CN113312760A - 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 - Google Patents

一种基于交通仿真的网联机动车右转轨迹规划方法和装置 Download PDF

Info

Publication number
CN113312760A
CN113312760A CN202110528723.9A CN202110528723A CN113312760A CN 113312760 A CN113312760 A CN 113312760A CN 202110528723 A CN202110528723 A CN 202110528723A CN 113312760 A CN113312760 A CN 113312760A
Authority
CN
China
Prior art keywords
motor vehicle
group
motor vehicles
vehicle
motor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110528723.9A
Other languages
English (en)
Other versions
CN113312760B (zh
Inventor
王昊
左泽文
董长印
陈�全
阮天承
付之兵
李思宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Southeast University
Original Assignee
Southeast University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Southeast University filed Critical Southeast University
Priority to CN202110528723.9A priority Critical patent/CN113312760B/zh
Publication of CN113312760A publication Critical patent/CN113312760A/zh
Application granted granted Critical
Publication of CN113312760B publication Critical patent/CN113312760B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06313—Resource planning in a project environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本发明公开了一种基于交通仿真的网联机动车右转轨迹规划方法和装置。所述方法包括：根据网联右转车确定非机动车交通流中可能发生机非交互的非机动车集合，再确定非机动车集合中的非机动车速度、加速度等数据，再结合所述数据对非机动车通过距离阈值进行群组划分；将当前非机动车数据进行微观交通仿真；再将仿真结果与演化公式结合，从而非机动车群组进行动态演化预测；最后根据动态演化后的非机动车群组对网联机车进行右转轨迹规划。本发明提供的右转轨迹规划方法考虑了非机动车群组对网联机动车的影响，并且通过微观交通仿真预测群组的动态演化，使轨迹规划更加全面与科学。

