Все выпуски

Данная работа предлагает новый подход к построению высокоточных маршрутов на основе данных от транспортных детекторов в пакете моделирования трафика SUMO. Существующие инструменты, такие как flowrouter и routeSampler, имеют ряд недостатков, таких как отсутствие взаимодействия с сетью в процессе построения маршрутов. Наш rlRouter использует мультиагентное обучение с подкреплением (MARL), где агенты — это входящие полосы движения, а окружающая среда — дорожная сеть. Добавляя в сеть транспортные средства с определенными маршрутами, агенты получают вознаграждение за сопоставление данных с детекторами транспорта. В качестве алгоритма мультиагентного обучения с подкреплением использовался DQN с разделением параметров между агентами и LSTM-слоем для обработки последовательных данных.

Поскольку rlRouter обучается внутри симуляции SUMO, он может лучше восстанавливать маршруты, принимая во внимание взаимодействие транспортных средств внутри сети друг с другом и с сетевой инфраструктурой. Мы смоделировали различные дорожные ситуации на трех разных перекрестках, чтобы сравнить производительность маршрутизаторов SUMO с rlRouter. Мы использовали среднюю абсолютную ошибку (MAE) в качестве меры отклонения кумулятивных данных детекторов и от данных маршрутов. rlRouter позволил добиться высокого соответствия данным с детекторов. Мы также обнаружили, что, максимизируя вознаграждение за соответствие детекторам, результирующие маршруты также становятся ближе к реальным. Несмотря на то, что маршруты, восстановленные с помощью rlRouter, превосходят маршруты, полученные с помощью инструментов SUMO, они не полностью соответствуют реальным из-за естественных ограничений петлевых детекторов. Чтобы обеспечить более правдоподобные маршруты, необходимо оборудовать перекрестки другими видами транспортных счетчиков, например, детекторами-камерами.

Дорожный шум является одной из ключевых проблем в обеспечении поддержания высоких стандартов охраны окружающей среды. В диапазоне скоростей от 50 до 120 км/ч шины являются основным источником шума, создаваемого движущимся автомобилем. Хорошо известно, что шум и вибрация шин генерируются либо взаимодействием протектора шины и дорожного покрытия, либо некоторыми внутренними динамическими эффектами. В данной статье рассматривается применение нового метода моделирования генерации и распространения звука при движении автомобильной шины, основанного на применении так называемой акустико-вихревой декомпозиции. Используемые в настоящее время подходы к моделированию шума автомобильных шин основаны главным образом на применении уравнения Лайтхила и аэроакустической аналогии. Аэроакустическая аналогия не является математически строгой формулировкой для вывода источника (правой части) акустического волнового уравнения при решении задачи — разделения акустической и вихревой (псевдозвуковой) мод колебаний. При разработке метода акустико-вихревой декомпозиции проводится математически строгое преобразование уравнений движения сжимаемой среды для получения неоднородного волнового уравнения относительно пульсаций статической энтальпии с источниковым членом, который зависит от поля скоростей вихревой моды. При этом колебания давления в ближнем поле представляют собой сумму акустических колебаний и псевдозвука. Таким образом, метод акустико-вихревой декомпозиции позволяет адекватно моделировать и акустическое поле, и динамические нагрузки, генерирующие вибрацию шины, обеспечивая полное решение проблемы моделирования шума шин, который является результатом ее турбулентного обтекания с генерацией вихревого звука, а также динамического нагружения и излучения шума вследствие вибрации шины. Метод впервые реализован и тестируется в программном пакете FlowVision. Приводится сравнение результатов FlowVision с расчетами, полученными с помощью пакета LMS Virtual.Lab Acoustics, и объясняется некоторое различие в спектрах акустического поля.

Рассмотрена задача оптимального управления транспортным потоком в сети городских дорог. Управление осуществляется изменением длительностей рабочих фаз светофоров на регулируемых перекрестках. Приведено описание разработанной системы управления. В системе управления предусмотрено использование трех видов управлений: программного, с обратной связью и ручного. При управлении с обратной связью для определения количественных характеристик транспортного потока используются детекторы дорожной инфраструктуры, видеокамеры, индуктивные петлевые и радиолокационные датчики. Обработка сигналов с детекторов позволяет определить состояние транспортного потока в каждый текущий момент времени. Для определения моментов переключения рабочих фаз светофоров количественные характеристики транспортных потоков поступают в математическую модель транспортного потока, реализованную в вычислительной среде системы автоматического управления транспортными потоками. Модель представляет собой систему конечно-разностных рекуррентных уравнений и описывает изменение транспортного потока на каждом участке дороги в каждый такт времени на основе рассчитанных данных по характеристикам транспортного потока в сети, пропускным способностям маневров и распределению потока на перекрестках с альтернативными направлениями движения. Модель обладает свойствами масштабирования и агрегирования. Структура модели зависит от структуры графа управляемой сети дорог, а количество узлов в графе равно количеству рассматриваемых участков дорог сети. Моделирование изменений транспортного потока в режиме реального времени позволяет оптимально определять длительности рабочих фаз светофоров и обеспечивать управление транспортным потоком с обратной связью по его текущему состоянию. В работе рассмотрена система автоматического сбора и обработки данных, поступающих в модель. Для моделирования состояний транспортного потока в сети и решения задачи оптимального управления транспортным потоком разработан программный комплекс CTraf, краткое описание которого представлено в работе. Приведен пример решения задачи оптимального управления транспортным потокам в сети дорог города Москва на основе реальных данных.