基于多智能體仿真的地下道路線形及橫向凈距設計方法技術方案:現實表明，地下道路由于其封閉性和躲避空間的局限性，交通安全事故的發生頻率是一般道路的幾倍，嚴重程度很高且極易引起后繼事故的發生，而把人、車、路和環境等幾個方面綜合進行考慮的地下道路交通工程設計，被認為是解決公路地下道路交通安全問題的重要措施之一。在地下道路交通工程涉及的各種手段和方法中，地下道路線形和橫向凈距的優化設計能夠幫助駕駛員做出更有效的駕駛行為決策，減少駕駛焦慮和壓力，是真正能夠保證地下道路交通安全、提高通行能力的手段之一。本章主要基于SOAR認知框架建立大型車輛多智能體模型，對不同道路線形和橫向凈距下的交通行為和交通流特征進行仿真和分析，提出優化的地下道路線形和橫向凈距設計推薦方案。6.1地下道路線形及橫向距離

對駕駛行為的影響分析荷蘭應用科學研究組織(TNO)認為，隧道的特殊設計包括隧道的長度、類型、寬度，隧道路線曲線的數目、曲度及波動等，在很大程度上影響著駕駛員的行為以及主觀安全感。但是這些研究都是針對公路隧道的研究，對地下道路的研究主要集中在橫斷面的設計、出入口變速車道長度以及交通安全的定性分析等，較少對城市地下道路的駕駛行為進行研究。6.1.1一般路段對駕駛員行為的影響分析一般路段線形對駕駛員行為的影響主要有：1）長直線道路會使駕駛員在行駛過程中產生催眠現象，反應變得遲鈍，注意力分散，從而導致行車中判斷失誤；2）合適半徑的平曲線，給駕駛員適當的緊張感，有利于交通安全。不合理的平曲線設計會使司機在猜測和緊張中駕駛，使他們身體很容易疲勞，心臟負荷過大，判斷力下降，反應遲鈍。過小的曲線半徑會降低駕駛員的停車視距使他們不能提前觀察到前方轉彎處，也不能對道路線形的走勢做到心中有數；3）長大下坡易造成駕駛員頻繁剎車，感覺疲勞、緊張；4）凸形豎曲線易導致駕駛員視距不足，看不到前方交通情況引起心情煩躁不安；夜晚無照明道路上的凹形豎曲線處視距不足，易引起駕駛員緊張心理。6.1.2地下道路對駕駛員行為的影響分析地下道路線形對駕駛行為除了具有與一般路段相似的影響外，還具有其特殊性，其中線性變化對車速和心率變化的影響較明顯。1）車速：地下道路出入口是駕駛員心理變化最顯著且快速的路段。研究發現，一般車輛在進入地下道路口前一定距離有明顯減速，在地下道路中，車速一般在較低水平范圍上下波動，而在出地下道路口有明顯加速過程。導致地下道路進出口區域車速變化的主要原因是地下道路內外光線差導致的視覺適應和道路線形因素。根據對秦嶺二號地下道路和終南山地下道路調研研究發現車輛在地下道路進出口前后5s設計車速行程范圍運行車速都受到線形影響。郭忠印等對地下道路進出口的運行安全進行了研究，認為進出口線形過渡是地下道路安全的主要影響因素之一。不同線形的地下道路出入口對內部環境產生不同影響，直線地下道路不利于光線過渡，不能有效調節駕駛員心理，無法避免“黑洞效應”和“白洞效應”引起的減速進洞、加速出洞現象的出現。瑞士及北歐國家的公路地下道路絕大多數都做成曲線形的，這有利于提高駕駛員的注意力，且地下道路出入口曲線段可以有效解決“黑白洞”問題，減少事故的發生。在地下道路中行駛，駕駛員的視野受到諸多因素的影響，視野隨車速的變化而變化，同樣，車速隨視野的變化而變化，即駕駛員總是根據其視野大小來選擇行駛速度。當前方出現小半徑平曲線、縱坡、地下道路洞口等使視野變小時，駕駛員會相應的降低速度；當前方為長直線或者大半徑平曲線通視良好時，視野增大，駕駛員會提高速度。2）心率：研究發現，駕駛員心率增量與地下道路的彎道半徑存在較大相關性。小半徑地下道路由于離心力、視距、通風不良等原因易引起駕駛員心率增加，對駕駛員的感知、情緒造成影響。此外，地下道路的密閉空間易造成駕駛員的壓迫感，感覺地下道路內車道寬度變小，曲線地下道路會給駕駛員造成與地下道路內壁相撞的恐懼感，產生所謂的“邊墻效應”，駕駛壓力大大增加，并有可能情緒失控，操作失誤，引起事故。單向通行的地下道路應設置為大半徑曲線，駕駛員適當的心率增加、心理緊張利于注意力的集中，且大半徑曲線地下道路光照過渡S1S1Vehicle:V1Driver:D1Super-State:nilName:s1IO:IO1V1Size:smallType:private-carD1Gender:maleAge:45Driving-years:20Incomings:8000Character:reservedMatch-accuracy:1Familiarity:type1Location:org-locIO1Output-Link:I3Input-Link:I2O1Operator:moveforwardOperator:turnleft……..I1Road-alignment:LClear-distance:SSense-Density:2Velocity:FTurn-angle:L2……圖6-2駕駛員智能體工作記憶如上圖所示，工作記憶里的狀態S1包含五個屬性，其中vehicle、driver、IO屬性的值為對象V1、D1和I1，其余兩個屬性分別表示該狀態的名稱為s1，且其沒有父狀態。