Description

一种基于交通仿真的网联机动车右转轨迹规划方法和装置
技术领域
本发明涉及交通仿真控制技术领域，具体而言涉及一种基于交通仿真的网联机动车右转轨迹规划方法和装置。
背景技术
近年来由于交通***的快速发展而引发的交通安全和环境问题，智能网联车引发了大量关注并在过去十年中得到了快速发展，车辆的连接性和自动化程度的大幅提升，使得车辆可以和基础设施通信，利用车载传感器的信息实现部分或者完全自动化驾驶，而且还可以通过车辆之间的通信实现协同工作。
在城市交叉口中，右转机动车和直行非机动车的冲突与交互是交叉口中机非交互与冲突最频繁的现象之一，在流量大的交叉口更是会因为互相抢行的现象，导致机非交互复杂的现象出现。目前对于智能网联车仿真的研究中，对于右转机动车与非机动车交互的部分研究较少，目前的主要研究都集中于机动车与机动车之间的交互；同时在具体的仿真过程中，车辆通常根据周边的机动车数据进行下一步的行为决策，形成决策的过程中对于非机动车数据的利用较少，经常导致右转机动车难以确定右转时机并安全右转。
发明内容
本发明针对现有技术中的不足，提供一种基于交通仿真的网联机动车右转轨迹规划方法和装置，以局部范围内非机动车车辆的速度、加速度和坐标数据为基本信息，按照距离阈值进行初步的群组划分，之后将非机动车与非机动车群组数据代入微观交通仿真***中进行IDM仿真，将仿真数据与演化公式相结合，对非机动车群组进行动态演化预测，从而判断可能的穿越间隙，并根据可能的穿越间隙对智能网联右转车进行合理的右转轨迹规划。
为实现上述目的，本发明采用以下技术方案：
第一方面，本发明实施例提出了一种基于交通仿真的网联机动车右转轨迹规划方法，所述规划方法包括：
根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据；
结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值；
针对非机动车的微观交通数据进行微观交通仿真；
将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整；
基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
可选的，所述微观交通数据包括速度、加速度和位置坐标。
可选的，所述结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分的过程包括以下步骤：
确定研究范围内的非机动车的平均车长作为距离阈值；
将非机动车行驶方向作为y轴的正方向，按照每个非机动车实时位置的y轴坐标取值由大到小的顺序对所有非机动车进行排序，检索第一辆未划分的非机动车，将该车作为群组I的尾车；
计算后一辆未划分群组的非机动车与群组I尾车的距离，若距离小于距离阈值，则将该非机动车作为计入群组I且作为新的尾车，若距离大于距离阈值，则将该非机动车作为群组I+1的尾车；
按照排序依次计算其他未划分群组的非机动车与当前最新一个群组尾车的距离，若选取的非机动车的群组划分指标小于群组划分阈值，则将选取的非机动车计入当前最新一个群组I+m-1且作为新的尾车，否则，为选取的非机动车创建新的群组I+m，并将该车作为新的群组的尾车，直至研究范围内的所有非机动车均被划分进对应的群组，m＝1,…,M-1，M为划分得到的群组总数。
可选的，所述针对非机动车的微观交通数据进行微观交通仿真的过程包括：
将非机动车数据代入微观交通仿真***，对非机动车集合中的每辆非机动车进行IDM交通仿真，获取每辆非机动车到达潜在冲突点需要的时间tij，tij是第i个群组中的第j辆非机动车到达潜在冲突点需要的时间，i＝1,2,…,M，j＝1,2,…,Ni，M为划分得到的群组总数，Ni是第i个群组的非机动车总数；
计算每一个非机动车群组的平均速度
Figure BDA0003066219910000021
和平均加速度
Figure BDA0003066219910000022
和平均y轴坐标
Figure BDA0003066219910000023
将非机动车群组作为非机动车代入进行IDM交通仿真，获取非机动车群组到达潜在冲突点的所需时间ti。
可选的，所述对各个非机动车群组进行动态演化预测的过程包括：
判断群组中每辆非机动车是否有脱离当前群组的倾向：
Figure BDA0003066219910000024
其中，若
Figure BDA0003066219910000025
的值为1则说明有脱离倾向，若为0则说明没有脱离倾向；
对有脱离群组倾向的非机动车进行是否脱离判断：
Figure BDA0003066219910000026
其中，tturn是网联机动车完成右转所需要的时间，若f2(ti,tij)的值为1则说明确定脱离群组，若为0则说明没有脱离群组；若某群组仅含有一辆非机动车，则该群组的
Figure BDA0003066219910000027
与f2(ti,tij)取值为1；
对脱离后的车辆进行是否并入其他群组的判断：
Figure BDA0003066219910000031
Figure BDA0003066219910000032
Figure BDA0003066219910000033
其中，若ti＜tij则进行f3(ti-1,tij)判断，若f3(ti-1,tij)的值为1则说明对应的非机动车可以并入第i-1个群组，若f3(ti-1,tij)的值为-1则说明该车无法并入其他群组，需要单独成组；若ti≥tij则进行f4(ti-1,tij)判断，若f4(ti-1,tij)的值为2则说明该车可以并入第i+1个群组，若f4(ti-1,tij)的值为-2则说明该车无法并入其他群组，需要单独成组；
