CN115285148B - 自动驾驶车速规划方法、装置、电子设备和存储介质 - Google Patents
自动驾驶车速规划方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN115285148B CN115285148B CN202211066314.2A CN202211066314A CN115285148B CN 115285148 B CN115285148 B CN 115285148B CN 202211066314 A CN202211066314 A CN 202211066314A CN 115285148 B CN115285148 B CN 115285148B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- speed
- planning
- time
- real
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 77
- 238000005265 energy consumption Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims abstract description 20
- 230000003068 static effect Effects 0.000 claims abstract description 14
- 239000002245 particle Substances 0.000 claims description 29
- 238000005457 optimization Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 17
- 239000013307 optical fiber Substances 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000035484 reaction time Effects 0.000 claims description 4
- 238000006467 substitution reaction Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 239000000835 fiber Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012804 iterative process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/04—Traffic conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/02—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to ambient conditions
- B60W40/06—Road conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/105—Speed
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
- B60W60/0015—Planning or execution of driving tasks specially adapted for safety
- B60W60/0017—Planning or execution of driving tasks specially adapted for safety of other traffic participants
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2555/00—Input parameters relating to exterior conditions, not covered by groups B60W2552/00, B60W2554/00
- B60W2555/60—Traffic rules, e.g. speed limits or right of way
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/05—Big data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/10—Historical data
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2556/00—Input parameters relating to data
- B60W2556/45—External transmission of data to or from the vehicle
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Human Computer Interaction (AREA)
- Traffic Control Systems (AREA)
Abstract
本公开提供的自动驾驶车速规划方法、装置、电子设备和存储介质，包括：搭建包含设备端、边缘云端和云端的5G分级决策平台；利用设备端实时采集车辆当前所在路段的交通信息；利用边缘云端实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储设备端实时采集的车辆当前所在路段的交通信息；利用云端存储边缘云端获取的信息并该信息进行静态数据处理，得到车辆的全局规划车速；利用边缘云端基于设备端实时采集的车辆当前所在路段的交通信息，并以云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至设备端。本公开可在安全、效率和能耗三方面实现全局最优，且能够适用于多种出行场景。
