[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN116341288A - 一种异质交通流行车安全场建模方法 - Google Patents

一种异质交通流行车安全场建模方法 Download PDF

Info

Publication number
CN116341288A
CN116341288A CN202310593492.9A CN202310593492A CN116341288A CN 116341288 A CN116341288 A CN 116341288A CN 202310593492 A CN202310593492 A CN 202310593492A CN 116341288 A CN116341288 A CN 116341288A
Authority
CN
China
Prior art keywords
vehicle
field
cav
psychological
environmental
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.)
Granted
Application number
CN202310593492.9A
Other languages
English (en)
Other versions
CN116341288B (zh
Inventor
王薇
马国栋
宋佳
刘娇娇
孙宝凤
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.)
Jilin University
Original Assignee
Jilin 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 Jilin University filed Critical Jilin University
Priority to CN202310593492.9A priority Critical patent/CN116341288B/zh
Publication of CN116341288A publication Critical patent/CN116341288A/zh
Application granted granted Critical
Publication of CN116341288B publication Critical patent/CN116341288B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于交通控制系统领域，具体涉及一种异质交通流行车安全场建模方法，分别构建CAV车辆场模型、HDV车辆场模型、以横向距离为变量的环境场模型、以纵向距离为变量的环境场模型步骤，并绘制行车安全场场强示意图，本发明立足于异质交通流差异化建模思想，既考虑CAV车辆与HDV车辆的感知、作用力等差异，构建了车辆场模型并完善了CAV车辆场的作用范围约束；又考虑HDV驾驶员个性差异与驾驶环境对行车安全的影响，构建了驾驶员环境心理能见度综合指标，借助心理场的概念推导了混行驾驶中HDV驾驶员的心理作用力，确立了HDV传统车的车辆场模型。

