Везде
Improving the Maneuverability of Unmanned Vehicles at Various Road Network Configurations
Table of contents
Annotation Estimate Publication content
References Comments
Share
QR
Metrics
Improving the Maneuverability of Unmanned Vehicles at Various Road Network Configurations
Annotation
PII
S207751800016539-1-1
DOI
10.18254/S207751800016539-1
Publication type
Article
Статус публикации
Published
Authors
Andranick Akopov 
ORCID: 0000-0003-0627-3037
Occupation: Chief Researcher Scholar
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Levon Beklaryan
Affiliation: Central Economics and Mathematics Institute, Russian Academy of Sciences
Address: Russian Federation, Moscow
Edition
Volume 16 Issue 3
Abstract

The article presents an approach to improving maneuverability of unmanned ground vehicles (UGVs) interacting with manned ground vehicles (MGVs) within the proposed multi-agent intelligent transport system (MITS) at various configurations of the digital road network. With the developed models, the abilities of improving maneuverability of agent-vehicles in MITS under various control scenarios for the most important characteristics of the system, such as, the arrival intensities of agents, speeds of UGVs and MGVs, clustering methods for the traffic density estimation and intelligent maneuvering are studied. The proposed MITS is implemented based on the reconfigurable digital road network (DRN). There is proposed an approach to improving the maneuverability of the UGVs, aimed to effectively maneuvering in changing lanes and choosing the best routes to bypass traffic congestions and other problem areas with providing the required level of output traffic and minimizing the number of potential traffic accidents in the MITS. The possibilities of improving maneuverability of UGVs at various configurations of the DRN (for example, the roundabouts, "Manhattan Lattice", etc.) are studied.

Keywords
unmanned vehicles, agent-based modeling of transport systems, improving maneuverability, road networks, agent-based model
Received
06.08.2021
Date of publication
16.09.2021
Number of purchasers
8
Views
943
Readers community rating
0.0 (0 votes)
Cite Download pdf
Additional services access
Additional services for the article
Services benefits
100 RUB / 1.0 SU
1

Введение

Развертывание наземных беспилотных транспортных средств (БТС) на дорогах общего пользования требует, чтобы подобные транспортные средства могли эффективно взаимодействовать друг с другом и внешней средой, включая обычные транспортные средства (ОТС) с учётом особенностей конфигурации цифровой дорожной сети (ЦДС).
2 Ранее были разработаны модели поведения ансамбля БТС и ОТС с использованием систем конечно-разностных уравнений, учитывающих различные сценарии сложного взаимодействия агентов [1-4]. Был предложен алгоритм нечёткой кластеризации для управления БТС при перестраивании в интенсивном дорожном потоке [5]. Подобный подход может быть использован также и для улучшения маневренности БТС при различных конфигурациях дорожной сети (например, кольцевые развязки с различной геометрией прилегающих дорог, разнонаправленная «Манхэттенская решетка» с переменным количеством узлов и др.).
3

В настоящее время актуализируются исследования, направленные на разработку моделей, методов и алгоритмов управления автономными транспортными средствами (БТС). В некоторых работах (например, [9], [10]) используются модели движения по автостраде для формирования базы знаний о сценариях вождения. Многие исследования используют модели, основанные на методах управления поведением БТС (например, [13, 15, 21]). Такие подходы позволяют исследовать сценарии вождения (например, [19], [22]) и улучшать маневренность БТС [8, 11]. С другой стороны, многие особенности, обусловленные психологией водителей ТС, влияющие на их поведение и маневрирование в интенсивном потоке, изучены недостаточно. Из работ по исследованию поведения толпы в чрезвычайных ситуациях известны эффекты «турбулентности» и «давки» [13], [15], [22], обусловленные наличием личного пространства агента, изменяющегося в зависимости от плотности окружающего пространства. Подобные явления, наблюдаемые также и для крупных транспортных систем, вызывают перегруженность ЦДС, пробки и аварии. Поэтому, несмотря на некоторые известные преимущества «молекулярного» подхода [20] к моделированию транспортных потоков, необходимо разработать крупномасштабные имитационные модели движения ансамбля БТС и ОТС феноменологического типа [6] с использованием ЦДС со сложной конфигурацией. Для программной реализации подобных моделей предлагается использовать системы класса AnyLogic и FLAME GPU, предназначенные для крупномасштабного агент-ориентированного имитационного моделирования (например, [14, 17, 18]) и позволяющие проектировать ЦДС [1-2], [12]) со сложной конфигурацией (типа «Манхэттенской решетки», кольцевых развязок и др.).
4

