自动驾驶与手动驾驶混合流仿真 matlab连续型元胞自动机交通流源代码 随机慢化，密度流量图，时空图，密度速度图 车头时距图等

一、项目定位

本平台面向“自动驾驶-人工驾驶混合交通流”研究场景，用连续型元胞自动机（Continuous Cellular Automata, CCA）思想在单车道封闭环路上重建车辆跟驰行为。核心使命只有一句话：

在可控计算成本内，用**确定论+概率论**混合模型，复现真实交通流从自由流到拥堵流的**相变过程**，并量化自动驾驶渗透比例对**通行能力、平均速度、车头间距**等关键指标的提升率。

全文聚焦“功能级”设计，源码级细节仅做概念性描述，可作为后续二次开发或论文实验的顶层手册。

---

二、总体架构

层级	名称	职责
1	场景层	提供封闭单车道几何、车辆长度、最大速度、加速度等静态场景参数
2	车辆层	维护车辆数组 location[]、v[]，负责周期性边界与位置-速度同步
3	行为层	实现Gipps安全距离模型 + 随机慢化两大核心规则，输出下一时刻速度
4	指标层	在热平衡时段采样，计算宏观基本图（流量-密度-速度）与微观车头间距序列
5	实验层	批量扫描密度与自动驾驶比例双因子，自动生成提升率曲线

---

三、关键概念与符号约定

符号	语义	单位	备注
lanelength	封闭环路总长	m	默认 5000 m
carlength	车身长度	m	5 ~ 7.5 m 可调
vmax	最大允许速度	m/s	37.5 m/s ≈ 135 km/h
tb / ta	反应时间	s	人工 1.5 s；自动 0.1 s
a / b	最大加/减速度	m/s²	1.5 / 2.5
Gapsafe	安全间距	m	由 Gipps 公式计算
vsafe	安全速度	m/s	由 Gipps 公式计算
p	随机慢化概率	—	人工 0.15；自动 0 ~ 0.2 可调

---

四、核心功能模块

4.1 场景初始化（startstate）

功能：

在零时刻把 numcar 辆车均匀随机地撒到环路上，并赋予既不大于vmax、也不大于前车间隙的初速度。

关键流程：

1. 等分空间 zd = lanelength/numcar
2. 每辆车在 [zd(i-1)+carlength, zdi] 内均匀采样 location(i)
3. 速度 v(i) = min(vmax, 前车间隙)，保证初始即无碰撞

---

4.2 车辆演化（closedriverule）

4.2.1 输入输出契约

输入	含义
location[]	当前位置向量
v[]	当前速度向量
selfcar / autocar	人工/自动驾驶车辆数
输出	含义
newlocation[]	下一时刻位置
nv[]	下一时刻速度

4.2.2 内部决策顺序（**从尾车→头车**逆向遍历）

1. 前车索引
   封闭环路下，尾车的前车是头车；其余直接取 i+1
2. Gap 计算
   fd = 前车.location – 自车.location – carlength（环路 wrap-around 自动处理）
3. 安全间距与安全速度
   调用 Gap() 与 Gipps() 得到 Gapsafe、vsafe
4. 速度更新
   取 min(v+a, vmax, vsafe, fd) 四者最小值，保证不撞、不超、不超速
5. 随机慢化
   只对人工车以概率 p 减速 b；自动驾驶车可关闭或降低 p
6. 位置更新
   newlocation(i) = location(i) + nv(i)
7. 周期性边界
   若 newlocation(end)>lanelength，则整队列循环左移，保证数组索引 1 始终对应最头车

4.2.3 自动驾驶差异因子

因子	人工车	自动驾驶
反应时间 tb	1.5 s	0.1 s
慢化概率 p	0.15	0 ~ 0.2 可调
减速度 b	2.5 m/s²	同左（可再调）

---

4.3 随机慢化（slowrand / aslowrand）

功能：

把人类驾驶员的无意松油门、点刹车抽象成概率 p 的瞬时减速。

接口级描述：

nv = slowrand(v, p, b)

• 生成 rand(1)
• 若 ≤ p 则 v = max(v-b, 0)
• 返回 nv

---

4.4 安全距离模型（Gap & Gipps）

Gap 函数：

自动驾驶与手动驾驶混合流仿真 matlab连续型元胞自动机交通流源代码 随机慢化，密度流量图，时空图，密度速度图 车头时距图等

Gapsafe = v*tb + v²/(2b) – fv²/(2b)

物理意义：自车在最坏情况下（前车急刹到停）所需**净间距**

Gipps 函数：

vsafe = –btb + √[ b²tb² + b(2Δx – tbv + fv²/b) ]

物理意义：在**Δx**距离内，自车以减速度 `b` 恰好停在前车尾部时的**最大安全初速度**

平台价值：

把经典跟驰模型浓缩成两个无副作用的纯函数，方便单元测试与硬件在环移植。

---

4.5 批量实验（closerun）

4.5.1 双因子扫描

因子	范围	步长
密度	10 ~ 1000 veh/h/lane	10 veh
自动驾驶比例	0% ~ 100%	10%

4.5.2 热平衡与采样

• 预热：前 9000 步丢弃，消除初态影响
• 采样：后 1000 步记录全部车辆的 location、v
• 指标：
• 平均速度 avgv = mean(v)*3.6 (km/h)
• 密度 avgk = numcar/(lanelength/1000) (veh/km)
• 流量 avgq = avgv*avgk (veh/h)

4.5.3 提升率计算

以全人工场景为基准，逐点计算

Δq = (qauto – qbase)/q_base*100%

Δv = (vauto – vbase)/v_base*100%

输出两条曲线：

• 通行能力提高率 vs 自动驾驶比例
• 平均速度提高率 vs 自动驾驶比例

---

4.6 微观可视化（可选）

• 车头间距时序图：提取编号 149-150 两车，绘制最后 500 步间距变化
• 时空轨迹散点图：plot(t, location(i,t), '.') 直接生成时空斑图，可观察拥堵波传播与消散

---

五、典型输出示例

自动驾驶比例	密度 (veh/km)	速度 (km/h)	流量 (veh/h)	通行能力提升
0%	40	45	1800	0% (基准)
30%	40	58	2320	+29%
60%	40	68	2720	+51%
100%	40	78	3120	+73%

注：上述数值为示例，实际与 `vmax`、`p`、`b` 等参数绑定。

---

六、扩展路线（非本期交付）

1. 双车道+变道：已预留 lanechange() 接口，支持最小间隙+概率变道
2. CACC 字符串通信：把 tb 降为负值，模拟车间通信下的虚拟铰接
3. GPU 批量化：把 location、v 放入 gpuArray，单核对 1 万车·万步 → 秒级
4. SUMO 联合仿真：用本模型生成初始加载矩阵，导入 SUMO 做城市道路级验证

---

七、使用禁忌与边界条件

• 密度>120 veh/km 时，Gipps 模型可能出现零速阻塞，需手动降低 p 或提高 b
• vmax>40 m/s 时，建议把 a 下调，否则加速度过大会导致数值振荡
• 随机慢化概率>0.25 时，基本图会出现亚稳态，重复实验需加长预热步数

---

八、一分钟快速上手

% 1. 改参数
lanelength = 5000;   % 环路长度
carlength  = 5;      % 车长
vmax       = 37.5;   % 最大速度
numcar     = 200;    % 车辆总数
k_auto     = 0.4;    % 自动驾驶比例

% 2. 运行
[location,v] = startstate(numcar,lanelength,carlength,vmax);
for i = 1:10000
    [location,v] = closedriverule(location,v,lanelength,carlength,vmax);
end

% 3. 看结果
meanv = mean(v)*3.6;  % km/h
density = numcar/(lanelength/1000);  % veh/km
flow = meanv*density;  % veh/h

---

九、结语

本平台用不到 200 行核心代码即完成宏观基本图与微观车头间距的双轨输出，既能在笔记本秒级跑完批量化实验，也能在服务器端扩展为百万车·公里级的并行场景。

后续无论是做自动驾驶渗透率政策评估，还是新型 CACC 控制算法验证，只需在行为层替换自己的跟驰模型，其余骨架可零改动复用。祝使用愉快，安全驾驶，不堵车。