Behavior Decision of Intelligent Connected Vehicles Considering Status of Preceding Vehicles at Intersections
-
摘要:
为使智能网联汽车（intelligent connected vehicle, ICV）在复杂交通环境下高效、安全地通过信号交叉口，在车联网实时获取信号灯和前车状态信息的基础上，建立了智能网联汽车通过信号交叉口的驾驶行为决策框架. 通过跟驰模型推导智能网联汽车和前方车辆在未来的行驶状态，预测得到前方车辆是否要通过交叉口的行为，进一步分别对智能网联汽车是领头车和跟随车时通过交叉口停止线的条件进行判断；将换道加入到驾驶方式中来寻求更高的通行效率，用基于换道时间模型的方法判断智能网联汽车换道后的通过条件；仿真对比分析了所提出模型和现有模型的决策能力，讨论了影响决策过程的关键因素. 研究结果表明：相比于现有模型，综合信号灯和前车行驶意图的决策方法能够提高智能网联汽车对通行条件判断的准确性，从而进行更合理的行为选择，随着单位绿灯剩余时间的增加，车辆决策通过交叉口的概率可提高20%，当前车道的车辆位置对决策结果影响显著.
Abstract:To enable intelligent connected vehicles (ICV) pass through signalized intersections efficiently and safely in complex traffic environments, on the basis of real-time acquisition of signal lights and preceding vehicle status information in the internet of vehicles, the driving behavior decision framework of ICV through signalized intersections in the ICV environment was established.The car-following model was used to derive the future driving status of ICV and vehicles ahead,then to predict whether the preceding vehicles will pass through the intersection, and further to judge the conditions for passing the intersection stop line when the ICVis the leader or the follower.The lane change was addedin the driving mode toseek higher traffic efficiency, and the method based on the lane change time model was used to judge the passing conditions after the ICV changesa lane.Through simulation comparison, the decision-making ability of the proposed model and the existing model was analyzed, the key factors that affect the decision-making process were discussed. Compared with the existing model, the decision method of combining signal lights and the driving intention of the preceding vehicle can improve the judgmentaccuracy of ICVs on passing conditions and realize reasonable decision-making.With the increasing of the remaining time per unit green light, the probability of vehicles passing through the intersection can be increased by 20%, and vehicle positions in the current lane have significant influence on decision result.
-
Key words:
- behavior decision /
- prediction /
- car-following model /
- lane change /
- intelligent connected vehicle /
- intersections
-
跨座式单轨交通通过单根轨道梁来实现支承、稳定和导向等功能，车体骑跨在轨道梁上运行的铁路. 它能有效利用城市道路空间，爬坡和曲线通过能力强，噪声和景观影响小，适用于建筑物密度大的狭窄街区，是现代化城市快速轨道交通的一种新形式.
跨座式单轨交通虽然地形适应能力强，但其小曲率、多弯道的线路使轮胎运行条件变得更加严苛，更容易产生异常磨损. 以重庆轨道交通为例，调研发现：跨座式单轨列车走行轮轮胎的设计使用历程为20万公里，但在运行约7万公里时走行轮轮胎便出现了严重的异常磨损现象，导致走行轮轮胎提前报废，且需要更换导向轮和稳定轮在内的全套轮胎，维修成本极高，且由此带来的安全隐患也很大. 目前国内不少学者也对此开展了初步研究[1-7]. 贺观[1]对重庆市跨座式单轨车辆动力转向架和非动力转向架的走行轮轮胎胎面磨损情况进行分析，总结出了胎面均匀与不均匀磨损的典型特征.