狀態S1的V1屬性表示智能體組成單元車輛的相關信息，包括表示車輛的尺寸為小，車輛的用途為私家車，當前速度很快。S1的D1屬性表示駕駛員的相關信息，包括駕駛員的性別為男，年齡為45，駕齡為20年，月收入為8000，性格為穩重型，對路網非常熟悉，當前駕駛員的匹配精度為1，當前位置為初始位置。IO屬性為S1的輸入輸出，分別通過input-link和output-link接口實現，其中input-link的標識符I1有四個屬性，分別表示智能體從外界感知到的與路段以及周邊環境相關的信息，包括屬性Road-alignment、Clear-distance、Sense-density、Velocity、Turn-angle分別表示當前車輛所在道路的感知線形、橫向距離、感知擁堵程度、速度、轉彎角度。輸出接口output-link的標識符O1表示該狀態下的輸出，比如選擇要應用的算子以及應用算子對工作記憶及周邊環境的影響結果通過I3下的屬性輸出。表6-1工作記憶輸入和輸出序號屬性輸入\輸出取值編碼說明1當前路段線形輸入直線段、左轉彎道、右轉彎道1,2,31路段線形特征值輸入彎道半徑1,2,3,42橫向距離輸入數值1,2,33當前道路擁堵狀況輸入嚴重擁堵、一般擁堵、通暢3,2,14預測道路擁堵狀況輸入嚴重擁堵、一般擁堵、通暢3,2,15當前情緒輸入舒暢、急躁1,26目的地輸入左、前、右1,2,37駕駛風格輸入保守、冒險、一般1,2,39當前行駛狀態輸入直行、左轉、右轉1,2,38行駛狀態特征值輸入速度、角度具體值9改變當前情緒輸出舒暢、急躁切換匹配精度升降依記憶規則確定10改變目的地輸出左、前、右目的地切換依記憶規則確定11改變行駛狀態輸出直行、左轉、右轉及對應特征值變化依記憶規則確定6.3.2地下道路行車中駕駛員智能體長期記憶設計長期記憶區是一個成果記憶區。長期記憶中最重要和最有效的是程序性知識，情節性知識只在程序性的知識不足以支撐決策時才起作用，在駕駛行為中不涉及語義性知識。SOAR智能體經過地下道路駕駛行為程序性記憶用產生式規則來進行表征。首先，用每個規則的“if”部分去匹配工作記憶里的元素，如果規則的“if”部分與工作記憶元素完全匹配，這個規則就會被觸發，然后通過發送一條到運動系統的信息或產生改變當前狀態的建議，引起“then”部分觸發，即任何與當前目標、狀態和算子匹配的規則會改變當前的目標和狀態。SOAR智能體經過地下道路的情節性記憶是智能體的特定經歷和記憶，是情節性學習的知識來源，一旦駕駛行為決策完成，就將當前行為、對應的決策狀態轉移路徑及反饋偏好值進行記錄，以備在下次遇到決策困境時使用。表6-2某個駕駛員智能體的部分初始長期記憶規則規則編號IF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENIF/THENr1[I]R-A1(2)[I]R-A2(1)[I]C-D(1)[I]S-D(1)[I]D-S1(2)[I]D-S2(12)[T]D-S1(1)[T]D-S2(1)r2[I]S-D(3,1,3)[I]P-D(3,1,3)[I]Des(1)[T]Des(2)r3[I]S-D(223)[I]R-A1(3)[I]R-A2(3)[I]D-S1(3)[I]D-S2(1,3)[T]Tem(2)r4[I]R-A1(1)[I]R-A2(3)[I]C-D(1)[T]D-S1(1)[T]D-S2(2)———r5[I]R-A1(2)[I]R-A2(2)[I]C-D(2)[I]D-S1(1)[I]D-S2(3)[T]D-S1(2)[T]D-S2(2)上表中，[I]表示條件，[T]表示行動，R-A1,R-A2,C-D,S-D,P-D,Tem,Des,D-S1,D-S2為對象屬性的縮寫，分別表示線形、線形特征值、橫向距離、擁堵、預測擁堵、情緒、目的地、行駛狀態、行駛狀態特征值。