является человеческий фактор. Зависимость процесса управления движением автомобиля от психофизиологического состояния водителя создает трудности в решении проблемы обеспечения безопасности движения. Устранение указанной зависимости следует решать путем автоматизации управления движением автомобиля в рамках концепции интеллектуального транспортного средства.

Существует несколько задач, решение которых должны решать интеллектуальные автомобили, наиболее важной из которых является анализ и прогнозирование возможных опасных ситуаций, и автоматическое предотвращение столкновения автомобилей (Collision Avoidance System).

В основе алгоритмического обеспечения систем поддержания дистанции лежит решение задачи вычисления ускорения управляемого автомобиля, обеспечивающего:

– достижение желаемой скорости в свободных условиях движения;

– поддержание безопасной дистанции в условиях следования за лидером;

– комфортное для пассажиров ускорение и замедление автомобиля.

Обеспечение комфортных значений ускорения и замедления при работе системы поддержания дистанции определено и условиями обеспечения безопасности движения в потоке автомобилей, не оборудованных устройствами поддержания дистанции. Водители прочих автомобилей должны иметь возможность своевременного изменения собственной скорости движения.

Рассмотрим движение пары автомобилей (рис.1), где автомобиль с индексом n+1 является лидером, а с индексом n – ведомым. Дистанция между автомобилями – . Скорость ведомого автомобиля будем определять исходя из реализации стратегий поддержания желаемой скорости при соблюдении безопасной дистанции:

,

где - скорость обеспечивающая, реализующая стратегию достижения желаемой скорости; - безопасная скорость движения; τ – время реакции системы управления ведомого автомобиля (c).

Рис. 1 Схема движения за лидером

Для вычисления значений желаемой скорости могут быть использованы зависимости, предложенные П. Гиппсом [1]:

    (1)

где  v(n,t) – скорость автомобиля n во время t; V*(n)  – желательная скорость автомобиля n;  a(n) – максимальное ускорение автомобиля; τ– время реакции водителя.

        (2)

где d(n)<0 – максимальное замедление автомобиля n;  δ(n,n+1) – дистанция между автомобилями;   x(n+1,t)– положение автомобиля – лидера;   s(n+1) – эффективная длина автомобиля n+1;  d’(n+1) – вычисленное желательное замедление лидера.

Формула (2) модели П. Гиппса имеет два существенных недостатка: при равномерном движении лидера имеем деление на ноль; при определенных значениях дистанции, скоростей лидера и ведомого автомобиля результат вычисления имеет комплексное значение. Указанных недостатков лишена модель безопасной скорости, предложенная С.Крауссом [2]:

,            (3)

где b – максимальное замедление (м/с²).

Использование приведенных зависимостей требует определение скорости лидера, которая не может быть непосредственно измерена. при управлении автомобилем системой поддержания дистанции имеется возможность измерения только собственной скорости автомобиля v(t) и дистанции d(t) до впереди идущего автомобиля.

В общем случае дистанция между автомобилями в момент времени (t+τ)  может быть определена как:

.        (4)

Учитывая малость интервала t примем следующие допущения:

– скорость движения в интервале t ведущего автомобиля постоянна;

– изменение скорости лидера происходит в конце интервала t мгновенно.

С учетом приведенных допущений запишем выражение:

,

где   – эквивалентная скорость.

Формула (4) примет вид:

,

откуда выразим :

.            (5)

Алгоритм вычисления скорости движения, обеспечивающей поддержания безопасной дистанции между автомобилями, может быть представлен в виде блок схемы (рис. 2). Он предусматривает:

– оценку скорости лидера;

– вычисление безопасной скорости;

– вычисление желаемой скорости;

– принятие к реализации минимальной из безопасной или желаемой скорости.

Рис. 2 Алгоритм вычисления скорости движения в системе поддержания дистанции

Для оценки работоспособности предложенного алгоритма поддержания дистанции проведено исследование его работы в характерных режимах движения:

– остановка ведомого автомобиля перед препятствием;

– следование ведомого автомобиля за лидером, скорость которого менее желаемой;

– следование за лидером, скорость которого более желаемой.

