CN114783186B - 智能网联环境下道路风险预警控制器优化布设方法及*** - Google Patents

Abstract

本发明公开了一种智能网联环境下道路风险预警控制器优化布设方法及***，包括：将路网分割成n个元胞，并建立包含n个元胞的混合交通流模型；获取每个路段内车辆总数量和自动驾驶车辆数量，并计算自动驾驶车辆的混入率；基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的***矩阵集合A；基于混合交通流模型，设计输入矩阵B_i；利用***可控性秩判据，计算Rank(A_m,B_i)的值是否为n；若是，则保留输入矩阵B_i；筛选满足所有混入率下的输入矩阵，并选择布设位置最佳、数量最少的输入矩阵作为控制矩阵；基于控制矩阵，进行控制器的布设。本发明可实现在复杂的混合交通流场景下，保障路网***安全高效运行。

Description

智能网联环境下道路风险预警控制器优化布设方法及***

技术领域

本发明涉及混合交通流安全风险预警和控制技术领域，具体涉及一种智能网联环境下道路风险预警控制器优化布设方法及***。

背景技术

在自动驾驶技术的不断发展中，必然会出现传统车辆与不同等级自动驾驶车辆混行的场景，自动驾驶汽车的一些行车规则与人类驾驶员的行车习惯有差异，而这种差异性往往会成为自动驾驶汽车与人工驾驶车辆碰撞的原因，尤其是在道路测试中技术成熟度尚待提升的智能网联汽车，与人工驾驶汽车混合智能交互运行，易引起交通流的震荡，导致混合交通流场景下的安全风险隐患增加。

现有有效的解决方法是在路侧设置安全风险预警控制器，对高风险驾驶行为采取及时的预警和控制策略；但是面对如此大规模的路网，如何在合适的路段设置最少数量的风险预警控制器，使其既达到控制效果又能节约投入成本，一直是当前所需解决的一个难题。

发明内容

针对现有技术中存在的上述问题，本发明提供一种智能网联环境下道路风险预警控制器优化布设方法及***，保证在复杂的混合交通流场景下，路网***安全高效运行。

本发明公开了一种智能网联环境下道路风险预警控制器优化布设方法，包括：

将路网分割成n个路段，每个路段称一个元胞，并将划分好的元胞依次标定序号；

以元胞的交通流密度作为状态变量，建立包含n个元胞的混合交通流模型：

x(t+1)＝A_σ(t)x(t)+B_σ(t)u(t)+F_σ(t)

式中，x＝[x₁,…,x_n]^T表示路网的交通流密度向量，u＝[u₁,…,u_k]^T表示路网的交通需求，A表示***矩阵，B表示输入矩阵，F表示仿射向量；

获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率；

基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的***矩阵集合A：

A＝{A₁,A₂,…,A_m}

式中，A_m为第m种自动驾驶车辆混入率的***矩阵，***矩阵为n×n；

基于混合交通流模型，设计输入矩阵B_i，输入矩阵为n×k，1≤k≤n：

利用***可控性秩判据，计算Rank(A_m,B_i)的值是否为n；若是，则保留输入矩阵B_i，若不是，则删除输入矩阵B_i；

筛选满足所有自动驾驶车辆混入率情况下的输入矩阵，并从筛选的输入矩阵中选择布设位置最佳、数量最少的输入矩阵作为控制矩阵；

基于所述控制矩阵，进行控制器的布设。

作为本发明的进一步改进，所述路网的分割方法，包括：

按照路网中入口匝道、出口匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，将路网分割为n个路段。

作为本发明的进一步改进，所述获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率，包括：

基于视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出，并计算该路段的车辆数N_视频；和/或，基于微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出，并计算该路段的车辆数N_微波；

将N_视频中N_微波中的一种或多种结果融合后得到的

作为该路段的车辆总数量N；

基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并计算该路段内的自动驾驶车辆数M₁；和/或，基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，并计算该路段内的自动驾驶车辆数M₂；和/或，基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并计算该路段内的自动驾驶车辆数M₃；

将M₁、M₂和M₃中的一种或多种结果融合后得到的

作为该路段的自动驾驶车辆数量M；

基于该路段的车辆总数量和自动驾驶车辆数量，计算当前路段自动驾驶车辆的混入率。

作为本发明的进一步改进，

N_视频＝N_路段+N_视频驶入-N_视频驶出

N_微波＝N_路段+N_微波驶入-N_微波驶出

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，N_路段为上个采样周期内该路段的所有车辆数，α₁、α₂为权值，M_路段为上个采样周期内该路段的所有自动驾驶车辆数，λ₁、λ₂、λ₃为权值。