生成演化公式F：
Figure BDA0003066219910000034
对集合中的非机动车进行F操作：若F取值为1则预测对应的非机动车并入前一个群组；若取值为-1则说明对应的非机动车离开当前群组，并且另行创建一个在当前群组之前的新群组；若取值为2则说明预测对应的非机动车并入后一个群组；若取值为-2则说明对应的非机动车离开群组，并且另行创建一个在当前群组之后的新群组；若取值为0，则说明对应的非机动车依旧保持在当前群组。
可选的，所述基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划的过程：
根据演化后的群组计算相邻群组之间网联机动车右转时的可穿越间隙：
gapi＝t(i+1)-he-ti-las
其中，gapi表示第i个群组和第i+1个群组之间的可穿越间隙，t(i+1)-head表示第i+1个群组中的第一辆非机动车到达潜在冲突点所需时间，ti-las表示第i个群组的中的最后一辆非机动车到达潜在冲突点的所需时间，i＝1,2,…,M，M为划分得到的群组总数；
比对预测后的群组间的可穿越间隙和网联机动车的右转时长，选择其中一个大于右转时长的可穿越间隙作为网联机动车的右转间隙；
计算网联机动车到达停车线的时间，按照网联机动车到达停车线的时间进行速度规划；
采用三次贝塞尔曲线，根据右转间隙对应的非机动车群组进行右转轨迹规划：分别选取停车线中点、右转间隙前最后一辆非机动车和右转驶入车道线中点作为三个控制点，完成轨迹规划。
第二方面，本发明实施例提出了一种基于交通仿真的网联机动车右转轨迹规划装置，所述规划装置包括：
非机动车集合生成模块，用于根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据；
群组划分模块，用于结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值；
微观交通仿真模块，用于针对非机动车的微观交通数据进行微观交通仿真；
动态演化预测模块，用于将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整；
右转轨迹规划模块，用于基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
第三方面，本发明实施例提出了一种电子设备，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如前所述的网联机动车右转轨迹规划方法。
第四方面，本发明实施例提出了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如前所述的网联机动车右转轨迹规划方法。
本发明的有益效果是：
本发明以局部范围内非机动车车辆的速度、加速度和坐标数据为基本信息，按照距离阈值进行初步的群组划分，按照距离阈值进行初步的群组划分，之后将非机动车与非机动车群组数据代入微观交通仿真***中进行IDM仿真，将仿真数据与演化公式相结合，对非机动车群组进行动态演化预测，从而判断可能的穿越间隙，并根据可能的穿越间隙对智能网联右转车进行合理的右转轨迹规划。本发明提供的方法综合考虑了非机动车群组对网联机动车右转轨迹规划的影响，并且通过IDM微观交通仿真，对非机动车群组动态演化有一个较好的预测。
附图说明
图1是本发明实施例的基于交通仿真的网联机动车右转轨迹规划方法流程图。
图2是本发明实施例的示例中初步划分后的和动态演化预测后的非机动车群组示意图。
图3是本发明实施例的示例中网联机动车右转轨迹规划示意图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
需要注意的是，发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语，亦仅为便于叙述的明了，而非用以限定本发明可实施的范围，其相对关系的改变或调整，在无实质变更技术内容下，当亦视为本发明可实施的范畴。
实施例一
图1是本发明实施例一的基于交通仿真的网联机动车右转轨迹规划方法流程示意图。本实施例可适用于通过服务器等设备对网联机动车进行右转轨迹规划的情况，该方法可以由基于交通仿真的网联机动车右转轨迹规划装置来执行，该装置可以采用软件和/或硬件的方式实现，并可集成在电子设备中，例如集成服务器设备中。
参见图1，该规划方法包括以下步骤：
步骤一、根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据。
示例性地，可以通过微观交通仿真装置直接获取即将进行右转的机动车的微观仿真数据和非机动车交通流中可能与右转机动车产生机非交互的所有非机动车的微观仿真数据。可选的，微观交通数据包括速度、加速度和位置坐标。
而根据即将进行右转的机动车的位置信息和行驶信息，获取非机动车交通流中可能与右转机动车产生机非交互的所有非机动车的微观仿真数据的过程包括：
根据右转机动车的微观仿真数据确定非机动车交通流中潜在交互的判别范围；根据判别范围确定可能与右转机动车产生机非交互的非机动车集合，获取非机动车集合内非机动车的包括行驶速度和位置坐标在内的微观仿真数据。
对于机动车右拐轨迹规划来说，该步骤事实上对非机动车进行了初步筛选，判断哪些非机动车有可能在道路右拐处与机动车发生碰擦。对于明显会在机动车右拐前或者右拐后到达道路右拐口的非机动车，则不属于获取对象。
步骤二、结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值。
具体的，结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分的过程包括以下步骤：
