Intelligent driver model(IDM)

这篇具有很好参考价值的文章主要介绍了Intelligent driver model(IDM)。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

  在文章中除了IDM模型,也会提及其余的交通模型。本文主要想讲述IDM的基本原理以及它是如何在以下两种模式之间进行转换的。

*IDM has two modes: free-flow and car-following.
Free-flow mode: the target vehicles track a desired speed.
Car-following: the target vehicle follows the preceding vehicle at a safe distance.The ego vehicle is assumed to follow its proceeding vehicle in a safe following distance .

*IDM Basic Assumptions
1.加速度是速度的严格递减函数。此外,如果不受其他车辆的限制,车辆就会加速到desired spped v 0 v_0 v0;加速度是与leading veihcle之间的距离 s s s的增函数;加速度在靠近leading veihcle的时候会减少;最小间距(bumper-to-bumper distance) s 0 s_0 s0是必须维持在与leading veihcle之间的,但是如果距离已经小于 s 0 s_0 s0也不会后退。
2.equilibrium bumper-to-bumper distance(平衡状态的距离)不小于 safe distance s 0 + v T s_0+vT s0+vT,其中 s 0 s_0 s0minimum (bumper-to-bumper) gap T T T为 the (bumper-to-bumper) time gap
3.正常情况下,制动动作为“软性”。减速度逐渐增加道一个舒适值( comfortable value) b b b,在到达一个稳定状态的汽车跟踪(car following)情况会平滑地降低至0;在危险的状况,减速度超过了舒适值,剩余的制动将保持在 b b b
4.不同驾驶模式方面之间的过渡是光滑的,这个与jerk有关,在此不多说。
5.这个模型应该尽可能简洁。每个模型参数都应该只描述驾驶行为的一个方面。

*有三种驾驶状态:1.在自由道路上从静止开始加速。车辆从最高的加速度 a a a 开始。速度越高加速度越低,在 速度逐渐接近 desired speed v 0 v_0 v0时,加速度逐渐接近于0, δ \delta δ 的值越大,在接近 v 0 v_0 v0 加速度减少得越慢。
2.跟随一辆 leading vehicle,与leading vehicle的距离大致是 safe distance s 0 + v T s_0+vT s0+vT
3.当接近一辆很慢或者是静止的车辆的时候,减速度通常不超过 comfortable deceleration b b b

1.Intelligent driver Model

  IDM的公式如下所述,非常简洁明了: v α ˙ = a [ 1 − ( v α v 0 α ) δ − ( s ∗ ( v α , Δ v α ) s α 2 ) ] \dot{v_\alpha}=a[1-(\frac{v_\alpha}{v^\alpha_0})^\delta-(\frac{s^*(v_\alpha,\Delta v_\alpha)}{s_\alpha}^2)] vα˙=a[1(v0αvα)δ(sαs(vα,Δvα)2)]

  它是一个有关于 velocity v α v_\alpha vα,gap s α s_\alpha sα,以及 approaching rate Δ v α \Delta v_\alpha Δvα的函数。其中 desired gap: s ∗ ( v , Δ v ) = s 0 + v T + v Δ v 2 a b s^*(v,\Delta v)=s_0+vT+\frac{v \Delta v}{2 \sqrt{ab}} s(v,Δv)=s0+vT+2ab vΔv s 0 + v T s_0+vT s0+vT为equilibrium term, v Δ v 2 a b \frac{v \Delta v}{2 \sqrt{ab}} 2ab vΔv是dynamical term,dynamical term implements the “intelligent” braking strategy。以下表格中有常用常数的值:
Intelligent driver model(IDM)

Intelligent driver model(IDM)

  当道路为free-flow时, δ → ∞ \delta \rightarrow \infin δ 时,对应于Gipps’Model里的加速的状态, δ = 1 \delta=1 δ=1再现了Optimal velocity model里面过渡平滑加速度的行为,也就是线性模型。


2.Gipps’Model


  虽然它产生一个不现实的加速度剖面,这个模型可能是最简单的完整和在现实范围内导致加速的无事故模型。

2.1Safe Speed(安全速度)

*Basic Assumptions:
(1).制动动作总是以持续减速度(constant deceleration)数学公式: b b b执行的,没有舒适和(物理可能)最大减速之间的区别。
(2).有一个恒定的reaction time 数学公式: Δ t \Delta t Δt
(3).即使leading vehicle 突然减速到一个完全停止(最坏的情况),ego vehicle 与leading vehicle之间的距离不应该小于 minimum gap数学公式: s 0 s_0 s0