Для проведения исследования разработана компьютерная программа на языке программирования Python, имитирующая работу системы поддержания дистанции при движении двух автомобилей. При проведении исследования фиксировалась дистанция между автомобилями, скорость и ускорение ведомого. Скорость ведущего автомобиля являлась входным параметром модели.

При исследовании режима остановки автомобиля перед препятствием, проведена оценка работы системы поддержания дистанции в условиях недостаточной видимости при нахождении на проезжей части неподвижного объекта (остановившегося автомобиля, поваленного дерева и т.д.).

Алгоритм обеспечил плавное снижение скорости с установленным замедлением, обеспечив остановку перед препятствием (рис. 2).

Рис. 3 Результаты исследования алгоритма поддержания дистанции при остановке ведомого автомобиля перед препятствием

На начальном участке осуществлялась стратегия достижения желаемой скорости, на дистанции 65 м преобладающей становится стратегия поддержание безопасной дистанции.

В режиме следование ведомого автомобиля за лидером, скорость которого менее желаемой, ведомый автомобиль догоняет лидера и продолжает движение вслед за ним.

В начальный период моделирования (рис. 4), ведомый автомобиль выполнял ускорение с целью достижения желаемой скорости. В последующем проведена синхронизация скорости движения с лидером.

Рис. 4. Результаты исследования алгоритма поддержания дистанции при следование ведомого автомобиля за лидером, скорость которого менее желаемой

В результате работы алгоритма установилась стабильная дистанция между лидером и ведомым автомобилем равная 10 м, что соответствует насыщенному движению потока при плотности на полосу движения 66,7 авт/км.

В режиме следования за лидером, скорость которого более желаемой, воспроизведена ситуация выезда пары автомобилей с проблемного участка, на котором скорость движения была ниже желательной (участок с неблагоприятными дорожными условиями, место проведения ремонтных работ, затор и т.д.). Разгон лидера происходил равномерно, и по истечении 13 с начала исследования дистанция между ведомым автомобилем и лидером увеличилась свыше 50 м (рис. 5). По истечении указанного периода, движение ведомого автомобиля осуществлялось без взаимодействия с лидером, при этом его скорость асимптотически приближалась к желаемой.

Рис. 5 Результаты исследования алгоритма поддержания дистанции при следование за лидером, скорость которого более желаемой.

Проведенные исследования работы алгоритма поддержания дистанции показали его работоспособность и возможность использования в реальных системах. Следует отметить, что взаимодействие лидера и ведомого автомобиля в диапазоне исследуемых скоростей возникало при дистанции между ними 55-60 м.

Система SCRAM (Signal Coordination of Regional Areas in Melbourne) [1] и система предоставления приоритета для рельсового транспорта, предложенная McGinley и Stolz [2] являлись основными проектами по координации сигналов светофоров и введения приоритета для ТОП на пересечениях в Мельбурне, Австралия. SCRAM использовал расширенную версию SCATS, предоставляя приоритет для проезда трамвая на основе пассивного и активного методов. Пассивные методы предоставления приоритета выполняли расчет сигнальных планов, используя статистические данные по движению трамвая. Приоритет обеспечивался применением следующих стратегий:

– уменьшением длительности цикла;

– смещением разрешающегося сигнала к моменту подхода трамвая;

– выделением специальной фазы, активирующейся при подъезде трамвая и связанной с его  прогрессией;

– расчет сдвига, используя более низкую скорость сообщения.

Активный приоритет предоставляется при обнаружении  трамвая и предоставлялся в любой момент в цикле регулирования.

Целью разработки UTCS/BPS [3] являлось предоставление приоритетного проезда ТОП в пересечении, не вызывая задержку потока на пересекаемой улице. Использовалась такие стратегии предоставления приоритета, как продление разрешающего сигнала и сокращение запрещающей фазы. Если ТОП приближался во время запрещающей фазы, то обеспечивалось минимальное время разрешающего сигнала на пересекаемой улице. Если ТОП прибыл во время конца разрешающего сигнала, то фаза продлялся на время, пока ТОП не покидал пересечение.

В вышеупомянутых системах приоритет предоставлялся только с ограничениями на минимальную и максимальную продолжительность разрешающего сигнала, не учитывая влияние эффекта предоставления приоритета в проезде на индивидуальный автотранспорт. В отличие от указанных систем PRODYN, UTOPIA и SCOOT при предоставлении приоритета ТОП оценивают воздействие на остальной поток.