Description

一种异质交通流行车安全场建模方法
技术领域
本发明属于交通控制系统领域，具体涉及一种异质交通流行车安全场建模方法。
背景技术
高速公路匝道合流固有的混沌性被认为是交通事故和拥堵的主要成因之一。未来网联自动驾驶车辆（Connected and Autonomous Vehicle, CAV）将和人工驾驶车辆（Human- Driven Vehicles, HDV）长期并存，称之为异质交通流特征，深入探索其异质交通流的跟驰和换道等微观交通行为特性和机理对提高混行交通系统的交通安全和通行效率至关重要。
目前CAV 和HDV构成的异质交通流建模多基于采用元胞自动机，如中国专利CN115601958 A公开的一种基于连续型元胞自动机的车联网交通流建模方法；中国专利CN113204863 B公开的基于元胞自动机的手动-CACC自动驾驶车辆混合流仿真方法；中国专利CN 106652564 A公开的车联网环境下的交通流元胞自动机建模方法等。但是元胞自动机对于体现车辆运行安全要素，可解释性较弱。为了突出安全对于自动驾驶交通控制的重要性，基于安全势场理论构建异质交通流驾驶行为车辆场模型和环境场模型，引起学界高度关注。
其中，基于安全势场的车辆场建模问题，已报道文章《基于安全势场的混合交通流运动态势模型研究》等对现有行车安全场异质交通流或无差别建模、或使用退化后的CAV车辆场模型来代替HDV的车辆场，忽略了HDV车辆无法观测到的加速度、位置等信息，也未考虑HDV车辆的驾驶员在异质交通流中的个性、视野与信任程度等行车影响因素，无法表现出不同类型的驾驶人对于安全场范围的影响程度，也尚未有研究针对异质交通流中两类车辆的安全场建模并综合分析。同时，由于车辆场模型中势场强度受作用范围的限制，仅在短距离内对周边车辆施加短程力，且该作用力随着车辆速度、加速度、距离等因素的改变而变化，当目标车辆与周围车辆距离超过一定范围时，对周围车辆的场强影响可忽略不计，但目前学者大都没有对场力的作用范围进行约束。
而基于安全势场的环境场建模问题，现有的报道只采用了以横向距离为变量的环境场建模，并未考虑纵向距离的关键性影响，不能体现某些特殊场景下真实换道的内在机制，如合流区加速车道、交通事故或临时施工导致的车道数变少等情况。具体表现为：现有环境场的变量为车辆到道路边界与标线的横向距离，在不发生道路条件变化时能较好的描述环境设施与法律法规对车辆行为的限制。但在车道数变少的情况下，车辆行驶至该车道快至末尾时必须强制换道至相邻车道。仿真实验可见采用现有的环境场模型会增加未换道成功的车辆数，而未换道成功的合并车辆只能在车道末端停车，避开高峰车流等待合并换道机会，此时车辆将承受较大的行车风险，与实际的换道情形不符。
发明内容
针对现有异质交通流行车安全场建模存在的无差别建模问题，本发明基于安全势场理论重构现有CAV和HDV的车辆场模型，解决现有车辆场模型未充分描述不同类型的驾驶人对于安全场范围的影响程度问题。针对现有异质交通流某些特殊情况下换道环境未考虑车道纵向距离影响的问题，本发明建立以纵向距离为变量的行车环境场，真实地反映出了某些特殊情况下，例如合流区加速车道、道路施工或者交通事故导致的临时车道数目减少对车辆运行情况的影响，与实际的换道情形相符合。本发明的技术方案如下：
一种异质交通流行车安全场建模方法，包括以下步骤：
步骤A：构建CAV车辆场模型
A1量化目标车辆属性；
A2确定伪距离；
目标车辆的危险程度还取决于目标车辆与周围潜在风险车辆的相对位置，参考欧氏距离，对不同角度靠近目标车辆的潜在风险车辆的空间实际距离进行修正，得到伪距离；
A3进行坐标变换
考虑潜在风险车辆不沿
Figure SMS_1
轴方向行驶时，车身会产生一定偏转，车辆场模型也应随之偏转，尤其在换道场景中，公式为：
Figure SMS_2
；
规定逆时针方向为正，式中：
Figure SMS_3
为场模型逆时针偏转航向角；
A4确定CAV车辆场模型
依据用以描述核子之间的短程相互作用的汤川势形式的函数描述CAV车辆场场强
Figure SMS_4
；
A5标定CAV车辆场模型的参数，约束其作用范围
使用差分进化算法，以最小化CAV车辆场的作用力范围与强跟驰状态的车头时距的差值作为目标函数，对所建立的CAV车辆场模型中的待定系数进行性能参数标定，使其场强分布更符合车辆真实行驶状态，以强跟驰车头时距作为CAV车辆场场强的临界作用范围，可得到CAV车辆场场强值，从而约束CAV车辆场的作用范围；
步骤B：构建HDV车辆场模型
步骤B1：约束HDV车辆场的作用范围
HDV车辆在以2.7s车头时距跟驰前车时可以保持稳定状态，此时车辆场场强值大小为临界值0，即：
Figure SMS_5
；
式中：
Figure SMS_6
为标准车头时距；/>
Figure SMS_7
为自车车速；
步骤B2：构建驾驶员环境心理承受度
采用模糊理论，选取体现驾驶员特性的典型特征因素：个体经验度、环境能见度、心理信任度，确定输入驾驶员环境心理承受度评估模型的特征值，对特征值进行模糊化，通过模糊规则的逻辑运算，得出一个驾驶员环境心理承受度的模糊量，再利用反模糊化将该模糊量转化为精确的具体数值，即为驾驶员环境心理承受度评估模型最终计算出的驾驶员环境心理承受度；
步骤B3：确定HDV车辆场模型
Figure SMS_8
；
式中：
Figure SMS_9
为HDV车辆场场强；/>
Figure SMS_10
为与函数极值有关的调整系数； />
Figure SMS_11
为驾驶员环境心理承受度；/>
Figure SMS_12
为安全距离的临界阈值；/>
Figure SMS_13
为与速度相关的待定系数；/>
Figure SMS_14
为伪距离；
步骤C：构建以横向距离为变量的环境场模型
选取指数函数构建以横向距离为变量的环境场，使其值在边界处取得无穷大以有阻止车辆驶离的趋势；
步骤D：构建以纵向距离为变量的环境场模型
选取势场理论的排斥势构建车辆边界环境场，以定量表征道路条件变化中车道数目减少对车辆行车安全的影响，为车道建立沿车流行驶方向的环境场；
步骤E：绘制行车安全场场强示意图
通过MATLAB绘制CAV车辆场、HDV车辆场、多车叠加车辆场以及环境场。
作为本发明的优选，所述A1中，目标车辆
Figure SMS_15
的等效质量/>
Figure SMS_16
的公式为：
Figure SMS_17
；
式中：
Figure SMS_18
为目标车辆/>
Figure SMS_19
的等效质量；/>
Figure SMS_20
为目标车辆/>