*safe speed 公式推导:
(1).leading vehicle的 braking distance:数学公式: Δ x l = v l 2 2 b \Delta x_l=\frac{v^2_l}{2b} Δxl=2bvl2
这是描述在最坏的情况下,leading vehicle 以恒定减速度减速到停止为止所行驶过的距离。
(2).ego vehicle的stopping distance: Δ x = v Δ t + v 2 2 b \Delta x = v\Delta t+\frac{v^2}{2b} Δx=vΔt+2bv2
其中公式: v Δ t v\Delta t vΔt为reation distance,这描述了ego vehicle的驾驶员从意识到要减速开始一直到停止为止ego vehicle所行驶过的距离。
(3).gap 公式: s s s所应当满足的的条件: s ≥ s 0 + v Δ t + v 2 2 b − v l 2 2 b s\ge s_0+v \Delta t+\frac{v^2}{2b}-\frac{v^2_l}{2b} ss0+vΔt+2bv22bvl2
(4).safe speed(the highest possible speed):
v s a f e ( s , v l ) = − b Δ t + b 2 Δ t 2 + v ( t + Δ t ) = m i n [ v + a Δ t , v 0 , v s a f e ( s , v l ) ] v_{safe}(s,v_l)=-b\Delta t+\sqrt{b^2\Delta t^2 + v(t+\Delta t)}=min[v+a\Delta t,v_0,v_{safe}(s,v_l)] vsafe(s,vl)=bΔt+b2Δt2+v(t+Δt) =min[v+aΔt,v0,vsafe(s,vl)]

*模型所反应出的特征:
(1).模型的每一step间隔就是 Δ t \Delta t Δt
(2).如果ego vehicle的速度比 v s a f e − a Δ t v_{safe}-a\Delta t vsafeaΔt或者 v 0 − a Δ t v_0-a\Delta t v0aΔt,在下一个step,ego vehicle会达到数学公式: m i n ( v 0 , v s a f e ) min(v_0,v_{safe}) min(v0,vsafe)
(3).在其他情况,ego vehicle 会用constant acceleration 加速直到到达数学公式: v 0 v_0 v0或者 v s a f e v_{safe} vsafe

2.2 Steady-State Equilibrium(稳态平衡)

均匀稳定状态: v ( t + Δ t ) = v l = v v(t+\Delta t)=v_l=v v(t+Δt)=vl=v
v = m i n ( v 0 , v s a f e ) = m i n ( v 0 , − b Δ t + b 2 Δ t 2 + v 2 + 2 b ( s − s 0 ) ) v=min(v_0,v_{safe})=min(v_0,-b\Delta t+\sqrt{b^2\Delta t^2+v^2+2b(s-s_0)}) v=min(v0,vsafe)=min(v0,bΔt+b2Δt2+v2+2b(ss0) )

The steady-state equilibrium is characterized by the following two conditions:
(1). Homogeneous traffic:All vehicles drive at the same speed, and keep the
same gap behind their respective leaders.
(2). No accelerations:所有车辆都没有加速度。

3.Car following Model

2.1acceleration function

  加速度的公式如下所述:
v α ˙ ( t + T r ) = − λ v α m Δ v α s α l \dot{v_{\alpha}}(t+T_r) = \frac{-\lambda v^m_\alpha\Delta v_\alpha}{s^l_\alpha} vα˙(t+Tr)=sαlλvαmΔvα

3.2acceleration function中的一些解释

α \alpha α 代表当前的车辆,可以当作是我们的ego car, α − 1 \alpha-1 α1是leading car。
ego car的加速度与减速度可能与非常多的因素相关,例如公式中所列出的approaching rate Δ v α ( t ) \Delta v_\alpha(t) Δvα(t)),own velocity( v α v_\alpha vα),bumper-to-bumper distance( s α s_\alpha sα)。

(1).approaching rate Δ v α ( t ) \Delta v_\alpha(t) Δvα(t)
减速度(deceleration: − v α ˙ ( t + T r ) -\dot{v_\alpha}(t+T_r) vα˙(t+Tr))与接近的速率(approaching rate:)成正比。
− v α ˙ ( t + T r ) -\dot{v_\alpha}(t+T_r) vα˙(t+Tr) Δ v α ( t ) : = v α ( t ) − v α − 1 ( t ) \Delta v_\alpha(t):=v_\alpha(t) - v_{\alpha-1}(t) Δvα(t):=vα(t)vα1(t)成正比。

