地下道路线形及横向净距设计方法

基于多智能体仿真的地下道路线形及横向净距设计方法技术方案:现实表明，地下道路由于其封闭性和躲避空间的局限性，交通安全事故的发生频率是一般道路的几倍，严重程度很高且极易引起后继事故的发生，而把人、车、路和环境等几个方面综合进行考虑的地下道路交通工程设计，被认为是解决公路地下道路交通安全问题的重要措施之一。在地下道路交通工程涉及的各种手段和方法中，地下道路线形和横向净距的优化设计能够帮助驾驶员做出更有效的驾驶行为决策，减少驾驶焦虑和压力，是真正能够保证地下道路交通安全、提高通行能力的手段之一。本章主要基于SOAR认知框架建立大型车辆多智能体模型，对不同道路线形和横向净距下的交通行为和交通流特征进行仿真和分析，提出优化的地下道路线形和横向净距设计推荐方案。6.1地下道路线形及横向距离

对驾驶行为的影响分析荷兰应用科学研究组织(TNO)认为，隧道的特殊设计包括隧道的长度、类型、宽度，隧道路线曲线的数目、曲度及波动等，在很大程度上影响着驾驶员的行为以及主观安全感。但是这些研究都是针对公路隧道的研究，对地下道路的研究主要集中在横断面的设计、出入口变速车道长度以及交通安全的定性分析等，较少对城市地下道路的驾驶行为进行研究。6.1.1一般路段对驾驶员行为的影响分析一般路段线形对驾驶员行为的影响主要有：1）长直线道路会使驾驶员在行驶过程中产生催眠现象，反应变得迟钝，注意力分散，从而导致行车中判断失误；2）合适半径的平曲线，给驾驶员适当的紧张感，有利于交通安全。不合理的平曲线设计会使司机在猜测和紧张中驾驶，使他们身体很容易疲劳，心脏负荷过大，判断力下降，反应迟钝。过小的曲线半径会降低驾驶员的停车视距使他们不能提前观察到前方转弯处，也不能对道路线形的走势做到心中有数；3）长大下坡易造成驾驶员频繁刹车，感觉疲劳、紧张；4）凸形竖曲线易导致驾驶员视距不足，看不到前方交通情况引起心情烦躁不安；夜晚无照明道路上的凹形竖曲线处视距不足，易引起驾驶员紧张心理。6.1.2地下道路对驾驶员行为的影响分析地下道路线形对驾驶行为除了具有与一般路段相似的影响外，还具有其特殊性，其中线性变化对车速和心率变化的影响较明显。1）车速：地下道路出入口是驾驶员心理变化最显著且快速的路段。研究发现，一般车辆在进入地下道路口前一定距离有明显减速，在地下道路中，车速一般在较低水平范围上下波动，而在出地下道路口有明显加速过程。导致地下道路进出口区域车速变化的主要原因是地下道路内外光线差导致的视觉适应和道路线形因素。根据对秦岭二号地下道路和终南山地下道路调研研究发现车辆在地下道路进出口前后5s设计车速行程范围运行车速都受到线形影响。郭忠印等对地下道路进出口的运行安全进行了研究，认为进出口线形过渡是地下道路安全的主要影响因素之一。不同线形的地下道路出入口对内部环境产生不同影响，直线地下道路不利于光线过渡，不能有效调节驾驶员心理，无法避免“黑洞效应”和“白洞效应”引起的减速进洞、加速出洞现象的出现。瑞士及北欧国家的公路地下道路绝大多数都做成曲线形的，这有利于提高驾驶员的注意力，且地下道路出入口曲线段可以有效解决“黑白洞”问题，减少事故的发生。在地下道路中行驶，驾驶员的视野受到诸多因素的影响，视野随车速的变化而变化，同样，车速随视野的变化而变化，即驾驶员总是根据其视野大小来选择行驶速度。当前方出现小半径平曲线、纵坡、地下道路洞口等使视野变小时，驾驶员会相应的降低速度；当前方为长直线或者大半径平曲线通视良好时，视野增大，驾驶员会提高速度。2）心率：研究发现，驾驶员心率增量与地下道路的弯道半径存在较大相关性。小半径地下道路由于离心力、视距、通风不良等原因易引起驾驶员心率增加，对驾驶员的感知、情绪造成影响。此外，地下道路的密闭空间易造成驾驶员的压迫感，感觉地下道路内车道宽度变小，曲线地下道路会给驾驶员造成与地下道路内壁相撞的恐惧感，产生所谓的“边墙效应”，驾驶压力大大增加，并有可能情绪失控，操作失误，引起事故。单向通行的地下道路应设置为大半径曲线，驾驶员适当的心率增加、心理紧张利于注意力的集中，且大半径曲线地下道路光照过渡S1S1Vehicle:V1Driver:D1Super-State:nilName:s1IO:IO1V1Size:smallType:private-carD1Gender:maleAge:45Driving-years:20Incomings:8000Character:reservedMatch-accuracy:1Familiarity:type1Location:org-locIO1Output-Link:I3Input-Link:I2O1Operator:moveforwardOperator:turnleft……..I1Road-alignment:LClear-distance:SSense-Density:2Velocity:FTurn-angle:L2……图6-2驾驶员智能体工作记忆如上图所示，工作记忆里的状态S1包含五个属性，其中vehicle、driver、IO属性的值为对象V1、D1和I1，其余两个属性分别表示该状态的名称为s1，且其没有父状态。状态S1的V1属性表示智能体组成单元车辆的相关信息，包括表示车辆的尺寸为小，车辆的用途为私家车，当前速度很快。S1的D1属性表示驾驶员的相关信息，包括驾驶员的性别为男，年龄为45，驾龄为20年，月收入为8000，性格为稳重型，对路网非常熟悉，当前驾驶员的匹配精度为1，当前位置为初始位置。IO属性为S1的输入输出，分别通过input-link和output-link接口实现，其中input-link的标识符I1有四个属性，分别表示智能体从外界感知到的与路段以及周边环境相关的信息，包括属性Road-alignment、Clear-distance、Sense-density、Velocity、Turn-angle分别表示当前车辆所在道路的感知线形、横向距离、感知拥堵程度、速度、转弯角度。输出接口output-link的标识符O1表示该状态下的输出，比如选择要应用的算子以及应用算子对工作记忆及周边环境的影响结果通过I3下的属性输出。表6-1工作记忆输入和输出序号属性输入\输出取值编码说明1当前路段线形输入直线段、左转弯道、右转弯道1,2,31路段线形特征值输入弯道半径1,2,3,42横向距离输入数值1,2,33当前道路拥堵状况输入严重拥堵、一般拥堵、通畅3,2,14预测道路拥堵状况输入严重拥堵、一般拥堵、通畅3,2,15当前情绪输入舒畅、急躁1,26目的地输入左、前、右1,2,37驾驶风格输入保守、冒险、一般1,2,39当前行驶状态输入直行、左转、右转1,2,38行驶状态特征值输入速度、角度具体值9改变当前情绪输出舒畅、急躁切换匹配精度升降依记忆规则确定10改变目的地输出左、前、右目的地切换依记忆规则确定11改变行驶状态输出直行、左转、右转及对应特征值变化依记忆规则确定6.3.2地下道路行车中驾驶员智能体长期记忆设计长期记忆区是一个成果记忆区。长期记忆中最重要和最有效的是程序性知识，情节性知识只在程序性的知识不足以支撑决策时才起作用，在驾驶行为中不涉及语义性知识。SOAR智能体经过地下道路驾驶行为程序性记忆用产生式规则来进行表征。首先，用每个规则的“if”部分去匹配工作记忆里的元素，如果规则的“if”部分与工作记忆元素完全匹配，这个规则就会被触发，然后通过发送一条到运动系统的信息或产生改变当前状态的建议，引起“then”部分触发，即任何与当前目标、状态和算子匹配的规则会改变当前的目标和状态。SOAR智能体经过地下道路的情节性记忆是智能体的特定经历和记忆，是情节性学习的知识来源，一旦驾驶行为决策完成，就将当前行为、对应的决策状态转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。表6-2某个驾驶员智能体的部分初始长期记忆规则规则编号IF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENr1[I]R-A1(2)[I]R-A2(1)[I]C-D(1)[I]S-D(1)[I]D-S1(2)[I]D-S2(12)[T]D-S1(1)[T]D-S2(1)r2[I]S-D(3,1,3)[I]P-D(3,1,3)[I]Des(1)[T]Des(2)r3[I]S-D(223)[I]R-A1(3)[I]R-A2(3)[I]D-S1(3)[I]D-S2(1,3)[T]Tem(2)r4[I]R-A1(1)[I]R-A2(3)[I]C-D(1)[T]D-S1(1)[T]D-S2(2)———r5[I]R-A1(2)[I]R-A2(2)[I]C-D(2)[I]D-S1(1)[I]D-S2(3)[T]D-S1(2)[T]D-S2(2)上表中，[I]表示条件，[T]表示行动，R-A1,R-A2,C-D,S-D,P-D,Tem,Des,D-S1,D-S2为对象属性的缩写，分别表示线形、线形特征值、横向距离、拥堵、预测拥堵、情绪、目的地、行驶状态、行驶状态特征值。以r5为例，规则意义为如果当前线形为左转弯，转弯半径为中等（根据具体值进行标定），车辆横向距离较大（根据具体值进行标定），当前车辆正直行且速度较快，则在满足转弯条件前提下车辆左转，速度降低1个单位，其它规则意义依此类推。上述规则只是某个驾驶员智能体初始规则的一部分，篇幅所限，不详细列出。另外，驾驶员智能体规则在学习过程中会通过学习机制动态的增加和删除。SOAR智能体的诱导服从行为的情节性记忆是智能体的特定经历和记忆，是情节性学习的知识来源，一旦诱导服从行为决策完成，就将当前行为、对应的决策状态转移路径及反馈偏好值进行记录，以备在下次遇到决策困境时使用。6.3.3程序式算子选择经过地下道路的SOAR智能体中采用数值偏好。长期记忆规则库中的每条规则包括匹配条件和匹配条件满足下可以建议的算子，以及此条件下建议该算子的数值偏好值。每添加一条新规则需要判断该规则中算子的初始数值偏好大小，并在决策过程中根据外界的反馈对该值的大小进行更新以使其更接近真实情况，为驾驶员的决策提供更加准确的信息。1）令表示状态下的候选算子集合，如果其基数等于1，则选择进入工作记忆，否则继续；2）如果，，则以轮盘赌机制从中选择当前算子进入工作记忆，否则继续；其中、表示状态下最优算子和次优算子的偏好，表示状态下算子直接选择阈值； 3）如果或，，则不能直接进行算子选择，则产生困境，进入组块学习阶段。6.3.4学习机制本章主要采用组块学习方式来描述驾驶员经过地下道路驾驶行为的学习功能。组块是SOAR在困境解决时进行学习的机制，即在子状态的处理过程中学习组块规则。当一个困境产生时意味着当期系统的长期记忆中没有可以利用的算子使得问题求解过程在问题空间中向前移动，需要自动创建一个新的规则来解决当前困境，组块规则的建立需要分析长期记忆中与达到结果相关的产生式规则及情节记忆线索。6.3.4.1困境的解决当程序式记忆不能对当前状态选择算子时，采用如下步骤解决困境。1）令从初始状态经过i次状态转移得到的当前状态为，如果或，，则符合组块学习条件，令j=i+1，继续；否则采用程序式记忆进行算子选择，见3.4；2）如果j=0，转5；否则j:=j-1；3）在所有情节记忆库中寻找状态转移路径中包含的情节性记忆的算子集合，记为。如果，转2，否则继续；4）在中选择最优算子进入工作记忆，解决当前困境，转7；5）如果，以步长0.1改变当前状态的匹配精度，直到满足当前状态的算子集合出现，其中表示改变匹配精度后的新状态；6）在或中采用轮盘赌机制选择算子进入工作记忆，解决当前困境；6.3.4.2组块规则经过地下道路的智能体除了初始程序性记忆规则外，绝大部分规则是通过组块创建的。如果智能体在状态转移中遇到过困境，则说明决策过程中有部分状态没有算子或者不能直接选择，那么智能体此次决策后，需要采用组块学习方法创建规则及偏好更新。如果，则对解决困境的算子进行一次组块更新，其中表示智能体在状态下的期望驾驶目标，表示智能体动作的实际驾驶目标,为规则组块更新阈值。如果相同规则连续两次被组块更新，则将对应算子添加到决策过程中遇到困境状态，组块成功。无论是组块形成还是已经存在的规则，智能体后都要对此次决策涉及的算子进行反馈学习，由于决策过程涉及多个状态和算子，因此采用各状态与目标状态的距离来分配对应算子的反馈偏好。决策周期的状态转移路径中第个状态对应的算子的反馈偏好值为，其中=为最终状态下的总偏好反馈值，本文中参数取0.5；为分配到上的权重，它是状态到的距离及所在的状态转移路径的函数，本文，其中为所在路径包含的状态数量。6.4仿真框架 图6-3地下道路线形及横向净距优化仿真框架6.5仿真实验及分析本仿真实验首先对面向地下道路线形和横向净距的SOAR智能体进行设计，继而针对不同线形和横向净距条件下进行仿真实验，对不同仿真条件下的实验结果进行分析，给出本实验场景下的最优推荐方案。6.5.1仿真场景设置仿真场景为天津某地下道路，单向三车道，仿真场景中线形、横向净距等在原设计方案基础上进行一定程度的调整后，分别进行仿真实验，在仿真实验结果分析基础上，得到不同条件下的横向净距和线形优化方案。下图为部分现场图。图6-4地下道路线形及横向净距场景1图6-5地下道路线形及横向净距场景2 基于该地下道路设计方案，采用ucwin/road进行三维虚拟现实构建，用来进行实验参数标定的基础，地下道路设置为三车道，设计车速为40公里，部分模拟场景如下图所示。图6-6地下道路模拟场景1图6-7地下道路模拟场景26.5.2仿真实验在地下道路直线段和弯道行驶条件下，在不同行车速度下对标准横向净距进行一定幅度调整，本章一般条件下的横净距和视距半径如下表6-3和6-4所示。表6-3地下道路一般条件下横净距车速（km/h）一般横净距（左）一般横净距（右）小汽车（m）大货车（m）小汽车（m）大货车（m）1002.7252.3754.0254.375802.7252.3753.7754.125602.62.253.654401.851.52.653301.7251.3752.5252.875201.61.252.42.75表6-4地下道路一般条件下视距半径车速（km/h）一般视距半径（左）一般横净距（右）小汽车（m）大货车（m）小汽车（m）大货车（m）10011741705795926805558224014736027040119322640108208751043065111455320314021186.5.2.1地下道路直线段横向净距仿真在地下道路直线段小汽车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加15%，采用本章仿真方法对车辆通过直线段进行仿真，下表为300分钟内200m路段上不同车速下不同仿真实验对应的交通冲突数据。表6-5不同车速和不同横净距下的地下道路直线段行驶交通冲突数据（小汽车）车速(km/h)实验1（减小15%）实验1（减小10%）实验1（减小5%）实验1（一般值）实验1（增加5%）实验1（增加10%）实验1（增加15%）1001961711511441391351358019316515114013613313260181169156150146140138401661401321281271241223015413412912512512112020123116116115114111110图6-8直线段行驶中不同横净距下的交通冲突图（小汽车）在地下道路直线段大货车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为300分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-6不同车速下的地下道路直线段行驶交通冲突数据（大货车）车速(km/h)横净距减小15%横净距减小10%横净距减小5%一般横净距横净距增加5%横净距增加10%横净距增加15%1002522422232081911801798024122521420318617717160229223217202187179170402101951871821721691693022121219218216816616520201194178172162160160不同速度下和横净距下的交通冲突曲线图如下图所示。图6-9直线段行驶中不同横净距下的交通冲突图（大货车）6.5.2.2地下道路弯道横向净距仿真在地下道路弯道段小汽车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为30分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-7不同车速下的地下道路弯道行驶交通冲突数据（小汽车）车速(km/h)横净距减小15%横净距减小10%横净距减小5%一般横净距横净距增加5%横净距增加10%横净距增加15%1002151881581481401341318020918417015513813112960194185164152134127125401731571411371341301313016315213713412812612320134131124118120120118不同速度下和横净距下的交通冲突曲线图如下图所示。图6-10弯道行驶不同横净距下的交通冲突图（小汽车）在地下道路弯道大货车行驶条件下，将横净距在一般基础上以5%的步长减小或者增加20%，采用本章仿真方法对车辆通过直线段进行仿真，下表为30分钟内不同车速下不同仿真实验对应的交通冲突数据。表6-8不同车速下的地下道路弯道行驶交通冲突数据（大货车）车速(km/h)横净距减小15%横净距减小10%横净距减小5%一般横净距横净距增加5%横净距增加10%横净距增加15%1002682482352182232112688025022922820221220725060240222217194198183240402232102091871861812233019319019618517518219320181180184178171176181不同速度下和横净距下的交通冲突曲线图如下图所示。图6-11弯道行驶不同横净距下的交通冲突图（大货车）6.5.3结果分析 1）由表6-5至6-8和图6-8至6-11可知，