張宇琳 尚可 張飛舟

基于數(shù)字孿生技術(shù)的異質(zhì)交通流安全性研究

張宇琳 尚可 張飛舟?

北京大學(xué)地球與空間科學(xué)學(xué)院, 北京 100871; ?通信作者, E-mail: zhangfz@pku.edu.cn

針對由智能網(wǎng)聯(lián)車和普通車構(gòu)成的異質(zhì)交通流, 通過分析不同異質(zhì)交通流穩(wěn)定性方法的優(yōu)劣, 用數(shù)字孿生技術(shù)構(gòu)建城市異質(zhì)交通流模型, 借助仿真測試工具, 探討復(fù)雜異質(zhì)交通流的安全性和穩(wěn)定性問題。在構(gòu)建的模型基礎(chǔ)上, 結(jié)合數(shù)字孿生的運(yùn)行機(jī)制, 揭示數(shù)字孿生物理實(shí)體和虛擬空間的運(yùn)行機(jī)理。采用數(shù)字孿生技術(shù)搭建豐富的測試環(huán)境, 運(yùn)用無人駕駛開發(fā)軟件 PanoSim, 對異質(zhì)交通流模型進(jìn)行測試。測試結(jié)果表明, 用數(shù)字孿生技術(shù)在有限資源條件下構(gòu)建的虛擬復(fù)雜駕駛場景能夠有效地解決異質(zhì)交通流安全性問題。

數(shù)字孿生; 異質(zhì)交通流; 網(wǎng)聯(lián)車; 安全性

隨著汽車產(chǎn)業(yè)以及大數(shù)據(jù)、人工智能(artificial intelligence, AI)、物聯(lián)網(wǎng)和云計(jì)算等技術(shù)的快速發(fā)展, 綜合無線通信、數(shù)據(jù)融合和人機(jī)交互等技術(shù)手段, 逐步實(shí)現(xiàn)車輛運(yùn)行信息的共享和數(shù)據(jù)的實(shí)時獲取, 智能網(wǎng)聯(lián)車(connected and autonomous vehicle, CAV)應(yīng)運(yùn)而生。CAV 包含自適應(yīng)巡航(adaptive cruise control, ACC)和協(xié)同自適應(yīng)巡航(cooperative adaptive cruise control, CACC)兩種跟馳行為模 式[1]。當(dāng)前后車輛的車載檢測設(shè)備可相互獲取加速度和速度信息時, 則兩車具備相互通信功能, 啟用 CACC 跟馳行為模式; 當(dāng) CAV 車輛跟隨人工駕駛車輛(human-driving vehicle, HV)時, 前后兩車不具備車車通信功能, 則啟用 ACC 跟馳行為模式[2]。當(dāng) CAV 車輛大規(guī)模涌入道路時, 交通流必定經(jīng)歷ACC 與 HV 混合, 以及 ACC, CACC 與 HV 混合的情況, 這種智能網(wǎng)聯(lián)車與人工駕駛車輛混合的交通流稱為異質(zhì)交通流。

國內(nèi)外學(xué)者對異質(zhì)交通流的研究已取得一定的成果, 研究方向集中于 CAV 車輛對通行能力的提升、對交通流穩(wěn)定性和安全性的改善等。Taleb-pour 等[3]通過數(shù)值仿真實(shí)驗(yàn), 描繪不同 CAV 滲透率下的異質(zhì)交通流流量密度散點(diǎn)圖。常鑫等[4]基于CAV 與 HV 混合交通流的基本安全距離, 推理出交通流模型。秦嚴(yán)嚴(yán)等[5]利用不同平衡態(tài)速度以及不同比例 CACC 車輛的混合交通流, 進(jìn)行穩(wěn)定性解析, 并構(gòu)建基礎(chǔ)交通流模型。Zeng 等[6]基于元胞自動機(jī)模型, 利用汽車的反饋時間建立剎車燈模型。隨著智能網(wǎng)聯(lián)汽車行業(yè)的發(fā)展, 2050 年CAV 車輛在道路上的占比將達(dá)到 75%以上[7]。為應(yīng)對 CAV 的規(guī)?；爱a(chǎn)量化, 研究異質(zhì)交通流的安全性和穩(wěn)定性非常必要。