作为本发明的进一步改进，权值α₁、α₂的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

式中，

作为本发明的进一步改进，权值λ₁、λ₂、λ₃的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

式中，

作为本发明的进一步改进，当前路段自动驾驶车辆的混入率φ为：

作为本发明的进一步改进，基于混合交通流模型所设计的输入矩阵的总数量N_输入矩阵为：

作为本发明的进一步改进，所述控制矩阵的确定方法，包括：

筛选满足所有自动驾驶车辆混入率情况下的输入矩阵以及对应控制器的位置；

判断是否存在相同数量的控制器；

若存在，则选取布设位置最佳的输入矩阵作为控制矩阵；

若不存在，则选取数量最少的输入矩阵作为控制矩阵。

本发明还公开了一种智能网联环境下道路风险预警控制器优化布设***，用于实现上述智能网联环境下道路风险预警控制器优化布设方法。

与现有技术相比，本发明的有益效果为：

本发明可实现道路风险预警控制器的优化布设，保证在复杂的混合交通流场景下，路网***安全高效运行，以及在高风险时及时的发出控制指令，对网联自动驾驶车辆进行直接控制，对人工驾驶车辆进行诱导控制，最大成度降低道路的安全风险。

附图说明

图1为本发明一种实施例公开的交通网络元胞分割示意图；

图2为本发明一种实施例公开的路段车辆信息采集示意图；

图3为本发明一种实施例公开的智能网联环境下道路风险预警控制器优化布设方法的流程图。

图中：

1、门架；2、视频检测器；3、网联自动驾驶车辆检测器；4、微波检测器；5、边缘计算单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

下面结合附图对本发明做进一步的详细描述：

针对智能网联环境下自动驾驶车辆和人工驾驶车辆混行场景下出现的安全风险，需在路网合适位置布设风险预警控制器，保证路网***安全高效的运行，降低混合交通运行风险；为此，本发明提供一种智能网联环境下道路风险预警控制器优化布设方法及***，其将路网看作一个复杂的交通网络***，并建模为一个混合交通流模型，采用***可控性理论，进行控制器的优化布设，保证在满足***可控性的前提下布设位置最佳、数量最少的控制器，以实现混合交通流安全风险的预警防控。

由于混合交通流场景下的自动驾驶车辆均具备智能网联功能，可以实现车车之间(基于V2V)、车辆与控制中心之间(基于V2I)的实时通信，将车辆的位置、速度、加速度等信息进行传递；人工驾驶车辆均不具备智能网联功能，车辆的位置和数的等信息只能通过路侧的传感器进行检测获取；由于自动驾驶车辆的混入，导致了交通流传输规律的变化，且随着自动驾驶车辆混入率的不同，混合交通流的基本参数也会随之改变。

为此，本发明在对风险预警控制器布设前，需先实现对混合交通流建模，其包括：

步骤11、对路网进行元胞划分：

按照路网中入口匝道、出口匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，将路网分割为n个路段(n为大于1的正整数)，每个路段称一个元胞，并将划分好的元胞依次标定序号，便于***可控性研究，如图1所示；

步骤12、混合交通流建模：

以元胞的交通流密度作为状态变量，对于不同自动驾驶车辆混入率的情况，建立包含n个元胞的混合交通流模型：

x(t+1)＝A_σ(t)x(t)+B_σ(t)u(t)+F_σ(t)

式中，x＝[x₁,…,x_n]^T表示路网的交通流密度向量，u＝[u₁,…,u_k]^T表示路网的交通需求，n为元胞个数，k对应于布设有控制器的元胞个数，t为采样周期，实际使用中可优选为5min；A_σ(t)表示在不同混入率不同元胞组合模态对于的***矩阵，不同自动驾驶车辆的混入率对应的***矩阵不同；B_σ(t)表示在不同混入率不同元胞组合模态对于的输入矩阵或控制矩阵，针对不同的自动驾驶车辆混入率(即不同的***矩阵)，需要设计相应的控制矩阵满足***可控；F_σ(t)表示仿射向量。

