串稳定混合交通的协同自适应巡航控制:基准和以人为本的设计(Matlab代码实现)

简介: 串稳定混合交通的协同自适应巡航控制:基准和以人为本的设计(Matlab代码实现)

💥1 概述

串稳定混合交通的协同自适应巡航控制是一种针对复杂交通环境的控制方法,旨在实现交通系统的高效运行和安全性。其中,基准和以人为本的设计是关键的方面。


基准设计是指制定交通流的基本参数和规则,例如限速、车道划分和信号灯控制等。通过合理的基准设计,可以提供交通流的稳定性和一致性,为协同自适应巡航控制提供基础。


以人为本的设计则关注驾驶员的需求和行为。考虑到不同驾驶员的习惯和偏好,以人为本的设计通过智能化系统来适应驾驶员的操作方式和行驶偏好,从而提供更加舒适和个性化的驾驶体验。这种设计方法能够提高驾驶员的满意度,增强交通系统的可接受性和可持续性。


综合运用基准设计和以人为本的设计原则,协同自适应巡航控制可以实现交通流的优化和驾驶员的舒适性。通过自适应控制算法和实时交通信息的融合,系统能够实时调整车辆速度和跟车间距,以适应当前的交通状况和驾驶员的偏好。


📚2 运行结果

主函数部分代码:

clc, clear all
load('input7_b.mat')
%ur2=input1(1:91)*1.2145;
Time_g=0:0.5:50;
Time_int=0.5;
time_orig=0:0.001:60;
input1(30100:60001)=input1(30100:60001)*0.55;
for index_i=1:1:59/Time_int+1
    input1_a(index_i)=1.065*interp1(time_orig,input1,Time_int*(index_i-1));
end
%parameters used for the AP model
AX=1.5;        
CX2=20;
OPDVmult=-1.5;    
EX=2;
%Ln=4;
CLDVCX=16;
BX=3.5*sqrt(20);
SDX=AX+BX*EX;
initial0=[20*(1.4*2+0.8*2+1.3*2),20,0,0,20*(1.4*2+0.8+1.3*2),20,0,0,20*(1.4*2+1.3*2),20,0,0,20*(1.4+1.3*2),20,0,0,20*(1.4+1.3),20,0,0,20*1.4,20,0,0,0,20,0,0];
hd2=0.8;
hd3=0.8;
hd5=1.3;
hd6=1.3;
Tau=[0.2,0.2,0.2,0.2,0.2,0.2,0.2];
Omega=[0.7,0.7,0.7,0.7,2,2,0.7];
Kd=Omega;
Kp=Omega.^2;
A11=[0,1,0,0;0,0,1,0;0,0,-1/Tau(1),0;0,0,0,0];
A21=[0;0;1/Tau(2);0]*[Kp(2),Kd(2),0,0];
A22=[0,1,0,0;0,0,1,0;0,0,-1/Tau(2),0;0,0,0,-1/hd2]+[0;0;1/Tau(2);0]*[-Kp(2),-Kd(2)-Kp(2)*hd2,-Kd(2)*hd2,1];
A33=[0,1,0,0;0,0,1,0;0,0,-1/Tau(3),0;0,0,0,-1/hd3]+[0;0;1/Tau(3);0]*[-Kp(3),-Kd(3)-Kp(3)*hd3,-Kd(3)*hd3,1];
A32=[0;0;1/Tau(3);0]*[Kp(3),Kd(3),0,0]+[0;0;0;Tau(3)/hd3]*A22(3,:)+[0;0;0;1/hd3]*[0,0,1,0];
A31=[0;0;0;Tau(3)/hd3]*A21(3,:);
A43=[0,0,0,0;0,0,0,0;0,0.477,-0.368,0;0,0,0,0];
A44=[0,1,0,0;0,0,1,0;0,-0.477,-0.923,0;0,0,0,0];
A55=[0,1,0,0;0,0,1,0;0,0,-1/Tau(5),0;0,0,0,-1/hd5]+[0;0;1/Tau(5);0]*[-Kp(5),-Kd(5)-Kp(5)*hd5,-Kd(5)*hd5,0];
A54=[0;0;1/Tau(5);0]*[Kp(5),Kd(5),0,0]+[0;0;0;Tau(5)/hd5]*A44(3,:)+[0;0;0;1/hd5]*[0,0,1,0];
A53=[0;0;0;Tau(5)/hd5]*A43(3,:);
A66=[0,1,0,0;0,0,1,0;0,0,-1/Tau(6),0;0,0,0,-1/hd6]+[0;0;1/Tau(6);0]*[-Kp(6),-Kd(6)-Kp(6)*hd6,-Kd(6)*hd6,0];
A65=[0;0;1/Tau(6);0]*[Kp(6),Kd(6),0,0];
A76=[0,0,0,0;0,0,0,0;0,0.477,-0.368,0;0,0,0,0];
A77=[0,1,0,0;0,0,1,0;0,-0.477,-0.923,0;0,0,0,0];
B1=[0;0;1/Tau(1);0];
B2=[0;0;0;1/hd2];
An0=[A11,zeros(4,24);A21,A22,zeros(4,20);A31,A32,A33,zeros(4,16);zeros(4,8),A43,A44,zeros(4,12);zeros(4,8),A53,A54,A55,zeros(4,8);zeros(4,16),A65,A66,zeros(4,4);zeros(4,20),A76,A77;];
Bn0=[B1;B2;zeros(20,1)];
Cn0=eye(28);
Cv0=zeros(7,28);
for i=1:7
Cv0(i,2+4*(i-1))=1;
end
Caa=zeros(7,28);
for i=1:7
    Caa(i,3+4*(i-1))=1;
end
Cjj=zeros(7,28);
for i=1:7
    Cjj(i,:)=An0(3+4*(i-1),:);
end
C0=zeros(7,7);
for i=1:7
    C0(i,i)=Tau(i);
end
C00=C0*Cjj+Caa;
Cxx=zeros(6,28);
Cva=zeros(6,28);
for i=1:6
    Cxx(i,1+4*(i-1))=1;
    Cxx(i,5+4*(i-1))=-1;
    Cva(i,2+4*(i-1))=-1;
    Cva(i,6+4*(i-1))=1;
end
Ce0=[Cjj;C00;Cv0;Cxx;Cva];
Dn0=zeros(28,1);
Dn1=zeros(33,1);
sysh0=ss(An0,Bn0,Cn0,Dn0);
sysh1=ss(An0,Bn0,Ce0,Dn1);
Time1=0:0.5:0.5;
for i=1:1:100  
    ur2=input1_a(i:i+1)';
H0=lsim(sysh0,ur2,Time1,initial0);
H1=lsim(sysh1,ur2,Time1,initial0);
initial0=H0(2,:);
res(i:i+1,:)=H1;
end