Существенное улучшение маневренности БТС и уменьшение количества аварий с увеличением (сохранением) трафика выходного потока может быть достигнуто включением известных алгоритмов нечёткой [5], [7] и иерархической (например, [1-2], [16]) кластеризации в индивидуальные системы принятия решений БТС для интеллектуального объезда дорожных заторов и выбора наилучших полос движения при маневрировании. Применение алгоритмов кластеризации позволяет выявлять пробки и выбирать наиболее предпочтительные маршруты с минимальной плотностью движения относительно агента-БТС с учетом направления движения к цели и характеристик ЦДС (например, конфигурации, количества полос движения, типов перекрестков, расстояния до ближайшего соседа и т. д.).
5 Другим важным направлением улучшения маневренности БТС является оптимизация характеристик МИТС (например, интенсивностей прибытия агентов-ТС, скоростей движения транспортных средств, скоростей передачи информации между взаимодействующими БТС и т. д.) с учетом конфигурации ЦДС.
6 Целью данной статьи является разработка подхода к улучшению маневренности БТС взаимодействующих с ОТС в рамках предложенной многоагентной интеллектуальной транспортной системы (МИТС) при различных конфигурациях цифровой дорожной сети для оценки возможностей оптимизации характеристик подобной системы.
7

Оценка характеристик многоагентной транспортной системы

Рассматриваемая МИТС состоит из агентов двух типов: наземных беспилотных транспортных средств (БТС), взаимодействующих с обычными транспортными средствами (ОТС). Основными результирующими характеристиками подобной системы, позволяющей оценить качество маневрирования БТС в интенсивном потоке, являются следующие:
8
  • трафик выходного потока, оцениваемый на основе совокупного количества ТС, успешно покинувших ЦДС к заданному моменту времени;
  • количество потенциальных аварий, оцениваемых на основе совокупного количества дорожно-транспортных происшествий, возникших в ЦДС вследствие эффектов «турбулентности», «давки» и ошибок маневрирования.
9 Приведем краткое формальное описание предлагаемого подхода к оценке качества маневрирования БТС и ОТС в МИТС. Пусть,
10 T – набор временных моментов (в минутах), T – общее количество временных моментов; t0∈T , tT∈T – начальные и конечные моменты времени, tk∈T ,
11 k=0,...,T – все моменты времени;
12 I={i1,i2,...,iI} – набор индексов агентов-ОТС, где I - общее количество ОТС;
13 I~={i~1,i~2,...,i~I~} – набор индексов агентов-БТС, где I~ - общее количество БТС;
14 D – множество возможных координат двумерного непрерывного пространства, принадлежащих ЦДС;
15 {xj(tk),yj(tk)},j∈I∪I~ координаты j -ого транспортного средства в момент tk (tk∈T);
16 sj(tk)∈{1,0},j∈I∪I~ – возможные состояния агента-ТС: sj(tk)=1 – состояние безаварийного движения внутри ЦДС, sj(tk)=0 – аварийное состояние.
17 d^j(tk) – Евклидово расстояние между j -ым транспортным средством (j∈I∪I~) и ближайшим к нему ТС в момент времени tk (tk∈T) ;
18 d_ - минимальное расстояние между координатами ближайших автомобилей-агентов, необходимое для предотвращения аварии.
19 Трафик выходного потока, оцениваемый как общее количество j -ых ТС (j∈I∪I~) которые покинули ЦДС к моменту времени T :
20 O=∑tk=1T∑j=1I+I~nj(tk) ,
21 nj(tk)=1,есливыполняетсяI,0,есливыполняетсяII,
22 Где
23
  1. {xj(tk),yj(tk)}∉Dиsj(tk-1)=1 ,
  2. {xj(tk),yj(tk)}∈Dилиsj(tk-1)=0 .
24 Количество аварий с участием j -ых ТС (j∈I∪I~) , которые произошли к моменту времени T :
25 N=∑tk=1T∑j=1I+I~mj(tk) ,
26 Где
27 mj(tk)=1,еслиd^j(tk)<d_и{xj(tk),yj(tk)}∈D,0,еслиd^j(tk)≥d_или{xj(tk),yj(tk)}∉D.
28 Далее, возможности улучшения маневренности БТС изучаются с использованием ЦДС с различной конфигурацией, в частности, кольцевые развязки с различной геометрией прилегающих дорог и разнонаправленная «Манхэттенская решетка» с переменным количеством узлов.
29

