CN112224211A - 基于多自主体交通流的驾驶模拟仿真系统 - Google Patents

Abstract

本发明属于道路交通技术领域，公开了一种基于多自主体交通流的驾驶模拟仿真系统，包括：BIM仿真环境模块、多自主体交通流模拟模块、驾驶模拟平台及其控制模块、车辆控制与风险预警模块、车辆碰撞与风险识别模块和驾驶员心生理数据采集模块；所有模块分别接入高性能图形工作站进行相应的数据处理，驾驶员心生理数据采集模块和多自主体交通流模拟模块还分别与数据运算服务器连接，用于存储传感器实时采集的数据和真实交通流数据。本发明通过多自主体交通流模拟模块实现了多自主体的复杂交通流的精确仿真，还实现对本车驾驶行为与交通流车辆运行状态的分析，最终实现路段以及路网的交通安全状况的综合评估。

Description

基于多自主体交通流的驾驶模拟仿真系统

技术领域

本发明属于道路交通技术领域，尤其涉及基于多自主体交通流的驾驶模拟仿真系统。

背景技术

随着我国机动车数量与新增驾驶员的数量激增，交通事故率一直处于居高不下的状态，交通安全受到了全社会广泛的关注。通过对交通事故统计发现，绝大多数的交通事故是由于人、车、路、环境多因素共同作用的结果，是系统因素不协调运行导致的结果，因此研究人车路环境多因素运行状态显得至关重要。

传统的交通安全分析，主要从交通事故发生形态、事故致因以及道路条件等方面进行入手，通过数据分析，发现事故黑点，从而采取相关的改善措施。但这种方法无法真实获取驾驶员在特定情况下的驾驶操作特征，以及车辆在不同道路环境下的运行状态数据。

随着城市的发展，城市的道路高速公路的逐渐拓宽，单位路段的车辆数目增多，交通情况变得越来越复杂。交通流中车辆的超车、停车、换道等复杂驾驶行为，会因为规避前方的障碍物、提高行车效率、节省行车的时间等目的使微观交通流内的车辆之间进行相互影响与干扰，无论是强制性的换道还是自主性的换道，都需要车辆偏移；在偏移过程中，由于车辆自身状况、车辆自身的速度、前后车辆的速度、前后车辆的行车间距、道路状况、天气状况、周围环境、驾驶员身体和心理状况等一系列的不确定因素的存在，使得车辆在复杂驾驶行为条件下，增加了交通事故发生的几率。

通过调查发现，复杂交通流中车辆在车道变换过程中发生的交通事故约占事故总数的4％，交通事故总死亡人数中约有0.5％是由换道引起；而由碰撞引起的交通延迟中，此类碰撞事故占10％。同时根据统计，超车引发的交通事故占公路事故总数的近20％，其中由于人为因素造成的事故占70％以上。相较于普通公路，高速公路上发生的事故中有60％以上是与车辆换道有关。

现有的驾驶模拟系统，不仅场景搭建简单，且对于复杂交通流中多自主体的模拟仅仅局限在可观测功能范围内，交通流内除模拟驾驶者车辆以外，其他车辆的行驶都控制在固定车道上行驶，以模拟交通流的基本外观。在道路环境构建过程中，也只是对道路的基本信息进行了简单的模拟，例如建立街道模型、路面模型、道路标牌标线等，整体系统仅作为演示使用，并不能进行精确严格的道路技术指标分析与多自主体交通流驾驶行为的数据分析。

对于六自由度平台仿真效果的模拟，传统的模拟姿态仅对车辆的加减速、侧倾、转向等信息进行模拟，而道路环境信息中的路况信息、雨雪天气等环境信息、车辆预警与碰撞信息无法反馈至运动平台进行响应，例如，如果路面出现雨雪天气引起的水滑等现象无法体现给驾驶人员。

发明内容

为了解决上述问题，本发明的目的在于提供一种基于多自主体交通流的驾驶模拟仿真系统，通过多自主体交通流模拟模块实现了多自主体的复杂交通流的精确仿真，还实现对本车驾驶行为与交通流车辆运行状态的分析，最终实现路段以及路网的交通安全状况的综合评估。

为了达到上述目的，本发明采用以下技术方案予以解决。

基于多自主体交通环境的驾驶模拟仿真系统，包括：BIM仿真环境模块、多自主体交通流模拟模块、驾驶模拟平台及其控制模块、车辆控制与风险预警模块、车辆碰撞与风险识别模块和驾驶员心生理数据采集模块；所有模块分别接入高性能图形工作站进行相应的数据处理，所述驾驶员心生理数据采集模块和多自主体交通流模拟模块还分别与数据运算服务器连接，用于存储传感器实时采集的数据和真实交通流数据；

所述BIM仿真环境模块用于生成不同环境下的虚拟道路、天气环境及非自控车辆，并将生成的虚拟交通环境通过环形屏幕显示；

所述多自主体交通流模拟模块用于模拟真实交通流状态下的非自控车辆的行驶路径与行驶参数，形成模拟交通流，并将模拟交通流与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，得到修正后的模拟交通流，并将其加入所述虚拟交通环境中，通过环形屏幕显示虚拟的交通环境和交通流，形成模拟交通环境和交通流的仿真环境全景显示；