S21，确定研究范围内的非机动车的平均车长作为距离阈值。
S22，将非机动车行驶方向作为y轴的正方向，按照每个非机动车实时位置的y轴坐标取值由大到小的顺序对所有非机动车进行排序，检索第一辆未划分的非机动车，将该车作为群组I的尾车。
S23，计算后一辆未划分群组的非机动车与群组I尾车的距离，若距离小于距离阈值，则将该非机动车作为计入群组I且作为新的尾车，若距离大于距离阈值，则将该非机动车作为群组I+1的尾车。
S24，按照排序依次计算其他未划分群组的非机动车与当前最新一个群组尾车的距离，若选取的非机动车的群组划分指标小于群组划分阈值，则将选取的非机动车计入当前最新一个群组I+m-1且作为新的尾车，否则，为选取的非机动车创建新的群组I+m，并将该车作为新的群组的尾车，直至研究范围内的所有非机动车均被划分进对应的群组，m＝1,…,M-1，M为划分得到的群组总数。
图2(a)是本发明实施例的示例中初步划分后的非机动车群组示意图。左侧为机动车道，右侧为非机动车道，非机动车道又被划分成四个子车道，非机动车道上行驶10辆非机动车，这10辆非机动车均有可能与当前右转机动车发生机非交互。应当理解，此处非机动车道被划分成四个或者其他数量的子车道只是为了方便理解本发明的技术方案，并非限定本发明识别方法的使用场景为类似的固定子车道。本发明充分考虑了实际道路环境中通常不会对非机动车道进行进一步车道划分，在技术方案上只引入了Y轴(即非机动车行驶方向)上的位置信息，并未引入横向位置信息。表1是获取的非机动车集合中所有非机动车的微观交通数据。
表1非机动车集合中所有非机动车的微观交通数据
非机动车编号 车道编号 车长 速度 加速度 y轴坐标
0 2 2.0 1.25 0.37 51.06
1 3 1.9 2.13 -0.65 50.21
2 1 2.0 1.45 -0.02 49.37
3 0 2.1 2.29 0.14 48.45
4 1 1.9 3.67 2.11 39.77
5 2 2.0 3.78 0.34 38.19
6 0 2.1 4.29 -1.34 37.24
7 0 2.0 5.54 -0.94 30.11
8 2 2.2 3.91 0.87 21.15
9 3 2.1 4.02 0.69 21.93
首先计算平均车长得到距离阈值
Figure BDA0003066219910000061
接着按照距离阈值对非机动车集合中的所有非机动车进行群组划分。第一步，将非机动车0作为群组1的尾车；由于非机动车1与非机动车0的距离小于距离阈值，因此将非机动车1并入群组1并作为群组1的尾车；同样的，由于非机动车2与非机动车1、非机动车3与非机动车2的距离均小于距离阈值，依次将非机动车2和非机动车3归入群组1，最后加入的非机动车3作为群组1的尾车。第二步，计算非机动车4与非机动车3的距离，由于两者距离大于距离阈值，创建新的群组2，将非机动车4作为群组2的尾车，再按照前述群组划分方法依次将非机动车5和非机动车6归入群组2，最后加入的非机动车6作为群组2的尾车。第三步，按照前述群组划分方法依次创建群组3和群组4，群组3中包含非机动车7，群组4中包含非机动车8和非机动车9。得到的初步群组划分结果如表2所示。
表2初步群组划分结果
群组编号 群组包含的非机动车编号
1 0,1,2,3
2 4,5,6,
3 7
4 8,9
示例性地，还可以采用以下方法得到群组：
首先，计算得到非机动车集合中每个非机动车与前一个非机动车之间的距离作为该非机动车的群组划分指标。其次，将第一辆车作为群组1的首车，再筛选出群组划分指标大于距离阈值的非机动车作为其他各个群组的首车，群组的编号与筛选出的首车的位置相对应。最后，将其他非机动车按照位置归入各个群组，且维持原位置排序。
同样以非机动车0～9为例进行说明。首先，计算得到非机动车0～9与对应的前一个非机动车之间的距离作为该非机动车的群组划分指标。其次，筛选出群组划分指标大于距离阈值的非机动车，即非机动车4、非机动车7和非机动车8，连同非机动车0生成四个群组1～4，非机动车0作为群组1的首车，非机动车4作为群组2的首车，非机动车7作为群组3的首车，非机动车8作为群组4的首车。最后，将其他非机动车按照位置归入各个群组，且维持原位置排序，即非机动车1～3归入群组1，非机动车5～6归入群组2，非机动车9归入群组4，且每个群组中的非机动车均维持原位置排序。同样可以得到表2的群组划分结果。
步骤三、针对非机动车的微观交通数据进行微观交通仿真。
具体的，针对非机动车的微观交通数据进行微观交通仿真的过程包括：
S31，将非机动车数据代入微观交通仿真***，对非机动车集合中的每辆非机动车进行IDM交通仿真，获取每辆非机动车到达潜在冲突点需要的时间tij，tij是第i个群组中的第j辆非机动车到达潜在冲突点需要的时间，i＝1,2,…,M，j＝1,2,…,Ni，M为划分得到的群组总数，Ni是第i个群组的非机动车总数。表3是计算得到的每辆非机动车到达潜在冲突点需要的时间tij。
表3非机动车到达潜在冲突点需要的时间
非机动车编号 到达冲突点所需时间 非机动车编号 到达冲突点所需时间
0 2.34 5 5.38
1 1.77 6 11.58
2 3.69 7 20.79
3 2.65 8 20.1
4 6.76 9 21.8
S32，计算每一个非机动车群组的平均速度
Figure BDA0003066219910000071
和平均加速度
Figure BDA0003066219910000072
和平均y轴坐标
Figure BDA0003066219910000073
S33，将非机动车群组作为非机动车代入进行IDM交通仿真，获取非机动车群组到达潜在冲突点的所需时间ti。表4是计算得到的非机动车群组的平均速度
