排的风险建模和量化混合交通基于模型质-弹

文摘

连接和自动车辆(CAV)技术有很大的潜力来改善道路安全。然而,一种新兴的混合交通流与人为车辆(丁肝病毒)和骑士在最近几年也出现了。提高整体安全的混合交通流,提出了一种新颖的车辆模型来控制上述两种类型的车辆的驾驶行为在一排从机械系统的角度来看,(MSD)质-弹系统。此外,提出了一种定量指数通过将心理场理论纳入MSD模型。错误车辆间距和速度的过程可以表示为虚拟总能量的积累,和能量的大小是用来反映车辆的危险程度的混排。同时,最低总能量的优化模型的约束下解决车辆动力学和质谱系统的力学特性,以及最优解作为默沙东-车辆的参数模型。最后,混合组成的排3骑士和2丁肝病毒没有执行换道测试使用driver-in-the-loop测试平台。测试结果表明,在混合的队伍中,骑士可以优化车辆间间距的调整,制动距离的充分利用,也为司机提供足够的反应时间丁肝病毒能够避免追尾事故。此外,在早期阶段的紧急制动,间距误差是影响车辆行为的主导因素,但后期的紧急制动,车辆的速度误差成为决定性因素的行为。这些结果表明,该车辆模型和定量指标具有重要意义提高混合交通流的整体安全骑士和丁肝病毒。

1。介绍

由于缓慢扩张的道路网络,流量振荡,在道路交通和交通事故频繁发生。新兴的连接和自动车辆技术,然而,提供巨大的潜力提高交通运营和改善巷道在现有道路基础设施能力,这有助于使交通流量更稳定,更高效,更安全。这是因为骑士能够实时地与他人分享驾驶信息,使骑士的运动更多的合作1]。车辆连站是一个典型的应用程序域。因此,它取得了广泛的研究兴趣和各种各样的研究表明连骑士可以很大程度上改善交通安全(2- - - - - -5)和能源效率(6]。值得注意的是,大多数研究侧重于纯排的骑士,但骑士和丁肝病毒将在不远的将来[共存7- - - - - -10]。因此,最可能的车辆排的形成将是一个混合的骑士和丁肝病毒。这个复杂的交通环境会给交通流建模带来巨大挑战,控制和管理在考虑人类的随机驱动特点和骑士之间的相互作用的不确定性和丁肝病毒。因此,如何使这两种类型的车辆运营协调是提高交通安全的关键。

混合交通流建模是一种可行的方法来解决这个问题。许多学者进行了深入研究车辆排的车辆模型,它主要分为以下几类:刺激反应模型(11),安全距离模型(12),心理模型(13),人工智能模型(14),最优速度模型(15)、智能驱动模式16),和元胞自动机模型(17]。这些车辆模型的优点是交通领域的广泛认可。最近,一些研究人员提出车辆模型结合两种不同的模型来捕获骑士的驾驶行为和丁肝病毒,分别。例如,锣等。8)提出了一个合作控制方法混排,确保排的稳定性和安全性。此外,骑士和丁肝病毒采用MPC模型和纽厄尔模型,分别。结果表明,这部小说排控制方法可以抑制流量振荡的交通流更有效地传播和稳定整个混排。朱et al。9)提出了一个新颖的车辆模型与可调灵敏度和平滑因子的混合交通流。丁肝病毒的车辆模型,选择最优速度模型(OVM技术),而骑士的车辆模型减少了敏感性因素OVM技术的基础上。数值模拟结果表明,该模型能够稳定混合交通流和抑制交通堵塞。赵et al。18)提出了一个合作环保驾驶模型混排,在丁肝病毒被OVM技术建模和骑士由MPC控制模型。这对整个交通模型达到更好的性能。在这些上述研究,丁肝病毒和骑士使用不同车辆模型在混合交通环境下,他们取得了好成绩在提高混合交通效率和安全在一定程度上。然而,随机车辆性能和驾驶行为的骑士和丁肝病毒并不认为,使用两个模型将使控制系统更加复杂。此外,它是不协调的综合排系统使用两种不同的模型来捕获的运动车辆的混排。

