融合多源信息的元胞自动机交通流模型

黄 晨, 屠 媛, 王 予, 孙晓强

(江苏大学 汽车与交通工程学院, 江苏 镇江 212013)

随着通信与汽车产业的技术融合,现代汽车逐步从智能汽车发展至智能网联汽车.与传统汽车相比,智能网联汽车凭借先进的传感器以及通信技术可以突破视觉局限以及跨越远距离,不受天气状况影响,能够获取其他车辆以及交通设施的信息,并实现车与车、车与人、车与设施之间的互联互信,可以有效提高交通效率,因此广泛运用于自动驾驶领域.多源信息融合是指将多种传感器收集的数据统一处理成量纲一致数据的方法,有利于自动驾驶技术的发展;其中数据处理即信息融合,根据层级设置,融合水平由低到高、由浅及深.为此,国内外研究人员进行了大量研究,B. STEUX等[1]提出一种低层次融合方法,基于雷达以及单目视觉数据,利用雷达信号以及图像处理算法推断汽车的真实位置,试验表明算法在多种工况下有效.U. HOFMANN等[2]提出一种高层次的融合方法,设计了一种适用于高速公路的混合式ACC系统,同时结合摄像头进行车辆识别,新系统可以更高精度地获取目标位置.R. MÖBUS等[3]融合雷达与红外技术使用交互性滤波器追踪对象,在此基础上凭借PDA(probabilistic data association)方法进行数据处理.同时,元胞自动机理论因其时间、空间皆离散的特点,十分适用于涉及多种因素如车辆、行人、道路条件的交通系统.因此,为了模拟未来自动驾驶车辆在道路上的交通状况,许多学者将元胞自动机理论与智能网联汽车紧密结合.其中,HE Y. H.等[4]提出一种协作式的双车道双向模型,利用智能车辆的协同系统结合元胞自动机,获取周边车辆的速度以及车头时距,同时通过V2V以及V2I技术与其他车辆和周边基础设施进行信息交互,从而制定出新的换道以及速度更新等规则,研究表明,该方法可以使得车辆达到最大的平均速度.杨巧丽[5]以三车道作为研究对象,基于智能网联技术以及元胞自动机理论,建立了考虑协同驾驶的三车道交通流模型. S.M.DARWISH[6]基于扩展的FCA模型,利用模糊元胞自动机理论,控制车辆动态轨迹的敏感性,采用视觉测量的遮挡处理,依据遮挡类别分割出车辆,研究表明,该方法较于传统技术能够更加准确地进行车辆跟踪.QIU X. P.等[7]基于NASH模型,搭建了基于Gipps安全距离规则的自动驾驶元胞自动机模型.以上研究表明,基于智能网联车辆的元胞自动机交通流模型能够有效提高交通效率.尽管如此,在较复杂的天气或者环境条件下,智能网联车辆仅凭借通信以及传感系统,车辆易发生交通事故.

针对以上问题,文中首先提出一种云端环境下多源信息流收集与高精地图数据融合方法,可以降低智能网联车辆模型和传感器匹配的冗余度,通过动态更新高精地图,为自动驾驶提供更加精确的路径规划,以有效避免交通事故;其次以多源信息模型为基础,利用元胞自动机搭建双车道道路模型,从安全距离模型、跟驰模型、换道规则等方面进行优化;最后利用MATLAB进行模拟仿真,分别采用平均车速、道路密度、时空轨迹图等交通指标说明融合多源信息元胞自动机交通流模型的优越性.

1 云端环境下多源信息流收集与高精地图数据融合方法

图1给出了多源信息模型框架.

