本发明公开了一种面向混行环境下车辆跟驰耦合关系建模方法及系统，用于解析智能网联车与人工驾驶车辆之间的交互运动耦合关系。技术方案是基于不同车辆类型特点，考虑了人工驾驶车辆驾驶人对车辆信息的感知误差，构建一种考虑驾驶人感知误差的人工驾驶车辆跟驰模型，以及考虑了智能网联车辆可接受多前后车辆信息，构建了一种考虑多前后车信息反馈的智能网联车辆跟驰模型，比较分析在智能网联车辆处于低渗透率情况下，混行车流的演化情况，此方法可广泛应用于车路协同技术、智能交通管控等领域。
1.一种面向混行环境下车辆跟驰耦合关系建模方法，其特征在于：包括以下步骤，(1)交通情景设定，通过运动可控的引导车来设定需要模拟的交通情景；
(2)选取参数值，根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
(4)仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来考察所有t>0时所有车辆的运动状态；
包括一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型，其运动方程：其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度，τ是驾驶人反应时间，ε表示驾驶人感知0
误差，an(t)表示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布；
所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
2.根据权利要求1所述的面向混行环境下车辆跟驰耦合关系建模方法，其特征在于：还包括建立一种智能网联车辆跟驰模型，其运动方程：其中，α是驾驶人的反应敏感系数，vn(t)是车辆n在t时刻的速度，xn(t)是车辆n在t时刻的位置，SMD是驾驶员的期望安全裕度，d是车辆最大制动加速度，an(t)是车辆n在t时刻的加速度，τ2是智能网联车辆响应时间，多前后车信息反馈控制参数βi,γi，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车车前和车尾非网联车和网联车的数量。
3.根据权利要求2所述的面向混行环境下车辆跟驰耦合关系建模方法，其特征在于：进一步包括：根据建立的一种智能网联车辆跟驰模型以及一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型，形成一种面向混行环境下车辆跟驰耦合关系模型：
4.根据权利要求2所述的面向混行环境下车辆跟驰耦合关系建模方法，其特征在于：期
望安全裕度SMD＝0.9；车长设为5m；加速度敏感系数α＝15m/s ；其他参数g＝9.8m/s ，τ1＝
0.15s，τ＝0.5s，τ2＝0.5s，βi＝0.2，γi＝0.3，μ＝0.2。
5.根据权利要求2所述的面向混行环境下车辆跟驰耦合关系建模方法，其特征在于：选取参数为：
N＝50辆车包括智能网联车辆和人工驾驶车辆，以车头间距为L＝35m随机均匀的分布在同一车道上，多前后车信息反馈控制参数βi,γi分别为0.2和0.3，驾驶人感知误差均值μ为0.2，分析在头车存在小扰动情况下，比较分析在有无智能网联车辆情况下所有车辆的速度波动情况。
6.一种面向混行环境下车辆跟驰耦合关系建模系统，其特征在于：包括以下单元，交通情景设定单元，用于通过运动可控的引导车来设定需要模拟的交通情景；
参数值选取单元，用于根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
仿真单元，用于仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来考察所有t>0时所有车辆的运动状态；
包括一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型，其运动方程：其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度，τ是驾驶人反应时间，ε表示驾驶人感知0
误差，an(t)表示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布；
所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
7.根据权利要求6所述的面向混行环境下车辆跟驰耦合关系建模系统，其特征在于：还包括智能网联车辆跟驰模型建立单元，其运动方程：其中，α是驾驶人的反应敏感系数，vn(t)是车辆n在t时刻的速度，xn(t)是车辆n在t时刻的位置，SMD是驾驶员的期望安全裕度，d是车辆最大制动加速度，an(t)是车辆n在t时刻的加速度，τ2是智能网联车辆响应时间，多前后车信息反馈控制参数βi,γi，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车车前和车尾非网联车和网联车的数量。
8.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如权利要求1至5中任一项所述方法的步骤。