此外,考虑到加速或减速行为在交通流之间的相似性和春天的扩展属性19),一些学者交通流建模从机械的角度系统质量弹簧系统(MS)。例如,王et al。20.)建立了车辆模型,关于阻止(减速)过程和启动(加速度)过程弹簧系统。与传统的刺激反应车辆模型相比,该模型可以更好地解释交通流现象和司机的行为。在实际车辆过程中,两个相邻车辆的相对间距和速度是两个重要的指标。因此,一些学者运用MSD理论来描述车辆之间的相互作用在一个排21- - - - - -23],MSD模型能够提高交通安全、增加道路容量。然而,所有提出的MSD模型只适用于排,完全是由丁肝病毒或骑士。因为默沙东公司系统自然稳定特点,广泛用于表示交互与不确定的环境(24),我们提出一个新颖的车辆模型混合排在同样的简化框架基于虚拟MSD理论,它有一个很大的优势在传统排模型稳定性分析和稳定运行。与之前的模型、丁肝病毒和骑士都分享相同的框架模型,它需要间距误差和速度误差考虑在内,可以更准确地描述骑士的车辆行为和丁肝病毒。

交通流的另一个问题是如何量化风险水平在车辆过程中,对驾驶行为产生重大影响。k·沃格尔(25)与两个安全指标相比,“时间进展(TH)”和“时间碰撞(TTC)”在不同的交通情况。然而,当后车的速度接近或等于前面的车辆,TTC急剧变化;在前面的车辆的速度变化相对较大,会低估车辆过程的危险。换句话说,它是不够的TTC和TH量化风险水平的车辆。陆et al。26]提出安全裕度(SM)作为一个合适的量化指数基于风险的风险感知体内平衡理论。TTC和TH相比,SM更适当量化车辆过程中风险的水平。灵感来源于它,在这个手稿,结合心理场理论,我们利用虚拟总能量的大小作为定量指标的危险车辆过程基于MSD车辆模型。

本文的其余部分组织如下:部分2介绍了建模、民规则和间距混合车辆排的政策。部分3提出了一种新颖的车辆模型的混合排从机械的角度系统,和字符串混排的稳定性分析是基于质谱模型。节4,提出了虚拟总能量作为定量指数基于心理场理论和MSD模型来反映车辆过程中车辆的危险水平。最低总能量的优化模型的约束下解决车辆动力学和质谱系统的力学特性5。节6,混合测试排driver-in-the-loop测试平台来验证提出MSD车辆模型的有效性。最后,结论。

2。控制车辆排

2.1。建模的混合排

如图1组成的混排n在高速公路上汽车旅行在一个车道,其中我^th汽车是一个丁肝病毒。在这排,x_我的位置吗我^th车辆和的速度吗我^th车辆。因此,为我^th车,间隔错误可以被定义为 在哪里l表示车辆和的长度d_年代代表所需的距离我^th和我−1^th车辆。

车辆间间距误差的运动微分方程

排模型的控制目标是车辆间间距错误和任何相邻车辆的相对速度是零。

2.2。民规则

字符串稳定时应保证车辆在一个舰队。因为间距误差预计不会是零前面的车辆加速或减慢时,有必要描述沿排间距误差传播时使用相同的间距的政策。排的稳定的驾驶需要确保间距误差不会放大沿排(27]。因此,所需的传输衰减特性的间距可以被描述为错误

让G(年代)传递函数连续车辆的间距错误有关的舰队,我们获得 当

我们获得

方程(6)确保能源的输出误差小于输入的错误。然而,这种情况很难完全满足所需的间距错误的传输衰减的特征。

的∞范数的G(年代)和1-norm可以使系统的输出值与系统的输入值:

为了满足方程(3),需要满足下面的公式。

根据线性系统理论,我们获得

当>0,我们得到

因此,方程(8),满足所需的间距错误的传输衰减的特点可以取而代之的是以下两个条件: 在哪里G(年代)间距误差的传递函数连续的舰队和车辆是脉冲响应函数。

2.3。间距的政策

车辆排的间距纵向控制政策主要分为两种类型:固定间距(28)和可变间距(29日]。采用恒间距时,两个相邻车辆之间的距离在不改变排驾驶条件下,可以极大的提高交通密度。然而,采用这种间隔政策需要更复杂的通信方法,和在外部干扰或大型通信延迟,这个间距政策将严重影响排的稳定性和安全性。因此,为了确保字符串混排的稳定性,我们采用恒定的车头时距(车车)的政策。

车车政策,期望间距两连续车辆不同线性速度: 在哪里h进展和吗年代₀代表了最小安全间距。

从公式可以看出(12),当主机车辆的速度增加,对应的相邻车辆之间的距离也会增加。前面的车辆紧急刹车时,它可以为以下车辆提供足够的制动距离,以避免碰撞。

因此,间距误差可以表示为 当h= 0,车车政策将成为一个常数间距的政策。

3所示。默沙东公司车辆模型和混合排的稳定性分析

在本节中,我们建立一个排的车辆模型从机械的角度系统,系统质-弹,来描述车辆的行为。我们考虑车辆的质量和假设有弹簧和阻尼器每两相邻群众之间。在丁肝病毒的MSD模型(图2(一个)),k_t,我之间的弹簧刚度吗我−1^th车辆和我^th车辆和c_t,我之间的阻尼系数是什么我−1^th车辆和我^th车辆。同样,在MSD骑士(图模型2 (b)),k_一个,我之间的弹簧刚度吗我−1^th车辆和我^th车辆和c_一个,我之间的阻尼系数是什么我−1^th车辆和我^th车辆。当一个快速移动的骑兵/丁肝病毒正在接近一个缓慢移动的骑兵/丁肝病毒,MSD模型施加一个力快速移动的骑兵/丁肝病毒减速。相反,当以下骑兵/丁肝病毒的速度比之前的小骑兵/丁肝病毒,MSD模型将产生以下骑兵/丁肝病毒加速反应力。

为即将到来的骑士组成的混合交通流和丁肝病毒,我们扩展并系统建立混排的车辆模型。同时,为了减少模型的复杂性,以下假设:(1)车辆在直线、干燥、没有执行车道改变和平坦的道路(2)车辆重量、最大减速、气动阻力系数和滚动阻力系数是已知的

基于上述假设,一个混合的MSD车辆模型排图所示2 (c)领先的汽车和我^th车辆是骑士丁肝病毒和其他车辆。此外,k_一个,我和c_一个,我代表骑士之间的弹簧刚度和阻尼系数。此外,k_t,我和c_t,我代表之间的弹簧刚度和阻尼系数CAV和丁肝病毒,分别。

混排的运动微分方程可以表示为

因此, 在哪里米质量矩阵,K是弹簧刚度矩阵,C阻尼系数矩阵,f (t)是力矩阵,x是位移矩阵,然后呢和的一阶导数和二阶导数吗x和时间,分别为: 在哪里丁肝病毒和质量的吗是骑兵的质量。

在车辆的过程中,间距误差和速度误差是两个重要的因素一个排的稳定性分析。因此,我们引入间距误差和速度误差方程(14同时),它可以表示为 在哪里M′质量矩阵,K′是弹簧刚度矩阵,C′阻尼系数矩阵,f′(t)是力矩阵,δ是间距误差矩阵,然后呢和是速度误差矩阵和加速度误差矩阵,分别为:

混合质谱系统,最后车辆只接收单向的力量。因此,从最后一排的车,我们可以获得间距误差的传递函数:

向前走一步,我们获得

因此,为了确保驾驶稳定混排,需要满足条件如下:

4所示。风险量化

在车辆过程中,车辆的驾驶行为主要是受环境的影响。一方面,减少出行时间,主持人车辆打算加速;另一方面,与前面的车相撞的危险力量,不断调整速度,以确保安全。因此,精确和合适的风险指数车辆过程中起着重要的作用。

4.1。丁肝病毒的风险量化

驾驶行为是司机的判断的结果基于他/她的心理预期的刺激下,外部环境信息。丁肝病毒车辆的过程中有一个心理领域(30.]。当外部交通环境变化时,就会产生心理上的力量,从而调整车辆的速度和方向。描述的车辆行为丁肝病毒,在这个手稿,我们提出一个定量的指标,虚拟总能量,基于MSD车辆模型和心理场理论。我们把司机的心理状态分为三个区域,如图3。当虚拟总能量随车辆错误,司机的心理状态将在不同的区域。相应地,他们将执行不同的车辆操作,如图4。例如,当排干扰驾驶期间,如突然减速的主要工具,这将导致Δ间隔错误x和速度误差Δ以下车辆突然增加。相应地,在质谱系统,弹簧和阻尼器所产生的能量将会更大,这将产生抑郁症的司机,迫使他/她进行制动,直到他/她的心理抑郁已经消失了。领先的车辆加速时,司机的心理抑郁是完全释放,和下面的车辆也将加速,直到旅行所需的速度。理想情况下,当以下车辆旅行就像前面的车辆,司机将保持汽车的速度。因此,它适合虚拟总能量量化的车辆过程中危险的水平。

在MSD模型中,当两个相邻车辆之间的距离小于或大于所需的距离,弹簧被压缩或拉伸。根据胡克定律,一个弹簧所产生的力成正比Δ变形变量x。从工作和能量的关系,我们知道当Δ间距误差x,能量生成的春天

当后车的速度小于或大于领先的汽车,阻尼器的能源消耗

因此,在质谱系统,当排被外部环境,虚拟能源产生的我^th车辆可以表示为

同时,虚拟整个排的总能量可以表示为

4.2。风险量化骑士

骑士可以快速获得驾驶信息(速度和位置)的通信范围内其他车辆。因此,骑士可以检测异常驾驶行为排前,提前采取行动。在车辆过程中虽然没有心理领域的骑士,在质谱系统,他们仍然使用相邻车辆的间距误差和速度误差作为控制的参考指数。因此,在这个手稿,我们考虑虚拟总能量作为一个适当的风险指数,以反映排基于MSD车辆模型:

5。基于最低总能量的参数优化

在混合MSD系统,k_一个和c_一个代表之间的相对位置和相对速度的控制收益相邻的骑士;k_t和c_t代表之间的相对位置和相对速度的控制收益CAV和丁肝病毒,分别。的车辆排混合,生成的虚拟能源来自外部环境的干扰可以表示为 在哪里 和 。

它可以看到从方程(27)的值k_一个(k_t),c_一个(c_t)将直接影响能量积累的骑士和丁肝病毒在车辆过程,因此有必要优化他们的价值观得到更好的控制效果的混排。

的大小E代表相应的车辆所产生的虚拟能源错误。车辆碰撞时,我们假设E=∞,这意味着汽车的车辆达到最大的错误。车辆过程中没有发生事故,E逐渐变得越来越小,车辆的车辆也变得更小的错误。当E= 0,这意味着车辆驾驶所需的速度和车辆间间距完全和绝对安全的驾驶状态。领先的车辆进行紧急制动时,骑士在排可以获得领先的车和前面的车的驾驶信息实时通过V2X技术和立即踩下刹车。在这一点上,骑士的虚拟车辆错误产生的能量很小。然而,如果它是紧随其后的是丁肝病毒,司机需要一定的反应时间来采取相应的措施。显然,生成的虚拟能源对丁肝病毒和骑兵会相对较大,这将导致车辆不稳定,甚至有一个碰撞。理想的情况是,当骑士刹车,他们不仅会考虑自己的驾驶环境,还储备一定的制动距离的丁肝病毒。虽然这将会增加骑士的积累能量,增加制动距离可以大大提高行车安全的丁肝病毒后,也减少了能量积累。总的来说,排的总能量将减少,因为避免碰撞。因此,对于混合车辆排基于质谱系统,我们提出以最低总能量为优化目标的车辆模型:

