CN116524722A - 面向混行交通流的车辆生态驾驶控制方法、电子设备 - Google Patents

面向混行交通流的车辆生态驾驶控制方法、电子设备 Download PDF

Info

Publication number
CN116524722A
CN116524722A CN202310757724.XA CN202310757724A CN116524722A CN 116524722 A CN116524722 A CN 116524722A CN 202310757724 A CN202310757724 A CN 202310757724A CN 116524722 A CN116524722 A CN 116524722A
Authority
CN
China
Prior art keywords
vehicle
automatic driving
networked
ecological
time
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
CN202310757724.XA
Other languages
English (en)
Other versions
CN116524722B (zh
Inventor
胡隽
周启申
胡江焓
周斌
李德纮
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN202310757724.XA priority Critical patent/CN116524722B/zh
Publication of CN116524722A publication Critical patent/CN116524722A/zh
Application granted granted Critical
Publication of CN116524722B publication Critical patent/CN116524722B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/0125—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
    • 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
    • G08G1/096725—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 where the received information generates an automatic action on the vehicle control
    • 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

  • 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

本发明公开了一种面向混行交通流的车辆生态驾驶控制方法、电子设备；包括：基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和其形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；根据风险场模型预测人工驾驶车辆的纵向加速度，获取人工驾驶车辆的预测轨迹；构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，获取网联自动驾驶车辆的生态参考轨迹；基于网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹和风险场模型设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制求解，得到网联自动驾驶车辆的控制输入。

Description

面向混行交通流的车辆生态驾驶控制方法、电子设备
技术领域
本发明涉及人工势场理论、交通流理论和车辆运动规划与控制领域，尤其一种面向混行交通流的车辆生态驾驶控制方法、电子设备。
背景技术
近年来，随着车辆数量的迅速增加，能源消耗和污染物排放问题日益突出。此外，公路车辆，如小轿车、卡车和公共汽车，占运输业排放量约四分之三。生态驾驶是一种通过改变车辆的驾驶行为来提高交通***的节能减排效率的策略，其基本措施是为车辆提供实时驾驶建议，以减少停车和启动、怠速和急剧的加速/减速行为。众多研究和实践表明，生态驾驶可以减少3％-20％的燃料消耗和排放。近年来，随着自动驾驶和通信技术的发展，控制网联自动驾驶汽车（Connected and Autonomous Vehicles, CAVs）来实现生态驾驶被认为是一种有效且极具潜力的手段。相比于高速公路环境，城市道路交通流经常被交通信号灯打断，而车辆在信号路口处的加、减速和空转等行为会导致其燃料消耗和排放增加，因此面向城市道路环境开发生态驾驶策略具有重大意义。
目前，现有技术在研究网联自动驾驶汽车CAV的生态驾驶策略时忽略了其他社会车辆对其造成的影响，或者仅面向纯网联自动驾驶场景。但可以预见的是，人工驾驶车辆（MVs）和网联自动驾驶汽车（CAVs）将在道路上共存很长时间，形成混合交通流。
因此，亟需在混行交通流背景下，充分考虑人工驾驶车辆（MVs）和执行生态驾驶策略的网联自动驾驶汽车（CAVs）对彼此的影响，以确保生态驾驶策略不会给混行交通流带来负面的安全影响。此外，需要强调的是，生态驾驶车辆常使得车辆减速接近交叉口，而这种减速行为对于生态驾驶车辆后方车辆的驾驶员来说是难以预测的。因此，后方车辆对执行生态驾驶策略的车辆的安全影响不可忽视，而众多研究和实践忽略了这一点。
发明内容
本发明旨在面向人工驾驶车辆（MVs）和网联自动驾驶汽车（CAVs）的混行交通流环境，提供了一种面向混行交通流的车辆生态驾驶控制方法、电子设备。
根据本发明实施例的第一方面，提供了一种面向混行交通流的车辆生态驾驶控制方法，所述方法包括：
获取信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻；
基于网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；
根据风险场模型，预测人工驾驶车辆的纵向加速度，以此获取人工驾驶车辆的预测轨迹；
以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹；
根据风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入。
根据本发明实施例的第二方面，提供了一种面向混行交通流的车辆生态驾驶控制***，用于实现上述的面向混行交通流的车辆生态驾驶控制方法，所述***包括：中心控制器和若干个部署在网联自动驾驶车辆上的局部控制器；
中心控制器包括：
第一结果获取模块，用于收集信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻；
第二结果获取模块，用于根据网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；
人工驾驶车辆轨迹预测模块，用于基于风险场模型构建人工驾驶车辆的纵向加速度预测方法，以此获取人工驾驶车辆的预测轨迹；
网联自动驾驶车辆轨迹规划模块，用于以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹；
第一通讯模块，将网联自动驾驶车辆的生态参考轨迹下发至局部控制器；
局部控制器包括
第二通讯模块，接收网联自动驾驶车辆的生态参考轨迹；
网联自动驾驶车辆循迹模块，用于根据风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入。
根据本发明实施例的第三方面，提供了一种电子设备，包括存储器和处理器，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述的面向混行交通流的车辆生态驾驶控制方法。
根据本发明实施例的第四方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述的面向混行交通流的车辆生态驾驶控制方法。
与现有技术相比，本发明的有益效果为：本发明提供了一种面向混行交通流的车辆生态驾驶控制方法，在人工驾驶车辆（MVs）和网联自动驾驶汽车（CAVs）的混行交通流背景下，考虑了网联自动驾驶汽车前后方的人工驾驶车辆的带来的风险，并在保证交通通行效率的前提下，同时降低驾驶风险，并提高节能减排效率。同时，本发明提供的一种面向混行交通流的车辆生态驾驶控制***属于分层分布式架构，通过中心控制器获取网联自动驾驶车辆的生态参考轨迹，通过部署在网联自动驾驶车辆上的局部控制器在考虑网联自动驾驶汽车前后方的人工驾驶车辆的带来的风险因子下，求解生态参考轨迹，相比于经典的中心式控制方式，有效地降低了生态驾驶的通讯成本和算力成本。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向混行交通流的车辆生态驾驶控制方法的流程图；
图2为本发明实施例提供的面向混行交通流的车辆生态驾驶控制方法的结构框图；
图3为本发明实施例提供的交叉口排队演化与冲击波的示意图；
图4为本发明实施例提供的交叉口多辆生态驾驶车辆共存时排队演化示意图；
图5为本发明实施例提供的面向混行交通流的车辆生态驾驶控制***的示意图；
图6为本发明实施例提供的一种电子设备的示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，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。
需要说明的是，在不冲突的情况下，下述的实施例及实施方式中的特征可以相互组合。
如图1和图2所示，本发明实施例提供了一种面向混行交通流的车辆生态驾驶控制方法，所述方法包括：
步骤S1，获取信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻。
具体地，所述步骤S1具体包括以下步骤：
步骤S101，收集信号路口配时信息（Signal Phase and Timing, SPaT）、历史车辆状态信息和实时车辆状态信息。其中，车辆状态信息包括车辆位置、车辆速度和车辆加速度。
步骤S102，根据历史车辆状态信息标定路口饱和流量qs、饱和流密度ρs和拥堵流密度ρj。
步骤S103，根据实时车辆状态信息获取到达流量qa和到达流密度ρa。
步骤S104，计算路口集结波速度w1，表达式如下：
w1=(0-qa)/(ρj-ρa)；
计算路口消散波速度w2，表达式如下：
w2=(qs-0)/(ρs-ρj )；
还包括：路口驶离波w3为：
w3=(qs-qa)/(ρs-ρa )；
需要说明的是，交叉口排队演化与冲击波的示意图如图3所示，集结波w1指交通状态从到达流转变为拥堵流产生的冲击波，即图3中的直线AB；消散波w2指交通状态由拥堵流转换为饱和流产生的冲击波，即图3中的直线BC；驶离波w3指的是交通状态由到达流转变为饱和流产生的冲击波，即图3中的直线BD。
步骤S105，根据路口冲击波传播速度和车辆状态信息，预测网联自动驾驶汽车CAV前方车辆的排队情况，得到网联自动驾驶汽车CAV将要面临的交叉口最远排队点位置lmq和最远排队形成的时刻tmq。
具体地，根据信号路口配时信息和实时车辆状态信息获取当前排队长度L0。
记第一辆网联自动驾驶汽车CAV进入交叉口的时间为t0，信号将在tg时刻变绿，tr时刻变红。为统一不同情况下最远排队点位置和形成时间的计算，需要对绿灯开始时间tg进行调整，表示调整后的绿灯开始时间，由下述公式计算：
；
式中，c为信号周期长度。
使用调整后的绿灯开始时间，计算最远排队点与停车线的距离Lmq，表达式如下：
；
式中，w1为集结波速度，w2为消散波速度，表示调整后的绿灯开始时间，t0为第一辆网联自动驾驶汽车进入交叉口的时间，ρj为拥堵流密度，N0为第一辆网联自动驾驶汽车与停车线之间的车辆总数。
计算网联自动驾驶汽车下游交叉口最远排队点位置lmq，表达式如下：
lmq=ls-Lmq；
计算最远排队形成的时刻tmq，表达式如下：
tmq=-Lmq/w2；
式中，ls表示停车线位置。
步骤S2，基于网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态。
需要说明是，为保证原有交叉口通行效率，需要预测网联自动驾驶汽车CAV通过停车线的时间和车辆状态/>（终端状态）。其中，终端状态/>包括网联自动驾驶汽车CAV通过停车线的位置和速度。网联自动驾驶汽车通过停车线的速度即饱和流的速度，由于车辆多以饱和交通条件通过经常形成排队的交叉口，本实例中认为受控的网联自动驾驶汽车CAV也应该以此速度通过，这既保证了原有的通行效率，也降低了网联自动驾驶汽车CAV通过交叉口的速度，进一步保障了安全。
获取网联自动驾驶汽车通过停车线的时间，表达式如下：
；
获取网联自动驾驶汽车通过停车线的车辆状态，表达式如下：
；
；
式中，表示网联自动驾驶汽车通过停车线的速度，即饱和流的速度。
步骤S3，根据风险场模型，构建人工驾驶车辆的纵向加速度预测方法，以此获取人工驾驶车辆的预测轨迹。
表达式如下：
；
；
式中，表示驾驶员期望的加速度，/>表示车辆的最小加速度，/>表示车辆的最大加速度，/>表示驾驶员预瞄时间，/>表示驾驶员的期望风险，/>表示速度对风险的影响因子，/>表示距离对风险的影响因子，/>表示车辆的位置，/>表示车辆的速度，/>表示车辆的长度，/>表示时间，i表示车辆编号，其中第i-1辆车在第/>辆车前方。
步骤S4，以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹。
以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，表达式如下：
；
式中，表示网联自动驾驶车辆在通过停车线时刻的车辆状态；表示网联自 动驾驶车辆通过停车线的车辆状态；表示对网联自动驾驶车辆通过停车线的 状态的惩罚；表示车辆瞬时油耗；表示网联自动驾驶车辆在t时刻的速度，表示网联自动驾驶车辆在时刻的加速度；和均表示惩罚权重。
此外，车辆运动需满足下述动力学公式和动力学约束：
；
；
；
式中，表示道路限速，表示车辆的最小加速度，表示车辆的最大加 速度，表示网联自动驾驶车辆在t时刻的速度，表示网联自动驾驶车辆在时刻的 加速度。
为避免排队，需利用基于步骤S1得到的最远排队点和其形成时间/>建立轨迹约束，使得网联自动驾驶车辆CAV在/>时位置/>处于最远排队点上游，即：
；
特别地，当路口有超过一辆网联自动驾驶车辆CAV存在，那么对于第二辆网联自动驾驶汽车CAV而言，前方交叉口的排队现象可能由于第一辆网联自动驾驶车辆CAV的生态驾驶行为而消除，如图4所示。因此，对于第一辆之后的网联自动驾驶车辆CAV，步骤S3得到的人工驾驶车辆MV的预测轨迹将替代排队信息作为第二辆网联自动驾驶汽车CAV的轨迹约束，即：
；
式中，表示MV的预测轨迹。
求解最优生态参考轨迹规划模型后，可得到网联自动驾驶车辆CAV的加速度曲线，根据加速度曲线可以计算出网联自动驾驶车辆CAV的生态参考轨迹/>。
步骤S5，根据风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制（ModelPredictive Control, MPC）进行求解，得到网联自动驾驶车辆的控制输入。
由于生态驾驶策略通常是使得车辆减速靠近交叉口，因此同时考虑网联自动驾驶车辆CAV前后车辆对其造成的风险。为增强控制策略鲁棒性，本实例采用模型预测控制（Model Predictive Control, MPC）对问题滚动求解。
网联自动驾驶车辆CAV前后车辆对其造成的风险涉及到CAV前后车辆的轨迹预测，在本实例中，CAV后方的人工驾驶车辆的轨迹可以通过将CAV的规划轨迹输入步骤S3的轨迹预测方法得到；而对于处于所有CAV前方的人工驾驶车辆，其预测轨迹基于其加速度在未来一段时间内保持不变的假设下获得。根据网联自动驾驶车辆前后方的人工驾驶车辆的预测轨迹，设定前车风险因子和后车风险因子/>根据信号配时信息，设定信号灯风险因子/>。
设定循迹目标和车辆动力学约束，求解得到网联自动驾驶车辆的控制输入；
其中，循迹目标的表达式为：
式中，x(k+i)表示网联自动驾驶车辆在k+i步的状态，k表示当前时间步，i表示预测步数，x(k+i)ref表示网联自动驾驶车辆的生态参考轨迹，Qref、β2、β3和β4均表示惩罚权重，P表示预测时域。
在求解出循迹目标后，将得到预测时域内的控制序列：。但本实例仅采用/>对网联自动驾驶车辆CAV施加控制，并在下一个时间步，重新获得环境的信息，更新车辆状态信息和信号配时信息，重新求解该问题。如此反复，直到网联自动驾驶车辆CAV通过交叉口。
如图5所示，本发明实施例还提供了一种面向混行交通流的车辆生态驾驶控制***，用于实现上述的面向混行交通流的车辆生态驾驶控制方法，所述***包括：中心控制器和若干个部署在网联自动驾驶车辆上的局部控制器；
中心控制器包括：
第一结果获取模块，用于收集信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻；
第二结果获取模块，用于根据网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；
人工驾驶车辆轨迹预测模块，用于根据风险场模型构建人工驾驶车辆的纵向加速度预测方法，以此获取人工驾驶车辆的预测轨迹；
网联自动驾驶车辆轨迹规划模块，用于以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹；
第一通讯模块，将网联自动驾驶车辆的生态参考轨迹下发至局部控制器；
局部控制器包括
第二通讯模块，接收网联自动驾驶车辆的生态参考轨迹；
网联自动驾驶车辆循迹模块，用于基于风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，根据风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入。
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。
对于***实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本申请方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
相应的，本申请还提供一种电子设备，包括：一个或多个处理器；存储器，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上述的面向混行交通流的车辆生态驾驶控制方法。如图6所示，为本发明实施例提供的面向混行交通流的车辆生态驾驶控制方法所在任意具备数据处理能力的设备的一种硬件结构图，除了图6所示的处理器、内存以及网络接口之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
相应的，本申请还提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现如上述的面向混行交通流的车辆生态驾驶控制方法。所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (10)

1.一种面向混行交通流的车辆生态驾驶控制方法，其特征在于，所述方法包括：
获取信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻；
基于网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；
根据风险场模型，预测人工驾驶车辆的纵向加速度，以此获取人工驾驶车辆的预测轨迹；
以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹；
根据风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入。
2.根据权利要求1所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，计算路口集结波速度、消散波速度和驶离波速度包括：
根据历史车辆状态信息获取路口饱和流量qs、饱和流密度ρs和拥堵流密度ρj；
根据实时车辆状态信息获取到达流量qa和到达流密度ρa；
计算路口集结波速度w1，表达式如下：
w1=(0-qa)/(ρj-ρa)；
计算路口消散波速度w2，表达式如下：
w2=(qs-0)/(ρs-ρj )。
3.根据权利要求1或2所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，计算网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻包括：
根据信号路口配时信息和实时车辆状态信息获取当前排队长度L0；
计算最远排队点与停车线的距离Lmq，表达式如下：
；
式中，w1为集结波速度，w2为消散波速度，表示调整后的绿灯开始时间，t0为第一辆网联自动驾驶汽车进入交叉口的时间，ρj为拥堵流密度，N0为第一辆网联自动驾驶汽车与停车线之间的车辆总数；
计算网联自动驾驶汽车下游交叉口最远排队点位置lmq，表达式如下：
lmq=ls-Lmq；
式中，ls表示停车线位置；
计算最远排队形成的时刻tmq，表达式如下：
tmq=-Lmq/w2；
其中，调整后的绿灯开始时间包括：
；
式中，tg表示信号灯变绿的时刻，tr表示信号灯变红的时刻，c为信号周期长度。
4.根据权利要求3所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，基于网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态包括：
获取网联自动驾驶汽车通过停车线的时间，表达式如下：
；
获取网联自动驾驶汽车通过停车线的车辆状态，表达式如下：
；
式中，表示网联自动驾驶汽车通过停车线的速度，即饱和流的速度。
5.根据权利要求1所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，根据风险场模型，预测人工驾驶车辆的纵向加速度，以此获取人工驾驶车辆的预测轨迹包括：
人工驾驶车辆的纵向加速度的表达式如下：
；
；
式中，表示驾驶员期望的加速度，/>表示车辆的最小加速度，/>表示车辆的最大加速度，/>表示驾驶员预瞄时间，/>表示驾驶员的期望风险，/>表示速度对风险的影响因子，/>表示距离对风险的影响因子，/>表示车辆的位置，/>表示车辆的速度，/>表示车辆的长度，/>表示时间，i表示车辆编号，其中第i-1辆车在第/>辆车前方。
6.根据权利要求1所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹包括：
以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，表达式如下：
；
式中，表示网联自动驾驶车辆在通过停车线时刻/>的车辆状态；/>表示网联自动驾驶车辆通过停车线的车辆状态；/>表示对网联自动驾驶车辆通过停车线的状态的惩罚；/>表示车辆瞬时油耗；/>表示网联自动驾驶车辆在t时刻的速度，/>表示网联自动驾驶车辆在/>时刻的加速度；/>和/>均表示惩罚权重；
以道路限速及车辆的最小加速度、最大加速度设定车辆动力学约束；
设定轨迹约束包括：
第一辆通过停车线的网联自动驾驶车辆对应的轨迹约束为：
；
式中，表示网联自动驾驶车辆在/>时的位置；
第j辆通过停车线的网联自动驾驶车辆对应的轨迹约束为：
；
式中，j为大于等于2的正整数，表示网联自动驾驶车辆的位置，/>表示网联自动驾驶车辆前方的人工驾驶车辆的轨迹。
7.根据权利要求1所述的面向混行交通流的车辆生态驾驶控制方法，其特征在于，基于风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入包括：
根据网联自动驾驶车辆后方的人工驾驶车辆的预测轨迹，设定后车风险因子；
根据网联自动驾驶车辆前方的人工驾驶车辆的预测轨迹，设定前车风险因子；
设定信号灯风险因子；
设定循迹目标和车辆动力学约束，求解得到网联自动驾驶车辆的控制输入；
其中，循迹目标的表达式为：
；
式中，x(k+i)表示网联自动驾驶车辆在k+i步的状态，k表示当前时间步，i表示预测步数，x(k+i)ref表示网联自动驾驶车辆的生态参考轨迹，Qref、β2、β3和β4均表示惩罚权重，P表示预测时域。
8.一种面向混行交通流的车辆生态驾驶控制***，其特征在于，用于实现权利要求1-7中任一所述的面向混行交通流的车辆生态驾驶控制方法，所述***包括：中心控制器和若干个部署在网联自动驾驶车辆上的局部控制器；
中心控制器包括：
第一结果获取模块，用于收集信号路口配时信息、历史车辆状态信息和实时车辆状态信息；基于冲击波演化理论，计算路口集结波速度、消散波速度，得到网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻；
第二结果获取模块，用于根据网联自动驾驶汽车下游交叉口最远排队点位置和最远排队形成的时刻，预测网联自动驾驶汽车通过停车线的时间和车辆状态；
人工驾驶车辆轨迹预测模块，用于基于风险场模型，构建人工驾驶车辆的纵向加速度预测方法，以此获取人工驾驶车辆的预测轨迹；
网联自动驾驶车辆轨迹规划模块，用于以车辆瞬时油耗和对通过停车线的状态惩罚为目标函数，设定车辆动力学约束和轨迹约束，构建并求解网联自动驾驶汽车最优生态参考轨迹规划模型，得到网联自动驾驶车辆的加速度曲线，以此获取网联自动驾驶车辆的生态参考轨迹；
第一通讯模块，将网联自动驾驶车辆的生态参考轨迹下发至局部控制器；
局部控制器包括
第二通讯模块，接收网联自动驾驶车辆的生态参考轨迹；
网联自动驾驶车辆循迹模块，用于根据风险场模型和网联自动驾驶车辆前后的人工驾驶车辆的预测轨迹设定风险因子，并基于风险因子和生态参考轨迹构建循迹目标，采用模型预测控制进行求解，得到网联自动驾驶车辆的控制输入。
9.一种电子设备，包括存储器和处理器，其特征在于，所述存储器与所述处理器耦接；其中，所述存储器用于存储程序数据，所述处理器用于执行所述程序数据以实现上述权利要求1-7任一项所述的面向混行交通流的车辆生态驾驶控制方法。
10.一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，所述程序被处理器执行时实现如权利要求1-7中任一所述的面向混行交通流的车辆生态驾驶控制方法。
CN202310757724.XA 2023-06-26 2023-06-26 面向混行交通流的车辆生态驾驶控制方法、电子设备 Active CN116524722B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310757724.XA CN116524722B (zh) 2023-06-26 2023-06-26 面向混行交通流的车辆生态驾驶控制方法、电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310757724.XA CN116524722B (zh) 2023-06-26 2023-06-26 面向混行交通流的车辆生态驾驶控制方法、电子设备

Publications (2)

Publication Number Publication Date
CN116524722A true CN116524722A (zh) 2023-08-01
CN116524722B CN116524722B (zh) 2023-10-13

Family

ID=87397905

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310757724.XA Active CN116524722B (zh) 2023-06-26 2023-06-26 面向混行交通流的车辆生态驾驶控制方法、电子设备

Country Status (1)

Country Link
CN (1) CN116524722B (zh)

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070112475A1 (en) * 2005-11-17 2007-05-17 Motility Systems, Inc. Power management systems and devices
JP2013069020A (ja) * 2011-09-21 2013-04-18 Nissan Motor Co Ltd エコ運転支援装置
CN104778851A (zh) * 2015-02-16 2015-07-15 北京交通大学 一种基于行驶轨迹的生态驾驶优化方法和***
US20190203678A1 (en) * 2017-12-29 2019-07-04 Chien-Hsiang Huang Supercharger Structure for an All Terrain Vehicle or a Utility Vehicle
CN112907946A (zh) * 2021-01-04 2021-06-04 清华大学 一种自动驾驶车辆与其他车辆混行的交通控制方法以及***
CN113393688A (zh) * 2021-05-13 2021-09-14 杭州电子科技大学 一种基于队列长度预测的交叉口生态驾驶优化方法
CN113689692A (zh) * 2021-07-14 2021-11-23 东南大学 智能网联混合交通流信号交叉口车辆到达预测修正方法
US20210403034A1 (en) * 2020-06-29 2021-12-30 Woven Planet North America, Inc. Systems and Methods for Optimizing Trajectory Planner Based on Human Driving Behaviors
CN114265398A (zh) * 2021-11-16 2022-04-01 长安大学 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN114613179A (zh) * 2021-12-22 2022-06-10 江苏大学 网联自动驾驶车辆混行交叉口集聚通行方法及其控制***
CN114852076A (zh) * 2022-03-30 2022-08-05 北京航空航天大学 一种混行交通流环境下自动驾驶车辆轨迹规划方法
CN114973733A (zh) * 2022-04-29 2022-08-30 北京交通大学 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN116206447A (zh) * 2023-02-24 2023-06-02 同济大学 一种智能网联车辆交叉口生态驾驶控制方法

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070112475A1 (en) * 2005-11-17 2007-05-17 Motility Systems, Inc. Power management systems and devices
JP2013069020A (ja) * 2011-09-21 2013-04-18 Nissan Motor Co Ltd エコ運転支援装置
CN104778851A (zh) * 2015-02-16 2015-07-15 北京交通大学 一种基于行驶轨迹的生态驾驶优化方法和***
US20190203678A1 (en) * 2017-12-29 2019-07-04 Chien-Hsiang Huang Supercharger Structure for an All Terrain Vehicle or a Utility Vehicle
US20210403034A1 (en) * 2020-06-29 2021-12-30 Woven Planet North America, Inc. Systems and Methods for Optimizing Trajectory Planner Based on Human Driving Behaviors
CN112907946A (zh) * 2021-01-04 2021-06-04 清华大学 一种自动驾驶车辆与其他车辆混行的交通控制方法以及***
CN113393688A (zh) * 2021-05-13 2021-09-14 杭州电子科技大学 一种基于队列长度预测的交叉口生态驾驶优化方法
CN113689692A (zh) * 2021-07-14 2021-11-23 东南大学 智能网联混合交通流信号交叉口车辆到达预测修正方法
CN114265398A (zh) * 2021-11-16 2022-04-01 长安大学 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN114613179A (zh) * 2021-12-22 2022-06-10 江苏大学 网联自动驾驶车辆混行交叉口集聚通行方法及其控制***
CN114852076A (zh) * 2022-03-30 2022-08-05 北京航空航天大学 一种混行交通流环境下自动驾驶车辆轨迹规划方法
CN114973733A (zh) * 2022-04-29 2022-08-30 北京交通大学 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN116206447A (zh) * 2023-02-24 2023-06-02 同济大学 一种智能网联车辆交叉口生态驾驶控制方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YONGHUI HU ET AL.: "Urban Eco-driving of Connected and Automated Vehicles in Traffic-Mixed and Power-heterogeneous Conditions", 2021 IEEE INTERNATIONAL INTELLIGENT TRANSPORTATION SYSTEMS CONFERENCE (ITSC) *
刘显贵等: "网联环境下信号交叉口车速控制策略及优化", 交通运输***工程与信息, vol. 21, no. 2 *
胡永辉等: "智能网联混行动力异构交通流生态驾驶", 中国公路学报, vol. 35, no. 3 *

Also Published As

Publication number Publication date
CN116524722B (zh) 2023-10-13

Similar Documents

Publication Publication Date Title
Sun et al. Optimal eco-driving control of connected and autonomous vehicles through signalized intersections
CN111445692B (zh) 一种无信号灯路口智能网联汽车的速度协同优化方法
Wang et al. Developing a platoon-wide eco-cooperative adaptive cruise control (CACC) system
Qi et al. Integrated-connected eco-driving system for phevs with co-optimization of vehicle dynamics and powertrain operations
CN103208191B (zh) 一种城市道路交叉口过饱和条件下信号协调控制的优化方法
CN106960584A (zh) 一种自适应路***通信号灯的交通控制方法及装置
Lu et al. A speed control method at successive signalized intersections under connected vehicles environment
Ye et al. Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings
CN108364486B (zh) 多场景车辆优先自适应交通信号控制***及其工作方法
Hu et al. Transit signal priority enabling connected and automated buses to cut through traffic
Li et al. Traffic signal timing optimization in connected vehicles environment
CN109816978B (zh) 考虑驾驶员动态响应行为的区域群体交通诱导***及方法
CN113312752B (zh) 一种主路优先控制交叉***通仿真方法及装置
Hou et al. Cooperative and integrated vehicle and intersection control for energy efficiency (CIVIC-E 2)
Sethuraman et al. Effects of bus platooning in an urban environment
CN115565390B (zh) 智能网联汽车多车道队列通行控制方法、***及计算机可读存储介质
Ding et al. Strategy for multiobjective transit signal priority with prediction of bus dwell time at stops
Guerrero-Ibanez et al. A policy-based multi-agent management approach for intelligent traffic-light control
Mello et al. Energy-optimal speed trajectories between stops
WO2023035666A1 (zh) 一种基于预期收益估计的城市路网交通信号灯控制方法
Long et al. Integrated optimization of traffic signals and vehicle trajectories at intersection with the consideration of safety during signal change
Liu et al. Field assessment of intersection performance enhanced by traffic signal optimization and vehicle trajectory planning
CN116524722B (zh) 面向混行交通流的车辆生态驾驶控制方法、电子设备
Wei et al. Developing an adaptive strategy for connected eco-driving under uncertain traffic condition
Li et al. Traffic signal timing optimization incorporating individual vehicle fuel consumption characteristics under connected vehicles environment

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