目前, 評析 CAV 車輛環(huán)境下異質(zhì)交通流穩(wěn)定性的方法與研究 HV 車輛運(yùn)行的方法相似, 主要的評析方法包括軟硬件仿真測試、封閉空間實(shí)測和開放空間實(shí)測等, 多數(shù)研究是利用數(shù)值仿真進(jìn)行實(shí)驗(yàn), 得出道路上 CAV 車輛最佳滲透率以及前后車有效間隔等。這些研究有各自的優(yōu)缺點(diǎn)。例如, 利用CAV 車輛對交通環(huán)境影響建立的分析模型推導(dǎo)了異質(zhì)環(huán)境下的交通流量期望值和車輛間隔距離[8], 但忽略了 HV 車輛的隨機(jī)性, 無法投入到實(shí)際道路上。Chen 等[9]考慮到 CAV 和 HV 車輛混行的情況, 發(fā)現(xiàn)車輛的加速度和跟馳行為對整體的交通流量是有影響的, 但他們提出的對 CAV 車輛的控制策略過于單一化。Ye 等[10]基于 CAV 車輛的控制策略, 提出自動駕駛專用車道。Papadoulis 等[11]從安全性角度分析 CAV 車輛結(jié)成隊(duì)列行駛對交通的影響。Zhong 等[12]從機(jī)動性、安全性和穩(wěn)定性等角度設(shè)定多種車道管理策略, 但未涉及 CAV車輛與 HV 車輛的交互問題。Zhou 等[13]考慮到異質(zhì)車輛的協(xié)同, 提出四車道的元胞自動機(jī)交通建模來模擬 CAV 車輛和 HV 車輛的運(yùn)行環(huán)境, 但他們提出的車輛控制策略缺乏上層架構(gòu), 不能運(yùn)用到實(shí)際中。此外, Jeroen 等[14]進(jìn)行實(shí)車實(shí)驗(yàn), 計(jì)算 CAV 車輛可行的車頭時距。Ando 等[15]為進(jìn)一步提升 CAV 車輛在異質(zhì)交通環(huán)境下產(chǎn)生的增益, 首次提出用多智能體聚集的方式考慮 CAV 車輛問題。同時也有研究提出相關(guān)連通模型[16–17]。

總之, 目前對異質(zhì)交通流的研究都涉及根據(jù)CAV 比例和密度建立相關(guān)運(yùn)動模型, 但都僅限于基礎(chǔ)的高速公路交通流, 沒有考慮周圍大環(huán)境對交通的影響因素。本文采用數(shù)字孿生(digital twin)技術(shù), 通過構(gòu)建不同的復(fù)雜交通環(huán)境, 將數(shù)字信號傳輸給現(xiàn)實(shí)車輛, 對真實(shí)交通流進(jìn)行決策和控制執(zhí)行, 確保異質(zhì)交通流的穩(wěn)定性。

1 數(shù)字孿生技術(shù)

1.1 數(shù)字孿生的概念

數(shù)字孿生是利用物理模型、歷史運(yùn)行數(shù)據(jù)和傳感器更新數(shù)據(jù)等, 建立多尺度、多物理量的仿真模型, 通過虛擬空間完成對真實(shí)數(shù)據(jù)的映射, 具有實(shí)時同步和映射真實(shí)等特性[18]。2016 年和 2017 年, 全球最具權(quán)威性的 IT 研究和顧問咨詢公司 Gartner 將數(shù)字孿生定為十大戰(zhàn)略科技發(fā)展趨勢之一。2017 年 12 月, 在世界智能制造大會上, 數(shù)字孿生被列為世界智能制造十大科技進(jìn)展之一[18]。

廣義的數(shù)字孿生指以數(shù)據(jù)為基礎(chǔ)創(chuàng)建真實(shí)實(shí)體的虛擬模型, 借助數(shù)字通信技術(shù)獲取數(shù)據(jù), 從而模擬物理實(shí)體的行為[18–19]。數(shù)字孿生早期用于構(gòu)建未來飛行器, 借助數(shù)字孿生技術(shù)在虛擬空間建立飛行器模型, 并利用傳感器與真實(shí)飛行器實(shí)時同步來計(jì)算飛行器的載荷和飛行能力。Richard 等[20]認(rèn)為數(shù)字孿生不僅適用于飛行器, 還可應(yīng)用于更加廣泛通用的產(chǎn)品中。

Tao 等[21]結(jié)合多年對物聯(lián)網(wǎng)、大數(shù)據(jù)等的研究, 將數(shù)字孿生技術(shù)構(gòu)建成以孿生數(shù)據(jù)為核心, 物理實(shí)體、虛擬模型和服務(wù)系統(tǒng)三者迭代, 交互優(yōu)化的五維模型(圖 1)。在工業(yè) 4.0 體系研究中, 數(shù)字孿生技術(shù)也扮演著重要角色, 包括數(shù)字孿生驅(qū)動的車間快速設(shè)計(jì)和工藝設(shè)計(jì)以及基于數(shù)字孿生的生產(chǎn)物流智能化配送等[22–24]。隨著數(shù)字孿生技術(shù)在大數(shù)據(jù)和云計(jì)算中的應(yīng)用逐步廣泛, 其對智能網(wǎng)聯(lián)汽車的開發(fā)制造也有所涉足, 并逐步應(yīng)用于對 CAV 車輛的測試。

