详情

原文传递融合多源信息的双车道交通流模型研究

论文题名：	融合多源信息的双车道交通流模型研究
关键词：	网联车辆;自动驾驶系统;交通流;信息融合;BP神经网络;元胞自动机
摘要：	随着智能汽车技术的进一步发展，区别于传统的人工驾驶，网联车辆凭借先进的传感器技术在道路信息辨识、车辆决策以及智能交通管理等方面皆发挥着积极的作用，从而有效提升了城市道路行驶效能，并极大缓解了城市交通拥堵以及解决环境污染等问题。尽管如此，智能车辆周边传感器易受不良环境的影响，导致车辆感知错误，最终发生交通事故等问题。　　围绕以上问题，本文首先提出一种多源信息流收集与高精地图数据融合方法。然后在此基础之上，改进了元胞自动机双车道交通流模型。最后通过Prescan与Matlab联合仿真，模拟更加真实的双车道路面状况，验证研究方法的可行性和有效性。具体的研究工作及成果如下：　　1）区别于传统网联车辆感知和处理信息的方式，本文提出一种多源信息流的建模和高精地图相似融合方法。首先，车辆凭借自身传感器将采集数据输入到中央处理器，生成初始化的高精度地图信息。然后，云端系统发送感知任务至被测区域车辆，接受任务的车辆通过V2X与其他车辆进行信息交换，并利用路侧基础设施传输至云端系统。在此基础上，采用BP神经网络在线学习方法，实现了对采集信息和初始化模型的实时数据融合。最后，将处理好的数据传输至车端以达到高精度地图的动态更新。此研究方法可以有效提升传感器与网联车辆的耦合度，为自动驾驶环境提供车道级别的信息以及厘米级的路径规划，能够有效提升交通效率避免交通事故。　　2）为了验证多源信息融合方法的有效性，首先立足于理想道路模型—元胞自动机，构建一种融合多源信息的双车道元胞自动机交通流模型。区别于传统模型，对安全距离模型、跟驰模型、换道模型和随机慢化概率等方面进行了改进。最后利用Matlab搭建仿真场景，从道路通行能力、道路密度、平均速度、流量以及时空轨迹图等进行仿真分析。结果表明，与传统人工驾驶模型相比，融合多源信息模型的道路通行能力提高了16%，同时可以实现最大的道路密度。且在道路占有率不断增加时，融合多源信息模型的平均速度始终大于人工驾驶。从时空轨迹图可以看出，融合多源信息模型的堵塞时间少且波及范围更窄，比人工驾驶更快达到稳定状态。综上所述，融合多源信息的双车道元胞自动机交通流模型较人工驾驶模型更有利于提升交通效率。　　3）为了进一步模拟真实且复杂的路面交通，利用Prescan与Matlab进行联合仿真。首先通过Prescan软件搭建双车道自动驾驶场景，然后在多源信息融合方法的基础上，利用Simulink软件对车辆动力学模块、车辆通信模型（收发信息）以及数据融合模块等进行建模。其中，数据融合模块是基于BP神经网络在线学习方法进行搭建，有利于信息的实时处理。接着，联合Prescan和Matlab建立跟驰以及换道模型进行仿真，从速度、加速度、位移以及车间距等方面验证模型的可行性，结果表明，两种模型都表现出良好的仿真效果。最后，基于速度指标，综合对比元胞自动机模型与Prescan模型的仿真效果。结果表明，元胞模型的速度偏差总体略小于Prescan搭建的模型，说明交通流复杂度对仿真效果有一定影响，但二者误差维持在5%之内，表明多源信息融合方法对二者均有效。
作者：	屠媛
专业：	车辆工程
导师：	黄晨
授予学位：	硕士
授予学位单位：	江苏大学
学位年度：	2022