🎉3 参考文献

[1]秦严严,王昊,王炜等.混有CACC车辆和ACC车辆的混合交通流驾驶舒适性[J].哈尔滨工业大学学报,2017,49(09):103-108+173.

部分理论引用网络文献,若有侵权联系博主删除。

相关文章
|
6月前
|
Perl
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
【MFAC】基于全格式动态线性化的无模型自适应控制(Matlab代码)
|
1月前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于MSER和HOG特征提取的SVM交通标志检测和识别算法matlab仿真
### 算法简介 1. **算法运行效果图预览**:展示算法效果,完整程序运行后无水印。 2. **算法运行软件版本**:Matlab 2017b。 3. **部分核心程序**:完整版代码包含中文注释及操作步骤视频。 4. **算法理论概述**: - **MSER**:用于检测显著区域,提取图像中稳定区域,适用于光照变化下的交通标志检测。 - **HOG特征提取**:通过计算图像小区域的梯度直方图捕捉局部纹理信息,用于物体检测。 - **SVM**:寻找最大化间隔的超平面以分类样本。 整个算法流程图见下图。
|
2月前
|
算法
基于GA遗传优化的离散交通网络双层规划模型设计matlab仿真
该程序基于GA遗传优化设计了离散交通网络的双层规划模型,以路段收费情况的优化为核心,并通过一氧化碳排放量评估环境影响。在MATLAB2022a版本中进行了验证,显示了系统总出行时间和区域排放最小化的过程。上层模型采用多目标优化策略,下层则确保总阻抗最小,实现整体最优解。
|
4月前
|
算法 vr&ar
基于自适应波束成形算法的matlab性能仿真,对比SG和RLS两种方法
```markdown - MATLAB2022a中比较SG与RLS自适应波束成形算法。核心程序实现阵列信号处理,强化期望信号,抑制干扰。RLS以其高效计算权重,而SG则以简单和低计算复杂度著称。[12345] [6666666666] [777777] ```
|
5月前
|
算法 调度 决策智能
基于自适应遗传算法的车间调度matlab仿真,可以任意调整工件数和机器数,输出甘特图
这是一个使用MATLAB2022a实现的自适应遗传算法解决车间调度问题的程序,能调整工件数和机器数,输出甘特图和适应度收敛曲线。程序通过编码初始化、适应度函数、遗传操作(选择、交叉、变异)及自适应机制进行优化,目标如最小化完工时间。算法在迭代过程中动态调整参数,以提升搜索效率和全局优化。
|
5月前
|
算法
基于ADM自适应增量调制算法的matlab性能仿真
该文主要探讨基于MATLAB的ADM自适应增量调制算法仿真,对比ADM与DM算法。通过图表展示调制与解调效果,核心程序包括输入输出比较及SNR分析。ADM算法根据信号斜率动态调整量化步长,以适应信号变化。在MATLAB中实现ADM涉及定义输入信号、初始化参数、执行算法逻辑及性能评估。
|
6月前
|
算法 网络性能优化 调度
计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度(matlab代码)
计及电转气协同的含碳捕集与垃圾焚烧虚拟电厂优化调度(matlab代码)
|
6月前
|
传感器 存储 数据可视化
matlab数据可视化交通流量分析天气条件、共享单车时间序列数据
matlab数据可视化交通流量分析天气条件、共享单车时间序列数据
|
6月前
|
算法
考虑区域多能源系统集群协同优化的联合需求侧响应模型(matlab代码)
考虑区域多能源系统集群协同优化的联合需求侧响应模型(matlab代码)
|
6月前
|
机器学习/深度学习 数据可视化
Matlab决策树对空气质量和天气温度及天气数据做交通出行推荐预测|数据分享
Matlab决策树对空气质量和天气温度及天气数据做交通出行推荐预测|数据分享

热门文章

最新文章