Figure SMS_21
的实际质量；/>
Figure SMS_22
为目标车辆/>
Figure SMS_23
的速度。
作为本发明的优选，所述A2中，伪距离
Figure SMS_24
的公式为：
Figure SMS_25
；
式中：
Figure SMS_26
与/>
Figure SMS_27
分别为车辆长度与宽度，/>
Figure SMS_28
为与道路有关的待定系数。
作为本发明的优选，所述A4中，CAV车辆场场强
Figure SMS_29
公式为：
Figure SMS_30
；
Figure SMS_31
；
式中：
Figure SMS_32
、/>
Figure SMS_33
均为待定系数；/>
Figure SMS_34
为目标车辆质心所在空间的位置坐标；/>
Figure SMS_35
为目标车辆当前加速度；/>
Figure SMS_36
为目标车辆周围某点到该车辆质心所在空间坐标/>
Figure SMS_37
的夹角；
Figure SMS_38
为原始坐标偏转后的取值。
作为本发明的优选，所述A5中，标定CAV车辆场模型参数具体方法如下：
A5.1筛选车辆自然驾驶轨迹数据集
A5.2对数据集进行预处理
根据跟驰状态的筛选条件，保证前后车辆行驶在同一车道，设置前后车距离在2-150m范围内，当距离过小时默认为车辆排队状态剔除，距离过大时默认为自由流状态剔除；设置10s的最小跟驰时间，时长过大或过小均默认为无法达到稳定状态而剔除；通过整理分析数据集的轨迹数据，得到各跟驰车辆数据的分布区间，通过分析其分布规律提取有效跟驰数据；
A5.3得出强跟驰状态下的车头时距
A5.4通过差分进化算法，利用有效跟驰数据对CAV车辆场模型中的待定系数进行性能参数标定；以强跟驰状态下的车头时距作为CAV车辆场场强的临界作用范围，得到CAV车辆场场强值，约束CAV车辆场的作用范围。
作为本发明的优选，所述B2中，驾驶员环境心理承受度的具体构建方法如下：
B2.1确定环境心理承受度指标
将驾驶员个体经验度、环境能见度、心理信任度确定为环境心理承受度指标；
B2.2确定各指标的论域
驾驶员环境心理承受度评估模型为三输入单输出，将个体经验度论域区间定为[0,5]，模糊子集为{Low, Medium, High}，环境能见度的论域区间为[0,3]，模糊子集为{Near, Middle, Far}，心理信任度论域为[-3,3]，模糊子集为{负大NB, 负小NS, 零ZO,正小PS, 正大PB}；
B2.3确定各指标的隶属度函数及隶属度
设置模糊输入为驾驶员个体经验度、环境能见度时，选用三角形态隶属度函数，模糊输入为心理信任度时选用高斯形态隶属度函数，根据隶属度函数得出各指标的隶属度；
B2.4根据隶属度建立驾驶员环境心理承受度评估模型规则表
B2.5由规则表确定三输入指标间的关系，得到[0,1]范围内的承受度值，即为驾驶员环境心理承受度。
作为本发明的优选，步骤C中，以横向距离为变量的环境场模型公式为：
Figure SMS_39
；
式中：假设车辆行驶道路为双车道，
Figure SMS_40
表示车道外侧道路边界线，过近可与车辆发生实质性碰撞；/>
Figure SMS_41
为车辆行驶坐标；/>
Figure SMS_42
与/>
Figure SMS_43
分别为道路标线与边界风险场的风险系数；/>
Figure SMS_44
为车道总宽度；/>
Figure SMS_45
为势场收敛系数。
作为本发明的优选，步骤D中，以纵向距离为变量的环境场模型公式为：
Figure SMS_46
；
式中：
Figure SMS_47
为道路标线与边界风险场的风险系数；/>
Figure SMS_48
为车辆/>
Figure SMS_49
到加速车道末端的矢量距离。
作为本发明的优选，步骤E中，行车安全场场强示意图的具体过程为：
CAV车辆场，输入：车辆速度
Figure SMS_51
，车辆加速度/>
Figure SMS_54
，车辆偏航角/>
Figure SMS_57
，车辆质量/>
Figure SMS_50
，车辆位置坐标，以及用差分进化方法标定出的/>
Figure SMS_53
、/>
Figure SMS_55
、/>
Figure SMS_58
、/>
Figure SMS_52
；输出：CAV车辆场场强/>
Figure SMS_56
；
HDV车辆场，输入：与函数极值有关的调整系数
Figure SMS_59
、驾驶员环境心理承受度/>
Figure SMS_60
、车辆速度/>
Figure SMS_61
；车辆位置坐标；输出：HDV车辆场场强/>
Figure SMS_62
；
多车叠加车辆场，输入：两车速度
Figure SMS_63
、/>
Figure SMS_67
，两车加速度/>
Figure SMS_71
、/>
Figure SMS_64
，两车偏航角/>
Figure SMS_69
、/>
Figure SMS_72
，两车质量/>
Figure SMS_74
、/>
Figure SMS_65
，两车位置坐标，以及用差分进化方法标定出的/>
Figure SMS_70
、/>
Figure SMS_73
、/>
Figure SMS_75
、/>
Figure SMS_66
；输出：多车叠加后车辆场场强/>
Figure SMS_68
；
以横向距离为变量的环境场，输入：车辆坐标，车道总宽度
Figure SMS_76
，道路标线与边界风险场的风险系数/>
Figure SMS_77
、/>
Figure SMS_78
，势场收敛系数/>
Figure SMS_79
；输出：以横向距离为变量的环境场场强/>
Figure SMS_80
；
以纵向距离为变量的环境场，输入：道路标线与边界风险场的风险系数
Figure SMS_81
，车辆/>
Figure SMS_82
到加速车道末端的矢量距离/>
Figure SMS_83
；输出：以纵向距离为变量的环境场/>
Figure SMS_84
。
本发明的有益效果如下：
（1）本发明立足于异质交通流差异化建模思想，既考虑了CAV车辆与HDV车辆的感知、作用力等差异，构建了车辆场模型并完善了CAV车辆场的作用范围约束；又考虑了HDV驾驶员个性差异与驾驶环境对行车安全的影响，构建了驾驶员环境心理能见度综合指标，借助心理场的概念推导了混行驾驶中HDV驾驶员的心理作用力，确立了HDV传统车的车辆场模型。将所确定的车辆场模型与表征道路边界与标线等要素的环境场模型相结合，形成了共同描述异质交通流行驶状态与安全性的安全场模型；