所述驾驶模拟平台及其控制模块包含驾驶操作平台和六自由度控制平台，所述驾驶操作平台用于供驾驶员进行自控车辆的模拟驾驶，同时通过安装传感器采集驾驶员的操作信号；所述六自由度控制平台用于控制自控车辆进行模拟车辆行驶过程中的偏移、转向、升降、振动的动作；通过仿真环境与自控车辆姿态相结合，由六自由度控制平台统一输出运动信号，驾驶员在感受车辆姿态的同时，相应的对自控车辆的驾驶轨迹进行调整，以达到真实的驾驶感受；

所述车辆控制与风险预警模块通过读取自控车辆采集的驾驶员的操作信号和车辆行驶信息，计算修正后的模拟交通流内自控车辆与周围车辆之间的交互面积，并据此对自控车辆的驾驶员进行相应预警；

所述车辆碰撞与风险识别模块用于根据当前模拟交通流和交通环境，计算自控车辆与交通流内车辆之间发生碰撞的风险等级，当模拟交通流内车辆与自控车辆之间的风险等级达到警戒阈值时，提醒驾驶员注意避让，并记录驾驶员操作行为；

所述驾驶员心生理数据采集模块通过连接于驾驶员身上的心生理数据检测仪器，实时获取驾驶员的脑电、肌电、眼电、皮电、呼吸、心跳和视点位置，作为驾驶员的心生理信息，并将不同设备检测仪器之间的信号进行时序统一，生成驾驶员在仿真环境中不同位置、不同时间段、不同路况状态下的全生理数据，并将其传输给数据运算服务器进行数据存储。

进一步地，所述BIM仿真环境模块用于在虚拟交通环境中模拟大气温度、降雨、风阻、降雪、大雾的极端天气，控制不同天气条件下的空气能见度；同时生成虚拟交通环境中的路面、护栏、交通标志、标线以及道路两侧的植物和建筑物；还用于根据输入的交通量信息生成相应的非自控车辆；其中，所述交通量信息为虚拟交通环境中的车辆总数。

进一步地，所述多自主体交通流模拟模块用于模拟真实交通流状态下的非自控车辆的行驶路径与行驶参数，具体为：制定模拟交通流中车辆的换道和跟驰规则，并据此生成每个非自控车辆的行驶路径与行驶参数；

所述换道和跟驰规则具体为：对于目标车辆的换道过程分为三个阶段：换道意图产生、换道决策、换道执行；

首先，当目标车辆在当前车道的行驶速度达不到期望速度且临近车道行驶条件优于当前车道时，判断目标车辆产生换道需求，进入下一步；当目标车辆没有产生换道需求时，保持跟驰行驶；

其次，判断目标车辆是否满足以下双车道换道条件，若满足，则执行换道，否则，放弃换道，保持跟驰行驶；

所述双车道换道条件为：

换道动机：

安全条件：

d_i,j>d_safe；

其中，d_i,i-1为目标车辆与前方车辆之间的距离，单位为m；d_i,j-1为目标车辆与目标换道车道的前方车辆之间的距离，单位为m；d_i,j为目标车辆与目标换道车道的同位置车辆之间的距离，单位为m；d_safe为目标车辆与目标换道车道的同位置车辆在下一时刻不发生碰撞的安全间距，单位为m；v_i为目标车辆的速度，单位为m/s；v_j为目标换道车道的同位置车辆的速度，单位为m/s；v_max为目标车辆的最大速度，单位为m/s；a_i为目标车辆的加速度，单位为m/s²；a_j为目标换道车道的同位置车辆的加速度，单位为m/s²。

进一步地，所述将模拟交通流与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，具体为：将模拟交通流分别与提前获取的目标路段的多个真实交通流进行换道车辆比例的比较，计算每组模拟交通流与真实交通流的换道车辆比例的差值，并选取差值最小时对应的真实交通流作为修正依据，对模拟交通流内的非自控车辆进行行驶参数的调整，缩小其与真实交通流之间的差异。

进一步地，所述通过安装传感器采集驾驶员的操作信号，具体为：在所述自控车辆内安装方向盘转角传感器、油门踏板行程传感器、发动机转速计、惯量传感器、制动毂温度传感器、发动机扭矩传感器、制动踏板力传感器和制动踏板行程传感器，分别用于采集自控车辆的方向盘转角、发动机转速、发动机扭矩、制动器踏板行程、制动踏板力、油门踏板行程、纵向加速度、横向加速度、横摆角速度、俯仰角速度、侧倾角速度和制动毂温度，并将其作为驾驶员的操作信号。

进一步地，所述计算修正后的模拟交通流内自控车辆与周围车辆之间的交互面积，具体为：

首先，将自控车辆在交通流中运行通过势能场理论进行状态描述：以自控车辆当前车道的前车为参考系，自控车辆的几何中心为坐标原点，车辆前进方向为X轴正方向，垂直于车辆前进方向且指向车辆前进方向左侧的方向为y轴正方向，建立二维平面直角坐标系；

其次，定义自控车辆的行驶约束区域和势能场影响区域为：

行驶约束区域：

势能场影响区域：

其中，a₁、b₁为行驶约束区域的形状参数，a₂、b₂为势能场影响区域的形状参数，a₁<a₂，b₁<b₂；a₁、b₁的选取使得在安全行驶时自控车辆与其周围车辆的行驶约束区域的重叠面积为0，a₁、b₁、a₂、b₂与自控车辆的车速和加速度有关；

