<code id="zt5t2"><nobr id="zt5t2"><track id="zt5t2"></track></nobr></code>
    1. <thead id="zt5t2"></thead>
    2. <pre id="zt5t2"><nobr id="zt5t2"></nobr></pre>
      <code id="zt5t2"></code>
      <big id="zt5t2"><nobr id="zt5t2"></nobr></big>

        1. <th id="zt5t2"><video id="zt5t2"><acronym id="zt5t2"></acronym></video></th>
        2. <th id="zt5t2"></th>

        3. <object id="zt5t2"><em id="zt5t2"></em></object>

          四川中卫北斗科技有限公司

          在线咨询
          微信

          微信扫一扫

          长按二维码关注微信加好友

          智能网联汽车逐步普及后,我们的交通、出行会怎样?

          发布时间:2021-07-05 09:17

                    6月17日,中国智能交通协会在上海举办了以“创新·共享·合作”为主题的“2021智能交通科技发展论坛”,十三五科技部国家重点研发专项“综合交通与智能交通”项目中具有突出成果的北京交通发展研究院、公安部交通管理科学研究所、清华大学、北京航空航天大学、同济大学、交通部公路科学院、深圳市城市交通规划设计研究中心、中国民航局第二研究所等8家课题承担单位在论坛上进行了成果分享。

                    8个项目课题中,与智能网联、车路协同相关的有4个,大多属于前瞻性研究,主要着眼于未来智能网联、自动驾驶车辆逐步普及后,对交通管理、交通组织、交通出行等环节的影响。我国在发展无人驾驶汽车技术路径采用的是协同智能,在这一思路的指导下,政府和产业界都在推动智能网联汽车与路侧智能设施协同发展。

                    在常人来看,智能汽车和智能路侧设施建设,会有一个“先有蛋还是先有鸡”的问题,但在学术研究层面,则是要为这两者协同推进提出理论和设计落地路径,并没有先后之分,实际上,国家推出的政策也有这方面的考量。

                    2020年8月,住建部、中央网信办、科技部、工信部、人保部、商务部、银保监会等7部委印发了《关于加快推进新型城市基础设施建设的指导意见》,要求推进新型城市基础设施建设,其中包括协同发展智慧城市和智能网联汽车(现在被通称为“车城网”),今年4月,北京、上海、广州、武汉、长沙、无锡等6个城市被住建部、工信部等两部委确定为智慧城市基础设施与智能网联汽车协同发展第一批试点城市。

                    因此,我们看到重点专项入选项目“城市多模式交通系统协同控制关键技术与系统集成”,就是要解决路端交管设备,如各类感知监控设备、信号控制、诱导以及各类交管系统与智能网联系统的融合交互、协同,实现数据的横向连接和纵向交互。实际上,国际上也已经提出了“融合感知”的概念,也就是车端和路端所采集到交通数据接入到统一的数据处理单元中,提高车辆对环境的感知能力,从而提升车辆行为决策的能力。当然,该项目更多考虑的是智能网联新技术环境下,建立大数据交互应用体系,借力智能网联来提升交通管控系统的效率和能力。

                    项目“车路协同环境下车辆群体智能控制理论与测试验证”主要要解决未来5~10年,车辆、路侧设备逐步联网、平台建成以后,所面临的车辆群体控制挑战,而进行理论探索。未来,传统的集中、分布式控制就不再适用,要根据不同的应用场景推行泛在分布式系统,考虑效率、安全问题,就要应用情景驱动下的动态集中式交通群体智能决策与协同控制机制,同时要分级实现系统优化、路权分配和轨迹规划。且要研究不同渗透率对交通特性的不同影响。比如渗透率10%的时候,网联车要受常规车的影响,当超过50%以后,网联车可能就会影响传统车辆的驾驶行为。

                    项目“车路协同系统要素耦合机理与协同优化方法研究”则是要充分地利用自动驾驶、网联汽车带来的信息优势和控制优势进行交通系统的优化。项目在包括交叉口的协同通行、车道资源与信号配时协同,路段的行驶轨迹优化与引导,路网的多车协同通行优化、交通信号自适应协同优化,多路口混行车辆轨迹协同优化等场景,都进行了大量的仿真设计和计算。

                    前三个项目,多是从车辆智能控制、交通管理、交通系统优化等方面进行研究,而项目“大规模网联车辆协同服务技术与应用”更多聚焦于出行,尤其是预约出行,本质是对高峰时段的出行需求在时间和空间上重新分配,将一部分在路上排队的出行变为在家等待。按需配置交通资源,统筹多种交通方式,按照换乘时刻及当时换乘地的运力实现换乘精准匹配,编制出行时刻表,协调交通系统供需关系。随着智能网联汽车的逐步普及,未来每个人、每辆车、每个过程在交通中都应该是高强度信息化,所有出行、所有交通工具都全程信息化之后,预约出行将可能普及。

                    我们来具体看下这四个项目的研究进展:


                    项目一、城市多模式交通系统协同控制关键技术与系统集成

                    城市多模式交通系统协同控制关键技术与系统集成专项,就是围绕多模系统网联交互与数据赋能环境下,智慧交通管控如何提升的问题。

                    项目负责人之一、公安部交通管理科学研究所副所长刘东波表示,该课题的主要研究内容,是如何用新技术、新思维赋能交通智能管控,如何实现道路交通组织与控制精细协同,如何用AI提升管控智能化,如何用大数据支撑解决方案与协同服务。

                    有了大数据平台,如何协同各应用系统?这是课题创新具体的实践点。

          image.png 

                    项目主要成果与应用

                    课题到目前已经初步凝练几个方面的成果:

                    1、三套应用体系。

                    (1)构建以交通管控为核的多模交通系统网联大数据规范交互体系,实现多模交通系统与管控平台间信息交互;

                    (2)构建“智慧大脑”+“手脚”智能体的协同管控应用架构体系,明晰公安交管大脑的实施路径。

                    (3)形成场景化的交通协同靶向优化方法治理体系,实现对复杂交通问题的精准刻画与有效治理。

                    2、一大协同平台。基于“智能脑+执行体”的交通协同管控平台,也就是“大脑”和“手脚”的结合。

                    3、四类场景应用。

                    信号实时优化控制系统、无专用道公交优先系统、拥堵热点主动调控系统、可变车道动态控制系统。

                    4、两项核心设备。

                    AI智能视频感知设备和边缘计算设备(多元物联信息交互设备),从而实现感知数据与信号控制特征参数实时关联匹配。

          七个方面的代表性成果

                    一是,实现路口/路侧前端设备的互联互通,行业内、外中心系统的共享交互。刘东波表示,以往交管系统的数据基本上是纵向发展,很多系统都是烟囱式,一股脑朝前走,从来没有做横向的事,现在要做横向互通,难度很大,从而投入了很大的精力来解决前端感知和信号机通信协议标准、边缘计算和路侧设施相连的数据标准等的统一规范问题,希望未来能将横向与纵向数据汇聚起来。

                    二是实现网联数据汇聚支撑。

                    这些年各种新技术、新概念太多,落地却很少,刘东波认为,主要是因为缺数据汇聚支撑框架、缺标准体系。比如如何做好交通数据在多场景应用,如何让警力发挥作用,信号控制不可能解决所有的问题。同时,如何借助网联车进行智能分析判断,“大脑”不是万能的,更多是在做诊断和评估,给信号配时中心再做一个支撑。

                    三,场景化交通协同优化方法。

                    有了数据汇聚支撑,有大数据平台,就要做好研判、诊断和评估。针对这三个环节,要想做好优化,得先把三个环节所需要的指标体系清晰地、精准地列出来,然后研究算法,形成算法库,集成为算法层,服务于诊断、评估,有了这些后,就可以形成很多针对具体场景的优化治理方法,以案例指南为向导,得出可能最优方案模型。

          image.png 

                    四,感控一体化路侧边缘控制成套设备。

                    一是对视频设备智能化进行提升,除了车牌、速度、流量等进行识别分析外,还要更智能,比如不同车辆、天气条件下,排队的车间距以及总体的排队长度都不一样,而交通信号控制的感应控制或者自适应控制,需要有路口前车辆排队时时的车头时距,图形化动态展示,从而更好的反馈给信控系统。

                    二是边缘计算单元。通过边缘计算单元,一是更好的感知整个路口的交通环境和交通变化(全息路口),二是通过该计算单元实现信号联网管控,全国有20多万信号控制机,不可能为了集中管控而拆掉大部分,有了边缘计算单元,让不同厂家不同型号的信号机都可以接入中心平台,加上之前的数据分析,还可以更好提升信号控制机的智能化程度。

                    交通需求与通行效率导向。

                    此前,路口通行效率低与信号智能化程度低,相位切换精准度、智能化程度低,需要研发信号实时优化控制系统。怎么做?感知端采集的交通状态和信号机参数结合,采用动态贝叶斯网络建模,然后采用机器学习,学习信号特征参数,进行迭代学习控制。

                    面向高峰交通拥堵场景。

                    首先是要做拥堵溯源,通过卡口等数据实现;其次是优化控制策略,溯源后对上游路口进行流量调控,或者利用高德百度以及情报板诱导引流,减少拥堵;再就是采用精细化管理,比如借道左转、潮汐车道、可变车道等来调整交通流。

                    七,大数据支撑/系统协同。

                     交通大脑、交通大数据平台能干什么?研判、诊断、预警、预案优化、评估、指挥调度,这是平台的功能。而传统交通管控平台开放程度低,数据交换能力有限。在课题示范城市,交警和高德相互开放数据,相互对接,交警把信号配时、交通管制信息给高德,高德计算后,把可能造成拥堵的车辆尽可能诱导换路,这就是导航疏堵。车路协同也是这样的应用架构,项目围绕应用场景在推进。

          image.png 

                    下一步,将在五个示范城市选取代表性的场景进行落地,做好各项功能系统应用的测试验证,以及效果的测评工作。未来能够让大数据可获取、可用,能够让AI有用武之地,让感控更加智能化,让协同更接地气。


                    项目二:车路协同环境下车辆群体智能控制理论与测试验证

                     该项目面向未来车路协同环境下人车路异构交通主体构成的新型混合交通系统,针对其自组织、网络化、非线性、强耦合、泛随机和异粒度等特征,以车路协同环境为基础平台,以交通管理控制为应用对象,以仿真分析和实车测试为验证手段,重点研究复杂混合交通群体智能决策机理与协同控制理论,攻克车辆群体智能协同控制关键技术。 

                     项目负责人之一、清华大学张毅教授表示,该项目就是要解决未来10年后,所有的车辆、路侧设备联网,平台建设以后,所面临的车辆群体控制挑战,进行理论探索。

                    项目研究第一部分,车路协同与群体智能。

                    现在人、车、路等交通要素通过各种通信方式连起来,使得传统的交通系统发生了根本性的变化,从而使得获得每一辆车的动静态信息,了解每一个人的出行行为成为了可能。因此,传统交通系统存在,但我们没有发现、或者无法发现的特性出来了:

                    (1)所有车辆都是自组织,但此前研究交通系统的时候忽略了这个,因为没有办法研究每一辆汽车的自组织特性问题;

                    (2)所有的车辆实现网联,在传统交通系统下没办法获得,也只能忽略掉。

                    (3)交通的随机性。每个出行者需求每天不一样,于是造成交通系统里的复杂特性凸显,这些原来不是没有,而是因为此前技术手段不够,信息拿不到,即便知道了,也无从下手分析。

                    现在可以对每一辆车的运行状态、行为,甚至决策都能够了解,那么对于交通的整体控制和调控,将会发生一些革命性的变化。

                    此外,随着智能网联车辆甚至无人驾驶车辆逐步上路,道路交通将进入到混杂状态,这对交通控制也是一个巨大挑战。

                    第二部分,协同决策与智能控制。

           image.png 

                    针对新的交通情况,传统的集中、分布式控制就不再适用,就要根据不同的应用场景推行泛在分布式系统,考虑效率、安全问题,就要应用情景驱动下的动态集中式交通群体智能决策与协同控制机制,同时要分级实现系统优化、路权分配和轨迹规划。

                    如何实现?我们提出了体系框架,基于三层智能决策与协同控制机制的泛在分布式和动态集中式适用场景,和交通具体应用结合。第一个层次,构建大的体制;第二个层次,要把交通控制的安全、能效、排放的具体需求和决策结合起来;第三个层次,进行系统的局部优化和交通控制中的路权分配,路权分配确定以后,实现车辆的轨迹优化。

                    用这三个层次的分级,把复杂系统有机地结合起来,再结合具体的应用,解决特定场景的问题,比如说匝道、路口、路段,所有复杂的场景还可以结合起来,集成起来,综合起来。这样的情况下,找到具有普适性情况下的科学求解方法,使得理论研究的落地和交通系统结合起来。这里面最主要、最复杂、最难实现的是路权分配问题,路权分配的求解方法也是项目中非常重要的创新点。所以要考虑到普适模型怎么求解,怎么把行驶安全、通行效率和能耗排放三因素嵌入进去。安全考虑,要把它放到路权分配里,也需要放到轨迹规划里,于是构建了集中式和分布式的普适模型。包括群体决策,要把群体决策智能约束放到模型里,让抽象、复杂的问题具体化,用模型求解。这就涉及到超高维的计算问题,项目要突破状态重构问题,要解决时空关系中带来超高维的决策计算问题,之后,再和具体的问题结合。比如路权分配怎么做?可以探索用人工智能、机器学习,探讨最好的一种解决方案。

                    第三部分,决策控制与应用实现。

                    新型混合交通场景下城市道路智能协同控制实现。现在可以通过车路协同车载终端,融合信号配时与车辆速度引导,为公交、特殊车辆提供信号优先服务,协同控制的最高境界是信号配时变化信息能实时交互给车辆,甚至可以不用信号控制实现路口通行效率的最大化。但网联化不是一步到位的,智能化设备装车率不是一下就到100%,所以还要研究不同渗透率对交通特性的不同影响。比如渗透率10%的时候,网联车要受常规车的影响,当超过50%以后,网联车可能就会影响传统车辆的驾驶行为。

                    863重大科技专项-车路协同的项目里,列出15个典型的应用场景,我们希望再生成20个场景,这20个场景对车路协同的未来发展再引领5-10年。

                    比如车辆与交通信号控制系统交互,信号系统根据上游汇集来的车队调整配时,让路口通行效率最大化,甚至可以对绿波带进行升级,比如相位差是固定不变的,由于车路协同可以随时获得两个路口之间所有车流量数据,从而让相位差动态调整,使得通行效率提高。

                     更遥远的未来,高速、快速上的车辆,系统可以根据车辆类型、运行状态,自主形成一个个车队。比如1000辆汽车,每个车队10辆车,就有100个车队在高速、快速路上行驶,同一个车队保持相同的运行状态,当然就会出现车队之间也会有换道,也会有超车。

           

                    项目三、车路协同系统要素耦合机理与协同优化方法

                    该项目重点解决混行车路协同环境下驾驶人风险认知与反应特性、车辆交互运动耦合机理、网络交通流演变规律、时空资源和系统状态协同优化等关键科学问题,突破驾驶意图识别、车辆交互运动轨迹优化、交通瓶颈识别与可靠性预测、车道资源-车辆轨迹-交通信号协同优化、车路环境模拟与交通流一体化仿真等关键技术。

                    项目负责人之一、北京航空航天大学教授鲁光泉表示,要充分地利用自动驾驶、网联汽车带来的信息优势和控制优势进行交通系统的优化。

                    研究方向和内容

                    一是研究人车耦合关系。人和车之间到底是什么关系?这种关系在未来的智能网联环境下有什么样的变化趋势?这些变化对未来的交通控制优化有什么样的影响?二是车和车之间的关系。三是车和路之间的耦合关系。四是在前三个研究的基础上,探讨在智能网联环境下,对节点、交叉口、干道两个交叉口之间,用什么样的方法来优化车的轨迹,优化道路渠化,优化信号控制。五是希望提出的理论方法得到印证。

                    一、人车耦合关系。

                    项目组尝试建立一种通用的驾驶人仿真模型,不管是人开车还是机器开车,都有一个驾驶模型,在信息感知、处理、决策和操作上,有通用的特征。在这一模型下,来研究人开车在认知操作、驾驶反应等方面有什么样的特征、什么样的差异,在智能网联环境下,不同的信息来了以后,不同人的操控特性会有什么样的变化。

                    项目组构建了通用仿真模型,建立了驾驶员的四个属性:生理属性、感知属性、决策属性、操作属性,由属性层、表征层、认知层等组成,并用138个参数表示驾驶过程,将来实现自动驾驶,车也可以作为特殊的人,只不过感知属性、决策属性可控。

                    随着场景数量增长、爆炸,仿真模型也在不断地爆炸、膨胀,基于这个,如何统一地描述人们的感知、决策?可以用统一的描述来表示不同交通要素对车辆运动决策的影响。

                    项目组分析了驾驶人认知与操作特性。开展了无/有车路协同信息的驾驶模拟器换道实验,结果表明:提供车路协同信息的环境下,平均换道意图时窗(4.95s)显著长于传统环境(2.75s),换道时自车与障碍车距离更长,后视镜注视次数(2.68)显著高于传统环境(1.55);后视镜注视时间也相对较高。车辆方向盘转角速率更加平稳,横向加速度更加集中且值相对较小。另外,还分析了驾驶人可接受换道间隙和换道持续时间,结果表明:驾驶人倾向于在与前车交互时保留较大空间,与后车交互时接受较小空间;前车越快,驾驶人换道持续时间越短,而后车越快会使持续时间更长。

                    构建了驾驶行为感知与意图识别模型。根据网联环境下换道意图阶段和车道保持阶段的差异性特征,基于AT-BiLSTM(基于注意力机制的双向长短时记忆网络)建立了换道意图识别模型,模型在车辆换道前0.5s的识别精度能够达到98.46%;提出了ARIMA-OGD-Bi-LSTM混合模型,实现了对转向行为短期准确预测:通行多车道路口中,在行为开始前1s的平均识别率达96.4%,前2s的平均识别率为84.8%。

                    二、车车耦合关系。

                    在路上,车与车一般有两种耦合行为,一种是跟车走,第二个是换道、超车,在路口就复杂些,交叉口车与车之间的耦合关系更加复杂。项目组从不同角度分别构建了不同的风险场模型。构建了基于驾驶人主观风险量化的跟驰和换道模型,从NGSIM中选取典型案例,能够有效拟合自然驾驶数据。构建了道路环境风险场,在典型低风险换道测试场景下,纵向轨迹重构误差为0.8%,横向轨迹重构误差为1.3%;在高风险加速换道测试场景下,纵向偏移误差为2.8%,横向偏移误差为1.9%。并基于道路环境风险构建了超车模型,基于风险场地图搜索风险值最小的路径,每隔t时刻生成车辆的参考轨迹。综合现有测试场景,纵向偏移误差为1.6%,横向偏移误差为1.8%。

                    交叉口车与车耦合关系研究方面,项目组构建了基于势能场的交叉口通行模型,选取长春市某交叉口进行高空摄像调查,结果显示,直行案例轨迹重构平均误差为4.6%;左转案例轨迹重构平均误差为6.3%;右转案例轨迹重构平均误差为6.7%。从而对交叉口混行车辆队列跟驰行为进行仿真,仿真了两种类型AV车辆的交叉口通行行为,结果表明:AV队列稳定性和速度波动性会严重影响交叉口通行效率;仿真并计算了MV&AV混行时排队车辆的损失时间,结果表明:AV在队列中位置越靠前,越有利于减少排队损失时间;AV数量增多一定会减小排队损失时间;AV数量有限时,AV分散分布更有利于降低排队损失时间。

                    三、车路耦合关系。

                    如果路网里掺杂不同比例的智能网联汽车,宏观基本图、道路基本图有什么变化,如何计算通行能力?对交通流密度和速度关系有什么样的影响?怎么计算出行时间可靠性,如何发现路网的瓶颈?如果将来要把基本通行能力提高10%,反推回去,智能网联汽车的性能需要达到什么程度?

                    项目组构建了混行单车道交通基本图模型,并基于单车道流速密关系,构建了基本图参数与路段限速和CAV渗透率的解析式;给定限速条件下,低CAV渗透率下(0%~33.3%),渗透率增加,通行能力提升33%;高CAV渗透率下(66.7%~100%),通行能力提升83%。通过SUMO仿真各CAV渗透率下的单车道混行路段;不同CAV渗透率下仿真数据点与理论曲线基本贴合;随着CAV渗透率提升,混行单车道的通行能力上升,相同密度下车道的平均速度上升。

                    构建了混行多车道路段元胞传输的交通基本图模型;瓶颈路段,CAV零渗透率下,道路通行能力为950~1350PCU/小时/车道,66.7%CAV渗透率下,道路通行能力为2200~2400PCU/小时/车道。仿真测试表明:低渗透率下自由流受换道影响,无法保持最大速度;高渗透率下换道对路段交通流影响减弱。

                    构建了路网宏观基本图,借助CAV实施动态控制管理策略获得了更稳定、形状更好的宏观基本图。

                    实现了路网出行时间可靠性预测。传统的出行时间可靠性计算里采用智能图像处理方法,但由于维度的增加,比如交通小区数量增加,就会带来维度灾难的问题,矩阵越来越大,算不下去,但用图卷积神经网络的方法可以解决这个问题。项目组从路网交通状态与出行时间可靠性关联关系出发,提出基于路网拓扑结构的“交通特征-交通状态演化-网络出行时间可靠性”两层学习机制,并利用图卷积神经网络GCN挖掘路网交通状态与出行时间可靠性映射规律。结果表明,在多个不同的预测时间步长下,模型平均预测精度为85.95%。

                    四、系统协同优化。

                    在前面几个耦合关系研究基础上,项目组计划提出一套算法,来充分利用智能网联汽车、自动驾驶汽车的优势,控制优势来使得交通系统更优化。

                    比如在单交叉路口的协同通行方面,通过描述典型交叉口环境下不同行驶方向车流间的冲突关系,提出了多车协同避撞条件及协同通行准则。考虑CV车辆的不确定性,提出了CV/CAV混行的多车协同通行方法;仿真了同一交叉口流量水平下混行渗透率变化对通行效率的影响,结果表明:渗透率增加,CV车辆对群体车辆通行的影响下降,车辆平均延误和延误车辆比例也随之降低。

                    在路段行驶轨迹优化与引导方面,确定了车辆在路段上的起始和终止条件,根据最优控制理论建立了CAV车辆轨迹优化模型,在不同的交通流量下,平均燃料消耗降低约15%;根据轨迹预测控制的思想来确定最优引导指令,指导驾驶人合理操纵CV车辆。仿真实验表明,系统相邻两次发出指令的时间间隔较小时,引导效果较好。

                    在路网多车协同通行优化方面,选择典型路网进行仿真实验,结果表明:群体决策出行明显优于最短路线出行,能降低路网车辆平均延误,提升路网交通服务均衡性。

                    在单交叉口混行车道资源与信号配时协同优化方面,针对自动驾驶专用道问题,构建了一套混合整数线性规划模型,给定交叉口几何条件、网联自动车辆和人工驾驶车辆交通需求,优化混合行驶环境下交叉口渠化方案和信号方案,从而最大化交叉口通行能力。计算了四向三车道,四向四车道和四向五车道三组算例,结果表明,通行能力提升了15%。

                    在混行路网交通信号自适应协同优化方面,提出了分散反馈-全局协同的混行路网自适应交通信号控制策略,仿真结果表明:网联车占比20%时,路口平均车辆排队减小40%,路口平均车辆延误减小40%。

                    在多路口混行车辆轨迹协同优化方面,基于生态驾驶模型和最优控制理论,建立多目标CAV轨迹优化模型,实现了低渗透率网联轨迹优化与混行交通流集群生态驾驶,基于VISSIM仿真混行车流,结果表明,平均行车能耗(/车/路口)节省了12%-24%。

                    五、仿真与实地测试。

                    为实现自动驾驶与人工驾驶的混行测试,项目组研发了多车模拟驾驶与交通仿真相结合的混行交通实验系统。能模拟人工与自动驾驶系统感知、决策、操作特性,并与多台驾驶模拟器在同一场景中交互。

                     目前项目组已在交通部试验场完成2个交叉口C-V2X的智能路侧单元安装(可写入算法)、2个交叉口交通信号控系统的基础布设、试验车1+2 辆、智能车载终端2套(可写入算法)

          image.png 

                    在仿真测试方面,构建了面向交通管控的车路协同策略有效性测试原型系统,定义了测试场景目标与功能,与仿真工具解耦,实现了车辆驾驶行为控制,满足MV+CV混入模式下的不同仿真测试需求。


                     项目四、大规模网联车辆协同服务技术与应用

                     该项目的研究方向是针对网联车辆协同运行的迫切需求,重点突破大规模网联车辆信息感知、融合互通、出行互助协作、时空协同服务等关键技术,建立大规模网联车辆协同服务平台,实现网联车辆从位置监管信息服务到安全生态、互助共享的协同服务。

                     项目负责人、北京交通发展研究院院长郭继孚表示,该项目围绕终端信息网联、网络信息统合、云端出行协同三条主线,突破大规模网联车辆的信息融合互通与出行时空协同优化关键科学问题,并从云边端以及端云协同四个方向开展研究与实践。

          image.png 

                    项目主要成果与应用

                    端侧,开展了终端设备研制与安全生态评价,包括研发基于环境感知、危险预警与交互服务关键技术的一体化智能车载终端、驾驶风险评估及危险预警系统、生态驾驶行为控制优化系统等;

                    路侧,研发了智能路侧信息融合原型系统,包括实现基于边缘计算的路侧激光雷达与摄像头融合监测模型,可支持路口交通信息感知、盲区监测等场景应用。

                    云平台方面,研发形成大规模网联车辆协同服务平台,进行大数据分析与知识挖掘,包括网联车辆画像、异常特征辨识、货车超载识别、道路停车监测、信息安全监测、协同服务等;

                    端云协同方面,以预约和互助服务技术为核心,实现网联车辆运行的时空协同。包括网联车辆集群互助影响模拟、定向互助服务信息精准投放、实时需求响应与精准调控、超级时刻表编制技术,试点网联车辆预约与互助出行服务等。

                     几个重点应用。

                    一是预约。本质是对高峰时段的出行需求在时间和空间上重新分配,将一部分在路上排队的出行变为在家等待。调节后,用户仍可按照以往时刻通过,而无须排队等待。同时,按需配置交通资源,统筹多种交通方式,按照换乘时刻及当时换乘地的运力实现换乘精准匹配,编制出行时刻表,协调交通系统供需关系。项目组在地铁进站排队进行了试点,通过手机端口供地铁出行者预约排队,15分钟一个时间段,到该时间段到地铁站可以经专用通道进入,允许前后十分钟误差,超过则无效。试点效果很好,地铁沙河站日均预约进站量4400人,人均节约排队时间5分钟,日节约排队时间221小时。此外,项目组还在北京市回龙观北桥路段试点预约通行,回龙观西大街是双向六车道的主干路,在单向三车道向一车道变化路段形成了交通瓶颈,常年拥堵。试点结果表明,用户每一次错峰出行为自己平均减少17到39分钟的拥堵时间,同时这一次错峰出行为整个系统减少76到97分钟的拥堵时间。

                     二是平台。第一个是大规模网联车辆智能化综合监测与大数据分析平台。比如“天秤”系统,基于大规模网联车辆及发动机运行数据,针对不同车型、速度、载重、坡度、道路类型等影响因素,建立了2.4万组高分辨率的车辆和发动机工况图谱库,研发了车辆载重自学习人工智能算法与平台系统,车辆发动机启动并上路运行15分钟后,系统就能判断该车辆是否涉嫌超载,从而改变治超管控的模式。

          image.png 

                    第二个是基于网联车辆视频数据的道路停车秩序监测平台。基于动态数据和静态数据,结合图像和视频识别、GPS数据比对、GIS等技术手段,实现对违法停车信息的采集、识别以及评价结果的工程计算。北京计划建立一个停车指数,各个区的停车管理做得怎样实现对各区、各街道的实时考核,可以具体到每一个路段,这些都是基于网联车辆视频大数据来实现。该平台以北京市西城区月坛街道作为试点区域,包含74条评价道路,监测平台于2020年12月23日正式上线。

                    展望

                    一是,具有交互服务能力的智能终端将大规模普及。未来每个人、每辆车、每个过程、每个时段都应该是高强度信息化,所有出行、所有交通工具都全程信息化之后,将各交通运输方式协同起来,可以按需提供运输方式,一个人打车,两个人拼车,多人合乘,十几人提供大巴,几百上千人开一个专列,深夜还可以调度网约车、出租车、大巴来疏导。

                     二是,预约应用场景逐步扩大。其实、可以创造一个不堵车的城市,以前不能是缺乏预约系统,缺乏保障的信用机制。为什么不能把一个车道拿出来做成预约通行车道?比如大部分的公交专用道利用率很低的,怎么办?预约,一部分车辆预约之后就可以走公交专用道。我们有序地为每个出行者安排时序,可以造成一个不堵车的系统,这是网联的功效。

                    预约对提升道路通行效率有用吗?这就像医院挂号有用吗?能解决医疗资源紧张吗?当然解决不了,但是显然可以解决无效排队的问题。预约出行也就可以缓解拥堵的问题

          扫一扫在手机上阅读本文章

          男女真实无遮挡xx00动态图_欧美成人性之站_曰批免费视频播放_免费人成年短视频在线观看