2.793

                    2018影響因子

                    (CJCR)

                    • 中文核心
                    • EI
                    • 中國科技核心
                    • Scopus
                    • CSCD
                    • 英國科學文摘

                    留言板

                    尊敬的讀者、作者、審稿人, 關于本刊的投稿、審稿、編輯和出版的任何問題, 您可以本頁添加留言。我們將盡快給您答復。謝謝您的支持!

                    姓名
                    郵箱
                    手機號碼
                    標題
                    留言內容
                    驗證碼

                    車輛安全跟馳模式預測的形式化建模方法

                    劉秉政 高松 曹凱 王鵬偉 徐藝

                    劉秉政, 高松, 曹凱, 王鵬偉, 徐藝. 車輛安全跟馳模式預測的形式化建模方法. 自動化學報, 2019, 45(x): 1?12 doi: 10.16383/j.aas.c190563
                    引用本文: 劉秉政, 高松, 曹凱, 王鵬偉, 徐藝. 車輛安全跟馳模式預測的形式化建模方法. 自動化學報, 2019, 45(x): 1?12 doi: 10.16383/j.aas.c190563
                    Liu Bing-Zheng, Gao Song, Cao Kai, Wang Peng-Wei, Xu Yi. Formal modeling method for prediction of safe vehicle following mode. Acta Automatica Sinica, 2019, 45(x): 1?12 doi: 10.16383/j.aas.c190563
                    Citation: Liu Bing-Zheng, Gao Song, Cao Kai, Wang Peng-Wei, Xu Yi. Formal modeling method for prediction of safe vehicle following mode. Acta Automatica Sinica, 2019, 45(x): 1?12 doi: 10.16383/j.aas.c190563

                    車輛安全跟馳模式預測的形式化建模方法

                    doi: 10.16383/j.aas.c190563
                    基金項目: 國家自然科學基金(61573009), 山東省自然科學基金(ZR2018LF009, ZR2018PEE016)資助
                    詳細信息
                      作者簡介:

                      劉秉政:山東理工大學交通與車輛工程學院, 博士后. 2017年獲得大連理工大學博士學位. 主要研究方向為智能車輛行為預測與決策. E-mail: lbzheng528@126.com

                      高松:山東理工大學交通與車輛工程學院院長, 教授. 主要研究方向為電動車輛能源動力系統匹配理論與控制技術、智能車輛與智能交通系統. 本文通信作者. E-mail: gs6510@163.com

                      曹凱:山東理工大學交通與車輛工程學院教授. 2005年獲得日本茨城大學博士學位. 主要研究方向為車路協同控制與建模, 車輛自主行為決策建模和基于數據鏈的交通空-地協同信息融合. E-mail: caokailiu@sdut.edu.cn

                      王鵬偉:山東理工大學交通與車輛工程學院博士研究生. 2015年獲江西農業大學機械設計與理論專業碩士學位. 主要研究方向為智能車輛動態決策與規劃、智能車輛動力學與控制. E-mail: wpwk16@163.com

                      徐藝:山東理工大學交通與車輛工程學院講師. 2016年獲吉林大學載運工具運用工程專業博士學位. 研究方向包括智能車環境感知、動態決策與規劃. E-mail: xuyisdut@163.com

                    Formal Modeling Method for Prediction of Safe Vehicle Following Mode

                    Funds: Supported by National Natural Science Foundation of China (61573009), Natural Science Foundation of Shandong province, China (ZR2018LF009, ZR2018PEE016)
                    • 摘要: 由于傳統車輛跟馳建模預測方法無法遍歷車輛所有可能的系統輸入與運行狀態的不確定性, 因而不足以從理論上保證對周邊車輛安全跟馳行為預測的完整性與可信性. 為此提出車輛安全跟馳模式預測的形式化建模方法. 該方法利用隨機可達集的遍歷表現特征實現對周邊車輛行為預測的不確定性表述, 并通過馬爾科夫鏈逼近可達集的方式表達系統行為狀態變化的隨機性, 從而完成對周邊車輛跟馳行為狀態變化的精確概率預估. 為了表達跟馳情形中車輛之間的行為關聯影響以及提高在線計算效率, 離線構建了關聯車輛在狀態及控制輸入之間的安全關聯矩陣, 描述周邊車輛的安全跟馳控制輸入選擇規律, 并綜合相關車輛的當前狀態信息, 達到對周邊車輛安全跟馳行為的在線分析與預估. 數值驗證不僅表明提出的建模方法完備地表述了周邊車輛所有的安全跟馳行為及過程, 顯著提高了預測的精確度, 也論證了該方法對車輛跟馳控制策略建模分析與安全驗證的有效性.
                    • 圖  1  建??蚣?/p>