图1 多源信息模型框架

由图1可见,多源信息收集模型主要由云端系统、智能网联车辆以及高精度地图组成[8].其中云端系统是实现车路云标准通信以及实时计算,促使数据融合以达到智能网联车辆与智慧交通协同应用的平台[9];智能网联车辆借助先进传感器收集环境数据,并利用V2X技术与其他车辆进行信息交换,同时利用路侧基础设施将收集的信息传输至云端系统,进行数据传输和计算,从而实现数据在车路云端之间互联互信,目的是使车辆进行更好的决策与控制,从而改善交通效率;而高精地图区别于一般的导航地图,不仅有高精度的坐标,同时还有准确的道路形状,并且包含每个车道的坡度、曲率、航向、高程、侧倾的数据,是面向自动驾驶而采用的地图,不仅可以实现智能车辆的准确定位,同时能够为自动驾驶环境提供车道级别的信息,从而为智能网联车辆实现厘米级的路径规划[10].

多源信息模型的具体方案如下: ① 利用车辆自身感知系统配合高精地图生成初始化模型(道路信息模型和车辆信息模型,如图2、3所示),其中,道路信息模型包含车道模型、道路部件(交通标志)以及其他定位图层;车辆信息模型包含道路横坡、道路曲率、道路航向、GPS坐标; ② 云端系统向覆盖范围内的车辆发送传感任务,接受任务的车辆凭借V2X技术与其他车辆交换信息,同时利用路侧基础设施将收集的信息传输至系统,云端系统利用神经网络对云端信息与初始化模型进行数据融合,最后将统一量纲的数据传输至高精地图系统以达到动态更新高精地图的目的.该模型的目的是提高传感器与智能网联车辆的耦合度,为自动驾驶环境提供车道级别的信息,从而实现厘米级的路径规划,避免交通事故发生.

图2 道路信息模型

图3 车辆信息模型

1.1 多源信息数据融合方法

图4为多源信息数据融合方案.

图4 多源信息数据融合方案

1.1.1神经网络的基本原理

文中选择BP神经网络进行数据处理,该方法利用梯度搜索技术将数据经输入层传输至隐含层进行计算,然后发送至输出层判断输出值与期望值之间的偏差,如果偏差符合预期值,则停止运算[11-12].反之,则将计算偏差反向传输,并通过神经元节点调整权重,最终输出符合要求的结果.各神经元的计算式为

(1)

hi=1/(1+e-ui),

(2)

δi=(ci-hi)hi(1-hi),

(3)

1.1.2数据融合方法

首先进行数据采集,收集多源信息流发送至云端系统进行数据融合,包括各种车载传感器信息(毫米波雷达、摄像头、激光雷达、超声波传感器、导航定位、V2X模块、GPS),以及车辆通过自身感知系统配合高精地图生成的初始化信息等.然后进行数据预处理,为了降低数据融合的处理负荷,对数据进行误差检查、噪声去除、格式审核,可以有效提高计算效率[13].接着进行特征提取,根据数据的类型进行降维分类,可以进一步减少数据量.然后为了方便数据融合,需要对数据进行量纲一化处理,通过统一各传感器的数据量纲,使所有数据拥有相同的数量级.此处采用Max-min标准化方法进行量纲一化处理:

x′=(x-xmin)/(xmax-xmin),

(4)

式中:x为原始值;x′为转换后的标准值;xmin和xmax分别为x的最小值和最大值.接着训练数据,将量纲一化的数据整理成样本,从中选择6 000个样本训练神经网络,以获取符合预期值和偏差的特征函数.然后将剩下的样本输入到训练好的神经网络中,进行最终测试并获取预测数据结果.

1.2 多源信息收集与高精地图相似融合

多源信息收集和高精地图相似融合的过程如图5所示.

图5 多源信息收集与高精地图相似融合过程

相似融合方案具体步骤如下:

1) 对某区域信息感兴趣的车辆称为请求车辆,该车辆向云端系统提交感知任务,系统接受任务后,云端通过基站向覆盖范围内的参与传感任务车辆Vi发布传感任务:Con‖N‖Tmin,式中:Con为任务内容;N为任务编号;Tmin为最低信任值.