В системе SCOOT [4] с целью сокращения чрезмерных задержек на не приоритетных направлениях приоритет ТОП предоставляется при условии обеспечения определенной инженером степени насыщенности пересечения. Предоставление приоритета осуществлялось только для ТОП, которые отставали от расписания движения в форме продлений или прерывания фаз. Когда автобус прибывал в конце разрешающего сигнала, текущая фаза продлялась сверх номинальной длительности, что позволяло ТОП покинуть стоп – линию. Продление фазы осуществлялось при условии, что степень насыщенности в пересечении ниже порогового значения. Когда ТОП прибыл на запрещающий сигнал, разрешающий сигнал включается, если степень насыщенности была ниже установленного порога для пересечения. Полевые оценки показали, что происходит снижение задержки ТОП на 5 – 10 секунд без увеличения задержки  остальной части потока.

Система PRODYN [5] была инновационной разработкой в области  управления транспортными потоками. В  PRODYN задача оптимизации сигнальных планов для транспортной сети преобразовывалась в несколько меньших задач, каждая из которых была определена в пределах отдельного пересечения и решалась методом динамического программирования. Глобальная задача оптимизации решалась для сети, используя итерационную процедуру первичной оптимизации на уровне пересечения с последующей передачей решения верхнему уровню, где выполнялось моделирование сети с начальным решением и находилось оптимальное управление. Целевой функцией оптимизации была сумма задержек за период 15 интервалов, продолжительностью каждый 5 секунд с ограничениями на длительность максимального и минимального разрешающего сигнала. В оригинальной версии PRODYN уделялось первостепенное значение пропуску ТОП, рассматривая его как несколько индивидуальных автомобилей.

Появление системы UTOPIA (Urban Traffic OPtimization by Integrated Automation) [6] сделало возможным абсолютный приоритет ТОП на регулируемых пересечениях при фактическом улучшении движения индивидуальных автомобилей во всех состояниях потока. Аналогично PRODYN, проблема управления транспортными потоками  подвергалась декомпозиции на меньшие подпроблемы, принадлежащие двум различным классам – уровню пересечения и уровню области. На уровне пересечения решение задачи управления сигналами светофора принималась на основе предсказанного времени прибытия автомобилей к стоп-линии, оптимизируя функцию взвешенных сумм задержек, остановок транспортных средства, максимальной длиной очереди для каждой связи пересечения и задержках ТОП. Оптимизация проводилась с горизонтом времени прогноза 120 секунд и повторялась каждые 6 секунд. Уровень области обновляет веса в функции оптимизации путем оптимизации на период 30 минут полного времени движения индивидуальных автомобилей в пределах области.

В работах Yagar S.  и Han B. [7, 8]  предложена процедура Signal Priority Procedure for Optimization in Real-Time  (SPPORT) для нахождения сигнальных планов в реальном времени. В SPPORT поиск оптимального плана производился на основании базы правил (rule-based) предоставления приоритетов. Последовательность фаз определяется на основе индекса работы, который являелся полной задержкой пассажиров в течение анализируемого периода. Период анализа определен как период времени, для которого доступна прогнозируемая информация о потоке. Выбирается тот сигнальный план, который приведет к наименьшему количеству задержек. Эксперименты показали, что SPPORT предоставлял приоритет в проезде с минимальным воздействием на поток индивидуальных автомобилей. Однако авторы не рассматривали ситуацию преждевременного прибытия ТОП. Автобус, который появляется раньше срока, не имеет гарантированного приоритета над другими автомобилями. Кроме того, если велико отставание от расписания, то и весовой фактор для ТОП должен быть высоким. Следовательно, указанные факторы также необходимо учитывать в модели задержки для получения оптимального сигнального плана.