（2）本发明首次增加了以纵向距离为变量的环境场模型，以完善行车环境场模型，真实地反映出了环境场对车辆运行情况的影响，与实际的换道情形相符合，情境分析表明，该车辆场模型能够定量分析车辆的行车风险，其等值线能够可视化车辆的场强分布，表征车辆的行车安全空间，加强了异质交通流安全场模型的可解释性。可以定量描述车辆的动态行车风险，根据行车安全场可以推导基于安全势场的跟驰模型与换道模型，为异质交通流下车辆的运动态势研究做好了理论基础。
附图说明
通过参考以下结合附图的说明，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为本发明的流程图；
图2为本发明中CAV车辆安全势场模型图，
Figure SMS_85
；
图3为本发明中CAV车辆安全势场模型图，
Figure SMS_86
；
图4为本发明中CAV车辆安全势场模型图，
Figure SMS_87
；
图5为本发明中CAV车辆安全势场模型图，
Figure SMS_88
；
图6为本发明中HDV车辆安全势场模型图，
图7为本发明中多车叠加跟驰场强等值线示意图；
图8为本发明中主线车道环境安全势场模型图；
图9为本发明中加速车道环境安全势场模型图。
具体实施方式
为使本领域技术人员能够更好的理解本发明的技术方案及其优点，下面结合附图对本申请进行详细描述，但并不用于限定本发明的保护范围。
参阅图1：一种异质交通流行车安全场建模方法，包括以下步骤：
A1量化目标车辆属性，公式为：
Figure SMS_89
；
式中：
Figure SMS_90
为目标车辆/>
Figure SMS_91
的等效质量；/>
Figure SMS_92
为目标车辆/>
Figure SMS_93
的实际质量；/>
Figure SMS_94
为目标车辆/>
Figure SMS_95
的速度；
A2确定伪距离
目标车辆的危险程度还取决于目标车辆与周围潜在风险车辆的相对位置，参考欧氏距离，对不同角度靠近目标车辆的潜在风险车辆的空间实际距离进行修正，得到伪距离
Figure SMS_96
的公式为：
Figure SMS_97
；
式中：
Figure SMS_98
为安全距离的临界阈值；/>
Figure SMS_99
为与速度相关的待定系数；/>
Figure SMS_100
与/>
Figure SMS_101
分别为车辆长度与宽度，/>
Figure SMS_102
为与道路有关的待定系数；
A3进行坐标变换
考虑潜在风险车辆不沿
Figure SMS_103
轴方向行驶时，车身会产生一定偏转，车辆场模型也应随之偏转，尤其在换道场景中，公式为：
Figure SMS_104
；
规定逆时针方向为正，式中：
Figure SMS_105
为场模型逆时针偏转航向角；
A4确定CAV车辆场模型
依据用以描述核子之间的短程相互作用的汤川势形式的函数描述CAV车辆场场强
Figure SMS_106
，公式为：
Figure SMS_107
；
Figure SMS_108
；
式中：
Figure SMS_109
、/>
Figure SMS_110
均为待定系数；/>
Figure SMS_111
为目标车辆质心所在空间的位置坐标；/>
Figure SMS_112
为目标车辆当前加速度；/>
Figure SMS_113
为目标车辆周围某点到该车辆质心所在空间坐标/>
Figure SMS_114
的夹角；
Figure SMS_115
为原始坐标偏转后的取值；
A5标定CAV车辆场模型的参数，约束其作用范围
由于车辆场模型中势场强度受作用范围的限制，仅在短距离内对周边车辆施加短程力，且该作用力随着车辆速度、加速度、距离等因素的改变而变化，当目标车辆与周围车辆距离超过一定范围时，对周围车辆的场强影响可忽略不计。使用差分进化算法，以最小化CAV车辆场的作用力范围与强跟驰状态的车头时距的差值作为目标函数，对所建立的CAV车辆场模型中的待定系数进行性能参数标定，使其场强分布更符合车辆真实行驶状态，以强跟驰车头时距作为CAV车辆场场强的临界作用范围，可得到CAV车辆场场强值，从而约束CAV车辆场的作用范围；
步骤B1：约束HDV车辆场的作用范围
HDV车辆在以2.7s车头时距跟驰前车时可以保持稳定状态，此时车辆场场强值大小为临界值0，即：
Figure SMS_116
；
式中：
Figure SMS_117
为标准车头时距；/>
Figure SMS_118
为自车车速；
步骤B2：构建驾驶员环境心理承受度
采用模糊理论，选取体现驾驶员特性的典型特征因素：个体经验度、环境能见度、心理信任度，确定输入驾驶员环境心理承受度评估模型的特征值，对特征值进行模糊化，通过模糊规则的逻辑运算，得出一个驾驶员环境心理承受度的模糊量，再利用反模糊化将该模糊量转化为精确的具体数值，即为驾驶员环境心理承受度评估模型最终计算出的驾驶员环境心理承受度；
步骤B3：确定HDV车辆场模型
CAV车辆场是一种以时空为变数的物理量，因此势场本质上属于物理场。在物理学中由于动量守恒定律，认为动量存在于场之中，物理场是真实存在的。而场是每个位置受到力的作用的一种空间区域，通常用场线表示某一位置场的强度大小。因此交通系统中人—车—路都存在由于自身属性产生的物理场；
但交通系统中的道路使用者，即驾驶员或行人更关心其运动方向上直接视野中的障碍或威胁，这些直接影响他们的安全判断与运动相关行为。在将安全场理论应用于道路使用者时，相互作用的车辆场也会产生“排斥力”，使两个相互作用的人—车组合在彼此之间保持安全的物理间隙。但这种象征风险的“作用力”不是一种实际的物理力，因为它不遵循牛顿定律，如作用力和反作用力相等，而是一种心理力，其效果仅通过相互作用的道路使用者的行为表现出来。因此，与物理场不同，道路使用者情境下的安全场理论是一个心理场，仅表现为通过风险力的心理作用对道路使用者行为的影响；
因此，驾驶人与行人感受到的“作用力”与他们的感知有内在联系。尽管在正常情况下，它会排斥相互作用的道路使用者，但存在粗心的道路使用者不会“感觉到”风险力量，即使情况可能很危急，也不会采取相应的行动。事实上，这种未能根据交通互动中的作用力及时采取行动的行为会导致交通冲突与事故；