Figure BDA0003066219910000081
平均加速度
Figure BDA0003066219910000082
平均y轴坐标
Figure BDA0003066219910000083
和非机动车群组到达潜在冲突点的所需时间ti。
表4非机动车群组的微观交通仿真结果
Figure BDA0003066219910000084
步骤四、将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整。
为了提高网联机动车的右转安全性，通常会在其右转前筛选较多的非机动车进入非机动车集合，这部分非机动车的车速不一，在到达潜在冲突点(例如右转的道路口)之间有可能会改变相互之间的位置关系，如果仍然按照原群组进行右转轨迹规划，有可能会出现偏差。因此，有必要对非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整，确保网联机动车能够安全右转。
具体的，对各个非机动车群组进行动态演化预测的过程包括：
S41，判断群组中每辆非机动车是否有脱离当前群组的倾向：
Figure BDA0003066219910000085
其中，若
Figure BDA0003066219910000086
的值为1则说明有脱离倾向，若为0则说明没有脱离倾向。
S42，对有脱离群组倾向的非机动车进行是否脱离判断：
Figure BDA0003066219910000087
其中，tturn是网联机动车完成右转所需要的时间，若f2(ti,tij)的值为1则说明确定脱离群组，若为0则说明没有脱离群组；若某群组仅含有一辆非机动车，则该群组的
Figure BDA0003066219910000088
与f2(ti,tij)取值为1。
S43，对脱离后的车辆进行是否并入其他群组的判断：
Figure BDA0003066219910000091
Figure BDA0003066219910000092
Figure BDA0003066219910000093
其中，若ti＜tij则进行f3(ti-1,tij)判断，若f3(ti-1,tij)的值为1则说明对应的非机动车可以并入第i-1个群组，若f3(ti-1,tij)的值为-1则说明该车无法并入其他群组，需要单独成组；若ti≥tij则进行f4(ti-1,tij)判断，若f4(ti-1,tij)的值为2则说明该车可以并入第i+1个群组，若f4(ti-1,tij)的值为-2则说明该车无法并入其他群组，需要单独成组。
S44，生成演化公式F：
Figure BDA0003066219910000094
S45，对集合中的非机动车进行F操作：若F取值为1则预测对应的非机动车并入前一个群组；若取值为-1则说明对应的非机动车离开当前群组，并且另行创建一个在当前群组之前的新群组；若取值为2则说明预测对应的非机动车并入后一个群组；若取值为-2则说明对应的非机动车离开群组，并且另行创建一个在当前群组之后的新群组；若取值为0，则说明对应的非机动车依旧保持在当前群组。应当理解，演化公式F包含的各个子项的分类取值不局限于前例这一种，只要最终得到的F乘积类型能够满足5个群组演化分类结果的表达需求即可。例如，f4(ti+1,tij)的取值也可以选择3和-2，若f4(ti-1,tij)的值为3则说明该车可以并入第i+1个群组，若f4(ti-1,tij)的值为-2则说明该车无法并入其他群组，需要单独成组。
设tturn＝6.5，计算后得到非机动车群组演化判断结果如表5所示：
表5非机动车群组演化判断结果
非机动车编号 演化判断 非机动车编号 演化判断
0 维持不变 5 维持不变
1 维持不变 6 维持不变
2 维持不变 7 并入后一个群组
3 维持不变 8 维持不变
4 维持不变 9 维持不变
则演化后的群组结果如表6所示。
表6演化后的群组结果
群组编号 群组包含的非机动车编号
1 0,1,2,3
2 4,5,6
3 7,8,9
图2(b)是本发明实施例的示例中动态演化预测后的非机动车群组示意图。
步骤五、基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
具体的，基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划的过程：
S51，根据演化后的群组计算相邻群组之间网联机动车右转时的可穿越间隙：
gapi＝t(i+1)-head-ti-last
其中，gapi表示第i个群组和第i+1个群组之间的可穿越间隙，t(i+1)-head表示第i+1个群组中的第一辆非机动车到达潜在冲突点所需时间，ti-las表示第i个群组的中的最后一辆非机动车到达潜在冲突点的所需时间，i＝1,2,…,M，M为划分得到的群组总数。
S52，比对预测后的群组间的可穿越间隙和网联机动车的右转时长，选择其中一个大于右转时长的可穿越间隙作为网联机动车的右转间隙。
S53，计算网联机动车到达停车线的时间，按照网联机动车到达停车线的时间进行速度规划。
根据动态演化后的群组可得，一共有两个可穿越间隙，第一个可穿越间隙时长为3.07s，第二个可穿越间隙时长为9.21s。假设网联机动车完成右转需要6.5s，则可以确定网联机动车可以在第2个间隙进行右转。网联机动车需要根据可穿越间隙前的非机动车到达潜在冲突点的时间，进行合理的速度规划在第2个间隙之前到达停车线前。
S54，采用三次贝塞尔曲线，根据右转间隙对应的非机动车群组进行右转轨迹规划：分别选取停车线中点、右转间隙前最后一辆非机动车和右转驶入车道线中点作为三个控制点，完成轨迹规划。图3是本发明实施例的示例中网联机动车右转轨迹规划示意图，图中的弧形虚线即为规划得到的网联机动车的右转轨迹。
实施例二
