CN104021664A - 汽车协同编队行驶的动态路径规划方法 - Google Patents

Abstract

本发明涉及一种汽车协同编队行驶的动态路径规划方法，包括：步骤10，判断是否到达目的地，如果未到达目的，则执行步骤20；步骤20，判断头车是否到达路口，如果头车到达路口，执行步骤30；步骤30，采用SPFA算法确定初始最短路径；步骤40，获取当前路口所有汽车的信息；步骤50，用Fuzzy编队算法判断当前路口是否适合编队，如果适合编队，执行步骤60，否则执行步骤70；步骤60，控制汽车在目标路段形成编队；步骤70，更新源路段和路段的相关信息；步骤80，执行步骤10。本发明提高道路交通的安全性、道路的通行能力、节约能源、减轻驾驶员的劳动强度、提高其舒适度，这样可以使道路容量尽可能的加大，使行驶尽可能的通畅。

Description

汽车协同编队行驶的动态路径规划方法

技术领域

本发明涉及路径规划领域，特别是涉及一种汽车协同编队行驶的动态路径规划方法。

背景技术

就目前的情况来看，解决交通问题切实可行的办法是如何提高现有的道路交通容量和效率。例如使用先进的科学技术来提高汽车性能；利用自动化技术消除驾驶员反应延时和判断不准确等人为因素带来的干扰；采用更有效的交通管理办法对汽车合理调度等，这些方法不仅能够提高道路交通流量，同时可减轻交通阻塞、交通事故等不利现象的发生。

近些年来，各国都对智能交通各领域进行了追踪研究，我们发现：

最优路径规划模块是车载导航***中的关键模块，最优路径规划算法的实时性和最优性是衡量导航***性能好坏的重要指标。最优路径规划根据电子地图中的拓扑关系，考虑实时交通信息，规划出最优路径，供导航***引导用户。这样，可以降低用户的出行费用，解决用户对陌生城市道路不熟悉的问题，甚至可以协调的控制城市的汽车出行路线，提高城市道路的利用效率，较少拥挤道路数量。

交通限制信息的复杂性以及交通状况随时间的不断变化的特性使得用一般的以理想网络图模型为基础的静态寻路算法所得到的最优路径很有可能与实际最优路径相去甚远，这样就要求导航***具备考虑交通限制信息以及交通状况动态变化特性的动态寻路能力。因而，对汽车导航***动态寻路技术包括动态交通路网建模，动态寻路算法的设计、实施，动态导航***平台结构设计等方面作详细的分析和研究将具有重要的实际应用价值。

在众多的汽车调度方法中，对汽车进行编队控制就是一种有效的汽车调度方法。其目的是提高陆路交通的安全性、提高道路的通行能力、节约能源、减轻驾驶员的劳动强度、提高其舒适度等。

通过动态最优路径选取以及汽车编队的控制提高道路汽车密度,增加道路容量，同时，有效地缓解交通拥堵,增强交通的畅通性及安全性。此外，汽车编队行驶可以降低汽车受到的空气阻力,降低汽车耗油，节约能源。因此有必要对最优路径选取基础上的汽车编队的控制方法进行研究。

综上所述，进行动态选路基础上汽车的编队控制的研究在提高交通安全性和道路通行能力方面具有重大的理论和现实意义。

发明内容

本发明的目的是提供一种汽车协同编队行驶的动态路径规划方法，以提高道路交通的安全性、道路的通行能力、节约能源、减轻驾驶员的劳动强度、提高其舒适度，这样可以使道路容量尽可能的加大，使行驶尽可能的通畅。

为解决上述技术问题，作为本发明的一个方面，提供了一种汽车协同编队行驶的动态路径规划方法，包括：步骤10，判断是否到达目的地，如果未到达目的，则执行步骤20；步骤20，判断头车是否到达路口，如果头车到达路口，执行步骤30；步骤30，采用SPFA算法确定初始最短路径；步骤40，获取当前路口所有汽车的信息；步骤50，用Fuzzy编队算法判断当前路口是否适合编队，如果适合编队，执行步骤60，否则执行步骤70；步骤60，控制汽车在目标路段形成编队；步骤70，更新源路段和路段的相关信息；步骤80，执行步骤10。

进一步地，步骤20还包括：如果头车未到达路口，则执行步骤30’；步骤30’，取得前车信息；步骤40’，根据Fuzzy编队算法判断是否适合编队，如果适合，执行步50’，否则执行步骤60’；步骤50’，控制汽车在当前路段形成编队；步骤60’，执行步骤10。