基于上述道路使用者心理作用力的讨论，与道路环境与CAV车辆由于自身质量，速度等属性产生的物理势场不同，本发明针对驾驶人安全场的建模充分考虑了驾驶员个性对行车安全性的判断差异，将道路能见度作为影响驾驶员心理状态的重要指标建立体现驾驶人心理反应的势场作为传统车辆的车辆场模型。传统车的决策者受外界交通状况改变产生改变其主观认知的心理作用力，传统车车辆场的场强大小表示驾驶人对外界交通空间位置的冲突客体的胁迫程度，场强与心理作用力的方向相同，驾驶员感知到外界胁迫程度越大，受到的心理场力越大，场强值也越大；
通过以上论述推导HDV车辆场场强计算公式如下：
Figure SMS_119
；
式中：
Figure SMS_120
为HDV车辆场场强；/>
Figure SMS_121
为与函数极值有关的调整系数； />
Figure SMS_122
为驾驶员环境心理承受度；
车辆行驶过程中，道路标线与两侧边界会对车辆行驶产生一定约束作用，通过限制车辆保持在车道线中间行驶维持车流的连续性，保持相对稳定的车头间距与横向间距。因此，车辆行驶在车道中心位置时行车风险较小，偏离靠近道路边界时会产生比跨越标线更大的风险。假设车辆行驶道路为双车道， 表示车道外侧道路边界线，过近可与车辆发生实质性碰撞；
为避免突变，选取指数函数构建以横向距离为变量的环境场，使其值在边界处取得无穷大以有阻止车辆驶离的趋势，公式为：
Figure SMS_123
；
式中：假设车辆行驶道路为双车道，
Figure SMS_124
表示车道外侧道路边界线，过近可与车辆发生实质性碰撞；/>
Figure SMS_125
为车辆行驶坐标；/>
Figure SMS_126
与/>
Figure SMS_127
分别为道路标线与边界风险场的风险系数；/>
Figure SMS_128
为车道总宽度；/>
Figure SMS_129
为势场收敛系数；
针对车道数目变化的问题，为车道建立沿车流行驶方向的环境场 ，选取势场理论的排斥势构建车辆边界环境场，以定量表征道路条件变化中车道数目减少对车辆行车安全的影响，表达式如下：
Figure SMS_130
；
式中：
Figure SMS_131
为道路标线与边界风险场的风险系数；/>
Figure SMS_132
为车辆/>
Figure SMS_133
到加速车道末端的矢量距离；
通过MATLAB绘制CAV车辆场、HDV车辆场、多车叠加车辆场以及环境场；
参阅图2-5，CAV车辆场，输入：车辆速度
Figure SMS_135
，车辆加速度/>
Figure SMS_137
，车辆偏航角/>
Figure SMS_139
，车辆质量/>
Figure SMS_136
，车辆位置坐标，以及用差分进化方法标定出的/>
Figure SMS_140
、/>
Figure SMS_141
、/>
Figure SMS_142
、/>
Figure SMS_134
；输出：CAV车辆场场强/>
Figure SMS_138
；
参阅图6，HDV车辆场，输入：与函数极值有关的调整系数
Figure SMS_143
、驾驶员环境心理承受度
Figure SMS_144
、车辆速度/>
Figure SMS_145
；车辆位置坐标；输出：HDV车辆场场强/>
Figure SMS_146
；
参阅图7，多车叠加车辆场，输入：两车速度
Figure SMS_148
、/>
Figure SMS_153
，两车加速度/>
Figure SMS_156
、/>
Figure SMS_147
，两车偏航角/>
Figure SMS_154
、/>
Figure SMS_157
，两车质量/>
Figure SMS_159
、/>
Figure SMS_149
，两车位置坐标，以及用差分进化方法标定出的/>
Figure SMS_151
、/>
Figure SMS_155
、/>
Figure SMS_158
、/>
Figure SMS_150
；输出：多车叠加后车辆场场强/>
Figure SMS_152
；
参阅图8，以横向距离为变量的环境场，输入：车辆坐标，车道总宽度
Figure SMS_160
，道路标线与边界风险场的风险系数/>
Figure SMS_161
、/>
Figure SMS_162
，势场收敛系数/>
Figure SMS_163
；输出：以横向距离为变量的环境场场强
Figure SMS_164
；
参阅图9，以纵向距离为变量的环境场，输入：道路标线与边界风险场的风险系数
Figure SMS_165
，车辆/>
Figure SMS_166
到加速车道末端的矢量距离/>
Figure SMS_167
；输出：以纵向距离为变量的环境场/>
Figure SMS_168
。
进一步地，所述A5的具体方法如下：
A5.1筛选车辆自然驾驶轨迹数据集
A5.2对数据集进行预处理
得到关于车辆车道分布与速度分布统计信息，然而在该区域内行驶过程中的车辆存在多种行驶状态，因此本专利设置了跟驰状态的筛选条件对数据进行处理。首先保证前后车辆行驶在同一车道；其次设置前后车距离在2-150m范围内，当距离过小时默认为车辆排队状态剔除，距离过大时默认为自由流状态剔除；最后设置10s的最小跟驰时间，时长过大或过小均默认为无法达到稳定状态而剔除。通过整理分析数据集的轨迹数据，得到各跟驰车辆数据的分布区间，通过分析其分布规律提取有效跟驰数据；
A5.3得出强跟驰状态下的车头时距
A5.4通过差分进化算法，利用有效跟驰数据对CAV车辆场模型中的待定系数进行性能参数标定；以强跟驰状态下的车头时距作为CAV车辆场场强的临界作用范围，得到CAV车辆场场强值，约束CAV车辆场的作用范围。
进一步地，所述B2中，驾驶员环境心理承受度的具体构建方法如下：
B2.1确定环境心理承受度指标
将驾驶员个体经验度、环境能见度、心理信任度确定为环境心理承受度指标；
B2.2确定各指标的论域
驾驶员环境心理承受度评估模型为三输入单输出，将个体经验度论域区间定为[0,5]，模糊子集为{Low, Medium, High}，环境能见度的论域区间为[0,3]，模糊子集为{Near, Middle, Far}，心理信任度论域为[-3,3]，模糊子集为{负大NB, 负小NS, 零ZO,正小PS, 正大PB}；
B2.3确定各指标的隶属度函数及隶属度
设置模糊输入为驾驶员个体经验度、环境能见度时，选用三角形态隶属度函数，模糊输入为心理信任度时选用高斯形态隶属度函数，根据隶属度函数得出各指标的隶属度；
B2.4根据隶属度建立驾驶员环境心理承受度评估模型规则表
B2.5由规则表确定三输入指标间的关系，得到[0,1]范围内的承受度值，即为驾驶员环境心理承受度。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (9)