一种面向混行环境下车辆跟驰耦合关系建模方法及系统
技术领域
[0001] 本发明涉及车车协同安全控制领域领域，具体涉及一种面向混行环境下车辆跟驰耦合关系建模方法及系统。
背景技术
[0002] 近年来，智能交通技术研究已从以解决交通管控为重点的阶段向以车车/车路通信为支撑的车路协同阶段发展。从国内外研究现状与发展动态来看，车路协同技术逐渐从实验室走向实际应用，而车辆混行将成为未来交通系统常态化运行模式，因此，揭示混行环境下的车流混沌现象的演变机理成为未来智能交通管控研究的难点问题。
[0003] 经过对现有技术文献的检索发现，为了探索混行交通流的演变规律，国内外学者也做了一些研究工作。Zhang等人利用扩展的宏观交通流模型研究了客车和货车两种车辆混行环境下交通流的演化状态。Work等人研究了在人工驾驶车辆与自动驾驶车辆混行环境下的交通流演化规律。另外，Zhu和Zhang基于车辆跟驰模型也研究了人工驾驶车辆与自动驾驶车辆混行环境下的交通流演化规律。Li等人针对协同自适应巡航控制车辆应用数值仿真试验研究了不同协同自适应巡航控制车辆比例等条件下的交通流车辆追尾碰撞安全风险。Yu等人针对协同自适应巡航控制车辆跟驰策略控制，建立了基于记忆性车间距变化的协同自适应巡航控制车辆跟驰模型，数值实验结果表明所提出的协同自适应巡航控制车辆跟驰策略能够较好地平滑交通流速度波动以及改善交通流迟滞效应。Jia等人分别提出了基于车间通信以及车路通信的协同自适应巡航控制车辆跟驰控制策略，并对跟驰控制系统稳定性进行了理论分析，但缺乏对协同自适应巡航控制车辆与人工驾驶车辆混合交通流稳定性的优化分析。Ge等人利用最优化速度车辆跟驰模型，考虑前车加速度反馈建立了智能网联车辆跟驰模型并分析了智能网联车辆混行队列稳定性的动态特性。虽然已有的研究成果通过车辆跟驰模型研究了不同车辆混行情况下交通流的演化规律，但是鲜有从驾驶人风险感及其感知误差以及智能网联车辆低渗透率情况下，构建智能网联车与人工驾驶车辆之间跟驰耦合关系模型。因此，基于风险动态平衡理论，以期望安全裕度跟车模型为模型基础，提出一种面向混行环境下的车辆跟驰耦合关系模型。
发明内容
[0004] 本发明提出的一种面向混行环境下车辆跟驰耦合关系建模方法及系统，具体是针对车辆混行跟驰过程中，解析智能网联车与人工驾驶车辆之间的交互运动耦合关系，此方法可广泛应用于车路协同技术、智能交通管控等领域。
[0005] 为实现上述目的，本发明采用了以下技术方案：
[0006] 一种面向混行环境下车辆跟驰耦合关系建模方法，包括以下步骤：
[0007] (1)交通情景设定，通过运动可控的引导车来设定需要模拟的交通情景；
[0008] (2)选取参数值，根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
[0009] (3)获取所有车辆的初始状态；
[0010] (4)仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来考察所有t>0时所有车辆的运动状态；
[0011] 所述的一种面向混行环境下的车辆跟驰耦合关系模型，其运动方程：
[0012]
[0013] 其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度；ε表示驾驶人感知误差，an(t)表0
示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布，vn(t)和vn‑1(t)表示车辆n和n‑1的速度，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车前车和车尾非网联车和网联车的数量。
[0014] 另外，期望安全裕度SMD＝0.9；车长设为5m；加速度敏感系数α＝15m/s2；其他参数g2
＝9.8m/s，τ1＝0.15s，τ＝0.5s，τ2＝0.5s，βi＝0.2，γi＝0.3，μ＝0.2。
[0015] 所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
[0016] 速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
[0017] 位置：
[0018] 其中，Δt为加速度调节时间。
[0019] 另一方面，本发明还公开一种面向混行环境下车辆跟驰耦合关系建模系统，[0020] 包括以下单元，
[0021] 交通情景设定单元，用于通过运动可控的引导车来设定需要模拟的交通情景；
[0022] 参数值选取单元，用于根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
[0023] 初始状态获取单元，用于获取所有车辆的初始状态；
[0024] 仿真单元，用于仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来
[0025] 考察所有t>0时所有车辆的运动状态；
[0026] 包括一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型，其运动方程：
[0027]
