CN115497296B - 一种适用于自动驾驶汽车的交叉路口车辆通行管理*** - Google Patents
一种适用于自动驾驶汽车的交叉路口车辆通行管理*** Download PDFInfo
- Publication number
- CN115497296B CN115497296B CN202211181600.3A CN202211181600A CN115497296B CN 115497296 B CN115497296 B CN 115497296B CN 202211181600 A CN202211181600 A CN 202211181600A CN 115497296 B CN115497296 B CN 115497296B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- traffic
- vehicles
- intersection
- factor
- 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
- 238000011156 evaluation Methods 0.000 claims abstract description 26
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 10
- 208000024891 symptom Diseases 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 206010039203 Road traffic accident Diseases 0.000 claims description 8
- 210000002569 neuron Anatomy 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 claims description 7
- 206010053615 Thermal burn Diseases 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 208000004998 Abdominal Pain Diseases 0.000 claims description 4
- 206010008479 Chest Pain Diseases 0.000 claims description 4
- 206010037660 Pyrexia Diseases 0.000 claims description 4
- 230000001154 acute effect Effects 0.000 claims description 4
- 208000002173 dizziness Diseases 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 4
- 239000004576 sand Substances 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 230000035900 sweating Effects 0.000 claims description 4
- 230000008673 vomiting Effects 0.000 claims description 4
- 230000002349 favourable effect Effects 0.000 claims description 3
- 238000012502 risk assessment Methods 0.000 claims description 3
- 208000027418 Wounds and injury Diseases 0.000 claims description 2
- 230000000740 bleeding effect Effects 0.000 claims description 2
- 239000004568 cement Substances 0.000 claims description 2
- 230000006378 damage Effects 0.000 claims description 2
- 239000000428 dust Substances 0.000 claims description 2
- 238000007667 floating Methods 0.000 claims description 2
- 208000014674 injury Diseases 0.000 claims description 2
- 210000004916 vomit Anatomy 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000011217 control strategy Methods 0.000 description 4
- 230000001276 controlling effect Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001212 derivatisation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0108—Measuring and analyzing of parameters relative to traffic conditions based on the source of data
- G08G1/0116—Measuring and analyzing of parameters relative to traffic conditions based on the source of data from roadside infrastructure, e.g. beacons
