Симуляторы пдд: Симуляторы вождения автомобиля — ПДД. Скачать правила дорожного движения

Содержание

Какой лучший симулятор вождения — отличный помощник в подготовке к экзамену!

В эпоху активного внедрения компьютеров в нашу жизнь все больше и больше людей задаются вопросом о том, можно ли использовать компьютер для обучения. И ответ на этот вопрос – да! Конечно же, новейшие программы, а также ресурсы обычного домашнего ПК помогут вам пройти обучение в самых разнообразных отраслях. Не осталось без внимания и вождение. Не только современные игры в стиле гонок, но и настоящий самоучитель вождения может быть с легкостью установлен в качестве приложения на ваш компьютер. Казалось бы, зачем это нужно? Ведь можно с легкостью тренироваться в автошколе, получая реальные практические навыки, которые никак не получится попрактиковать, сидя перед монитором. И вы окажетесь правы. Цель таких приложений состоит не в том, чтобы дать вам возможность попрактиковаться в своем умении «крутить баранку», а в том, чтобы вы как можно лучше овладели правилами дорожного движения и смогли подготовить себя к сдаче экзамена в ГАИ.

Как же найти лучший симулятор вождения? Ответ на этот вопрос дать очень сложно, поскольку сейчас существует огромное множество разнообразных программ, которые смогут не только обучать вас основам ПДД, но и придавать всему этому красивую визуальную оболочку. Наверняка приятней не только зубрить правила, но и наблюдать за всем этим непосредственно на экране своего монитора. Да и запоминается так намного легче. Как считают многие пользователи, лучший симулятор вождения – «3Д Инструктор». Данный девайс довольно неплохо воссоздает улицы столицы, позволяя вам не только подучить правила, но и отработать водительские навыки, не вставая со своего любимого кресла. При помощи этой программы вы сможете почувствовать себя водителем, который простаивает в пробках и пытается спастись от нерадивых автолюбителей, стремящихся подрезать его в самый неподходящий момент. Стоит отметить, что пока вы ведете машину, за вами наблюдает виртуальный советчик, который указывает на все ошибки, а также начисляет вам штрафы за нарушение ПДД. Поэтому многие считают, что именно это приложение – лучший симулятор вождения.

Какие плюсы в использовании такого приложения, как симулятор ПДД и вождения?
— Можно не отходя от компьютера изучать разнообразные ситуации, которые могут случиться на дороге.
— Без автомобиля можно отрабатывать все навыки, полученные в автошколе.
— Вы сможете повторить правила дорожного движения, которые вам будет необходимо знать для того, чтобы обезопасить себя на реальной дороге.
— Возможность подготовиться к устному и письменному экзаменам в ГАИ.
— Изучение вождения без риска пострадать при аварийной ситуации на дороге.

Как вы можете заметить, лучший симулятор вождения позволит не только с легкостью и удобством изучить  правила дорожного движения, но и подготовить себя к опасным ситуациям, которые могут поджидать на настоящей дороге. А реализм окружения и тщательная проработка автомобиля позволит окунуться в мир вождения и почувствовать себя за рулем настоящего автомобиля. Штрафы, которые «выписывает» виртуальный инспектор, научат вас избегать нарушения правил дорожного движения.

Игры · Вождение 🚘 · Играть онлайн бесплатно

Многопользовательские онлайн игры

Надоело играть против компьютера? Играйте с живыми людьми — играйте в MMO-игры!

  1. Forge of Empires Стратегии На русском
  2. Малиновка Симуляторы На русском
  3. Кроссаут Экшен На русском
  4. Eternal Fury Reborn RPG На русском
  5. World of Tanks Экшен На русском
  6. Фортнайт Экшен На русском
  7. World of Warships: Корабли Экшен На русском
  8. Вар Тандер Экшен На русском
  9. Элвенар Стратегии На русском
  10. Тотал Батл Стратегии На русском
  11. Рейд: Шедоу Легендс RPG На русском
  12. Варфейс Шутеры На русском
  13. Моя маленькая ферма Стратегии На русском
  14. Игра престолов Стратегии На русском
  15. Показать все игры

можно ли научиться ездить с помощью видеоигр

Некоторые российские автошколы взяли на вооружение симуляторы вождения.  Тренажер, как считают в учреждениях, помогает ученикам побороть панический страх перед первой поездкой на автодроме. Однако методика разделила автолюбителей на два лагеря.

Как показывает практика, все негативные отзывы идут не от учеников, а от самих автошкол, где такого приспособления нет. А как вы хотели, закон рекламы — преврати недостатки в свои достоинства. На самом деле, здесь все банально. Само устройство стоит немалых денег. Наличие тренажера на сегодняшний день официально не является обязательным. Поэтому и бытуют такие мнения, что он не нужен и бесполезен, — отметили в автошколе «Техника».

Несут ли стенды пользу, выясняли журналисты iReactor. Для того чтобы ответить на этот вопрос, стоит обратиться к истории создания автосимуляторов.

Что за симуляторы и откуда они взялись?

Компьютерные игры могут научить человека многим полезным вещам. В 90-х годах водить виртуальный автомобиль геймеры могли в Need For Speed и Carmageddon, а в 2000-м году — в Colin McRae Rally 2. 0. Сейчас репертуар жанра существенно расширился: есть симулятор трактора, комбайна, самолета и легкового автомобиля.

Существует в игровой индустрии такой жанр как автоинструкторы 3D. Если раньше компьютерные гонки делились на аркадные и реалистичные, которые выполняли только развлекательную функцию, то сегодня стали появляться познавательные игры, призванные обучить человека правилам дорожного движения (ПДД). Некоторые из таких симуляторов обладают богатым набором возможностей. Геймер может настраивать дорожный трафик, регулировать количество пешеходов, устанавливать погоду по своему усмотрению и создавать сложные дорожные условия.

Многие такие программы созданы российскими разработчиками, а потому в них использованы карты городов России с улицами, перекрестками, а также остановками общественного транспорта. Реалистичность виртуальной езды можно повысить за счет приобретения игрового контроллера — компьютерного руля с комплектом педалей.

Агентство городских новостей Москва / Любимов Андрей

 

Симулятор дает возможность развивать понимание дорожной обстановки в целом, увеличивая скорость реакции на ситуации, которые могут произойти на дорогах.

 Часть водителей считают удачной идею с установкой автосимуляторов в некоторых школах для начинающих водителей. Другие называют это впустую потраченным временем. Кто же прав?

Мнение профи

Специально для iReactor автоэксперт издания «За Рулем» Михаил Колодочкин оценил важность виртуального обучения. Специалист уверил, что подобный подход может развить навыки передвижения по дорогам общего пользования, однако их будет недостаточно для выживания автомобилиста в реальной среде.

В советские времена использовался такой прием. Человека сажали в ненастоящий автомобиль на стенд. Перед ним мелькали варианты дороги. Это давало примитивные навыки вождения. На мой взгляд, они несущественные. Это игра в реальность. Не более того. Чтобы научиться плавать, нужно лезть в воду, — заверил Колодочкин.

Агентство городских новостей Москва / Любимов Андрей

Вот тебе ледяная дорожка

Специалист полагает, что в видеоиграх герои быстро перемещаются по дорогам на нарисованном транспорте. Водители не понимают, что в реальной жизни опасное маневрирование чревато трагедией. Ведь у человека атрофируется чувство опасности.

Я считаю, что нужно садиться за руль реальной машины на площадочке, где никого нет, и потихоньку на первой передаче или автомате ехать, пытаться вправо, влево повернуть. А в электронных играх мы все крутые, носимся, не боимся ничего. Нет чувства опасности. Оно должно присутствовать, когда ты сидишь за рулем транспортного средства, которое потенциально опасно для других. Внутренний голос должен сказать начинающему автомобилисту: пойми, ты ничего не умеешь делать.

Горе-гонщикам часто говорю: «Ты поезжай куда-нибудь на автодром, и через полчаса сам поймешь, что ничего не умеешь. Вот тебе ледяная дорожка. Поезжай на скорости если не 140 км в час, так хотя бы 80 км в час. Посмотрим, как ты войдешь в поворот». Вы войдете на компьютере, а на живом автомобиле — не уверен. Поэтому, мне кажется, что видеоигры и симуляторы — это профанация, — заключил Колодочкин.

По словам специалиста, куда эффективнее оттачивать навыки вождения в безлюдном месте, передвигаясь на самой медленной скорости, чем тратить время на видеоигры.

Эксперимент: из геймера в гонщика

В популярной британской передаче о машинах Top Gear в 2011 году проводился эксперимент. Его целью было выяснить, можно ли научиться водить настоящую машину, находясь в компьютерной игре. Журналисты взяли геймера Грегера Хюттю, чемпиона мира по игровым гонкам iRacing, и посадили в настоящий болид. Грегер являлся лидером в мире онлайновых гонок. Он лидировал в 2 339 кругах из 2 581. В 2011 году он победил в чемпионате мира, заработав 10 000 долларов.

Задача журналистов была в том, чтобы приучить геймера к сложностям трасс F1, INASCAR и Ле-Мана. В итоге Хюттю продемонстрировал качественный результат, удивив ведущих шоу Top Gear, а также публику передачи.

Федеральное агентство новостей / Степан Яцко

Негативный опыт

После этого эксперимента психологи заявили, что увлечение виртуальными ралли может давать и негативный эффект. Например, лишить человека умения управлять автомобилем на настоящей дороге. По словам специалистов, популярность компьютерных симуляторов высокой точности связана с авариями по всему миру. Все из-за геймеров, привыкших жать на газ по полной на гоночной трассе.

У людей также формируется комплекс победителя, который заставляет водителей продолжать соревнование даже тогда, когда они пересаживаются из симулятора в салон своего личного автомобиля. В итоге имеют место вполне предсказуемые последствия — превышение скорости, агрессивное поведение по отношению к другим автомобилистам и даже столкновения.

В итоге можно точно сказать, что новичкам вождение на профильных симуляторах может помочь обрести нужные навыки, однако избыточное увлечение виртуальными гонками способствует проявлению неосторожности на реальных шоссе. По этой причине подтверждается многовековая поговорка «все хорошо, что в меру».

Филипп Богданов

(PDF) Обзор программного обеспечения моделирования дорожного движения

CSTN-095

имеют реалистичный поток как на автомагистралях, так и в городской транспортной сети, мы рассмотрели различные математические

и статистические объяснения явлений. Другими словами, мы адаптировали имитационную модель дорожного движения, в которой

включает как непрерывный, так и сигнальный потоки. В разд.11 на стр. 13.

14 Резюме и выводы

Большинство пакетов моделирования дорожного движения, упомянутых в этом документе, имеют одно назначение, а именно: помочь инженерам смоделировать

транспортную сеть, которую они планируют построить или планируют добавить в нее модификации. . Каждое из рассмотренных программных приложений

при использовании их полных версий выполнит эту задачу для пользователя и предоставит соответствующую информацию, статистику

и предварительный просмотр транспортной системы, существующей или все еще планируемой.Однако наши интересы в области компьютерного моделирования движения

заключаются в поиске алгоритма навигации или различных алгоритмов навигации, которые обеспечат наилучший поток трафика в уже существующей транспортной сети или типах сетей. Кроме того, алгоритмы навигации

, которые мы в настоящее время изучаем, динамически адаптируются к изменениям в транспортной сети, таким образом,

предоставляет нам средства для исследования того, что происходит в конкретной транспортной сети, когда изменения происходят «на лету».