圖1 數(shù)字孿生結(jié)構(gòu)模型[21]

1.2 數(shù)字孿生技術(shù)的框架

數(shù)字孿生技術(shù)主要由可觀測的物理實(shí)體和孿生空間的虛擬實(shí)體組成, 基于五維結(jié)構(gòu)建立基本構(gòu)架, 其框架內(nèi)部各部分互通互聯(lián), 數(shù)據(jù)信息交換, 并且基于信息互換、數(shù)據(jù)保證、安全保障和數(shù)化保真的原則進(jìn)行內(nèi)部互聯(lián)(圖 2)。

本文基于異質(zhì)交通流模型和數(shù)字孿生的框架,狹義地定義數(shù)字孿生: 車輛處于真實(shí)的測試場地環(huán)境中, 在真實(shí)車輛上部署各種傳感器, 利用數(shù)字通信技術(shù), 集成 CAV 車輛和 HV 車輛的幾何、物理、行為及規(guī)則, 建立數(shù)字模型, 將模型映射到虛擬空間。虛擬空間通過構(gòu)建不同的復(fù)雜交通環(huán)境, 利用模擬仿真軟件對孿生數(shù)據(jù)進(jìn)行仿真, 然后將生成的仿真數(shù)據(jù)發(fā)送給實(shí)際道路上的車輛。真實(shí)場景中的CAV 車輛接收到信號后, 對信號進(jìn)行分析和判斷, 執(zhí)行控制動作, 確保道路通行順暢, 再將車輛動作反饋回虛擬空間, 以便對車輛的決策和對控制執(zhí)行能力進(jìn)行評估、優(yōu)化、預(yù)測及評測等[19]。

2 數(shù)字孿生驅(qū)動的異質(zhì)交通監(jiān)測機(jī)理

2.1 數(shù)字孿生驅(qū)動的異質(zhì)交通監(jiān)測機(jī)理框架

不同于其他數(shù)字孿生運(yùn)用的場景, 基于數(shù)字孿生驅(qū)動的異質(zhì)交通流場景包括“車–路–環(huán)境–基礎(chǔ)設(shè)施”4 個要素。每個要素之間相互關(guān)聯(lián), 在數(shù)字孿生的虛擬模型構(gòu)建中, 除對單一要素的建模外, 還要考慮每個要素對其他要素的影響, 以及其他要素對其產(chǎn)生的影響。本文基于混合交通流場景, 建立數(shù)字孿生的基本框架(圖 3)。

該框架以數(shù)字孿生、交通感知、數(shù)據(jù)傳輸?shù)戎渭夹g(shù)為基礎(chǔ), 通過構(gòu)建數(shù)字孿生分析平臺并進(jìn)行海量數(shù)據(jù)分析, 利用車載或路側(cè)感知裝備等提供動態(tài)監(jiān)控和預(yù)警預(yù)測, 再經(jīng)由數(shù)字孿生分析平臺進(jìn)行智能分析、決策支撐等功能運(yùn)行服務(wù), 為異質(zhì)交通流的研究和應(yīng)用需求提供支撐。

該框架包括基礎(chǔ)設(shè)施層、數(shù)據(jù)層、服務(wù)層和應(yīng)用層 4 個部分。該框架以基礎(chǔ)設(shè)施層為基礎(chǔ), 分為交通路側(cè)設(shè)施和車載傳感器、數(shù)據(jù)存儲和數(shù)據(jù)分析服務(wù)器。用車載攝像頭和車載雷達(dá)等對車輛信息進(jìn)行感知, 運(yùn)用路側(cè)或車載交通環(huán)境感知裝備對道路氣象、道路環(huán)境進(jìn)行實(shí)時反饋, 經(jīng)由快速巡檢車、激光或探地雷達(dá)等對基礎(chǔ)道路路面和路基等進(jìn)行數(shù)據(jù)記錄, 再進(jìn)行存儲分析。數(shù)據(jù)層分為靜態(tài)場景和動態(tài)場景的數(shù)據(jù), 包括高精度地圖、車輛路側(cè)數(shù)據(jù)以及交通仿真數(shù)據(jù)等。運(yùn)用 5G 移動通信系統(tǒng)、光纖傳輸和無線傳輸?shù)确绞? 將數(shù)據(jù)層信息傳輸?shù)椒?wù)層。服務(wù)層主要包括 5 個模塊: 場景渲染模塊、路側(cè)或車載傳感器數(shù)據(jù)模塊、孿生數(shù)據(jù)生成模塊、交通分析模塊、交通仿真模塊。應(yīng)用層包括基于孿生數(shù)據(jù)模型對交通進(jìn)行實(shí)時監(jiān)控、監(jiān)測和管理, 對交通情況進(jìn)行分析評價以及可視化, 對數(shù)字孿生交通流進(jìn)行管理決策等功能支持。應(yīng)用層依據(jù)基礎(chǔ)設(shè)施層、數(shù)據(jù)層以及服務(wù)層的共同傳輸, 融合車輛情況、交通環(huán)境以及道路設(shè)施等實(shí)時數(shù)據(jù), 經(jīng)過數(shù)字孿生分析平臺進(jìn)行智能分析, 再將指導(dǎo)決策信息傳輸回實(shí)際道路, 確保交通流運(yùn)行的安全和穩(wěn)定。