[0028] 其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度，τ是驾驶人反应时间，ε表示驾驶0
人感知误差，an(t)表示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布；
[0029] 所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
[0030] 速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
[0031] 位置：
[0032] 其中，Δt为加速度调节时间。
[0033] 进一步的，还包括智能网联车辆跟驰模型建立单元，其运动方程：
[0034]
[0035]
[0036] 其中，α是驾驶人的反应敏感系数，vn(t)是车辆n在t时刻的速度，xn(t)是车辆n在t时刻的位置，SMD是驾驶员的期望安全裕度，d是车辆最大制动加速度，an(t)是车辆n在t时刻的加速度，τ2是智能网联车辆响应时间，多前后车信息反馈控制参数βi,γi，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车车前和车尾非网联车和网联车的数量。
[0037] 第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0038] 由上述技术方案可知，本发明的面向混行环境下车辆跟驰耦合关系建模方法及系统，基于不同车辆类型特点，考虑在智能网联车辆低渗率的情况下，兼顾人工驾驶车辆驾驶人对车辆信息的感知误差，构建一种面向混行环境下的车辆跟驰耦合关系模型。本发明中智能网联车辆与人工驾驶车辆按照面向混行环境下的车辆跟驰耦合关系模型进行跟驰运动。
[0039] 综上所述，本发明公开了一种面向混行环境下车辆跟驰耦合关系建模方法及系统，用于解析智能网联车与人工驾驶车辆之间的交互运动耦合关系。技术方案是基于期望安全裕度模型，分别构建一种考虑驾驶人感知误差的人工驾驶车辆跟驰模型和一种考虑多前后车信息反馈的智能网联车辆跟驰模型，比较分析在智能网联车辆处于低渗透率情况下，混行车流的演化情况，此方法可广泛应用于车路协同技术、智能交通管控等领域。
附图说明
[0040] 图1是本发明车辆队列跟驰运动示意图；
[0041] 图2是本发明在不同智能网联车辆渗透率下的混合车流波动性对比图：(a)智能网联车占比0；(b)智能网联车占比10％。
具体实施方式
[0042] 为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
[0043] 如图1所示，本实施例所述的面向混行环境下车辆跟驰耦合关系建模方法，具体步骤如下：
[0044] (1)交通情景设定，通过运动可控的引导车来设定需要模拟的交通情景；
[0045] (2)选取参数值，根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
[0046] (3)获取所有车辆的初始状态；
[0047] (4)仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来考察所有t>0时所有车辆的运动状态。
[0048] 所述的一种面向混行环境下的车辆跟驰耦合关系模型，其运动方程：
[0049]
[0050] 其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度；ε表示驾驶人感知误差，an(t)表0
示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布，vn(t)和vn‑1(t)表示车辆n和n‑1的速度，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车前车和车尾非网联车和网联车的数量。
[0051] 另外，期望安全裕度SMD＝0.9；车长设为5m；加速度敏感系数α＝15m/s2；其他参数g2
＝9.8m/s，τ1＝0.15s，τ＝0.5s，τ2＝0.5s，βi＝0.2，γi＝0.3，μ＝0.2。
[0052] 所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
[0053] 速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
[0054] 位置：
[0055] 其中，Δt为加速度调节时间。
[0056] 以下具体举例说明：
[0057] 本发明是基于期望安全裕度跟驰模型，构建一种面向混行环境下的车辆跟驰耦合关系模型，具体步骤如下：
[0058] (1)期望安全裕度车辆跟驰模型：
[0059]
[0060] 式中，α是驾驶人的反应敏感系数；vn(t)是车辆n在t时刻的速度；l为车辆的长度；xn(t)是车辆n在t时刻的位置；SMD是驾驶员的期望安全裕度；d是车辆最大制动加速度；an(t)是车辆n在t时刻的加速度；τ是驾驶人反应时间。
[0061] (2)建立一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型：
[0062]
[0063] (3)建立一种智能网联车辆跟驰模型：
[0064]
[0065]
[0066] (4)设定的交通场景，有N＝50辆车包括智能网联车辆和人工驾驶车辆，以车头间距为L＝35m随机均匀的分布在同一车道上。设初始时刻头车出现了一个小的扰动，头车编号为1，其他车按行驶方向依次编号。
[0067] (5)车辆初始状态的速度和位置如下：
[0068]
[0069] 式中， 是头车在 时刻一个小的加速度扰动，设其服从5×10‑2×U(‑1,1)的均匀随机分布。
[0070] (6)一种面向混行环境下的车辆跟驰耦合关系模型参数取值：
[0071] 驾驶人反应时间τ：0.5s；
[0072] 车辆紧急制动反应时间τ1：0.15s；
[0073] 车辆响应时间τ2：0.5s；
[0074] 车辆制动最大减速度d：7.5m/s2；
[0075] 加速度敏感系数α：15m/s2；
[0076] 期望安全裕度SMD：0.9；
[0077] 多前后车信息反馈控制参数βi,γi：0.2，0.3；
[0078] 车辆长度l：5m；
[0079] 其他常参量：g＝9.8m/s2，m1＝m2＝2；
[0080] 图2是在不同智能网联车辆渗透率下的混合车流波动性对比图：(a)智能网联车占比0；(b)智能网联车占比10％。从图中可以看出，在智能网联车与人工驾驶车辆混行可在一定程度上提高车流稳定性。
[0081] 综上所述，本发明公开了一种面向混行环境下车辆跟驰耦合关系建模方法及系统，用于解析智能网联车与人工驾驶车辆之间的交互运动耦合关系。技术方案是基于期望安全裕度模型，分别构建一种考虑驾驶人感知误差的人工驾驶车辆跟驰模型和一种考虑多前后车信息反馈的智能网联车辆跟驰模型，比较分析在智能网联车辆处于低渗透率情况下，混行车流的演化情况，此方法可广泛应用于车路协同技术、智能交通管控等领域。
[0082] 另一方面，本发明还公开一种面向混行环境下车辆跟驰耦合关系建模系统，[0083] 包括以下单元，
[0084] 交通情景设定单元，用于通过运动可控的引导车来设定需要模拟的交通情景；
[0085] 参数值选取单元，用于根据设定的交通情景选取参数的取值，包括驾驶人反应时间τ、车辆紧急制动反应时间τ1、车辆制动最大减速度d、多前后车信息反馈控制参数βi,γi，i表示智能网联车在可接受的通信距离范围内队列前后车辆个数、加速度敏感系数α和期望安全裕度SMD；
[0086] 初始状态获取单元，用于获取所有车辆的初始状态；
[0087] 仿真单元，用于仿真模拟t>0时车辆队列的运动状态，假设前导车按照预先指定的方案运动，而跟驰车队按照混行环境下车辆跟驰耦合关系模型运动，来考察所有t>0时所有车辆的运动状态；
[0088] 包括一种考虑驾驶感知误差的人工驾驶车辆的跟驰模型，其运动方程：
[0089]
[0090] 其中，在车辆跟驰队列中，若人工驾驶的车辆前车为智能网联车时，则an(t+τ)表示网联车辆加速度；反之，则表示人工驾驶的车辆加速度，τ是驾驶人反应时间，ε表示驾驶0
人感知误差，an(t)表示车辆实际加速度， 表示在给定的加速度ξ下感知误差的条件概率分布函数服从均值为μ和方差为 的正态分布；
[0091] 所有车辆的速度和位置按照如下规则进行更新，其计算公式为：
[0092] 速度：vn(t)＝vn(t‑Δt)+a(t‑Δt)×Δt,n＝1,2,…N；
[0093] 位置：
[0094] 其中，Δt为加速度调节时间。
[0095] 进一步的，还包括智能网联车辆跟驰模型建立单元，其运动方程：
[0096]
[0097]
[0098] 其中，α是驾驶人的反应敏感系数，vn(t)是车辆n在t时刻的速度，xn(t)是车辆n在t时刻的位置，SMD是驾驶员的期望安全裕度，d是车辆最大制动加速度，an(t)是车辆n在t时刻的加速度，τ2是智能网联车辆响应时间，多前后车信息反馈控制参数βi,γi，Dn(t)表示第n和n‑1车之间的车间隙，m1和m2分别表示队列中第n辆网联车车前和车尾非网联车和网联车的数量。
[0099] 第三方面，本发明还公开一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行如上述方法的步骤。
[0100] 可理解的是，本发明实施例提供的系统与本发明实施例提供的方法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的相应部分。
[0101] 本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD‑ROM、光学存储器等)上实施的计算机程序产品的形式。
[0102] 本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0103] 这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0104] 这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0105] 以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