Базовая модель (например, статистически достоверная) дает нам структуру, в которую можно вставить различные интеллектуальные драйверы

и посмотреть, как они справляются с различными сценариями. «Умные» агенты могут быть изучены с использованием различных алгоритмов поиска путей

или различных стоимостных и эвристических функций, чтобы проверить, какой из них лучше справляется с какими условиями (в

малонаселенных районах, в густонаселенных районах, во время национальных праздников, таких событий, как как парад в центре города, дорога

, ограничения

и т. д.) Базовый алгоритм поиска пути A * может использоваться для изучения различных случаев, реализованных с помощью

различных стоимостных и эвристических функций, мы можем иметь: минимальное необходимое время, минимальное расстояние, минимальное количество

поворотов, дороги с минимальной загруженностью, любые другая вероятная гибридная функция и т. д. Герделан провел обширное исследование

по агентской навигации, сочетающей поиск путей A * и D * с нечеткой логикой. [21] «умные» агенты и исследуют их поведение в этой среде.Мы также планируем исследовать сценарии

, в которых все транспортные средства контролируются нашими «умными» агентами, и изучить результаты этих типов сценариев

, исследованных в различных дорожных сетях. Кроме того, мы хотим иметь разные алгоритмы поиска пути и функции стоимости

, чтобы мы могли изучить их влияние на путь, по которому идут наши «умные» агенты, и то, как этот путь

будет отличаться при использовании другого алгоритма или функции стоимости.

Ссылки

[1] Gantz, D.Т., Мекемсон, Дж. Р.: Сравнение профиля потока микроскопической модели слежения за автомобилем и макроскопической модели рассеивания взвода

для моделирования движения. В: WSC ’90: Материалы 22-й конференции по моделированию Winter

, Пискатауэй, Нью-Джерси, США, IEEE Press (1990) 770–774

[2] Кюне, Р.Д., Рёдигер, МБ: Макроскопическое моделирование. модель для автострады с пробками и стоп-стартом

волны. В: WSC ’91: Материалы 23-й конференции по зимнему моделированию, Вашингтон, округ Колумбия, США, IEEE

Computer Society (1991) 762–770

[3] da Silva, B.К., Юнгес, Р., де Оливейра, Д., Баззан, A.L.C .: Itsumo: интеллектуальная транспортная система

для городской мобильности. В: AAMAS ’06: Материалы пятой международной совместной конференции по автономным агентам

и мультиагентным системам, Нью-Йорк, Нью-Йорк, США, ACM (2006) 1471–1472

[4] Фербер Дж .: Многоагентные системы — Введение в распределенный искусственный интеллект. Аддисон-Уэсли

(1999)

[5] Паручури П., Пуллалареву А.Р., Карлапалем К.: Многоагентное моделирование неорганизованного движения. В: AAMAS

’02: Материалы первой международной совместной конференции по автономным агентам и мультиагентным системам,

Нью-Йорк, США, ACM (2002) 176–183

18

3. Обзор модели имитации трафика — Суррогатные меры безопасности по моделям моделирования дорожного движения, месяц 2010 г.

PDF-файлы можно просматривать с помощью Acrobat® Reader®

3. Обзор модели имитации трафика

Микроскопические имитационные модели обещают собрать суррогатные меры безопасности на перекрестках.Микроскопические модели обычно моделируют дорожные системы для каждого транспортного средства, обновляя положение, скорость, ускорение, положение полосы движения и другие переменные состояния по временным шагам, например, на основе секунд, когда транспортные средства взаимодействуют с сигналами светофора, знаками и т. Д. другие транспортные средства и геометрия проезжей части. Некоторые симуляции позволяют использовать даже меньшие временные шаги для более точного поведенческого анализа и / или использовать структуру, управляемую событиями, для большей вычислительной эффективности. Микроскопическое моделирование обычно также включает подробное моделирование работы светофоров.Точное моделирование светофоров будет требованием для получения суррогатных мер безопасности. Тем не менее, все микроскопические модели имитации дорожного движения были разработаны с учетом того, что водители ведут себя «безопасным» образом, но в соответствии с их конкретными характеристиками поведения водителя (т. Е. Агрессивностью при преодолении разрыва и смене полосы движения). Это верно и в реальном мире, но из-за неправильной оценки и ошибок случаются сбои. При выводе суррогатных показателей необходимо учитывать тот основной факт, что моделирование (в настоящее время) не учитывает возникновение аварий.

Пока не предполагается конкретная форма SSAM (т.е. внутренние улучшения или внешняя обработка выходных данных модели), соответствующие характеристики микроскопического моделирования для этого проекта следующие:

  • Общие характеристики, такие как пользовательская база, стабильность, удобство использования, ошибки модели и т. Д.
  • Поведенческое моделирование взаимодействия водителя и транспортного средства.
  • Способность извлекать подробные данные из моделирования (интерфейсы прикладного программирования (API), выходные файлы, открытый исходный код).
  • Возможность калибровки и выбора параметров моделей.
  • Стоимость изменения источника или выходных данных для поддержки суррогатных показателей.

Общие

Микроскопические модели, которые широко используются в транспортном сообществе, с простыми в использовании анализами, будут предпочтительнее для адаптации для суррогатного анализа мер безопасности. Предпочтительны такие функции, как инструменты анализа постобработки, графические сетевые редакторы и расширяемые компоненты.

Поведенческое моделирование

Для оценки суррогатных мер безопасности микроскопическое моделирование должно моделировать ключевые действия водителя, которые создают возможности для аварий. В основном это:

  • Автомобиль следующий.
  • Акцепт пробела.
  • Смена полосы движения.

Все микроскопические модели имитации дорожного движения включают эти поведения с разным уровнем разрешения и реализма. Однако модели с особенно подробными, реалистичными поведенческими компонентами будут более пригодны для использования на более поздних этапах этого проекта суррогатных мер безопасности.Дается некоторая оценка сравнительных сильных и слабых сторон поведенческих компонентов доступных моделей.

Извлечение данных

Почти все предлагаемые и существующие суррогатные меры безопасности требуют подробной информации о взаимодействии транспортного средства / транспортного средства, которая обычно недоступна для конечного пользователя с помощью микроскопических имитационных моделей. Микроскопическое моделирование с меньшим количеством препятствий для извлечения данных, например предоставление API-интерфейсов или настраиваемых выходных файлов, было бы более подходящим для использования на более поздних этапах этого проекта.

Калибровка и проверка параметров

Вывод суррогатных мер безопасности из имитационных моделей зависит от параметров, используемых в подмоделях поведения и производительности. Возможность калибровки, изменения и управления этими параметрами является ключевой характеристикой микроскопических моделей, которые можно использовать на более поздних этапах этого проекта.

Стоимость

Внесение изменений в существующую структуру модели, архитектуру и графические интерфейсы пользователя (GUI), а также добавление выходных данных, добавление входов и других функций специализированного программного обеспечения может быть дорогостоящим.Микроскопическое моделирование, имеющее номинальную стоимость модификации (например, совместный поставщик, готовый вносить модификации бесплатно), будет более подходящим для использования на более поздних этапах этого проекта. Также следует учитывать влияние прошлых государственных расходов (например, инвестиции CORSIM).

Эти характеристики более подробно оцениваются по сравнению с общедоступными микроскопическими моделями моделирования дорожного движения в следующих разделах. Рассмотрены модели CORSIM, Verkehr in Stadten — Simulation (VISSIM), Simtraffic, Paramics, HUTSIM, Texas, Wide-Area Traffic Simulation (WATSIM), Integration и AIMSUN. В сообществе доступны и другие микроскопические модели имитации дорожного движения, которые используются в основном для исследований (65). Оценивались только те, которые в той или иной степени коммерчески поддерживаются.

Некоторые элементы таблиц содержат оценочные суждения для конкретной характеристики модели (высокая, средняя, ​​низкая, возможная). Эти суждения являются мнением авторов и не отражают никаких официальных мнений или политики FHWA. Информация, которой не было, помечена как «NI». Атрибуты, которые не применимы к конкретной имитационной модели, помечены как «N / A».Некоторые «да» помечены звездочкой, что указывает на то, что в разделе обсуждения для этой строки таблицы доступна дополнительная информация. Оценка не является исчерпывающей и ограничивалась финансированием, имеющимся в рамках этого контракта. Она включает только эти элементы микроскопических симуляций, которые, как ожидалось, повлияют на суррогатную оценку безопасности и сбор суррогатных показателей. Были приложены максимальные усилия для проверки точности оценок с разработчиками имитационной модели и изучением доступной документации (66, 67, 68, 69, 70, 71, 72 , 73, 74, 75, 76, 77, 78, 79, 80).

Общий

В таблице 2 сравниваются имитационные модели, включенные в этот обзор, для следующих общих характеристик модели:

Исходный код доступен

Доступность исходного кода упрощает изменение, модификацию модели и понимание лежащих в ее основе моделей. Из рассмотренных только CORSIM и Texas имеют доступный исходный код. Остальные модели представляют собой коммерческие продукты, которые являются основной сферой деятельности организаций-разработчиков.

Взаимодействие с внешними кодами

Разработчики, которые связали свои симуляции с другими внешними программными модулями, имеют больший опыт и понимание того, что потребуется для внешней ссылки на SSAM. Например, CORSIM был связан с прототипами адаптивной системы управления (ACS) и техникой оптимизации разделения, цикла и смещения (SCOOT), VISSIM был связан с Virtual NextPhase, а AIMSUN был связан с Sydney Coordinated Adaptive Traffic System (SCATS) .

Инструменты анализа постобработки

Моделирование с существующими постпроцессорами, скорее всего, построено так, чтобы позволить SSAM работать независимо от основного кода. Paramics и AIMSUN поставляют инструменты постобработки вместе с их программным обеспечением. Многие пользователи CORSIM и VISSIM создали постпроцессоры для вывода модели (и делятся ими в сообществе пользователей), но «интегрированные» инструменты недоступны в самом программном обеспечении. Техас может выводить данные в форматированные текстовые файлы для импорта в электронные таблицы (62).

Графический редактор сети

Позволяет легко создавать, манипулировать и визуализировать модели. Предпочтительно из-за простоты использования. Большинство моделей включают в себя какую-либо форму графического редактора (некоторые из них проще в использовании, чем другие).

Расширяемый графический редактор сети

«Расширяемый» сетевой редактор может позволять конфигурировать внешние коды, устанавливать параметры и т. Д. В сочетании с созданием и конфигурацией сети.Paramics заявляет о «расширяемом» сетевом редакторе, входящем в их набор API.

Работает на персональном компьютере (ПК)

Важен для простоты использования и распространения среди самого широкого круга пользователей. Все рассмотренные модели работают на ПК как в собственном, так и в эмуляционном режиме.

Объектно-ориентированный

Моделирование с объектно-ориентированной структурой, вероятно, было бы проще модифицировать, улучшать и дополнять для функциональности SSAM (конечно, это не гарантирует, что объектная модель является подходящей или полезной).

