【智能车辆通过交叉口的控制算法的SUMO仿真分析案例4300字】

智能车辆通过交叉口的控制算法的SUMO仿真分析案例目录TOC\o"1-3"\h\u8184智能车辆通过交叉口的控制算法的SUMO仿真分析案例 -1-131301.1仿真平台搭建 -1-2151.1.1路网搭建 -2-58451.1.2车流搭建 -3-228761.2仿真实验一：各车道流量均衡 -4-171411.2.1仿真流程 -4-303451.2.2数据分析 -4-160951.2.3小结 -8-245991.3仿真实验二：各入口流量不均衡 -8-254591.3.1仿真流程 -8-254131.3.2数据分析 -9-187621.3.3本节小结 -11-74831.4小结 -11-仿真平台搭建SUMO（SimulationofUrbanMobility）ADDINZOTERO_ITEMCSL_CITATION{"citationID":"EQFF4YWo","properties":{"formattedCitation":"\\super[38]\\nosupersub{}","plainCitation":"[38]","noteIndex":0},"citationItems":[{"id":160,"uris":["/users/local/qy0YDVAZ/items/RTNFDCFF"],"uri":["/users/local/qy0YDVAZ/items/RTNFDCFF"],"itemData":{"id":160,"type":"paper-conference","abstract":"Microscopictrafficsimulationisaninvaluabletoolfortrafficresearch.Inrecentyears,boththescopeofresearchandthecapabilitiesofthetoolshavebeenextendedconsiderably.Thisarticlepresentsthelatestdevelopmentsconcerningintermodaltrafficsolutions,simulatorcouplingandmodeldevelopmentandvalidationontheexampleoftheopensourcetrafficsimulatorSUMO.","container-title":"2019IEEEIntelligentTransportationSystemsConference(ITSC)","event":"The21stIEEEInternationalConferenceonIntelligentTransportationSystems","event-place":"Maui,USA","language":"de","page":"2575-2582","publisher":"IEEE","publisher-place":"Maui,USA","source":"elib.dlr.de","title":"MicroscopicTrafficSimulationusingSUMO","URL":"/","author":[{"family":"AlvarezLopez","given":"Pablo"},{"family":"Behrisch","given":"Michael"},{"family":"Bieker-Walz","given":"Laura"},{"family":"Erdmann","given":"Jakob"},{"family":"Flötteröd","given":"Yun-Pang"},{"family":"Hilbrich","given":"Robert"},{"family":"Lücken","given":"Leonhard"},{"family":"Rummel","given":"Johannes"},{"family":"Wagner","given":"Peter"},{"family":"Wießner","given":"Evamarie"}],"accessed":{"date-parts":[["2021",4,30]]},"issued":{"date-parts":[["2018",11,7]]}}}],"schema":"/citation-style-language/schema/raw/master/csl-citation.json"}[38]主要由德国航空航天中心的交通系统研究所研发，它是一个开源、微观且连续的交通仿真软件。由于其具备微观特性，可以针对每一辆车进行单独的控制，支持动态路由和单车路由，同时自带跟驰模型和换道模型，如IDM、ACC、CACC跟驰模型。因此非常适合交通控制模型的开发。为了在SUMO中实现异构交通环境下CAV车辆交叉口协同控制的仿真，需要完成交叉口路网的搭建、车流信息的搭建和车辆控制算法的实现三个步骤。路网搭建由对行车道路的描述文件——路网文件（net.xml）完成，本文中主要需要搭建符合第二章设定的十字形交叉口即双向六车道的十字形交叉口；车流搭建由车流文件（rou.xml）完成，在本文中，rou.xml需要定义车辆的种类、速度、加速度、减速度、颜色、所选用的跟随模型等参数；控制算法的实现则需要用到SUMO-PYTHON的API接口Traci，通过编写相关代码实现对交叉口车辆的车路协同控制。