由于跨座式单轨车辆独特的走行方式，轮胎模型对整车模型精度至关重要. 任利惠等[2]建立了线性化轮胎模型，其中，走行轮轮胎模型考虑了径向刚度、侧偏效应及纵向滑转，导向轮和稳定轮模型则考虑了径向刚度和侧偏效应，该模型能较好地预估导向轮与稳定轮预压力值. 跨座式单轨车辆各轮胎均为橡胶充气轮胎，针对其非线性，赵树恩等[3]建立了非线性轮胎模型，其将走行轮轮胎模型建成“魔术公式”模型，充分考虑了走行轮轮胎的侧偏力与回正力矩. 文孝霞等[4]建立了轨道梁-走行轮有限元分析模型，研究发现当列车在小半径弯道行驶时，在轮胎接地印迹内，轮胎纵向剪切应力和侧向剪切应力、接地压力展现出明显的梯度分布关系，从而揭示了走行轮轮胎出现偏磨损的原因. 申震[5]通过建立车-轨耦合动力学模型的方式，采用正交试验与灵敏度分析研究了车辆参数对轮胎偏磨的影响规律. Maciel等[6]建立了4个不同复杂程度的轮胎模型，最简单的为线性轮胎模型，最复杂的为完全高阶非线性模型，研究结果表明，轮胎模型中侧偏刚度对整车动力学模型精度与轮胎侧向力预测至关重要. 王国林等[7]提出了曲面走行踏面方法，其进一步对跨座式单轨列车走行轮轮胎的磨损与偏磨损进行控制. 在线路无法更改的前提下，车辆结构参数对走行轮轮胎的磨损关系值得深入研究.
本文在ABAQUS平台搭建有限元模型[8]基础上，不改变单轨列车走行轮轮胎材料、走行踏面曲线工况的情况下，从车辆结构中二系悬挂参数出发，探索控制走行轮胎磨损的方法. 首先，建立走行轮轮胎有限元模型，提出走行轮轮胎不均匀磨损的评价指标；其次，探索走行轮轮胎侧偏角、侧倾角及其组合对走行轮轮胎磨损与不均匀磨损的影响，建立少变量易分析的走行轮轮胎磨损及不均匀磨损的间接评价方法；接下来，结合新的磨损间接评价方法，研究车辆结构参数中二系悬挂参数对走行轮各轮胎磨损及不均匀磨损的影响；最后，对车辆结构参数进行优选，减轻走行轮各轮胎的不均匀磨损现象，改善走行轮各轮胎磨损状态.
1. 轮胎磨损模型建立
1.1 运行工况下磨损分析
跨座式单轨列车以小半径转弯时，走行轮轮胎磨损比较严重，因而取车辆最小过弯半径R为100 m，相应车速
vc 为36 km/h. 前转向架各走行轮轮胎径向力Fzt1jk 、侧偏角α 和侧倾角β 分别为Fzt1jk=(mc+2mt)g8+kzv[zt1−(−1)k+1H2φt1−(−1)j+1H1θt1]+czv[˙zt1−(−1)k+1H2˙φt1−(−1)j+1H1˙θt1], (1) α=ψt1−˙yt1−(−1)jH1˙ψt1−(−1)kH3˙ϕt1vc, (2) β=φt1−˙zt1+(−1)jH1˙θt1+(−1)kH3˙ϕt1vc, (3) 式（1）～（3）中：k = 1代表左侧（走行轮或水平轮），k = 2代表右侧（走行轮或水平轮）；j = 1代表前排（走行轮或导向轮），j = 2代表后排（走行轮或导向轮）；
mc 为车体质量；mt 为前转向架质量与后转向架质量之和；g为重力加速度；kzv 为走行轮轮胎径向刚度；zt1 为前转向架浮沉自由度；H1 为走行轮轴距一半；H2 为走行轮轮距一半；H3 为导向轮轴距一半；czv 为走行轮轮胎径向阻尼；ψt1 、yt1 、φt1 、θt1 分别为前转向架摇头自由度、横摆自由度、侧倾自由度、点头自由度；ϕt1 为前转向架滑动方向与路面纹理方向的角度.1.2 轮胎有限元模型
为分析走行轮各轮胎磨损情况，建立其有限元模型是一种高效、便捷的方法.
用GOTECH AI-7000M电子拉伸试验设备对走行轮轮胎各橡胶材料进行测试发现,采用ABAQUS中的Yeoh模型[9-10]能较好地反映其本构关系，其表达式为
U=C10(I1−3)−C20(I1−3)2−C30(I1−3)3, (4) 式中：U为单位参考体积的应变能；C10、C20、C30均为温度相关系数；I1为应变第一不变量.