(2).own velocity( v α v_\alpha vα)
减速度与加速度与ego car自己的速度也可能有正向指数的关系。

(3).bumper-to-bumper distance( s α s_\alpha sα)
s α = x α − 1 − x α − l α s_\alpha=x_{\alpha-1}-x_\alpha-l_\alpha sα=xα1xαlα
公式中: l α l_\alpha lα是车长(vehicle length)

acceleration function的一些不足之处:
1.这个模型不适用于车流量密度很低的时候,在车流量密度很低的时候,驾驶员可以用individual desired velocity进行加速。
2.这个模型也不适用于在非常密集的交通流中,汽车跟踪行为也有些不现实。甚至非常小的间隙不会造成制动,如果 Δ v α \Delta{v_\alpha} Δvα是0的话。

4 optimal velocity function

  在car following model中,ego car 适应于一个依赖与bumper-to-bumper distance的函数: v α ( t + T r ) = V ( s α ( t ) ) v_\alpha(t+T_r)=V(s_\alpha(t)) vα(t+Tr)=V(sα(t))。其中 optimal velocity function: V ( s ) = v 0 ( 1 − e x p ( − s − s 0 v 0 T ) ) V(s)=v_0(1-exp(-\frac{s-s_0}{v_0T})) V(s)=v0(1exp(v0Tss0))
  在公式中, v 0 v_0 v0desired velocity, T T Tsafe time headway,但是公式中速度对密度的依赖导致了非常高的加速度,在很多情况下是不现实的。之后有人提出了一种新的optimal velocity function v α ˙ = V ( s α ) − v a τ \dot{v_\alpha}=\frac{V(s_\alpha)-v_a}{\tau} vα˙=τV(sα)va


5.Conclusion

                  v α ˙ = a [ 1 − ( v α v 0 α ) δ − ( s ∗ ( v α , Δ v α ) s α 2 ) ] \dot{v_\alpha}=a[1-(\frac{v_\alpha}{v^\alpha_0})^\delta-(\frac{s^*(v_\alpha,\Delta v_\alpha)}{s_\alpha}^2)] vα˙=a[1(v0αvα)δ(sαs(vα,Δvα)2)]

                   s ∗ ( v , Δ v ) = s 0 + v T + v Δ v 2 a b s^*(v,\Delta v)=s_0+vT+\frac{v \Delta v}{2 \sqrt{ab}} s(v,Δv)=s0+vT+2ab vΔv

根据之间几节的讲述, s 0 + v T s_0+vT s0+vT为 equilibrium term, v Δ v 2 a b \frac{v \Delta v}{2 \sqrt{ab}} 2ab vΔv是 dynamical term。

free-flow mode
acceleration strategy : v f r e e ˙ ( v ) = a [ 1 − ( v / v 0 ) δ ] \dot{v_{free}}(v)=a[1-(v/v_0)^{\delta}] vfree˙(v)=a[1(v/v0)δ],deceleration strategy: v b r a k e ( s , v , Δ v ) ˙ = − a ( s ∗ / s ) 2 \dot{v_{brake}(s,v,\Delta v)}=-a(s^*/s)^2 vbrake(s,v,Δv)˙=a(s/s)2
a dynamic contribution(dynamical term) which is onlyactive in non-stationary traffic corresponding to situations in which Δ v ≠ 0 \Delta v \neq 0 Δv=0

car-following mode
v α ˙ = a [ 1 − ( v α v 0 α ) δ − ( s ∗ ( v α , Δ v α ) s α 2 ) ] \dot{v_\alpha}=a[1-(\frac{v_\alpha}{v^\alpha_0})^\delta-(\frac{s^*(v_\alpha,\Delta v_\alpha)}{s_\alpha}^2)] vα˙=a[1(v0αvα)δ(sαs(vα,Δvα)2)]
s ∗ ( v , Δ v ) = s 0 + v T + v Δ v 2 a b s^*(v,\Delta v)=s_0+vT+\frac{v \Delta v}{2 \sqrt{ab}} s(v,Δv)=s0+vT+2ab vΔv文章来源地址https://www.toymoban.com/news/detail-465625.html

到了这里,关于Intelligent driver model(IDM)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 2.Intelligent Reflecting Surfaces (IRS)

    The passage discusses the challenges faced by users in multiuser Virtual Reality (VR) streaming systems due to low Signal-to-Interference-plus-Noise Ratio (SINR) and proposes the use of Intelligent Reflecting Surfaces (IRS) to address this issue. Here are the key points: Low SINR Challenges : In multiuser VR streaming systems, certain users may experience a