Моделирование управляемых сигналов

SSAM предназначен для анализа перекрестков в Северной Америке, который включает включенные светофоры (например, оценка трехфазных и четырехфазных сигналов с точки зрения безопасности). Для приложения SSAM предпочтительны симуляции, которые явно моделируют управляемые сигналы. CORSIM включает явное моделирование восьмифазных контроллеров Национальной ассоциации производителей электроники (NEMA) (вплоть до моделирования на уровне кода сборки), но не имеет подробного моделирования перехода (переход не обязательно требуется для анализа SSAM).VISSIM моделирует все контроллеры, используя свой язык моделирования генератора состояний сигналов (VAP), или предоставляет программный интерфейс для полевого программного обеспечения, включая NextPhase, Vehrkers Systeme — Plus (VS-PLUS), SCATS и NH-VOS (Нидерланды — акроним отсутствует). Однако проблема с подключением непосредственно к полевому микропрограммному обеспечению для точного моделирования контроллера сигналов заключается в запуске моделирования только в режиме реального времени (т.е. для выполнения 4-часового (h) моделирования требуется 4 часа). AIMSUN также позволяет моделировать контроллер NEMA через внешний программный интерфейс.

Таблица 2. Сравнение общих характеристик моделирования.

ni Нет информации

н / д Не применимо

* Программное обеспечение может выводить форматированные текстовые файлы для анализа электронных таблиц

** С использованием языка VAP

*** С использованием аппаратного обеспечения

Моделирование поведения

В таблице 3 сравниваются имитационные модели, включенные в этот обзор, по многим характеристикам вождения и подробным характеристикам моделей.Также следует отметить, что все поведения взаимосвязаны, и также важно поведение, возникающее в результате комбинации элементов.

Параметризованная модель допуска зазора

Один из ключевых элементов любого микроскопического моделирования. Настраиваемые параметры необходимы для оценки чувствительности SSAM к процедуре принятия пробелов. Все рассмотренные модели включали модель принятия пробелов с настраиваемыми параметрами.

Модель с параметризованной сменой полосы движения

Один из ключевых элементов любого микроскопического моделирования.Настраиваемые параметры необходимы для оценки чувствительности SSAM к процедуре смены полосы движения. Все рассмотренные модели включали модель смены полосы движения с настраиваемыми параметрами.

Параметризованная модель слежения за автомобилем

Один из ключевых элементов любого микроскопического моделирования. Настраиваемые параметры необходимы для оценки чувствительности SSAM к процедуре следования за автомобилем. Все рассмотренные модели включали в себя модель для следования за автомобилем с настраиваемыми параметрами (81).

Параметризованная скорость поворота

Скорость, с которой совершаются повороты, должна настраиваться пользователем или изменяться в зависимости от радиуса поворота, количества полос движения и т. Д. Возможно, что модель скорости поворота может повлиять на расчет суррогатных показателей. SIMTRAFFIC заявляет о параметризованной модели скорости поворота, а VISSIM и Texas позволяют зависеть от скорости поворота от типа транспортного средства и радиуса поворота.

Реакция на желтый

Моделирование реакции водителя на желтый цвет важно для измерения характеристик зоны дилеммы.Это может быть важно для расчета суррогатных показателей, если модель реакции зависит от типа водителя, типа транспортного средства и т. Д. Большинство рассмотренных моделей имеют реакцию «по типу водителя». Paramics перечисляет свои возможности моделирования «по драйверам». Это подразумевает непрерывную шкалу параметров, а не набор фиксированных параметров (по одному для каждого типа). VISSIM имеет модели реакции с определенными настройками параметров типа драйвера для обеих сигнальных последовательностей с мигающими сигналами и без них (как для европейских, так и для североамериканских подходов к сигнализации).

Регулируемое время реакции водителя

Отражает способность модели отображать задержку между идентификацией водителем потенциального столкновения и применением мер контроля (торможение, ускорение или смена полосы движения) для предотвращения столкновения. В реальном мире время реакции водителей зависит от опыта, возраста и т.д.

Перемещения коробки пересечения

Для оценки суррогатных мер безопасности важно, чтобы симуляция смоделировала движение транспортных средств на перекрестке со значительной точностью.Например, для левых поворотов Texas моделирует движения перекрестков как комбинации дуг подходящего размера от центра начальной полосы движения до центра полосы приема.

Переменный коэффициент ускорения (и замедления)

Моделирование должно включать моделирование различных возможностей транспортного средства по типу транспортного средства. Нереалистичные DR (и максимальные распределения DR) могут недооценивать истинную статистику суррогатных показателей. Это включено во все модели, которые были рассмотрены.

Пределы видимости и дальности

Модели, которые ограничивают «прогнозируемое» расстояние водителей при принятии решений (или моделируют прогнозное расстояние по водителю или типу водителя), могут более точно моделировать осведомленность водителей в статистике суррогатных показателей. Кроме того, ограничения расстояния видимости могут отражать моделирование препятствий на проезжей части, таких как повороты, гребни, деревья, здания и т. Д. Это также может относиться к моделированию ограничений видимости в транспортном средстве, таких как те, которые возникают при следовании за большим грузовиком. .В большинстве рассмотренных моделей отсутствует сложное моделирование ограничения расстояния видимости. В VISSIM есть моделирование как количества транспортных средств, которые нужно смотреть вперед, так и расстояния вперед, которые необходимо учитывать перед выполнением маневров (как и другие модели, перечисленные в таблице), но эффекты окклюзии не моделируются. CORSIM имеет ограничение расстояния видимости для транспортных средств на полосе остановки, чтобы видеть впереди транспортные средства, которые не могут двигаться на перекрестке.

Выход проката

Точное моделирование знаков урожайности и местоположения будет иметь решающее значение для точного сбора суррогатных показателей.Предполагается, что SSAM будет использоваться для анализа безопасности операций по добыче в сравнении с остановками или операциями по сигналу. «Катящийся» выход указывает, что операция выхода может происходить с замедленным транспортным средством, которое не полностью останавливается перед повторным входом в поток движения.

Транспортные средства взаимодействуют с пешеходами

Безопасность пешеходов имеет огромное значение для инженеров дорожного движения. Моделирование взаимодействия транспортных средств с пешеходами может дать возможность оценить влияние различных альтернатив на безопасность пешеходов (82).VISSIM и Paramics явно моделируют движения пешеходов на пешеходных переходах во время пешеходного движения.

Дружественное объединение

Относится к явлению, когда определенные типы водителей замедляют движение или останавливаются, чтобы позволить транспортным средствам (более) безопасно соединяться друг с другом, которое происходит в реальном мире, в отличие от моделирования замедления или остановки только в реактивном смысле. Дружественное слияние означает, что следующее транспортное средство может создать зазор для сливающегося транспортного средства. CORSIM и VISSIM включают такое поведение, а AIMSUN включает такое поведение для пересечений рамп.

Моделирование поведения при слиянии нескольких линий

Во многих местах транспортные средства, входящие в основной поток, обычно пересекают путь встречного транспортного средства, движущегося в том же направлении, что и предполагаемое направление движения входящего транспортного средства, и начинают ускоряться на соседней полосе движения. Таким образом, встречное транспортное средство может продолжить движение на своей текущей скорости, не останавливаясь для поворачивающего транспортного средства (маневр считается вежливым поведением).Имитационные модели, которые допускают такое поведение, будут более точно отображать конфликтное поведение регионов, которые испытывают большие объемы такого поведения с широкими многополосными артериями. VISSIM может смоделировать такое поведение с предпочтительными полосами для въезда для определенных типов водителей, но это не зависит от полосы, в которой находится встречный автомобиль.

Моделирование полосы отвода на перекрестке

Существенной проблемой для моделирования конфликтных событий является то, что некоторые повороты должны вызывать события торможения движением, имеющим полосу отчуждения (т.д., поворот налево перед встречным движением) считаться небезопасным событием. Если имитационная модель не отражает такое поведение, суррогаты не могут быть разумно измерены. Например, AIMSUN вычисляет TTC в начале маневра левого поворота, чтобы определить, можно ли принять разрыв при разумном торможении транспортным средством с правом отвода. Следовательно, некоторые маневры по принятию пробелов по определению вызовут конфликтные ситуации.

Моделирование / регистрация сбоев маневра

Принятие разрыва — одно событие, которое может вызвать конфликтные события.С другой стороны, события «отклонения разрыва» также могут иметь суррогатное значение для безопасности. Модели, которые могут фиксировать отклонение или «отказ» процесса принятия пробелов, могут дать другую суррогатную меру распределения и количества отклоненных пробелов. Модели, которые могут экспортировать детали событий приема пробелов, также могут легко экспортировать детали событий отказа пробелов. Например, Техас может экспортировать таблицу «проверки» конфликта (по сути, отклонение, если за ним не следует событие принятия) и событий принятия.

Парковочные маневры

Парковка на улице (параллельная и двойная парковка) создает конфликтные ситуации, смену полосы движения и т. Д. В реальном мире и оказывает значительное влияние на безопасность. Предпочтительны симуляции, моделирующие маневры при парковке на улице. CORSIM моделирует парковку как «случайно происходящие дорожные происшествия переменной продолжительности», а не явно моделирует фактические транспортные средства, которые останавливаются на стоянке, а затем возобновляют свою поездку позже. Средняя продолжительность событий парковки должна быть менее 100 секунд, и их должно быть более 14 событий в час.

Моделирование указателей поворота

Одним из важных аспектов конфликтных ситуаций сзади является использование водителями указателей поворота. То, как поворотники (т. Е. Отсутствие сигналов) влияют на логику следования за автомобилем и смены полосы движения, важно для оценки частоты и серьезности событий конфликта сзади. Сигналы поворота — особенно сложное модельное явление. AIMSUN, например, моделирует «аварийную ситуацию», когда транспортное средство меняет полосу движения перед поворотом, чтобы определить, насколько агрессивно транспортное средство будет отрезать транспортные средства с полосой отвода, чтобы сделать поворот, что можно рассматривать как форму неявного моделирование поворотников.VISSIM моделирует поворотники для смены полосы движения (т.е. всегда используются поворотники, и некоторые водители открывают зазоры, чтобы позволить слияние), но не моделирует наличие или отсутствие указателя поворота на правом или левом повороте на перекрестке. Кроме того, наличие указателя поворота на транспортном средстве на соседней полосе влияет на поведение водителя.

Разворот

Развороты часто вызывают конфликтные ситуации, а в некоторых местах наблюдается достаточно большой объем трафика, чтобы их влияние на безопасность было устранено (например,g., включая развороты на предприятия на углу перекрестка или на съезд на автостраду). Предпочтительны симуляции, включающие моделирование разворотов.

Истоки и пункты назначения на углах пересечения

Многие конфликтные ситуации возникают из-за того, что транспортные средства не поворачивают на самом перекрестке, а едут к предприятиям на углах перекрестка (например, к магазинам, заправочным станциям, ресторанам). Имитационные модели, которые могут представлять подробные ситуации бизнес-доступа, будут предпочтительнее тех, которые не могут имитировать такие ситуации.Например, CORSIM столкнется с трудностями при моделировании таких ситуаций, потому что каждая подъездная дорога должна быть смоделирована как отдельный узел (перекресток), а минимальная длина звена составляет 50 футов (15,15 м) (некоторые подъездные пути могут быть меньше 50 футов). требуется специальная кодировка ссылки

Извлечение данных

В таблице 4 сравниваются имитационные модели, включенные в этот обзор, по следующим характеристикам извлечения данных из симуляции:

Состояния транспортного средства, экспортируемые в файл

Указывает, что симуляция способна экспортировать все переменные состояния транспортного средства (скорость, местоположение, ускорение, полоса движения, следующий идентификационный номер (ID) и т. Д.)) в файл, который может быть обработан внешним SSAM. CORSIM включает API, который позволяет это. Paramics, VISSIM и AIMSUN также позволяют экспортировать переменные состояния автомобиля.

