行人与非机动车仿真
在交通仿真中，行人和非机动车的模拟是非常重要的一部分，它们不仅影响道路的安全性和效率，还关系到城市的可持续发展和居民的生活质量。本节将详细介绍如何在仿真软件中进行行人和非机动车的建模与仿真，包括它们的运动行为、交通流特性以及与机动车的交互方式。
行人建模
行人的基本属性
行人建模需要考虑多个基本属性，包括行人速度、行人方向、行人密度等。这些属性可以通过仿真软件的参数设置来实现。以下是一些常见的行人属性及其设置方法：
行人速度：行人的行走速度通常在1.2米/秒到1.8米/秒之间，但这个值可以根据具体情况进行调整。
行人方向：行人可以从一个点移动到另一个点，或者在某个区域内随机移动。
行人密度：行人密度影响行人的行走行为，高密度情况下行人可能需要避让或减慢速度。
行人的行为模型
行人行为模型通常包括以下几种：
社会力模型：该模型基于物理学中的力的概念，认为行人受到目标吸引力、障碍物排斥力、其他行人排斥力等社会力的影响。
微观模型：基于个体行人的行为，考虑每个行人的决策过程。
宏观模型：基于群体行人的行为，考虑行人流的总体特性。
社会力模型
社会力模型是一种常用的行人行为模型，其核心思想是将行人之间的相互作用和环境影响抽象为力的作用。以下是一个简单的社会力模型的实现示例：
# 社会力模型的实现classPedestrian:def__init__(self,position,target,speed=1.5,desired_distance=0.5):self.position=position# 当前位置 (x, y)self.target=target# 目标位置 (x, y)self.speed=speed# 行人速度 (米/秒)self.desired_distance=desired_distance# 期望的最小距离 (米)defmove(self,other_pedestrians,obstacles):# 计算目标吸引力target_force=self._calculate_target_force()# 计算障碍物排斥力obstacle_force=self._calculate_obstacle_force(obstacles)# 计算其他行人排斥力other_pedestrian_force=self._calculate_other_pedestrian_force(other_pedestrians)# 总力total_force=target_force+obstacle_force+other_pedestrian_force# 更新位置new_position=self.position+total_force*self.speedreturnnew_positiondef_calculate_target_force(self):# 目标吸引力direction=(self.target-self.position).normalize()target_force=direction*self.speedreturntarget_forcedef_calculate_obstacle_force(self,obstacles):# 障碍物排斥力obstacle_force=Vector(0,0)forobstacleinobstacles:distance=(self.position-obstacle.position).length()ifdistance<self.desired_distance:direction=(self.position-obstacle.position).normalize()obstacle_force+=direction*(1/distance)returnobstacle_forcedef_calculate_other_pedestrian_force(self,other_pedestrians):# 其他行人排斥力other_pedestrian_force=Vector(0,0)forotherinother_pedestrians:ifotherisnotself:distance=(self.position-other.position).length()ifdistance<self.desired_distance:direction=(self.position-other.position).normalize()other_pedestrian_force+=direction*(1/distance)returnother_pedestrian_force# 示例数据pedestrian1=Pedestrian(Vector(0,0),Vector(10,10))pedestrian2=Pedestrian(Vector(5,5),Vector(15,15))obstacle=Obstacle(Vector(8,8))# 行人移动new_position1=pedestrian1.move([pedestrian2],[obstacle])new_position2=pedestrian2.move([pedestrian1],[obstacle])print(f"行人1的新位置:{new_position1}")print(f"行人2的新位置:{new_position2}")行人的路径规划
路径规划是行人仿真中的另一个重要环节，它决定了行人如何从起点到达终点。常见的路径规划算法包括A算法、Dijkstra算法等。以下是一个使用A算法进行路径规划的示例：