最后，计算自控车辆与周围车辆之间的势能场影响区域的交互面积，即两个椭圆区域的重叠面积。

进一步地，所述根据当前模拟交通流和交通环境，计算自控车辆与交通流内车辆之间发生碰撞的风险等级，具体为：

首先，确定影响风险等级的风险因素：道路因素、交通流因素和外部环境因素；其中，道路因素包含运行速度、线形连续性和视距；交通流因素包含交通流量、车头间距、拥挤度和速度差；外部环境因素包含大型车比例、天气和事故率；

其次，计算每个风险因素的影响权重：

道路因素的影响权重：

U₁＝U'₁×u₁＝[u₁₁,u₁₂,u₁₃]×u₁；

其中，u₁为道路几何线形的影响权重，u₁₁为运行速度的影响权重，u₁₂为线形连续性的影响权重，u₁₃为视距的影响权重；

交通流因素的影响权重：

其中，u_2n为第n个二级交通流因素的影响权重，n＝1对应交通流量、n＝2对应车头间距、n＝3对应拥挤度、n＝4对应速度差；α_2n为第n个交通流因素的相关性系数，u₂为一级交通流因素的影响权重，|·|为取绝对值操作；

事故因素的影响权重：u₃₂＝u₃-u₃₁；

其中，u₃为外部环境因素的影响权重，u₃₁为天气的影响权重，即为天气的相关性系数；

大型车比例的影响权重u₃₃为其相关性系数；

每个风险因素的相关性系数的获取为将大量真实事故信息通过python软件进行相关性分析得到；

最后，根据每个风险因素的影响权重，计算当前交通流的风险熵，并据此确定对应的风险等级；

其中，λ_i为第i项风险因素的影响权重；u为各风险因素共有的评价等级；e_i为各风险因素的熵值；g_i为各风险因素的差异系数；p_i为各因素熵值比重；u_i为第i个风险因素的影响权重,m表示风险因素的总个数。

进一步地，所述车辆碰撞与风险识别模块还用于预测自控车辆可能发生事故风险的位置点、发生时间和碰撞趋势；当模拟交通流内发生碰撞事故时，识别车辆之间的侵入范围与深度，并将碰撞运动状态响应至六自由度运动平台，将碰撞角度和强度转换成不同程度的震动与偏移姿态反馈给自控车辆驾驶员。

与现有技术相比，本发明的有益效果为：

(1)本发明的多自主体交通流模拟模块能够精确仿真模拟驾驶环境中交通流的车辆运行轨迹。不仅能够实现单一驾驶体的模拟驾驶效果，还能够模拟出交通流内非人为控制车辆的运行状态与行驶参数；通过与真实交通流数据的比较对模拟交通流进行修正，得到精度高、误差小、符合真实状态的交通流仿真模拟。

(2)本发明的BIM仿真环境模块以正向设计理念为基础，通过BIM全景仿真环境，能够整合道路三维模型、空间地理信息、遥感信息数据等多方面的基础数据信息，不仅能够可视化展示工程建设前和建成后的空间环境与关系，而且能够将时间跨度大、类型多样的数据实现精确的位置信息整合。因此，BIM仿真技术能够满足道路的线型、纵坡、超高、车道宽度、硬路肩宽度以及护栏的设置位置精准建模。以BIM仿真环境为基础的建模环境打通了从正向设计到驾驶模拟的通道，通过该模块的正向数据还原理论，可以实现道路设计与交通流环境模拟的同时实现，提高了交通量计算的效率，并对设计路段进行初步的模拟交通流安全性分析，以正向设计的理念完善道路安全性，以道路安全性的要求约束设计的规范性。

(3)本发明的车辆碰撞与风险识别模块能够对自控车辆的在模拟交通流中的碰撞风险进行预测，当模拟交通流内发生碰撞事故时，将碰撞运动状态响应至六自由度运动平台，将碰撞角度和强度转换成不同程度的震动与偏移姿态反馈给自控车辆驾驶员，提高驾驶员的碰撞体验，提高其驾驶安全意识。

(4)本发明采用涵盖人、车、路和环境信息的多角度仿真，实现在公路BIM全景仿真环境下实时采集驾驶员操作信息、车辆运行状态、交通流运行状态与道路环境综合信息，通过BIM正向设计中的边界条件阈值和车辆侵入感知实现了事故风险的提示与完善的交通安全风险分析，并通过风险程度进行分类与分级，模拟仿真复杂交通流条件下的管控与驾驶的最优决策。所有决策信息均同步了单位时间段内仿真环境中的所有对应参数，实现了人、车、路、环境综合分析手段的建立。每一帧的图像数据都将通过图形工作站进行实时渲染和物理运算，每毫秒的交通运行环境数据都将通过数据服务器进行存储与处理。区别于简单采集单个或多个交通信息，整套系统所针对的数据类型为全时段、全方位的整合与分析，完善了交通安全分析的数据链路。

(5)本发明还整合了驾驶员心生理数据采集的外部设备数据输出格式，同步不同设备的数据输出时序，实现了驾驶员数据与车辆、道路、环境、交通流之间仿真数据的同步输出与记录。由于不同设备之间采用的数据输出格式完全不同，且数据输出端口的协议也不尽相同，数据同步算法以时间轴为切入点，在硬件层面通过外部干预加装时间同步装置使各设备之间实现时序同步。对应模块将不同的数据输出按时序进行整合，形成完整的驾驶员驾驶数据记录与输出。对于此类驾驶数据的收集过程，还将持续输入多自主体交通流模拟模块中进行自然驾驶数据的收集与验证，大量的实验采集数据、大量的实验人员数据都将自动的丰富修正过程，使多自主体交通流模拟更加精确。

附图说明

下面结合附图和具体实施例对本发明做进一步详细说明。

图1为本发明的系统框图；

图2为本发明实施例的单一车辆行驶交通环境仿真示意图；

图3为本发明实施例的简单交通流对应的交通环境仿真示意图；

图4为本发明实施例的复杂交通流对应的交通环境仿真示意图；

图5为本发明实施例的行驶约束区域及势能场影响区域划分示意图；

图6为本发明实施例的行驶约束区域形状参数取值示意图；

图7为本发明实施例的势能场影响区域形状参数取值示意图；

图8为本发明实施例的目标车辆与周围车辆的换道交互过程流程图；

图9为本发明实施例的目标车辆向目标车道变道的示意图；

图10为本发明实施例的车辆控制与风险预警模块的车辆动力学参数输出结果图；

图11为本发明实施例的目标车辆与其周围车辆的势能场影响区域的交互面积示意图；

图12为本发明实施例的风险熵确定流程图；

图13为本发明实施例的心生理采集设备心生理采集设备实物图。

具体实施方式

下面结合附图对本发明的实施例及效果作进一步详细描述。

参考图1，本发明的一种基于多自主体交通流的驾驶模拟仿真系统，包括：

基于多自主体交通环境的驾驶模拟仿真系统，包括：BIM仿真环境模块、多自主体交通流模拟模块、驾驶模拟平台及其控制模块、车辆控制与风险预警模块、车辆碰撞与风险识别模块和驾驶员心生理数据采集模块；所有模块分别接入高性能图形工作站进行相应的数据处理，所述驾驶员心生理数据采集模块和多自主体交通流模拟模块还分别与数据运算服务器连接，用于存储传感器实时采集的数据和真实交通流数据；

实际上，本发明系统包含有主体四个模块，即人、车、路、环境四个部分。人因环境包含驾驶员心生理数据采集模块；车辆环境包含车辆碰撞与风险识别模块、车辆控制与风险预警模块、驾驶模拟平台及其控制模块；道路环境为BIM仿真环境模块；综合环境为多自主体交通流模拟模块。实现了四部分的综合考虑。

所述BIM仿真环境模块用于生成不同环境下的虚拟道路、天气环境及非自控车辆，并将生成的虚拟交通环境通过环形屏幕显示；

本模块用于精确模拟不同道路条件的技术特征与道路设计标准，同时模拟出道路环境特征与驾驶天气条件，并通过360°环形屏幕展示道路情景，同时在图形工作站中实时对仿真环境进行物理运算，达到真实沉浸的驾驶场景；

所述BIM仿真环境模块将通过以BIM正向设计为基础场景，通过360°环形屏幕显示模拟交通流的全景状态，通过图形的弧形运算显示保证在车内精确显示模拟车辆在交通流中的位置，车辆后视镜与倒车镜能够根据真实情况显示后方车辆的运行状态。BIM仿真环境模块还可实现在虚拟环境中模拟大气温度、降雨、风阻、降雪、大雾的极端天气，通过模拟算法控制不同天气条件下的空气能见度，用以分析不同天气条件下对于行车安全性的影响以及相对应的驾驶员驾驶行为的变化。在初始参数设定中，可设定试验要求的降雨或降雪量以及空气能见度数据，通过算法将不同的天气数据转化为路面摩阻系数值，并通过轮胎的材质、胎压、车型、车重、行驶速度等车辆行驶信息，计算出不同条件下的车辆侧滑系数与刹车制动距离。BIM全景仿真环境展示路面、护栏、交通标志、标线以及道路两侧的植物、建筑物。

所述多自主体交通流模拟模块用于模拟真实交通流状态下的非自控车辆的行驶路径与行驶参数，形成模拟交通流，并将模拟交通流与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，得到修正后的模拟交通流，并将其加入所述虚拟交通环境中，通过环形屏幕显示虚拟的交通环境和交通流，形成模拟交通环境和交通流的仿真环境全景显示；

具体地，本模块在仿真环境中模拟自然状态下的交通流特征，该交通流具有参数可控模式与自由状态模式两种运算方式供实验切换，保证实验需求。可控参数模式可设定模拟路段交通量(车辆数量)，例如单车驾驶、自由流状态(如图2-4所示)，及拥堵模式等。系统所具备的参数可控模式与自由状态模式将通过交通流输入参数予以控制。在参数可控模式中，模拟长距离、多入口、多控制段的交通流时，道路主线段的交通量可通过初始参数确定，非自控车辆将通过内置的跟驰与行驶模型在模拟道路上行驶，同时在模拟路段中，每个高速公路入口的交通量与车辆初始速度、加速度、限速值以及轮胎摩阻系数均可以通过设定参数予以控制，已达到特定的实验目的。在自由状态模式中，如纯随机状态，即每个交通流内的自主体都将在交通流运行规则范围内(不突破极端驾驶与车辆事故风险条件)进行随机参数行驶，随机的车辆行驶参数也将在一定范围内进行取值，保证交通流的模拟安全性。

对于多自主体交通流环境的实现方式，即单体模拟车辆在交通流运行将通过势能场理论进行状态描述，以目标车辆当前车道的前车为参考系，目标车辆的几何中心为坐标原点，车辆前进方向为X轴正方向，垂直于车辆前进方向且指向车辆前进方向左侧的方向为y轴正方向，建立二维平面直角坐标系。本文定义的车辆行驶约束区域和势能场影响区域分别由图5中I和II所示的椭圆封闭曲线(虚线部分)组成。

行驶约束区域：

势能场影响区域：

其中，a₁、b₁为行驶约束区域的形状参数，a₂、b₂为势能场影响区域的形状参数，a₁<a₂，b₁<b₂；

行驶约束区域和势能场影响区域的形状参数直接影响多车之间的交互程度，下面结合图6和图7对四个形状参数进行取值：

a₁的取值为前后两辆车的最小安全距离的一半，b₁与车辆宽度有关，根据车辆宽度适当选取即可。

a₂的取值与前后两车的车速和加速度有关，一般取后车撞上前车所需最小时间为t_min时的车间距的一半；b₂取值大于车道宽度d_L。

本模块中制定模拟交通流中车辆的换道和跟驰规则，并据此生成每个非自控车辆的行驶路径与行驶参数；

所述换道和跟驰规则具体为：对于目标车辆的换道过程分为三个阶段：换道意图产生、换道决策、换道执行；如图8所示：

首先，当目标车辆在当前车道的行驶速度达不到期望速度且临近车道行驶条件优于当前车道时，判断目标车辆产生换道需求，进入下一步；当目标车辆没有产生换道需求时，保持跟驰行驶；

其次，判断目标车辆是否满足以下双车道换道条件，若满足，则执行换道，否则，放弃换道，保持跟驰行驶；

所述双车道换道条件如下，具体的换道示意图如图9所示：图中i车为目标车辆，其前车为i-1，后车为i+1，其相邻的左侧车道中，j车为与目标车辆同位置的车辆，其前车为j-1，其后车为j+1，本文认为换道决策是在i车与目标车道前车j-1、目标车道后车j相互试探和交互中逐渐完成的，换道决策分析需要出于安全考虑，避免碰撞。

换道动机：

安全条件：

d_i,j>d_safe；

其中，d_i,i-1为目标车辆与前方车辆之间的距离，单位为m；d_i,j-1为目标车辆与目标换道车道的前方车辆之间的距离，单位为m；d_i,j为目标车辆与目标换道车道的同位置车辆之间的距离，单位为m；d_safe为目标车辆与目标换道车道的同位置车辆在下一时刻不发生碰撞的安全间距，单位为m；v_i为目标车辆的速度，单位为m/s；v_j为目标换道车道的同位置车辆的速度，单位为m/s；v_max为目标车辆的最大速度，单位为m/s；a_i为目标车辆的加速度，单位为m/s²；a_j为目标换道车道的同位置车辆的加速度，单位为m/s²。

初始模拟交通流需要与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，具体为：将模拟交通流分别与提前获取的目标路段的多个真实交通流进行换道车辆比例的比较，计算每组模拟交通流与真实交通流的换道车辆比例的差值，并选取差值最小时对应的真实交通流作为修正依据，对模拟交通流内的非自控车辆进行行驶参数的调整，缩小其与真实交通流之间的差异。

所述驾驶模拟平台及其控制模块包含驾驶操作平台和六自由度控制平台，所述驾驶操作平台用于供驾驶员进行自控车辆的模拟驾驶，同时通过安装传感器采集驾驶员的操作信号：在所述自控车辆内安装方向盘转角传感器、油门踏板行程传感器、发动机转速计、惯量传感器、制动毂温度传感器、发动机扭矩传感器、制动踏板力传感器和制动踏板行程传感器，分别用于采集自控车辆的方向盘转角、发动机转速、发动机扭矩、制动器踏板行程、制动踏板力、油门踏板行程、纵向加速度、横向加速度、横摆角速度、俯仰角速度、侧倾角速度和制动毂温度，并将其作为驾驶员的操作信号。并接入自控车辆CAN总线获取速度和加速度信息。具体的输出数据如图10所示。

所述六自由度控制平台用于控制自控车辆进行模拟车辆行驶过程中的偏移、转向、升降、振动的动作；通过仿真环境与自控车辆姿态相结合，由六自由度控制平台统一输出运动信号，驾驶员在感受车辆姿态的同时，相应的对自控车辆的驾驶轨迹进行调整，以达到真实的驾驶感受；

所述车辆控制与风险预警模块通过读取自控车辆采集的驾驶员的操作信号和车辆行驶信息，计算修正后的模拟交通流内自控车辆与周围车辆之间的交互面积(计算自控车辆与周围车辆之间的势能场影响区域的交互面积，即两个椭圆区域的重叠面积，如图11所示)，并据此对自控车辆的驾驶员进行相应预警，即势能场之间交互面积低于预警值时，系统将会进行提示。

所述车辆碰撞与风险识别模块用于根据当前模拟交通流和交通环境，预测自控车辆与交通流内车辆之间发生碰撞的风险等级，当模拟交通流内车辆与自控车辆之间的风险等级达到警戒阈值时，提醒驾驶员注意避让，并记录驾驶员操作行为；

具体地，对于交通流内除自主驾驶人员车辆之外的行驶车辆出现势能场侵入的情况时，系统将在后台记录下车辆的具体碰撞位置(道路桩号以及车道数)与车辆碰撞位置。对于自主驾驶的车辆，当系统模拟交通流的其他车辆因为跟驰超速或换道行为对主驾驶车辆进行接触时，在车辆相距既定好的阈值(通常为40cm，这个数据主要对应于实际车辆在假装雷达进行车辆感知提示的最小危险距离)时，车内提示系统便会预警，若其他交通流车辆在执行跟驰与换道模型时未避让自主行驶车辆而造成的碰撞，车辆控制系统会通过六自由度运动平台将碰撞角度与力度传递给自主驾驶实验车辆，并通过剧烈的平台运动位移来模拟碰撞力度。

本模块中的风险等级的预测过程如图12所示，具体为：

首先，确定影响风险等级的风险因素：道路因素、交通流因素和外部环境因素；其中，道路因素包含运行速度、线形连续性和视距；交通流因素包含交通流量、车头间距、拥挤度和速度差；外部环境因素包含大型车比例、天气和事故率；

从模糊分析的角度看，影响道路运行安全的因素集可分为两层，道路风险因素、交通流因素、外部环境因素为影响运行风险的一级指标因素，即运行风险U＝{u₁,u₂,u₃}，运行速度、线形连续性、视距为道路风险因素下的二级指标因素，即U'₁＝{u₁₁,u₁₂,u₁₃}。一级指标因素和二级指标因素对道路运行安全的影响权重如下表1所示。

表1各因素对高速公路运行风险的影响权重

综合道路几何线形因素的两层指标，折算得到各类道路风险因素的影响权重：

U₁＝U'₁×u₁＝[0.4,0.3,-0.3]×0.3＝[0.12,0.09,-0.09]

系统可通过输入交通事故信息，输入指标包括路段条件、道路线形组合、事故车型、天气条件等，通过风险分析算法对各个因素高风险情况的影响进行分析，其中，交通流量、车头间距、拥挤度、天气为正相关因素，速度差为负相关因素。由于输出结果为所有因素间的相关性，需要折算各因素对高速公路运行风险的相关性。

交通流因素的影响权重：

其中，u_2n为第n个二级交通流因素的影响权重，n＝1对应交通流量、n＝2对应车头间距、n＝3对应拥挤度、n＝4对应速度差；α_2n为第n个交通流因素的相关性系数，u₂为一级交通流因素的影响权重，|·|为取绝对值操作；

事故因素的影响权重：u₃₂＝u₃-u₃₁；

其中，u₃为外部环境因素的影响权重，u₃₁为天气的影响权重，即为天气的相关性系数；

大型车比例的影响权重u₃₃为其相关性系数；

每个风险因素的相关性系数的获取为将大量真实事故信息使用python软件中的panadas.DataFrame.corr模块对各因素对高风险情况的影响进行相关性分析，并结合seaborn.heatmap中的矩阵绘图集，可以直接得到各交通流、外部环境因素与高速公路运行风险情况的相关性。

计算各因素对高速公路运行风险的影响程度，结果如下表2所示。

表2交通及环境因素权值表

最后，根据每个风险因素的影响权重，计算当前交通流的风险熵，并据此确定对应的风险等级；

其中，λ_i为第i项风险因素的影响权重；u为各风险因素共有的评价等级；e_i为各风险因素的熵值；g_i为各风险因素的差异系数；p_i为各因素熵值比重；u_i为第i个风险因素的影响权重。

系统风险识别算法计算的道路运行的风险情况是由系统的风险熵值表现出来的，风险熵值越大，系统面临的运行风险越大。根据算法对于熵值的计算，结合风险等级定理表，定义安全熵值所属的风险范围，由风险熵的数值判断该运行情况是否属于某风险区间，进而得到对应的风险范围及类别。风险熵值对应的风险等级见下表3。

表3风险熵等级划分表

所述驾驶员心生理数据采集模块通过连接于驾驶员身上的心生理数据检测仪器，实时获取驾驶员的脑电、肌电、眼电、皮电、呼吸、心跳和视点位置，作为驾驶员的心生理信息，并将不同设备检测仪器之间的信号进行时序统一，生成驾驶员在仿真环境中不同位置、不同时间段、不同路况状态下的全生理数据，并将其传输给数据运算服务器进行数据存储。安装完成的自控车辆内的驾驶员心生理数据采集部件如图13所示。该模块还可检测注视、扫视和眨眼这三种眼动信息。由于外部设备的不统一性，该模块针对不同设备的数据输出格式开发了数据时序统一接口，能够保证不同数据采集模块之间的序列统一。可表达出驾驶员在仿真环境中驾驶的不同时刻对应的道路位置、车辆状况、交通流干预状态、天气条件、风险系数以及驾驶员的心生理状态和视点位置与视点停留时长。模拟驾驶员数据实时上传至数据服务器，已形成人、车、路、环境等完整的驾驶状态数据链路。

本发明的车辆碰撞与风险识别模块将配合车辆控制与风险预警模块外加BIM仿真环境模块共同工作。在交通流事故风险判别算法中，对模拟交通环境场景中的车辆位置与状态进行实时运算，当自由流车辆在变道、加速、减速过程中，如果对模拟主驾驶车辆有干扰或者达到风险判别阈值时，加装在车辆内部的风险示警装置将提前提醒实验驾驶员注意避让，当阈值变化过快或实验人员忽略提示而发生的碰撞将根据不同的碰撞位置由运动平台进行振动响应，响应幅度由车辆轮廓被侵入的距离与时间差决定，时间越短，距离越大，运动平台反馈时缸体伸缩的时间也就更短，从驾驶员模拟驾驶的角度感受，也就更加剧烈。除车辆之间碰撞外，BIM仿真环境将对道路设施进行轮廓描述，包括路面、边坡、护栏、跨线桥桥墩、收费站等，当模拟驾驶车辆与道路设施发生碰撞时，不仅会在运动平台中进行实时反馈，后台数据服务器也将记录碰撞发生的相关信息，用于实验的后期分析。

本发明涉及的基于多自主体交通环境的驾驶模拟仿真系统，主要用于进行多自主体交通流条件下的驾驶的仿真测试。以正向设计BIM仿真系统为基础模拟环境，以实际拟建、在建或建成的道路为实验模板，精确建立不同的道路环境，对复杂交通流条件下驾驶员在该环境下的心生理、眼动以及车辆的运行状况进行实时模拟与分析，通过模块化设计来采集、传输、处理、显示和存储多路传感器数据，不仅实现了微观条件下的驾驶员操作信息、车辆性能信息、道路特征信息和交通环境特征信息等信息整合，更从复杂交通流、路网规划等宏观角度对仿真环境中的系统的交通安全水平进行综合评估，为采取最优的交通安全防治措施和交通安全干预措施提供科学依据。

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 (8)

1.基于多自主体交通流的驾驶模拟仿真系统，其特征在于，包括：BIM仿真环境模块、多自主体交通流模拟模块、驾驶模拟平台及其控制模块、车辆控制与风险预警模块、车辆碰撞与风险识别模块和驾驶员心生理数据采集模块；所有模块分别接入高性能图形工作站进行相应的数据处理，所述驾驶员心生理数据采集模块和多自主体交通流模拟模块还分别与数据运算服务器连接，用于存储传感器实时采集的数据和真实交通流数据；

所述BIM仿真环境模块用于生成不同环境下的虚拟道路、天气环境及非自控车辆，并将生成的虚拟交通环境通过环形屏幕显示；

所述多自主体交通流模拟模块用于模拟真实交通流状态下的非自控车辆的行驶路径与行驶参数，形成模拟交通流，并将模拟交通流与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，得到修正后的模拟交通流，并将其加入所述虚拟交通环境中，通过环形屏幕显示虚拟的交通环境和交通流，形成模拟交通环境和交通流的仿真环境全景显示；

所述驾驶模拟平台及其控制模块包含驾驶操作平台和六自由度控制平台，所述驾驶操作平台用于供驾驶员进行自控车辆的模拟驾驶，同时通过安装传感器采集驾驶员的操作信号；所述六自由度控制平台用于控制自控车辆进行模拟车辆行驶过程中的偏移、转向、升降、振动的动作；通过仿真环境与自控车辆姿态相结合，由六自由度控制平台统一输出运动信号，驾驶员在感受车辆姿态的同时，相应的对自控车辆的驾驶轨迹进行调整，以达到真实的驾驶感受；

所述车辆控制与风险预警模块通过读取自控车辆采集的驾驶员的操作信号和车辆行驶信息，计算修正后的模拟交通流内自控车辆与周围车辆之间的交互面积，并据此对自控车辆的驾驶员进行相应预警；

所述车辆碰撞与风险识别模块用于根据当前模拟交通流和交通环境，计算自控车辆与交通流内车辆之间发生碰撞的风险等级，当模拟交通流内车辆与自控车辆之间的风险等级达到警戒阈值时，提醒驾驶员注意避让，并记录驾驶员操作行为；

所述驾驶员心生理数据采集模块通过连接于驾驶员身上的心生理数据检测仪器，实时获取驾驶员的脑电、肌电、眼电、皮电、呼吸、心跳和视点位置，作为驾驶员的心生理信息，并将不同设备检测仪器之间的信号进行时序统一，生成驾驶员在仿真环境中不同位置、不同时间段、不同路况状态下的全生理数据，并将其传输给数据运算服务器进行数据存储。

2.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述BIM仿真环境模块用于在虚拟交通环境中模拟大气温度、降雨、风阻、降雪、大雾的极端天气，控制不同天气条件下的空气能见度；同时生成虚拟交通环境中的路面、护栏、交通标志、标线以及道路两侧的植物和建筑物；还用于根据输入的交通量信息生成相应的非自控车辆；其中，所述交通量信息为虚拟交通环境中的车辆总数。

3.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述多自主体交通流模拟模块用于模拟真实交通流状态下的非自控车辆的行驶路径与行驶参数，具体为：制定模拟交通流中车辆的换道和跟驰规则，并据此生成每个非自控车辆的行驶路径与行驶参数；

所述换道和跟驰规则具体为：对于目标车辆的换道过程分为三个阶段：换道意图产生、换道决策、换道执行；

首先，当目标车辆在当前车道的行驶速度达不到期望速度且临近车道行驶条件优于当前车道时，判断目标车辆产生换道需求，进入下一步；当目标车辆没有产生换道需求时，保持跟驰行驶；

其次，判断目标车辆是否满足以下双车道换道条件，若满足，则执行换道，否则，放弃换道，保持跟驰行驶；

所述双车道换道条件为：

换道动机：

安全条件：

d_i，j＞d_safe；

其中，d_i，i-1为目标车辆与前方车辆之间的距离，单位为m；d_i，j-1为目标车辆与目标换道车道的前方车辆之间的距离，单位为m；d_i，j为目标车辆与目标换道车道的同位置车辆之间的距离，单位为m；d_safe为目标车辆与目标换道车道的同位置车辆在下一时刻不发生碰撞的安全间距，单位为m；v_i为目标车辆的速度，单位为m/s；v_j为目标换道车道的同位置车辆的速度，单位为m/s；v_max为目标车辆的最大速度，单位为m/s；a_i为目标车辆的加速度，单位为m/s²；a_j为目标换道车道的同位置车辆的加速度，单位为m/s²。

4.根据权利要求3所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述将模拟交通流与真实交通流进行对比，通过两者的误差对模拟交通流进行递归修正，具体为：将模拟交通流分别与提前获取的目标路段的多个真实交通流进行换道车辆比例的比较，计算每组模拟交通流与真实交通流的换道车辆比例的差值，并选取差值最小时对应的真实交通流作为修正依据，对模拟交通流内的非自控车辆进行行驶参数的调整，缩小其与真实交通流之间的差异。

5.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述通过安装传感器采集驾驶员的操作信号，具体为：在所述自控车辆内安装方向盘转角传感器、油门踏板行程传感器、发动机转速计、惯量传感器、制动毂温度传感器、发动机扭矩传感器、制动踏板力传感器和制动踏板行程传感器，分别用于采集自控车辆的方向盘转角、发动机转速、发动机扭矩、制动器踏板行程、制动踏板力、油门踏板行程、纵向加速度、横向加速度、横摆角速度、俯仰角速度、侧倾角速度和制动毂温度，并将其作为驾驶员的操作信号。

6.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述计算修正后的模拟交通流内自控车辆与周围车辆之间的交互面积，具体为：

首先，将自控车辆在交通流中运行通过势能场理论进行状态描述：以自控车辆当前车道的前车为参考系，自控车辆的几何中心为坐标原点，车辆前进方向为X轴正方向，垂直于车辆前进方向且指向车辆前进方向左侧的方向为y轴正方向，建立二维平面直角坐标系；

其次，定义自控车辆的行驶约束区域和势能场影响区域为：

行驶约束区域：

势能场影响区域：

其中，a₁、b₁为行驶约束区域的形状参数，a₂、b₂为势能场影响区域的形状参数，a₁＜a₂，b₁＜b₂；a₁、b₁的选取使得在安全行驶时自控车辆与其周围车辆的行驶约束区域的重叠面积为0，a₁、b₁、a₂、b₂与自控车辆的车速和加速度有关；

最后，计算自控车辆与周围车辆之间的势能场影响区域的交互面积，即两个椭圆区域的重叠面积。

7.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述根据当前模拟交通流和交通环境，计算自控车辆与交通流内车辆之间发生碰撞的风险等级，具体为：

首先，确定影响风险等级的风险因素：道路因素、交通流因素和外部环境因素；其中，道路因素包含运行速度、线形连续性和视距；交通流因素包含交通流量、车头间距、拥挤度和速度差；外部环境因素包含大型车比例、天气和事故率；

其次，计算每个风险因素的影响权重：

道路因素的影响权重：

U₁＝U′₁×u₁＝[u₁₁，u₁₂，u₁₃]×u₁；

其中，u₁为道路几何线形的影响权重，u₁₁为运行速度的影响权重，u₁₂为线形连续性的影响权重，u₁₃为视距的影响权重；

交通流因素的影响权重：

其中，u_2n为第n个二级交通流因素的影响权重，n＝1对应交通流量、n＝2对应车头间距、n＝3对应拥挤度、n＝4对应速度差；α_2n为第n个交通流因素的相关性系数，u₂为一级交通流因素的影响权重，|·|为取绝对值操作；

事故因素的影响权重：u₃₂＝u₃-u₃₁；

其中，u₃为外部环境因素的影响权重，u₃₁为天气的影响权重，即为天气的相关性系数；

大型车比例的影响权重u₃₃为其相关性系数；

每个风险因素的相关性系数的获取为将大量真实事故信息通过python软件进行相关性分析得到；

最后，根据每个风险因素的影响权重，计算当前交通流的风险熵，并据此确定对应的风险等级；

其中，λ_i为第i项风险因素的影响权重；u为各风险因素共有的评价等级；e_i为各风险因素的熵值；g_i为各风险因素的差异系数；p_i为各因素熵值比重；u_i为第i个风险因素的影响权重，m表示风险因素的总个数。

8.根据权利要求1所述的基于多自主体交通流的驾驶模拟仿真系统，其特征在于，所述车辆碰撞与风险识别模块还用于预测自控车辆可能发生事故风险的位置点、发生时间和碰撞趋势；当模拟交通流内发生碰撞事故时，识别车辆之间的侵入范围与深度，并将碰撞运动状态响应至六自由度运动平台，将碰撞角度和强度转换成不同程度的震动与偏移姿态反馈给自控车辆驾驶员。

Images