如图3所示，在完成上述混合交通流建模后，本发明智能网联环境下道路风险预警控制器优化布设方法，包括：

步骤21、获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率；

混入率的具体计算方法包括：

步骤211、构建如图2所示的自动驾驶车辆混入率计算***；其中，

在每个路段上下游边界设置门架1或其他安装架，在每个路段的上游边界和下游边界的门架1上均安装有视频检测器2和/或网联自动驾驶车辆检测器3，即，基于上游视频检测器采集驶入该路段的所有车辆数，基于下游视频检测器采集驶出该路段的所有车辆数，基于上游网联自动驾驶车辆检测器采集驶入该路段的所有自动驾驶车辆数，基于下游网联自动驾驶车辆检测器采集驶出该路段的所有自动驾驶车辆数；同时，也可选择在每个路段的上游边界和下游边界处均安装有微波检测器4，即，基于上游微波检测器采集驶入该路段的所有车辆数，基于下游微波检测器采集驶出该路段的所有车辆数；在每个路段上布设一个边缘计算单元5，路段边缘计算单元5一方面可与视频检测器2和微波检测器4实时通信，获取视频检测器2和微波检测器4采集的车辆信息，并基于内嵌的车辆融合算法计算当前路段的所有车辆数；另一方面，可与网联自动驾驶车辆检测器3实时通信，获取网联自动驾驶车辆检测器3采集的车辆信息；还可与网联自动驾驶车辆基于V2I实时通信，获取其速度、位置、加速度和行驶方向等信息；同时网联自动驾驶车辆之间也可基于V2V进行实时的通信，互传车辆的位置、速度、加速度和行驶方向等信息，并将此信息传输到路段边缘计算单元；路段边缘计算单元5基于内嵌的网联自动驾驶车辆融合算法计算当前路段的网联自动驾驶车辆数。

同时，本发明还可按照道路和路段进行两级划分，建立分布式逻辑控制架构；其中，一条高速公路设置一个道路控制中心和若干个路段边缘计算单元，路段边缘计算单元对行驶在管辖区域每个元胞的所有车辆进行统计分析，并与网联自动驾驶车辆进行实时的信息传输，相邻的路段边缘计算单元实时进行信息传输，并同步将信息上传至道路控制中心。

步骤212、基于视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出，并计算该路段的车辆数N_视频；和/或，基于微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出，并计算该路段的车辆数N_微波；其中，

N_视频＝N_路段+N_视频驶入-N_视频驶出

N_微波＝N_路段+N_微波驶入-N_微波驶出

式中，N_路段为上个采样周期内该路段的所有车辆数；

步骤213、将N_视频中N_微波中的一种或多种结果融合后得到的

作为该路段的车辆总数量N；其中，

式中，α₁、α₂为权值；

进一步，本发明上述融合处理的设计原理以及权值α₁、α₂的确定方法为：

正常情况下视频检测器具有较高的检查精度，但是严重的雾霾天气等恶劣气象会对视频检测器的精度产生影响，而微波检测器受天气能见度影响较小；因此，为了最大程度降低受天气对检查结果的影响，采用融合算法对车辆数进行计算；

假设视频检测值和微波检测值的权值分别为α₁和α₂，因此可以计算出一个权值组合对{α₁，α₂}，则路段内的车辆数的加权求和结果为：

分别计算视频检测结果N_视频和微波检测结果N_微波与

的差值，即：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

根据得出的权值α₁和α₂，计算路段内的所有车辆数

步骤214、基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并计算该路段内的自动驾驶车辆数M₁；和/或，基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，并计算该路段内的自动驾驶车辆数M₂；和/或，基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并计算该路段内的自动驾驶车辆数M₃；其中，

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，M_路段为上个采样周期内该路段的所有自动驾驶车辆数；

步骤215、将M₁、M₂和M₃中的一种或多种结果融合后得到的

作为该路段的自动驾驶车辆数量M；其中，

式中，λ₁、λ₂、λ₃为权值；

进一步，λ₁、λ₂、λ₃的确定方法包括：

假设以上三种方法获得的当前路段内的网联自动驾驶车辆数的权值分别为λ₁、λ₂和λ₃，因此可以计算出一个权值组合对{λ₁，λ₂，λ₃}，则路段内的网联自动驾驶车辆数的加权求和结果为：

分别计算三种识别结果M₁、M₂和M₃与

的差值，即：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

根据得出的权值λ₁、λ₂和λ₃，计算当前路段内的网联自动驾驶车辆数

进一步，本发明还可将λ₁、λ₂和λ₃中其中一个权值取0，实现M₁、M₂和M₃中任意2种结果的融合，并将此融合结果最为最终的自动驾驶车辆数量M。

步骤216、基于该路段的车辆总数量和自动驾驶车辆数量，计算当前路段自动驾驶车辆的混入率φ为：

步骤22、基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的***矩阵集合A：

A＝{A₁,A₂,…,A_m}

式中，A_m为第m种自动驾驶车辆混入率的***矩阵，***矩阵为n×n；m可根据需求合理取值，一种实施例为m取10，即混入率依次为10％、20％、···、100％。

