博客
关于我
【源码】模拟Mcity城市交通下的自动驾驶策略仿真
阅读量:224 次
发布时间:2019-02-28

本文共 787 字,大约阅读时间需要 2 分钟。

智能交通系统(ITS)作为典型的网络物理系统(CPS),通过网络和物理组件实现对交通流量的实时监控与控制。其中,连通自动驾驶汽车(CAV)是ITS的重要组成部分,旨在通过智能化的控制算法提升道路交通效率与安全性。

ITS系统需要同时处理事件驱动动力学和时间驱动动力学。事件驱动动力学关注系统中的突发事件响应机制,而时间驱动动力学则涉及定期任务的执行与调度。基于SimEvents的离散事件仿真框架在这两方面均表现出色,能够有效验证ITS的安全性和性能,同时也为Mcity测试设施的交通仿真模型提供了可靠的基础。

本仿真框架专为CAV测试设计,具备灵活的道路/车道配置能力和完整的仪表系统,能够在微观层面深入研究交通场景。例如,在两个无信号交叉口的CAV通过优化控制策略,或者在高速公路入口匝道的CAV融合过程中选择最优控制器或控制屏障函数,均可通过该框架进行模拟验证。此外,研究还可聚焦于信号交叉口的排队行为,分析不同车辆类型(CAV与非CAV)的互动机制。

该框架整合了MATLAB、Simulink和SimEvents等多种工具箱,具备高度的灵活性和扩展性。用户可根据具体研究需求,通过配置MATLAB离散事件系统模块的参数,选择不同的控制算法进行测试。例如,在高速公路入口匝道CAV的融合过程中,可以选择优化控制器或控制屏障函数进行对比研究。

在仿真过程中,需注意设置其他场景(如无信号交叉口、高速公路入口匝道等)的MATLAB离散事件系统模块为“xxx_Dummy”模式,以避免干扰当前场景的测试结果。同时,若CAV或INFO实体未能自动加载,需手动双击初始化模块“init”以完成初始化。

目前,研究团队正在致力于提升仿真框架的可视化功能,并计划构建完整的城市交通网络模型,为复杂交通场景的研究提供更强大的支持能力。若您对ITS仿真框架感兴趣,欢迎深入探索其潜力。

转载地址:http://wymp.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9检测图片和视频中的目标
查看>>
OpenCV与AI深度学习 | 如何在 Docker 容器中使用 GPU
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | YOLOv10模型微调检测肾结石并提高准确率
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>