轮胎在装配和充气工况下，轮胎的几何条件和负荷条件都是轴对称的，因此，采用平面的二维模型来分析轮胎的装配和充气工况，考虑到轮胎的接触非线性以及模拟静态接地工况必须用到三维模型. 因此所建立的模型在胎圈与轮辋接触部位、胎冠与地面接触部位分别定义了接触对. 轮胎的过盈装配过程，定义轮辋为解析刚体，用ABAQUS的接触计算逐步消除过盈，完成装配；轮胎的接地过程，定义路面为刚体，用固定轮辋，对地面施加位移的方法，模拟轮胎加载过程.
在ABAQUS软件中建立走行轮轮胎有限元二维模型，如图1（a）所示，轮胎三维模型由二维模型旋转100份生成，如图1（b）所示. 二维断面模型中橡胶材料分别采用CGAX3H超弹性单元（三角形单元）和CGAX4H超弹性单元（四边形单元），其对应的三维模型网格单元分别为C3D6H和C3D8H. 二维断面模型中选用4 mm的胎面和胎圈网格，选用6 mm的胎侧，整个二维断面模型共有1 964个单元和2 156个节点；整个三维模型共有196 400个单元和201 050个节点. 模型中的轨道面设置为解析刚体，其分析精度已通过大量的试验证实[11-14].
1.3 模型验证
为验证有限元模型的精确性，对345/85R16型单轨列车走行轮单胎在额定载荷（54 880 N）和额定充气压力（960 kPa）条件下按标准对走行轮轮胎进行侧向与纵向刚度试验.
图2为轮胎侧向和纵向刚度的有限元分析结果. 由图2可知：有限元模型计算的径向、侧向刚度与实测的径向、侧向刚度的相对误差分别为1.9%、2.1%，满足工程分析需求，证明走行轮轮胎有限元模型是合理的.
1.4 轮胎磨损及不均匀磨损指标
橡胶磨损量为单位摩擦距离的磨损体积或磨损质量[15]. Grosch[16]研究了滑动速度v、接触压力P、温度T等对橡胶磨损的影响，并提出橡胶磨损量A与耗散能W的关系，如式（5）.
A=A0(WW0)e, (5) 式中：W0为参考耗散能；A0为速度vc下能量耗散为W0的磨损量；e为磨损指数.
图 2 走行轮轮胎有限元模型验证Figure 2. Validation of finite element model of the running wheel tire为了直接反映v、P、T对磨损量的影响，将式（5）修正[15]为
A=a(μPv)bTc, (6) 式中：a、b、c均为拟合系数，可根据磨损试验进行拟合；
μ 为摩擦系数.通过式（6）得到其接地区磨损量为
Ajie=a[u∑q=0m∑p=1μqpPqpSqp(vx,qp+vy,qp)]bTc, (7) 式中：u为接地区单元个数；m为接地区单元节点数；Pqp为节点接触应力，Pa；Sqp为胎面各节点接触面积，m2；vx,qp、vy,qp分别为接地区域内节点沿轮胎纵向及侧向的相对滑移速度，m/s；μqp为节点摩擦系数，如式（8）.
μqp≈λImK(ω1vqp)|K(ω1vqp)|, (8) 式中：
ω1 为路面最小角频率；λ 为摩擦参数；K 为弹簧刚度；vqp为接地区域内节点沿轮胎纵向及侧向的相对滑移合速度.由式（8）可知，摩擦系数与轮胎胶料模量息息相关. 根据走行轮轮胎的实际运行工况，其储能模量与损耗模量的表达式[15,17]为
ReE(φ)=K(φτ)21+(φτ)2, (9) ImE(φ)=Kφτ1+(φτ)2, (10) 式中：
φ 为频率；τ 为与阻尼η 和弹簧刚度K相关的时间常数，τ =η /K.为了表示轮胎接地区磨损不均性，引入磨损量偏度值 Δ 作为评价指标，如式（11）.
Δ=√1m−1m∑n=1(An−¯A)2, (11) 式中：An为接地区第n个节点的磨损量；
¯A 为接地区内所有节点累计得到的磨损量均值.2. 轮胎磨损间接评价指标
分析跨座式单轨车辆轮胎磨损特性时，通常是将车辆动力学模型输出的边界条件导入走行轮各轮胎有限元模型分析其磨损与不均匀磨损特性，考虑车辆众多参数时，计算量尤为复杂[18]. 因此，有必要新建一个磨损特性间接评价指标. 通过对汽车轮胎不均匀磨损可知，侧偏角、侧倾角是影响轮胎不均匀磨损的重要因素，合理的组合能有效改善轮胎的磨损状态.