1.一种异质交通流行车安全场建模方法，其特征在于，包括以下步骤：
步骤A：构建CAV车辆场模型
A1量化目标车辆属性；
A2确定伪距离；
目标车辆的危险程度还取决于目标车辆与周围潜在风险车辆的相对位置，参考欧氏距离，对不同角度靠近目标车辆的潜在风险车辆的空间实际距离进行修正，得到伪距离；
A3进行坐标变换
考虑潜在风险车辆不沿
Figure QLYQS_1
轴方向行驶时，车身会产生一定偏转，车辆场模型也应随之偏转，尤其在换道场景中，公式为：
Figure QLYQS_2
；
规定逆时针方向为正，式中：
Figure QLYQS_3
为场模型逆时针偏转航向角；
A4确定CAV车辆场模型
依据用以描述核子之间的短程相互作用的汤川势形式的函数描述CAV车辆场场强
Figure QLYQS_4
；
A5标定CAV车辆场模型的参数，约束其作用范围
使用差分进化算法，以最小化CAV车辆场的作用力范围与强跟驰状态的车头时距的差值作为目标函数，对所建立的CAV车辆场模型中的待定系数进行性能参数标定，使其场强分布更符合车辆真实行驶状态，以强跟驰车头时距作为CAV车辆场场强的临界作用范围，可得到CAV车辆场场强值，从而约束CAV车辆场的作用范围；
步骤B：构建HDV车辆场模型
步骤B1：约束HDV车辆场的作用范围
HDV车辆在以2.7s车头时距跟驰前车时可以保持稳定状态，此时车辆场场强值大小为临界值0，即：
Figure QLYQS_5
；
式中：
Figure QLYQS_6
为标准车头时距；/>
Figure QLYQS_7
为自车车速；
步骤B2：构建驾驶员环境心理承受度
采用模糊理论，选取体现驾驶员特性的典型特征因素：个体经验度、环境能见度、心理信任度，确定输入驾驶员环境心理承受度评估模型的特征值，对特征值进行模糊化，通过模糊规则的逻辑运算，得出一个驾驶员环境心理承受度的模糊量，再利用反模糊化将该模糊量转化为精确的具体数值，即为驾驶员环境心理承受度评估模型最终计算出的驾驶员环境心理承受度；
步骤B3：确定HDV车辆场模型
Figure QLYQS_8
；
式中：
Figure QLYQS_9
为HDV车辆场场强；/>
Figure QLYQS_10
为与函数极值有关的调整系数； />
Figure QLYQS_11
为驾驶员环境心理承受度；/>
Figure QLYQS_12
为安全距离的临界阈值；/>
Figure QLYQS_13
为与速度相关的待定系数；/>
Figure QLYQS_14
为伪距离；
步骤C：构建以横向距离为变量的环境场模型
选取指数函数构建以横向距离为变量的环境场，使其值在边界处取得无穷大以有阻止车辆驶离的趋势；
步骤D：构建以纵向距离为变量的环境场模型
选取势场理论的排斥势构建车辆边界环境场，以定量表征道路条件变化中车道数目减少对车辆行车安全的影响，为车道建立沿车流行驶方向的环境场；
步骤E：绘制行车安全场场强示意图
通过MATLAB绘制CAV车辆场、HDV车辆场、多车叠加车辆场以及环境场。
2.根据权利要求1所述的一种异质交通流行车安全场建模方法，其特征在于，所述A1中，目标车辆
Figure QLYQS_15
的等效质量/>
Figure QLYQS_16
的公式为：
Figure QLYQS_17
；
式中：
Figure QLYQS_18
为目标车辆/>
Figure QLYQS_19
的等效质量；/>
Figure QLYQS_20
为目标车辆/>
Figure QLYQS_21
的实际质量；/>
Figure QLYQS_22
为目标车辆/>
Figure QLYQS_23
的速度。
3.根据权利要求2所述的一种异质交通流行车安全场建模方法，其特征在于，所述A2中，伪距离
Figure QLYQS_24
的公式为：
Figure QLYQS_25
；
式中：
Figure QLYQS_26
与/>
Figure QLYQS_27
分别为车辆长度与宽度，/>
Figure QLYQS_28
为与道路有关的待定系数。
4.根据权利要求3所述的一种异质交通流行车安全场建模方法，其特征在于，所述A4中，CAV车辆场场强
Figure QLYQS_29
公式为：
Figure QLYQS_30
；
Figure QLYQS_31
；
式中：
Figure QLYQS_32
、/>
Figure QLYQS_33
均为待定系数；/>
Figure QLYQS_34
为目标车辆质心所在空间的位置坐标；/>
Figure QLYQS_35
为目标车辆当前加速度；/>
Figure QLYQS_36
为目标车辆周围某点到该车辆质心所在空间坐标/>
Figure QLYQS_37
的夹角；/>
Figure QLYQS_38
为原始坐标偏转后的取值。
5.根据权利要求4所述的一种异质交通流行车安全场建模方法，其特征在于，所述A5中，标定CAV车辆场模型参数具体方法如下：
A5.1筛选车辆自然驾驶轨迹数据集
A5.2对数据集进行预处理
根据跟驰状态的筛选条件，保证前后车辆行驶在同一车道，设置前后车距离在2-150m范围内，当距离过小时默认为车辆排队状态剔除，距离过大时默认为自由流状态剔除；设置10s的最小跟驰时间，时长过大或过小均默认为无法达到稳定状态而剔除；通过整理分析数据集的轨迹数据，得到各跟驰车辆数据的分布区间，通过分析其分布规律提取有效跟驰数据；
A5.3得出强跟驰状态下的车头时距