以r5為例，規則意義為如果當前線形為左轉彎，轉彎半徑為中等（根據具體值進行標定），車輛橫向距離較大（根據具體值進行標定），當前車輛正直行且速度較快，則在滿足轉彎條件前提下車輛左轉，速度降低1個單位，其它規則意義依此類推。上述規則只是某個駕駛員智能體初始規則的一部分，篇幅所限，不詳細列出。另外，駕駛員智能體規則在學習過程中會通過學習機制動態的增加和刪除。SOAR智能體的誘導服從行為的情節性記憶是智能體的特定經歷和記憶，是情節性學習的知識來源，一旦誘導服從行為決策完成，就將當前行為、對應的決策狀態轉移路徑及反饋偏好值進行記錄，以備在下次遇到決策困境時使用。6.3.3程序式算子選擇經過地下道路的SOAR智能體中采用數值偏好。長期記憶規則庫中的每條規則包括匹配條件和匹配條件滿足下可以建議的算子，以及此條件下建議該算子的數值偏好值。每添加一條新規則需要判斷該規則中算子的初始數值偏好大小，并在決策過程中根據外界的反饋對該值的大小進行更新以使其更接近真實情況，為駕駛員的決策提供更加準確的信息。1）令表示狀態下的候選算子集合，如果其基數等于1，則選擇進入工作記憶，否則繼續；2）如果，，則以輪盤賭機制從中選擇當前算子進入工作記憶，否則繼續；其中、表示狀態下最優算子和次優算子的偏好，表示狀態下算子直接選擇閾值； 3）如果或，，則不能直接進行算子選擇，則產生困境，進入組塊學習階段。6.3.4學習機制本章主要采用組塊學習方式來描述駕駛員經過地下道路駕駛行為的學習功能。組塊是SOAR在困境解決時進行學習的機制，即在子狀態的處理過程中學習組塊規則。當一個困境產生時意味著當期系統的長期記憶中沒有可以利用的算子使得問題求解過程在問題空間中向前移動，需要自動創建一個新的規則來解決當前困境，組塊規則的建立需要分析長期記憶中與達到結果相關的產生式規則及情節記憶線索。6.3.4.1困境的解決當程序式記憶不能對當前狀態選擇算子時，采用如下步驟解決困境。1）令從初始狀態經過i次狀態轉移得到的當前狀態為，如果或，，則符合組塊學習條件，令j=i+1，繼續；否則采用程序式記憶進行算子選擇，見3.4；2）如果j=0，轉5；否則j:=j-1；3）在所有情節記憶庫中尋找狀態轉移路徑中包含的情節性記憶的算子集合，記為。如果，轉2，否則繼續；4）在中選擇最優算子進入工作記憶，解決當前困境，轉7；5）如果，以步長0.1改變當前狀態的匹配精度，直到滿足當前狀態的算子集合出現，其中表示改變匹配精度后的新狀態；6）在或中采用輪盤賭機制選擇算子進入工作記憶，解決當前困境；6.3.4.2組塊規則經過地下道路的智能體除了初始程序性記憶規則外，絕大部分規則是通過組塊創建的。如果智能體在狀態轉移中遇到過困境，則說明決策過程中有部分狀態沒有算子或者不能直接選擇，那么智能體此次決策后，需要采用組塊學習方法創建規則及偏好更新。如果，則對解決困境的算子進行一次組塊更新，其中表示智能體在狀態下的期望駕駛目標，表示智能體動作的實際駕駛目標,為規則組塊更新閾值。如果相同規則連續兩次被組塊更新，則將對應算子添加到決策過程中遇到困境狀態，組塊成功。無論是組塊形成還是已經存在的規則，智能體后都要對此次決策涉及的算子進行反饋學習，由于決策過程涉及多個狀態和算子，因此采用各狀態與目標狀態的距離來分配對應算子的反饋偏好。決策周期的狀態轉移路徑中第個狀態對應的算子的反饋偏好值為，其中=為最終狀態下的總偏好反饋值，本文中參數取0.5；為分配到上的權重，它是狀態到的距離及所在的狀態轉移路徑的函數，本文，其中為所在路徑包含的狀態數量。6.4仿真框架 圖6-3地下道路線形及橫向凈距優化仿真框架6.5仿真實驗及分析本仿真實驗首先對面向地下道路線形和橫向凈距的SOAR智能體進行設計，繼而針對不同線形和橫向凈距條件下進行仿真實驗，對不同仿真條件下的實驗結果進行分析，給出本實驗場景下的最優推薦方案。6.5.1仿真場景設置仿真場景為天津某地下道路，單向三車道，仿真場景中線形、橫向凈距等在原設計方案基礎上進行一定程度的調整后，分別進行仿真實驗，在仿真實驗結果分析基礎上，得到不同條件下的橫向凈距和線形優化方案。下圖為部分現場圖。圖6-4地下道路線形及橫向凈距場景1圖6-5地下道路線形及橫向凈距場景2 基于該地下道路設計方案，采用ucwin/road進行三維虛擬現實構建，用來進行實驗參數標定的基礎，地下道路設置為三車道，設計車速為40公里，部分模擬場景如下圖所示。圖6-6地下道路模擬場景1圖6-7地下道路模擬場景26.5.2仿真實驗在地下道路直線段和彎道行駛條件下，在不同行車速度下對標準橫向凈距進行一定幅度調整，本章一般條件下的橫凈距和視距半徑如下表6-3和6-4所示。