2.1 侧偏角
侧偏角
α 定义为车轮滚动接触平面与车轮中心运动方向的夹角，顺时针方向为正. 侧偏角由轮胎运行条件所决定，并取决于车辆前进速度、侧向速度、横摆角速度和转向角等，如图3所示.2.2 侧倾角
车轮侧倾角
β 为车轮外倾角是车轮平面与路面垂直面之间的夹角[19]，当车辆或转向架侧滚时，轮胎将产生侧倾角，与地面形成倾角的旋转主轴与地面的交点O则是车轮几何运动的中心，如图4所示.2.3 侧偏角对走行轮轮胎磨损影响
在纯侧偏工况下，走行轮轮胎的磨损量及磨损量偏度值趋势如图5所示.
图 5 纯侧偏工况下走行轮轮胎磨损量及其偏度值Figure 5. Wear mass loss and its skewness of the running wheel tire with slip angle由图5可知：当走行轮侧偏角从−3.0° 变化到0 时，走行轮轮胎磨损量与其磨损量偏度值逐渐减小；当走行轮侧偏角从0 增加到3.0° 时，其磨损量与磨损量偏度值均随着侧偏角增大而逐渐增大.
2.4 侧倾角对走行轮轮胎磨损影响
纯侧倾工况下，走行轮轮胎磨损量及其偏度值如图6所示. 由图6可知：当侧倾角从−6.0° 变化到0 时，走行轮轮胎磨损量稳步增加；当侧倾角从0 增长到6.0° 时，走行轮轮胎磨损量逐渐下降；当侧倾角幅值较大时，走行轮轮胎磨损量偏度值急剧上升.
2.5 侧偏角及侧倾角匹配分析
当跨座式单轨车辆走行轮轮胎以不同的侧偏角及侧倾角运行时，走行轮轮胎的磨损状态各异，见表1.
由表1可知：在任一侧偏角下，走行轮轮胎磨损量均随着侧倾角幅值的增大而减小；在任一侧倾角下，走行轮轮胎磨损量均随着侧偏角幅值的增大而增大；当跨座式单轨车辆走行轮以小侧偏角、大侧倾角运行时，走行轮轮胎磨损量较小；侧偏角对轮胎磨损量的影响更大，当无法同时满足上述条件时，优先选择小侧偏角.
图 6 纯侧倾工况下走行轮轮胎磨损量及其偏度值Figure 6. Wear mass loss and its skewness of the running wheel tire with roll angle表 1 不同侧偏角、侧倾角组合下轮胎磨损量Table 1. Wear of walking wheel tire with different slip angles and roll angles× 10−4 g 侧倾角/（°） 侧偏角/（°） −3.0 −2.0 −1.0 0 1.0 2.0 3.0 −6.0 5.29 4.80 4.12 3.29 4.28 5.17 5.67 −4.0 5.53 5.07 4.24 3.35 4.34 5.25 5.70 −2.0 5.71 5.20 4.30 3.38 4.38 5.23 5.71 0 5.82 5.22 4.32 3.39 4.36 5.22 5.81 2.0 5.86 5.24 4.52 3.37 4.31 5.20 5.62 4.0 5.72 5.18 4.29 3.32 4.25 5.06 5.42 6.0 5.70 5.11 4.23 3.28 4.13 4.86 5.16 3. 车辆二系悬挂参数对走行轮轮胎不均匀磨损影响
本文重点研究跨座式单轨车辆以规定的速度、标准的载荷过半径为100 m的弯道时，二系悬挂纵向、横向和垂向的刚度参数参数对走行轮各轮胎不均匀磨损的影响.
3.1 二系悬挂纵向刚度对走行轮不均匀磨损的影响
保持其他参数不变，单独改变二系悬挂纵向刚度，由车辆动力学模型计算所得的走行轮各轮胎侧偏角及侧倾角如图7所示，图中：kx,ct0为二系悬挂纵向刚度初始值. 由图7可知：二系悬挂纵向刚度对走行轮各轮胎侧倾角几乎没有影响，而调整二系悬挂纵向刚度，使走行轮各轮胎总体侧偏角幅值达到较小值，能有效改善走行轮轮胎的磨损状态.