进一步地，在步骤10之后且在步骤20之前还包括：步骤11，判断是否为头车，如果是头车，则执行步骤20，否则执行步骤10。

进一步地，在步骤10之前还包括：步骤1，加载地图信息；步骤2，初始化汽车信息；步骤3，启动汽车。

进一步地，步骤10中，在判断是否到达目的地之前，还包括对汽车位置和速度变化进行处理的步骤。

本发明进行了动态路径规划结合模糊控制汽车编队的情况下，汽车行驶策略的研究。运用本发明，汽车行驶时根据SPFA算法所选出的最优路径前进，并在行驶过程中，采用模糊控制方法，结合道路汽车信息进行编队行驶，可以使道路上所有汽车行驶时间总体减少。这样可以增加汽车流动，提高道路容量。

同时，在每辆汽车行驶过程中，考虑与周围汽车位置与路径的关系，判断是否进行编队。这样整体上提高了智能车的性能，整体上减小了所有汽车到达目的地的时间，从而缓和了道路的压力。进行编队，更重要的是，这样在应用中有很大的价值，能够使汽车新手能够快速的到达目的地，比如在一个有汽车驾驶经历十年的老手带队情况下，新手可以更安全，更节省时间，而且有效增强汽车行驶的安全性。

附图说明

图1示意性示出了本发明的算法流程图。

具体实施方式

以下对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

我国汽车的数量急剧增加，道路负荷越来越大，尤其是城市道路***的交通负荷。针对这一现状，本发明对动态路径规划和实现汽车编队的模糊控制算法进行了深入的研究，通过将此两者结合起来来得到一种高效的汽车行驶策略。为此，本发明提出了一种汽车协同式编队行驶的动态路径规划方法。

首先，本发明从道路选择这一传统角度出发，通过将道路长度，宽度和拥挤程度等因素融入到权值的变化中，实现了道路信息的实时变化，进而达到动态路径规划的目的。综合考虑算法与地图数据存储结构适应性、算法时间复杂度、算法空间复杂度和对交通突发情况的高效应对等因素后，确定了SPFA算法在动态路径规划方面的综合优越性。

其次，本发明从汽车本身的智能性这一角度出发，深入研究了Fuzzy算法，用于实现汽车的编队控制。在智能“车路-车车”协同环境下利用Fuzzy算法实现汽车编队行驶可以提高道路汽车密度,增加道路容量，同时能简化交通控制复杂度，增加交通的可控性，提高交通安全，它与驾驶行为结合起来能极大提高汽车队列的柔性与灵活性，能使汽车编队行驶的优势得到充分发挥。同时，本发明也对某些特定的情况(如路段太短汽车数目太多的情况下)进行了考虑，在这些特定情况下编队反而会不利于汽车的行驶。通过全方面的考虑与分析，本发明对能够适应多种情况的基于Fuzzy模糊控制算法的汽车选择性编队模型进行了阐述与论证。本发明具有非常好的创新性和实用性。

对于基于抽象的网络图的最短路径问题(Shortest Path Problem，简称SPP)的求解方法，由于其在通信、交通、计算机网络、运筹、管理等多门学科中的多种应用需求，多年以来得到了充分的关注并取得了大量研究成果。在这诸多的研究中，大都是基于网络图路径权值为常量的静态算法，网络路径权值随时间发生变化的动态最短路径查找算法随着计算机处理速度不断提高以及应用需求的不断增加，近年来得到了更加广泛的关注。

在这之前，有一些文章专门来研究导航问题。其中有过一些著作是用来研究动态最短路径的。比如Khasawneh,MA用了辐射躲避算法来探讨在寻找最短路径。这些算法确实能够在理想的时间内选取出合适的路径，达到目的地。但是它只是单纯的研究了在一个图中怎选取最短的路径。比如Tarantilis,CD应用了参数元启发算法，但是启发式算法并没有保证全局的最优化，假设在某个特定区域有100辆智能汽车，用参数元启发算法算法只能保证100辆车的某一辆是最优的，并不能保证应用100辆车到达目的地的和是最优的。从而只是在一个方面的解决了汽车怎么样行驶最短的问题，即某一辆车怎么走最短，并没有涉及到总体汽车怎么走最短的问题。为了解决这个问题，我们又使用了编队的思想，即把打算去同一个方向的车编成一队。因此，本发明将最短路径与编队问题结合起来考虑,可以在全局上大幅度的缩减全体汽车到达目的地的时间之和，从而节省了时间。本发明采用了将SPFA算法跟编队的思想结合起来，用来处理这个在某个特定的区域内，应该怎么将全体的汽车进行规划，才能使得所有的汽车到达目的地所走的距离之和最短的问题。

首先，本发明研究了基于当前导航***的地图数据存储结构，动态路径规划算法，采用邻接链表的结构存储数字地图信息，包括结点、路段和转向限制。在动态路径规划方面，建立了动态路径规划模型，比较了动态路径规划算法，在单个汽车的动态路径规划实验中，验证了各种算法对拥挤路段和突发事件路段的躲避绕行，以及对动态交通信息的动态实时处理。在动态道路上对多种算法对于用户行驶长度与调用算法所需要时间进行对比，证明了SPFA算法的优越性。

对于编队模块，在智能“车路-车车”协同环境下实现汽车编队行驶可以提高道路汽车密度,增加道路容量,同时能简化交通控制复杂度,增加交通的可控性,提高交通安全,它与驾驶行为结合起来能极大提高了汽车编队的柔性与灵活性,能使汽车编队行驶的优势得到充分发挥，但是在某些特定的情况下(如路段太短汽车数目太多的情况下)编队反而会不利于汽车的行驶，本发明是智能“车路-车车”协同环境下的汽车模糊选择性编队路径规划方法，其具体重要意义。

请参考图1，本发明提供了一种汽车协同编队行驶的动态路径规划方法，包括：

步骤10，判断是否到达目的地，如果未到达目的，则执行步骤20；

步骤20，判断头车是否到达路口，如果头车到达路口，执行步骤30；

步骤30，采用SPFA(Shortest Path Faster Algorithm)算法确定初始最短路径；在动态最优路径选取过程中，根据电子地图中的拓扑关系，考虑实时交通信息，规划出最优路径，供导航***引导用户。我们采取了Bellman-Ford算法的改进算法SPFA算法，在动态的交通道路上选取出来最短的路径，然后得到汽车行驶的下个结点，在下个结点上，再次调用这个算法，直到到达目的地为止。根据最优化原理，智能汽车从起点到终点总行走路线中，一个最优行驶路线的子路线，即从一个路口到达下一个路口，对于这辆车的起始状态和终点状态也是最优的。

步骤40，获取当前路口所有汽车的信息；

步骤50，用Fuzzy编队算法判断所述当前路口是否适合编队，如果适合编队，执行步骤60，否则执行步骤70。在行驶过程中，考虑道路汽车信息，是否进行编队行驶。在汽车的编队这一部分，我们主要是利用模糊控制算法对待编队的汽车数目和道路长度进行分析从而来控制汽车是否编队。我们首先将模糊***的输入(待编队的汽车数目和道路长度)和输出(编队建议因子)进行模糊化；其次我们根据道路的情况确定了模糊集合的隶属度函数以及建立了模糊规则；之后我们对已得到的模糊关系进行模糊推理；最后解模糊得到我们的模糊控制查询表。

步骤60，控制汽车在目标路段形成编队；

步骤70，更新源路段和路段的相关信息；

步骤80，执行步骤10。

本发明进行了动态路径规划结合模糊控制汽车编队的情况下，汽车行驶策略的研究。运用本发明汽车行驶时根据SPFA算法所选出的最优路径前进，并在行驶过程中，采用模糊控制方法，结合道路汽车信息进行编队行驶，可以使道路上所有汽车行驶时间总体减少。这样可以增加汽车流动，提高道路容量。

同时，在每辆汽车行驶过程中，考虑与周围汽车位置与路径的关系，判断是否进行编队。这样整体上提高了智能车的性能，整体上减小了所有汽车到达目的地的时间，从而缓和了道路的压力。进行编队，更重要的是，这样在应用中有很大的价值，能够使汽车新手能够快速的到达目的地，比如在一个有汽车驾驶经历十年的老手带队情况下，新手可以更安全，更节省时间，而且有效增强汽车行驶的安全性。