                      Fig.  1  Method framework

                      圖  2  仿真流程

                      Fig.  2  Simulation flowchart

                      圖  3  不同時間區段的車輛蹤跡分布

                      Fig.  3  Trace distribution of vehicles for different time intervals

                      圖  4  不同時間區段的跟馳車輛控制輸入直方圖

                      Fig.  4  Control input histograms of following vehicles for different time intervals

                      圖  5  不同時間區段的跟馳車輛速度直方圖

                      Fig.  5  Velocity histograms of following vehicles for different time intervals

                      圖  6  不同時間區段的車輛蹤跡分布

                      Fig.  6  Trace distribution of vehicles for different time intervals

                      圖  7  跟馳情形中的碰撞概率 (a) $\varepsilon = 0.0001$; (b) $\varepsilon = 0$

                      Fig.  7  Collision probability in vehicle following (a) $\varepsilon = 0.0001$; (b) $\varepsilon = 0$

                      圖  8  不同時間區段的車輛蹤跡分布

                      Fig.  8  Trace distribution of vehicles for different time intervals

                      圖  9  跟馳情形中的碰撞概率

                      Fig.  9  Collision probability in vehicle following

                      表  1  離線運算中主要參數

                      Table  1  Main parameters used in offline operation

                      參數賦值
                      $S / \mathrm{m}$ $[0,200]$
                      $V / \mathrm{(m/s)}$$[0,20]$
                      $U$$[-1,1]$
                      $n$$40$
                      $m$$10$
                      $g$$6$
                      $\varpi$$10$
                      $\varepsilon $$0.000 1$
                      下載: 導出CSV

                      表  2  駕駛行為及車輛特性

                      Table  2  Driving behavior and vehicle characteristics

                      參數賦值
                      $\gamma$$0.2$
                      $\pmb \mu$$[0.01\;0.04\;0.1\;0.4\;0.4\;0.05]$
                      $\pmb q_{(i,j)}(0)$$[0\;0\;0\;1\;0\;0]$
                      $\tau / \mathrm{s}$$0.5$
                      $\sigma$$[1\;4\;8]$
                      $a^\mathrm{max} / \mathrm{(m/s^2)}$$7$
                      $v^* \mathrm{(m/s)}$$7.3$
                      下載: 導出CSV

                      表  3  初始屬性-1: 均勻分布集合

                      Table  3  Initial state-1: Set with uniform distribution

                      參數賦值
                      $S^\mathrm{A}(0) / \mathrm{m}$$[100,106]$
                      $V^\mathrm{A}(0) / \mathrm{(m/s)}$$[2,4]$
                      $S^\mathrm{B}(0) / \mathrm{m}$$[50,62]$
                      $V^\mathrm{B}(0) / \mathrm{(m/s)}$$[8,10]$
                      $S^\mathrm{C}(0) / \mathrm{m}$$[5,17]$
                      $V^\mathrm{C}(0) / \mathrm{(m/s)}$$[12,14]$
                      下載: 導出CSV

                      表  4  初始屬性-2: 均勻分布集合

                      Table  4  Initial state-2: Set with uniform distribution

                      參數賦值
                      $S^\mathrm{A}(0) / \mathrm{m}$$[62, 74]$
                      $V^\mathrm{A}(0) / \mathrm{(m/s)}$$[8, 10]]$
                      $S^\mathrm{B}(0) / \mathrm{m}$$[25, 37]$
                      $V^\mathrm{B}(0) / \mathrm{(m/s)}$$[6, 8]$
                      $S^\mathrm{C}(0) / \mathrm{m}$$[5, 17]$
                      $V^\mathrm{C}(0) / \mathrm{(m/s)}$$[2, 4]$
                      下載: 導出CSV
                      360彩票
                    • [1] 王殿海, 金盛. 車輛跟馳行為建模的回顧與展望. 中國公路學報, 2012, 25(1): 115?127 doi: 10.3969/j.issn.1001-7372.2012.01.018

                      1 Wang Dian-Hai, Jin Sheng. Review and outlook of modeling of car following behavior. China Journal of Highway and Transport, 2012, 25(1): 115?127 doi: 10.3969/j.issn.1001-7372.2012.01.018
                      [2] 2 Gazis D C, Herman R, Rothery R W. Nonlinear followthe-leader models of traffic flow. Operations Research, 1961, 9(4): 545?567 doi: 10.1287/opre.9.4.545
                      [3] 3 Bando M, Hasebe K, Nakayama A, Shibata A, Sugiyama Y. Dynamical model of traffic congestion and numericalsimulation. Physical Review E, 1995, 51(2): 1035?1042 doi: 10.1103/PhysRevE.51.1035
                      [4] 4 Helbing D, Tilch B. Generalized force model of traffic dynamics. Physical Review E, 1998, 58(1): 133?138 doi: 10.1103/PhysRevE.58.133
                      [5] 5 Jiang R, Wu Q S, Zhu Z J. Full velocity difference model for a car-following theory. Physical Review E, 2001, 64(1): 7101?7104
                      [6] 6 Wang Y, Zhang J, Lu G. Influence of driving behaviors on the stability in car Following. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(3): 1081?1098 doi: 10.1109/TITS.2018.2837740
                      [7] 7 Xie D F, Zhao X M, He Z. Heterogeneous traffic mixing regular and connected vehicles: modeling and stabilization. IEEE Transactions on Intelligent Transportation Systems, 2019, 20(6): 2060?2071 doi: 10.1109/TITS.2018.2857465
                      [8] 李永福, 鄔昌強, 朱浩, 唐曉銘. 考慮車輛跟馳作用和通信時延的網聯車輛隊列軌跡跟蹤控制 [Online], 自動化學報, https://doi.org/10.16383/j.aas.c190046, 2019-12-04