Формат опубликованного анимационного файла

Указывает, что формат файла анимации моделирования известен или опубликован. Это было бы важно, если бы выходной файл анимации содержал достаточно информации, чтобы позволить внешнему SSAM производить значимые оценки. Формат CORSIM известен и доступен; формат Paramics известен, и VISSIM публикует файл.Формат BTX, содержащий переменные состояния транспортного средства, которые включают информацию, которая может использоваться для внешней визуализации.

API Доступен

Моделирование с определенными API-интерфейсами больше подходит для взаимодействия с SSAM без значительных изменений внутреннего кода. API-интерфейсы доступны для ряда кодов, хотя стандартов нет.

Выходной файл (ы) Настраиваемый

Конфигурируемые выходные файлы позволяют моделированию скрывать или отображать определенную статистику (вычислять или не вычислять).Эта возможность может быть использована для простого отображения определенной агрегированной статистики SSAM или нет.

Экспортируемые события приема-зазора

Моделирование, которое может экспортировать данные на основе возникновения событий, является предпочтительным (а не просто хронологией переменных состояния для всех транспортных средств, которые SSAM придется обрабатывать на постобработке). Например, Техас может экспортировать детали проверки конфликтов для принятия и отклонения пробелов.

События отклонения разрывов, экспортируемые

Обратной стороной экспорта событий принятия пропусков является экспорт событий отклонения пропусков.Техас, например, может экспортировать проверки конфликтов, которые не подходят для принятия пробелов.

Экспорт событий смены полосы движения

Моделирование, которое может экспортировать данные на основе возникновения событий, является предпочтительным (а не просто хронологией переменных состояния для всех транспортных средств, которые SSAM придется обрабатывать на постобработке). Детали смены полосы движения могут указать, произошло ли конфликтное событие.

Переменные состояния транспортного средства включают положение X, Y

Для оценки суррогатных показателей конфликтных событий требуется положение x, y для каждого транспортного средства с течением времени (абсолютные x, y, а не только относительные x, y, до конца звена, например, если артериальная артерия моделируется и не просто один перекресток).

В настоящее время включает статистику конфликтов

Моделирование, которое уже вычисляет статистику конфликтов или дает определенные суррогаты, безусловно, будет предпочтительнее тех, которые этого не делают. Техас, похоже, в настоящее время включает расчеты, наиболее близкие к расчетам суррогатных показателей. VISSIM также сообщает о различных выходных данных, связанных с TTC (с исследовательской версией лицензии на программное обеспечение), которые используются различными производителями автомобилей (BMW, DaimlerChrysler, Volkswagen, Ford) для проверки влияния алгоритмов автоматического круиз-контроля на движение.Эти выходные данные рассчитываются для транспортных средств, движущихся в одном направлении (т. Е. При смене полосы движения на многополосных связях и в зонах слияния на выездах и въездах). Имеется меньше опыта с расчетами TTC в VISSIM для конфликтных маневров на перекрестках.

Таблица 4. Сравнение возможностей извлечения данных. Сводная статистика TTC по расстоянию от перекрестка на подход

Калибровка и параметры

В таблице 5 сравниваются имитационные модели, включенные в этот обзор, по следующим характеристикам, связанным с параметрами, выбираемыми пользователем:

Переменные временные шаги

Симуляции с настраиваемой длиной временного шага предпочтительнее симуляций с фиксированными временными шагами для оценки чувствительности суррогатных мер к размеру временного шага.Кроме того, симуляции с переменными временными шагами имеют более надежные модели поведения. Примечательно, что CORSIM не позволяет настраивать временные шаги.

Временной шаг <1,0 секунды

Точность оценки суррогатных показателей зависит от частого обновления переменных состояния. Временные масштабы принятия решения для оценки суррогатной меры составляют доли секунды. Моделирование должно позволять моделировать эту точность. Многие модели включают настраиваемое разрешение временного шага.

Изменение критериев приемлемости с задержкой

Многие водители в реальном мире меняют свое поведение в зависимости от того, как долго они ждали (т. Е. Они принимают меньшие зазоры и применяют большее ускорение, чем дольше они ждали, чтобы совершить определенное встречное движение). Предпочтительны симуляции, моделирующие такое поведение. AIMSUN и Paramics утверждают, что моделируют такую ​​функциональность для пересекающихся потоков; VISSIM и CORSIM моделируют поведение принятия пробелов для смены полосы движения, которое изменяется на основе расстояния до требуемого движения (AIMSUN и Paramics также моделируют тип срочности смены полосы движения по мере приближения точки принятия решения).

Длина автомобиля

Безопасность конкретных конфликтующих маневров зависит от размера задействованных транспортных средств. Все рассмотренные модели включают длину транспортного средства.

Длина транспортного средства с учетом Gap Logic

Суррогатные меры, основанные на близости двух транспортных средств в пространстве и времени, значительно подвержены влиянию, если транспортные средства моделируются в виде точек, а не прямоугольников. Некоторые результаты анимации показывают, что в некоторых моделях длина транспортного средства не учитывается должным образом для принятия зазора, или процедуры анимации недостаточно точны, чтобы указать, что транспортные средства не столкнулись бы в реальном мире.

Переменный ход

Водители разных типов сохраняют разную скорость движения между транспортным средством, за которым они следуют, в зависимости от их уровня принятия рисков. Это должно быть отражено в моделировании для точного представления суррогатных показателей. Все модели включают эту функцию в той или иной степени.

Переменный интервал разгрузки очереди

В связи с переменным интервалом, когда очередь рассеивается на светофоре, разные типы водителей реагируют с разной скоростью, что может повлиять на суррогатные меры (в первую очередь, на меры по конфликту сзади).Все модели, кроме интеграции, которая не моделирует адекватным образом динамику пересечения, включают эту функцию.

Таблица 5. Калибровка и сравнение параметров.

ni Нет информации

н / д Не применимо

* принятие зазора для смены полосы движения с поправкой на расстояние до требуемой точки маневра

** хотя результаты анимации показывают иное

Стоимость

В Таблице 6 сравниваются имитационные модели, включенные в этот обзор, по стоимости, необходимой для внесения изменений для поддержки суррогатного моделирования безопасности.Каждая стоимость помечена как «высокая», «средняя» или «низкая». Низкая стоимость означает, что требуемые усилия оцениваются менее чем в человеко-месяц. Средняя стоимость означает, что требуемые усилия составляют менее трех человеко-месяцев. Высокая стоимость означает, что требуемые усилия оцениваются более чем в три человеко-месяца.

Стоимость модификации API

Ожидаемая стоимость в относительном масштабе (высокая, средняя, ​​низкая) для модификации, изменения или обновления API (ов) моделирования для обеспечения работы SSAM.

Стоимость изменения выпуска

Ожидаемая стоимость в относительном масштабе (высокая, средняя, ​​низкая) для модификации, изменения или обновления выходных файлов или форматов моделирования для обеспечения работы SSAM.

Стоимость изменения ввода

Ожидаемые затраты в относительном масштабе (высокая, средняя, ​​низкая) на модификацию, изменение или обновление входных файлов или форматов моделирования для обеспечения работы SSAM (при необходимости).

Таблица 6.Сравнение стоимости модификации.

ni Нет информации

н / д Не применимо

Предыдущий | Содержание | Далее

Основы моделирования дорожного движения | SpringerLink

Растущая мощь компьютерных технологий, развитие программного обеспечения и появление интеллектуальных транспортных систем (ITS) во всем мире помогли сделать моделирование трафика одним из наиболее часто используемых подходов к анализу трафика в поддержку проектирования и оценки транспортных систем. .Способность программного обеспечения для моделирования дорожного движения имитировать изменчивость во времени явлений трафика делает его уникально полезным инструментом для определения сложности транспортных систем. Несмотря на то, что доступно большое количество программ для моделирования, ни одна книга не представила единого подхода к этому предмету.

Основы моделирования дорожного движения — первая книга, в которой практикующим и исследователям предлагается всестороннее описание современного состояния моделирования дорожного движения. Ведущие исследователи по всему миру предоставляют актуальную информацию по:

— Моделирование как хорошо зарекомендовавший себя и обоснованный метод операционной и его особенности применительно к транспортным системам.

— Основные подходы к моделированию дорожного движения и принципы построения имитационной модели дорожного движения.

— Основы теории транспортных потоков и их применение к моделированию трафика в микроскопическом моделировании трафика, мезоскопическом моделировании трафика и макроскопическом моделировании трафика.

— Принципы динамического назначения трафика и их применение для моделирования трафика.

— Калибровка и проверка имитационных моделей дорожного движения.

Эта важная работа понравится профессионалам, включая консультантов по транспорту, менеджеров проектных фирм и правительства, и даже разработчиков программного обеспечения для моделирования.Он также предоставит исследователям первый исчерпывающий обзор предмета и может служить в качестве текста или рекомендованного материала для чтения в курсах по моделированию дорожного движения и анализу транспорта.

Математическое программирование Исследование операций Моделирование Транспорт Транспортная инженерия Моделирование транспорта Линейная оптимизация Моделирование движения Ландшафт / региональное и городское планирование

Как имитировать трафик в городских сетях с помощью SUMO | by Skanda Vivek

Понимание, прогнозирование и, в конечном итоге, снижение заторов в городских сетях — сложная проблема.Даже понять возникновение заторов в самом простом случае — на однополосной дороге — сложно. Платформа моделирования городской мобильности (SUMO) — это платформа с открытым исходным кодом, которая позволяет моделировать транспортные потоки в сложных средах. Но помимо документации SUMO, нескольких сообщений о переполнении стека и некоторых видео на YouTube, я нашел не так много руководств, которые научат вас создавать сложную симуляцию трафика от начала до конца. В этой статье мы сделаем именно это на примере анализа трафика в грид-сетях.Статья структурирована следующим образом:

  1. Зачем изучать трафик в городских сетях?
  2. Начало работы с SUMO
  3. Моделирование трафика в сетевых сетях
  4. Анализ ключевых метрик производительности трафика
  5. Будущие направления моделирования реалистичного трафика

В первой статье я обсуждаю документ, который убедительно показал, как «фантомные» ударные волны движения возникают из ничего, кроме взаимодействия с водителями.

Машины по кругу | Tadaki et al., 2013 New J. Phys. 15 103034

Недавние исследования показывают, что оптимизированное взаимодействие между автономными транспортными средствами может потенциально уменьшить пробки для искусственных сценариев, таких как движение транспортных средств по кругу. Но что происходит, когда у вас несколько дорог, как в типичной городской дорожной сети? Интересно, что простое увеличение пропускной способности за счет большего количества полос движения или более длинных дорог может работать не так хорошо, как вы думаете, в дорожных сетях. В другой статье я показываю, как «парадокс Браесса» приводит к необычному результату: увеличение количества дорог в городской сети может ухудшить дорожное движение!

До участия в интенсивных инфраструктурных проектах, таких как строительство новых дорог, добавление полос движения, светофоры и т. Д.- важно иметь реалистичное моделирование транспортных потоков, чтобы предлагаемые проекты имели наилучшие шансы на успех в уменьшении дорожного движения. Ситуация усложняется при объединении в картину крупных мероприятий, таких как концерты, спортивные соревнования и т. Д., Или общественных зданий, таких как аэропорты и больницы. В ближайшем будущем важно смоделировать эффекты предлагаемых подключенных транспортных средств и технологических инноваций в области интеллектуального транспорта, чтобы наилучшим образом реализовать их потенциал в оптимизации транспортных потоков.