Chang G.L., Vasudevan M.  и  Su C.C. [9] исследовали преимущества объединения предоставления приоритета с адаптивным управлением для изолированных пересечений. Подобно SPPORT, их модель оценила эффект воздействия предоставления приоритета ТОП на других участников движения. Решение предоставить приоритет принималось ежесекундно, основываясь на индексе работы – взвешенной комбинации задержки пассажиров, транспортных средств и отставания автобуса от расписания. Целевая функция оценивалась для каждого возможного состояния сигналов, и самое выгодное решение выбиралось как оптимальное. При этом накладывались ограничения на минимальное время разрешающего сигнала для каждой фазы для обеспечения безопасности движения и для того, чтобы обеспечить разгрузку усредненной очереди. Следует отметить, что в отличие от других стратегий предоставления приоритета, данное исследование рассматривало эффект предоставления приоритета на соблюдение расписание движения ТОП. Однако, поиск сигнального плана производился на основе анализа работы системы в течение нескольких секунд без учета  будущих последствий.

В работе [10] был предложен метод, который предоставлял приоритет в движении ТОП не нарушая координацию сигналов светофоров вдоль магистрального направления. Цель проекта состояла в том, чтобы, не разрушая прогрессию, обеспечить приоритет за счет смены последовательности и продолжительности некоординированных фаз. Приоритет предоставлялся только тем автобусам, которые испытывали в нем потребность на основе определенных пользователем критериев. Система включала четыре модуля:

1) модуль предсказания времени прибытия;

2) модуль оценки приоритета;

3) модуль выбора стратегии;

4) модуль реализации стратегии.

Модуль предсказания времени прибытия, используя данные GPS и статистическую информацию, определял время прибытия ТОП к остановке, время стоянки и время прибытия к стопе – линии. В модуле оценки приоритета выполнялась оценка, был ли ТОП кандидатом на обработку приоритета или нет. В исследовании под данным критерием подразумевалось соблюдение расписания движения. Когда ТОП отстает от расписания на 5 минут, он генерировал запрос на предоставление приоритета. Другим ТОП приоритет не предоставлялся.

В модуле выбора стратегии выполнялся выбор способа предоставления приоритета – продление фазы, прерывание фазы или вызов отдельной фазы ТОП. Критерием выбора стратегии было то, что ни одна из фаз в рассчитанном плане не будет пропущена и каждая фаза, если была активизирована, имела хотя бы минимальную длительность. Как только стратегия выбрана, она исполнялась в модуле выполнения стратегий.

Эксперименты показали, что наблюдалось минимальное увеличение  полной задержки системы, при загруженности сети менее 0.95. Пересекаемые улицы испытали существенное увеличение задержек, что ожидаемо, так как данный метод не оценивал воздействие на индивидуальный автотранспорт при предоставлении приоритета ТОП.

Duerr. P.A. [10] предложил систему предоставления приоритета ТОП под названием DARVIN для улучшения прогрессии ТОП в смешанном потоке, оптимизируя полную работу сети. Основные цели системы состояли в том, чтобы уменьшить время прохождения для приоритетных автомобилей, повысить точность соблюдения графика движения и минимизировать воздействие на общий транспортный поток. DARVIN  использовала микроскопическую модель транспортного потока и генетический алгоритм для оптимизации сигнальных планов, минимизирующих взвешенную комбинацию задержек и остановок. Эксперименты показали, что DARVIN позволяет существенно сократить полные задержки пассажиров.

Обобщая выше изложенный опыт реализации предоставления активного  приоритета в проезде ТОП в современных АСУД можно сделать следующие выводы:

– целью предоставление приоритета в проезде ТОП может являться либо повышение скорости сообщения и соответственно сокращение количества подвижного состава на маршруте движения (или увеличения количества совершаемых рейсов), либо повышение равномерности движения и соблюдению расписания движения ТОП. В первом случае приоритет предоставляется всем транспортным средствам указанной категории, во втором – только отстающим от графика движения;

– при предоставлении приоритета в проезде ТОП необходим учет воздействия на индивидуальные транспортные средства на неприоритетных направлениях;

– применение оптимального управления, выполняющего минимизацию полных потерь пассажиров, позволяет не только учесть воздействие на индивидуальный автотранспорт эффекта предоставления приоритета, но и решить проблему обработки запросов с конфликтных направлений;

– снижению воздействия на индивидуальный автотранспорт и повышению эффективности предоставления приоритета способствует выполнение прогноза прибытия ТОП к пересечению.