本发明实施例提出了一种网联机动车右转轨迹规划装置，所述规划装置包括：
非机动车集合生成模块，用于根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据。
群组划分模块，用于结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值。
微观交通仿真模块，用于针对非机动车的微观交通数据进行微观交通仿真。
动态演化预测模块，用于将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整。
右转轨迹规划模块，用于基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
通过本发明实施例二的右转轨迹规划装置，以局部范围内非机动车车辆的速度、加速度和坐标数据为基本信息，按照距离阈值进行初步的群组划分，之后将非机动车与非机动车群组数据代入微观交通仿真***中进行IDM仿真，将仿真数据与演化公式相结合，对非机动车群组进行动态演化预测，从而判断可能的穿越间隙，并根据可能的穿越间隙对网联机动车右转车进行合理的右转轨迹规划，达到对非机动车交通流进行群组划分，并且实现网联机动车安全右转的目标。本发明实施例所提供的轨迹规划装置可执行本发明任意实施例所提供的网联机动车右转轨迹规划方法，具备执行方法相应的功能模块和有益效果。
实施例三
本申请实施例提供了一种电子设备，包括处理器、存储器、输入装置和输出装置；电子设备中，处理器的数量可以一个或多个；电子设备中的处理器、存储器、输入装置和输出装置可以通过总线或其他方式连接。
存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序以及模块，如本发明实施例中的检测方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块，从而执行电子设备的各种功能应用以及数据处理，即实现本发明实施例所提供的网联机动车右转轨迹规划方法。
存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序；存储数据区可存储根据终端的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至电子设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
输入装置可用于接收输入的数字或字符信息，以及产生与电子设备的用户设置以及功能控制有关的键信号输入，可以包括键盘、鼠标等。输出装置可包括显示屏等显示设备。
实施例四
本申请实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如前所述网联机动车右转轨迹规划方法。
当然，本发明实施例所提供的一种包含计算机可执行指令的存储介质，其计算机可执行指令不限于如上所述的方法操作，还可以执行本发明任意实施例所提供的基于环境上下文一致性的统一处理方法中的相关操作。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述规划方法包括：
根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据；
结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值；
针对非机动车的微观交通数据进行微观交通仿真；
将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整；
基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
2.根据权利要求1所述的基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述微观交通数据包括速度、加速度和位置坐标。
3.根据权利要求1所述的基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分的过程包括以下步骤：
确定研究范围内的非机动车的平均车长作为距离阈值；
将非机动车行驶方向作为y轴的正方向，按照每个非机动车实时位置的y轴坐标取值由大到小的顺序对所有非机动车进行排序，检索第一辆未划分的非机动车，将该车作为群组I的尾车；
计算后一辆未划分群组的非机动车与群组I尾车的距离，若距离小于距离阈值，则将该非机动车作为计入群组I且作为新的尾车，若距离大于距离阈值，则将该非机动车作为群组I+1的尾车；
按照排序依次计算其他未划分群组的非机动车与当前最新一个群组尾车的距离，若选取的非机动车的群组划分指标小于群组划分阈值，则将选取的非机动车计入当前最新一个群组I+m-1且作为新的尾车，否则，为选取的非机动车创建新的群组I+m，并将该车作为新的群组的尾车，直至研究范围内的所有非机动车均被划分进对应的群组，m＝1，...，M-1，M为划分得到的群组总数。
4.根据权利要求1所述的基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述针对非机动车的微观交通数据进行微观交通仿真的过程包括：
将非机动车数据代入微观交通仿真***，对非机动车集合中的每辆非机动车进行IDM交通仿真，获取每辆非机动车到达潜在冲突点需要的时间tij，tij是第i个群组中的第j辆非机动车到达潜在冲突点需要的时间，i＝1，2，...，M，j＝1，2，...，Ni，M为划分得到的群组总数，Ni是第i个群组的非机动车总数；
计算每一个非机动车群组的平均速度
Figure FDA0003066219900000011