优选地，所述步骤20还包括：如果头车未到达路口，则执行步骤30’；

步骤30’，取得前车信息；

步骤40’，根据Fuzzy编队算法判断是否适合编队，如果适合，执行步50’，否则执行步骤60’；

步骤50’，控制汽车在当前路段形成编队；

步骤60’，执行步骤10。

优选地，在所述步骤10之后且在所述步骤20之前还包括：

步骤11，判断是否为头车，如果是头车，则执行步骤20，否则执行步骤10。

优选地，在所述步骤10之前还包括：

步骤1，加载地图信息；

步骤2，初始化汽车信息；

步骤3，启动汽车。

优选地，所述步骤10中，在判断是否到达目的地之前，还包括对汽车位置和速度变化进行处理的步骤。

现在，对本发明中的上述方法进行示例性说明。

首先，加载地图信息，比如道路网状结构，各路段长度信息，各路口转向信息，起始地位置信息和目的地位置信息等。

然后，初始化汽车的起始地，目的地和速度等信息。

在此之后，汽车启动，并在“汽车行驶处理模块”的指引下进入行驶状态。

在汽车行驶的同时，检测是否到达目的地，如果到达，则程序结束；如果没有到达目的地，则检测本车是否为车队的头车，如果不是，则不作任何附加处理。

如果本车为头车，则检测是否到达路口：

(1)没有到达路口，则取得前车的速度、目的地等信息，并“调用路段Fuzzy编队算法”判断是否到达编队条件，如果达到编队条件，则形成所在路段的汽车编队。之后返回到“汽车行驶处理模块”，重新循环。

(2)如果达到路口，则调用SPFA算法，以当前所在路口和目标路口为输入，以新的下一路口为输出。对到达路口的汽车都做这样的处理，从而更新汽车的最优路径信息。之后以当前路口所有汽车的信息为输入，通过“路口Fuzzy编队算法判断”是否适合编队，从而得到各目标路段的汽车编队结果。

然后，更新源路段和目标路段的汽车数目值，以反映道路的拥挤程度。之后返回到“汽车行驶处理模块”，重新循环。

下面，对SPFA(Shortest Path Faster Algorithm)算法进行示例性说明。

首先说明一下最短路径在动态图中的选取过程。当选取最短路径时，由于智能汽车在运行过程中道路的变化不同，所以车在道路的行驶过程中要不断更新目前的路段信息，与此同时，还要不断的再已更新的地图中选取出来最短的路径。因此，当一个车从起点出发时，它首先用最短路径的算法选取出来最短的路径，然后到达下一个路口时，因为道路的实际情况，因为拥挤等情况使得道路的通行能力已经发生了变化，所以车要再次寻找从该点到达目的地的最短路径，这个路径与上述的路径不一定相同，重复上述过程，直到到达目的地为止。

在最短路径的过程中，交通路网是用G＝(V,E)来表示的，路阻系数w：E->D反应了边的实际情况，道路P＝(V₀，V₁，...，Vi)反应了从出发点到目的点所经过的边的权数的和。

$w\left(p\right)=\underset{i=1}{\overset{s}{\mathrm{\Σ}}}w(v_{i-1},v_i)$

因此，定义从点u到点v的最短路径为：

$\mathrm{\χ}(u,v)=\left\{\begin{array}{c}\min \{w\left(p\right):u->v\\ \∞\end{array}\right.$

通过以上的分析可以知道，想求起始点到终点的最短的距离，就是将所经过的路的权值进行求和。然而由于道路的路阻系数是不断变化的，所以要通过对动态最短路径以及编队进行研究。

对于一个带权邻接矩阵，将这个矩阵转化成对应的拓扑结构。通过这个矩阵来分析整个车从起点到终点进行选路过程。

将所用的这个矩阵表述成一个拓扑图，这个图是实际交通情况的一个简化过程，可以说明车在道路上运行的情况。

SPFA算法的执行步骤：首先建立队列D[n],其中D[i]表示起点S到第i点的距离。对于D[i]初始时，D[i]＝0，如果i为起点S；D[i]＝∞，如果i≠S。pre[v]表示S到v的当前最短路径中v点之前的一个点。C(u，v)表示从u到v的开销，即路的长度。

考虑到车从起点s到终点t是一个多步决策的过程，在车到达每一个交通路口时，都要根据当前的道路的拥挤情况，选择最经济的方式到达下一个路口。同样的，在到达下个路口后还要执行相同的操作，直到到达终点t为止。在实际的运行过程中，刚开始根据历史数据选取的道路s->a->b->...->t可能会发生变化，因此需要实际的道路选取来弥补这个误差。可以看到，在刚开始的过程中，选取了道路1，然而在实际的运行过程中，发现道路1发生了拥挤，导致路阻系数变大，在另外的一个十字路口处，选取了道路2，到达了目的地。

SPFA算法使得车在选路的过程中所用的时间降低，从而减少了时间的开销，增加了效率。

下面，对本发明中的使用的模糊控制算法进行举例说明。

(1)模糊控制***的输入和输出

将与汽车编队有关的路长length和汽车数目number作为模糊控制***的输入，其中路长length是指下一个相同路段的物理长度，汽车数目number是指该路口处等待进入length所对应路段的汽车数量。