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
- G08G1/0145—Measuring and analyzing of parameters relative to traffic conditions for specific applications for active traffic flow control
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/048—Detecting movement of traffic to be counted or controlled with provision for compensation of environmental or other condition, e.g. snow, vehicle stopped at detector
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种适用于自动驾驶汽车的交叉路口车辆通行管理***,针对无人类驾驶员驾驶的自动驾驶车辆,提出一种管理自动驾驶车辆通行顺序的交叉路口车辆通行管理***;该***包括乘客评估模块、车辆风险评估模块、交叉路口评估模块和车辆通行管理模块;综合考虑乘客、车辆和道路三方面因素的影响,设置三种不同的通行管理模式,有助于缓解车辆冲突,提高对交叉路***通流的调动力度,增强各交叉路口的通行能力,安全快速地疏通车辆;并充分考虑特殊乘客、特殊车辆急迫的通行需求,保障其优先通行,更为人性化。
Description
技术领域:
本发明涉及智能交通领域,具体地说涉及一种适用于自动驾驶汽车的交叉路口车辆通行管理***。
背景技术:
近年来,随着车辆保有量的增加,由车辆保有量爆发式增长带来的衍生问题开始在众多大城市中呈现:交通拥堵、出行时间延长、停车困难、燃油价格不断上涨,尾气污染等,其中交通拥堵尤为严重。此外,由于我国路网的增长速度与车辆保有量增长速度差距大,现有城市道路资源不足,路网利用不充分,交通供需不平衡己经成为常态。若能够通过优化车辆通行控制策略,在现有路网基础下增加道路使用率,有助于缓解交通拥堵问题。
交通占据着城市建设的中枢地位,而交叉路口则是城市交通的咽喉,其通行能力影响着整座城市的交通运行效率。城市的交通堵塞通常发生在交叉路口,车流的中断,造成机动车的延误时间剧增,同时降低了整个交通道路网的安全性、通畅性、快捷性,甚至可能造成更严重的损失。如何有序的疏导交叉路口的交通流,对于缓解城市拥堵问题至关重要。若是仅仅增加城市道路的面积,无法从根本上得到解决交叉路***通堵塞的问题。只有通过提高城市交叉路***通流的调动力度,增强城市各路口的通行能力,缓解整个城市交通的通行压力,最终改善交通拥堵问题。因此,交叉路口车辆通行控制策略极为关键。
好的交叉路口车辆通行控制策略应该具有合理分配通行时间和通行顺序,增加路口通行率,降低交通事故的发生的概率,减少能源消耗与环境污染等优点。而现有的交叉路口信号灯控制策略大多采用固定配时,其周期、绿灯时长与相位转换确定,对于多变复杂的交通流无法实现时空上的良好控制。常出现相位绿灯时间内,只有单一方向的车辆在通行或“绿灯无车红灯堵”的情形。一座城市的交通网***是一个动态的、复杂且随机的***,若采用传统的定时红绿灯配时控制交通流的方式,难以根据交通的实际情况反映出准确的信息并作出实时且有效的控制。
而智能交通***则具有实时控制交通流的能力,有助于解决交叉路口拥堵问题。智能交通***是一个可划分为许多模块的十分复杂的***,其中至关重要一个部分是城市交叉路口智能交通控制***,通过交叉口红绿灯等交通信号对车流进行控制,主要形式是通过交警人员的出警或者红绿灯等信号控制的设备,对不同方向交通流进行指示、调节以及警告,从时间上对空间上将要产生碰撞的交通流进行不同程度的分离,使各个不同相位的交通流错峰行驶,有序地通过交叉口,让出行更安全。但是现有的城市交叉路口智能交通控制***主要基于非智能车进行通行顺序的管理,并未考虑交叉路口全为无人驾驶的自动驾驶车辆的情况。实际上,随着自动驾驶技术的发展,完全无人驾驶的自动驾驶车辆离人们的生活也越来越近。自动驾驶车辆有利于避免人类驾驶员不尊重路权甚至不遵守交通规则导致的交通拥堵,自动驾驶车辆和城市交叉路口智能交通控制***相配合,对于缓解交通拥堵问题也许能起到一加一大于二的效果。此外,自动驾驶车辆具有感知、决策、执行、通讯的能力,更听话、更智能,管理自动驾驶车辆的通行顺序可通过车联网技术发送通行顺序指令实现,不用借助红绿灯控制,也不用交警人员出警维持秩序,节省大量人力成本。鉴于现有交叉路口智能交通控制***未能利用好自动驾驶车辆的优势,因此亟需一种新的交叉路口智能交通控制***,以充分发挥自动驾驶车辆的优势,更为合理有效地调度交叉路口的交通流。
发明内容:
本发明的目的是为了克服现有技术存在的问题,针对无人类驾驶员驾驶的自动驾驶车辆,提出一种管理自动驾驶车辆通行顺序的交叉路口智能交通控制***;本发明综合考虑乘客、车辆和道路三方面因素的影响,设置三种不同的通行管理模式,有助于缓解车辆冲突,提高对交叉路***通流的调动力度,增强各交叉路口的通行能力,安全快速地疏通车辆;并充分考虑特殊乘客、特殊车辆急迫的通行需求,保障其优先通行,更为人性化。
为了实现上述目的,本发明是按如下技术方案实现的:
一种适用于自动驾驶汽车的交叉路口车辆通行管理***面向无人类驾驶员驾驶的自动驾驶车辆,包括乘客评估模块、车辆风险评估模块、交叉路口评估模块和车辆通行管理模块;技术方案所述的车辆通行管理模块分别与乘客评估模块、车辆风险评估模块、交叉路口评估模块相连;技术方案所述的乘客评估模块用于计算车辆上乘客对应的通行急迫程度因子并将通行急迫程度因子发送给车辆通行管理模块;技术方案所述的通行急迫程度因子为无量纲值,表征乘客对于快速通行的急迫程度,数值越大表示乘客越需快速通行;
技术方案所述的车辆风险评估模块用于计算车辆自身危险等级因子和车辆对外危险等级因子,并将车辆自身危险等级因子和车辆对外危险等级因子发送给车辆通行管理模块;技术方案所述的车辆自身危险等级因子表征车辆自身的安全状况,车辆自身危险等级因子数值越大表示车辆发生交通事故的概率越大;技术方案所述的车辆对外危险等级因子表征本车对其他车辆的危险程度,数值越大表示本车对其他车辆的危险程度越高;所述车辆自身危险等级因子和车辆对外危险等级因子均为无量纲值;
技术方案所述的交叉路口评估模块用于计算交叉路口各个方向的方向通行难度因子并将方向通行难度因子发送给车辆通行管理模块;技术方案所述的方向通行难度因子表征交叉路口的该方向是否利于车辆通行,数值越大表示交叉路口该方向越不利于车辆通行,方向通行难度因子为无量纲值;
技术方案所述的车辆通行管理模块用于计算拥堵判断因子,并基于拥堵判断因子和乘客评估模块计算得到的通行急迫程度因子选择相应的车辆通行管理模式;技术方案所述的拥堵判断因子用于衡量交叉路口的拥堵程度,数值越大表示拥堵程度越高,拥堵判断因子为无量纲值;技术方案所述的车辆通行管理模块共包括三种车辆通行管理模式:第一通行管理模式、第二通行管理模式和第三通行管理模式;若所有车辆上乘客的通行急迫程度因子均小于通行急迫程度阈值、拥堵判断因子大于拥堵判断因子第一阈值且小于拥堵判断因子第二阈值,选择第一通行管理模式;若所有车辆上乘客的通行急迫程度因子均小于通行急迫程度阈值,拥堵判断因子小于拥堵判断因子第一阈值或大于拥堵判断因子第二阈值,选择第二通行管理模式;若存在至少一辆车辆上的乘客的通行急迫程度因子大于通行急迫程度阈值时,选择第三通行管理模式;技术方案所述的通行急迫程度阈值可在60至80范围内选取,具体取值由应用者确定;技术方案所述的拥堵判断因子第一阈值小于拥堵判断因子第二阈值,具体取值通过大量仿真和试验获取;
在第一通行管理模式下,以公平通行为主,通过控制交叉路口的信号灯的方式管理车辆通行顺序,交叉路口的各个信号灯的信号周期相同,并且各个相位的时间相同;在第二通行管理模式下,计算每辆车的通行判断因子,将通行判断因子大于或等于通行判断阈值的车辆记为绿点,绿点表示车辆优先通行,将通行判断因子小于通行判断阈值的车辆记为红点,红点表示车辆暂缓通行;再进一步决策交叉路口每个方向不同车道的车辆放行数量,并通过车联网技术向车辆发送通行顺序指令控制车辆通行,以提高通行效率为主;在第三通行管理模式下,通过车联网技术向车辆发送通行顺序指令控制车辆通行,保障车辆上的乘客的通行急迫程度因子大于通行急迫程度阈值的车辆能够优先通行。
技术方案所述的通行急迫程度因子取值范围为0至100,警车、消防车、救护车、工程救险车上的乘客的通行急迫程度因子定义为100;其他车辆上乘客的通行急迫程度因子通过问卷形式采集乘客信息后评估得到,乘客可通过人机界面填写问卷,乘客信息包括乘客是否有以下症状:发烧、想要呕吐、头晕、大量出汗、流血、胸口疼痛、急性腹痛、烧伤、烫伤、骨折以及乘客是否为临产期孕妇;其中临产期是指距离预产期三天内的时间段;若乘客有发烧、想要呕吐、头晕、大量出汗的症状其中之一或多种,将通行急迫程度因子定义为20;若乘客有胸口疼痛、急性腹痛的症状其中之一或多种,将通行急迫程度因子定义为60;若乘客有烧伤、烫伤、骨折的症状其中之一或多种,将通行急迫程度因子定义为70;若乘客有烧伤、烫伤、骨折的症状其中之一或多种,将通行急迫程度因子定义为80;若乘客为临产期孕妇,将通行急迫程度因子定义为90;以上几种情况同时存在,则通行急迫程度因子叠加,若叠加之后超过100,则通行急迫程度因子最终取值为100;此外,若同一辆车上有多个乘客,取其中通行急迫程度因子最大的数值输出给车辆通行管理模块。
技术方案所述的车辆自身危险等级因子采用下式计算:
式中,n1是车辆在自动驾驶模式下曾经发生交通事故的次数,ei表示车辆在自动驾驶模式下第i次发生交通事故的严重程度因子,若为无伤亡事故,则取值为15;若为伤人事故,则取值为40,若为死亡事故,则取值为75;mx是车辆在自动驾驶模式下的行驶里程,单位为千米;m0为行驶里程临界值,单位为千米,可在5万至10万千米范围内选取;Rat是自动驾驶等级换算因子,若自动驾驶等级为3级,则取值为10,若自动驾驶等级为4级,则取值为20,若自动驾驶等级为5级,则取值为50,所述自动驾驶等级指的是国际汽车工程师学会发布的自动驾驶六级分类体系中的自动驾驶等级,自动驾驶六级分类体系将自动驾驶分为0级、1级、2级、3级、4级、5级,共六个级别;n2是驾驶员接管因子,若车辆上有人类驾驶员能够接管车辆,则驾驶员接管因子取值为0,否则为1;k1、k2、k3、k4和k5分别是交通事故次数影响系数、交通事故严重程度影响系数、行驶里程影响系数、自动驾驶等级影响系数和驾驶员接管影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
技术方案所述的车辆对外危险等级因子采用下式计算:
Rex=ksLx+khLy+kmGm+kat(50-Rat)2
式中,Lx和Ly分别是车辆车身长度和车身宽度;Gm是车辆最大总质量;ks、kh、km和kat分别是车身长度影响系数、车身宽度影响系数、车辆质量影响系数和自动驾驶等级影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
技术方案所述的方向通行难度因子采用下式计算:
式中,Rti表示交叉路口中第i个方向的方向通行难度因子;Wi、NLi和rti分别是交叉路口该方向的宽度、车道数和调头转弯半径,宽度和调头转弯半径的单位均为米;Sti为交叉路口该方向的车流量,具体数值为交叉路口该方向等待通行车辆的总数目;fri为交叉路口第i个方向的道路的路面附着系数;Ew为天气因子,在晴天时取值为1.0,在多云或阴天时取值为1.2,在雨、雪、冰雹、雾、霾、沙尘暴、浮尘、扬沙中任何一种或者几种天气组合的情况下取值为3.2;a1、b1和d1分别为交叉路口尺寸影响系数、交叉路***通流量影响系数和交叉路口道路的路面附着影响系数;Rtr为整个交叉路口的总的通行难度因子,为无量纲值,可以被计算为下式:
Rtr=KRSallEwKcp/(fhdNtDt)
式中,KR为交叉路口通行难度修正系数;Sall为交叉路口的总交通量;Kcp是行人因子,若交叉路口无人行通道,则取值为1.0,否则取值为1.8;fhd为交叉路***叉处的道路路面附着系数;Nt为交叉路口的方向总数,交叉路口每个方向都包含驶入车道和驶出车道,车道有直行、左转、右转三种类型;Dt表示交叉路口的面积,单位为平方米;技术方案所述的交叉路口的总交通量的表达式如下:
Sall=f1F1+f2F2+f3F3+f4F4
式中,F1为在交叉路口驶入车道内等待通过的自行车与两轮摩托车的数量;F2为在交叉路口驶入车道内等待通过的小客车、微型面包车、中型3排座位面包车、载重1至2吨微型客货车、中型吉普车的总数量;F3为在交叉路口驶入车道内等待通过的中型3排座位以上面包车及客车、载重2至4吨中小型货车、载重4到5吨的中型货车、中型油罐车的总数量;F4为在交叉路口驶入车道内等待通过的40座左右大客车、载重5至10吨的大型货车、大型拖挂平板车、水泥混凝土搅拌车、载重10吨以上特大型货车、集装箱货车、工程机械车、大型油罐车的总数量;f1、f2、f3和f4分别为第一等价系数、第二等价系数、第三等价系数和第四等价系数,取值分别为0.5、1.0、2.4和3.4。
技术方案所述的拥堵判断因子采用下式计算:
式中,St是在交叉路口等待通行的车辆总数,Line是交叉路口各个方向所有车道的车辆排队长度总和,tmax是在交叉路口各个方向的驶入车道上排队的车辆中队尾的车辆的已排队时间的总和;r1、r2、r3和r4分别是车流量影响系数、排队长度影响系数、排队时间影响系数和路口面积影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
技术方案所述的车辆通行管理模块在第一通行管理模式下,交叉路口的信号灯不同相位的时长的计算公式如下:
式中,可以是直行绿灯相位或左转绿灯相位时长或右转绿灯相位时长;Smax是目标车道的车辆数量,若公式用于计算直行绿灯相位时长,则目标车道为排队车辆数量最多的直行车道,若公式用于计算左转绿灯相位时长,则目标车道为排队车辆数量最多的左转车道,若公式用于计算右转绿灯相位时长,则目标车道为排队车辆数量最多的右转车道;Rtsi和Rexi分别是目标车道上的第i辆车的车辆自身危险程度因子和车辆对外危险程度因子;Rtmax是目标车道所在交叉路口的方向对应的方向通行难度因子,Rtr是交叉路口的总的通行难度因子;t0是信号灯时长初始值,可在15秒至120秒范围内选取;c1、c2、c3和c4分别是交通流量影响系数、车辆危险程度影响系数、路口通行难度影响系数、总体通行难度影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
技术方案所述的车辆通行管理模块在第二通行管理模式下,管理车辆通行顺序的方法如下:
步骤一,计算每辆车的通行判断因子,将通行判断因子大于或等于通行判断阈值的车辆记为绿点,绿点表示车辆优先通行;将通行判断因子小于通行判断阈值的车辆记为红点,红点表示车辆暂缓通行;技术方案所述的通行判断阈值可通过大量仿真和试验获取,也可由应用者自行确定;
技术方案所述的通行判断因子综合考虑乘客、车辆和道路的因素得到,可由下式计算:Mt=x1Rm+x2Rts+x3Rex+x4Rtx
式中,Mt是通行判断因子,Rm是车辆上所有乘客的通行急迫因子中的最大值,Rts是车辆自身危险程度因子,Rex是车辆对外危险程度因子,Rtx是车辆所处的交叉路口的方向对应的方向通行难度因子;x1、x2、x3和x4分别是通行急迫因子影响系数、车辆自身危险程度影响系数、车辆对外危险程度影响系数和方向通行难度影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定;
步骤二,统计各个路口每条车道的红点总数与绿点总数,从而得到每个路口直行、左转、右转车道上各自的红点总数和绿点总数;
步骤三,通过多次运行深度神经网络模型分别得出交叉路口各个方向中不同驶入车道的放行车辆数量,分次输入交叉路口第i个方向的直行驶入车道、左转驶入车道、右转驶入车道对应的输入变量,则依次得到深度神经网络模型的输出为:交叉路口第i个方向的直行驶入车道、左转驶入车道、右转驶入车道上分别放行的车辆数量,技术方案所述的输入变量即深度神经网络模型的输入变量,具体为对应车道上的红点数量、绿点数量和车道对应的方向通行难度;技术方案所述的深度神经网络模型共有4层网络,第一层为输入层,包含3个神经元:红点数量、绿点数量和方向通行难度;第二层为隐含层,包含4个神经元;第三层为隐含层,包含3个神经元;第四层为输出层,包含一个神经元:车道上放行的车辆数量;
步骤四,按照i=1,2,3,...,Nt的顺序,其中Nt为交叉路口的方向总数,依次放行目标通行方向为交叉路口第i个方向的驶出车道的车辆,对于允许放行的交叉路口的各个方向的驶入车道的车辆则按照排队顺序给前X1辆车辆发送通行指令,X1等于由深度神经网络模型得出的相应车道的放行车辆数量。
技术方案所述的车辆通行管理模块在第三通行管理模式下,管理车辆通行顺序的具体方法如下:
有乘客的通行急迫程度因子大于通行急迫程度阈值的车辆记为优先通行车辆,能够优先通行,而其他车辆暂缓通行;待优先通行车辆驶离交叉路口后,对剩余的未通行车辆,再进一步根据拥堵判断因子的大小选取第一通行管理模式或第二通行管理模式进行通行顺序的管理;
车辆通行管理模块向其他车辆发送让车控制指令,以控制其他车辆为优先通行车辆让出快速通行车道,以便优先通行车辆通过快速通行车道驶离交叉路口;技术方案所述的快速通行车道为排队长度最短的车道,在该车道上的车辆全部向两侧车道汇入;在该车道两侧的车道上的车辆则倒车为将要汇入的车辆预留空间。
本发明的有益效果为:本发明适用于无人驾驶的自动驾驶车辆,综合考虑乘客、车辆和道路三方面因素的影响,根据实际交通情况,设置三种不同的通行管理模式,动态调控车辆通行顺序,并且充分考虑特殊乘客、特殊车辆急迫的通行需求,保障其优先通行,更为人性化,本发明有效结合自动驾驶车辆的优势,有助于提高各交叉路口的通行能力,实现安全快速地疏通车辆。
附图说明:
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1为本发明的***组成框图。
具体实施方式:
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
参阅图1,本发明所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,包括乘客评估模块、车辆风险评估模块、交叉路口评估模块和车辆通行管理模块;所述车辆通行管理模块分别与乘客评估模块、车辆风险评估模块、交叉路口评估模块相连;所述乘客评估模块用于计算车辆上乘客对应的通行急迫程度因子并将通行急迫程度因子发送给车辆通行管理模块,所述通行急迫程度因子表征乘客对于快速通行的急迫程度,数值越大表示乘客越需快速通行;
所述车辆风险评估模块用于计算车辆自身危险等级因子和车辆对外危险等级因子,并将车辆自身危险等级因子和车辆对外危险等级因子发送给车辆通行管理模块;所述车辆自身危险等级因子表征车辆自身的安全状况,车辆自身危险等级因子数值越大表示车辆发生交通事故的概率越大;所述车辆对外危险等级因子表征本车对其他车辆的危险程度,数值越大表示本车对其他车辆的危险程度越高;
所述交叉路口评估模块用于计算交叉路口各个方向的方向通行难度因子并将方向通行难度因子发送给车辆通行管理模块;所述方向通行难度因子表征交叉路口的该方向是否利于车辆通行,数值越大表示交叉路口该方向越不利于车辆通行。
以上的论述仅仅是本发明的优选实施例,是为了解释和说明,并不是对本发明本身的限制。本发明并不局限于这里公开的特定实施例,而由下面的权利要求确定。另外,在前面的描述中的与特定的实施例有关的记载并不能解释为对本发明的范围或者权利要求中使用的术语的定义的限制。所公开实施例的各种其它不同的实施例和各种不同的变形对于本领域技术人员来说是显而易见的。但所有不背离本发明基本构思的这些实施例、改变和变形均在所附权利要求的范围中。
Claims (9)
1.一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,通行顺序控制***面向无人类驾驶员驾驶的自动驾驶汽车,包括乘客评估模块、车辆风险评估模块、交叉路口评估模块和车辆通行管理模块;所述车辆通行管理模块分别与乘客评估模块、车辆风险评估模块、交叉路口评估模块相连;所述乘客评估模块用于计算车辆上乘客对应的通行急迫程度因子并将通行急迫程度因子发送给车辆通行管理模块;所述通行急迫程度因子为无量纲值,表征乘客对于快速通行的急迫程度,数值越大表示乘客越需要快速通行;
所述车辆风险评估模块用于计算车辆自身危险等级因子和车辆对外危险等级因子,并将车辆自身危险等级因子和车辆对外危险等级因子发送给车辆通行管理模块;所述车辆自身危险等级因子表征车辆自身的安全状况,车辆自身危险等级因子数值越大表示车辆发生交通事故的概率越大;所述车辆对外危险等级因子表征本车对其他车辆的危险程度,数值越大表示本车对其他车辆的危险程度越高;所述车辆自身危险等级因子和车辆对外危险等级因子均为无量纲值;
所述交叉路口评估模块用于计算交叉路口各个方向的方向通行难度因子并将方向通行难度因子发送给车辆通行管理模块;所述方向通行难度因子表征交叉路口的该方向是否利于车辆通行,数值越大表示交叉路口该方向越不利于车辆通行,方向通行难度因子为无量纲值;
所述车辆通行管理模块用于计算拥堵判断因子,并基于拥堵判断因子和乘客评估模块计算得到的通行急迫程度因子选择相应的车辆通行管理模式;所述拥堵判断因子用于衡量交叉路口的拥堵程度,数值越大表示拥堵程度越高,拥堵判断因子为无量纲值;所述车辆通行管理模块共包括三种车辆通行管理模式:第一通行管理模式、第二通行管理模式和第三通行管理模式;若所有车辆上乘客的通行急迫程度因子均小于通行急迫程度阈值、拥堵判断因子大于拥堵判断因子第一阈值且小于拥堵判断因子第二阈值,选择第一通行管理模式;若所有车辆上乘客的通行急迫程度因子均小于通行急迫程度阈值,拥堵判断因子小于拥堵判断因子第一阈值或大于拥堵判断因子第二阈值,选择第二通行管理模式;若存在至少一辆车辆上的乘客的通行急迫程度因子大于通行急迫程度阈值时,选择第三通行管理模式;所述通行急迫程度阈值可在60至80范围内选取,具体取值由应用者确定;所述拥堵判断因子第一阈值小于拥堵判断因子第二阈值,具体取值通过大量仿真和试验获取;
在第一通行管理模式下,以公平通行为主,通过控制交叉路口的信号灯的方式管理车辆通行顺序,交叉路口的各个信号灯的信号周期相同,并且各个相位的时间相同;在第二通行管理模式下,计算每辆车的通行判断因子,将通行判断因子大于或等于通行判断阈值的车辆记为绿点,绿点表示车辆优先通行,将通行判断因子小于通行判断阈值的车辆记为红点,红点表示车辆暂缓通行;再进一步决策交叉路口每个方向不同车道的车辆放行数量,并通过车联网技术向车辆发送通行顺序指令控制车辆通行,以提高通行效率为主;在第三通行管理模式下,通过车联网技术向车辆发送通行顺序指令控制车辆通行,保障车辆上的乘客的通行急迫程度因子大于通行急迫程度阈值的车辆能够优先通行。
2.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述的通行急迫程度因子取值范围为0至100,警车、消防车、救护车、工程救险车上的乘客的通行急迫程度因子定义为100;其他车辆上乘客的通行急迫程度因子通过问卷形式采集乘客信息后评估得到,乘客可通过人机界面填写问卷,乘客信息包括乘客是否有以下症状:发烧、想要呕吐、头晕、大量出汗、流血、胸口疼痛、急性腹痛、烧伤、烫伤、骨折以及乘客是否为临产期孕妇;其中临产期是距离预产期三天内的时间段;若乘客有发烧、想要呕吐、头晕、大量出汗的症状其中之一或多种,将通行急迫程度因子定义为20;若乘客有胸口疼痛、急性腹痛的症状其中之一或多种,将通行急迫程度因子定义为60;若乘客有烧伤、烫伤、骨折的症状其中之一或多种,将通行急迫程度因子定义为70;若乘客有烧伤、烫伤、骨折的症状其中之一或多种,将通行急迫程度因子定义为80;若乘客为临产期孕妇,将通行急迫程度因子定义为90;以上几种情况同时存在,则通行急迫程度因子叠加,若叠加之后超过100,则通行急迫程度因子最终取值为100;此外,若同一辆车上有多个乘客,取其中通行急迫程度因子最大的数值输出给车辆通行管理模块。
3.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述的车辆自身危险等级因子采用下式计算:
式中,n1是车辆曾经在自动驾驶模式下发生交通事故的次数,ei表示车辆在自动驾驶模式下第i次发生交通事故的严重程度因子,若为无伤亡事故,则取值为15;若为伤人事故,则取值为40,若为死亡事故,则取值为75;mx是车辆在自动驾驶模式下的行驶里程,单位为千米;m0为行驶里程临界值,单位为千米,可在5万至10万千米范围内选取;Rat是自动驾驶等级换算因子,若自动驾驶等级为3级,则取值为10,若自动驾驶等级为4级,则取值为20,若自动驾驶等级为5级,则取值为50;n2是驾驶员接管因子,若车辆上有人类驾驶员能够接管车辆,则驾驶员接管因子取值为0,否则为1;k1、k2、k3、k4和k5分别是交通事故次数影响系数、交通事故严重程度影响系数、行驶里程影响系数、自动驾驶等级影响系数和驾驶员接管影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
4.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述的车辆对外危险等级因子采用下式计算:
Rex=ksLx+khLy+kmGm+kat(50-Rat)2
式中,Lx和Ly分别是车辆车身长度和车身宽度;Gm是车辆最大总质量;ks、kh、km和kat分别是车身长度影响系数、车身宽度影响系数、车辆质量影响系数和自动驾驶等级影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
5.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述的方向通行难度因子采用下式计算:
式中,Rti表示交叉路口中第i个方向的方向通行难度因子;Wi、NLi和rti分别是交叉路口该方向的宽度、车道数和调头转弯半径,宽度和调头转弯半径的单位均为米;Sti为交叉路口该方向的车流量,具体数值为交叉路口该方向等待通行车辆的总数目;fri为交叉路口第i个方向的道路的路面附着系数;Ew为天气因子,在晴天时取值为1.0,在多云或阴天时取值为1.2,在雨、雪、冰雹、雾、霾、沙尘暴、浮尘、扬沙中任何一种或者几种天气组合的情况下取值为3.2;a1、b1和d1分别为交叉路口尺寸影响系数、交叉路***通流量影响系数和交叉路口道路的路面附着影响系数;Rtr为整个交叉路口的总的通行难度因子,为无量纲值,可以被计算为下式:
Rtr=KRSallEwKcp/(fhdNtDt)
式中,KR为交叉路口通行难度修正系数;Sall为交叉路口的总交通量;Kcp是行人因子,若交叉路口无人行通道,则取值为1.0,否则取值为1.8;fhd为交叉路***叉处的道路路面附着系数;Nt为交叉路口的方向总数,交叉路口每个方向都包含驶入车道和驶出车道,车道有直行、左转、右转三种类型;Dt表示交叉路口的面积,单位为平方米;所述交叉路口的总交通量的表达式如下:
Sall=f1F1+f2F2+f3F3+f4F4
式中,F1为在交叉路口驶入车道内等待通过的自行车与两轮摩托车的数量;F2为在交叉路口驶入车道内等待通过的小客车、微型面包车、中型3排座位面包车、载重1至2吨微型客货车、中型吉普车的总数量;F3为在交叉路口驶入车道内等待通过的中型3排座位以上面包车及客车、载重2至4吨中小型货车、载重4到5吨的中型货车、中型油罐车的总数量;F4为在交叉路口驶入车道内等待通过的40座左右大客车、载重5至10吨的大型货车、大型拖挂平板车、水泥混凝土搅拌车、载重10吨以上特大型货车、集装箱货车、工程机械车、大型油罐车的总数量;f1、f2、f3和f4分别为第一等价系数、第二等价系数、第三等价系数和第四等价系数,取值分别为0.5、1.0、2.4和3.4。
6.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述的拥堵判断因子采用下式计算:
式中,St是在交叉路口等待通行的车辆总数,Line是交叉路口各个方向所有车道的车辆排队长度总和,tmax是在交叉路口各个方向的驶入车道上排队的车辆中队尾的车辆的已排队时间的总和;r1、r2、r3和r4分别是车流量影响系数、排队长度影响系数、排队时间影响系数和路口面积影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
7.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述车辆通行管理模块在第一通行管理模式下,交叉路口的信号灯不同相位的时长的计算公式如下:
式中,可以是直行绿灯相位或左转绿灯相位时长或右转绿灯相位时长;Smax是目标车道的车辆数量,若公式用于计算直行绿灯相位时长,则目标车道为排队车辆数量最多的直行车道,若公式用于计算左转绿灯相位时长,则目标车道为排队车辆数量最多的左转车道,若公式用于计算右转绿灯相位时长,则目标车道为排队车辆数量最多的右转车道;Rtsi和Rexi分别是目标车道上的第i辆车的车辆自身危险程度因子和车辆对外危险程度因子;Rtmax是目标车道所在交叉路口的方向对应的方向通行难度因子,Rtr是交叉路口的总的通行难度因子;t0是信号灯时长初始值,可在15秒至120秒范围内选取;c1、c2、c3和c4分别是交通流量影响系数、车辆危险程度影响系数、路口通行难度影响系数、总体通行难度影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定。
8.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述车辆通行管理模块在第二通行管理模式下,管理车辆通行顺序的方法如下:
步骤一,计算每辆车的通行判断因子,将通行判断因子大于或等于通行判断阈值的车辆记为绿点,绿点表示车辆优先通行;将通行判断因子小于通行判断阈值的车辆记为红点,红点表示车辆暂缓通行;所述通行判断阈值可通过大量仿真和试验获取,也可由应用者自行确定;
所述通行判断因子综合考虑乘客、车辆和道路的因素得到,可由下式计算:
Mt=x1Rm+x2Rts+x3Rex+x4Rtx
式中,Mt是通行判断因子,Rm是车辆上所有乘客的通行急迫因子中的最大值,Rts是车辆自身危险程度因子,Rex是车辆对外危险程度因子,Rtx是车辆所处的交叉路口的方向对应的方向通行难度因子;x1、x2、x3和x4分别是通行急迫因子影响系数、车辆自身危险程度影响系数、车辆对外危险程度影响系数和方向通行难度影响系数,具体数值可通过训练神经网络得到合适的值,也可由应用者自行确定;
步骤二,统计各个路口每条车道的红点总数与绿点总数,从而得到每个路口直行、左转、右转车道上各自的红点总数和绿点总数;
步骤三,通过多次运行深度神经网络模型分别得出交叉路口各个方向中不同驶入车道的放行车辆数量,分次输入交叉路口第i个方向的直行驶入车道、左转驶入车道、右转驶入车道对应的输入变量,则依次得到深度神经网络模型的输出为:交叉路口第i个方向的直行驶入车道、左转驶入车道、右转驶入车道上分别放行的车辆数量,所述输入变量即深度神经网络模型的输入变量,具体为对应车道上的红点数量、绿点数量和车道对应的方向通行难度;所述深度神经网络模型共有4层网络,第一层为输入层,包含3个神经元:红点数量、绿点数量和方向通行难度;第二层为隐含层,包含4个神经元;第三层为隐含层,包含3个神经元;第四层为输出层,包含一个神经元:车道上放行的车辆数量;
步骤四,按照i=1,2,3,...,Nt的顺序,其中Nt为交叉路口的方向总数,依次放行目标通行方向为交叉路口第i个方向的驶出车道的车辆,对于允许放行的交叉路口的各个方向的驶入车道的车辆则按照排队顺序给前X1辆车辆发送通行指令,X1等于由深度神经网络模型得出的相应车道的放行车辆数量。
9.根据权利要求1所述的一种适用于自动驾驶汽车的交叉路口车辆通行管理***,其特征在于,所述车辆通行管理模块在第三通行管理模式下,管理车辆通行顺序的具体方法如下:
有乘客的通行急迫程度因子大于通行急迫程度阈值的车辆记为优先通行车辆,能够优先通行,而其他车辆暂缓通行;待优先通行车辆驶离交叉路口后,对剩余的未通行车辆,再进一步根据拥堵判断因子的大小选取第一通行管理模式或第二通行管理模式进行通行顺序的管理;
车辆通行管理模块向其他车辆发送让车控制指令,以控制其他车辆为优先通行车辆让出快速通行车道,以便优先通行车辆通过快速通行车道驶离交叉路口;所述快速通行车道为排队长度最短的车道,在该车道上的车辆全部向两侧车道汇入;在该车道两侧的车道上的车辆则倒车为将要汇入的车辆预留空间。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181600.3A CN115497296B (zh) | 2022-09-27 | 2022-09-27 | 一种适用于自动驾驶汽车的交叉路口车辆通行管理*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211181600.3A CN115497296B (zh) | 2022-09-27 | 2022-09-27 | 一种适用于自动驾驶汽车的交叉路口车辆通行管理*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115497296A CN115497296A (zh) | 2022-12-20 |
CN115497296B true CN115497296B (zh) | 2023-11-17 |
Family
ID=84473231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211181600.3A Active CN115497296B (zh) | 2022-09-27 | 2022-09-27 | 一种适用于自动驾驶汽车的交叉路口车辆通行管理*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115497296B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008299666A (ja) * | 2007-05-31 | 2008-12-11 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
WO2013026265A1 (zh) * | 2011-08-21 | 2013-02-28 | Su Yijie | 平面交叉路口通行控制***和方法 |
CN109353343A (zh) * | 2018-12-04 | 2019-02-19 | 吉林大学 | 一种基于车车交互的辅助驾驶*** |
CN109448385A (zh) * | 2019-01-04 | 2019-03-08 | 北京钛星科技有限公司 | 基于车路协同的自动驾驶车辆交叉路口调度***及方法 |
CN112102631A (zh) * | 2020-11-17 | 2020-12-18 | 长沙理工大学 | 一种混入自动驾驶车辆的城市交叉***通控制方法 |
CN112216122A (zh) * | 2020-12-10 | 2021-01-12 | 长沙理工大学 | 一种自动驾驶进程中交叉口车道布设与信号配时方法 |
CN113335293A (zh) * | 2021-06-22 | 2021-09-03 | 吉林大学 | 一种线控底盘的高速公路路面探测*** |
CN113628437A (zh) * | 2021-07-06 | 2021-11-09 | 安徽海博智能科技有限责任公司 | 基于云控平台的无人矿车交叉路口安全通行方法 |
WO2022116361A1 (zh) * | 2020-12-01 | 2022-06-09 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及*** |
CN115083190A (zh) * | 2022-06-17 | 2022-09-20 | 东风汽车集团股份有限公司 | 多车道交通路口的自动驾驶***及方法 |
-
2022
- 2022-09-27 CN CN202211181600.3A patent/CN115497296B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008299666A (ja) * | 2007-05-31 | 2008-12-11 | Sumitomo Electric Ind Ltd | 車両運転支援システム、運転支援装置、車両及び車両運転支援方法 |
WO2013026265A1 (zh) * | 2011-08-21 | 2013-02-28 | Su Yijie | 平面交叉路口通行控制***和方法 |
CN109353343A (zh) * | 2018-12-04 | 2019-02-19 | 吉林大学 | 一种基于车车交互的辅助驾驶*** |
CN109448385A (zh) * | 2019-01-04 | 2019-03-08 | 北京钛星科技有限公司 | 基于车路协同的自动驾驶车辆交叉路口调度***及方法 |
CN112102631A (zh) * | 2020-11-17 | 2020-12-18 | 长沙理工大学 | 一种混入自动驾驶车辆的城市交叉***通控制方法 |
WO2022116361A1 (zh) * | 2020-12-01 | 2022-06-09 | 山东交通学院 | 基于城市主干线车辆排队长度的信号灯调控方法及*** |
CN112216122A (zh) * | 2020-12-10 | 2021-01-12 | 长沙理工大学 | 一种自动驾驶进程中交叉口车道布设与信号配时方法 |
CN113335293A (zh) * | 2021-06-22 | 2021-09-03 | 吉林大学 | 一种线控底盘的高速公路路面探测*** |
CN113628437A (zh) * | 2021-07-06 | 2021-11-09 | 安徽海博智能科技有限责任公司 | 基于云控平台的无人矿车交叉路口安全通行方法 |
CN115083190A (zh) * | 2022-06-17 | 2022-09-20 | 东风汽车集团股份有限公司 | 多车道交通路口的自动驾驶***及方法 |
Non-Patent Citations (2)
Title |
---|
基于电控制动***的客车防侧翻控制策略;郑宏宇;杨硕;文良浒;陈国迎;陈宇超;;吉林大学学报(工学版)(第04期);27-32 * |
自动驾驶环境下车辆轨迹及交通信号协同控制;戴荣健;丁川;鹿应荣;赵福全;汽车安全与节能学报(第004期);531-539 * |
Also Published As
Publication number | Publication date |
---|---|
CN115497296A (zh) | 2022-12-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108922177B (zh) | 一种无人驾驶车辆通过交叉路口时速度控制***及方法 | |
CN113450583B (zh) | 一种车路协同下高速公路可变限速和变道协同控制方法 | |
CN110910646B (zh) | 用于交叉口的无人驾驶公交车辆的协同控制方法 | |
Li et al. | Traffic energy and emission reductions at signalized intersections: a study of the benefits of advanced driver information | |
CN106467112A (zh) | 车载辅助驾驶*** | |
WO2017124966A1 (zh) | 一种车辆控制方法及装置 | |
CN104200656B (zh) | 一种基于交通信号信息的主干道车速规划方法 | |
CN113628437A (zh) | 基于云控平台的无人矿车交叉路口安全通行方法 | |
CN202257959U (zh) | 一种非机动车道行驶减速提醒装置 | |
CN113393688A (zh) | 一种基于队列长度预测的交叉口生态驾驶优化方法 | |
CN109849917A (zh) | 车辆的控制方法、***和车辆 | |
CN110060490A (zh) | 一种基于全息投影的交叉口安全辅助***及其控制方法 | |
CN114005290B (zh) | 一种交叉口左转公交车借道通行方法及其装置 | |
CN114639246A (zh) | 一种高速公路匝道合流区车路协同控制方法及*** | |
CN109903563B (zh) | 一种公交车道混行时二次停车线位置优化***及方法 | |
CN107393316A (zh) | 智能道路辅助控制方法及*** | |
CN115497296B (zh) | 一种适用于自动驾驶汽车的交叉路口车辆通行管理*** | |
CN112102628B (zh) | 面向双层高速公路瓶颈的匝道协调控制与诱导方法 | |
CN206757886U (zh) | 一种预信号的感应信号控制*** | |
CN106530783B (zh) | 一种自动驾驶*** | |
CN107067785A (zh) | 堵车路段经济车速匹配***及控制方法 | |
CN115578869B (zh) | 一种车路协同环境下的交叉口公交动态优先***及方法 | |
CN103429478A (zh) | 用于控制巡航控制的方法和*** | |
CN110016844B (zh) | 基于窄马路设计理念的缩减车道及其设置方法 | |
CN116229762A (zh) | 一种基于智能发光标线的交叉口右转车碰撞预警方法 |
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 |