步骤23、基于混合交通流模型，设计输入矩阵B_i，输入矩阵为n×k，1≤k≤n：

即，在第i个元胞布设控制器，相应的控制矩阵对应元素为1；否则，对应的元素为0；

最终获得的输入矩阵的总数量N_输入矩阵为：

步骤24、对于第m种自动驾驶车辆混入率的对应的***矩阵A_m，利用***可控性秩判据，计算Rank(A_m,B_i)的值是否为n；

(1)若Rank(A_m,B_i)＝n，则说明此输入矩阵满足***可控，最终保留所有满足***可控的输入矩阵B_i；

(2)若Rank(A_m,B_i)＜n，则说明此输入矩阵不满足***可控，删除所有不满足***可控的输入矩阵B_i。

步骤25、筛选满足所有自动驾驶车辆混入率情况下的输入矩阵，并从筛选的输入矩阵中选择布设位置最佳、数量最少的输入矩阵作为控制矩阵；

具体包括：

步骤251、筛选满足所有自动驾驶车辆混入率情况下的输入矩阵以及对应控制器的位置；

步骤252、判断是否存在相同数量的控制器；

步骤253、若存在，则选取布设位置最佳的输入矩阵作为控制矩阵；布设位置最佳是指位置分布相对均匀的输入矩阵；

步骤254、若不存在，则选取数量最少的输入矩阵作为控制矩阵。

步骤26、基于控制矩阵，进行控制器的布设，控制器主要实现在高风险时及时的发出控制指令，对网联自动驾驶车辆进行直接控制，对人工驾驶车辆进行诱导控制，最大成度降低道路的安全风险。

本发明提供一种智能网联环境下道路风险预警控制器优化布设***，可基于图2所示的***以及控制中心实现上述智能网联环境下道路风险预警控制器优化布设方法。

实施例：

选取4车道，最高限速120km/h，长度为3km的一段高速公路为例进行具体说明：

将所选路段平均分割为15个元胞，每个元胞长度200米，分析不同自动驾车车辆混入率情况下对应的***可控性。

(1)自动驾驶车辆混入率为0，即所有车辆全部为人工驾驶车辆，根据所建混合交通流模型，计算出对应的***矩阵如下：

基于输入矩阵的设计方法，可以得到输入矩阵集合B，进一步根据***可控性判据，可计算到的所有满足***可控性的输入矩阵B如下所示：

根据计算结果可得，至少要在元胞1和元胞15上布设控制器，即可以满足***是可控的，在其它元胞布设与否不影响***的可控性。

(2)自动驾驶车辆混入率分别为10％，20％，30％，40％，50％，60％，70％和80％，根据所建混合交通流模型，分别计算出对应的***矩阵如下：

基于输入矩阵的设计方法和***可控性判据，计算得到上述自动驾驶车辆混入率下，在满足***可控性的情况下，具有相同的输入矩阵B，且与自动驾驶车辆混入率为0的情况是一样的，矩阵B如下所示：

因此，在这些情况下至少要在元胞1和元胞15上布设控制器，即可以满足***是可控的，在其它元胞布设与否不影响***的可控性。

(3)自动驾驶车辆混入率为90％，计算出***矩阵如下：

基于输入矩阵的设计方法和***可控性判据，计算得到满足***可控下的输入矩阵B如下所示：

因此，在此情况下至少要在元胞1、元胞14和元胞15上布设控制器，即可满足***是可控的，在其它元胞布设与否不影响***的可控性。

(4)自动驾驶车辆混入率为100％，即所有车辆均为自动驾驶车辆，计算出***矩阵如下：

基于输入矩阵的设计方法和***可控性判据，计算得到满足***可控下的输入矩阵B如下所示：

因此，在此情况下至少要在元胞1、元胞13、元胞14和元胞15上布设控制器，即可满足***是可控的，在其它元胞布设与否不影响***的可控性。

综上所述，为了满足在所有混入率下都使得***是可控的，即所布设的控制器能满足在不同混入率下都能控制整个***，结合上述计算分析结果，至少在在元胞1、元胞13、元胞14和元胞15布设控制器即可。

以上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 (9)

1.一种智能网联环境下道路风险预警控制器优化布设方法，其特征在于，包括：

将路网分割成n个路段，每个路段称一个元胞，并将划分好的元胞依次标定序号；

以元胞的交通流密度作为状态变量，建立包含n个元胞的混合交通流模型：

x(t+1)＝A_σ(t)x(t)+B_σ(t)u(t)+F_σ(t)

式中，x＝[x₁,…,x_n]^T表示路网的交通流密度向量，u＝[u₁,…,u_k]^T表示路网的交通需求，A表示***矩阵，B表示输入矩阵，F表示仿射向量；

获取每个路段内车辆总数量和自动驾驶车辆数量，并基于车辆总数量和自动驾驶车辆数量计算自动驾驶车辆的混入率；具体包括：基于视频检测器获取每个路段的驶入车辆数N_视频驶入和驶出车辆数N_视频驶出，并计算该路段的车辆数N_视频；基于微波检测器获取每个路段的驶入车辆数N_微波驶入和驶出车辆数N_微波驶出，并计算该路段的车辆数N_微波；将N_视频和N_微波融合后得到的

作为该路段的车辆总数量N；基于网联自动驾驶车辆检测器获取每个路段的驶入自动驾驶车辆数M_上游驶入和驶出自动驾驶车辆数M_下游驶出，并计算该路段内的自动驾驶车辆数M₁；基于边缘计算单元实时接收到的自动驾驶车辆的车辆信息，并计算该路段内的自动驾驶车辆数M₂；基于自动驾驶车辆之间的实时车辆信息传递，计算出当前路段内任一自动驾驶车辆附近且在当前路段范围内的自动驾驶车辆数，并计算该路段内的自动驾驶车辆数M₃；将M₁、M₂和M₃中的一种或多种结果融合后得到的

作为该路段的自动驾驶车辆数量M；基于该路段的车辆总数量N和自动驾驶车辆数量M，计算当前路段自动驾驶车辆的混入率；其中，

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值；在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值；

基于混合交通流模型和自动驾驶车辆的混入率，计算不同自动驾驶车辆混入率下的***矩阵集合A：

A＝{A₁,A₂,…,A_m}

式中，A_m为第m种自动驾驶车辆混入率的***矩阵，***矩阵为n×n；

基于混合交通流模型，设计输入矩阵B_i，输入矩阵为n×k，1≤k≤n：

利用***可控性秩判据，计算Rank(A_m,B_i)的值是否为n；若是，则保留输入矩阵B_i，若不是，则删除输入矩阵B_i；

筛选满足所有自动驾驶车辆混入率情况下的输入矩阵，并从筛选的输入矩阵中选择布设位置最佳、数量最少的输入矩阵作为控制矩阵；

基于所述控制矩阵，进行控制器的布设。

2.如权利要求1所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，所述路网的分割方法，包括：

按照路网中入口匝道、出口匝道的数量和位置、车道数变化位置以及道路曲率半径发生变化的位置，将路网分割为n个路段。

3.如权利要求1所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，

N_视频＝N_路段+N_视频驶入-N_视频驶出

N_微波＝N_路段+N_微波驶入-N_微波驶出

M₁＝M_路段+M_上游驶入-M_下游驶出

式中，N_路段为上个采样周期内该路段的所有车辆数，α₁、α₂为权值，M_路段为上个采样周期内该路段的所有自动驾驶车辆数，λ₁、λ₂、λ₃为权值。

4.如权利要求3所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，权值α₁、α₂的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{α₁，α₂}作为最终的权值：

式中，

5.如权利要求3所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，权值λ₁、λ₂、λ₃的确定方法包括：

在每个采样周期内进行循环计算，求出标准差最小值对应的权值组合对{λ₁，λ₂，λ₃}作为最终的权值：

式中，

6.如权利要求3所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，当前路段自动驾驶车辆的混入率φ为：

7.如权利要求1所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，基于混合交通流模型所设计的输入矩阵的总数量N_输入矩阵为：

8.如权利要求1所述的智能网联环境下道路风险预警控制器优化布设方法，其特征在于，所述控制矩阵的确定方法，包括：

筛选满足所有自动驾驶车辆混入率情况下的输入矩阵以及对应控制器的位置；

判断是否存在相同数量的控制器；

若存在，则选取布设位置最佳的输入矩阵作为控制矩阵；

若不存在，则选取数量最少的输入矩阵作为控制矩阵。

9.一种智能网联环境下道路风险预警控制器优化布设***，其特征在于，用于实现如权利要求1～8中任一项所述的智能网联环境下道路风险预警控制器优化布设方法。

Images