# A*算法的实现importheapqclassNode:def__init__(self,position,g=0,h=0,parent=None):self.position=position self.g=g self.h=h self.f=g+h self.parent=parentdef__lt__(self,other):returnself.f<other.fdefheuristic(a,b):return(a.position-b.position).length()defa_star(start,goal,obstacles):open_set=[]closed_set=set()heapq.heappush(open_set,Node(start))whileopen_set:current=heapq.heappop(open_set)ifcurrent.position==goal:path=[]whilecurrent:path.append(current.position)current=current.parentreturnpath[::-1]closed_set.add(current.position)forneighboringet_neighbors(current.position,obstacles):ifneighborinclosed_set:continuetentative_g=current.g+1# 假设每个步骤的成本为1is_new=neighbornotin[node.positionfornodeinopen_set]ifis_newortentative_g<[node.gfornodeinopen_setifnode.position==neighbor][0]:new_node=Node(neighbor,tentative_g,heuristic(Node(neighbor),Node(goal)),current)ifis_new:heapq.heappush(open_set,new_node)else:fornodeinopen_set:ifnode.position==neighbor:node.g=tentative_g node.f=node.g+node.h node.parent=currentbreakreturnNonedefget_neighbors(position,obstacles):# 获取当前位置的邻居节点neighbors=[]fordx,dyin[(-1,0),(1,0),(0,-1),(0,1)]:new_pos=position+Vector(dx,dy)ifnotany(obstacle.position==new_posforobstacleinobstacles):neighbors.append(new_pos)returnneighbors# 示例数据start=Vector(0,0)goal=Vector(10,10)obstacles=[Obstacle(Vector(5,5)),Obstacle(Vector(8,8))]# 路径规划path=a_star(start,goal,obstacles)print(f"规划的路径:{path}")非机动车建模
非机动车的基本属性
非机动车建模同样需要考虑多个基本属性，包括车辆速度、方向、密度等。这些属性可以通过仿真软件的参数设置来实现。以下是一些常见的非机动车属性及其设置方法：
车辆速度：非机动车的速度通常在3米/秒到5米/秒之间，但这个值可以根据具体情况进行调整。
车辆方向：非机动车可以从一个点移动到另一个点，或者在某个区域内随机移动。
车辆密度：车辆密度影响非机动车的行驶行为，高密度情况下非机动车可能需要避让或减慢速度。
非机动车的行为模型
非机动车行为模型通常包括以下几种：
微观模型：基于个体非机动车的行为，考虑每个车辆的决策过程。
宏观模型：基于群体非机动车的行为，考虑车辆流的总体特性。
微观模型
微观模型可以通过设置每个非机动车的决策规则来实现。以下是一个简单的微观模型的实现示例：
# 非机动车的微观模型classNonMotorizedVehicle:def__init__(self,position,target,speed=4.0,desired_distance=1.0):self.position=position# 当前位置 (x, y)self.target=target# 目标位置 (x, y)self.speed=speed# 车辆速度 (米/秒)self.desired_distance=desired_distance# 期望的最小距离 (米)defmove(self,other_vehicles,obstacles):# 计算目标吸引力target_force=self._calculate_target_force()# 计算障碍物排斥力obstacle_force=self._calculate_obstacle_force(obstacles)# 计算其他车辆排斥力other_vehicle_force=self._calculate_other_vehicle_force(other_vehicles)# 总力total_force=target_force+obstacle_force+other_vehicle_force# 更新位置new_position=self.position+total_force*self.speedreturnnew_positiondef_calculate_target_force(self):# 目标吸引力direction=(self.target-self.position).normalize()target_force=direction*self.speedreturntarget_forcedef_calculate_obstacle_force(self,obstacles):# 障碍物排斥力obstacle_force=Vector(0,0)forobstacleinobstacles:distance=(self.position-obstacle.position).length()ifdistance<self.desired_distance:direction=(self.position-obstacle.position).normalize()obstacle_force+=direction*(1/distance)returnobstacle_forcedef_calculate_other_vehicle_force(self,other_vehicles):# 其他车辆排斥力other_vehicle_force=Vector(0,0)forotherinother_vehicles:ifotherisnotself:distance=(self.position-other.position).length()ifdistance<self.desired_distance:direction=(self.position-other.position).normalize()other_vehicle_force+=direction*(1/distance)returnother_vehicle_force# 示例数据vehicle1=NonMotorizedVehicle(Vector(0,0),Vector(10,10))vehicle2=NonMotorizedVehicle(Vector(5,5),Vector(15,15))obstacle=Obstacle(Vector(8,8))# 车辆移动new_position1=vehicle1.move([vehicle2],[obstacle])new_position2=vehicle2.move([vehicle1],[obstacle])print(f"非机动车1的新位置:{new_position1}")print(f"非机动车2的新位置:{new_position2}")非机动车的路径规划
路径规划是非机动车仿真中的另一个重要环节，它决定了非机动车如何从起点到达终点。