Моделирование трафика, похоже, принадлежит нишевому сообществу исследователей транспортных потоков или инженерных компаний-подрядчиков. Например, Anylogic, VISSIM и Aimsun — это компании, предлагающие решения для моделирования трафика и мобильности. Тем не менее, SUMO является открытым доступом, и с ним довольно легко начать работу.

Есть несколько способов установки SUMO, но я предпочитаю способ установки pip, который устанавливает SUMO, а также библиотеки python для взаимодействия с SUMO.

 python -m pip install sumo 

Вот и все! Теперь приступим к созданию вашей первой симуляции потока трафика в сети!

В городском планировании сетевые дорожные сети довольно распространены.В SUMO мы устанавливаем сетку 5×5 с каждой дорогой длиной 200 м и 3 полосами, как показано ниже:

 netgenerate - grid - grid.number = 5 -L = 3 - grid.length = 200 - output-file = grid. net.xml 

Затем мы используем randomTrips.py, расположенный в папке tools в домашнем каталоге SUMO ( sumo -> tools ), чтобы сгенерировать случайные поездки для определенного количества транспортных средств (200 транспортных средств в примере ниже). Время начала и окончания обозначает время, в течение которого автомобили входят в симуляцию. Я выбрал 0 и 1, что означает, что все автомобили входят в симуляцию в первую 1 секунду симуляции.Период обозначает интенсивность прибытия транспортных средств.

 randomTrips.py -n grid.net.xml -oflow.xml - начало 0 - конец 1 - период 1 - потоки 200 

Затем мы генерируем маршруты, взятые отдельными транспортными средствами с помощью Jtrrouter SUMO, от 0 до 10000 .

 jtrrouter - flow-files =flow.xml - net-file = grid.net.xml - output-file = grid.rou.xml - begin 0 - end 10000 - accept-all-destination 

Наконец, для простоты мы хотим поддерживать постоянную плотность. Самый очевидный способ сделать это — беспорядочно управлять транспортными средствами и не выходить из симуляции.Для этого мы используем модель движения на Манхэттене, где транспортные средства, встречающие перекресток, выбирают движение прямо, налево или направо в зависимости от заданной вероятности. По умолчанию в SUMO транспортные средства выходят из симуляции, как только достигают места назначения. Однако в SUMO реализована модель Манхэттена с использованием скрипта Python непрерывного перенаправления.

 generateContinuousRerouters.py -n grid.net.xml - end 10000 -o rerouter.add.xml 

Затем мы создаем файл конфигурации sumo, чтобы запустить симуляцию в SUMO, которая в основном представляет собой файл.xml с определенными атрибутами, содержащими имена сетевого файла, файла маршрута и дополнительного файла изменения маршрута для транспортных средств, которые будут оставаться в моделировании до тех пор, пока симуляция не будет завершена. Мы определяем выходной файл для хранения подробной информации о транспортном средстве во время моделирования дорожного движения.

 <конфигурация> 








Наконец, мы запускаем моделирование в терминале, как показано ниже. Период обозначает интервал времени, в котором сохраняются данные — 100 обозначает сохранение информации о транспортном средстве, то есть скорости и местоположения, каждые 100 временных шагов.

 sumo-gui -c grid.sumocfg - device.fcd.period 100 

При запуске этого всплывающего окна появляется графический интерфейс SUMO, где вы можете увидеть всю симуляцию!

Моделирование сетки SUMO | Skanda Vivek

Цвета транспортных средств указывают на их скорость от самой низкой (красный) до максимальной (зеленый).

Достаточно просто для одного моделирования… А как насчет нескольких прогонов?

Довольно утомительно вручную менять каждый параметр и выходной файл вручную. Это складывается, если у вас есть более 100 прогонов для изучения того, как меняется трафик с различными параметрами, такими как количество транспортных средств, и несколько прогонов для статистического усреднения.

Для этого я связал SUMO в командной строке с python с помощью модуля ОС:

Выводы SUMO xml содержат информацию о времени, положении и скорости отдельного транспортного средства на каждом временном шаге.Я хочу проанализировать, как скорость зависит от плотности или количества транспортных средств в моделировании — в основном получаю скорость на каждом временном шаге, усредняя по всем транспортным средствам в моделировании.

Наконец, я строю график зависимости скорости от плотности, где каждый прогон моделирования имеет индивидуальную плотность.

Скорость в зависимости от плотности по результатам моделирования трафика в сетях с помощью SUMO | Skanda Vivek

Как видите, с увеличением плотности скорость уменьшается. Это связано с тем, что чем больше транспортных средств в моделировании, тем больше заторов, что приводит к снижению скорости движения.Это то, что все мы видели на трассе, особенно в час пик.

Другой часто используемый параметр при моделировании дорожного движения — поток. Как я уже говорил в предыдущей статье, поток измеряет количество транспортных средств за раз, которые проходят через заданную точку, и является мерой пропускной способности транспортных средств. Поток задается как:

Поток трафика | Skanda Vivek

Где суммирование ведется по всем скоростям транспортного средства в пределах длины L, а количество полос движения = n_l.

При низкой плотности каждое транспортное средство в основном движется с предельной скоростью, поэтому поток увеличивается линейно с плотностью ( красная линия на графике ниже).Однако при более высокой плотности транспортные средства не могут двигаться с предельной скоростью, и в определенный момент эффект большего количества транспортных средств нейтрализуется каждым транспортным средством, движущимся с меньшей скоростью, что приводит к уменьшенному потоку. Выше характерной плотности ( ~ 0,1–0,2 в этой модели) возникают пробки и поток затухает с плотностью. Поток

в зависимости от плотности по результатам моделирования трафика в сетях с помощью SUMO | Skanda Vivek

Я показал, как с помощью SUMO + Python настроить базовое моделирование трафика и ансамблевые прогоны в репрезентативных грид-сетях.Однако это ни в коем случае не полное моделирование городских сетей. В недавнем исследовании, в котором использовались данные городской уличной сети OpenStreetMap и OSMnx, было обнаружено, что в некоторых городах есть заметные сети, такие как сети, а в других — нет. SUMO включает возможность моделирования трафика в городских уличных сетях путем преобразования данных OpenStreetMap в файлы SUMO .net.

Но помимо моделирования в реалистичных городских сетях, существует также проблема калибровки этих имитаций трафика в соответствии с ежедневными моделями трафика.Чтобы соответствовать подробным схемам движения, которые наблюдаются в повседневной жизни, необходимо учитывать приливы и отливы у людей, выходящих на дороги — где они входят, когда они входят и когда / где они уходят. Это становится чрезвычайно сложной проблемой, поскольку невозможно узнать каждую траекторию транспортного средства. В настоящее время многие автомобили передают данные GPS таким компаниям, как INRIX и HERE technologies. Такие компании, как Google и Apple, используют данные сотовых телефонов для получения разреженной информации о местоположении и скорости. Однако это может предоставить информацию только о небольшой выборке из всего населения.Транспортный поток — очень нелинейная проблема; это означает, что небольшие изменения могут иметь экстремальные последствия.

В то же время вы хотите, чтобы результаты моделирования трафика соответствовали начальным условиям. Результаты должны четко указывать, имеет ли предлагаемый проект значительное улучшение транспортного потока — для широкого диапазона сценариев. Это сложная задача — иметь подробные крупномасштабные модели дорожного движения, которые выполняются за приемлемый промежуток времени и являются реалистичными.

На странице SUMO есть только несколько таких реалистичных сценариев.Вверху страницы написано:

Создание сценария — это большая работа. Если вы создали сценарий SUMO, которым можете поделиться (под достаточно открытой лицензией), свяжитесь с нами.

Надеемся, что демократизация данных о мобильности трафика, повышение доступности вычислительных ресурсов и платформы моделирования трафика с открытым исходным кодом сделают это крупномасштабное моделирование более доступным. Городское движение — это удивительно сложная игра, которая дает представление о дышащих, живых городах.

Код этого проекта доступен на GitHub:

Ссылки:

  1. R. E. Stern, et al. «Рассеяние остановок и остановок посредством управления автономными транспортными средствами: полевые эксперименты», arXiv (2017).
  2. Г. Боинг, «Городской пространственный порядок: ориентация уличной сети, конфигурация и энтропия», Прикладная сетевая наука (2019).
  3. П. Л. Альварес и др. «Микроскопическое моделирование движения с использованием SUMO», Международная конференция по интеллектуальным транспортным системам.IEEE (2018).

Следуйте за мной , если вам понравилась эта статья.

Подпишитесь на мой информационный бюллетень, если вам нравится целостный взгляд на взаимосвязь между технологиями и современным обществом.

Приложения интегрированного симулятора дорожного движения

Симуляторы вождения обеспечивают реалистичные настройки моделирования для изучения поведения водителя в различных условиях. Поведение водителя часто зависит от дорожных условий.Несмотря на то, что симуляторы вождения были значительно улучшены для создания движения вокруг транспортного средства водителя, симуляция транспортного средства основана на детерминированной модели, которая не учитывает реалистичную кинематику и взаимодействие транспортных средств.

Симуляторы трафика обеспечивают более реалистичную картину движения. Моделирование смены полосы движения, движения вперед, принятия разрыва и обгона основано на теории транспортного потока. Хотя они являются мощными инструментами для моделирования отдельных транспортных средств и их взаимодействия, им не хватает возможности моделирования взаимодействия с людьми.Интеграция симуляторов вождения и дорожного движения расширит возможности как моделирования вождения, так и моделирования дорожного движения и откроет новые области применения.

Интеграция симуляторов вождения с симуляторами дорожного движения делает дорожную среду более реалистичной для опытных водителей симуляторов вождения. Однако объединить два симулятора очень сложно из-за существенного различия в их природе. Эта тема исследования направлена ​​на то, чтобы осветить трудности интеграции, предоставить решения для более плавного процесса интеграции и представить новые приложения такой интеграции, которая является наиболее сложной, ненадежной или невозможной без такой интеграции.

Эта тема исследования представляет собой форум для исследователей транспорта в области поведения водителей, психологических особенностей человека, интеллектуальных транспортных систем, современных информационных систем для путешественников, а также транспортных потоков и операций.

Ключевые слова : Симулятор вождения, Моделирование трафика, Интеграция, Подключенные и автоматизированные транспортные средства, Транспортный поток, Поведение водителя

Важное примечание : Все материалы по данной теме исследования должны находиться в рамках того раздела и журнала, в который они были отправлены, как это определено в их заявлениях о миссии.Frontiers оставляет за собой право направить рукопись, выходящую за рамки объема, в более подходящий раздел или журнал на любом этапе рецензирования.

Симуляторы вождения обеспечивают реалистичные настройки моделирования для изучения поведения водителя в различных условиях. Поведение водителя часто зависит от дорожных условий. Несмотря на то, что симуляторы вождения были значительно улучшены для создания движения вокруг транспортного средства водителя, симуляция транспортного средства основана на детерминированной модели, которая не учитывает реалистичную кинематику и взаимодействие транспортных средств.

Симуляторы трафика обеспечивают более реалистичную картину движения. Моделирование смены полосы движения, движения вперед, принятия разрыва и обгона основано на теории транспортного потока. Хотя они являются мощными инструментами для моделирования отдельных транспортных средств и их взаимодействия, им не хватает возможности моделирования взаимодействия с людьми. Интеграция симуляторов вождения и дорожного движения расширит возможности как моделирования вождения, так и моделирования дорожного движения и откроет новые области применения.