图 7 二系悬挂纵向刚度对侧偏角、侧倾角的影响Figure 7. Influence of longitudinal stiffness of secondary suspension on the slip angle and roll angle3.2 二系悬挂横向刚度对走行轮不均匀磨损的影响
保持其他参数不变，单独改变二系悬挂横向刚度，由车辆动力学模型计算所得的走行轮各轮胎侧偏角及侧倾角如图8所示，图中：ky,ct0二系悬挂横向刚度初始值. 由图8可知：二系悬挂横向刚度对走行轮各轮胎侧偏角影响很大，对走行轮各轮胎侧倾角几乎没有影响. 综上考虑，调整二系悬挂横向刚度能有效改善走行轮各轮胎磨损状态.
3.3 二系悬挂垂向刚度对走行轮不均匀磨损的影响
保持其他参数不变，单独改变二系悬挂垂向刚度，由车辆动力学模型计算所得的走行轮各轮胎侧偏角及侧倾角如图9所示，图中：kz,ct0为二系悬挂垂向刚度初始值.
由图9可知：随着二系悬挂垂向刚度增加，走行轮各轮胎侧偏角幅值均下降，且走行轮各轮胎侧偏方向不变；当二系悬挂垂向刚度值为1.3kz,ct0时，前、后排走行轮轮胎侧偏角幅值接近相等；当二系悬挂垂向刚度值增加到1.5kz,ct0时，左前与左后走行轮轮胎侧偏角幅值接近为0，此时磨损状态良好；二系悬挂垂向刚度对走行轮各轮胎侧倾角几乎无影响，因此通过优化二系悬挂垂向刚度使走行轮各轮胎侧偏角幅值处于合理值能有效改善走行轮各轮胎磨损状态.
图 8 二系悬挂横向刚度对侧偏角、侧倾角的影响Figure 8. Influence of lateral stiffness of secondary suspension on the slip angle and roll angle
图 9 二系悬挂垂向刚度对侧偏角、侧倾角的影响Figure 9. Influence of vertical stiffness of secondary suspension on the slip angle and roll angle4. 车辆二系悬挂参数优选
4.1 优选参数选择
二系悬挂纵向刚度、横向刚度、垂向刚度对走行轮各轮胎侧偏角及侧倾角均有一定程度影响，因此这些参数可初步作为优选参数.
4.2 优选条件
为保证跨座式单轨车辆弯道通过性与走行轮各轮胎磨损均匀性，约束条件为：
1） 前排走行轮各轮胎侧偏角方向相同，后排走行轮各轮胎侧偏角方向相同；
2） 在车辆参数变化过程中，前、后排走行轮各轮胎侧偏角方向不能发生改变；
3） 假设前排或后排走行轮两轮胎的侧偏角幅值分别为
C1 和C2 ，则|C1−C2|min{C1,C2}⩽10%. (12) 4.3 参数优选分析
4.3.1 二系悬挂纵向刚度
由图7可得：当需同时满足其约束条件时，需将二系悬挂纵向刚度值调得足够高，而此时走行轮各轮胎侧偏角幅值均比较大，不均匀磨损现象严重. 因此很难通过单独调整二系悬挂刚度值使走行轮轮胎磨损状态得以较大改善.
4.3.2 二系悬挂横向刚度优选
二系悬挂横向刚度参数优选如图10所示. 由图10可知：当二系悬挂横向刚度值＞1.2ky,ct0时，左前与左后走行轮轮胎侧偏角方向发生改变，不符合约束条件 2）；当二系悬挂横向刚度值为0.6ky,ct0或1.1ky,ct0左右时，同时满足所有约束条件. 由于当二系悬挂横向刚度值取后者时走行轮各轮胎侧偏角幅值更小，因而二系悬挂横向刚度优选值为1.1ky,ct0，此时前排走行轮侧偏角为0.3°，后排走行轮侧偏角为−0.2°.
4.3.3 二系悬挂垂向刚度优选
二系悬挂垂向刚度参数优选如图11，由图11可知：当二系悬挂垂向刚度值为1.3kz,ct0时，同时满足上述约束条件，且走行轮各轮胎侧偏角幅值均较小. 因此，二系悬挂垂向刚度优选值为1.3kz,ct0，此时，前排走行轮侧偏角为0.2°，后排走行轮侧偏角为−0.2°.