Модель движения БТС в ЦДС типа «Кольцевые развязки»

Первая группа моделей поведения ансамбля БТС и ОТС была разработана для ЦДС относящихся к зонам кругового движения (кольцевой развязки) с примыкающими въездами и выездами (Рис. 1).
30

Рис. 1. Базовая конфигурация зоны кругового движения.
31 Формальное описание подобных моделей представлено в работах [3-4]. Пространственная динамика агентов-ТС описывается с использованием системы конечно-разностных уравнений с переменной структурой. Подобный подход позволяет, в частности, учесть различные сценарии взаимодействия ТС с взаимно обусловленным маневрированием, а также их поведение в условиях возникновения аварийных ситуаций, например, объезд БТС проблемных участков ЦДС и др. Также учитывается маневрирование при смене полосы движения, выполняемое при условии, что выбираемая соседняя полоса характеризуется меньшей плотностью дорожного потока [5].
32 Вместе с тем, представленная на рис. 1 ЦДС относится к базовой конфигурации кольцевой развязки. Поэтому предлагается рассмотреть различные варианты построения ЦДС с более сложной геометрией (Рис. 2). Это позволяет исследовать влияние конфигурации ЦДС на аварийность и пропускную способность (трафик выходного потока).
33

Рис. 2. Цифровые дорожные сети типа «кольцевые развязки»
34

Ни рисунке 2 используются следующие условные обозначения: 1 – базовая конфигурация кольцевой развязки, 2 – кольцевая развязка с широкой прилегающей дорогой и двумя второстепенными дорогами, 3 – кольцевая развязка с четырьмя прилегающими основными дорогами, 4 – кольцевая развязка с несколькими прилегающими второстепенными дорогами, 5 – кольцевая развязка со смешанной конфигурацией дорожной сети и 6 – кольцевая развязка со сложной конфигурацией сети, состоящей из нескольких прилегающих кольцевых транспортных зон. Транспортные потоки проиллюстрированы стрелками.
35 В таблице 1 представлены основные допущения модели движения БТС в ЦДС типа «кольцевые развязки». Далее, c использованием метода Монте-Карло и имитационной модели движения БТС, реализованной в AnyLogic, были проведены численные эксперименты при вариациях различных характеристик и, в частности, нацеленные на оценку распределений общего числа потенциальных аварий и трафика выходного потока к моменту времени T=3000 при различных конфигурациях ЦДС (Рис. 3).
36 Таблица 1. Основные допущения модели движения БТС в ЦДС типа «кольцевые развязки»
№ Параметры модели Значение
1 Внутренний радиус зоны кругового движения 200
2 Внешний радиус зоны кругового движения 350
3 Длина съездов и заездов на зону кругового движения 50
4 Ширина съездов и заездов на зону кругового движения (второстепенные дороги) 50
5 Ширина съездов и заездов на зону кругового движения (основные дороги) 100
6 Количество полос дорожного движения 3
7 Размеры проекции агента (ширина и высота, в пикселах) 30 x 10
8 Диапазон значений базовой скорости БТС, км. / час от 20 до 150
9 Диапазон значений базовой скорости ОТС, км. / час от 0 до 150
10 Диапазон интенсивностей прибытия БТС и ОТС в ЦДС, агентов в минуту от 0 до 0,1
11 Соотношение масштабов реального и виртуального модельного времени 0,01
12 Коэффициенты «отскока» агентов друг от друга при нарушении личного пространства или контакте с авариными БТС 100
13 Пороговые расстояния для принятия решений о корректировке маршрута и торможении со стороны БТС 100 / 50
14 Коэффициент, определяющий уровень снижения средней скорости БТС, при условии нахождения в районе ДТП 0,1
37

Рис. 3. Результаты вариационных экспериментов
38 Пример пространственной визуализации и кластеризации агентов (для момента времени T=3000 ) при различных конфигурациях ЦДС типа «кольцевые развязки» представлен на Рис. 4.
39

Рис. 4. Пример пространственной визуализации агентов-ТС
40

Модель движения БТС в ЦДС типа «Манхэттенская решетка»

Вторая группа моделей поведения ансамбля БТС и ОТС была разработан для ЦДС относящихся к типу «Манхэттенская решетка» (Рис. 5).
41

Рис. 5. Общая схема ЦДС типа «Манхетенская решетка»
42 Подобные ЦДС отличаются сложной конфигурацией, имеют многополосное разнонаправленное движение с возможностью маневрирования ТС как при обгоне, так и при изменении направления движения. При этом, БТС осуществляют интеллектуальное маневрирование на перекрестках чтобы избежать дорожных заторов и места возникновения аварий. Как показано на рис. 5, движение по двухполосным дорогам обеспечивается во всех четырех направлениях, т. е. в направлении «снизу-вверх» (полосы 1 и 3), «сверху-вниз» (полосы 2 и 4), «слева-направо» (полосы 5 и 7) и «справа-налево» (полосы 6 и 8). При этом маневрирование возможно, как при обгоне (рис. 6а), так и при объезде возникших пробок (только для БТС) с последующим восстановлением направления движения цели (рис. 6б).
43

Рис. 6. Маневрирование ТС: а) при обгоне б) для объезда возникающих пробок
44

Пунктирными точками на рис. 6 обозначены личные пространства агентов-ТС. Как и в раннее рассмотренных ЦДС, радиус личного пространства агента-ТС является функцией плотности окружающего пространства (например, [1-3], [6], [11]). При увеличении плотности трафика, окружающего некоторого агента-ТС, радиус его личного пространства постепенно уменьшается до определенных пороговых уровней, которые различны для ОТС и БТС. После достижения пороговых значений, происходит мгновенное расширение радиуса личного пространства агента (в большей степени для ОТС) из-за паники водителя и его стремления расширить собственное пространство (т.е. увеличить дистанцию до соседних ТС) во избежание аварийной ситуации. В результате возникают эффекты «турбулентности» и «давки», которые могут привести к возникновению пробок и аварий.
45

В отличие от ОТС, агенты-БТС владеют информацией о возникающих и исчезающих пробках и местах возникновения дорожно-транспортных происшествий на всей территории ЦДС. Следовательно, БТС могут корректировать свое текущее направление движения посредством маневрирования на перекрестках, восстанавливая целевое направление движения после обхода проблемных областей ЦДС. Для выявления пробок БТС используют процедуру иерархической кластеризации [16]. В результате в каждый момент времени вычисляются центры координат дорожных заторов, плотность соответствующих скоплений и другие характеристики. При этом БТС обладают соответствующей информацией в результате коммуникационного взаимодействия.
46 При перемещении на перекрестке, БТС оценивают суммарную плотность дорожных заторов, находящихся в зоне ограниченного маневрирования (т.е. на пути к цели ТС). Далее, БТС сравнивают плотность движения на целевом и альтернативном (объездном) маршруте, расположенном слева или справа относительно агента в зависимости от типа перекрестка и выбирают оптимальный путь.
47 На рис. 7 показаны различные конфигурации ЦДС типа «Манхэттенская решетка», различающиеся количеством строк и столбцов ( N ).
48