常见的路径规划算法包括A算法、Dijkstra算法等。以下是一个使用A算法进行路径规划的示例：
# A*算法的实现importheapqclassNode:def__init__(self,position,g=0,h=0,parent=None):self.position=position self.g=g self.h=h self.f=g+h self.parent=parentdef__lt__(self,other):returnself.f<other.fdefheuristic(a,b):return(a.position-b.position).length()defa_star(start,goal,obstacles):open_set=[]closed_set=set()heapq.heappush(open_set,Node(start))whileopen_set:current=heapq.heappop(open_set)ifcurrent.position==goal:path=[]whilecurrent:path.append(current.position)current=current.parentreturnpath[::-1]closed_set.add(current.position)forneighboringet_neighbors(current.position,obstacles):ifneighborinclosed_set:continuetentative_g=current.g+1# 假设每个步骤的成本为1is_new=neighbornotin[node.positionfornodeinopen_set]ifis_newortentative_g<[node.gfornodeinopen_setifnode.position==neighbor][0]:new_node=Node(neighbor,tentative_g,heuristic(Node(neighbor),Node(goal)),current)ifis_new:heapq.heappush(open_set,new_node)else:fornodeinopen_set:ifnode.position==neighbor:node.g=tentative_g node.f=node.g+node.h node.parent=currentbreakreturnNonedefget_neighbors(position,obstacles):# 获取当前位置的邻居节点neighbors=[]fordx,dyin[(-1,0),(1,0),(0,-1),(0,1)]:new_pos=position+Vector(dx,dy)ifnotany(obstacle.position==new_posforobstacleinobstacles):neighbors.append(new_pos)returnneighbors# 示例数据start=Vector(0,0)goal=Vector(10,10)obstacles=[Obstacle(Vector(5,5)),Obstacle(Vector(8,8))]# 路径规划path=a_star(start,goal,obstacles)print(f"规划的路径:{path}")行人与非机动车的交互
在交通仿真中，行人和非机动车之间的交互是非常重要的，它们的相互作用会影响彼此的行驶行为。以下是一些常见的交互方式及其实现方法：
避让行为
避让行为是指当行人或非机动车接近对方或障碍物时，会采取避让措施以避免碰撞。以下是一个简单的避让行为的实现示例：
# 仿真步骤for_inrange(10):simulation.step()print(f"行人1的最终位置:{pedestrian1.position}")print(f"行人2的最终位置:{pedestrian2.position}")print(f"非机动车1的最终位置:{vehicle1.position}")print(f"非机动车2的最终位置:{vehicle2.position}")仿真结果分析
通过上述代码，我们可以模拟行人和非机动车在一个场景中的动态行为。以下是一些关键点的分析：
避让行为：当行人或非机动车接近对方或障碍物时，会根据避让距离调整自己的方向和速度，以避免碰撞。
优先通行：根据优先通行规则，某些行人或非机动车在特定情况下享有优先通行权，这会影响其他实体的移动。
混合仿真：在一个场景中同时模拟行人和非机动车的行为，考虑它们之间的相互作用和环境影响，使仿真更加真实和复杂。
仿真软件的选择
在实际应用中，选择合适的仿真软件是非常重要的。以下是一些常用的行人和非机动车仿真软件：
SUMO (Simulation of Urban MObility)：SUMO 是一个开源的交通仿真软件，支持行人和非机动车的仿真。它提供了丰富的模型和算法，适用于城市交通仿真。
AnyLogic：AnyLogic 是一个商业仿真软件，支持多方法建模，包括行人和非机动车仿真。它具有强大的可视化功能和灵活的建模方式。
MATSim (Multi-Agent Transport Simulation)：MATSim 是一个基于代理的交通仿真软件，适用于大规模的交通仿真。它支持行人和非机动车的建模，可以进行详细的微观仿真。
仿真参数的优化
在行人和非机动车的仿真中，参数的优化对于提高仿真精度和效率是非常重要的。以下是一些优化方法：