圖2 數(shù)字孿生技術(shù)框架

圖3 異質(zhì)交通場景下的數(shù)字孿生框架

2.2 數(shù)字孿生驅(qū)動的異質(zhì)交通流運(yùn)行機(jī)制

通過數(shù)字孿生技術(shù)構(gòu)建異質(zhì)交通流的孿生數(shù)據(jù)模型, 對實(shí)際交通流進(jìn)行監(jiān)測、決策和指導(dǎo)。圖 4示意異質(zhì)交通流–數(shù)字孿生模型的工作機(jī)制, 包括運(yùn)行前、運(yùn)行過程中以及運(yùn)行結(jié)果輸出及反饋 3 個部分。

1)交通流運(yùn)行前, 設(shè)定 CAV 車輛的投放數(shù)量和投放位置。為支持整體的交通流穩(wěn)定運(yùn)行計(jì)劃, 收集相關(guān)數(shù)據(jù), 包括車載傳感器、路側(cè)傳感器、歷史模擬數(shù)據(jù)(如設(shè)備故障預(yù)測和道路擁堵預(yù)測等)和EIS 數(shù)據(jù), 提供數(shù)據(jù)融合服務(wù), 將車輛、交通情況和道路環(huán)境數(shù)據(jù)進(jìn)行融合, 再傳輸回 CAV 車輛運(yùn)行計(jì)劃。經(jīng)由 CAV 車輛運(yùn)行計(jì)劃傳輸?shù)疆愘|(zhì)交通流孿生模型的虛擬空間中進(jìn)行驗(yàn)證, 在虛擬空間仿真運(yùn)行之后, 將內(nèi)部發(fā)現(xiàn)的潛在沖突進(jìn)行優(yōu)化和修改, 發(fā)回 CAV 車輛運(yùn)行計(jì)劃中, 再將運(yùn)行計(jì)劃傳輸?shù)杰囕v分配以及運(yùn)行前準(zhǔn)備中, 如果數(shù)據(jù)實(shí)時狀態(tài)發(fā)生變化, 運(yùn)行計(jì)劃可以隨時反饋并進(jìn)行修改。

2)交通流運(yùn)行過程中, 將已驗(yàn)證的交通運(yùn)行穩(wěn)定數(shù)據(jù)傳輸?shù)教摂M空間進(jìn)行預(yù)定義, 以備后續(xù)車輛運(yùn)行, 然后通過運(yùn)行指令啟動實(shí)際交通流運(yùn)行, 并實(shí)時確認(rèn)運(yùn)行狀態(tài), 保持與預(yù)定義運(yùn)行過程同步。一方面, 將實(shí)時交通流監(jiān)測數(shù)據(jù)記錄到虛擬空間中進(jìn)行仿真、評估、優(yōu)化和預(yù)測; 另一方面, 基于虛擬空間中的仿真模型進(jìn)行實(shí)時操作執(zhí)行, 確保交通流的穩(wěn)定性和安全性。運(yùn)行期間, 依據(jù)真實(shí)交通流將虛擬空間的預(yù)定義數(shù)據(jù)實(shí)時更新, 如果這兩部分?jǐn)?shù)據(jù)不一致, 將傳輸?shù)皆u估機(jī)制(數(shù)據(jù)融合)中, 鑒定數(shù)據(jù)的不一致是否由誤差、設(shè)備故障或仿真模型的不精準(zhǔn)等因素導(dǎo)致。如果存在以上情況, 將傳輸?shù)秸{(diào)度機(jī)制、質(zhì)量服務(wù)以及總控機(jī)制等模塊來消除或減少。