最后在sumo.cfg配置文件中加入路网文件net.xml和车流文件rou.xml，即可完成本文所需要的十字形交叉口的搭建。整体仿真平台框架如图4-1。图4-SEQ图4-\*ARABIC1SUMO仿真平台总体框架图路网搭建结合十字形交叉口的特点和第一章的假设，我们设置为双向六车道的十字形交叉口，其参数如下：每条道路的起始端到交叉口的停车线的距离均为500米；交叉口的停车线到交叉口的中心的距离均为15米；我们假定交叉口控制中心位于交叉口的中心，并且控制中心覆盖的长度为200米范围；道路限速为60Km/h，即设定交叉口信号灯的直行相位绿灯时长为20s，左转相位绿灯时长为10s。黄灯时长为3s。在netedit中生成的交叉口路网如图4-2所示。图4-SEQ图4-\*ARABIC2仿真所需的交叉口路网示意图车流搭建为了完成异构交通环境下智能车辆交叉口仿真，需要搭建包含有智能网联车辆和人工驾驶车辆的异构交通体。在rou.xml中搭建车流，需要确定车辆类型、所采用的跟驰模型等参数。在本文中，智能网联车辆和人工驾驶车辆均被设定为小轿车，其车长为4米，最大加速度为5m/s2，最大减速度为10m图4-SEQ图4-\*ARABIC3车辆模型示意图仿真实验一：各车道流量均衡仿真实验一主要考虑交叉口各个车道的车流量均衡，通过改变CAV车辆的渗透率验证本文提出的算法的可行性及效果。CAV车辆渗透率指的是CAV车辆在异构交通流中的占比，当CAV车辆的渗透率为0时，此时我们可以认为道路交通环境是纯人工智能车辆在行驶，当CAV车辆的渗透率为100%时，此时我们可以认为道路中只存在智能网联车辆。仿真流程在SUMO仿真控制客户端设定各个车道的车流量均衡，生成车辆的频率为0.1Veh/s。分别选择CAV渗透率为0、10%、20%、30%、40%、50%、60%、70%、80%、90%和100%进行仿真实验。重新选择车流生成概率为0.2Veh/s，CAV渗透率为0、10%、20%、30%、40%、50%、60%、70%、80%、90%和100%进行仿真实验。对（1）（2）步骤中所获得的车流文件进行数据处理和分析。数据分析本文主要通过分析交叉口的车辆的平均行程延误时间d和平均车速v来评估交叉口通行策略的效果。关于平均行程延误时间d和平均行程车速v的计算如下：d(4-SEQ(3-\*ARABIC19)其中，i指每辆车的序号，i∈{1,2,…,N}；d指每辆车的平均行程延误时间；v指每辆车的平均行程车速；N指仿真时间内通过交叉口的车辆的数量。当车流生成密度为0.1Veh/s时，平均行程延误时间和平均行程车速如表4-1。表4-SEQ表4-\*ARABIC1车流生成密度为0.1Veh/s时相关仿真参数CAV渗透率平均行程延误时间(s)平均行程车速(m/s)CAV平均行程延误时间(s)CAV平均行程车速(m/s)HDV平均行程延误时间(s)HDV平均行程车速(m/s)021.2412.65//21.2412.6510%17.4913.214.6415.5219.1612.9120%15.8013.514.2215.5819.5712.8330%14.0813.764.7615.3519.1912.8940%12.1014.163.6115.6520.0212.7750%10.7114.412.4315.7519.7312.9560%11.1714.383.9115.6022.4212.5170%10.0414.372.7215.5022.5312.4680%6.2415.221.9915.9522.1212.5090%4.1215.711.4116.1621.9912.74100%1.4116.151.4116.15//从表4-1中可以看出，随着CAV渗透率的增加，总体来看，异构交通流的平均行程延误时间有所降低，平均行程车速有所增加。与CAV渗透率为0（完全人工驾驶车辆交通流）相比，当CAV渗透率达到100%时（完全智能网联车辆交通流），平均行程延误时间由21.24s下降至1.41s，降低了93.36%，平均行程速度由12.65m/s提高至16.15m/s，升高了27.67%。由此可以体现本文所提出的控制算法对交通流有着正向的积极作用。为更好地分析CAV车辆和HDV车辆受CAV渗透率的影响，根据表4-1的结果，给出平均行程延误时间和平均行程速度随CAV渗透率变化的影响曲线，如图4-4和4-5。图4-SEQ图4-\*ARABIC4平均行程延误时间受CAV渗透率的影响曲线图4-4直观表明了随着CAV渗透率的提高，异构交通流的平均行程延误时间有大幅的缩减。具体到车辆来看，HDV车辆的平均行程延误时间和CAV车辆的平均行程延误时间变化均不大，但由于CAV车辆的平均行程延误时间一直处于一个较低的水平，随着CAV车辆渗透率的提高，也就促进了异构交通流的平均行程延误时间的降低。HDV车辆的平均行程延误时间在CAV渗透率达到60%时有所增长，主要是考虑到CAV车辆的增加可能会导致HDV车辆在交叉口的路权优先级降低，等待时间增加。图4-SEQ图4-\*ARABIC5平均行程车速受CAV渗透率的影响曲线图4-5直观表明了随着CAV渗透率的提高，异构交通流的平均行程车速有大幅的提高。