隨著智能交通的發(fā)展,無人駕駛成為未來顛覆傳統(tǒng)出行的又一重要交通工具,為適應(yīng)無人駕駛大規(guī)模復(fù)雜的交通環(huán)境,為無人駕駛導(dǎo)航規(guī)劃提出了動態(tài)雙向A^*算法。車載自組網(wǎng)是未來無人駕駛的一個重要發(fā)展方向,為檢驗算法在車載自組網(wǎng)環(huán)境下的性能表現(xiàn),采用OMNeT++與SUMO雙向耦合,在開源框架Veins基礎(chǔ)上進(jìn)行聯(lián)合仿真實驗,證明在不同交通密度的交通狀態(tài)中,在Vanet環(huán)境下動態(tài)雙向A^*算法相比在無Vanet環(huán)境下傳統(tǒng)雙向A^*算法,能更有效地縮短行程時間,提高出行效率。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖１雙向Ａ＊算法低密度交通狀態(tài)仿真圖Ｆｉｇｕｒｅ１Ｌｏｗ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

輛速度近乎為零，車輛幾乎無法移動，此時由數(shù)值３表示車道上處于高密度的交通流量，車輛處于擁堵狀態(tài)。由動態(tài)雙向Ａ＊算法與雙向Ａ＊算法在相同交通背景條件下的不同交通密度中進(jìn)行算法仿真實驗，并對２種算法實驗結(jié)果進(jìn)行對比分析。動態(tài)雙向Ａ＊算法根據(jù)交通流密度選擇最佳路徑，傳統(tǒng)的雙向Ａ＊算法則....

圖３雙向Ａ＊算法中等密度交通狀態(tài)仿真圖Ｆｉｇｕｒｅ３Ｍｅｄｉｕｍ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

數(shù)值３表示車道上處于高密度的交通流量，車輛處于擁堵狀態(tài)。由動態(tài)雙向Ａ＊算法與雙向Ａ＊算法在相同交通背景條件下的不同交通密度中進(jìn)行算法仿真實驗，并對２種算法實驗結(jié)果進(jìn)行對比分析。動態(tài)雙向Ａ＊算法根據(jù)交通流密度選擇最佳路徑，傳統(tǒng)的雙向Ａ＊算法則是將路網(wǎng)中擁有交通流密度的路段視為障礙物....

圖５雙向Ａ＊算法高密度交通狀態(tài)仿真圖Ｆｉｇｕｒｅ５Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ

Ｆｉｇｕｒｅ５Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇｒａｍｏｆｔｈｅｂｉｄｉｒｅｃｔｉｏｎａｌＡ＊ａｌｇｏｒｉｔｈｍ圖５雙向Ａ＊算法高密度交通狀態(tài)仿真圖Ｆｉｇｕｒｅ６Ｈｉｇｈ－ｄｅｎｓｉｔｙｔｒａｆｆｉｃｓｔａｔｅｓｉｍｕｌａｔｉｏｎｄｉａｇ....

圖７Ｖａｎｅｔ環(huán)境中考慮的所有組件交互示意圖Ｆｉｇｕｒｅ７ＡｄｉａｇｒａｍｏｆｉｎｔｅｒａｃｔｉｏｎｓａｍｏｎｇａｌｌｃｏｍｐｏｎｅｎｔｓｃｏｎｓｉｄｅｒｅｄｉｎｔｈｅＶａｎｅｔｅｎｖｉｒｏｎｍｅｎｔ

兩廣播［１７］自身車輛的行駛速度，但是由于端到端的延遲以及噪聲等不確定因素?zé)o法保證其他車輛速度的時效性，故采用兩連續(xù)交叉口路段起始位置的速度作為估價函數(shù)中速度的使用值。路段上的交通流可由基于車載自組網(wǎng)的無人駕駛車載終端系統(tǒng)進(jìn)行采集并進(jìn)行處理。在Ｖａｎｅｔ環(huán)境中考慮的所有組件交互示....

本文編號：3929913