2) 车辆Vi接收传感任务后,车辆通过比较最低信任值以决定是否参加传感任务,参加任务的车辆则设定F值为1:如果Ti>Tmin,F=1,式中:Ti为信任值;F表示是否参与任务.

3) 车辆获取信息E(ui)后,将(N‖F‖E(ui))发送至基站,由基站再传输至云端系统.

4) 令td为当前时间,tφ为任务限定时间,系统比较td与tφ,如果td

(5)

否则,丢弃该消息.

5) 单车数据融合完成后,系统融合所有车辆数据,此处假设车辆总数为s,因此有s个融合结果,表达式为

(6)

6) 云端系统将最终的数据融合结果E(ut)发送至高精地图,高精地图根据信息系统自动更新,并将地图信息发送至请求信息车辆Vq,请求车辆获取数据后,该车辆处理信息并自动规划路线.

2 多源信息模型下的双车道元胞自动机建模

区别于人工驾驶,融合多源信息可以有效改善元胞规则,包括安全距离、跟驰规则、换道规则、随机慢化概率等.根据元胞自动机的特点[14-16],将双车道划分为两条分别由N个元胞组成的离散元胞矩阵,如图6所示.道路上行驶的车辆均为同种类型的智能网联车辆,行驶方向分为左右,每个方格表示1个元胞,最多占据1辆汽车.

图6 车道模型

2.1 安全距离

车辆在平直路面上行驶时,为保证安全跟车,引入安全距离.安全距离是考虑前车紧急刹车情况下保证当前车辆不与之相撞的最小行车间距,计算式为

(7)

式中:dn,safe为第n辆车的安全距离;bn和bn-1为第n辆车和第n-1辆车的最大减速度;τn为第n辆车的反应时间;vn(t)和vn-1(t)为t时刻车辆n和n-1的行驶速度.

在人工驾驶中,当前方发生紧急状况时,驾驶员受到自身经验以及生理、心理等其他不确定因素的影响,改变驾驶行为需要一定的反应时间,因此会产生车辆随机减速的现象.而对于融合多源信息的智能网联车辆而言,因研究对象为无人驾驶车辆,该反应时间主要与云端的通信技术有关,其取值远小于人工驾驶车辆,一般取值为0.同时,后方车辆通过融合多源信息可以提前获知前车下一时刻的驾驶行为,若发生紧急事故,前车会提前告知后车采取制动措施,因此前后车加减速操作较少.相应地,车与车之间的安全间距也变小,此处假设取值为0.5 m.

2.2 跟驰模型

相比较于人工驾驶的车辆, 融合多源信息的智能网联车辆之间可以进行实时通讯,进而实现驾驶行为同步改变.当车辆在跟驰阶段时,后车不仅可以通过车载感应设备实时获取前车的行驶状态,还能通过云端通信技术提前获取前车下一时刻的驾驶行为.若发生紧急事件,前车会立即将减速措施发送给后车,其他智能车辆也会一起实施制动.具体决策如下: ① 加速规则为

ifdn>dn,safeandvn(t)vn(t+1)=min(vn(t)+1,vmax),

(8)

式中:dn为当前车距;vmax为最大车速. ② 减速规则为

(9)

③ 随机慢化概率p的规则为

ifrand(1)≤p:
vn(t+1)=max(vn(t)-1,vmin),

(10)

式中:p正常取值为0.50,融合多源信息模型下取值为0.05.④ 位置更新为

(11)

式中:M、N分别为t时刻车辆所位于的车道数(行数)、纵向位置(列数);tstep为跟驰过程产生的时间步.

2.3 换道模型

文中考虑到融合多源信息下的智能网联车辆能够更加准确感知周边环境的能力,对于经典STNS模型的换道规则进行适当改进.相较于传统的人工驾驶,融合多源信息下的智能网联车辆反应更加灵敏,在STNS模型的换道动机基础上,另外要求当前车速大于前车速度和车间距.同时,安全条件更改为当前车辆与目标车道后方车辆之间的距离大于max(dn,safe,vmax).修改后的模型规则如下:

1) 换道条件为

(12)

式中:vnfro(t)为t时刻车辆前车的车速;dnrightfro(t)、dnrightbac(t)分别为t时刻车辆与右前方车辆、右后方车辆距离.

2) 位置更新为

(13)

3) 速度更新为

vn(t+1)=vn(t).

(14)

修改模型规则后,左车道换道模型如图7所示.

图7 左车道示意图

3 数值模拟及仿真

3.1 仿真环境配置

1) 使用MATLAB对模型进行仿真,仿真试验开始前,采用随机原则分别在两车道不同位置放置车辆,同时放置的车辆按照随机产生的车速开始行驶.

2) 以单一出入口的双车道平直道路作为仿真场景,以NASCH模型为基础,采用开口式边界,当头车车辆的位置大于道路长度,那么该车则以概率β驶出路段,而紧跟其后的第2辆车成为新的头车.

3) 车辆的类型均为融合多源信息的智能网联车辆,通过改变不同参数与传统人工驾驶进行对比仿真,依据不同评价指标进行分析.

3.2 仿真结果分析

3.2.1道路通行能力

道路通行能力的指标为最大交通流量,图8为道路通行能力图.

图8 道路通行能力

由图8可见,融合多源信息驾驶模型的最大交通流量约为700辆/km,而人工驾驶模型的最大交通流量为550辆/km,由此可知融合多源信息驾驶模型相较于人工驾驶模型道路通行率提高了27%.

3.2.2道路密度-平均速度

道路密度是交通流中重要的评价指标,道路密度表示道路范围内一条车道中某一时刻每km存在的车辆数,可以通过道路密度与量纲一化平均速度的关系得出当前道路条件下的最佳通行车辆数目,有利于降低道路堵塞.图9为道路密度-量纲一化平均速度对比图.

图9 道路密度-平均速度对比图

由图9可见,人工驾驶模型道路密度达到100辆/km时,平均速度最大,之后随道路密度增加急剧减小;而融合多源信息驾驶模型道路密度达到130辆/km时,平均速度最大,之后随道路密度增加缓慢下降,稳定性更佳;同时,由图可知,融合多源信息驾驶模型的平均速度均大于人工驾驶模型.

3.2.3流量密度图

图10为流量密度对比图.

图10 流量密度对比图

由图10可见,人工驾驶模型在道路密度达到130辆/km时,交通流量达到最大,约为1 000辆;而融合多源信息驾驶模型在道路密度为180辆/km时,交通流量达到最大,约为1 100辆.

3.2.4时空轨迹图

时空轨迹图又称为时空斑图,如图11所示,横坐标表示仿真时间,纵坐标表示量纲一化车辆坐标,图中的每个点对应于单个小车,图中的每条线表示了车辆轨迹.

图11 时空轨迹对比图

由图11可见,人工驾驶模型的拥堵率大于融合多源信息驾驶模型,拥堵时间更长,表明融合多源信息驾驶模型较人工驾驶模型能在较短时间内达到稳定状态.

4 结 论

文中以多源信息收集模型为基础,搭建双车道交通流元胞自动机模型,通过神经网络进行数据融合以实现动态更新地图,达到了以下效果:

1) 融合多源信息驾驶模型的最大交通流量约为700辆/km,而人工驾驶模型的最大交通流量为550辆/km,道路通行率提高了27%.

2) 人工驾驶模型在道路密度达到130辆/km时,交通流量达到最大,约为1 000辆;而融合多源信息驾驶模型在道路密度为180辆/km时,交通流量达到最大,约为1 100辆.

3) 融合多源信息驾驶模型的拥堵率小于人工驾驶模型,拥堵时间更短,能在较短时间内达到稳定状态.