和平均加速度
Figure FDA0003066219900000012
和平均v轴坐标
Figure FDA0003066219900000013
将非机动车群组作为非机动车代入进行IDM交通仿真，获取非机动车群组到达潜在冲突点的所需时间ti。
5.根据权利要求4所述的基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述对各个非机动车群组进行动态演化预测的过程包括：
判断群组中每辆非机动车是否有脱离当前群组的倾向：
Figure FDA0003066219900000021
其中，若
Figure FDA0003066219900000022
的值为1则说明有脱离倾向，若为0则说明没有脱离倾向；
对有脱离群组倾向的非机动车进行是否脱离判断：
Figure FDA0003066219900000023
其中，tturn是网联机动车完成右转所需要的时间，若f2(ti，tij)的值为1则说明确定脱离群组，若为0则说明没有脱离群组；若某群组仅含有一辆非机动车，则该群组的
Figure FDA0003066219900000024
与f2(ti，tij)取值为1；
对脱离后的车辆进行是否并入其他群组的判断：
Figure FDA0003066219900000025
Figure FDA0003066219900000026
Figure FDA0003066219900000027
其中，若ti＜tij则进行f3(ti-1，tij)判断，若f3(ti-1，tij)的值为1则说明对应的非机动车可以并入第i-1个群组，若f3(ti-1，tij)的值为-1则说明该车无法并入其他群组，需要单独成组；若ti≥tij则进行f4(ti-1，tij)判断，若f4(ti-1，tij)的值为2则说明该车可以并入第i+1个群组，若f4(ti-1，tij)的值为-2则说明该车无法并入其他群组，需要单独成组；
生成演化公式F：
Figure FDA0003066219900000028
对集合中的非机动车进行F操作：若F取值为1则预测对应的非机动车并入前一个群组；若取值为-1则说明对应的非机动车离开当前群组，并且另行创建一个在当前群组之前的新群组；若取值为2则说明预测对应的非机动车并入后一个群组；若取值为-2则说明对应的非机动车离开群组，并且另行创建一个在当前群组之后的新群组；若取值为0，则说明对应的非机动车依旧保持在当前群组。
6.根据权利要求1所述的基于交通仿真的网联机动车右转轨迹规划方法，其特征在于，所述基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划的过程：
根据演化后的群组计算相邻群组之间网联机动车右转时的可穿越间隙：
gapi＝t(i+1)-hea-ti-last
其中，gapi表示第i个群组和第i+1个群组之间的可穿越间隙，t(i+1)-hea表示第i+1个群组中的第一辆非机动车到达潜在冲突点所需时间，ti-last表示第i个群组的中的最后一辆非机动车到达潜在冲突点的所需时间，i＝1，2，...，M，M为划分得到的群组总数；
比对预测后的群组间的可穿越间隙和网联机动车的右转时长，选择其中一个大于右转时长的可穿越间隙作为网联机动车的右转间隙；
计算网联机动车到达停车线的时间，按照网联机动车到达停车线的时间进行速度规划；
采用三次贝塞尔曲线，根据右转间隙对应的非机动车群组进行右转轨迹规划：分别选取停车线中点、右转间隙前最后一辆非机动车和右转驶入车道线中点作为三个控制点，完成轨迹规划。
7.一种基于交通仿真的网联机动车右转轨迹规划装置，其特征在于，所述规划装置包括：
非机动车集合生成模块，用于根据计划右转的网联机动车的位置信息和行驶信息划定研究范围，获取研究范围内可能会与网联机动车产生机非交互的所有非机动车，生成非机动车集合，提取非机动车集合中所有非机动车的微观交通数据；
群组划分模块，用于结合获取的所有非机动车的车长计算得到距离阈值，根据距离阈值对获取的非机动车进行群组划分，使群组之间的最小距离大于距离阈值；
微观交通仿真模块，用于针对非机动车的微观交通数据进行微观交通仿真；
动态演化预测模块，用于将微观交通仿真结果与演化公式结合，对各个非机动车群组进行动态演化预测，结合非机动车位置变化趋势对各个非机动车群组的成员进行调整；
右转轨迹规划模块，用于基于调整后的非机动车群组的各个成员的行驶信息，对网联机动车进行右转轨迹规划。
8.一种电子设备，其特征在于，包括：
一个或多个处理器；
存储装置，用于存储一个或多个程序，
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的基于交通仿真的网联机动车右转轨迹规划方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-6中任一项所述的基于交通仿真的网联机动车右转轨迹规划方法。
CN202110528723.9A 2021-05-14 2021-05-14 一种基于交通仿真的网联机动车右转轨迹规划方法和装置 Active CN113312760B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110528723.9A CN113312760B (zh) 2021-05-14 2021-05-14 一种基于交通仿真的网联机动车右转轨迹规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110528723.9A CN113312760B (zh) 2021-05-14 2021-05-14 一种基于交通仿真的网联机动车右转轨迹规划方法和装置

