机动车

Vehicle（机动车）模块用于在 SUMO 中仿真车辆，例如：自动驾驶汽车、环境车等。关于场景中创建和控制 Vehicle 的例子详细见 TransSimHub Vehicle Example。下面介绍 Vehicle 的状态（ state），动作类型（ action type）和使用例子:

状态定义

机动车 id (str): 场景中每一个 vehicle 的唯一 ID，用于区分不同的 vehicle
动作类型 action_type (str): vehicle 的动作控制类型, 目前支持 lane 和 lane_continuous_speed
车辆长度 length (float): 车辆的长度，单位是米（m）
车辆宽度 width (float): 车辆的宽度，单位是（m）
车辆的朝向角 heading (float): 车辆的朝向角，单位是度（°）
位置 position (Tuple[float]): vehicle 所在的位置 (x,y)
速度 speed (float): vehicle 当前车速
路 road_id (str): vehicle 行驶道路的 ID
车道 lane_id (str): vehicle 所在车道的 ID
边 edges (list[str]): vehicle 已经经过的边
下一个相位 next_tls (List[str]): vehicle 将通过的交通信号灯的 ID（如果前方没有信号灯则是空）
等待时间 waiting_time (float): vehicle 的等待时间（由于信号灯或堵车等原因），一旦车辆开始行驶，等待时间清零
累积等待时间 accumulated_waiting_time (float): vehicle 的累积等待时间
二氧化碳排放 co2_emission (float): 在此时间步长内车辆的二氧化碳排放量（以 mg/s 为单位）
车辆的油耗 fuel_consumption (float): 车辆在该时间步内的燃油消耗（以 mg/s 为单位）
不控制时的速度 speed_without_traci (float): 返回车辆在没有被 traci 影响时候（setSpeed 或 SlowDown）的行驶速度
车辆的行驶距离 distance (float): vehicle 的累积行驶距离
前车信息 leader (Tuple[str, float]): 当前车辆前车的信息，包含前车的 id 和距离

动作类型

lane：四个离散的动作，同时改变车辆的速度和变道：

参数

简短描述

具体描述

0

keep_lane（str）

vehicle 保持当前车道，改变 vehicle 的速度, 速度增加 3 m/s，但小于最高限速 15 m/s（约等于 54km/h）

1

slow_down (str)

vehicle 保持当前车道，改变 vehicle 的速度, vehicle 速度减少 3 m/s，但要高于最低限速 2 m/s（约等于 7.2km/h）

2

change_lane_left (str)

vehicle 向左侧变道，改变 vehicle 的速度, vehicle 速度减少 2 m/s，但高于最低限速 2 m/s

3

change_lane_left (str)

vehicle 向右侧变道，改变 vehicle 的速度, vehicle 速度减少 2 m/s，但高于最低限速 2 m/s

lane_continuous_speed: 改变车道，并且可以连续控制速度。

参数（变道，速度）

变道 index

描述

(0, speed)

0 -> keep_lane

保持当前车道

(1, speed)

1 -> change_lane_left

向左侧变道

(2, speed)

2 -> change_lane_right

向右侧变道

Note

vehicle 分为可自动驾驶车（ego vehicle）和背景车（background vehicle），背景车辆只能获得观测信息不可控制，自动驾驶车可控。

可以通过 env wrapper，实现获取或控制部分车辆。

当 speed 设置为 -1 的时候，车辆速度不控制。这个动作退化为只进行变道的调整。

当 lane_index 设置为 -1 的时候，表示换道由 SUMO 进行控制。

车辆控制例子

下面具体看一个车辆的控制的例子（完整代码见 TransSimHub Vehicle Lane Control）。我们在 route 中定义了两种不同类型的车辆，如下所示：

<vType id="background" length="7.00" maxSpeed="15.00" color="155,89,182" tau="1.0"/>
<vType id="ego" length="7.00" maxSpeed="17.00" color="26,188,156" tau="1.0"/>

<vehicle id="-E9__0__background.0" type="background" depart="0.84" departLane="random">
    <route edges="-E9 E4"/>
</vehicle>
<vehicle id="E0__0__background.0" type="background" depart="3.58" departLane="random">
    <route edges="E0 E4"/>
</vehicle>
<vehicle id="-E4__0__ego.0" type="ego" depart="4.16" departLane="random">
    <route edges="-E4 -E0"/>
</vehicle>

接着我们在环境中初始化车辆，并指定车辆的控制动作。

from tshub.vehicle.vehicle_builder import VehicleBuilder
scene_vehicles = VehicleBuilder(
  sumo=conn, action_type='lane'
)

接着我们通过 get_objects_infos 来得到 vehicle 的属性：

data = scene_vehicles.get_objects_infos()

返回的属性如下所示，可以看到包含每一个 vehicle 的位置，速度等：

"gsndj_n7__1.0": {
    "id": "gsndj_n7__1.0",
    "action_type": "lane",
    "vehicle_type": "car_2",
    "length": 5.0,
    "width": 1.8,
    "heading": 307.80342137935276,
    "position": [
        2328.0809235224924,
        523.075053998435
    ],
    "speed": 8.775783075718211,
    "road_id": "gsndj_n7",
    "lane_id": "gsndj_n7_0",
    "lane_index": 0,
    "edges": [
        "gsndj_n7",
        "gsndj_n6"
    ],
    "waiting_time": 0.0,
    "accumulated_waiting_time": 0.0,
    "distance": 26.36442383383401,
    "co2_emission": 5280.710440252024,
    "fuel_consumption": 1684.3056844797748,
    "speed_without_traci": 8.775783075718211,
    "leader": null,
    "next_tls": [
        [
            "htddj_gsndj",
            8,
            666.575576166166,
            "r"
        ]
    ]
},

这里我们设置的动作类型是 lane，动作空间是离散的四个值。因为这里我们希望只对 ego vehicle 进行控制，故我们写一个函数筛选出所有 ego vehicle：

def filter_ego_id(vehicle_data):
  ego_ids = []
  for _veh_id, _veh_info in vehicle_data.items():
      if _veh_info['vehicle_type'] == 'ego':
          ego_ids.append(_veh_id)
  return ego_ids

下面我们通过 control_objects 来控制车辆。我们利用 filter_ego_id 筛选出所有 ego vehicle 的 id，接着对其随机生成动作，使用 np.random.randint(4)：

while conn.simulation.getMinExpectedNumber() > 0:
    # 获得车辆的信息
    data = scene_vehicles.get_objects_infos()

    # 控制部分车辆, 分别是 lane_change, speed
    ego_vehicles = filter_ego_id(data)
    actions = {_veh_id:(np.random.randint(4), None) for _veh_id in ego_vehicles}
    scene_vehicles.control_objects(actions)

    conn.simulationStep()

如果我们将 if_sumo_visualization 设置为 True，可以看到仿真画面。如下图所示，带圆圈的 vehicle 表示正在被控制（也就是 ego vehicle）。