行人速度的调整：根据实际数据调整行人的平均速度和最大速度，使其更加符合实际情况。
障碍物和路径的设置：合理设置障碍物的位置和路径，以反映实际的道路布局和交通情况。
交互规则的优化：根据不同场景的需求，调整避让距离和优先通行规则，以更好地模拟行人和非机动车的互动行为。
仿真案例
以下是一个具体的仿真案例，展示如何在一个城市交叉口场景中进行行人和非机动车的混合仿真：
场景描述
假设我们有一个城市交叉口，行人和非机动车在不同的路径上移动。交叉口内有多个障碍物和交通信号灯，需要考虑这些因素的影响。
仿真代码
# 交叉口场景的仿真classObstacle:def__init__(self,position):self.position=positionclassTrafficLight:def__init__(self,position,state):self.position=position self.state=state# 红灯或绿灯classSimulation:def__init__(self,pedestrians,vehicles,obstacles,traffic_lights,interaction,priority):self.pedestrians=pedestrians self.vehicles=vehicles self.obstacles=obstacles self.traffic_lights=traffic_lights self.interaction=interaction self.priority=prioritydefstep(self):new_positions=[]forpedestrianinself.pedestrians:other_pedestrians=[pforpinself.pedestriansifpisnotpedestrian]other_vehicles=[vforvinself.vehicles]avoidance_force=self.interaction.avoid(pedestrian,other_pedestrians+other_vehicles)new_position=pedestrian.move(other_pedestrians,self.obstacles)+avoidance_force*pedestrian.speed new_positions.append((pedestrian,new_position))forvehicleinself.vehicles:other_vehicles=[vforvinself.vehiclesifvisnotvehicle]other_pedestrians=[pforpinself.pedestrians]avoidance_force=self.interaction.avoid(vehicle,other_vehicles+other_pedestrians)new_position=vehicle.move(other_vehicles,self.obstacles)+avoidance_force*vehicle.speed new_positions.append((vehicle,new_position))forentity,new_positioninnew_positions:ifself.priority.check_priority(entity,new_position):entity.position=new_position# 检查交通信号灯forlightinself.traffic_lights:if(entity.position-light.position).length()<2.0andlight.state=='red':entity.position=entity.position# 停止移动# 示例数据pedestrian1=Pedestrian(Vector(0,0),Vector(10,10))pedestrian2=Pedestrian(Vector(5,5),Vector(15,15))vehicle1=NonMotorizedVehicle(Vector(10,0),Vector(20,10))vehicle2=NonMotorizedVehicle(Vector(15,5),Vector(25,15))obstacles=[Obstacle(Vector(8,8))]traffic_lights=[TrafficLight(Vector(10,5),'red'),TrafficLight(Vector(15,10),'green')]interaction=Interaction()priority=Priority([pedestrian1,vehicle1])# 创建仿真simulation=Simulation([pedestrian1,pedestrian2],[vehicle1,vehicle2],obstacles,traffic_lights,interaction,priority)# 仿真步骤for_inrange(10):simulation.step()print(f"行人1的最终位置:{pedestrian1.position}")print(f"行人2的最终位置:{pedestrian2.position}")print(f"非机动车1的最终位置:{vehicle1.position}")print(f"非机动车2的最终位置:{vehicle2.position}")仿真结果分析
通过上述代码，我们可以在一个城市交叉口场景中模拟行人和非机动车的行为。以下是一些关键点的分析：
行人和非机动车的动态行为：仿真展示了行人和非机动车如何根据目标、障碍物和彼此的相互作用进行移动。
交通信号灯的影响：交通信号灯的状态会影响行人和非机动车的移动，例如红灯时它们会停止移动。
优先通行规则：优先通行规则决定了在某些情况下，行人或非机动车享有优先通行权，这会影响其他实体的移动。
结论
行人和非机动车的仿真在交通规划和管理中具有重要意义。通过合理的建模和参数设置，可以模拟出行人和非机动车在不同场景下的动态行为，从而为城市交通的优化提供有力支持。本节介绍了行人和非机动车的基本属性、行为模型、路径规划以及它们之间的交互方式，并通过具体的代码示例展示了如何在仿真软件中实现这些模型。希望这些内容能为读者在行人和非机动车仿真领域提供一定的参考和帮助。