A5.4通过差分进化算法，利用有效跟驰数据对CAV车辆场模型中的待定系数进行性能参数标定；以强跟驰状态下的车头时距作为CAV车辆场场强的临界作用范围，得到CAV车辆场场强值，约束CAV车辆场的作用范围。
6.根据权利要求5所述的一种异质交通流行车安全场建模方法，其特征在于，所述B2中，驾驶员环境心理承受度的具体构建方法如下：
B2.1确定环境心理承受度指标
将驾驶员个体经验度、环境能见度、心理信任度确定为环境心理承受度指标；
B2.2确定各指标的论域
驾驶员环境心理承受度评估模型为三输入单输出，将个体经验度论域区间定为[0,5]，模糊子集为{Low, Medium, High}，环境能见度的论域区间为[0,3]，模糊子集为{Near,Middle, Far}，心理信任度论域为[-3,3]，模糊子集为{负大NB, 负小NS, 零ZO, 正小PS,正大PB}；
B2.3确定各指标的隶属度函数及隶属度
设置模糊输入为驾驶员个体经验度、环境能见度时，选用三角形态隶属度函数，模糊输入为心理信任度时选用高斯形态隶属度函数，根据隶属度函数得出各指标的隶属度；
B2.4根据隶属度建立驾驶员环境心理承受度评估模型规则表
B2.5由规则表确定三输入指标间的关系，得到[0,1]范围内的承受度值，即为驾驶员环境心理承受度。
7.根据权利要求6所述的一种异质交通流行车安全场建模方法，其特征在于，步骤C中，以横向距离为变量的环境场模型公式为：
Figure QLYQS_39
；
式中：假设车辆行驶道路为双车道，
Figure QLYQS_40
表示车道外侧道路边界线，过近可与车辆发生实质性碰撞；/>
Figure QLYQS_41
为车辆行驶坐标；/>
Figure QLYQS_42
与/>
Figure QLYQS_43
分别为道路标线与边界风险场的风险系数；/>
Figure QLYQS_44
为车道总宽度；/>
Figure QLYQS_45
为势场收敛系数。
8.根据权利要求7所述的一种异质交通流行车安全场建模方法，其特征在于，步骤D中，以纵向距离为变量的环境场模型公式为：
Figure QLYQS_46
；
式中：
Figure QLYQS_47
为道路标线与边界风险场的风险系数；/>
Figure QLYQS_48
为车辆/>
Figure QLYQS_49
到加速车道末端的矢量距离。
9.根据权利要求8所述的一种异质交通流行车安全场建模方法，其特征在于，步骤E中，行车安全场场强示意图的具体过程为：
CAV车辆场，输入：车辆速度
Figure QLYQS_50
，车辆加速度/>
Figure QLYQS_53
，车辆偏航角/>
Figure QLYQS_56
，车辆质量/>
Figure QLYQS_51
，车辆位置坐标，以及用差分进化方法标定出的/>
Figure QLYQS_55
、/>
Figure QLYQS_57
、/>
Figure QLYQS_58
、/>
Figure QLYQS_52
；输出：CAV车辆场场强/>
Figure QLYQS_54
；
HDV车辆场，输入：与函数极值有关的调整系数
Figure QLYQS_59
、驾驶员环境心理承受度/>
Figure QLYQS_60
、车辆速度
Figure QLYQS_61
；车辆位置坐标；输出：HDV车辆场场强/>
Figure QLYQS_62
；
多车叠加车辆场，输入：两车速度
Figure QLYQS_64
、/>
Figure QLYQS_71
，两车加速度/>
Figure QLYQS_73
、/>
Figure QLYQS_65
，两车偏航角/>
Figure QLYQS_70
、/>
Figure QLYQS_74
，两车质量/>
Figure QLYQS_75
、/>
Figure QLYQS_63
，两车位置坐标，以及用差分进化方法标定出的/>
Figure QLYQS_68
、/>
Figure QLYQS_69
、/>
Figure QLYQS_72
、/>
Figure QLYQS_66
；输出：多车叠加后车辆场场强/>
Figure QLYQS_67
；
以横向距离为变量的环境场，输入：车辆坐标，车道总宽度
Figure QLYQS_76
，道路标线与边界风险场的风险系数/>
Figure QLYQS_77
、/>
Figure QLYQS_78
，势场收敛系数/>
Figure QLYQS_79
；输出：以横向距离为变量的环境场场强/>
Figure QLYQS_80
；
以纵向距离为变量的环境场，输入：道路标线与边界风险场的风险系数
Figure QLYQS_81
，车辆/>
Figure QLYQS_82
到加速车道末端的矢量距离/>
Figure QLYQS_83
；输出：以纵向距离为变量的环境场/>
Figure QLYQS_84
。
CN202310593492.9A 2023-05-25 2023-05-25 一种异质交通流行车安全场建模方法 Active CN116341288B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310593492.9A CN116341288B (zh) 2023-05-25 2023-05-25 一种异质交通流行车安全场建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310593492.9A CN116341288B (zh) 2023-05-25 2023-05-25 一种异质交通流行车安全场建模方法