                      LI Yong-Fu, WU Chang-Qiang, ZHU Hao, Tang Xiao-Ming. Trajectory Tracking Control for Connected Vehicle Platoon Considering Car-following Interactions and Time Delays[Online], Acta Automatica Sinica, available: https://doi.org/10.16383/j.aas.c190046, December 4, 2019(in Chinese)
                      [9] 李潤梅, 張立威, 王劍. 基于時變間距和相對角度的無人車跟隨控制方法研究. 自動化學報, 2018, 44(11): 2031?2040

                      9 Li Run-Mei, Zhang Li-Wei, Wang Jian. A control method of unmanned car following under time-varying relative distance and angle. Acta Automatica Sinica, 2018, 44(11): 2031?2040
                      [10] 10 Li X H, Yang T, Liu J, Qin X Q, Yu S W. Effects of vehicle gap changes on fuel economy and emission performance of the traffic flow in the ACC strategy. PLOS ONE, 2018, 13(7): e0200110 doi: 10.1371/journal.pone.0200110
                      [11] 11 Kim T, Jeong H Y. A novel algorithm for crash detection under general road scenes using crash probabilities and an interactive multiple model particle filter. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(6): 2480?2490 doi: 10.1109/TITS.2014.2320447
                      [12] 12 Asarin E, Dang T, Maler O. d/dt: A tool for reachability analysis of continuous and hybrid Systems. IFAC Proceedings Volumes, 2001, 34(6): 741?746 doi: 10.1016/S1474-6670(17)35267-9
                      [13] Bemporad A, Torrisi F D, Morari M. Optimization-based verification and stability characterization of Piecewise Affine and Hybrid Systems. In: Proceedings of Hybrid Systems: Computation and Control. Berlin, Germany: SpringerVerlag, 2000.45?58
                      [14] Botchkarev O, Tripakis S. Verification of hybrid systems with linear differential inclusions using ellipsoidal approximations. In: Proceedings of Hybrid Systems: Computation and Control. Berlin, Germany: Springer-Verlag, 2000.73?78
                      [15] Stursberg O, Krogh B H. Efficient representation and computation of reachable sets for hybrid systems. In: Proceedings of Hybrid Systems: Computation and Control. Berlin, Germany: Springer-Verlag, 2003.482?497
                      [16] Girard A. Reachability of uncertain linear systems using zonotopes. In: Proceedings of Hybrid Systems: Computation and Control. Berlin, Germany: Springer-Verlag, 2005.291?305
                      [17] 17 Althoff M, Stursberg O, Buss M. Model-based probabilistic collision detection in autonomous driving. IEEE Transactions on Intelligent Transportation Systems, 2009, 10(2): 299?310 doi: 10.1109/TITS.2009.2018966
                      [18] Koschi M, Althoff M. SPOT: A tool for set-based prediction of traffic participants. In: Proceedings of the 2017 IEEE Intelligent Vehicles Symposium, Los Angeles, CA, USA, June 11-14, 2017.1686?1693
                      [19] Althoff M, Lutz S. Automatic generation of safety-critical test scenarios for collision avoidance of road vehicles. In: Proceedings of the 29th IEEE Intelligent Vehicles Symposium, Changshu, Suzhou, China, June 26-30, 2018.1326?1333
                      [20] Sontges S, Koschi M, Althoff M. Worst-case Analysis of the Time-To-React Using Reachable Sets. In: Proceedings of the 29th IEEE Intelligent Vehicles Symposium, Changshu, Suzhou, China, June 26-30, 2018.1891?1897
                      [21] 21 Eidehall A, Petersson L. Threat assessment for general road scenes using monte carlo sampling. IEEE Transactions on Intelligent Transportation Systems, 2006, 9(1): 137?147
                    • 加載中
                    計量
                    • 文章訪問數:  1658
                    • HTML全文瀏覽量:  1946
                    • 被引次數: 0
                    出版歷程
                    • 收稿日期:  2019-08-01
                    • 錄用日期:  2019-12-02
                    • 網絡出版日期:  2019-12-26

                    目錄

                      /

                      返回文章
                      返回