将编队建议因子flag作为输出量。

(2)输入输出变量的模糊化

路长length的模糊化:

设路长length的模糊子集是L₁，L₂，L₃，L₄，L₅，其语言值集合和语言变量分别是：

l＝{很短，较短，中等，长，很长}

并且将路长length的大小量化为九个等级，分别表示为-3，-2，-1，0，+1，+2，+3，其论域为：

L＝{-3，-2，-1，0，+1，+2，+3，}

汽车数目number的模糊化：

设汽车数目number的模糊子集是N₁，N₂，N₃，N₄，N₅，其语言值集合和语言变量分别是：

n＝{很少，较少，一般，较多，很多}

并且将汽车数目number的大小量化为九个等级，分别表示为-3，-2，-1，0，+1，+2，+3，其论域为：

N＝{-3，-2，-1，0，+1，+2，+3}

编队建议因子flag的模糊化(准确来说并未模糊化)

编队建议因子flag的模糊子集是F₁，F₂，F₃，F₄其语言值集合和语言变量分别是：

f＝{不建议编队,不太建议编队，建议编队，非常建议编队}

并且将是否编队结果flag的模糊化的大小量化为两个等级，分别表示为-1，+1，其论域为：

F＝{-1,+1}

flag是显示是否可编队的变量，值为true或false，若为true则是可编队，若为false则是不可编队。

(3)模糊集合的隶属度函数

模糊语言变量的隶属度函数确定了论域内元素对模糊语言变量的隶属度，它的确定是依据现有的成功应用以及专家的建议来进行的。根据隶属度函数，可以计算得到隶属度函数的矢量形式。

(4)模糊控制规则

这里L表示路长，N来表示汽车数目，F表示是否编队的结果。制定模糊控制规则表。

(5)模糊关系

采用Mandani极小运算法来计算模糊关系。

(6)模糊推理

在求得所设计模糊控制器的模糊关系以后，可以由合成推理方法求解输出控制量的模糊值矢量。

(7)解模糊

本发明中采用了加权平均法，进行解模糊。

解模糊过程后，得到了精确的输出量，再根据需要进行比例变换，最后用矩阵表示计算结果就是最后的模糊控制查询表(取两位小数)。

使用SPFA算法的原因不仅是因为在本地图上选路效果好，更重要的是SPFA的时间复杂度较低，更加满足实际汽车寻路的实时性。对于在SPFA算法的基础上加入模糊控制下的编队使总体行驶效率更高，是因为在编队之后使路况变得更好了，从而使的车速有了一个整体的提升，同时也改善了路面的拥挤状况，在本发明中将路段内的编队也加入到了编队当中去，在实际情况中建议将路段编队尽量减少(因为路段编队会使车速有一个降低又增加的过程)，这样可以进一步提高编队的效果。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种汽车协同编队行驶的动态路径规划方法，其特征在于，包括：

步骤10，判断是否到达目的地，如果未到达目的，则执行步骤20；

步骤20，判断头车是否到达路口，如果头车到达路口，执行步骤30；

步骤30，采用SPFA算法确定初始最短路径；

步骤40，获取当前路口所有汽车的信息；

步骤50，用Fuzzy编队算法判断所述当前路口是否适合编队，如果适合编队，执行步骤60，否则执行步骤70；

步骤60，控制汽车在目标路段形成编队；

步骤70，更新源路段和路段的相关信息；

步骤80，执行步骤10。

2.根据权利要求1所述的动态路径规划方法，其特征在于，

所述步骤20还包括：如果头车未到达路口，则执行步骤30’；

步骤30’，取得前车信息；

步骤40’，根据Fuzzy编队算法判断是否适合编队，如果适合，执行步50’，否则执行步骤60’；

步骤50’，控制汽车在当前路段形成编队；

步骤60’，执行步骤10。

3.根据权利要求2述的动态路径规划方法，其特征在于，在所述步骤10之后且在所述步骤20之前还包括：

步骤11，判断是否为头车，如果是头车，则执行步骤20，否则执行步骤10。

4.根据权利要求1述的动态路径规划方法，其特征在于，在所述步骤10之前还包括：

步骤1，加载地图信息；

步骤2，初始化汽车信息；

步骤3，启动汽车。

5.根据权利要求1述的动态路径规划方法，其特征在于，所述步骤10中，在判断是否到达目的地之前，还包括对汽车位置和速度变化进行处理的步骤。