Рис. 7. Варианты конфигураций ЦДС типа «Манхэттенская решетка»
49 Пространственная динамика как ОТС, так и БТС основана на конечно-разностных уравнениях с переменной структурой, в которых учитывается необходимость предотвращения взаимных столкновений (аварий) и маневрирования при обгоне (а также экстренном торможении) с изменением длины радиуса личного пространства агента-ТС в зависимости от плотности трафика. В то же время пространственная динамика БТС основана на конечно-разностных уравнениях с более сложными правилами индивидуального поведения агентов, которые учитывают способность маневрирования для объезда пробок и проблемных участок ЦДС.
50 Формальное описание подобных моделей представлено в работах [1-2]. Программная реализация выполнена с использованием платформы моделирования FLAME GPU ( >>>> ) на суперкомпьютере FORSITE DSWS PRO на базе QUADRO RTX 6000 производительностью 16,3 Терафлопс с поддержкой симуляции динамики более 100000 агентов (БТС, ОТС, пешеходов, ОТС с аномальным поведением).
51

Рис. 8. Пример реализации ЦДС типа «Манхэттенская решетка»
52 В таблице 2 представлены исходные данные и допущения для моделей такого типа дифференцируемые по номеру сценария. Все расчеты проводились в интервале от 1 до 1000 шагов модельного времени. При этом один шаг модельного времени соответствует 10 сек. реального времени.
53

Таблица 2. Основные допущения модели движения БТС в ЦДС типа «Манхэттенская решетка»

Номер сценария Количество строк и столбцов ЦДС, шт. Использование интеллектуального маневрирования для БТС (1 - да, 0 - нет) Доля БТС в общей численности транспортных средств (от 0 до 1) Нормированные значения скоростей агентов-ТС
БТС (от 1 до 10) ОТС (от 1 до 10)
1 9 0 0,5 5 5
2 9 1 0,5 5 5
3 9 1 0,5 8 10
4 3 1 0,5 5 10
5 6 1 0,5 5 10
6 9 1 0,5 5 10
7 12 1 0,5 5 10
8 9 1 0,9 5 10
9 9 1 0,1 9 10
10 9 1 0,5 10 10
11 12 0 0,5 10 10
12 12 1 0,5 10 10
13 9 1 0,5 10 10
14 3 0 0,5 5 10
15 3 1 0,5 5 10
16 6 0 0,5 5 10
17 6 1 0,5 5 10
18 12 0 0,5 10 10
19 12 1 0,5 10 10
20 12 1 0,7 5 5
54 На рис. 9 представлена ​​динамика трафика выходного потока ЦДС для исследуемых сценариев с параметрами, приведенными в таблице 2.
55

Рис. 9. Динамика трафика выходного потока ЦДС типа «Манхетенская решетка»
56 В таблице 3 представлены сводные результаты имитационных экспериментов. Здесь PT - время обработки, необходимое для достижения времени остановки моделирования. T=1000.
57

Таблица 3. Сводные результаты имитационного моделирования для ЦДС типа «Манхэттенская решетка»

Номер сценария Выходные показатели в конце моделирования (единицы измерения) Количество Среднее количество агентов-ТС в кластере Время, потраченное на вычисления, сек.
Трафик выходного потока Число ДТП Количество агентов в ЦДС Выявленные кластеры (пробки)
1 1800 572 9000 504 3 13
2 1616 517 9000 483 3 14
3 3831 471 9000 319 2 12
4 770 108 3000 88 4 10
5 1202 379 6000 264 4 11
6 1595 514 9000 476 3 14
7 1861 г. 737 12000 765 3 20
8 1523 652 9000 366 2 12
9 4213 545 9000 341 4 13
10 6000 159 9000 124 1 15
11 4518 9280 48000 831 13 231
12 4127 9326 48000 754 14 261
13 4564 378 9000 245 2 10
14 876 142 3000 113 3 9
15 797 112 3000 110 3 9
16 1397 370 6000 286 3 10
17 1164 334 6000 243 4 11
18 4390 9396 48000 773 14 227
19 2799 9286 48000 844 12 262
20 1403 8075 48000 862 10 184
58 На рис. 9 визуализированы результаты моделирования для сценариев, отражающих различные конфигурации ЦДС и имеющих разные параметры БТС, ОТС и т.д.
59

Рис. 10. Визуализация и кластеризация агентов-ТС в ЦДС типа «Манхэттенская решетка»
60