表6-3地下道路一般條件下橫凈距車速（km/h）一般橫凈距（左）一般橫凈距（右）小汽車（m）大貨車（m）小汽車（m）大貨車（m）1002.7252.3754.0254.375802.7252.3753.7754.125602.62.253.654401.851.52.653301.7251.3752.5252.875201.61.252.42.75表6-4地下道路一般條件下視距半徑車速（km/h）一般視距半徑（左）一般橫凈距（右）小汽車（m）大貨車（m）小汽車（m）大貨車（m）10011741705795926805558224014736027040119322640108208751043065111455320314021186.5.2.1地下道路直線段橫向凈距仿真在地下道路直線段小汽車行駛條件下，將橫凈距在一般基礎上以5%的步長減小或者增加15%，采用本章仿真方法對車輛通過直線段進行仿真，下表為300分鐘內200m路段上不同車速下不同仿真實驗對應的交通沖突數據。表6-5不同車速和不同橫凈距下的地下道路直線段行駛交通沖突數據（小汽車）車速(km/h)實驗1（減小15%）實驗1（減小10%）實驗1（減小5%）實驗1（一般值）實驗1（增加5%）實驗1（增加10%）實驗1（增加15%）1001961711511441391351358019316515114013613313260181169156150146140138401661401321281271241223015413412912512512112020123116116115114111110圖6-8直線段行駛中不同橫凈距下的交通沖突圖（小汽車）在地下道路直線段大貨車行駛條件下，將橫凈距在一般基礎上以5%的步長減小或者增加20%，采用本章仿真方法對車輛通過直線段進行仿真，下表為300分鐘內不同車速下不同仿真實驗對應的交通沖突數據。表6-6不同車速下的地下道路直線段行駛交通沖突數據（大貨車）車速(km/h)橫凈距減小15%橫凈距減小10%橫凈距減小5%一般橫凈距橫凈距增加5%橫凈距增加10%橫凈距增加15%1002522422232081911801798024122521420318617717160229223217202187179170402101951871821721691693022121219218216816616520201194178172162160160不同速度下和橫凈距下的交通沖突曲線圖如下圖所示。圖6-9直線段行駛中不同橫凈距下的交通沖突圖（大貨車）6.5.2.2地下道路彎道橫向凈距仿真在地下道路彎道段小汽車行駛條件下，將橫凈距在一般基礎上以5%的步長減小或者增加20%，采用本章仿真方法對車輛通過直線段進行仿真，下表為30分鐘內不同車速下不同仿真實驗對應的交通沖突數據。表6-7不同車速下的地下道路彎道行駛交通沖突數據（小汽車）車速(km/h)橫凈距減小15%橫凈距減小10%橫凈距減小5%一般橫凈距橫凈距增加5%橫凈距增加10%橫凈距增加15%1002151881581481401341318020918417015513813112960194185164152134127125401731571411371341301313016315213713412812612320134131124118120120118不同速度下和橫凈距下的交通沖突曲線圖如下圖所示。圖6-10彎道行駛不同橫凈距下的交通沖突圖（小汽車）在地下道路彎道大貨車行駛條件下，將橫凈距在一般基礎上以5%的步長減小或者增加20%，采用本章仿真方法對車輛通過直線段進行仿真，下表為30分鐘內不同車速下不同仿真實驗對應的交通沖突數據。表6-8不同車速下的地下道路彎道行駛交通沖突數據（大貨車）車速(km/h)橫凈距減小15%橫凈距減小10%橫凈距減小5%一般橫凈距橫凈距增加5%橫凈距增加10%橫凈距增加15%1002682482352182232112688025022922820221220725060240222217194198183240402232102091871861812233019319019618517518219320181180184178171176181不同速度下和橫凈距下的交通沖突曲線圖如下圖所示。圖6-11彎道行駛不同橫凈距下的交通沖突圖（大貨車）6.5.3結果分析 1）由表6-5至6-8和圖6-8至6-11可知，