基于截面的假设3,质量()和最大的减速d_马克斯每辆车的排是已知的。排时只考虑到春天是如图5,它的动态方程

因此,

同样的,当排只考虑阻尼的影响,我们获得

此外,对于实际控制,车辆在混合排需要考虑他们的实际表现和动态约束: 在哪里一个_我加速度的吗我^th车辆。

因此,基于最低总能量的参数优化问题可以表示为

对于上述多维约束非线性规划问题,我们在Matlab解决它。如图6红点代表弹簧刚度的最优解(k)和阻尼系数(c)。

6。Driver-in-the-Loop测试和结果分析

6.1。建立Driver-in-the-Loop平台和测试场景

的高成本和高风险的实际车辆测试,驾驶模拟器广泛用于交通安全研究和驾驶行为(31日]。driver-in-the-loop测试平台构建在这个手稿图所示7。它主要包括一个罗技G29车辆控制器(踏板,方向盘和变速杆)和两种仿真软件(预扫描和Matlab / Simulink)。预扫描提供了一组丰富的场景元素恢复高度真实的驾驶条件,和其内置的车辆动力学模型支持罗技G29实时控制车辆。此外,我们在Matlab / Simulink建立MSD车辆模型,与预扫描并进行联合仿真,验证的有效性提出了混合排MSD车辆模型。

如图8,所涉及的混合车辆排driver-in-the-loop测试包括3骑士和2丁肝病毒。第一和第四辆丁肝病毒,其余的骑士。第一丁肝病毒和第四丁肝病毒通过罗技G29由司机控制。同时,每辆车的初始速度的车辆排设置为30 m / s +±5%,而且它是由随机波动。两个连续的车辆之间的距离根据不同速度不同。在时间t= 0,人为因素导致的主要车辆执行紧急制动。

6.2。仿真参数

模拟接近真实场景,我们假定每辆车的质量和长度的混排是不同的。在车辆过程中,车辆的减速限制车辆的运动特性和道路环境。在这个手稿,所有连续的车辆在一个干燥、平坦的道路。因此,我们假设峰值附着系数是0.85,和车辆的最大减速在表中有详细描述1,其他车辆仿真参数也扩大。提高通行能力,我们设置了最小安全距离为2米。此外,的值k(k_t),c(c_t)将直接影响到车辆的行为。因此,通过调整的值k(k_t),c(c_t)在MSD车辆模型,我们可以模拟不同的司机的驾驶特点。这个手稿的具体参数如表所示2。

设置参数后,车辆测试可以通过完成循环过程如图9。

6.3。结果分析

在前一节中最优参数用于验证MSD混合模型的有效性排在driver-in-the-loop测试平台,测试结果如图10。从图可以看出10 ()当领导车辆执行紧急打破,每个车辆采取相应措施后刹车。特别是骑兵中间位置(第三个汽车)维护前车辆的减速制动的早期阶段。然而,在后期断裂(图中的红圈10 ()),第三车的减速急剧变化的前提下确保安全驾驶,这对以下丁肝病毒储备足够的时间刹车。与此同时,它可以直观地看到从图10 (b)没有所有车辆碰撞混排和车辆间间距前三骑士和他们的车辆总是合理误差范围内。骑士停止时,它们之间的最小距离是2.05米,略大于最小安全距离(年代₀= 2米)。然而,之间的最小距离第四丁肝病毒和骑兵中间位置是3.39。上述结果表明,每个骑兵的混排可以充分利用制动距离和调整每个车辆最优之间的差距,从而为丁肝病毒的司机提供足够的反应时间和制动距离,有效避免追尾事故。

根据上面的测试结果的分析,可以认为,拟议的MSD模型可以捕捉骑士与高精度的车辆行为。然而,丁肝病毒的MSD车辆模型需要进一步分析。因此,我们比较MSD模型与传统的弹簧质点模型(MS) (19)使用driver-in-the-loop测试平台。我们建立的测试场景图的一样8,所有车辆的初始条件也相同。结果如图所示11。

如图(11日)早期的刹车(0∼6.2 s),默沙东公司之间的最大速度误差模型和司机是0.30 m / s,方差是0.135米²/秒²;女士之间的最大速度误差模型和司机是0.77 m / s,方差是0.227米²/秒²。后期的制动(6.2∼15秒),默沙东公司之间的最大速度误差模型和司机是0.27 m / s,方差是0.187米²/秒²。然而,女士之间的最大速度误差模型和司机是1.02 m / s方差为0.673 m²/秒²。总的来说,两种车辆模型能够准确地描述在制动过程中司机的驾驶行为,但MSD车辆模型比女士更精确的车辆模型。这是因为女士模型只考虑排的间距错误。同样,它可以直观地看到从图11 (b)MSD车辆模型的错误的间距小于车辆跟女士的模型,所以MSD车辆模型可以准确地描述了司机的驾驶行为。

车辆过程中,虚拟能源造成的车辆混合排如图中的错误12。图12(一个)显示了虚拟的错误产生的总能量的所有车辆排间距和速度。图12 (b)和图12 (c)显示生成的能量间隔相邻车辆之间的误差和速度误差,分别。从这些数据可以看出,有67.2%的能量造成的混合排丁肝病毒(第四车),和间距的能量误差和速度误差的能量并没有同时达到高峰。速度的峰值能量误差(7878 J)是间距误差的三倍以上(2477 J)。此外,在早期阶段的紧急制动,间距误差是影响车辆行为的主导因素,但在后期的紧急制动,车辆的速度误差成为决定性因素的行为。总的来说,骑士拥有良好的车辆特征,以及它们之间的间距和速度的错误很小。然而,错误丁肝病毒和骑兵之间的间距和速度在紧急制动过程中相对较大。

7所示。结论

本文从机械系统的角度来看,一个新颖的车辆模型建立了混合排骑士和丁肝病毒基于理论质-弹。相对速度和车辆间间距都考虑在这个MSD车辆模型,可以有效地捕捉骑士的车辆行为和丁肝病毒。此外,可以描述不同车辆的驾驶特点,通过调整弹簧刚度和阻尼系数的大小。同时,本文提出了一种定量指数基于心理场理论和MSD模型,它可以显示虚拟总能量混合排的车辆造成的错误。因此,能量的大小可以用来定量地反映车辆在车辆的危险水平的过程。driver-in-the-loop测试进行验证的有效性提出MSD车辆模型,和质谱系统的关键参数是由基于最低总能量的最优解。与传统的民女士模型相比,提出的MSD模型具有更高的精度和它可以更好地描述骑士的车辆行为和丁肝病毒。与此同时,虚拟总能量是可以接受的指数来量化风险的混排。大部分的能源混合排的车辆产生的错误是由丁肝病毒引起的。紧急制动的早期阶段,间距误差的主要因素是车辆行为的决定性因素,后期的紧急制动速度是错误。 An obvious conclusion is that the proposed MSD car-following model has great potential to enhance the overall safety of the mixed traffic flow with CAVs and HDVs.

虽然MSD车辆模型可以有效地描述混合排的纵向行为交互,一些未来的研究仍然是必要的。首先,本研究只进行了driver-in-the-loop测试骑士和丁肝病毒紧急制动动作。在随后的研究中,将充分考虑更复杂的和真实的驾驶条件,和MSD车辆模型的有效性将进一步验证。第二,扩大横向驾驶行为基于质谱理论将未来的探索。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。

确认

这项工作得到了国家自然科学基金(批准号中央大学61304189),基础研究基金(批准号XDJK2019B053),和开放的基础从重庆汽车主动安全性测试技术重点实验室(批准号19 akc8)。

引用

1. x z . j .高,j . f . Wang Zhang et al .,“流量振荡缓解车辆排为连接使用一个车辆控制模型和自主车,”《先进的交通工具卷,2019篇文章ID 3067291, 12页,2019。视图:出版商的网站|谷歌学术搜索
2. 黄z d·楚,c . Wu, y,他“路径规划和合作控制自动车辆排使用混合自动机,”IEEE智能交通系统,20卷,不。3、959 - 974年,2019页。视图:出版商的网站|谷歌学术搜索
3. l·h·李,j . Gan和w·李问:“连接和自动车辆分离策略:利用红绿灯信息减少空转红灯和改善燃油经济性,”《先进的交通工具卷,2018篇文章ID 5679064, 10页,2018。视图:出版商的网站|谷歌学术搜索
4. A . Petrillo A Pescape, s . Santini”协作方法对于提高车辆的安全场景:连的情况下,“计算机通信卷,122年,页59 - 75,2018。视图:出版商的网站|谷歌学术搜索
5. j . Lioris r . Pedarsani f . y . Tascikaraoglu和p . Varaiya”排连接的车辆可以在市区道路双吞吐量,”交通研究部分C:新兴技术卷,77年,第305 - 292页,2017年。视图:出版商的网站|谷歌学术搜索
6. l . l . Zhang f . Chen x x马et al .,“燃油经济性在卡车里连:文学概述和未来的研究方向,”《先进的交通工具卷,2020篇文章ID 2604012, 10页,2020。视图:出版商的网站|谷歌学术搜索
7. d . v .马可·f·乔凡尼,p . Alberto et al .,“合作冲击波缓解在混合交通流环境下,“IEEE智能交通系统,20卷,不。12日,第4353 - 4339页,2019年。视图:谷歌学术搜索
8. 龚和l .杜”合作排控制混合交通流包括人类驾驶车辆和连接和自动车辆,”交通研究B部分:方法论卷。116年,25 - 61年,2018页。视图:出版商的网站|谷歌学术搜索
9. 朱w . x和h . m .张”与human-driving混合交通流的分析,基于车辆模型的自动汽车,”自然史答:统计力学及其应用卷,496年,第285 - 274页,2017年。视图:谷歌学术搜索
10. f·李和y王”,合作自适应巡航控制字符串稳定混合交通:基准和以人为中心的设计,“IEEE智能交通系统,18卷,不。12日,第3485 - 3473页,2017年。视图:出版商的网站|谷歌学术搜索
11. r·e·钱德勒,r·赫尔曼·e·w·Montroll交通动力学:研究汽车后,“运筹学》第六卷,没有。2、165 - 184年,1958页。视图:出版商的网站|谷歌学术搜索
12. m . Brackstone和m .麦当劳“民:历史回顾”,交通运输研究F部分:心理学和行为,卷2,不。4、181 - 196年,1999页。视图:出版商的网站|谷歌学术搜索
13. d . w . w . Wang Zhang et al .,“改善行动点模型在交通流基于驾驶员的认知机制,”《智能车辆研讨会帕尔马,页447 - 452年,意大利,2004年10月。视图:谷歌学术搜索
14. m .周,x, x,“一个基于递归神经网络的微观汽车模型来预测流量振荡后,“交通研究部分C:新兴技术卷,84年,第264 - 245页,2017年。视图:出版商的网站|谷歌学术搜索
15. d·杨,p .金、y Pu和跑,“稳定性分析混合交通流的轿车和卡车使用异构的最优速度车辆模型,”自然史答:统计力学及其应用卷,395年,第383 - 371页,2014年。视图:出版商的网站|谷歌学术搜索
16. m·f·周x瞿b, s .金”合作自主车辆的影响在改善高速公路合并:修改智能驱动基于模型的方法,”IEEE智能交通系统,18卷,不。6,1422 - 1428年,2017页。视图:谷歌学术搜索
17. x y倪和h .黄”,一个新的细胞自动机模型占交通流诱导特性转化的异质性在驾驶行为,”中国物理B,28卷,不。9篇文章ID 28098901, 2019。视图:谷歌学术搜索
18. w·赵,d . Ngoduy美国牧羊犬,r . Liu和m . Papageorgiou”基于排合作环保驾驶模型混合自动和人为车辆在一个交通灯路口,“交通研究部分C:新兴技术卷,95年,第821 - 802页,2018年。视图:出版商的网站|谷歌学术搜索
19. y . f . Li w·b·陈,美国Peeta et al .,”一个扩展的微观交通流模型基于弹簧质点系统理论,“现代物理学字母B没有,卷。31日。9篇文章ID 1750090, 2017。视图:谷歌学术搜索
20. d·h·王,s . h·杨和l . y .楚”在启动和停止过程中车辆动力学建模基于弹簧系统模型,”清华科技,9卷,不。6,643 - 652年,2004页。视图:谷歌学术搜索
21. a·阿里·g·加西亚,p .严肃,“安全、密集的平板排拖曳模型在高速公路上,连“IEEE智能交通系统杂志,7卷,不。1,58 - 68、2015页。视图:出版商的网站|谷歌学术搜索
22. c . r . Munigety”spring-mass-damper系统基础driver-vehicle集成模型代表异构交通”国际现代物理学杂志》上,32卷,不。11日文章ID 1850135, 2018。视图:谷歌学术搜索
23. c . r . Munigety”、“修改spring-mass-damper系统的一致性和稳定性分析的基础车辆模型,”国际现代物理学杂志》上,33卷,不。6、文章ID 1950025, 2019。视图:出版商的网站|谷歌学术搜索
24. S.-Y。易和K.-T。庄,“车辆排系统的阻抗控制,”机电一体化,15卷,不。5,627 - 638年,2005页。视图:出版商的网站|谷歌学术搜索
25. k·沃格尔”,比较进展和碰撞安全指标,”事故分析和预防,35卷,不。3、427 - 433年,2003页。视图:出版商的网站|谷歌学术搜索
26. b . g . Lu程、问:林和y王”的量化指标自我平衡的风险感知汽车后,“安全科学,50卷,不。9日,第1905 - 1898页,2012年。视图:出版商的网站|谷歌学术搜索
27. y . g .刘和c .锅”合作自主车辆排间距控制输入延迟,”程序的控制和决策会议银川,页6238 - 6243年,中国,2016年8月。视图:谷歌学术搜索
28. f . x g .郭j·l . Wang廖et al .,“弦稳定性基于恒定的异构头目车辆排间距政策”《IEEE智能车辆研讨会,页761 - 766,哥德堡,瑞典,2016年8月。视图:谷歌学术搜索
29. 问:鑫:杨,r·傅s . Yu和z .史,“影响分析后的汽车模型考虑变量车辆差距的政策,”自然史答:统计力学及其应用卷,501年,第355 - 338页,2018年。视图:出版商的网站|谷歌学术搜索
30. w·h·s . k . Amezquita c . y . Chen Chen等人“Stimuli-induced平衡点:一个心理场理论应用在坡道合并系统,”17学报》国际会议控制、自动化和系统(ICCAS),页825 - 830,济州岛,韩国,2017年10月。视图:谷歌学术搜索
31. f·陈,h·r·彭马x x et al .,“检查卡车在隧桥侧风下部分:安全驾驶模拟器研究中,“隧道与地下空间技术文章ID 103034卷,92年,2019年。视图:谷歌学术搜索

版权

版权©2020江罗等。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。