图 10 二系悬挂横向刚度参数优选Figure 10. Parameter optimization of lateral stiffness of secondary suspension
图 11 二系悬挂垂向刚度参数优选Figure 11. Parameter optimization of vertical stiffness of secondary suspension以前转向架为例，综上分析可得：优选前，转向架中前、后排走行轮轮胎侧偏角分别为0.5°、0.3°、−0.4°、−0.2°；优选后，转向架中前、后走行轮轮胎侧偏角为0.2°、0.2°、−0.2°、−0.2°.
5. 结 论
1） 为了探究走行轮各轮胎的不均匀磨损情况，通过分析跨座式单轨列车走行轮的运行工况，建立了走行轮有限元轮胎模型.
2） 通过轮胎磨损特性研究，探索走行轮轮胎侧偏角、侧倾角及其组合与走行轮轮胎磨损与不均匀磨损的关联性，可以建立少变量易分析的走行轮轮胎磨损及不均匀磨损的间接评价，能够更加直观有效地分析走行轮各轮胎的不均匀磨损情况.
3） 通过建立的间接评价指标，研究了车辆结构参数中二系悬挂参数对走行轮各轮胎磨损及不均匀磨损的影响，并提出了选取合适的参数值，能够有效减轻走行轮各轮胎不均匀磨损.
4） 由于跨座式单轨车辆参数同时对其他性能有很大影响，而本文仅从走行轮轮胎磨损与不均匀磨损角度出发优选了部分参数，这虽存在一定缺陷，但仍有一定工程意义.
-
图 6 不同绿灯剩余时间的决策过程和速度变化
Figure 6. Decision-making process and speed change of different remaining time of green light
图 7 不同当前车道车辆位置的决策过程和速度变化
Figure 7. Decision process and speed change of different vehicle positions in current lane
表 1 不同绿灯剩余时间的场景输入
Table 1. Scene input information for different green light countdown time
输入信息 数值 输入信息 数值 停止线位置/m 300 SV当前位置/m 171 道路最大限速值/（km•h−1） 60 SV当前速度/（km•h−1） 29 最大舒适加速度/（m•s−2） 2 当前车道头车位置/m 200 最大制动减速度/（m•s−2） 3 相邻车道头车位置/m 290 
下载: 导出CSV
表 2 不同当前车道车辆位置的场景输入
Table 2. Scene input information for different vehicle positions in current lane
输入信息 数值 输入信息 数值 当前绿灯剩余时间/s 11 最大制动减速度/
（m•s−2）3 停止线位置/m 300 SV当前速度/（km•h−1） 29 道路最大限速值/（km•h−1） 60 当前车道头车位置 最大舒适加速度/（m•s−2） 2 相邻车道头车位置/m 290
下载: 导出CSV
-
[1] GALCERAN E, CUNNINGHAM A G, EUSTICE R M, et al. Multipolicy decision-making for autonomous driving via changepoint-based behavior prediction:Theory and experiment[J]. Autonomous Robots, 2017, 41(6): 1367-1382. doi: 10.1007/s10514-017-9619-z [2] GOODALL N J. Ethical decision making during automated vehicle crashes[J]. Transportation Research Record:Journal of the Transportation Research Board, 2014, 2424(1): 58-65. doi: 10.3141/2424-07 [3] GAO H B, SHI G Y, XIE G T, et al. Car-following method based on inverse reinforcement learning for autonomous vehicle decision-making[J]. International Journal of Advanced Robotic Systems, 2018, 15（6）: 1729881418817162.1-1729881418817162.11. [4] YE Y J, ZHANG X H, SUN J. Automated vehicle’s behavior decision making using deep reinforcement learning and high-fidelity simulation environment[J]. Transportation Research Part C:Emerging Technologies, 2019, 107: 155-170. doi: 10.1016/j.trc.2019.08.011 [5] GALCERAN E, OLSON E, EUSTICE R M. Augmented vehicle tracking under occlusions for decision-making in autonomous driving[C]//2015 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Hamburg: IEEE, 2015: 3559-3565. [6] TIAN R, LI S S, LI N, et al. Adaptive game-theoretic decision making for autonomous vehicle control at roundabouts[C]//2018 IEEE Conference on Decision and Control （CDC）. Miami: IEEE, 2018: 321-326. [7] CHEN Z, ZHANG Y L, LV J, et al. Model for optimization of ecodriving at signalized intersections[J]. Transportation Research Record:Journal of the Transportation Research Board, 2014, 2427(1): 54-62. doi: 10.3141/2427-06 [8] RAKHA H, ZOHDY I. Optimizing driverless vehicles at intersections[C]//19th ITS World Congress. Vienna: [s.n.], 2012: 1-12. [9] 高祥. 