首页
/ SUMO仿真中CACC跟驰模型的速度误差计算问题分析

SUMO仿真中CACC跟驰模型的速度误差计算问题分析

2025-06-29 12:36:15作者:郜逊炳

问题背景

在SUMO交通仿真软件的MSCFModel_CACC.cpp文件中,发现了一个关于协同自适应巡航控制(CACC)跟驰模型的实现问题。该问题涉及速度误差(speedErr)的计算方式与原始论文公式存在不一致。

技术细节

根据原始论文描述,速度误差应该是期望间距(desSpacing)的导数。在代码实现中,期望间距计算为:

double desSpacing = myHeadwayTime * speed;
double spacingErr = gap2pred - desSpacing;

按照数学推导,间距误差的导数应为:

d(spacingErr)/dt = d(gap2pred)/dt - d(desSpacing)/dt
                 = (predSpeed - speed) - myHeadwayTime * accel

然而,当前代码实现中却是将myHeadwayTime * accel进行了加法运算,这与理论公式不符。正确的实现应该是减法运算。

影响分析

这一错误实现可能导致以下影响:

  1. 跟车行为异常:特别是在前车加速阶段,可能导致跟驰车辆产生不自然的加速行为
  2. 振荡现象:在某些场景下可能引发不必要的速度波动
  3. 通行能力下降:测试表明这种实现可能导致插入容量减少

修正方案

建议将代码修改为:

double speedErr = predSpeed - speed - myHeadwayTime * accel;

这一修正已在最新版本中提交,初步测试显示:

  1. 改善了跟驰稳定性
  2. 减少了微观层面的振荡现象
  3. 更符合理论预期行为

验证与测试

修正后进行了多项测试验证:

  1. 加速跟随测试:前车以2.6m/s²加速8秒后保持匀速
  2. 环形道路测试:验证在连续跟驰场景下的表现
  3. 插入容量测试:评估对交通流量的影响

测试结果表明,修正后的模型在保持理论正确性的同时,实际运行表现也得到了改善。

总结

这一修正确保了SUMO中CACC模型的数学实现与理论公式的一致性,提高了仿真的准确性。对于使用CACC模型的研究人员和开发者,建议更新到包含此修正的最新版本,以获得更可靠的仿真结果。

登录后查看全文
热门项目推荐

项目优选

收起
kernelkernel
deepin linux kernel
C
22
6
docsdocs
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
223
2.26 K
flutter_flutterflutter_flutter
暂无简介
Dart
525
116
ohos_react_nativeohos_react_native
React Native鸿蒙化仓库
JavaScript
210
286
nop-entropynop-entropy
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
frameworksframeworks
openvela 操作系统专为 AIoT 领域量身定制。服务框架:主要包含蓝牙、电话、图形、多媒体、应用框架、安全、系统服务框架。
CMake
795
12
RuoYi-Vue3RuoYi-Vue3
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
984
581
pytorchpytorch
Ascend Extension for PyTorch
Python
67
97
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
566
94
GLM-4.6GLM-4.6
GLM-4.6在GLM-4.5基础上全面升级:200K超长上下文窗口支持复杂任务,代码性能大幅提升,前端页面生成更优。推理能力增强且支持工具调用,智能体表现更出色,写作风格更贴合人类偏好。八项公开基准测试显示其全面超越GLM-4.5,比肩DeepSeek-V3.1-Terminus等国内外领先模型。【此简介由AI生成】
Jinja
44
0