基于Vanet的无人驾驶动态路径规划算法研究

发布时间：2024-03-16 17:55

　　随着智能交通的发展,无人驾驶成为未来颠覆传统出行的又一重要交通工具,为适应无人驾驶大规模复杂的交通环境,为无人驾驶导航规划提出了动态双向A^*算法。车载自组网是未来无人驾驶的一个重要发展方向,为检验算法在车载自组网环境下的性能表现,采用OMNeT++与SUMO双向耦合,在开源框架Veins基础上进行联合仿真实验,证明在不同交通密度的交通状态中,在Vanet环境下动态双向A^*算法相比在无Vanet环境下传统双向A^*算法,能更有效地缩短行程时间,提高出行效率。

【文章页数】：8 页

【部分图文】：

图１双向Ａ＊算法低密度交通状态仿真图Ｆｉｇｕｒｅ１Ｌｏｗ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

辆速度近乎为零，车辆几乎无法移动，此时由数值３表示车道上处于高密度的交通流量，车辆处于拥堵状态。由动态双向Ａ＊算法与双向Ａ＊算法在相同交通背景条件下的不同交通密度中进行算法仿真实验，并对２种算法实验结果进行对比分析。动态双向Ａ＊算法根据交通流密度选择最佳路径，传统的双向Ａ＊算法则....

图３双向Ａ＊算法中等密度交通状态仿真图Ｆｉｇｕｒｅ３Ｍｅｄｉｕｍ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

数值３表示车道上处于高密度的交通流量，车辆处于拥堵状态。由动态双向Ａ＊算法与双向Ａ＊算法在相同交通背景条件下的不同交通密度中进行算法仿真实验，并对２种算法实验结果进行对比分析。动态双向Ａ＊算法根据交通流密度选择最佳路径，传统的双向Ａ＊算法则是将路网中拥有交通流密度的路段视为障碍物....

图５双向Ａ＊算法高密度交通状态仿真图Ｆｉｇｕｒｅ５Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

Ｆｉｇｕｒｅ５Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ图５双向Ａ＊算法高密度交通状态仿真图Ｆｉｇｕｒｅ６Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇ....

图７Ｖａｎｅｔ环境中考虑的所有组件交互示意图Ｆｉｇｕｒｅ７ＡｄｉａｇｒａｍｏｆｉｎｔｅｒａｃｔｉｏｎｓａｍｏｎｇａｌｌｃｏｍｐｏｎｅｎｔｓｃｏｎｓｉｄｅｒｅｄｉｎｔｈｅＶａｎｅｔｅｎｖｉｒｏｎｍｅｎｔ

两广播［１７］自身车辆的行驶速度，但是由于端到端的延迟以及噪声等不确定因素无法保证其他车辆速度的时效性，故采用两连续交叉口路段起始位置的速度作为估价函数中速度的使用值。路段上的交通流可由基于车载自组网的无人驾驶车载终端系统进行采集并进行处理。在Ｖａｎｅｔ环境中考虑的所有组件交互示....

本文编号：3929913