Publications (2)

Publication Number Publication Date
CN116341288A true CN116341288A (zh) 2023-06-27
CN116341288B CN116341288B (zh) 2023-09-05

Family

ID=86882658

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310593492.9A Active CN116341288B (zh) 2023-05-25 2023-05-25 一种异质交通流行车安全场建模方法

Country Status (1)

Country Link
CN (1) CN116341288B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117125083A (zh) * 2023-10-27 2023-11-28 青岛理工大学 考虑驾驶风格倾性的车辆跟驰行为风险量化方法
CN118629219A (zh) * 2024-08-15 2024-09-10 吉林大学 一种基于安全场的车辆换道决策与轨迹规划交互耦合方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455552A (zh) * 2019-08-08 2019-11-15 上海测迅汽车科技有限公司 一种智能车辆室内复合场景测试方法
CN112224211A (zh) * 2020-10-19 2021-01-15 中交第一公路勘察设计研究院有限公司 基于多自主体交通流的驾驶模拟仿真系统
CN114771570A (zh) * 2022-04-24 2022-07-22 北京京东乾石科技有限公司 自动驾驶车辆的控制方法和装置
CN114789728A (zh) * 2022-05-27 2022-07-26 长沙理工大学 双车道行车下考虑横向干扰的跟驰车辆状态变化估计方法
CN114889625A (zh) * 2022-06-02 2022-08-12 东南大学 基于安全势场理论的道路弯道处车辆跟驰模型的建立方法
CN115169908A (zh) * 2022-07-14 2022-10-11 吉林大学 网联环境下基于知觉风险场的车辆行驶状态安全评估方法
CN115238958A (zh) * 2022-06-20 2022-10-25 清华大学 一种基于复杂交通场景的危险事件链提取方法及系统
CN115503700A (zh) * 2022-11-07 2022-12-23 江苏大学 一种基于多元风险融合势场的主动避撞方法及车载电子设备
CN115620530A (zh) * 2022-09-19 2023-01-17 哈尔滨工业大学 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法
CN115855075A (zh) * 2022-11-28 2023-03-28 南湖实验室 卫星系统拒止情况下的车辆分层多模块融合精准定位方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110455552A (zh) * 2019-08-08 2019-11-15 上海测迅汽车科技有限公司 一种智能车辆室内复合场景测试方法
CN112224211A (zh) * 2020-10-19 2021-01-15 中交第一公路勘察设计研究院有限公司 基于多自主体交通流的驾驶模拟仿真系统
CN114771570A (zh) * 2022-04-24 2022-07-22 北京京东乾石科技有限公司 自动驾驶车辆的控制方法和装置
CN114789728A (zh) * 2022-05-27 2022-07-26 长沙理工大学 双车道行车下考虑横向干扰的跟驰车辆状态变化估计方法
CN114889625A (zh) * 2022-06-02 2022-08-12 东南大学 基于安全势场理论的道路弯道处车辆跟驰模型的建立方法
CN115238958A (zh) * 2022-06-20 2022-10-25 清华大学 一种基于复杂交通场景的危险事件链提取方法及系统
CN115169908A (zh) * 2022-07-14 2022-10-11 吉林大学 网联环境下基于知觉风险场的车辆行驶状态安全评估方法
CN115620530A (zh) * 2022-09-19 2023-01-17 哈尔滨工业大学 考虑行车风险场的自动驾驶接管风险评估模型及其构建方法
CN115503700A (zh) * 2022-11-07 2022-12-23 江苏大学 一种基于多元风险融合势场的主动避撞方法及车载电子设备
CN115855075A (zh) * 2022-11-28 2023-03-28 南湖实验室 卫星系统拒止情况下的车辆分层多模块融合精准定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
QIANGQIANG GUO ET AL.: "Mixed traffic flow of human driven vehicles and automated vehicles on dynamic transportation networks", TRANSPORTATION RESEARCH PART C, pages 1 - 30 *
侯贻栋;赵炜华;魏朗;陈昊;: "驾驶人空间距离判识规律心理学分析", 长安大学学报(自然科学版), no. 03, pages 86 - 90 *
单肖年 等: "智能网联环境下多车道异质交通流建模与仿真", 交通运输系统工程与信息, vol. 22, no. 6, pages 74 - 84 *
吴兵 等: "多前车影响的智能网联车辆纵向控制模型", 交通运输工程学报, vol. 20, no. 2, pages 184 - 194 *
陈康 等: "基于心理场理论的高速公路弯道路段车辆跟驰建模与仿真", 交通信息与安全, vol. 34, no. 6, pages 77 - 82 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117125083A (zh) * 2023-10-27 2023-11-28 青岛理工大学 考虑驾驶风格倾性的车辆跟驰行为风险量化方法
CN117125083B (zh) * 2023-10-27 2024-01-05 青岛理工大学 考虑驾驶风格倾性的车辆跟驰行为风险量化方法
CN118629219A (zh) * 2024-08-15 2024-09-10 吉林大学 一种基于安全场的车辆换道决策与轨迹规划交互耦合方法

Also Published As

Publication number Publication date
CN116341288B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN116341288B (zh) 一种异质交通流行车安全场建模方法
CN108313054B (zh) 自动驾驶自主换道决策方法和装置及自动驾驶车辆
WO2021077725A1 (zh) 一种基于驾驶意图的周围车辆运动状态预测系统及方法
Moujahid et al. Machine learning techniques in ADAS: A review
CN110027553B (zh) 一种基于深度强化学习的防碰撞控制方法
Gassmann et al. Towards standardization of AV safety: C++ library for responsibility sensitive safety
Huang et al. A probabilistic risk assessment framework considering lane-changing behavior interaction
Gidado et al. A survey on deep learning for steering angle prediction in autonomous vehicles
CN113946943B (zh) 人-车-路微观交通系统建模及风险辨识方法及装置
Wang et al. Evaluation of lane departure correction systems using a regenerative stochastic driver model
Wang et al. Vehicle Trajectory Prediction by Knowledge‐Driven LSTM Network in Urban Environments
Sun et al. Modelling and simulation of highly mixed traffic flow on two-lane two-way urban streets
Wang et al. Cognitive competence improvement for autonomous vehicles: A lane change identification model for distant preceding vehicles
Tang et al. Driving capability-based transition strategy for cooperative driving: from manual to automatic
Wang et al. A deep reinforcement learning-based approach for autonomous lane-changing velocity control in mixed flow of vehicle group level
CN115601954B (zh) 一种智能网联车队的换道判断方法、装置、设备及介质
Sun et al. Driving safety field modeling focused on heterogeneous traffic flows and cooperative control strategy in highway merging zone
Ren et al. Self-learned intelligence for integrated decision and control of automated vehicles at signalized intersections
Gao et al. Discretionary cut-in driving behavior risk assessment based on naturalistic driving data
Azam et al. Driving behaviour modelling in the context of heterogeneous traffic and poor lane discipline conditions: the state of the art and beyond
Wu et al. An integrated decision and motion planning framework for automated driving on highway
Griesbach et al. Prediction of lane change by echo state networks
Chen et al. Attention-based highway safety planner for autonomous driving via deep reinforcement learning
CN113306558B (zh) 一种基于换道交互意图的换道决策方法及系统
CN118238847B (zh) 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统

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
GR01 Patent grant
GR01 Patent grant