Description
技术领域
本公开属于自动驾驶技术领域，特别涉及自动驾驶车速规划方法、装置、电子设备和存储介质。
背景技术
自动驾驶算法主要包括环境感知、驾驶决策和车辆控制。目前大多数自动驾驶技术都是将这三部分算法都在车辆上实现，这会造成以下问题：
1)单车成本非常高。由于感知和计算都在车端完成，使得车载传感器种类多，感知精度要求高，从而导致单车成本大幅增加；
2)感知盲区。车辆端的感知无法解决感知盲区的问题，例如丁字路口场景，即使在车辆端加装再多的传感器，车辆也无法感知丁字路口被遮挡区域的行人或者车辆。
3)交通流优化。单车自动驾驶只能保证自身行驶安全和高效，无法兼顾整条道路，甚至整个城市的交通流优化问题。
为了解决上述问题，网联式自动驾驶技术应运而生。网联式自动驾驶技术的核心之一，是用于实现自动驾驶算法的5G分级决策架构。
车速规划是自动驾驶车辆决策规划中的重要组成部分，目前大部分自动驾驶车速规划方法，均是根据车辆周边障碍物和道路限速信息进行决策规划，没有考虑全局交通状况和连续路段的局部交通信息，因此传统车速规划方法无法得到全局最优的结果，只能在确保安全的前提下确保不超速。
发明内容
本公开旨在至少解决现有技术中存在的技术问题之一。
为此，本公开第一方面实施例提供的可实现安全、时效和能效均最优的自动驾驶车速规划方法，包括：
搭建包含设备端、边缘云端和云端的5G分级决策平台，所述云端和所述边缘云端之间通过光纤网络连接，所述边缘云端和所述设备端之间通过5G网络无线连接；
利用所述设备端实时采集车辆当前所在路段的交通信息；
利用所述边缘云端实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储所述设备端实时采集的车辆当前所在路段的交通信息；
利用所述云端存储所述边缘云端获取的信息并该信息进行静态数据处理，得到车辆的全局规划车速；
利用所述边缘云端基于设备端实时采集的车辆当前所在路段的交通信息，并以所述云端设定的最大车速为约束，对所述车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至所述设备端。
在一些实施例中，所述云端进行的静态数据处理包括：
1)云端数据采集存储
存储所述边缘云端获取的实时信息，包括所述边缘云端实时采集的车辆的姿态信息和全局路径的道路拓扑数据，以及由所述边缘云端存储的由所述设备端实时采集的车辆当前所在路段的交通信息；
2)全局车速规划
所述云端将车辆的全局路径分为若干个路段，设车辆在每个路段上匀速行驶，并设定车辆在各路段上行驶的距离、时间、速度能耗和最大限速，以车辆在所有路段行驶的能耗与时长之和最小作为目标函数，以车辆在各路段上行驶的最大限速作为约束条件，构建优化问题，利用粒子群优化方法对该优化问题进行求解，得到车辆在各路段上的目标车速，作为全局规划车速。
在一些实施例中，所述车辆的姿态信息包括车辆的位置、速速和航向角，所述车辆当前所在路段的交通信息包括交通标志信息和车辆周边的交通参与者信息。
在一些实施例中，步骤2)全局车速规划具体包括：
21)优化问题构建
所述云端将车辆的全局路径分为n个路段，令车辆在每个路段上按匀速行驶，设si,ti,vi,ei,vimax分别为车辆在第i个路段上行驶的距离、时间、速度、能耗和最大限速，i＝1,2,…,n，其中，根据存储的车辆实时位置和车辆实时速度结合道路拓扑，提取出车辆在每段道路上的最大速度值，取车速分布的某个百分位点的车速值作为车辆在第i个路段上的最大限速vimax，则构建的优化问题的表达式为：
0≤vi≤vimax,vi*ti＝si
其中，J为设定的目标函数；k1,k2分别为能耗及时间的系数；E,T分别为车辆在全局路径的n个路段上行驶的总能耗和总时间；
22)优化问题求解
设置如下参数：
群体规模N，目标搜索空间n，
第q个粒子的位置Xq＝(xq1，xq2，…，xqn)T，Xq是一个n维向量，该向量中的第j维度代表车辆在第j个路段上行驶的速度，j∈[1，n]，
第q个粒子飞翔速度vq＝(vq1，vq2，…，vqn)T，vq中的各维度代表Xq搜索的方向和步长，
表示第q个粒子自身搜索到的最优解pq＝(pq1，pq2，…，pqn)T，
记第g个粒子为种群中最好的点，则当前种群中搜索到的最优解为pg＝(pg1，pg2，…，pgn)T；
对粒子进行迭代更新，直至迭代次数达到迭代上限或者相邻最优解的距离小于设定阈值时迭代结束，将迭代结束时得到的pg作为优化问题的最终解，粒子更新公式如下：
1≤q≤N，1≤d≤n
其中，d表示粒子的第d维，k表示迭代次数，c1，c2分别为个体学习因子和群体学习因子，r1d，r2d为[0，1]之间的相互独立的随机数。
在一些实施例中，所述边缘云端按照如下步骤得到所述车辆的实时规划车速：
所述边缘云端根据实时前方道路参与者信息和交通标志信息，以所述云端设定的车辆在各路段上的最大限速Vimax为约束，并基于规则对云端得到的全局规划车速进行动态调整，得到所述实时规划车速；所述规则包括：
a、当前方没有车辆且前方X米范围内没有红绿灯时，车辆按照所述全局规划车速行驶；
b、如果前方没有车辆且前方X米范围内有红绿灯时，采用绿波车速引导方法对所述全局规划车速进行调整得到实时规划车速；
c、如果前方有车辆且相邻车道前方没有车辆，当满足换道条件时进行换道，转化为规则a或规则b；
d、如果前方有车辆，自车速度高于前车且不满足换道条件时，采用ACC方法对所述全局规划车速进行调整，得到实时规划车速。
在一些实施例中，采用绿波车速引导方法对全局规划车速进行调整得到实时规划车速的具体步骤如下：
设车辆距离红绿灯x米，车辆的当前车速为v0，车辆的最小限制车速和最大限速分别为vmin、vimax，实时规划车速为vExp，进行如下判定：
i、如果车辆在当前车速v0下可以绿灯通行时，且v0≥vmin，则令vExp＝v0；
ii、如果车辆在当前车速v0下不能绿灯通行时，则增大车速进行搜索，使得以车速行驶时，车辆可以绿灯通行，其中s为搜索步长，/>为搜索次数，/>如果存在K1，并且满足v0+K1*s≤vimax，则认为存在绿波引导车速，并令vExp＝v0+K1*s，否则转iii；
iii、减少车速，使得以车速行驶时，车辆可以绿灯通行，如果存在K2，并且满足v0-K2*s≥vmin，则认为存在绿波引导车速，并令vExp＝v0-K2*s；否则转iv：
iv、令车辆以vExp＝v0行驶，并在红路灯前停车。
在一些实施例中，采用ACC方法对全局规划车速进行调整，得到实时规划车速的具体步骤如下：
设D为自车与前车车尾的距离，保证自车与前车不相撞时应满足：
L(vf)+τ*vf＜L(vl)+D
其中，vf为自车速度，vl为前车速度，L(vf)为车速vf时自车所需的减速距离，L(vl)为车速vl时前车所需的减速距离，τ为前车刹车时自车司机的反应时间；
利用函数处的Taylor展开近似替代函数L(v)，并且忽略高阶项，带入上式，整理得到：
其中，b为自车的最大减速度；
令取vf＝min{全局规划车速，vsafe}，将vf作为实时规划车速。
本公开第一方面实施例提供的自动驾驶车速规划方法，具有以下特点及有益效果：
本公开为了得到全局最优结果(在安全，效率和能耗等三方面全局最优)，基于5G分级决策架构，在云端考虑历史大数据等静态信息，在边缘云端处理局部路段交通信息和车辆周边障碍物信息等动态信息，最终得到全局最优的车速规划结果。本公开方法具有降低自动驾驶车辆单车成本、提高自动驾驶安全性、在确保安全的同时能耗最优的优点，且适用场景多。
本公开第二方面实施例提供的自动驾驶车速规划装置，包括：
设备端，用于实时采集车辆当前所在路段的交通信息；
边缘云端，与所述设备端通过光纤网络连接，用于实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储所述设备端实时采集的车辆当前所在路段的交通信息；和
云端，与所述边缘云端通过5G网络无线连接，用于存储所述边缘云端获取的信息并对该信息进行静态数据处理，得到车辆的全局规划车速，将该全局规划车速下发至所述边缘云端，所述边缘端基于所述设备端实时采集的车辆当前所在路段的交通信息，并以所述云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至所述设备端。
本公开第三方面实施例提供的电子设备，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行本公开第一方面任一实施例所述的自动驾驶车速规划方法。
本公开第四方面实施例提供的计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本公开第一方面任一实施例所述的自动驾驶车速规划方法。
附图说明
图1为本公开第一方面实施例提供的自动驾驶车速规划方法的框图。
图2为本公开第一方面实施例提供的自动驾驶车速规划方法中搭建的5G分级决策平台的结构框图。
图3为本公开第一方面实施例提供的自动驾驶车速规划方法的应用实例。
图4为本公开第三方面实施例提供的电子设备的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细描述。应当理解，此处所描述的具体实施例仅仅用于解释本申请，并不用于限定本申请。
相反，本申请涵盖任何由权利要求定义的在本申请精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本申请有更好的了解，在下文对本申请的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本申请。
参见图1，本公开第一方面实施例提供的自动驾驶车速规划方法，包括：
搭建包含设备端、边缘云端和云端的5G分级决策平台，云端和边缘云端之间通过光纤网络连接，边缘云端和设备端之间通过5G网络无线连接；
利用设备端实时采集车辆当前所在路段的交通信息；
利用边缘云端实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储设备端实时采集的车辆当前所在路段的交通信息；
利用云端存储边缘云端获取的信息并该信息进行静态数据处理，得到车辆的全局规划车速；
利用边缘云端基于设备端实时采集的车辆当前所在路段的交通信息，并以云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至设备端。
在一些实施例中，参见图2，用于实现本公开自动驾驶车速规划方法的5G分级决策平台，包括云端、边缘云端和设备端三部分。将自动驾驶车速规划方法的三个主要组成部分，即感知、决策规划以及控制，按要求分布在云端-边缘云端-设备端三部分，这三部分之间通过5G通讯，保证本公开自动驾驶车速规划方法实现的实时性。其中，云端主要进行静态数据处理，边缘云端主要进行实时动态数据处理以实现实时车速规划，设备端主要进行对边缘云端下发的实时规划车速的响应。
在一些实施例中，云端指的是互联网，在5G分级决策平台中位于核心网。由于互联网中应用众多，同时物理距离很远，因此其与车辆的通讯时延较大，通常在秒级，适合部署大数据分析类的方法。因此对于本公开的自动驾驶车速规划方法来说，将对通信时延要求不高的静态数据处理以实现全局车速规划的部分部署于云端。
在一些实施例中，参见图1，在云端进行的静态数据处理过程如下：
1)云端数据采集存储
存储边缘云端获取的实时信息，包括边缘云端实时采集的车辆的姿态信息和全局路径的道路拓扑数据，以及由边缘云端存储的由设备端实时采集的车辆当前所在路段的交通信息。车辆的姿态信息包括车辆的位置(如车辆的经纬度)、速速和航向角。车辆当前所在路段的交通信息包括交通标志信息和车辆周边的交通参与者信息；交通标志信息包括交通灯类型及剩余秒数、限速、施工、禁行等等，交通参与者信息包括交通参与者的类型、长宽高、速度、位置、运动方向和运动速度等；
2)全局车速规划
云端将车辆的全局路径分为若干个路段，设车辆在每个路段上匀速行驶，并设定车辆在各路段上行驶的距离、时间、速度能耗和最大限速，以车辆在所有路段行驶的能耗与时长之和最小作为目标函数，以车辆在各路段上行驶的最大限速作为约束条件，构建优化问题，利用粒子群优化方法对该优化问题进行求解，得到车辆在各路段上的目标车速，作为全局规划车速。本步骤的具体实现过程如下：
21)优化问题构建
云端将车辆的全局路径分为n个路段，令车辆在每个路段上按匀速行驶，加减速忽略，设si，ti，vi，ei，vimax分别为车辆在第i个路段上行驶的距离、时间、速度、能耗和最大限速，i＝1，2，…，n，其中，根据存储的车辆实时位置和车辆实时速度结合道路拓扑，提取出车辆在每段道路上的最大速度值，一般取车速分布(该车速分布是根据车辆实时的经纬度坐标数据与某一路段的经纬度数据，进行两者的距离计算，当距离小于设定阈值时，认为此时的车速属于该某一路段，然后对所有路段分别统计得到)的某个百分位点(推荐95％分为点)的车速值作为车辆在第i个路段上的最大限速vimax，则构建的优化问题的表达式为：
U≤vi≤vimax，vi*ti＝si
其中，J为设定的目标函数；k1，k2分别为能耗及时间的系数；E，T分别为车辆在全局路径的n个路段上行驶的总能耗和总时间。
进一步地，车辆在第i个路段上行驶的能耗ei可以根据车辆能耗模型确定，以下分别给出电动车和燃油车的能耗模型。
对于电动车，t时刻在第i个路段上行驶的能耗ei按照下式计算：
式中，Ti为t时刻在第i个路段上行驶的车辆扭矩(牛·米)，Ni为t时刻在第i个路段上行驶的车辆转速(rpm/min)，μ1i为t时刻在第i个路段上行驶时电机的工作效率，μ2i为t时刻在第i个路段上行驶时电池的工作效率。
对于燃油车，t时刻在第i个路段上行驶的能耗ei按照下式计算：
式中，μ为t时刻在第i个路段上行驶时引擎的效率(g/kw.h)，ρ为汽油密度(一般取0.75g/mL)。
22)优化问题求解
对于上述优化问题，云端使用粒子群优化方法(Particle Swarm Optimization，PSO)进行求解，它是近年来由J.Kennedy和R.C.Eberhart等开发的一种进化算法。粒子群优化方法是从随机解出发，通过迭代寻找最优解，通过适应度来评价解的品质，并通过追随当前搜索到的最优值来寻找全局最优，粒子群优化方法具有实现容易、精度高、收敛快的优点。利用粒子群优化方法对步骤21)构建的优化问题进行求解的具体步骤如下：
设置如下参数：
群体规模为N，目标搜索空间为n；
Xq＝(xq1，xq2，…，xqn)T表示第q个粒子的位置，q∈[1，N]，Xq是一个n维向量(该向量对应n个路段的车辆行驶速度)，该向量中的第j维度代表车辆在第j个路段上行驶的速度，j∈[1，n]；
vq＝(vq1，vq2，…，vqn)T表示第q个粒子飞翔速度，vq中的各维度代表Xq搜索的方向和步长；
pq＝(pq1，pq2，…，pqn)T表示第q个粒子自身搜索到的最优解，即第q个粒子在迭代k次时的最优解，表征每个路段的车速；
记第g个粒子为种群中最好的点，则pg＝(pg1，pg2，…，pgn)T为当前种群中搜索到的最优解；
对粒子进行迭代更新，直至迭代次数达到迭代上限或者相邻最优解的距离小于设定阈值时迭代结束，将迭代结束时得到的pg作为优化问题的最终解，其中，粒子更新公式如下：
1≤q≤N，1≤d≤n
其中，d表示粒子的第d维，k表示迭代次数，c1，c2分别为个体学习因子和群体学习因子，取值[0，4]之间，r1d，r2d为[0，1]之间的相互独立的随机数。
在一些实施例中，边缘云端是构筑在边缘基础设施(包括多接入边缘计算(Multi-access Edge Computing，MEC)服务器和光纤网络)之上的云计算平台，在5G分级决策平台中，边缘云端与5G基站的物理距离很近(在100公里范围内)，且通过光纤直连，由此可确保低通信时延。对于本公开的自动驾驶车速规划方法来说，将对通信时延要求较高的实时动态数据处理以实现实时车速规划的部分部署于边缘云端。
在一些实施例中，参见图1，在边缘云端进行的实时动态处理过程如下：
1)边缘云端数据采集存储
实时采集车辆的姿态信息和道路拓扑信息，并实时接收设备端实时采集的车辆当前所在路段的交通信息。
2)实时车速规划
边缘云端根据实时前方道路参与者信息和交通标志信息，以云端设定的车辆在各路段上的最大限速Vimax为约束，并基于规则对云端得到的全局规划车速进行动态调整，得到实时规划车速。所述规则包括：
a、当前方没有车辆(本方法不考虑后方有车辆的情况)且前方X米范围内没有红绿灯时，车辆按照云端得到的全局规划车速行驶；
b、如果前方没有车辆且前方X米范围内有红绿灯时，采用绿波车速引导方法对全局规划车速进行调整得到实时规划车速；
c、如果前方有车辆且相邻车道前方没有车辆，当满足换道条件时进行换道，转化为规则a或规则b；
d、如果前方有车辆，自车速度高于前车且不满足换道条件时，采用ACC(AdaptiveCruise Control，自适应巡航)方法对全局规划车速进行调整，得到实时规划车速。
进一步地，采用绿波车速引导方法对全局规划车速进行调整得到实时规划车速的具体步骤如下：
设车辆距离红绿灯x米，车辆的当前车速(即云端得到的全局规划车速)为v0，车辆的最小限制车速和最大限速分别为vmin(vmin一般取道路限速值)、vimax，实时规划车速为vExp。进行如下判定：
i、如果车辆在当前车速v0下可以绿灯通行时，且v0≥vmin，则令vExp＝v0；
ii、如果车辆在当前车速v0下不能绿灯通行时，则增大车速进行搜索，使得以车速行驶时，车辆可以绿灯通行。其中s为搜索步长，s一般取1km/h，/>为搜索次数，如果存在K1，并且满足v0+K1*s≤vimax，则认为存在绿波引导车速，并令vExp＝v0+K1*s，否则转iii；
iii、减少车速，使得以车速行驶时，车辆可以绿灯通行，其中s为搜索步长，/>如果存在K2，并且满足v0-K2*s≥vmin，则认为存在绿波引导车速，并令vExp＝v0-K2*s；否则转iv；
iv、令车辆以vExp＝v0行驶，并在红路灯前停车。
进一步地，采用ACC方法对全局规划车速进行调整，得到实时规划车速的具体步骤如下：
假设D为自车与前车车尾的距离，要想保证自车与前车不相撞，需要满足：
自车的减速距离+司机反应时间行驶的距离＜前车的减速距离+车辆间隔距离，即
L(vf)+τ*vf＜L(vl)+D
其中，vf为自车速度，vl为前车速度，L(vf)为车速vf时自车所需的减速距离，L(vl)为车速vl时前车所需的减速距离，τ为前车刹车时自车司机的反应时间。
利用函数L(v)在处的Taylor展开近似替代函数L(v)，并且忽略高阶项，带入上式，整理得到：
其中，b为自车的最大减速度；
令取vf＝min{全局规划车速，vsafe}，将vf作为实时规划车速。
在边缘云端上进行的实时车速规划，是在全局车速规划的基础上，基于前方交通信息对全局规划车速进行动态调整，同时要满足云端道路限速阈值的要求，有利于提高车辆的通行效率。
在一些实施例中，设备端包括智能车辆及搭载于车辆上的定位设备和智能驾驶控制器等，设备端用于采集车辆的实时数据及实现目标车速(即边缘云端得到的实时规划车速)跟随，可选地，设备端采用PID算法进行目标车速跟随。
在一些实施例中，当5G分级决策平台的规模较小时，云端和边缘云端可合并。
本公开第一方面实施例提供的自动驾驶车速规划方法，具有以下特点及有益效果：
1)有效降低自动驾驶车辆的单车成本；
2)提升整体交通效率，通过5G分级决策平台，使得云端可以整体考虑所有自动驾驶车辆行驶的交通流问题，为提升整体交通效率，提供了基础；
3)节能减排，全局车速规划及绿波车速引导，除了考虑通行效率外，兼顾考虑车辆能耗，更多采用节能车速行驶；
4)提升安全，借助路侧设备采集的行人位置、障碍物信息，能够更好的辅助车辆减速，增加安全性；
5)适用场景多，能够在公交、出租、物流、私家车等出行场景中广泛使用。
本公开实施例提供的自动驾驶车速规划方法，结合附图及具体实施例详细说明如下：
如图3所示，在某测试场，进行了5G分级决策自动驾驶车速规划的场景实现。场地道路为长方形，一圈976米。全场地实现5G独立组网网络全覆盖。在各路口安装了路侧设备，实现路口区域的高精度识别和感知，并通过光纤与边缘云端连接，实现感知数据的传输。车辆采用了毫米波雷达和摄像头作为传感器，同时安装了高精度定位模块，以及5G通讯模块，以实现5G无线通讯。分别部署了云端和边缘云端的服务器，之间用光纤网络连接。按照下述部署，最终在该测试场实现了以下边缘云端的车速规划场景。
1、云端：部署了全局速度规划方法，能够采集并存储测试场内所有车辆数据，路侧数据，并能够为车辆提供全局车速规划服务。
2、边缘云：部署了路侧数据实时采集设备，能够采集所有周围实时车辆数据、实时红绿灯数据，和部署实时车速规划算法，为自动驾驶车辆提供实时车速规划。
3、设备端：部署了简化版的车载数据感知，车载决策规划，以及车辆控制。
车辆在地图上的起点、终点和路径在图3中已标记出来，车辆从南边丁字路口左边出发，沿着马路顺时针绕行一周，并且经过北边丁字路口东西方向的红绿灯。
云端对车辆行驶的道路进行划分，一般由道路的路口数量及长度决定路段数n，本实施例中，路口之间没有断开的道路，一般每500米分为一段，不足500米，因此不划分路段，并且基于历史采集的所有车辆的位置及车速情况，计算出每个路段上的速度分布，取95％分位数，并且向下取整到10位数，即最大速度的取值在10km/h，20km/h，30km/h，…80km/h这些整数范围内。
云端通过上述全局车速规划方法计算出车辆在每个路段上的全局规划车速，下发到边缘端，边缘端限制车辆在每个路段上的最大目标车速。
当车辆在行驶过程中如果遇到前方有车，如果允许换道优先采用换道，否则采用ACC进行跟车。
特别的当车辆行驶到丁字路口红绿灯前200米时，采用实时车速规划方法--绿波车速引导方法，计算实时规划车速，并下发到车端，车辆跟随实时规划车速。
本公开第二方面实施例提供的自动驾驶车速规划装置，包括：
设备端，用于实时采集车辆当前所在路段的交通信息；
边缘云端，与设备端通过光纤网络连接，用于实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储设备端实时采集的车辆当前所在路段的交通信息；和
云端，与边缘云端通过5G网络无线连接，用于存储边缘云端获取的信息并对该信息进行静态数据处理，得到车辆的全局规划车速，将该全局规划车速下发至边缘云端，边缘端基于设备端实时采集的车辆当前所在路段的交通信息，并以云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至设备端。
为了实现上述实施例，本公开实施例还提出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，用于执行上述实施例的自动驾驶车速规划方法。
下面参考图4，其示出了适于用来实现本公开实施例的电子设备的结构示意图。其中，需要说明的是，本公开实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机、服务器等等的固定终端。图4示出的电子设备仅仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图4所示，电子设备可以包括处理装置(例如中央处理器、图形处理器等)101，其可以根据存储在只读存储器(ROM)102中的程序或者从存储装置108加载到随机访问存储器(RAM)103中的程序而执行各种适当的动作和处理。在RAM 103中，还存储有电子设备操作所需的各种程序和数据。处理装置101、ROM 102以及RAM 103通过总线104彼此相连。输入/输出(I/O)接口105也连接至总线104。
通常，以下装置可以连接至I/O接口105：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风等的输入装置106；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置107；包括例如磁带、硬盘等的存储装置108；以及通信装置109。通信装置109可以允许电子设备与其他设备进行无线或有线通信以交换数据。虽然图4示出了具有各种装置的电子设备，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图中所示方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置109从网络上被下载和安装，或者从存储装置108被安装，或者从ROM 102被安装。在该计算机程序被处理装置101执行时，执行本公开实施例的方法中限定的上述功能。
需要说明的是，本公开上述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。
上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：利用设备端实时采集车辆当前所在路段的交通信息；利用边缘云端实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储设备端实时采集的车辆当前所在路段的交通信息；利用云端存储边缘云端获取的信息并该信息进行静态数据处理，得到车辆的全局规划车速；利用边缘云端基于设备端实时采集的车辆当前所在路段的交通信息，并以云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至设备端。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、python，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行***、装置或设备(如基于计算机的***、包括处理器的***或其他可以从指令执行***、装置或设备取指令并执行指令的***)使用，或结合这些指令执行***、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行***、装置或设备或结合这些指令执行***、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行***执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤，可以通过程序来指令相关的硬件完成，所开发的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (9)
1.一种自动驾驶车速规划方法，其特征在于，包括：
搭建包含设备端、边缘云端和云端的5G分级决策平台，所述云端和所述边缘云端之间通过光纤网络连接，所述边缘云端和所述设备端之间通过5G网络无线连接；
利用所述设备端实时采集车辆当前所在路段的交通信息；
利用所述边缘云端实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储所述设备端实时采集的车辆当前所在路段的交通信息；
利用所述云端存储所述边缘云端获取的信息并该信息进行静态数据处理，得到车辆的全局规划车速；
利用所述边缘云端基于设备端实时采集的车辆当前所在路段的交通信息，并以所述云端设定的最大车速为约束，对所述车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至所述设备端；
所述云端进行的静态数据处理包括：
1)云端数据采集存储
存储所述边缘云端获取的实时信息，包括所述边缘云端实时采集的车辆的姿态信息和全局路径的道路拓扑数据，以及由所述边缘云端存储的由所述设备端实时采集的车辆当前所在路段的交通信息；
2)全局车速规划
所述云端将车辆的全局路径分为若干个路段，设车辆在每个路段上匀速行驶，并设定车辆在各路段上行驶的距离、时间、速度能耗和最大限速，以车辆在所有路段行驶的能耗与时长之和最小作为目标函数，以车辆在各路段上行驶的最大限速作为约束条件，构建优化问题，利用粒子群优化方法对该优化问题进行求解，得到车辆在各路段上的目标车速，作为全局规划车速。
2.根据权利要求1所述的自动驾驶车速规划方法，其特征在于，所述车辆的姿态信息包括车辆的位置、速速和航向角，所述车辆当前所在路段的交通信息包括交通标志信息和车辆周边的交通参与者信息。
3.根据权利要求1所述的自动驾驶车速规划方法，其特征在于，步骤2)全局车速规划具体包括：
21)优化问题构建
所述云端将车辆的全局路径分为n个路段，令车辆在每个路段上按匀速行驶，设si,ti,vi,ei,vimax分别为车辆在第i个路段上行驶的距离、时间、速度、能耗和最大限速，i＝1,2,…,n，其中，根据存储的车辆实时位置和车辆实时速度结合道路拓扑，提取出车辆在每段道路上的最大速度值，取车速分布的某个百分位点的车速值作为车辆在第i个路段上的最大限速vimax，则构建的优化问题的表达式为：
0≤vi≤vimax,vi*ti＝si
其中，J为设定的目标函数；k1,k2分别为能耗及时间的系数；E,T分别为车辆在全局路径的n个路段上行驶的总能耗和总时间；
22)优化问题求解
设置如下参数：
群体规模N，目标搜索空间n，
第q个粒子的位置Xq＝(xq1,xq2,…,xqn)T，Xq是一个n维向量，该向量中的第j维度代表车辆在第j个路段上行驶的速度，j∈[1,n]，
第q个粒子飞翔速度vq＝(vq1,vq2,…,vqn)T，vq中的各维度代表Xq搜索的方向和步长，
表示第q个粒子自身搜索到的最优解pq＝(pq1,pq2,…,pqn)T，
记第g个粒子为种群中最好的点，则当前种群中搜索到的最优解为pg＝(pg1,pg2,…,pgn)T；
对粒子进行迭代更新，直至迭代次数达到迭代上限或者相邻最优解的距离小于设定阈值时迭代结束，将迭代结束时得到的pg作为优化问题的最终解，粒子更新公式如下：
1≤q≤N,1≤d≤n
其中，d表示粒子的第d维，k表示迭代次数，c1,c2分别为个体学习因子和群体学习因子，r1d,r2d为[0,1]之间的相互独立的随机数。
4.根据权利要求1所述的自动驾驶车速规划方法，其特征在于，所述边缘云端按照如下步骤得到所述车辆的实时规划车速：
所述边缘云端根据实时前方道路参与者信息和交通标志信息，以所述云端设定的车辆在各路段上的最大限速Vimax为约束，并基于规则对云端得到的全局规划车速进行动态调整，得到所述实时规划车速；所述规则包括：
a、当前方没有车辆且前方X米范围内没有红绿灯时，车辆按照所述全局规划车速行驶；
b、如果前方没有车辆且前方X米范围内有红绿灯时，采用绿波车速引导方法对所述全局规划车速进行调整得到实时规划车速；
c、如果前方有车辆且相邻车道前方没有车辆，当满足换道条件时进行换道，转化为规则a或规则b；
d、如果前方有车辆，自车速度高于前车且不满足换道条件时，采用ACC方法对所述全局规划车速进行调整，得到实时规划车速。
5.根据权利要求4所述的自动驾驶车速规划方法，其特征在于，采用绿波车速引导方法对全局规划车速进行调整得到实时规划车速的具体步骤如下：
设车辆距离红绿灯x米，车辆的当前车速为v0，车辆的最小限制车速和最大限速分别为vmin、vimax，实时规划车速为vExp，进行如下判定：
i、如果车辆在当前车速v0下可以绿灯通行时，且v0≥vmin，则令vExp＝v0；
ii、如果车辆在当前车速v0下不能绿灯通行时，则增大车速进行搜索，使得以车速行驶时，车辆可以绿灯通行，其中s为搜索步长，/>为搜索次数，/>如果存在K1，并且满足v0+K1*s≤vimax，则认为存在绿波引导车速，并令vExp＝v0+K1*s，否则转iii；
iii、减少车速，使得以车速行驶时，车辆可以绿灯通行，如果存在K2，并且满足v0-K2*s≥vmin，则认为存在绿波引导车速，并令vExp＝v0-K2*s；否则转iv；
iv、令车辆以vExp＝V0行驶，并在红路灯前停车。
6.根据权利要求4所述的自动驾驶车速规划方法，其特征在于，采用ACC方法对全局规划车速进行调整，得到实时规划车速的具体步骤如下：
设D为自车与前车车尾的距离，保证自车与前车不相撞时应满足：
L(vf)+τ*vf<L(vl)+D
其中，vf为自车速度，vl为前车速度，L(vf)为车速vf时自车所需的减速距离，L(vl)为车速vl时前车所需的减速距离，τ为前车刹车时自车司机的反应时间；
利用函数L(v)在处的Taylor展开近似替代函数L(v)，并且忽略高阶项，带入上式，整理得到：
其中，b为自车的最大减速度；
令取vf＝min{全局规划车速，vsafe}，将vf作为实时规划车速。
7.一种基于权利要求1所述自动驾驶车速规划方法的自动驾驶车速规划装置，其特征在于，包括：
设备端，用于实时采集车辆当前所在路段的交通信息；
边缘云端，与所述设备端通过光纤网络连接，用于实时采集车辆的姿态信息和全局路径的道路拓扑信息并存储所述设备端实时采集的车辆当前所在路段的交通信息；和
云端，与所述边缘云端通过5G网络无线连接，用于存储所述边缘云端获取的信息并对该信息进行静态数据处理，得到车辆的全局规划车速，将该全局规划车速下发至所述边缘云端，所述边缘云端基于所述设备端实时采集的车辆当前所在路段的交通信息，并以所述云端设定的最大车速为约束，对车辆的全局规划车速进行动态调整，得到车辆的实时规划车速，将该实时规划车速下发至所述设备端。
8.一种电子设备，其特征在于，包括：
至少一个处理器，以及，与所述至少一个处理器通信连接的存储器；
其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被设置为用于执行权利要求1～6中任一项所述的自动驾驶车速规划方法。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行权利要求1～6中任一项所述的自动驾驶车速规划方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211066314.2A CN115285148B (zh) | 2022-09-01 | 2022-09-01 | 自动驾驶车速规划方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211066314.2A CN115285148B (zh) | 2022-09-01 | 2022-09-01 | 自动驾驶车速规划方法、装置、电子设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115285148A CN115285148A (zh) | 2022-11-04 |
| CN115285148B true CN115285148B (zh) | 2024-06-18 |
Family
ID=83832328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211066314.2A Active CN115285148B (zh) | 2022-09-01 | 2022-09-01 | 自动驾驶车速规划方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115285148B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117597637A (zh) * | 2022-11-28 | 2024-02-23 | 北京百度网讯科技有限公司 | 人工智能车辆操作*** |
| CN117496711A (zh) * | 2023-11-14 | 2024-02-02 | 南京智慧交通信息股份有限公司 | 一种基于5g的人车路一体化智慧交通***及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111367275A (zh) * | 2020-02-18 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种智能驾驶控制方法、装置、***及存储介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111699409B (zh) * | 2019-06-26 | 2024-04-30 | 深圳市大疆创新科技有限公司 | 毫米波雷达天气检测的方法、毫米波雷达和可移动平台 |
| CN112309122A (zh) * | 2020-11-19 | 2021-02-02 | 北京清研宏达信息科技有限公司 | 一种基于多***协同的智慧公交分级决策*** |
| CN112498366B (zh) * | 2020-11-20 | 2022-04-05 | 苏州智加科技有限公司 | 自动驾驶车辆、控制方法、装置、设备及存储介质 |
| CN114964292B (zh) * | 2022-05-30 | 2023-10-20 | 国汽智控(北京)科技有限公司 | 全局路径规划方法、装置、电子设备及存储介质 |
-
2022
- 2022-09-01 CN CN202211066314.2A patent/CN115285148B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111367275A (zh) * | 2020-02-18 | 2020-07-03 | 吉利汽车研究院（宁波）有限公司 | 一种智能驾驶控制方法、装置、***及存储介质 |
Non-Patent Citations (1)
| Title |
|---|
| 基于多影响因素RDMA~*算法的无人驾驶动态路径规划;许伦辉;曹宇超;林培群;;交通信息与安全;20200628(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115285148A (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| RU2762786C1 (ru) | Планирование траектории | |
| US11875681B2 (en) | Drive envelope determination | |
| CN110861650B (zh) | 车辆的路径规划方法、装置，车载设备和存储介质 | |
| CN115285148B (zh) | 自动驾驶车速规划方法、装置、电子设备和存储介质 | |
| CN110562258B (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
| CN110376594A (zh) | 一种基于拓扑图的智能导航的方法和*** | |
| CN111301390A (zh) | 基于传感器数据更新自动驾驶车辆的地图数据 | |
| CN108216229A (zh) | 交通工具、道路线检测和驾驶控制方法及装置 | |
| WO2021147748A1 (zh) | 一种自动驾驶方法及相关设备 | |
| CN113792566A (zh) | 一种激光点云的处理方法及相关设备 | |
| CN112512887B (zh) | 一种行驶决策选择方法以及装置 | |
| WO2022142839A1 (zh) | 一种图像处理方法、装置以及智能汽车 | |
| WO2022178858A1 (zh) | 一种车辆行驶意图预测方法、装置、终端及存储介质 | |
| US20230150549A1 (en) | Hybrid log simulated driving | |
| CN114792149A (zh) | 一种轨迹预测方法、装置及地图 | |
| US20230419830A1 (en) | Determining right of way | |
| WO2023123172A1 (zh) | 一种驾驶辅助的方法以及相关设备 | |
| CN113619604A (zh) | 自动驾驶汽车的集成式决控方法、装置及存储介质 | |
| CN116013101A (zh) | 一种基于网联环境的无信号路口速度建议***和方法 | |
| WO2023197409A1 (zh) | 速度控制模型的生成方法、车辆控制方法及装置 | |
| CN116225026A (zh) | 自动驾驶车辆操作方法、电子设备以及计算机可读介质 | |
| WO2022151839A1 (zh) | 一种车辆转弯路线规划方法及装置 | |
| US20220371612A1 (en) | Vehicle Guidance with Systemic Optimization | |
| Fu et al. | Unmanned driving technology in coal mine based on semantic information method | |
| US20230391358A1 (en) | Retrofit vehicle computing system to operate with multiple types of maps |
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 |