Заключение

В данной статье представлен подход к улучшению маневренности БТС взаимодействующих с ОТС в рамках предложенной многоагентной интеллектуальной транспортной системы (МИТС) при различных конфигурациях цифровой дорожной сети (ЦДС). Основные результаты проведенного исследования:
61
  • усложнение конфигурации ЦДС типа «кольцевые развязки» не приводит к росту аварийности с участием БТС, но может позитивно повлиять на диапазоны возможностей по улучшению маневренности и оптимизации характеристик МИТС (Рис. 3 - 4);
  • существуют сценарии маневрирования, обеспечивающие минимальное количество аварийных ситуаций при сохранении достаточно высокого трафика выходного потока в ЦДС типа «кольцевые развязки» (Рис. 3 - 4);
  • использование интеллектуального маневрирования без увеличения средней скорости БТС не оказывает какого-либо существенного влияния на выходной трафик, а снижение количества аварий, в основном, происходит за счет увеличения общей протяженности маршрутов, позволяющих объезжать пробки (см. Сценарии 1 и 2, Табл. 3, Рис.9). С другой стороны, даже небольшое увеличение скорости маневрирования БТС приводит к улучшению объективных характеристик, в том числе к снижению количества аварий и увеличению выходного трафика (Сценарий 3, Табл. 3, Рис. 9);
  • увеличение доли агентов-БТС в общей численности транспортных средств вместе с увеличением скорости БТС оказывает положительное влияние на безопасность МИТС, обеспечивая значительное снижение количества аварий при увеличении трафика выходного потока трафике (Сценарии 8 и 9, Табл. 3, Рис.9);
  • существуют «субоптимальные» характеристики исследуемой транспортной системы, например, в случае использования БТС и ОТС с низкой интенсивностью прибытия в ЦДС и высокими скоростями движения. Эти характеристики обеспечивают увеличение выходного трафика при минимальном количестве аварий (Сценарий 10, Табл. 3, Рис.9);
  • значительное увеличение размерности ЦДС, относящейся к типу «Манхэттенская решетка» (например, до N=12 ) и интенсивности прибытия транспортных агентов-ТС в ЦДС, приводит к ухудшению трафика, образованию множественных дорог, перегрузкам и нецелесообразности развертывания БТС (Сценарии 18-20, Табл. 3, Рис.9).
62 Принимая во внимание возможность значительного улучшения маневренности БТС и соответствующих целевых характеристик транспортной системы, дальнейшие исследования будут направлены на разработку и применение методов эвристической оптимизации, таких как генетические алгоритмы для поиска оптимальных значений управляющих параметров МИТС со сложными конфигурациями ЦДС и множественными агентами различных типов.

References

1. Akopov A.S., Beklaryan A.L. Stsenarnoe modelirovanie dvizheniya bespilotnykh transportnykh sredstv v iskusstvennoj dorozhnoj seti s ispol'zovaniem FLAME GPU // Iskusstvennye obschestva. 2021, T. 16, № 1 URL: https://artsoc.jes.su/s207751800014028-9-1/ DOI: 10.18254/S207751800014028-9

2. Akopov A.S., Beklaryan L.A., Beklaryan A. L., Belousov F.A. Modelirovanie dvizheniya ansamblya nazemnykh bespilotnykh transportnykh sredstv s ispol'zovaniem FLAME GPU // Informatsionnye tekhnologii. 2021, T. 27, № 7.

3. Akopov A.S., Beklaryan L.A., Khachatryan N.K., Beklaryan A.L., Kuznetsova E.V. Mnogoagentnaya sistema upravleniya nazemnymi bespilotnymi transportnymi sredstvami // Informatsionnye tekhnologii. 2020, T. 26, № 6.

4. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 1. Model' dvizheniya transportnykh sredstv // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 9.

5. Akopov A.S., Khachatryan N.K., Beklaryan L.A., Beklaryan A.L. Sistema upravleniya bespilotnymi transportnymi sredstvami na osnove nechetkoj klasterizatsii. Chast' 2. Nechetkaya klasterizatsiya i programmnaya realizatsiya // Vestnik komp'yuternykh i informatsionnykh tekhnologij. 2020, T. 17, № 10.

6. Akopov A.S., Beklaryan L.A. An Agent Model of Crowd Behavior in Emergencies // Automation and Remote Control, vol. 76, no. 10, 2015, pp. 1817–1827.