    2024年02月08日
    浏览(36)
  • VCS ICO - Intelligent Coverage Optimization

    ico 是vcs提供的用于优化覆盖率的feature;一般用户通过 dist solver bofore 等约束了变量的随机概率,而 ico 会在用户约束的基础上,做一些自动“修正”,以此来优化随机激励,提高随机多样性,加速覆盖率收敛,缩短 turn-around time TAT 。 主要功能包含如下几部分: Prognosis : 用于

    2024年02月14日
    浏览(35)
  • idm直链怎么用 IDM直链下载风险 Internet Download Manager下载 idm官网登录 idm直链提取

    作为一款备受好评的下载加速器,idm几乎可以胜任所有的下载场景。无论是直链资源、磁力链接还是种子文件,idm均能把它们高速下载到本地保存。并且,理论上idm可以将下载速度提高3至5倍。有关idm直链怎么用,IDM直链下载风险的相关问题,本文将进行详细介绍。 直链链接

    2024年02月22日
    浏览(56)
  • 模型训练时使用的 model.train() 和模型测试时使用的 model.eval()

    在 PyTorch 中,模型训练时使用的  model.train()  和模型测试时使用的  model.eval()  分别用于开启和关闭模型的训练模式和测试模式。 model.train()  会将模型设置为训练模式,启用 Dropout 和 Batch Normalization 等训练时特有的操作。这种模式适用于训练阶段,由于 Dropout 在每次迭代时

    2024年02月11日
    浏览(43)
  • 模型Model:文件系统模型QFileSystemModel

    一、 1、常用函数 QFileSystemModel自带目录变化监听 1)、 QModelIndex setRootPath (const QString path); 设置检索 根目录 2)、 bool isDir (const QModelIndex index) const; 选中索引 是否为目录节点 3)、 QString filePath (const QModelIndex index) const; 选中 索引路径 4)、 QString type (const QModelIndex index) const; 选中索

    2024年01月17日
    浏览(43)
  • Edge Security: 智能边缘安全——Intelligent Edge Security

    作者:禅与计算机程序设计艺术 随着物联网、云计算、大数据、人工智能等新一代技术的出现,越来越多的企业和个人在提升工作效率、降低成本、节约资源方面都展现出了前所未有的机遇。然而,这些技术还远远没有触及到传统IT系统所能解决的问题域。边缘计算作为一种

    2024年02月07日
    浏览(45)
  • 自然语言处理从入门到应用——LangChain:模型(Models)-[聊天模型(Chat Models):基础知识]

    分类目录:《大模型从入门到应用》总目录 LangChain系列文章: 基础知识 快速入门 安装与环境配置 链(Chains)、代理(Agent:)和记忆(Memory) 快速开发聊天模型 模型(Models) 基础知识 大型语言模型(LLMs) 基础知识 LLM的异步API、自定义LLM包装器、虚假LLM和人类输入LLM(

    2024年02月15日
    浏览(50)
  • 【NLP】词袋模型(bag of words model)和词嵌入模型(word embedding model)

    本文作为入门级教程,介绍了 词袋模型 (bag of words model)和 词向量模型 (word embedding model)的基本概念。 先来初步理解一个概念和一个操作: 一个概念:词袋:一张由训练语料得到的词汇表(词典) 一个操作:在给出一篇文本后,需要把文本转换(编码)成数值,才能汇

    2023年04月27日
    浏览(38)
  • beego的model篇 - 模型定义和表生成model

    复杂的模型定义不是必须的,此功能用作数据库数据转换和自动建表。 默认的表名规则,使用驼峰转蛇形: 除了开头的大写字母以外,遇到大写会增加  _ ,原名称中的下划线保留。 1.1. 自定义表名 如果前缀设置为  prefix_  那么表名为:prefix_auth_user 1.2. 自定义索引 为单个

    2024年01月19日
    浏览(86)
  • 使用IDM下载视频出现“由于法律原因,IDM无法下载...

    由于法律原因,IDM无法下载.. ,如图: 下载该IDM抓取的M3U8文件,查看其中的内容发现 : #EXT-X-KEY 字段已经写明了加密方式是AES-128,包含一个URI和IV值 加密后的ts文件不能直接合并或播放,需要使用key对每个ts文件进行解密。 key文件必须是左斜杠/ , ts文件用左斜杠 / 或者 右斜

    2024年02月11日
    浏览(42)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包