车联网环境下信号交叉口通行方法研究[D]. 烟台: 烟台大学, 2016. [10] ASADI B, VAHIDI A. Predictive cruise control:utilizing upcoming traffic signal information for improving fuel economy and reducing trip time[J]. IEEE Transactions on Control Systems Technology, 2011, 19(3): 707-714. doi: 10.1109/TCST.2010.2047860 [11] LI Z F, ELEFTERIADOU L, RANKA S. Signal control optimization for automated vehicles at isolated signalized intersections[J]. Transportation Research Part C:Emerging Technologies, 2014, 49: 1-18. doi: 10.1016/j.trc.2014.10.001 [12] HE X Z, LIU H X, LIU X B. Optimal vehicle speed trajectory on a signalized arterial with consideration of queue[J]. Transportation Research Part C:Emerging Technologies, 2015, 61: 106-120. doi: 10.1016/j.trc.2015.11.001 [13] MAHLER G, VAHIDI A. An optimal velocity-planning scheme for vehicle energy efficiency through probabilistic prediction of traffic-signal timing[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(6): 2516-2523. doi: 10.1109/TITS.2014.2319306 [14] 刘欢,杨雷,邵社刚,等. 车路协同环境下信号交叉口速度引导策略[J]. 重庆交通大学学报(自然科学版),2019,38(12): 8-17. doi: 10.3969/j.issn.1674-0696.2019.12.02LIU Huan, YANG Lei, SHAO Shegang, et al. Speed guidance strategies at signalized intersections in a vehicle infrastructure cooperative environment[J]. Journal of Chongqing Jiaotong University (Natural Science), 2019, 38(12): 8-17. doi: 10.3969/j.issn.1674-0696.2019.12.02 [15] WU G Y, BORIBOONSOMSIN K, XIA H T, et al. Supplementary benefits from partial vehicle automation in an ecoapproach and departure application at signalized intersections[J]. Transportation Research Record:Journal of the Transportation Research Board, 2014, 2424(1): 66-75. doi: 10.3141/2424-08 [16] DE NUNZIO G, DE WIT C C, MOULIN P, et al. Eco-driving in urban traffic networks using traffic signals information[J]. International Journal of Robust and Nonlinear Control, 2016, 26(6): 1307-1324. doi: 10.1002/rnc.3469 [17] PARK C, KEE S C. Implementation of autonomous driving vehicle at an intersection with traffic light recognition and vehicle controls[J]. Transactions of the Korean Society of Automotive Engineers, 2019: 542-549. [18] ZHOU Mofan, YU Yang, QU Xiaobo. Development of an efficient driving strategy for connected and automated vehicles at signalized intersections:a reinforcement learning approach[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 21(1): 433-443. doi: 10.1109/TITS.2019.2942014 [19] LIU Y T, OZGUNER U. Human driver model and driver decision making for intersection driving[C]//2007 IEEE Intelligent Vehicles Symposium. Istanbul: IEEE, 2007: 642-647. [20] 苏冲,孟祥雨,张成阳. 无人驾驶车辆路口行驶决策研究[J]. 