В теории транспортных потоков различается три класса моделей, отличающихся уровнем детализации [1]. В макроскопических моделях основной задачей является установление состояния транспортного потока в пространстве плотность – скорость, значение которых определяется на уровне средних значений. Микроскопические модели моделируют движение отдельных транспортных средств на дороге, главным образом предполагая, что поведение транспортного средства зависит от двух факторов, физических способностей к перемещению транспортного средства и поведения водителя. Мезоскопическое моделирование расположено на границе между микроскопическими и макроскопическими моделированиями. Движение транспортного средства моделируется, используя аппроксимацию очереди и перемещения отдельных автомобилей между такими очередями.

В исследованиях методов организации движения и алгоритмов управления светофорными объектами стандартом де-факто стало использование микроскопических моделей.

В настоящее время имеются как коммерческие программные продукты (Aimsun, Vissim, CORSIM и др.), так и свободно распространяемые. Особый интерес представляет программа SUMO (Simulation of Urban MObility), разработанная в DLR [2] и имееющая статус открытой (open source) микроскопической среды моделирования дорожного движения. Несмотря на отсутствие графического редактора транспортной сети, и транспортного спроса, является прекрасным инструментом в исследовании дорожного движения благодаря своей гибкости и открытости. В SUMO при помощи пакета расширения TraCI могут быть реализованы новые подходы к управлению дорожным движением и выполнена оценка их эффективности. В отличие от коммерческих продуктов (Aimsun, Vissim, CORSIM и др.), модель SUMO встраивается в программу, написанную на языке программирования Python, и при этом исследователь получает полный контроль над процессом моделирования. Рассмотрим подробнее создание модели транспортной сети, на которой осуществляется движение маршрутных транспортных средств.

Структура модели SUMO. Имитационное моделирование в программе SUMO производится в форме сценариев, хранящихся в файле *.sumo.cfg (рисунок 1). Сценарий содержит описание сети в файле *.net.xml, транспортный спрос *.rou.xml и файлы дополнений, содержащий дополнительную информацию о моделировании *.add.xml.

Рисунок 1 – Процесс моделирования в SUMO

В первом приближении транспортные сети SUMO представляют собой направленный граф, узлы (nodes) которого представляют собой пересечения (intersections/junctions), а связи (edges) – перегоны автомобильных дорог или городских улиц.

В SUMO отсутствует графический редактор сетей. Создание сети производится при помощи утилит NETCONVERT в режиме командной строки. NETCONVERT служит для преобразования транспортных сетей из форматов ГИС – Esri ArcView (*.shp), OpenStreetMap (*.osm.xml), а так же генерации сетей из файлов описания узлов (*.nod.xml) и связей (*.edg.xml).

Транспортный спрос в сценарии моделирования задается в файле *.rou.xml, содержащий описание типов транспортных средств (габариты, динамика и т.д.), время и место появления транспортного средства в сети, маршрут движения. Задание транспортного спроса производится на основе OD-матриц (OD2TRIPS), данных от детекторов транспорта (DFROUTER), случайного транспортного потока или долей поворотных потоков на пересечениях (DUAROUTER, JTRROUTER).

Для визуализации процесса моделирования используется графический интерфейс SUMOGUI (рисунок 2).

Рисунок 2 – Графический интерфейс среды моделирования SUMO

Особенностью моделирования транспорта общего пользования в SUMO является задание маршрутов движения, автобусных остановок и потока транспорта общего пользования в отдельном файле дополнений *.add.xml в следующем виде:

<additional>

<busStop id=”Nekrasova” lane=”3″ startPos=”70″ endPos=”100″ lines=”0″ />

<busStop id=”Pugacheva” lane=”2″ startPos=”70″ endPos=”100″ lines=”0″ />

<vtype id=” BUS” accel=”2.6″ decel=”4.5″ sigma=”0.5″ length=”15″ maxspeed=”50″/>

<vehicle id=”00_1″ type=”BUS” depart=”0″ color=”255,0,0″>

<route edges=”3 2 1 0 -2/>

<stop bus_stop=”Rembyttehnica” duration=”20″ />

<stop bus_stop=”Pugacheva” duration=”33″ />

</vehicle>

</additional>

Выполнение моделирования предусматривает выполнение следующих шагов:

– построение сети;

– построение транспортного спроса;

– калибровка модели;

– выполнение моделирования и получение необходимой информации.