3)交通流運(yùn)行完成時, 如果實(shí)時交通流與虛擬空間的仿真數(shù)據(jù)保持一致, 說明此次交通流監(jiān)測實(shí)驗(yàn)可正常運(yùn)行。將運(yùn)行完成數(shù)據(jù)存入歷史數(shù)據(jù)庫, 以備后續(xù)測試, 同時輸出此次測試結(jié)果。

2.3 數(shù)字孿生驅(qū)動的異質(zhì)交通流–物理實(shí)體運(yùn)行機(jī)理

依據(jù)數(shù)字孿生技術(shù)的概念, 除物理實(shí)體、虛擬空間和服務(wù)系統(tǒng)三者可以相互迭代優(yōu)化外, 數(shù)字孿生驅(qū)動的異質(zhì)交通流的物理實(shí)體內(nèi)部也可以實(shí)現(xiàn)互聯(lián)互通。從縱向角度看, 運(yùn)行機(jī)制將融合數(shù)據(jù)和運(yùn)行計(jì)劃傳輸?shù)教摂M空間, 再由虛擬空間接收控制指令。從橫向角度看, 路側(cè)傳感器、車載傳感器和雷達(dá)等感知道路信息, 運(yùn)用信息控制發(fā)布器和信息基站相互傳輸數(shù)據(jù), 將其傳輸?shù)皆朴?jì)算平臺進(jìn)行精準(zhǔn)分析, 從而做到調(diào)節(jié)自身或他人, 達(dá)到正常行駛的行為目標(biāo)。如圖 5 所示, 物理實(shí)體運(yùn)行機(jī)制以實(shí)時、多源數(shù)據(jù)為支撐, 對汽車進(jìn)行動態(tài)優(yōu)化和精準(zhǔn)控制, 實(shí)現(xiàn)異質(zhì)交通流的安全性、穩(wěn)定性和高效性。

圖4 異質(zhì)交通流–數(shù)字孿生模型流程圖

2.4 數(shù)字孿生驅(qū)動的異質(zhì)交通流–虛擬空間運(yùn)行機(jī)理

作為以孿生數(shù)據(jù)建立的數(shù)字鏡像模型, 虛擬空間要確保對物理實(shí)體模擬的高保真度。圖 6 為虛擬空間內(nèi)部運(yùn)行機(jī)制。首先通過對融合數(shù)據(jù)和歷史數(shù)據(jù)進(jìn)行測算, 不符合計(jì)劃條件的進(jìn)行迭代優(yōu)化; 然后, 將運(yùn)行過程與預(yù)定義計(jì)劃進(jìn)行對比, 確定保持一致后, 繼續(xù)交通流仿真; 不一致的參數(shù)需要進(jìn)行模型評估與校正, 保證模型數(shù)據(jù)不受設(shè)備故障或仿真模型不精準(zhǔn)等因素的干擾, 減小仿真模型中存在的誤差。

3 數(shù)字孿生驅(qū)動的異質(zhì)交通流監(jiān)測模型實(shí)例

3.1 數(shù)字孿生驅(qū)動的異質(zhì)交通流監(jiān)測模型

1)動力學(xué)建模。動力學(xué)建模是汽車模擬仿真的核心, 汽車高精度建模和高效數(shù)值仿真包括高精度底盤(制動、轉(zhuǎn)向和懸架)和動力系統(tǒng)(發(fā)動機(jī)和動力傳動系統(tǒng))建模。在孿生數(shù)據(jù)模擬仿真的場景下, 車輛按照規(guī)劃軌跡行駛, 所以軌跡規(guī)劃過程應(yīng)盡可能貼近實(shí)際情況, 并且符合車輛運(yùn)動學(xué)和動力學(xué)的規(guī)律。

2)復(fù)雜的汽車行駛環(huán)境和環(huán)境傳感器建模。在實(shí)際道路中, 汽車行駛環(huán)境十分復(fù)雜, 其中包括道路、交通及交通附屬設(shè)施、天氣等影響因素, 不僅影響著汽車行駛的安全、穩(wěn)定和汽車的性能, 也影響車載、路側(cè)傳感器對環(huán)境的檢測和感知, 因此準(zhǔn)確模擬汽車行駛環(huán)境是研究和仿真孿生模型的關(guān)鍵。