Интеграция симуляторов вождения с симуляторами дорожного движения делает дорожную среду более реалистичной для опытных водителей симуляторов вождения.Однако объединить два симулятора очень сложно из-за существенного различия в их природе. Эта тема исследования направлена ​​на то, чтобы осветить трудности интеграции, предоставить решения для более плавного процесса интеграции и представить новые приложения такой интеграции, которая является наиболее сложной, ненадежной или невозможной без такой интеграции.

Эта тема исследования представляет собой форум для исследователей транспорта в области поведения водителей, психологических особенностей человека, интеллектуальных транспортных систем, современных информационных систем для путешественников, а также транспортных потоков и операций.

Ключевые слова : Симулятор вождения, Моделирование трафика, Интеграция, Подключенные и автоматизированные транспортные средства, Транспортный поток, Поведение водителя

Важное примечание : Все материалы по данной теме исследования должны находиться в рамках того раздела и журнала, в который они были отправлены, как это определено в их заявлениях о миссии.Frontiers оставляет за собой право направить рукопись, выходящую за рамки объема, в более подходящий раздел или журнал на любом этапе рецензирования.

Исследование

симуляторов вождения | Джон А. Рейф младший, Департамент гражданской и экологической инженерии

Симуляторы вождения

привлекли к себе большое внимание в последние годы как мощные инструменты для поддержки безопасности на дорогах и эксплуатационных оценок с точки зрения водителей. DS использовались для анализа реакции водителя на технологии интеллектуальных транспортных систем (ITS), включая широкий спектр стратегий управления и эксплуатации транспортных систем (TSM&O): регулируемое ограничение скорости, предупреждение об очереди для интеллектуальной рабочей зоны, а также подключенные и автоматизированные транспортные средства. (CAV).Предоставляя водителям безопасную виртуальную реальность, симуляторы вождения предлагают среду высокоточной оценки для оценки воздействия технологий ITS до проведения полевых испытаний и пилотных исследований. В техническом партнерстве с Министерством транспорта Нью-Джерси (NJDOT) через Центр ресурсов интеллектуальных транспортных систем Нью-Джерси (ITSRC) NJIT закупил высококачественный симулятор вождения, чтобы команда проекта могла оценить широкий спектр передовых ИТС. и приложения TSM&O.

Симулятор вождения NJIT: кабина водителя (слева) и главный пульт управления (справа)

Исследовательская группа NJIT во главе с доктором Джойунг Ли провела оценку двух новых приложений ITS: 1) In-Vehicle Signal Assistance (ISA) с использованием данных фазы и времени сигнала (SPaT) и 2) Freeway Merging Assistance (FMA). ISA предоставляет водителям информацию о статусе светофора на следующем перекрестке в режиме реального времени по мере приближения водителя. Используя данные SPaT, распространяемые контроллером сигналов перекрестка, приложение ISA отображает текущее состояние сигнала с помощью анимированного дисплея на лобовом стекле (HUD).FMA управляет въездом рамповых транспортных средств в сегмент слияния автострад. Прогнозируя прибытие основных транспортных средств на сегмент слияния, приложение FMA предоставляет водителям на съезде рекомендательные диапазоны скоростей для обеспечения плавного и безопасного слияния с помощью проекционного дисплея.

Эксперименты системы помощи при сигнале в автомобиле (слева) и помощи при объединении автострад (справа)

Обзор виртуального моделирования дорожного движения и его приложений

Рост количества транспортных средств в городах ставит новые задачи в области управления городским движением.Анализ и моделирование дорожного движения имеет большое практическое значение для интеллектуального управления дорожным движением в городах. В этой статье анализируются и резюмируются существующие исследования моделирования дорожного движения. Во-первых, моделирование толпы и анимация толпы анализируются с учетом идеи моделирования толпы. Во-вторых, он сравнивает и анализирует различные существующие технологии слежения за автомобилем и указывает на то, что анимационное моделирование дорожного движения является горячей точкой в ​​исследованиях моделирования дорожного движения. Затем концепция аффективных вычислений интегрируется в моделирование дорожного движения, учитывая влияние эмоций водителей на вождение автомобиля, и отмечается, что транспортный поток, управляемый эмоциями, является более достоверным.Наконец, в сочетании с существующим положением дел анализируются существующие недостатки исследований и указывается направление будущего моделирования дорожного движения.

1. Введение

С продолжающимся развитием человеческого общества количество автомобилей резко возросло, что привело к увеличению заторов на городских дорогах, что стало одним из важных факторов, сдерживающих социальное развитие и человеческую жизнь. Постоянно меняющиеся условия дорожного движения создают новые проблемы для управления городским движением.Транспортные средства обладают широким спектром характеристик поведения на дороге. Таким образом, совершенно необходимо применять научные методы для анализа и моделирования трафика. Развитие Интернета транспортных средств полностью изменило будущий режим работы транспортных средств и принесло в город большие данные о дорожном движении. Виртуальное моделирование в сочетании с реальными данными трафика обеспечивает техническую поддержку моделирования трафика. Интеграция анимации транспортных средств в моделирование сцены городского движения может повысить надежность и наглядность моделирования, а также обеспечивает научную основу для проектирования движения, планирования движения и мониторинга трафика [1], что позволяет реализовать интеллектуальное управление движением.

Моделирование дорожного движения — это реконструкция дорожного движения с помощью технологии виртуальной реальности. Симулятор вождения в Айове — это ранний автопилот в виртуальной среде [2–4]. Движение — это сложный процесс, в котором участвуют водители, транспортные средства, дороги и транспортная среда [5]. В литературе [6] метод управления совместным поведением транспортных средств достигается путем создания особого временного паттерна системы реакции диффузии. В то время как движение транспортного средства может контролироваться поведением человека за рулем, транспортное средство можно рассматривать как агент, контролируемый человеком.Таким образом, это эффективный метод исследования для моделирования и анализа анимации движения, опираясь на идеи анимации поведения толпы.

Учитывая потребность в интеллектуальном управлении дорожным движением, в этой статье систематически анализируются основные методы и передовой прогресс моделирования дорожного движения на основе сочетания моделирования толпы, анимации транспортных средств, эффективных вычислений и моделирования дорожного движения, чтобы предоставить справочные материалы для исследователей в этой области.

2. Моделирование толпы

Водитель управляет транспортным средством посредством своего поведения при вождении, и движение можно понять как поведение агента, контролируемого этим человеком.Следовательно, движение можно рассматривать как особый тип движения толпы, и его можно исследовать на основе идеи моделирования толпы [7].

2.1. Имитационная модель толпы

За последние несколько десятилетий научные исследователи провели множество исследований по моделированию толпы и добились значительных успехов в эвакуации толпы, пешеходных толп, формировании толпы, имитации движения и имитации роя [8]. Существующие основные технологии моделирования толпы можно разделить на макро и микро.Макромодель сравнивает движение толпы с некоторыми физическими явлениями и строит соответствующую модель частиц. Эта модель фокусируется на моделировании характеристик сбора и потока, рассматривая движение толпы как жидкость и газ, и рассматривая толпу как единую систему агрегации. С глобальной точки зрения эту модель можно использовать для грубого анализа, и ее преимуществом является быстрое моделирование. Модель реального времени AA-FVDM (The Accident-Avoidance Full Velocity Difference Model), которая была построена на непрерывной динамике, унифицированном общем планировании и предотвращении столкновений [9].Он может моделировать крупномасштабные транспортные потоки (десятки тысяч автомобилей) с реалистичными и плавными эффектами и может эффективно управлять глобальной навигацией по толпе. Искажение имеет тенденцию происходить при тщательном наблюдении за людьми, как правило, это справедливо для гидродинамической модели. Фактически, толпа отличается от жидкости тем, что она не полностью подчиняется физическим законам жидкости и имеет определенную автономию (например, выбор направления). Симуляция толпы явно не обладает эффектом мелкозернистой симуляции.

Микромодель широко используется и может сочетаться с новым алгоритмом в области искусственного интеллекта. Его основная идея — индивидуальное моделирование каждого агента и оптимизация самой модели [10]. Микромодель описывает толпу путем разумной количественной оценки индивидуального поведения и фокусируется на отношениях между людьми и толпой. Дискретная модель и непрерывная модель являются основным направлением микромоделей. Модель клеточного автомата является представителем дискретной модели, которая может имитировать эвакуационное поведение человека в аварийных ситуациях [11–13].Модель социальной силы Хельбинга является типичным представителем непрерывной модели, которая может имитировать феномен скопления толпы на выходе [14]. Эта модель в основном описывает отношения между людьми в толпе. Поведение человека определяется различными силами, в том числе движущей силой к цели, силой отталкивания при уклонении от других или объектов и притяжением выхода, как показано в формуле (1).

Здесь представляет движущую силу пешехода к цели, представляет силу взаимодействия между пешеходом и пешеходом и представляет силы между пешеходом и препятствием.Благодаря совместному действию этих трех сил пешеходы постоянно обновляют свои позиции и стремятся к целевой позиции. масса пешехода и текущая скорость пешехода.

Однако с использованием модели социальной силы для симуляции анимации легко выполнить локальное дрожание движения толпы, которое влияет на визуальный эффект симуляции. В последние годы появилось много улучшенных моделей. Saboia et al. представили мобильные сети для улучшения модели социальной силы [15].На практике эти две модели можно комбинировать, макромодель используется для управления глобальной навигацией, а микромодель управляет индивидуальным поведением.

Взаимная информация использовалась для описания степени аномалий и хаоса в сложных группах и может использоваться для описания общей ситуации транспортного потока, такой как заторы, аварии и так далее [16, 17]. Кроме того, некоторые методы и идеи из физики также стоит использовать для моделирования транспортных потоков [18].

2.2. Анимация моделирования толпы

Исследование анимации моделирования толпы включает в себя множество теорий и методов, связанных с компьютерным зрением, искусственным интеллектом, психологией и так далее. В 1987 году Рейнольдс опубликовал классическую статью об анимации птичьих стай, которая лучше моделировала агрегационное поведение птиц в природе [19]. Использование набора поведения и набора действий для управления поведением пешеходов и создания виртуальной анимации поведения пешеходов на дороге — это раннее исследование анимации пешеходов [20].

Важной частью анимации симуляции толпы является навигация по толпе, то есть, как контролировать индивидуальный путь движения и избегать столкновений между людьми. Jin et al. предложил простой и эффективный метод управления сценой с толпой и установил активную переменную глобального планирования и собственную переменную движения для каждого виртуального человека [21]. В литературе [22] построена структура данных виртуальной сцены для автоматического извлечения необходимых данных из пространственного анализа виртуальной навигации человека.Модель личности OCEAN может быть использована для создания и улучшения разнообразия толпы, но этот метод в основном обсуждает схему выделения людей в толпе, без специального обсуждения того, как использовать личность для управления поведением при побеге [23]. Чтобы создать сложное беговое построение в толпе, существующие данные толпы могут быть смешаны для создания новой анимации толпы. Он создает предсказуемое пространственно-временное поведение толпы и вводит в толпу деформируемую модель толпы. При кодировании данных о толпе этот метод контролирует формирование и индивидуальную траекторию движения [24].Для большой толпы Maim et al. создали систему моделирования и визуализации толпы в реальном времени, которая может генерировать морфологию толпы с использованием небольшого количества виртуальных людей [25]. В монографиях Тельмана и Мюсса по моделированию толпы обобщены некоторые основные методы построения моделирования толпы [26]. Ким проанализировал толпу с точки зрения физической силы и взаимодействия, моделируя тысячи агентов в сложных сценах [27]. Рен рассматривал различные групповые атрибуты толпы, такие как социальные группы, туристов и гидов, чтобы контролировать трансформацию групп [28].

В последние годы исследования анимации симуляции толпы начали сосредотачиваться на использовании данных о движении реальных людей и объединили общий контроль формирования толпы для повышения эффективности анимации толпы. Например, реальное видео о движении толпы используется для получения информации о движении человека, создавая управляемую данными имитацию анимации толпы [29]. Использование видеоинформации может повысить надежность моделирования виртуальной толпы [30]. Чтобы повысить эффективность рендеринга толпы, Kulpa et al.предложили ввести уравнение выбора LOD для повышения эффективности обнаружения столкновений без снижения эффекта просмотра пользователей (обнаружение столкновений больше не выполняется в удаленных толпах) [31]. Многие ученые проводили исследования по обнаружению человеческого тела, и эти результаты также предоставляют технические ссылки для дальнейшего изучения сбора информации о движении толпы. Кападиа разработал структуру многоагентного поведения, которая имитирует сложные многоаагентные взаимодействия и контролирует гибкость и автоматизацию мультиагентов [32].Guy et al. стремясь к неопределенности получения информации о движении толпы, предложил теоретико-информационный метод измерения сходства измеренных данных о толпе [33]. Hoyet et al. Стремясь к сложности анимации толчка, генерируемой физическими вычислениями, изучил, как использовать технологию захвата движения, чтобы генерировать анимацию толчка между виртуальными людьми, и проанализировал визуальные ощущения пользователей по поводу тестовых анимаций [34]. Kratz et al. с целью мониторинга плотных скоплений людей предложил метод слежения за толпой, основанный на пространственно-временной модели толпы [35].В густой толпе довольно сложно отследить поведение людей обычным методом. Основываясь на пространственно-временном изменении движения толпы, можно предсказать отдельные движения, исследуя потенциальную модель движения толпы.

Комбинируя эксперимент по моделированию толпы, основанный на модели моделирования толпы и анимации, исследователи могут количественно изучать и визуализировать поведение толпы, устанавливать эмпирическую формулу для поведения толпы и моделировать сцены движения толпы с различными параметрами, включая эвакуацию толпы, скопление толпы и отслеживание толпы.Кроме того, имитационный эксперимент может также анализировать влияние различных факторов на эффект моделирования. Судя по опубликованной литературе, существующие методы моделирования толпы уделяют больше внимания изучению поведения толпы и достигли определенных результатов. Однако существующие методы моделирования редко включают изучение эмоций толпы и не полностью учитывают социальные факторы толпы, такие как физиологические, психологические, эмоциональные и другие факторы. Технология симуляции с интеграцией различных социальных факторов — эффективный метод изучения симуляции толпы в будущем.

3. Анимация трафика

Моделирование дорожного движения постепенно развивалось с развитием компьютерных технологий, которые используют компьютерную цифровую модель для отражения сложного явления дорожного движения. С точки зрения имитационного эксперимента имитация дорожного движения может воспроизводить дорожное движение и отражать поведение транспортных средств на дороге. Он может представить пространственно-временные изменения транспортного потока и обеспечить сложное и неоднородное моделирование трафика [36, 37]. Имитация дорожного движения заключается в применении теории транспортного потока к анимации, которая с помощью компьютерной системы в основном имитирует движение транспортных средств в определенный момент в транспортной сети.Анимация движения состоит из трех модулей: моделирование дорожных сетей, моделирование движения транспортных средств и рисование анимации движения [38].

Модель клеточного автомата в основном использовалась в раннем транспортном потоке [39], который состоял из серии правил движения и правил дорожного движения, которые должны соблюдаться при движении транспортного средства, включая различные правила случайного изменения, такие как поведение при вождении и внешние мешающие факторы [40]. Детализация моделирования модели клеточного автомата в виртуальной транспортной среде недостаточна, а эффект моделирования — низкая точность.

Модель следования за автомобилем — наиболее широко используемая модель в теории микромоделирования. В основном он описывает следующее поведение двух соседних транспортных средств, движущихся по дороге с односторонним движением, где обгон ограничен. Существующие результаты исследований в основном ограничиваются теоретическими моделями на основе статистической физики. Классическая интеллектуальная модель водителя (IDM) в основном имитирует поведение автомобиля после движения по шоссе, что не подходит для моделирования городского дорожного движения. Чтобы решить проблему скопления городского дорожного движения, предлагаются различные модели слежения за автомобилем для обеспечения плавности транспортного потока, такие как улучшенная модель слежения за автомобилем с сопряженным картированием [41], модель отслеживания поведения автомобиля водителя [42], расширенное слежение за автомобилем. модель [43, 44], улучшенная модель IDM [45] и др.Сосредоточение внимания на локальной устойчивости и асимптотической устойчивости модели слежения за автомобилем может улучшить характеристики динамического транспортного потока [46]. Для определения различных режимов вождения может быть создана основа общего моделирования следящего за автомобилем поведения [47].

Кроме того, система взаимодействия инфраструктуры также влияет на поведение водителей, следующих за автомобилем [48]. Модель слежения за автомобилем предназначена для описания поведения автомобиля, следующего за автомобилем, который оказывает значительное влияние на управление дорожным движением, гладкость дорог и безопасное вождение.Существующих моделей слежения за автомобилем недостаточно для изучения поведения людей, и они не учитывают психологическую деятельность водителей. Если в будущей модели слежения за автомобилем будет учтен человеческий фактор, условия движения в сложных дорожных ситуациях будут в некоторой степени улучшены. Сравнительный анализ различных технологий следования за автомобилем показан в таблице 1.



Год Исследователь Модель следования за автомобилем Соображения Эффект
2007 Хэнк Модифицированная модель следования за автомобилем на сопряженной карте Относительная скорость между несколькими парами соседних транспортных средств спереди Запретить пробку
2012 Чен Автомобиль следует за поведением на основе эмпирических данных о траектории Корреляция между поведением водителей Уменьшение турбулентности движения
2012 Farhi Расширенная линейная модель следования за автомобилем и модель движения с минимальным плюсом Влияние неоднородности и ожиданий от движения в переходных и статических условиях движения D испарение движения без проезда
2013 Li Модель с полной разницей скоростей (FVD) Локальная устойчивость, асимптотическая устойчивость и устойчивость по Ляпунову Улучшить динамические характеристики моделей
2014 Расширенный FVD, обнаружение двух разных задержек движения вперед и скорости Влияние временных задержек на анализ стабильности Запретить заторы на дорогах
2016 Lu Улучшенная модель IDM, добавление регулировки ускорения в зависимости от транспортного средства интервал Влияние расстояния транспортного средства на скорость транспортного средства Сокращение времени запуска транспортных средств

Моделирование транспортных средств в форме анимации является предметом исследования в имитационной модели [49].В литературе [50] рассматривается интеграция систем многомодельной модели транспортного средства и математической модели человеческого тела с точки зрения динамики движения транспортного средства. Интерактивное моделирование транспортных средств — это относительно ранняя анимация транспортных средств, которая может имитировать автономное поведение транспортных средств [51]. Sewall et al. реализовал транспортный поток крупномасштабной дорожной сети с помощью синтетической анимации [52]. Используя идею агента, они добились значительного прогресса в моделировании анимации движения городской дорожной сети [53, 54].Команда Wilkie использовала виртуальную трехмерную технологию для реконструкции сценариев транспортных потоков (см. Рисунок 1) [55].


Более поздняя сцена моделирования анимации движения более сложна, а эффект анимации более реалистичен. В литературе [56] исследователи изучали моделирование микродорожного движения в терминах модели дороги и модели поведения транспортного средства и вводили количественные характеристики поведения водителей при движении. Что касается автомобильных дорог, большая часть литературы посвящена различным полосам движения [57].Микрогибридная анимация движения с участием автомобилей и мотоциклов может воспроизводить поведение движения, основанное на полосе движения и без полосы движения, которое обычно наблюдается в городских сценах [58]. Модель слияния анимации трафика в реальном времени использует реальные данные для достижения результатов моделирования (см. Рисунок 2) [59, 60].

В ссылке [61] VISSIM, модель микромоделирования, использовалась для оценки пропускной способности скоростной автомагистрали. На примере восьмиполосной городской скоростной автомагистрали в Индии имитационная модель была использована для оценки стоимости единицы легкового автомобиля для различных типов транспортных средств.Визуализация данных о транспортном средстве является неотъемлемой частью анимации движения [62]. Сравнение различных технологий анимации движения показано в таблице 2.

Удовлетворительно 2013 Обратное и неправильное поведение

Год Исследователь Технология моделирования Управляемая данными Сцена моделирования Масштаб
2010 Sewall Моделирование непрерывной динамики транспортных сетей Нет Автомагистраль, развязка и выезд с дороги 1000 автомобилей Быстрый и эффективный
2012 908 Сопровождение Нет Городские дороги (параллельные дороги, эстакады, сигнальные перекрестки) 4 полосы на 100000 автомобилей Реалистичный, плавный
2013 Wilkie Измерение датчиков движения Да Шоссе 6 полосы В соответствии с реальным транспортным потоком
2013 Puvvala Используйте модель VISSIM для оценки стоимости единицы легкового автомобиля для различных транспортных средств Нет Индийское шоссе 8 полос
Лю Количественная оценка характеристик поведения водителей на дороге Нет Виртуальная транспортная среда с интерактивными потребностями пользователей в реальном времени 153 полосы движения / 600 автомобилей Реалистичный
2016 Лин Интерактивный гибрид система анимации движения Нет Автомагистрали, городские дороги (смесь автомобилей и мотоциклов) 3 полосы, 11 перекрестков / 159 автомобилей Привлекательный
2017 Ян Интерактивное управление Да100 00 транспортных средств Высокореалистичная
2018 Чао Синтез текстур Да Извилистая дорога, дорога с регулируемым светофором и сеть городских шоссе 2–4 полосы движения / 10 000 автомобилей Высокореалистичная

4.Сочетание эффективных вычислений и моделирования дорожного движения

В настоящее время в Китае насчитывается 200 миллионов транспортных средств и более 200 миллионов водителей. Большое количество водителей и небезопасное поведение при вождении приведет к частым дорожно-транспортным происшествиям и тяжелым травмам. Реальные дорожные ситуации довольно сложные. Во время вождения в сложных дорожных условиях на водителя помимо рутинного поведения при вождении влияют эмоции [63]. Эмоциональный транспортный поток более реалистичен. Управляемые разными эмоциями, водители будут применять разные стратегии вождения, а технологии моделирования транспортных средств должны обеспечивать соответствующий эффект анимации.Когда движение перегружено, эмоции водителей могут влиять на транспортный поток. Например, в гневе водители склонны предпринимать такие действия, как ускорение, обгон и т. Д., Что усугубляет заторы на дорогах. Спокойный водитель может выполнять такие действия, как терпеливо стоять в очереди, ждать уличных фонарей и т. Д. Поэтому анализ эмоций водителей имеет большое исследовательское значение. Технология виртуального моделирования, управляемая эмоциями, является ключевым моментом моделирования дорожного движения.