具体到车辆来看，CAV车辆的平均行程车速稳中有升，当CAV渗透率达到80%时，提升较大，主要是由于HDV车辆的渗透率处于较低的水平时，交叉口信号灯的相位对交通流的影响降低，车辆的等待时间也降低。HDV车辆的平均行程车速基本上没有变化。当车流生成密度为0.2Veh/s时，平均行程延误时间和平均行程车速如表4-2。表4-SEQ表4-\*ARABIC2车流生成密度为0.2Veh/s时相关仿真参数CAV渗透率平均行程延误时间(s)平均行程车速(m/s)CAV平均行程延误时间(s)CAV平均行程车速(m/s)HDV平均行程延误时间(s)HDV平均行程车速(m/s)020.7312.71//20.7312.7110%17.8413.145.1115.4119.1812.9020%18.2113.115.9015.1920.4612.7330%16.0013.445.9815.0820.1712.7640%13.7213.755.3214.9618.5713.0550%12.3013.894.3314.9620.5712.7860%11.6914.044.2915.1220.3612.3770%8.8614.313.7614.9018.2113.2380%5.6914.902.2415.4519.2912.7590%3.2615.491.7115.7318.9013.49100%1.4516.071.4516.07//从表4-2中可以看出，与车流生成密度为0.1Veh/s时一样，随着CAV渗透率的增加，总体来看，异构交通流的平均行程延误时间有所降低，平均行程车速有所增加。与CAV渗透率为0（完全人工驾驶车辆交通流）相比，当CAV渗透率达到100%时（完全智能网联车辆交通流），平均行程延误时间由20.73s下降至1.45s，降低了93%，平均行程速度由12.71m/s提高至16.07m/s，升高了26.44%。可见车流密度的提高对整体异构交通流的影响不大，整体指标与车流生成密度为0.1Veh/s时基本保持一致。为更好地分析CAV车辆和HDV车辆受CAV渗透率的影响，根据表4-2的结果，给出当车流生成密度为0.2Veh/s时平均行程延误时间和平均行程速度随CAV渗透率变化的影响曲线，如图4-6和4-7。图4-SEQ图4-\*ARABIC6平均行程延误时间受CAV渗透率的影响曲线图4-4直观表明了随着CAV渗透率的提高，异构交通流的平均行程延误时间有大幅的缩减。与车流生成密度为0.1Veh/s时对比，总体趋势相同。图4-SEQ图4-\*ARABIC7平均行程车速受CAV渗透率的影响曲线图4-5直观表明了随着CAV渗透率的提高，异构交通流的平均行程车速有大幅的提高。与车流生成密度为0.1Veh/s时对比，总体趋势相同。但具体到不同车辆，其平均行程速度的变化幅度比车流生成密度为0.1Veh/s时更大，这可能与交通流密度的增加导致的通行环境更复杂有关。小结在本节中，仿真验证了交通流车流生成密度分别为0.1Veh/s和0.2Veh/s时，CAV车辆渗透率的改变对异构交通流的影响。根据仿真结果可知本文所提出的交叉口通行策略可以有效提升异构交通流的通行效率，且随着CAV车辆渗透率的提高，对交叉口通行效率的提升越明显。仿真实验二：各入口流量不均衡在上述仿真中，所有方向的交通流密度几乎都相同。但在实际道路交通环境中，交叉口在不同方向的交通流密度往往是不平衡的。在本节中，我们就各入口流量不均衡时的场景进行仿真，验证在这种情况下本文提出的控制算法是否仍具备效果。仿真流程在SUMO仿真控制客户端设定来自南北方向的车流密度远高于来自东西方向的车流密度，来自南北方向生成车辆的频率为0.2Veh/s，来自东西方向生成车辆的频率为0.1Veh/s，分别选择CAV渗透率为0、10%、20%、30%、40%、50%、60%、70%、80%、90%和100%进行仿真实验。将仿真所得数据与上一节中实验仿真数据对比，仿真分析各入口车流密度的不同对控制算法的影响。数据分析仿真所得平均行程时间和平均行程车速如表4-3所示。表4-SEQ表4-\*ARABIC3各入口不同交通流量下的仿真参数CAV渗透率平均行程延误时间(s)平均行程车速(m/s)南北平均行程延误时间(s)南北平均行程车速(m/s)东西平均行程延误时间(s)东西平均行程车速(m/s)017.1113.2217.1813.2116.9113.2410%17.0013.3117.0113.2515.8213.3420%16.8913.4016.8713.2613.6113.9130%15.2813.4716.0413.3913.9513.7840%13.0813.8113.4413.8512.4313.7350%12.6513.7712.0913.8213.5613.6860%10.9114.1312.3713.947.4314.5970%6.9114.918.9114.593.4315.4780%5.7315.306.6015.213.7515.5290%4.0615.562.8715.732.9215.32100%1.4416.091.4316.131.4816.02由表4-3可以看出，当交叉口入口处交通流量存在差异时，本文所提出的控制算法仍能显著提升异构交通流下的道路通行效率，其中，以CAV渗透率从0到100%为例，平均行程延误时间减少了91.58%，平均行程车速提高了21.7%。为了更好地比较控制效果，我们以CAV车辆渗透率为0即道路交通