圖5 物理實(shí)體運(yùn)行機(jī)制

圖6 虛擬空間內(nèi)部運(yùn)行機(jī)制

3.2 實(shí)驗(yàn)測試

本文利用無人駕駛仿真軟件 PanoSim 4.1 軟件內(nèi)設(shè)定的各種場景(包括氣象、交通障礙和人物性格特征等), 建立以車輛動力學(xué)模型為基礎(chǔ)的異質(zhì)交通流場景。對每輛模擬仿真車都構(gòu)建一個完整的車輛動力學(xué)模型, 包括該車的速度、航向角、側(cè)群角和俯仰角等信息。車輛信息可由 Simulink 的 TCP或 UDP 進(jìn)行存入, 也可以對汽車的特定信息也可以在 PanoSim 軟件內(nèi)部進(jìn)行編程修改。

1)實(shí)驗(yàn)環(huán)境。在 Windows 2010 和 PanoSim 4.1環(huán)境下, 利用 Simulink 相關(guān)系統(tǒng)進(jìn)行實(shí)驗(yàn)。運(yùn)用PanoSim 軟件設(shè)定場景信息, 添加智能網(wǎng)聯(lián)車輛和障礙車輛, 車輛按照設(shè)定運(yùn)行軌跡直線行駛至路口, 設(shè)定干擾行人直線穿過障礙車輛前方。配置仿真參數(shù)(表 1), 通過參數(shù)來設(shè)定仿真車輛與行人相遇的時間。

2)實(shí)驗(yàn)對象。以智能網(wǎng)聯(lián)車正常運(yùn)行以及行人橫穿路面為例, 選取夜間虛擬場景, 設(shè)置障礙車輛(圖 7 中公交車)及障礙行人。選取的智能網(wǎng)聯(lián)車模型以毫米波傳感器作為車載感知系統(tǒng)模塊, 基于車載傳感器信息、障礙車輛的運(yùn)行狀態(tài)以及測試智能網(wǎng)聯(lián)車的運(yùn)行狀態(tài)進(jìn)行緊急制動實(shí)驗(yàn)。

表1 仿真參數(shù)

圖7 PanoSim仿真交通場景

如圖 7 所示, 基于 PanoSim 軟件完成虛擬仿真和真實(shí)環(huán)境信息的交互。

3.3 測試分析

智能網(wǎng)聯(lián)車輛基于 ACC 車輛算法(圖 8)向路徑前向運(yùn)行, 運(yùn)行過程中對障礙車(圖 7 中公交車)進(jìn)行跟隨控制(加速和制動)。當(dāng)智能網(wǎng)聯(lián)車與前車信息互通, 得到行人出現(xiàn)警告而制動時, 由 ACC 車輛算法轉(zhuǎn)變?yōu)?AEB (autonomous emergency braking, AEB)算法(圖 9), 控制車輛進(jìn)行緊急制動, Simulink中斷駕駛員模塊對車輛的縱向控制(油門開度和制動壓力)。

圖8 ACC車輛算法流程圖

圖9 AEB控制算法流程圖

根據(jù)實(shí)際交通情況算定碰撞時間閾值: 當(dāng)時間閾值大于 4s 時, 智能網(wǎng)聯(lián)車輛運(yùn)行 ACC 車輛算法, 不轉(zhuǎn)換為 AEB 算法; 當(dāng)時間閾值小于 4s 時, 會進(jìn)行緊急制動警告; 當(dāng)時間閾值小于 2s 時, 在運(yùn)行ACC 車輛算法的同時, 也運(yùn)行部分 AEB 算法; 當(dāng)時間閾值小于 1.2s 時, 全部轉(zhuǎn)換為 AEB算法, 進(jìn)行緊急制動, 減速停車。

碰撞時間閾值公式[25]為

TTC =C()/r(), (1)

其中, TTC 為碰撞時間閾值;C為距離差;r 為車輛相對速度。

仿真智能車輛在依據(jù)仿真參數(shù)正常行駛過程中, 當(dāng)時間閾值小于 2s 時, 公交車輛開始進(jìn)行制動警告提示, 說明前車有行人經(jīng)過, 智能網(wǎng)聯(lián)車將部分算法轉(zhuǎn)變?yōu)?AEB 算法, 進(jìn)行減速行駛; 當(dāng)時間閾值小于 1.2s 時, 智能網(wǎng)聯(lián)車即將碰撞行人, 車輛完全轉(zhuǎn)變?yōu)?AEB 算法, 緊急制動, 停在行人面前, 等待行人完全通過車身, 再轉(zhuǎn)為 ACC 車輛算法, 進(jìn)行縱向行駛穿過路口。緊急制動仿真模擬實(shí)驗(yàn)完成, 得出實(shí)驗(yàn)車輛運(yùn)行時間與速度的圖像(圖 7)。

圖10 仿真汽車速度圖

從圖 10 可以看出, 智能網(wǎng)聯(lián)車在碰撞時間閾值過小時, 會開始減速, 直到停止。這表明, 數(shù)字孿生仿真方式可以對智能網(wǎng)聯(lián)車進(jìn)行有效的仿真控制, 進(jìn)而監(jiān)測異質(zhì)交通流, 對交通流運(yùn)行進(jìn)行決策, 可以有效地保障異質(zhì)交通流的安全性。

4 結(jié)論

本文結(jié)合無人駕駛仿真軟件 PanoSim, 搭建數(shù)字孿生分析模型, 針對 CAV 車輛和傳統(tǒng)人工駕駛車輛構(gòu)成的異質(zhì)交通流, 基于仿真模型研究其安全性和穩(wěn)定性。

1)本文建立了數(shù)字孿生驅(qū)動的異質(zhì)交通流解析框架, 將僅基于線性函數(shù)模型的交通流分析轉(zhuǎn)變?yōu)榛谡鎸?shí)孿生數(shù)據(jù)建立的仿真模型分析, 便于在真實(shí)交通環(huán)境下研究異質(zhì)交通流的安全性。

2)本文利用無人駕駛仿真軟件 PanoSim, 仿真了在真實(shí)環(huán)境下 ACC 車輛與行人發(fā)生碰撞時, 出現(xiàn)的緊急制動反應(yīng), 證明異質(zhì)交通流可經(jīng)由數(shù)字孿生搭建的仿真環(huán)境進(jìn)行測試和驗(yàn)證。

3)數(shù)字孿生搭建的仿真環(huán)境可有效地應(yīng)對交通路面的緊急情況, 不同的 AEB 制動模式可以應(yīng)對不同的突發(fā)狀況和復(fù)雜的交通情況。

數(shù)字孿生技術(shù)在交通流的研究未來將逐步深入, 會增加更多的實(shí)際行車數(shù)據(jù), 也可以豐富本文框架下的交通運(yùn)行研究。此外, 通過目前成熟的無人駕駛仿真軟件, 對歷史數(shù)據(jù)和融合數(shù)據(jù)進(jìn)行模型的參數(shù)擬合和迭代優(yōu)化, 可以優(yōu)化現(xiàn)有 CAV 和 HV車輛的動力學(xué)模型, 針對特定的個體軌跡數(shù)據(jù)反復(fù)進(jìn)行測試, 分析在異質(zhì)交通流中車輛的各種特征, 建立更具有包容性、可行性的汽車動力學(xué)模型, 使其在未來的仿真中更具代表性。

[1]吳德華, 彭銳, 林熙玲. 智能網(wǎng)聯(lián)異質(zhì)交通流混合特性. 西南交通大學(xué)學(xué)報, 2022, 57(4): 761–768

[2]秦嚴(yán)嚴(yán), 王昊, 王煒, 等. 混有 CACC 車輛和 ACC車輛的異質(zhì)交通流基本圖模型. 中國公路學(xué)報, 2017, 30(10): 126–136

[3]Talebpour A, Mahmassani H S. Influence of connec-ted and autonomous vehicles on traffic flow stability and throughput. Transportation Research, Part C: Emerging Technologies, 2016, 71(10): 143–163

[4]常鑫, 李海艦, 榮建, 等. 混有智能網(wǎng)聯(lián)車隊(duì)的交通流基本圖模型分析. 東南大學(xué)學(xué)報(自然科學(xué)版), 2020, 50(4): 782–788

[5]秦嚴(yán)嚴(yán), 王昊, 王煒, 等. 混有協(xié)同自適應(yīng)巡航控制車輛的異質(zhì)交通流穩(wěn)定性解析與基本圖模型. 物理學(xué)報, 2017, 66(9): 257–265

[6]Zeng J, Qian Y, Mi P, et al. Freeway traffic flow cellular automata model based on mean velocity feed-back. Physica A: Statistical Mechanics and its App-lications, 2021, 562(15): 125387

[7]Bansal P, Kockelman K M. Forecasting Americans’ long-term adoption of connected and autonomous vehicle technologies. Transportation Research, Part A: Policy and Practice, 2017, 95(1): 49–63

[8]Mohajerpoor R, Ramezani M. Mixed flow of autono-mous and human-driven vehicles: analytical headway modeling and optimal lane management. Transporta-tion Research, Part C: Emerging Technologies, 2019, 109(12): 194–210

[9]Chen D, Anupam S, Ahn S, et al. Traffic dynamics under speed disturbance in mixed traffic with auto-mated and non-automated vehicles. Transportation Research, Part C, 2020, 113(4): 283–313

[10]Ye L, Yamamoto T. Impact of dedicated lanes for connected and autonomous vehicle on traffic flow throughput. Physica A: Statistical Mechanics and Its Applications, 2018, 512(8): 588–597

[11]Papadoulis A, Quddus M, Imprialou M. Evaluating the safety impact of connected and autonomous vehi-cles on motorways. Accident Analysis & Prevention, 2019, 124(12): 12–22

[12]Zhong Z, Lee J. The effectiveness of managed lane strategies for the near-term deployment of cooperative adaptive cruise control. Transportation Research Part A: Policy and Practice, 2019, 129(8): 257–270

[13]Zhou Y J, Zhu H B, Guo M M, et al. Impact of CACC vehicles’ cooperative driving strategy on mixed four-lane highway traffic flow. Physica A: Statistical Mechanics and Its Applications, 2019, 540(1): 122721

[14]Jeroen P, Alex F A, Geert J, et al. Connect & Drive: design and evaluation of cooperative adaptive cruise control for congestion reduction. Journal of Modern, 2011, 3(9): 207–213

[15]Ando H, Suzuki I, Yamashita M. Formation and agr-eement problems for synchronous mobile robots with limited visibility // IEEE International Symposium on Intelligent Control. Monterey, 1995: 27–29

[16]Luo S, Kim J, Parasuraman R, et al. Multi-robot rendezvous based on bearing-aided hierarchical trac-king of network topology. Ad Hoc Networks, 2019, 86(4): 131–143

[17]Dong Y, Su Y, Liu Y, et al. An internal model approach for multi-agent rendezvous and connectivity preservation with nonlinear dynamics. Automatica, 2018, 89(3): 300–307

[18]陶飛, 劉蔚然, 劉檢華, 等. 數(shù)字孿生及其應(yīng)用探索. 計(jì)算機(jī)集成制造系統(tǒng), 2018, 24(1): 1–18

[19]張競濤. 數(shù)字孿生技術(shù)在智能交通應(yīng)用中的態(tài)勢與建議. 信息通信技術(shù)與政策, 2020(3): 24–28

[20]Richard C, Nel W, Milton B, et al. Product avatar as digital counterpart of a physical individual product: literature review and implications in an aircraft. Advances in Transdisciplinary Engineering, 2015, 2 (7): 657–665

[21]Tao F, Zhang M. Digital twin shop-floor: a new shop-floor paradigm towards smart manufacturing. IEEE Access, 2017, 5: 20418–20427

[22]Pires F, Cachada A, Barbosa J, et al. Digital twin in industry 4.0: technologies, applications and challen-ges // 2019 IEEE 17th International Conference on Industrial Informatics (INDIN). Helsinki, 2019: 227–234

[23]Kousi N, Gkournelos C, Aivaliotis S, et al. Digital twin for adaptation of robots’ behavior in flexible ro-botic assembly lines. Procedia Manufacturing, 2019, 28: 121–126

[24]Andronas D, Kokotinis G, Makris S. On modelling and handling of flexible materials: a review on digital twins and planning systems. Procedia CIRP, 2021, 97(11): 447–452

[25]Nie Y, Valipour H R. Experimental and numerical study of long-term behaviour of timber-timber com-posite (TTC) connections. Construction and Building Materials, 2021: 124672

Application of Digital Twin Technology to Heterogeneous Traffic Flow Security

ZHANG Yulin, SHANG Ke, ZHANG Feizhou?

School of Earth and Space Sciences, Peking University, Beijing 100871; ? Corresponding author, E-mail: zhangfz@pku.edu.cn

Aiming at the heterogeneous traffic flow composed of connected and autonomous vehicles (CAVs) and human-driving vehicles(HVs), by analyzing the characteristics of different methods for the stability of heterogeneous traffic flow, the urban heterogeneous traffic model is constructed by the digital twin technology, and the safety and stability of complex heterogeneous traffic flow are explored and solved with the help of simulation testing tools. Based on the construction of the heterogeneous traffic flow model framework by the digital twin technology, combined with the operation mechanism of the digital twin, the paper reveals the operation mechanism of the internal physical entity and virtual space of the digital twin. Using the digital twin technology, an abundant test and verification environment is built, and the driverless development software PanoSim is used to test the heterogeneous traffic flow model. The test results show that the digital twin technology can effectively solve the safety problem of heterogeneous traffic flow by constructing virtual complex driving scene under the condition of limited resources.

digital twins; heterogeneous traffic flow; connected and autonomous vehicle; security

10.13209/j.0479-8023.2022.083

2021-09-27;

2021-10-13