Калибровка модели движения маршрутных транспортных средств. Для корректного моделирования движения маршрутных транспортных средств необходимо проведение натурных исследований их режимов движения [3, 4]:

– максимальное ускорение acell и замедление decell транспортных средств;

– максимальная желаемая скорость движения в свободных условий движения V_max.

Для проведения исследований режимов работы МТС использовался видеорегистратор для автотранспорта «ОКО-Архив III Авто GPS». Видеорегистратор позволяет производить видеозапись с 1-4 телекамер во время движения или стоянки автомобиля на встроенный сменный жесткий диск. Устройство имеет встроенный GPS-приемник и внешнюю антенну, что позволяет записывать маршрут движения автомобиля, синхронизируя его с записью с видеокамер. Как правило, приёмником GPS навигационные сообщения посылаются автоматически с интервалом в 1 секунду, что позволяет подробно отслеживать движение МТС. Записанные GPS-треки можно сохранить в формате KML или NMEA 0183.

Рисунок 3 – Внешний вид «ОКО-Архив III Авто GPS»

Для оценки режимов движения МТС было проведено 17 заездов по проспекту Строителей г. Пензы на участке от ул. Стасова до ул. 8 Марта. Для расшифровки результатов исследований треки движения автомобилей сохранялись в текстовых файлах в формате NMEA-0183.

«NMEA 0183» («National Marine Electronics Association») – текстовый протокол связи морского (как правило, навигационного) оборудования между собой. Протокол NMEA так же используется производителями GPS приёмников.

Полный набор сообщения в NMEA 0183 и команд достаточно велик. Для решения задачи исследования движения МТС интерес представляет навигационное сообщение $GPVTG, в котором значение скорости объекта передается в км/ч. В приведенном ниже сообщении скорость транспортного средства составляла 50,75 км/ч:

$GPVTG,287.68,T,,M,27.39,N,50.75,K,A*36

Для разбора текстового файла, содержащего навигационные данные в формате NMEA 0183, разработана программа на языке Python. Программа производит поиск в файле регулярных выражений вида ‘N,(.*),K’, содержащее значение скорости и сохраняющий результаты скорости транспортного средства в файл для последующего анализа.

Рисунок 4 – График скорости движения МТС на маршруте движения

С учетом дискретности получения навигационного сигнала, равной 1 с, ускорение транспортных средств a_n может быть вычислено по следующей формуле:

;

где V_n – текущая скорость, км/ч; V_n-1 – скорость движения на предыдущем шаге, км/ч.

Пример расчета ускорений движения маршрутных транспортных средств приведен на рисунке 4. Результаты обработки проведенных исследований приведены в таблице 1.

Рисунок 4 – График ускорений маршрутных транспотных средств на маршруте движения

Таблица 1 – Результаты исследований режимов движения маршрутных транспортных средств на маршрутах движения

Время нахождение маршрутного транспортного средства на остановочном пункте определяется временем, которое затрачивается на ожидание в очереди на посадку пассажиров t₁, чистого времени обслуживания пассажиров t₂ (время на вход и выход пассажиров), на открытие и закрытие дверей t₃, а так же времени отъезда с остановочного пункта t₄. Для модели SUMO значимым является сумма чистого времени обслуживания пассажиров и время на открытие / закрытие дверей:

.

На остановочных пунктах г. Пензы проведены натурные исследования времени t_obs. Математическое ожидание времени нахождения маршрутного транспортного средства составило 13,35с при дисперсии 41,28.

Выполненный подбор функции плотности распределения показал, что в лучшей степени наблюдаемые данные описываются логнормальным законом распределения (рисунок 5).

Рисунок 5. Функция плотности распределения времени нахождения маршрутного транспортного средства на остановочном пункте

Натурные исследования режимов движения маршрутных транспортных средств позволили получить максимальные значения и дисперсию скорости движения, ускорения и замедления необходимые для моделирования динамики движения. Полученные значения времени нахождения маршрутных транспортных средств на остановочных пунктах позволяют адекватно воспроизвести процесс обслуживания пассажиров.

В дальнейшем полученные параметры будут использованы для моделирования работы и оценки эффективности методов предоставления приоритета маршрутным транспортным средствам, описанных в работе [5].