足换道条件后执行换道行为。
2)近端强制换道区。车辆进入此区域后产生强烈换道意图,变换跟驰对象为相邻车
道前车,相邻车道后车将协助换道车辆完成换道行为。
2. 跟驰模型
2.1 人工操作车辆
全速度差模型(full velocity difference,FVD)见式(1)。
v˙n(t)=κ[V(Δx)−vn(t)]+λΔx−lΔvv˙n(t)=κ[V(Δx)−vn(t)]+λΔx−lΔv
(1)
式中:v˙n(t)v˙n(t)为跟驰车辆加速度,m/s
2
;Δx 为跟驰车辆间距,m;Δv 是前、后车
速度差,m/s;t 为时间,s;l 为车辆长度,m;κ、λ 为敏感系数。V(Δx) 为优化速度函
数,其计算见式(2)。
V(Δx)=vf[1−exp(−αvf(Δx−l−s0))]V(Δx)=vf[1−exp(−αvf(Δx−l−s0))]
(2)
式中:v
f
为自由流速度,m/s;s
0
为最小安全间距,m;α 为敏感系数。
该模型的相关参数取值见表 1。
表 1 全速度差模型参数取值
Table 1. The parameters value of FVD
参数
取值
κ
/s
-1
0.629
λ
/s
-1
4.10
α
/s
-1
1.26
v
f
/(m/s)
33.0
s
0
/m
2.46
l
/m
5.00
下载: 导出 CSV
| 显示表格
2.2 ACC 车辆
ACC 跟驰模型见式(3)。
v˙n(t)=k1[xn−1(t)−xn(t)−tavn(t)−l−s0]+k2[vn−1(t)−vn(t)]v˙n(t)=k1[xn−1(t)−xn(t)−tavn(t)−l−s0]+k2[vn−1(t)−vn(t)]
(3)
式中:v˙n(t)v˙n(t)为车辆 n 在 t 时刻加速度,m/s
2
;x
n
(t)和 x
n-1
(t) 分别为车辆 n 和 n-1
在 t 时刻的位移,m;v
n
(t)和 v
n-1
(t) 为车辆 n 和 n-1 在 t 时刻的速度,m/s;l 为车长,m;s
0
为安全停车间距,m;t
a
为 ACC 期望车间时距,s;k
1
,k
2
为控制系数,其取值分别为 0.23
(/s
2
),0.07(/s)。
2.3 CACC 车辆
CACC 跟驰模型见式(4)。
{v=vp+kpe+kde˙e=Δx−s0−l−tcv{v=vp+kpe+kde˙e=Δx−s0−l−tcv
(4)
式中:v
p
上一控制时间的后车速度,m/s;e 为实际车间距与期望车间距的误差,m;
e˙e˙ 为 e 的导数;t
c
为 CACC 期望车间时距,s;k
p
,k
d
为控制系数,其取值分别为 0.45,
0.25。
对式(4)中的速度求导得到
v˙=kp(Δx−s0−l)−kptcv+kdΔvkdtc+t1v˙=kp(Δx−s0−l)−kptcv+kdΔvkdtc+t1
(5)
式中:各项参数取值为 t
c
=0.6 s,k
p
=0.45,k
d
=0.25,t
1
=0.01 s。
3. 换道模型
剩余12页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3859
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
最新资源
- 通过Java的Zip输入输出流实现压缩和解压文件
- 基于mediapipe的手势识别计算机视觉手指计数视觉识别源码+项目说明.zip
- dbeaver-ce-24.1.0-macos-aarch64.dmg
- GYTSDRFIFJXN
- 基于Selenium的Java爬虫实战(内含谷歌浏览器Chrom和Chromedriver版本117.0.5925.0)
- C#基于百度飞浆PaddleOCR文字识别源码
- 中国薪资调查报告+2023年度
- 树状数组优缺点及场景.zip
- GJB 5711-2006 装备质量问题处理通用要求
- 机器学习:基于线性回归、岭回归、xgboost回归、Lasso回归、随机森林回归预测卡路里消耗
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功