Publications (2)

Publication Number Publication Date
CN113312760A true CN113312760A (zh) 2021-08-27
CN113312760B CN113312760B (zh) 2024-04-09

Family

ID=77373276

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110528723.9A Active CN113312760B (zh) 2021-05-14 2021-05-14 一种基于交通仿真的网联机动车右转轨迹规划方法和装置

Country Status (1)

Country Link
CN (1) CN113312760B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049764A (zh) * 2021-10-27 2022-02-15 东南大学 一种基于卷积长短时记忆神经网络的交通仿真方法及***
CN114241748A (zh) * 2021-11-22 2022-03-25 浙江大华技术股份有限公司 识别右转车辆是否礼让直行车辆的方法及装置
CN116721547A (zh) * 2023-08-04 2023-09-08 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000001889A1 (en) * 1998-07-01 2000-01-13 Marko Jakara Intersection with unhindered traffic flow
CN101339698A (zh) * 2008-08-12 2009-01-07 北京工业大学 信号交叉口自行车对转弯车辆饱和流率影响修正方法
CN102568223A (zh) * 2012-02-06 2012-07-11 同济大学 信号交叉口右转专用车道实时动态控制方法
CN108711288A (zh) * 2018-06-07 2018-10-26 郑州大学 衔接交叉口非机动车右转衔接安全问题的量化评价方法
CN112509328A (zh) * 2020-12-07 2021-03-16 中国市政工程华北设计研究总院有限公司 一种交叉口右转机动车与电动自行车冲突行为分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000001889A1 (en) * 1998-07-01 2000-01-13 Marko Jakara Intersection with unhindered traffic flow
CN101339698A (zh) * 2008-08-12 2009-01-07 北京工业大学 信号交叉口自行车对转弯车辆饱和流率影响修正方法
CN102568223A (zh) * 2012-02-06 2012-07-11 同济大学 信号交叉口右转专用车道实时动态控制方法
CN108711288A (zh) * 2018-06-07 2018-10-26 郑州大学 衔接交叉口非机动车右转衔接安全问题的量化评价方法
CN112509328A (zh) * 2020-12-07 2021-03-16 中国市政工程华北设计研究总院有限公司 一种交叉口右转机动车与电动自行车冲突行为分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
连培昆;李振龙;荣建;陈宁;: "基于VISSIM微观交通仿真软件的导流岛机非冲突元胞自动机模型", 计算机应用, no. 06 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114049764A (zh) * 2021-10-27 2022-02-15 东南大学 一种基于卷积长短时记忆神经网络的交通仿真方法及***
CN114241748A (zh) * 2021-11-22 2022-03-25 浙江大华技术股份有限公司 识别右转车辆是否礼让直行车辆的方法及装置
CN114241748B (zh) * 2021-11-22 2022-11-22 浙江大华技术股份有限公司 识别右转车辆是否礼让直行车辆的方法及装置
CN116721547A (zh) * 2023-08-04 2023-09-08 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法
CN116721547B (zh) * 2023-08-04 2023-10-20 山东科技大学 一种面向交叉口右转区域大货车的安全指导***与方法

Also Published As

Publication number Publication date
CN113312760B (zh) 2024-04-09

Similar Documents

Publication Publication Date Title
Dai et al. Modeling vehicle interactions via modified LSTM models for trajectory prediction
CN113312760A (zh) 一种基于交通仿真的网联机动车右转轨迹规划方法和装置
CN109739219B (zh) 通行路径的规划方法、装置、设备及可读存储介质
US20210114604A1 (en) Method and Apparatus for Determining Information Related to a Lane Change of Target Vehicle, Method and Apparatus for Determining a Vehicle Comfort Metric for a Prediction of a Driving Maneuver of a Target Vehicle and Computer Program
Yan et al. Network-level multiband signal coordination scheme based on vehicle trajectory data
CN106846818B (zh) 基于Simulink仿真的路网动态交通流预测方法
US11577750B2 (en) Method and apparatus for determining a vehicle comfort metric for a prediction of a driving maneuver of a target vehicle
CN113682318B (zh) 车辆行驶控制方法及装置
CN108694841A (zh) 一种基于v2x技术的智能车辆通行路口红绿灯方法
CN109213153A (zh) 一种车辆自动驾驶方法及电子设备
CN108749814A (zh) 一种智能驾驶车辆行驶控制方法
CN104464344A (zh) 一种车辆行驶路径预测方法及***
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
CN110827326A (zh) 模拟人车冲突场景模型生成方法、装置、设备和存储介质
CN114839984A (zh) 一种班车路径规划方法、装置、设备及存储介质
Ali et al. Future connected vehicles: challenges and opportunities for spatio-temporal computing
Guo et al. Network multiscale urban traffic control with mixed traffic flow
Zhao et al. Deep reinforcement learning for the co-optimization of vehicular flow direction design and signal control policy for a road network
CN114842659B (zh) 一种交通拥堵疏导方法及装置
CN114413923B (zh) 一种行驶路线推荐方法、装置、存储介质及***
CN115454082A (zh) 车辆避障方法及***、计算机可读存储介质和电子设备
CN113392106A (zh) 一种多智能体交通仿真数据存储与更新方法
CN107391728A (zh) 数据挖掘方法以及数据挖掘装置
CN110887503B (zh) 移动轨迹模拟方法、装置、设备及介质
CN104680775A (zh) 基于海量交通数据的路网实时最优路径的并行提取方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant