CN116092310B

CN116092310B - 面向混合交通环境的路口协同生态驾驶控制方法及***

Info

Publication number: CN116092310B
Application number: CN202310042325.5A
Authority: CN
Inventors: 郑芳芳; 邹颜刚; 尹邦旭; 唐优华; 刘灿; 白霖涵; 侯康宁; 陆良
Original assignee: Chengdu Yizhuan Information Technology Co ltd; Southwest Jiaotong University
Current assignee: Chengdu Yizhuan Information Technology Co ltd; Southwest Jiaotong University
Priority date: 2023-01-28
Filing date: 2023-01-28
Publication date: 2023-07-18
Anticipated expiration: 2043-01-28
Also published as: CN116092310A

Abstract

本发明提供了面向混合交通环境的路口协同生态驾驶控制方法及***，涉及生态驾驶技术领域，包括获取第一信息，第一信息包括控制区域内的新进入车辆的当前时刻速度和当前时刻位置；建立期望到达时间估计模型，求解期望到达时间估计模型得到新进入车辆的期望到达时间；获取第二信息，第二信息包括控制区域内的全部车辆的当前时刻速度和当前时刻位置；建立控制区域内的混合交通***的线性化模型预测控制模型，求解线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度；根据加速度控制联网自动驾驶车辆向路口的停车线方向行驶；重新开始获取第一信息，直至新进入车辆到达停车线。本发明在不同交通条件下显著减少了延误、燃油消耗和怠速时间。

Description

面向混合交通环境的路口协同生态驾驶控制方法及***

技术领域

本发明涉及生态驾驶技术领域，具体而言，涉及一种面向混合交通环境的路口协同生态驾驶控制方法及***。

背景技术

日益增长的出行需求引发了一系列与交通相关的问题，如交通拥堵、燃料消耗和温室气体排放，这些问题随着路口和交叉口车辆的频繁加速、减速和怠速而加剧。因此，十字路口的生态驾驶策略受到了广泛关注。

现有的生态驾驶控制方法，会导致车辆产生的延误大，且怠速时间长，燃油消耗高。

发明内容

本发明的目的在于提供面向混合交通环境的路口协同生态驾驶控制方法及***，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

第一方面，本申请提供了一种面向混合交通环境的路口协同生态驾驶控制方法，包括：

获取第一信息，所述第一信息包括控制区域内的新进入车辆的当前时刻速度和当前时刻位置；

建立期望到达时间估计模型，将所述第一信息作为所述期望到达时间估计模型的输入信息，求解所述期望到达时间估计模型得到所述新进入车辆的期望到达时间；

获取第二信息，所述第二信息包括所述控制区域内的全部车辆的当前时刻速度和当前时刻位置；

建立所述控制区域内的混合交通***的线性化模型预测控制模型，将所述第二信息和所述期望到达时间作为所述线性化模型预测控制模型的输入信息，求解所述线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度；

根据所述加速度控制所述联网自动驾驶车辆向路口的停车线方向行驶第一时间；

重新开始获取第一信息，直至所述新进入车辆到达所述停车线。

第二方面，本申请还提供了一种面向混合交通环境的路口协同生态驾驶控制***，包括：

第一信息获取单元，用于获取第一信息，所述第一信息包括控制区域内的新进入车辆的当前时刻速度和当前时刻位置；

期望到达时间估计计算单元，用于建立期望到达时间估计模型，将所述第一信息作为所述期望到达时间估计模型的输入信息，求解所述期望到达时间估计模型得到所述新进入车辆的期望到达时间；

第二信息获取单元，用于获取第二信息，所述第二信息包括所述控制区域内的全部车辆的当前时刻速度和当前时刻位置；

预测控制计算单元，用于建立所述控制区域内的混合交通***的线性化模型预测控制模型，将所述第二信息和所述期望到达时间作为所述线性化模型预测控制模型的输入信息，求解所述线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度；

控制单元，用于根据所述加速度控制所述联网自动驾驶车辆向路口的停车线方向行驶第一时间；

重复单元，用于重新开始获取第一信息，直至所述新进入车辆到达所述停车线。

本发明的有益效果为：

本发明通过对在城市信号路口由联网自动驾驶车辆和联网的人工驾驶车辆（CHV）组成的混合交通环境，提出了面向混合交通环境的路口协同生态驾驶控制方法及***。相比于只考虑单个联网自动驾驶车辆或混合车队的方法，本申请提出的方法考虑了控制区内的所有车辆，并估计了每辆车到停车线的期望到达时间。此外，智能驾驶员模型（IDM）被用来描述人工驾驶车辆的跟驰行为，我们进一步线性化智能驾驶员模型（IDM），然后将其整合进最优控制模型，以简化优化进程。最终实现一个线性方法控制车辆以自由流速度在期望时间到达停车线，并将车辆速度波动降至最低，从而减少怠速时间和燃油消耗。数值实验结果表明，与经典预测巡航控制（PCC）和基准方法相比，该方法在不同交通条件下显著减少了延误、燃油消耗和怠速时间。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的面向混合交通环境的路口协同生态驾驶控制方法流程示意图;

图2为本发明实施例中所述的估计期望到达时间的算法流程示意图；

图3为本发明实施例中所述的交通信号控制的孤立交叉口结构示意图；

图4为本发明实施例中所述的一种面向混合交通环境的路口协同生态驾驶控制***结构示意图。

图中标记：1、第一信息获取单元；2、期望到达时间估计计算单元；3、第二信息获取单元；4、预测控制计算单元；5、控制单元；6、重复单元；21、第三信息获取单元；22、最早到达时间计算单元；23、安全到达时间计算单元；24、选取单元；25、判断单元；41、模型建立单元；42、模型线性化单元；221、预设第一计算单元；222、预设第二计算单元；231、预设第三计算单元；232、预设第四计算单元。

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一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动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。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

我们考虑了一个路段的场景，该路段有一个由交通信号控制的孤立交叉口，如图3所示。在此场景中，所有车辆（包括联网自动驾驶车辆和联网人工驾驶车辆）和信号灯都配备了通信设备（例如DSRC或LTE-V/5G）。中央云协调器（即信号灯）可以获取通信范围（如300m）内所有车辆的信息（如速度、位置和车辆类型），然后计算每个联网自动驾驶车辆的最佳轨迹。此外，联网自动驾驶车辆在控制区域内的移动可以根据中央云协调器的指示进行控制。我们旨在为混合交通构建一个协同生态驾驶控制框架以减少延误和燃油消耗。将交叉口通信范围内的控制区设置为研究场景，其中联网自动驾驶车辆由本申请所提出的方法控制，人工驾驶车辆的行为由跟驰模型控制（例如智能驾驶员模型）。

本实施例提供了一种面向混合交通环境的路口协同生态驾驶控制方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300、步骤S400、步骤S500和步骤S600。

S100、获取第一信息，所述第一信息包括控制区域内的新进入车辆的当前时刻速度和当前时刻位置。

需要说明的是，在本步骤是为了获取控制区域内的新进入车辆的当前时刻速度和当前时刻位置；新进入车辆包括联网自动驾驶车辆和人工驾驶车辆。

S200、建立期望到达时间估计模型，将所述第一信息作为所述期望到达时间估计模型的输入信息，求解所述期望到达时间估计模型得到所述新进入车辆的期望到达时间。

需要说明的是，在本步骤中是为了得到新进入车辆的期望到达时间，期望到达时间/>是允许车辆在红绿灯的绿灯亮起来阶段通过停车线的最早时间，停车线即为路口的停车等待线，其中期望到达时间的计算方法也可以为通过车辆与停车线之间的距离除以车辆的速度等现有方式得出，具体的在本实施例的步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。

S210、获取第三信息，所述第三信息包括当前控制区域内的自由流速度、所述新进入车辆的最大舒适加速度、所述联网自动驾驶车辆的安全车头时距、人工驾驶车辆的安全车头时距和所述新进入车辆的前一辆车的所述期望到达时间。

S220、建立所述新进入车辆到达所述停车线的最早到达时间计算公式，将所述第一信息和所述第三信息作为所述最早到达时间计算公式的输入信息，求解所述最早到达时间计算公式，得到所述新进入车辆到达所述停车线的最早到达时间。

需要说明的是，当车辆i进入如图1所示的控制区时，需要估计该车辆的期望到达时间，这是允许车辆i在绿色阶段通过停车线的最早时间。值得注意的是，在估计期望到达时间时，应同时考虑最早到达时间、安全到达时间以及信号配时。

具体而言，在步骤S220中包括步骤S221和步骤S222。

需要说明的是，新进入车辆到达所述停车线的最早到达时间计算公式（2）包括（2-1）和（2-2）。

S221、当所述新进入车辆在当前时刻位置大于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第一最早到达时间计算公式（2-1）计算，得到所述最早到达时间。

即当：时，新进入车辆到达所述停车线的最早到达时间计算公式为公式（2-1），公式（2-1）如下所示：

（2-1）

其中：表示车辆i到达停车线所需的最早到达时间，它取决于从当前位置到停车线的距离；/>表示自由流速度；/>表示新进入车辆的最大舒适加速度；/>表示t时刻车辆i的速度；/>是t时刻车辆i到停车线的距离。

S222、当所述新进入车辆在当前时刻位置小于或等于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第二最早到达时间计算公式（2-2）计算，得到所述最早到达时间；公式（2-2）如下所示：

（2-2）

其中：表示车辆i到达停车线所需的最早到达时间，它取决于从当前位置到停车线的距离；/>表示新进入车辆的最大舒适加速度；/>表示t时刻车辆i的速度；/>是t时刻车辆i到停车线的距离。

S230、建立所述新进入车辆到达所述停车线的安全到达时间计算公式，将所述第三信息作为所述安全到达时间计算公式的输入信息，求解所述安全到达时间计算公式，得到所述新进入车辆到达所述停车线的安全到达时间。

具体而言，在步骤S230包括步骤S231和步骤S232。

首先在本实施例中，新进入车辆到达所述停车线的安全到达时间计算公式（3）包括公式（3-1）和公式（3-2）。

S231、当所述新进入车辆的前一辆车是所述联网自动驾驶车辆时，则根据所述第三信息和预设的第一安全到达时间计算公式（3-1）计算，得到所述安全到达时间。第一安全到达时间计算公式（3-1）计算公式如下：

（3-1）

式中：表示联网自动驾驶车辆的安全车头时距；/>表示车辆i-1的期望到达时间；/>表示车辆i到达所述停车线的安全到达时间。

S232、当所述新进入车辆的前一辆车是所述人工驾驶车辆时，则根据所述第三信息和预设的第二安全到达时间计算公式（3-2）计算，得到所述安全到达时间。第二安全到达时间计算公式（3-2）如下：

（3-2）

式中：表示人工驾驶车辆的安全车头时距；/>表示车辆i-1的期望到达时间；表示车辆i到达所述停车线的安全到达时间。δ为常数项。

需要说明的是，由于人工驾驶车辆行为的具有随机性和不可控性，造成了准确估计人工驾驶车辆到达时间是一项具有挑战性的工作。因此，当前面的车辆是人工驾驶车辆时，我们添加了一个额外的常数项δ，以考虑不确定性。

S240、在所述最早到达时间与所述安全到达时间之间选取最大值，作为较大值。

需要说明的是，考虑到前车，车辆的预期到达时间应不早于以下公式（1）给出的最早到达时间和安全到达时间的最大值。公式（1）如下所示：

（1）

其中：表示车辆i的期望到达时间、/>表示车辆到达停车线所需的最早到达时间、/>表示车辆i到达所述停车线的安全到达时间。

S250、判断所述较大值是否在所述路口的绿灯时间内，若在所述绿灯时间内，则所述期望到达时间为所述较大值；否则，所述期望到达时间为下一周期绿灯开始时间。

需要说明的是，为了确保车辆在绿灯阶段到达停车线，需要提前知道信号配时。对于固定信号交叉口，可以直接获得绿灯的起点时刻和终点时刻。具体的估计期望到达时间的算法流程如图2所示。

S300、获取第二信息，所述第二信息包括所述控制区域内的全部车辆的当前时刻速度和当前时刻位置；

需要说明的是，全部车辆包括控制区域内的所有联网自动驾驶车辆和人工驾驶车辆。

S400、建立所述控制区域内的混合交通***的线性化模型预测控制模型，将所述第二信息和所述期望到达时间作为所述线性化模型预测控制模型的输入信息，求解所述线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度；

需要说明的是，本步骤通过建立控制区域内的混合交通***的线性化模型预测控制模型，将前面步骤所获得的第二信息和车辆的期望到达时间，输入到线性化模型预测控制模型中，然后求解线性化模型预测控制模型，即可得到控制区域内所有联网自动驾驶车辆的加速度；具体的在本实施例的步骤S400包括步骤S410、步骤S420和步骤S430。

S410、建立模型预测控制模型，所述模型预测控制模型包括人工车辆跟驰行为控制模型、预设的成本函数和所述成本函数的约束条件组；

要说明的是，在所提出的模型预测控制模型中，主要目标是车辆能够在绿灯阶段以自由流速度平稳通过停车线。

其次，需要说明的是，在本申请中人工驾驶的跟驰行为由泰勒展开的智能驾驶员模型（IDM）实现，其中关于智能驾驶员模型（IDM）具体建立过程以及对应的智能驾驶员模型（IDM）泰勒展开为现有技术本申请中不再赘述。同时需要说明的是，在本方法中也建立对应控制区域内的空间状态方程，其亦为现有技术本申请中不再赘述详细过程，但是需要说明，为了考虑到控制区内的所有车辆的动力学。因此，本申请中的控制变量是控制区内所有CAV的加速度集合，状态变量是所有车辆的状态集合。

可以理解的是，在本申请中通过首先计算人工驾驶车辆的加速度值，然后带入成本函数并结合成本函数对应的约束条件组求得，让成本函数值最小的联网自动驾驶车辆的加速度值。最终以使得成本函数值最小的联网自动驾驶车辆的加速度值控制联网自动驾驶车辆行驶。

具体而言，在本申请中为了控制目标还考虑了燃油消耗和驾驶舒适性。因此，在本申请中成本函数（16）可以表示为

（16）

其中，表示当前***的控制成本,/>和/>是权重参数；n是控制区内的车辆总数，m代表控制时域，/>表示第i辆车在期望到达时刻的位置；/>表示第i辆车在期望到达时刻的速度；/>表示第i辆车在t时刻的加速度，n为车辆总数。

成本函数（16）中的第一项是终端成本，其中

是车辆i在终端时刻的状态与期望状态的偏差，如下式（17）所示。

（17）

其中，是停车线的位置，/>和/>是权重参数。/>为自由流速度。

在成本函数（16）中的第二项是运行成本函数。即为将每个时间步长（即冲动）加速度变化的平方和最小化为目标函数，通过最小化加速度和减速度随时间的波动，从而实现降低车辆的油耗并提高驾驶舒适性的目的。

进一步地在本申请中成本函数的约束条件组分别包括联网车辆的约束条件和人工驾驶车辆的约束条件：

（1）联网自动车辆的约束条件包括：

（18）

（19）

其中，是控制区内所有CAV的集合；/>为t时刻时车辆i的位置；/>为第i辆车时第t时刻的安全车头间距；/>为t时刻时车辆i的速度；/>为联网自动驾驶车辆的安全车头时距；/>为t时刻时车辆i-1的位置。

在本申请中约束（18）表示任何给定车辆i（第一辆车除外）与其前一辆车i-1之间的距离应该大于最小安全间距，即约束（18）是为确保安全性和驾驶舒适性。此外，由于物理限制，车辆的速度和加速度应限制在以下给出的合理范围内，故，联网自动车辆的约束条件还包括约束（20）和约束（21）。

其中，约束（20）和约束（21）分别为：

（20）

（21）

其中，和/>是最小加速度和最大舒适加速度；/>为t时刻车辆i的速度；/>是自由流速度；

（2）人工驾驶车辆的约束条件包括：

（22）

其中，是控制区内所有人工驾驶车辆的集合，/>由智能驾驶员模型（IDM）计算得到。

但是上述理论中成本计算时一个非线性优化问题，由于存在非线性成本函数和约束，很难有效求解。模型的计算时间随着控制区内车辆数量的增加而增加，特别是在高交通量的情况下模型很难实时求解。因此，我们将成本函数（16）和约束（22）线性化，以降低整体计算的复杂性。故步骤S410之后包括：

S420、将预设的成本函数和所述成本函数的约束条件组线性化，得到所述线性化模型预测控制模型。

其中，所述将所述模型预测控制模型线性化包括:

S421、对所述成本函数引入位置辅助变量、速度辅助变量和第一加速度辅助变量，以重构所述成本函数；

S422、对所述约束条件组引入第二加速度辅助变量，以重构所述约束条件组。

需要说明的是,所提出的模型（16）是一个非线性优化问题，由于存在非线性成本函数和约束，很难有效求解。本申请的计算时间随着控制区内车辆数量的增加而增加，特别是在高交通量的情况下模型很难实时求解。故，将成本函数（16）和约束（22）线性化，可降低模型的计算复杂性。

成本函数（16）包含三个绝对值项。我们为每个车辆引入三个辅助变量/>、/>和/>，并为约束条件组增加三个约束以确保为/>、/>和/>等于绝对值项。其中为约束条件组增加三个约束分别为：

（24）

（25）

（26）

其中，表示车辆i到达停车线所需的最早到达时间;/>为/>时刻时车辆i的位置；/>为停车线的位置；/>为/>时刻车辆i的速度;/>为t时刻车辆i的加速度；为t-1时刻车辆i的加速度。

并重构为成本函数为：

（28）

其中，表示线性化重构后的当前***控制成本。

进一步地，由于约束（24）、约束（25）和约束（26）放宽了绝对值项的范围。因此，本申请中还添加了约束（27）中给出的三个惩罚项，以确保、/>和/>的值等于绝对值项。

具体而言，约束（27）为：

（27）

此外，由于约束（22）是一个最小化函数，通过将其转换为多个约束并向成本函数添加额外的惩罚项，可以将其线性化。每个车辆添加一个辅助变量/>，并为所有人工驾驶车辆添加约束（29），同时对所有联网自动驾驶车辆添加约束（30）。

（29）

（30）

同时，由于在本申请中约束（22）会使用约束（29）放宽的，它表示小于或等于式（22）中的/>。为了解决这个问题，在成本函数中添加了惩罚函数（31）。

（31）

基于上述推导过程，本申请中控制区内混合交通***的成本函数可进一步优化为公式(32)。

公式(32)具体如下：

（32）

其中，、/>、/>、/>和/>；/>、/>和/>为辅助参数；i表示车辆序号； t为时刻；n是控制区内的车辆总数；m代表控制时域。

而，成本函数约束包括约束（18）、约束（19）、约束（20）、约束（21）、约束（24）、约束（25）、约束（26）、约束（29）和约束（30）。

S430、将所述第二信息和所述期望到达时间作为所述线性化模型预测控制模型的输入信息，求解所述线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度。

需要说明的是,将所获得第二信息和期望到达时间作为线性化模型预测控制模型的输入信息，进而在线性化模型预测控制模型内，首先求解人工驾驶车辆的加速度信息，然后通过成本函数以及成本函数对应的约束条件组，求解得到让成本函数值最小时，所有联网自动车辆的加速度，并以此控制当前时刻下的所有联网自动驾驶车辆运行。

S500、根据所述加速度控制所述联网自动驾驶车辆向路口的停车线方向行驶第一时间；

需要说明的是,行驶第一时间，此第一时间可为0.1秒，0.5秒，1秒，2秒等等不作具体限制，在本实施例中，行驶第一时间为0.5秒。

S600、重新开始获取第一信息，直至所述新进入车辆到达所述停车线。

需要说明的是,此步骤即为回到步骤S100，重新开始循环步骤S100至步骤S600，从而控制控制区域内的联网自动驾驶车辆向停车线方向行驶。

本申请对在城市信号路口由联网自动驾驶车辆和联网的人工驾驶车辆（CHV）组成的混合交通环境，提出了一种协同生态驾驶控制方法。相比于只考虑单个联网自动驾驶车辆或混合车队的方法，本申请提出的方法考虑了控制区内的所有车辆，并估计了每辆车到停车线的期望到达时间。此外，智能驾驶员模型（IDM）被用来描述人工驾驶车辆的跟驰行为，我们进一步线性化智能驾驶员模型（IDM），然后将其整合进最优控制模型，以简化优化进程。最终实现一个线性方法控制车辆以自由流速度在期望时间到达停车线，并将车辆速度波动降至最低，从而减少怠速时间和燃油消耗。数值实验结果表明，与经典预测巡航控制（PCC）和基准方法相比，该方法在不同交通条件下显著减少了延误、燃油消耗和怠速时间。

实施例2：

如图4所示，本实施例提供了一种面向混合交通环境的路口协同生态驾驶控制***，所述***包括：

第一信息获取单元1，用于获取第一信息，所述第一信息包括控制区域内的新进入车辆的当前时刻速度和当前时刻位置；

期望到达时间估计计算单元2，用于建立期望到达时间估计模型，将所述第一信息作为所述期望到达时间估计模型的输入信息，求解所述期望到达时间估计模型得到所述新进入车辆的期望到达时间；

第二信息获取单元3，用于获取第二信息，所述第二信息包括所述控制区域内的全部车辆的当前时刻速度和当前时刻位置；

预测控制计算单元4，用于建立所述控制区域内的混合交通***的线性化模型预测控制模型，将所述第二信息和所述期望到达时间作为所述线性化模型预测控制模型的输入信息，求解所述线性化模型预测控制模型得到所有联网自动驾驶车辆的加速度；

控制单元5，用于根据所述加速度控制所述联网自动驾驶车辆向路口的停车线方向行驶第一时间；

重复单元6，用于重新开始获取第一信息，直至所述新进入车辆到达所述停车线。

其中：所述期望到达时间估计计算单元包括：

第三信息获取单元21，用于获取第三信息，所述第三信息包括当前控制区域内的自由流速度、所述新进入车辆的最大舒适加速度、所述联网自动驾驶车辆的安全车头时距、人工驾驶车辆的安全车头时距和所述新进入车辆的前一辆车的所述期望到达时间；

最早到达时间计算单元22，用于建立所述新进入车辆到达所述停车线的最早到达时间计算公式，将所述第一信息和所述第三信息作为所述最早到达时间计算公式的输入信息，求解所述最早到达时间计算公式，得到所述最早到达时间；

安全到达时间计算单元23，用于建立所述新进入车辆到达所述停车线的安全到达时间计算公式，将所述第三信息作为所述安全到达时间计算公式的输入信息，求解所述安全到达时间计算公式，得到所述安全到达时间；

选取单元24，用于在所述最早到达时间与所述安全到达时间之间选取最大值，作为较大值；

判断单元25，用于判断所述较大值是否在所述路口的绿灯时间内，若在所述绿灯时间内，则所述期望到达时间为所述较大值；否则，所述期望到达时间为下一周期绿灯开始时间。

其中，所述最早到达时间计算单元包括：

预设第一计算单元221，用于当所述新进入车辆在当前时刻位置大于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第一最早到达时间计算公式计算，得到所述最早到达时间；

预设第二计算单元222，用于当所述新进入车辆在当前时刻位置小于或等于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第二最早到达时间计算公式计算，得到所述最早到达时间。

其中，所述安全到达时间计算单元包括：

预设第三计算单元231，用于当所述新进入车辆的前一辆车是所述联网自动驾驶车辆时，则根据所述第三信息和预设的第一安全到达时间计算公式计算，得到所述安全到达时间；

预设第四计算单元232，用于当所述新进入车辆的前一辆车是所述人工驾驶车辆时，则根据所述第三信息和预设的第二安全到达时间计算公式计算，得到所述安全到达时间。

其中，所述预测控制计算单元包括：

模型建立单元41，用于建立模型预测控制模型,所述模型预测控制模型包括人工车辆跟驰行为控制模型、预设的成本函数和所述成本函数的约束条件组；

模型线性化单元42，用于将预设的成本函数和所述成本函数的约束条件组线性化，得到所述线性化模型预测控制模型。

需要说明的是，关于上述实施例中的***，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

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。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.面向混合交通环境的路口协同生态驾驶控制方法，其特征在于，包括：

重新开始获取第一信息，直至所述新进入车辆到达所述停车线；

其中，所述建立期望到达时间估计模型，将所述第一信息作为所述期望到达时间估计模型的输入信息，求解所述期望到达时间估计模型得到所述新进入车辆的期望到达时间，包括：

获取第三信息，所述第三信息包括当前控制区域内的自由流速度、所述新进入车辆的最大舒适加速度、所述联网自动驾驶车辆的安全车头时距、人工驾驶车辆的安全车头时距和所述新进入车辆的前一辆车的所述期望到达时间；

建立所述新进入车辆到达所述停车线的最早到达时间计算公式，将所述第一信息和所述第三信息作为所述最早到达时间计算公式的输入信息，求解所述最早到达时间计算公式，得到所述最早到达时间；

建立所述新进入车辆到达所述停车线的安全到达时间计算公式，将所述第三信息作为所述安全到达时间计算公式的输入信息，求解所述安全到达时间计算公式，得到所述安全到达时间；

在所述最早到达时间与所述安全到达时间之间选取最大值，作为较大值；

判断所述较大值是否在所述路口的绿灯时间内，若在所述绿灯时间内，则所述期望到达时间为所述较大值；

否则，所述期望到达时间为下一周期绿灯开始时间；

其中,所述建立所述控制区域内的混合交通***的线性化模型预测控制模型，包括：

建立模型预测控制模型,所述模型预测控制模型包括人工车辆跟驰行为控制模型、预设的成本函数和所述成本函数的约束条件组；

将预设的成本函数和所述成本函数的约束条件组线性化，得到所述线性化模型预测控制模型。

2. 根据权利要求1 所述的面向混合交通环境的路口协同生态驾驶控制方法，其特征在于，所述建立所述新进入车辆到达所述停车线的最早到达时间计算公式，将所述第一信息和所述第三信息作为所述最早到达时间计算公式的输入信息，求解所述最早到达时间计算公式，得到所述新进入车辆到达所述停车线的最早到达时间，包括：

当所述新进入车辆在当前时刻位置大于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第一最早到达时间计算公式计算，得到所述最早到达时间；

当所述新进入车辆在当前时刻位置小于或等于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第二最早到达时间计算公式计算，得到所述最早到达时间。

3. 根据权利要求1 所述的面向混合交通环境的路口协同生态驾驶控制方法，其特征在于，所述建立所述新进入车辆到达所述停车线的安全到达时间计算公式，将所述第三信息作为所述安全到达时间计算公式的输入信息，求解所述安全到达时间计算公式，得到所述新进入车辆到达所述停车线的安全到达时间，包括：

当所述新进入车辆的前一辆车是所述联网自动驾驶车辆时，则根据所述第三信息和预设的第一安全到达时间计算公式计算，得到所述安全到达时间；

当所述新进入车辆的前一辆车是所述人工驾驶车辆时，则根据所述第三信息和预设的第二安全到达时间计算公式计算，得到所述安全到达时间。

4.面向混合交通环境的路口协同生态驾驶控制***，其特征在于，包括：

重复单元，用于重新开始获取第一信息，直至所述新进入车辆到达所述停车线；

其中，所述期望到达时间估计计算单元包括：

第三信息获取单元，用于获取第三信息，所述第三信息包括当前控制区域内的自由流速度、所述新进入车辆的最大舒适加速度、所述联网自动驾驶车辆的安全车头时距、人工驾驶车辆的安全车头时距和所述新进入车辆的前一辆车的所述期望到达时间；

最早到达时间计算单元，用于建立所述新进入车辆到达所述停车线的最早到达时间计算公式，将所述第一信息和所述第三信息作为所述最早到达时间计算公式的输入信息，求解所述最早到达时间计算公式，得到所述最早到达时间；

安全到达时间计算单元，用于建立所述新进入车辆到达所述停车线的安全到达时间计算公式，将所述第三信息作为所述安全到达时间计算公式的输入信息，求解所述安全到达时间计算公式，得到所述安全到达时间；

选取单元，用于在所述最早到达时间与所述安全到达时间之间选取最大值，作为较大值；

判断单元，用于判断所述较大值是否在所述路口的绿灯时间内，若在所述绿灯时间内，则所述期望到达时间为所述较大值；

否则，所述期望到达时间为下一周期绿灯开始时间；

其中，所述预测控制计算单元包括：

模型建立单元，用于建立模型预测控制模型,所述模型预测控制模型包括人工车辆跟驰行为控制模型、预设的成本函数和所述成本函数的约束条件组；

模型线性化单元，用于将预设的成本函数和所述成本函数的约束条件组线性化，得到所述线性化模型预测控制模型。

5. 根据权利要求4 所述的面向混合交通环境的路口协同生态驾驶控制***，其特征在于，所述最早到达时间计算单元包括：

预设第一计算单元，用于当所述新进入车辆在当前时刻位置大于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第一最早到达时间计算公式计算，得到所述最早到达时间；

预设第二计算单元，用于当所述新进入车辆在当前时刻位置小于或等于所述新进入车辆以最大舒适加速度加速到自由流速度所需要的距离时，则根据所述第一信息、所述第三信息和预设的第二最早到达时间计算公式计算，得到所述最早到达时间。

6. 根据权利要求4 所述的面向混合交通环境的路口协同生态驾驶控制***，其特征在于,所述安全到达时间计算单元包括：

预设第三计算单元，用于当所述新进入车辆的前一辆车是所述联网自动驾驶车辆时，则根据所述第三信息和预设的第一安全到达时间计算公式计算，得到所述安全到达时间；

预设第四计算单元，用于当所述新进入车辆的前一辆车是所述人工驾驶车辆时，则根据所述第三信息和预设的第二安全到达时间计算公式计算，得到所述安全到达时间。