7. Beklaryan A.L., Akopov A.S. Simulation of Agent-rescuer Behaviour in Emergency Based on Modified Fuzzy Clustering / in Proc. of the 15th Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS 2016), May, 9–13, 2016, Singapore, 2016, pp. 1275–1276.

8. Burger C., Schneider T., Lauer M. Interaction aware cooperative trajectory planning for lane change maneuvers in dense traffic / in 2020 IEEE 23rd International Conference on Intelligent Transportation Systems (ITSC). IEEE, 2020, pp. 1–8.

9. Deo N., Rangesh A., Trivedi M.M. How would surround vehicles move? A unified framework for maneuver classification and motion prediction // IEEE Transactions on Intelligent Transportation Systems, vol. 3, no. 2, 2018, pp. 129–140.

10. Guo Y., Kalidindi V.V., Arief M., Wang W., Zhu J., Peng H., Zhao D. Modeling Multi-Vehicle Interaction Scenarios Using Gaussian Random Field / in IEEE Intelligent Transportation Systems Conference (ITSC2019). IEEE, 2019, pp. 3974–3980.

11. Helbing D., Johansson A., Al-Abideen H.Z. Crowd turbulence: The physics of crowd disasters / in the Fifth International Conference on Nonlinear Mechanics (ICNM-V), Shanghai, 2007, pp. 967–969.

12. Heywood P., Richmond P., Maddock S. Road Network Simulation Using FLAME GPU / in: Hunold S. et al. (eds) Euro-Par 2015: Parallel Processing Workshops. Euro-Par 2015. Lecture Notes in Computer Science, vol. 9523, Springer, Cham, 2015, pp. 430–441.

13. Iberraken D., Adouanc L., Denis D. Multi-Controller Architecture for Reliable Autonomous Vehicle Navigation: Combination of Model-Driven and Data-Driven Formalization / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 245–251.

14. Kiran M., Richmond P., Holcombe M., Shawn C.L., Worth D., Greenough C. FLAME simulating Large Populations of Agents on Parallel Platforms / in Proc. of 9th Int. Conf. on Autonomous Agents and Multiagent Systems (AAMAS 2010), May, 10-14, 2010, Toronto, Canada, 2010, pp. 1633–1636.

15. Lakhal N.M.B., Adouane L., Nasri O., Slama J.B.H. Interval-based/Data-driven Risk Management for Intelligent Vehicles: Application to an Adaptive Cruise Control System / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 239–244.

16. Mullner D., Fastcluster: Fast Hierarchical, Agglomerative Clustering Routines for R and Python // Journal of Statistical Software, 2013, vol. 53, no. 9, pp. 1–18.

17. Richmond P., Coakley S., Romano D. Cellular Level Agent Based Modelling on the Graphics Processing Unit / in 2009 International Workshop on High Performance Computational Systems Biology, Trento, 2009, pp. 43–50.

18. Richmond P., Romano D. Template driven agent based modelling and simulation with CUDA / in Applications of GPU Computing Series, GPU Computing Gems Emerald Edition, Morgan Kaufmann, 2011, pp. 313–324.

19. Ries L., Langner J., Otten S., Bach J., Sax E. A Driving Scenario Representation for Scalable Real-Data Analytics with Neural Networks / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 2215–2222.

20. Treiber M., Hennecke A., Helbing D. Congested traffic states in empirical observations and microscopic simulations // Physical review E, vol. 62, no. 2, p. 1805, 2000.

21. Wang P., Shi T., Zou C., Xin L., Chan C. A Data Driven Method of Feedforward Compensator Optimization for Autonomous Vehicle Control / in 2019 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2019, pp. 2012–2017.

22. Zhao D., Lam H., Peng H., Bao S., LeBlanc D.J., Nobukawa K., Pan C.S. Accelerated Evaluation of Automated Vehicles Safety in Lane-Change Scenarios Based on Importance Sampling Techniques // IEEE Transactions on Intelligent Transportation Systems, vol. 18, no. 3, 2017, pp. 595–607.

Comments

No posts found

Write a review
Translate