SUMO学习_sumo使用什么跟驰模型

SUMO简介

SUMO是一款交通模拟器，单机模拟。
宏观上可以模拟出行需求OD，以及路网结构
微观上主要可以模拟车道模型(交叉口通行权规则，车辆在不同交叉口的行为等)、跟驰模型(车辆的加速减速，与前车相关)、变道模型(多lane时的车道选及换车道时的速度调整)三部分。
【道路车辆微观驾驶动力学？？】

1、车道模型

2、跟驰模型

SUMO中跟驰模型主要有Krauss，IDM，Wiedemann，BKerner，PWagner 和SmartSK这六种。
论文[1]详细对比和分析了SUMO平台下6种跟驰模型在车辆密度、车辆平均速度、道路占用率3个方面的性能。

跟驰模型

car-following model是将交通流处理成分散的粒子，运用运动学方法来研究前车leader的运动状态变化后所引起的后车follower的相应行为。
跟驰模型需要处理两种情况：有前车和无前车

• 无前车：又称为自由流，车辆始终保持着最大速度。
  最大速度的设定需要考虑三个因素：【取这三个速度的最小值为最大车速】
  1. 车辆本身的vmax
  2. 前一时刻速度经历了最大加速度后能够达到的最大速度，即v(t)+a(t)Δt
  3. 当前道路的限速vlimit
• 有前车：又称为拥堵流，车辆趋于保持着最大安全车速，确保即使前车紧急刹车时也不会相撞。不同跟驰模型的主要区别就在于这个安全车速的计算。
  常见的跟驰模型有：
  1. 刺激-反应类：GM model
  2. 安全距离类：Gipps model、Krauss model
  3. 智能驾驶类：IDM
  4. 人工智能类：模糊口昂之模型、神经网络模型
  目前 SUMO种采用的是改进版的Krauss model。

参考：
[1]崔居福,胡本旭,夏辉,陈飞,程相国.SUMO平台下多种车辆跟驰模型的仿真对比分析[J/OL].重庆大学学报:1-15[2021-10-23].http://kns.cnki.net/kcms/detail/50.1044.N.20200207.1732.002.html.
[2] SUMO中的车辆动力学模型

CACC

CACC参考学习链接
1、ACC，全称为adaptive cruise control，也称自适应巡航控制
2、CACC, 全称为cooperative adaptive cruise control，也称协同自适应巡航控制，是应用于自动驾驶车辆跟驰研究的热门模型。
控制方式基于车-车无线通信（V2V），它打破了ACC模型中只能获取前车模型的局限，能够获取周围车辆的信息（在周围车辆也安装CACC系统的基础上），它获得感知环境时更全面、精确且时延小，因此能够进一步减小行车时延，保证行车安全。（在自动驾驶技术的研究中，有一项称为CACC车辆退化率，即指当自动驾驶车辆的前方车辆由自动驾驶车辆变为人工驾驶车辆时，后车由CACC退化为ACC，这是在研究列队行驶中较为重要的指标）

3、变道模型

SUMO中的每一步，车辆都会按照下面顺序进行计算：
1. 计算优先备选车道。computation of preferred successor lanes（called bestLanes）.
2. 计算假设呆在当前车道的安全车速，并结合前一仿真步骤中与变道相关的速度要求。
3. 换道模型计算换道的需求。
4. 要么执行换道动作，要么计算下一仿真步的需求速度。是否需要变速取决于换道请求的紧急程度。
相较于其他微观换道模型，该模型明确区分了四种不同的换道动机：
1
2
3
4
5
6

1. Strategic change 战略变道

当车辆必须换道以便于能够驶向其行驶路径的下一条道路，这种换道行为称之为战略换道。
这发生在这辆车所行驶的当前车道与其行驶的下一条道路之间没有连接的情况下。一条左转车道对于直行车辆而言是死胡同。在没有其他动机组织的情况下，车辆可能会在到达车道尽头前提前执行战略性换道。

2. Cooperative change 协同变道

在一些实际情况中，车辆换道的唯一目的是帮助另一辆车辆换道到他所在的车道。不能进行协同变道的车辆可以稍微调整自己的速度，以增加后续仿真步骤的成功概率。
特殊场景：多车道环岛。所有车辆进入环岛后也需要出去，这么短的距离使得车辆有战略变道的需求，这就导致车辆都挤在最外侧车道，使得多车道环岛变成了单车道环岛。因此，换道模型迫使尚未到达最后环形车道edge的车辆转向内车道。

3. Tactical change 战术变道

战术变道是指车辆试图避免跟随缓慢前车的动作。这需要平衡从换车道中获得的预期速度收益和换车道的努力(这是一个很有争议的驾驶员主观价值)。speedGainProbability用来衡量车辆为了速度提升而换道的可能性，speedGainProbability在每个仿真步骤中递增修改，并在变道时重置以防止振荡。

4. Obligatory change 义务变道

清除超车车道的强迫行为可以被定义为合作行为，因为它帮助了其他速度更快的车辆。本节中所述的行为为交通法规强制行为。在当前的换道模型中，每辆车保持一个变量keepRightProbability，该变量随时间递减，一旦超过-2的较低阈值，就会触发向右换道(使用负值来表示可变speedGainProbability)。
[3] Erdmann J . Lane-changing model in SUMO[C]// Sumo. 2014.

FLOW

官网地址flow官网地址
伯克利[6]基于SUMO的二次开发项目。待学习。

[4] Wu C , Kreidieh A , Parvate K , et al. Flow: Architecture and Benchmarking for Reinforcement Learning in Traffic Control[J]. 2017.
[5] flow学习博客
[6] 伯克利