Поскольку эмоции являются неотъемлемой переменной для движения толпы, необходимо ввести теорию и метод расчета аффективности в моделирование дорожного движения.Исследователи могут смоделировать эмоции автомобильной толпы на основе исследований модели эмоций агента. По сравнению с исследованиями модели индивидуальных эмоций, исследований модели эмоций толпы очень мало, и большинство существующих результатов относятся к области психологии. Ключом к модели эмоций толпы является рассмотрение передачи эмоций между людьми, то есть эмоционального заражения. До 1993 года Hatfield et al. опубликовал единственную систематическую работу по эмоциональному заражению, утверждая, что люди автоматически и непрерывно имитируют выражения лиц, звуки, жесты и поведение других при взаимодействии и имеют тенденцию постоянно улавливать эмоции других [64].Этот процесс определяется как эмоциональное заражение. Однако их исследования были сосредоточены только на качественных результатах и ​​не имели количественных методов сравнения. Барсейд сравнил эмоциональное заражение с волновыми эффектами, то есть эмоциональное заражение оказывает большое влияние на поведение в толпе [65]. Walter et al. изучал спиральный эффект для непрерывного эмоционального заражения [66]. В настоящее время международная литература по компьютерному эмоциональному заражению очень редка, и соответствующие отчеты в основном являются работами Пайвы и Боссе и др.[67, 68]. Эти исследования с использованием многоагентного инструмента NetLogo сосредоточены на поглощении эмоций между людьми. Среди них Bosse et al. предложил численную модель эмоций агентов, ссылаясь на идеи физики. Следует отметить, что в их модели отсутствовали описания восприятия и выбора поведения агентов, а физический смысл основной формулы не ясен. Лю и др. изучали эмоциональную передачу толпы на переполненных вокзалах [69]. С точки зрения социальной психологии личность, индивидуальное внимание и размер группы в многолюдной среде могут влиять на эмоции групп и отдельных лиц [70].Львов использовал эмоциональное заражение, чтобы смоделировать движение толпы под сценами политического митинга [71]. Сюй смоделировал возникновение и распространение панических эмоций в условиях множества опасностей [72]. Сюэ применил эмоциональную инфекцию к моделированию массовых очередей [73]. Вышеупомянутые модели и методы эффективных вычислений заложили теоретическую основу для исследований трафика.

Это одно из потенциальных исследований в будущем, чтобы объединить аффективные вычисления с моделированием транспортных средств. Симуляция трафика будет реализована автономно.В определенной степени это подтолкнет развитие технологии моделирования трафика. Например, при сочетании различных моделей, таких как модель личности и модель эмоционального заражения, исследование не только фокусируется на самом движении транспортного средства, но и уделяет больше внимания эмоциям водителя, а также влиянию передачи эмоций транспортного средства на поведение водителя. В настоящее время исследования этого аспекта не проводились. Некоторые предварительные исследования были сделаны путем изучения параметров водителя (эмоций, привычек и т. Д.).) [74]. Лу выдвинул адаптивную модель AR с точки зрения инициативы водителя, принимая во внимание достоверность прогноза водителя, время реакции водителя и типы водителей [74–7]. Он выдвинул личностную модель анимированного поведения гетерогенного трафика, интегрируя модель личности в моделирование трафика, сочетая параметры моделирования низкого уровня с характеристиками личности высокого уровня, моделируя поведение гетерогенного трафика и делая эффект моделирования движения намного ближе к фактическому трафику. поток.Чтобы изучить моделирование дорожного движения с точки зрения водителя, необходимо учитывать влияние эмоций водителя на поведение водителя. Мы можем наблюдать эффекты эмоциональной инфекции транспортного средства с разных точек зрения [76].

5. Перспективы на будущее

Моделирование дорожного движения включает физику, когнитивную науку, поведение человека, компьютер и другие смежные дисциплины. После десятилетий стремительного развития было накоплено большое количество результатов исследований в области моделирования дорожного движения, моделирования психологии вождения и т. Д., и даже было разработано соответствующее программное обеспечение для моделирования дорожного движения. Однако, поскольку моделирование дорожного движения предъявляет довольно высокие требования к эффективности моделирования и эффектам, существующих эффектов моделирования недостаточно для отображения различных сложных сцен дорожного движения. Таким образом, в технологии моделирования дорожного движения все еще существует множество трудностей и проблем, которые требуют дальнейшего изучения.

(1) Моделирование трафика на основе больших данных: трафик больших данных в настоящее время является типичным приложением для больших данных.В большинстве существующих моделей имитации дорожного движения прототип системы реализован на обычной рабочей станции, но они не могут моделировать и выводить крупномасштабные потоки пассажиров и транспортных средств. С точки зрения интеллектуального управления транспортными средствами, для создания различных сценариев моделирования транспортных средств (таких как мониторинг транспортных средств, предупреждение о дорожном движении, экстренная диспетчеризация и т. Д.) Важно визуализировать крупномасштабный транспортный поток. Для воспроизведения симулированного трафика в реальном времени потребуются имитационная модель, система симуляции и вычислительное оборудование.Существующих эффектов моделирования трафика недостаточно для удовлетворения потребностей интеллектуального управления трафиком, что требует дальнейшего изучения.

(2) Моделирование движения на основе факторов водителя: существующие модели имитации транспортных средств в основном основаны на механической модели и строят поведение движения с точки зрения объективной механики. Они редко сочетают когнитивные науки, и лишь немногие из них принимают во внимание человеческий фактор. Движение — это сложный процесс, такой как смешанный перекресток, где автомобили и пешеходы сосуществуют, и водитель играет решающую роль в поведении транспортного средства.С точки зрения безопасного вождения автомобиль также персонализирован и может выполнять широкий спектр психологических функций. Самоуважение водителя является решающим фактором вождения автомобиля (например, планирование пути, смена полосы движения, обгон, следование за автомобилем и т. Д.), И нельзя игнорировать психологические факторы водителя (особенно его эмоции). В области психологии имеется множество достижений, которые могут дать ценные справочные материалы. Однако эти модели слишком сложны, чтобы их можно было просто перенести в исследования по моделированию дорожного движения.На самом деле, чтобы реализовать симуляцию дорожного движения, требуется более подходящая психологическая модель, когнитивная модель и даже модель эмоционального заражения. Как интегрировать факторы водителя в моделирование дорожного движения и как применить эти результаты к моделированию движения транспортного средства, становится проблемой, которая требует дальнейшего изучения.

(3) Симуляция дорожного движения в сочетании со звуком: Звук является неотъемлемой частью процесса вождения автомобиля, и симуляция транспортного средства со звуком более реалистична.Фактически, на городских дорогах слышны различные шумы, такие как различные звуки, издаваемые автомобильными двигателями, звуковыми сигналами, различными типами транспортных средств (например, пожарные машины, полицейские машины, машины скорой помощи и т. Д.). Чаще всего это наложение звуков различных транспортных средств. В настоящее время анимационное моделирование дорожного движения фокусируется только на движении транспортных средств и не учитывает звук движущегося транспортного средства. Имитация дорожного движения по-прежнему находится в безмолвном мире, а эффект имитации недостает достоверности. С помощью FMOD или WWISE в игровом дизайне необходимо дополнительно изучить, как реализовать имитацию различных наложенных звуков для повышения достоверности симуляции трафика.

(4) Моделирование движения в сложных сценах: пешеходы и транспортные средства являются основными объектами городского движения, и они часто смешиваются в сложных сценах на городских дорогах с участием пешеходов, транспортных средств, дорог и окружающей среды. Моделирование смешанного движения различных движущихся объектов может более реалистично воспроизвести городской трафик. Статические предметы включают транспортные дороги и планирование движения. На дорожную систему влияет множество внешних факторов, таких как погодные условия [77], внешняя среда, временное регулирование движения и т. Д., а значит, он очень случайный и открытый. Например, дорожно-транспортные происшествия и аварии транспортных средств будут влиять на движение транспортных средств. При моделировании дорожного движения необходимо единообразно моделировать аномалии движения [78]. К динамическим объектам относятся люди, автомобили и светофоры. Пешеходы, немоторные транспортные средства и автотранспортные средства составляют основные объекты сложного дорожного движения. Сложность моделируемых предметов затрудняет моделирование движения. Между тем, транспортная ситуация также динамично меняется во времени и пространстве.Существующее моделирование движения в основном рассматривает обычное моделирование движения в простых условиях. Следовательно, необходимо дальнейшее изучение того, как действительно показать движение в сложных сценах.

(5) Моделирование транспортных средств и принятие решений: с увеличением количества автономных и полуавтономных транспортных средств дороги с гибридным движением (автомобили, мотоциклы, велосипеды и пешеходы) становятся все более и более сложными, а требования к моделированию транспортных средств становятся все более сложными. становясь все выше и выше.Принятие существующих решений при моделировании транспортных средств обычно основано на правилах и невозможно устранить все чрезвычайные ситуации. Моделирование транспортных средств следует сочетать с искусственным интеллектом, чтобы помочь в принятии решений в режиме онлайн. Искусственный интеллект включает три модуля: восприятие, принятие решений и контроль. Исследовательская работа во многих областях, таких как интеграция нескольких датчиков (внутри / снаружи транспортного средства) для получения большого количества информации об окружающей среде, сочетание углубленного интенсивного обучения для оптимизации маршрутов вождения и достижения контроля над транспортным средством, удовлетворения различных потребностей вождения, эмоционального вождение и так далее, будут очень важны в управлении глобальным городским движением, прогнозировании несчастных случаев (или управлении ответственностью / расходами страховой компании) или принятии решений по вождению на основе искусственного интеллекта.

6. Выводы

Технология моделирования дорожного движения в последние годы является горячей точкой в ​​области исследования толпы. Его можно широко использовать в моделировании городского движения, идентификации дорожных заторов, поддержке принятия решений о движении в городе и т. Д. Целью моделирования является достижение имитации движения с высокой вычислительной эффективностью, автономностью транспортного средства и реалистичным эффектом. В этой статье, основанной на требованиях интеллектуального управления городским хозяйством, рассматриваются различные модели имитации и анимации дорожного движения.С точки зрения общей структуры исследования и исследовательских идей, это все еще эффективный метод исследования моделирования дорожного движения с использованием анимации поведения толпы. Эта статья посвящена сравнительному анализу различных моделей следования за автомобилем в анимации движения и предлагает интегрировать аффективные вычисления в моделирование движения. С помощью технологии сетевого мониторинга транспортных средств можно получить информацию о транспортном средстве и персонале, а эмоции водителей можно уловить во времени.Большое практическое значение имеет анализ эмоций водителей. Технология виртуального моделирования, управляемая эмоциями, является ключевым моментом моделирования дорожного движения. В то же время, принимая во внимание фактическую потребность в трафике и обращая внимание на недостатки существующих исследований, предлагаются некоторые проблемы, требующие дальнейшего изучения. Решение этих проблем будет способствовать постоянному совершенствованию моделирования трафика и анимации, что сделает анимацию движения в сложных условиях движения более реалистичной.

Конфликт интересов

Авторы заявляют, что у нас нет финансовых и личных отношений с другими людьми или организациями, которые могут ненадлежащим образом повлиять на нашу работу; нет никаких профессиональных или иных личных интересов любого характера или вида в каких-либо продуктах, услугах и / или компаниях, которые могли бы быть истолкованы как влияющие на позицию, представленную в рукописи, озаглавленной, или рецензию на нее.

Похожие записи

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *