基于自动驾驶下车道规划对交通拥堵改善.docVIP

基于自动驾驶下车道规划对交通拥堵改善 　　[摘 要]由于道路的数量限制，交通容量有限，使用自驾驶技术来改善美国许多地区，甚至全世界的交通拥堵变得越来越重要。本文通过引入自动驾驶模型来改善交通拥堵的状况，进而在自动驾驶的基础上进行车道规划，从而最大限度地提高道路容量。模拟和计算自动驾驶模型后，计算出平衡点存在。结果数据表明随着自动驾驶汽车比例的增加，交通数量显着增加，直到比例达到75%，当比例大于75%时增量速度低，平衡点为75%。根据计算结果，发现车道的总量也可以影响交通熔炉，因此开辟自动驾驶的专用车道是十分必要的 [关键词]自动驾驶，交通容量，平衡点，车道数 中图分类号：U491 文献标识码：A 文章编号：1009-914X（2017）05-0218-01 一.研究背景 当今，美国许多地区由于道路的数量限制，交通容量有限。例如，在大西雅图地区，由于交通量超过道路网络的设计容量，司机在交通高峰时段经历长时间的延误。5号，90号和405号州际公路以及520号国道在这个问题上显得尤为明显。自动驾驶车己经作为增加公路能力而不用拓宽车道的方案提出，但是在这一点上，人们并未很好的理解自动驾驶车与现有交通工具的关系，因此该论文主要研究自动驾驶对美国交通拥堵状况的改善 二.自动驾驶模型 2.1 模型的建立 首先，定义需要驾驶员手动操作的车辆为“人工驾驶”，而对不需要人工参与，只需装有车辆信息收发装置就可得到自动控制的车辆，称为“自动驾驶”。运用元胞自动机理论，车辆的速度限定在取0至之间（包括两者）的整数值，其中表示车辆允许达到的最大速度 进而，假设“自动驾驶”由于人工操作误差的限制，只能优化前方一定范围内的车辆，故将前方可用来优化的车辆的数目称为此智能车的合作范围，表示“自动驾驶”只能用其前方辆车的信息来做自身的速度优化。这样对于“人工驾驶”来说，其视野等效等于0。另外，车头距为两相邻车之间的空的元胞数，对任意第辆车来说，有 最后，结合NaSch模型和Velocity Effect（VE）模型，提出一种新的车辆速度优化更新规则。对于“人工驾驶”而言，即有 对于“自动驾驶” 其中表示第辆车视野为时应有的优化更新速度。如果实际上第辆车是“人工驾驶”，那么就有；如果实际上第辆车还是“自动驾驶”时，那么可以取 式中代表第辆车的“实际速度”，其计算方法与类似，如此迭代下去，如果前方一直没有“人工驾驶”车辆，计算就在第辆车终止，此时有此外，无论是“人工驾驶”还是“自动驾驶”，其位置更新表达式是相同的，都为 2.2 考虑随机慢化过程的影响 “人工驾驶”以进行 为“自动驾驶”的随机慢化概率，为“人工驾驶”的速度 “自动驾驶”以进行 为“自动驾驶”的随机慢化概率，为“自动驾驶”的速度 因为“自动驾驶”的反应比“人工驾驶”更加敏捷，故 2.3 仿真及结果分析 图1 相对流量，自动驾驶车辆比例，相对密度的关系 为了便于计算，进行归一化处理，是相对密度，是相对流量。我们可以看到当很小时，随着自动驾驶汽车比例的增加，影响很小。当比例增加时，显著增加 当取视野.时 图2 不同自动驾驶汽车比例下相对密度和相对流量的关系 如图，显示了车辆密度分别为0.1至0.9时的9种不同情形。从图中可以看出，不论车辆密度取值如何，系统车流量与自动驾驶汽车比例都是呈正相关关系。并且在车辆密度小于一定阈值时（比如图中小于0.75），系统自动驾驶汽车比例越大，车流量就增加越大，当达到最大值后保持不变。而当车辆密度大于一定阈值时，随着系统自动驾驶汽车比例的增大，车流量会一直增大，没有最大值平台期，且车流量与系统车辆密度有负相关关系。结果表明，道路交通系统中的车辆密度在一定取值范围内，对应有最优的自动驾驶汽车比例，表示其刚好能使系统达到最大车流量，且再增加自动驾驶汽车比例对整个系统流量也没有改善。而当系统车辆密度更高时，自动驾驶汽车比例就会越大越好，直至全部为自动驾驶车时达到最大交通流量。所以，在对实际的交通系统进行设计时，要准确把握其状态参数，比如道路中平均车辆密度等，这样才能根据不同的情况设计有针对性的最优策略 三.基于自动驾驶条件下的车道规划 由上述模型计算及仿真?Y果可知：当时，随着车流量随着相对密度的增加而增加；当时，随着相对密度的增加，日平均流量增加不明显。因此，如果想进一步提高车流量，则需要考虑开辟专门的车道给自动驾驶车辆行驶 3.1 前提条件 开辟专用车道的前提：（） 3.2 表达式 需要开辟的车道数的表达式为 其中为需要开辟的车道数，应该为对原有车道数与无人驾驶车辆比例和相对密度的乘积向下取整求得，因