汽车实用技术,2019(15): 29-31.SU Chong, MENG Xiangyu, ZHANG Chengyang. Research on decision making of intersection of autonomous vehicle[J]. Automobile Applied Technology, 2019(15): 29-31. [21] GADEPALLY V, KRISHNAMURTHY A, OZGUNER U. A framework for estimating driver decisions near intersections[J]. IEEE Transactions on Intelligent Transportation Systems, 2014, 15(2): 637-646. doi: 10.1109/TITS.2013.2285159 [22] DE BEAUCORPS P, STREUBEL T, VERROUST-BLONDET A, et al. Decision-making for automated vehicles at intersections adapting human-like behavior[C]//2017 IEEE Intelligent Vehicles Symposium （IV）. Los Angeles: IEEE, 2017: 212-217. [23] 杜明博. 基于人类驾驶行为的无人驾驶车辆行为决策与运动规划方法研究[D]. 合肥: 中国科学技术大学, 2016. [24] DE CAMPOS G R, FALCONE P, SJÖBERG J. Autonomous cooperative driving: a velocity-based negotiation approach for intersection crossing[C]//16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). The Hague: IEEE, 2013: 1456-1461. [25] ALONSO J, MILANÉS V, PÉREZ J, et al. Autonomous vehicle control systems for safe crossroads[J]. Transportation Research Part C:Emerging Technologies, 2011, 19(6): 1095-1110. doi: 10.1016/j.trc.2011.06.002 [26] 宋威龙,熊光明,王诗源,等. 基于驾驶员类型分析的智能车辆交叉口行为决策[J]. 北京理工大学学报,2016,36(9): 917-922.SONG Weilong, XIONG Guangming, WANG Shiyuan, et al. Decision making for intelligent vehicles based on driver type analyzing in an intersection[J]. Transactions of Beijing Institute of Technology, 2016, 36(9): 917-922. [27] MAKAREM L, GILLET D. Model predictive coordination of autonomous vehicles crossing intersections[C]//16th International IEEE Conference on Intelligent Transportation Systems (ITSC 2013). Hague: IEEE, 2013: 1799-1804. [28] BEST A, NARANG S, BARBER D, et al. AutonoVi: Autonomous vehicle planning with dynamic maneuvers and traffic constraints[C]//2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS). Vancouver: IEEE, 2017: 2629-2636. [29] LIU C, LEE S, VARNHAGEN S, et al. Path planning for autonomous vehicles using model predictive control[C]//2017 IEEE Intelligent Vehicles Symposium （IV）. Los Angeles: IEEE, 2017: 174-179. [30] YANG D, JIN P, PU Y, et al. Safe distance car-following model including backward-looking and its stability analysis[J]. The European Physical Journal B, 2013, 86(3): 92. doi: 10.1140/epjb/e2012-30688-6 [31] YANG D, ZHENG S Y, WEN C, et al. A dynamic lane-changing trajectory planning model for automated vehicles[J]. Transportation Research Part C:Emerging Technologies, 2018, 95: 228-247. doi: 10.1016/j.trc.2018.06.007 期刊类型引用(8)
1. 王运玲，张孝友. 智能车联网下车辆换道安全距离预警仿真. 计算机仿真. 2024(05): 163-167 . 
百度学术2. 戴守晨，曲大义，孟奕名，杨玉凤，王其坤. 交通流频变路段智能网联车辆换道演化博弈机制. 复杂系统与复杂性科学. 2024(03): 128-135+153 . 百度学术3. 马宁，胡亚平. 无人驾驶车辆巷道十字交叉点智能决策系统研究. 矿业研究与开发. 2023(03): 179-184 . 百度学术4. 戴守晨，曲大义，王其坤，孟奕名，杨玉凤. 信号交叉口上游路段网联车换道博弈特性及模型. 科学技术与工程. 2023(10): 4408-4416 . 百度学术5. 赵晋芳，赵晋利，李权，李德旭. 基于机器视觉的交叉口特种车辆快速通行技术研究. 计算机测量与控制. 2023(10): 240-246+254 . 百度学术6. 米日扎提·艾克拜尔，王琪，李兴佳，魏遥，潘玉叶，陈绍元. 冰雪条件下面向网联混行交通流的交叉口配时优化. 黑龙江交通科技. 2023(12): 119-125 . 百度学术7. 王法龙，温长青，殷金泽，李佳. 智能网联客车电子电气架构设计. 商用汽车. 2023(06): 82-86 . 百度学术8. 张懿木，于琛. 智能网联汽车公交服务场景示范运营探索——以上海临港新片区环滴水湖未来交通生态圈智能网联项目为例. 交通与港航. 2022(06): 35-41 . 百度学术其他类型引用(8)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 340
- HTML全文浏览量: 293
- PDF下载量: 28
- 被引次数: 16