基于复合网络的混合流环境下CAV多车协同避撞方法
- 国知局
- 2024-07-31 20:31:07
本发明涉及车辆避撞,尤其是指一种基于复合网络的混合流环境下智能网联车多车协同避撞方法、设备以及计算机可读存储介质。
背景技术:
1、随着经济社会的发展,城市现代化水平不断提高,智能交通技术得到了快速发展,同时,复杂多变的城市路况,日趋严重的交通拥堵,以及严峻的交通安全形势对智能交通系统提出了新的要求。在智能交通系统领域,高效利用智能网联车驾驶技术,实现人、车、路更加的协调密切的配合是非常重要的研究课题。目前,在智能交通系统快速发展与普及应用的基础上,智能网联汽车(connected-automated vehicle,cav)与人类驾驶车辆(human-driven vehicle,hv)共享道路成为可以预见的未来,车队协同驾驶系统的研究也在逐步展开,该研究大多基于两种经典理论,即智能交通系统架构(intelligent vehicle-highwaysystems architecture)以及混成动态系统理论(hybrid dynamic system)。随着车联网技术不断升级,车辆传感、车车通信等技术的普及程度不断加大,智能网联车核心技术之一的网联车主动避撞技术正在得到越来越多的重视。
2、现有技术中美国university of california,berkeley的道路交通研究课题组创造性地提出了一种采用分层结构的智能交通系统,具体包括了感知层、链接层、协调层、控制层以及执行机构,该系统初步勾勒出现代车联网技术的雏形,但许多细节尚未完善;法国national academy of sciences的hoc j h等学者提出协同换道是指当两个或两个以上的多智能体进行出行任务时,通过云平台进行协调控制,缓解资源紧张或冲突,实现个体或者集体的运行目标,该理论明确了车辆之间、车辆与云平台之间的信息交互行为,但尚未就交通安全问题提出明确的解决方法;德国aerospace center的heesen m等学者设置典型试验场景,基于逻辑回归算法对换道驾驶过程中的协同行为进行建模分析,但应用范围较小,难以应用到匝道、交叉口等其他交通场景。
3、目前,现有技术中对于车辆避撞技术有以下缺陷:
4、(1)当前所有的避撞模型都是逻辑选择模型,但是在信号交叉口、三车道、四车道、五车道等不同交通场景下,所需要的逻辑选择模型都不是完全相同的;针对不同情况设计不同的逻辑选择模型,对于车辆避撞技术的实际研究具有局限性;
5、(2)当前的技术研究较为单一,不符合实际情况,不利于解决实际情况中交通拥堵、交通事故和资源短缺带的问题;
6、(3)当前的避撞的方法都是涉事车辆进行避撞操作,难以解决由hv交通事故引发的交通堵塞的问题。
技术实现思路
1、为此,本发明所要解决的技术问题在于克服现有技术中针对不同应用场景需要设计不同的逻辑选择避撞模型,对于不同场景下的研究具有局限性;单一的技术研究不符合实际情况;仅对涉事车辆进行避障操作,难以解决由hv交通事故引发的交通堵塞的问题。
2、为解决上述技术问题,本发明提供了一种基于复合网络的混合流环境下智能网联车多车协同避撞方法,包括:
3、在智能网联车与人类驾驶车辆行驶过程中,当车道上出现故障车辆时,分别对预设范围车道上正常行驶的所有智能网联车,设置各个智能网联车的下一时刻行驶操作;基于协同自适应巡航控制系统,根据安全距离模型,识别各个智能网联车下一时刻行驶操作是否可行,得到各个智能网联车的下一时刻可行行驶操作;
4、分别标记预设范围车道上正常行驶的所有智能网联车的位置,记为对应智能网联车的初始状态节点;根据各个智能网联车的下一时刻各个可行行驶操作,得到各个智能网联车的各个虚拟车辆位置,并标记为各个智能网联车的虚拟车辆状态节点;根据各个智能网联车的初始状态节点和对应的各个虚拟车辆状态节点,得到各个智能网联车的节点集合,并得到各个智能网联车的操作序列集合;
5、用联系弧表示各个智能网联车节点集合中各个节点与其余智能网联车节点集合中各个节点之间的联系,根据所有智能网联车状态节点和联系弧,建立网联车避撞行为复合网络;
6、基于协同自适应巡航控制系统,对于任一智能网联车,获取其执行可行行驶操作前,该智能网联车行驶在当前车道上的加速度、以及该智能网联车后方其他智能网联车的加速度;获取其执行可行行驶操作后,该智能网联车行驶在目标车道上的加速度、以及该智能网联车后方其他智能网联车的加速度;设置礼貌因子和收益因子,并根据获取的各个加速度,定义联系弧的属性表示两个节点之间的负收益,从而得到各个智能网联车不同联系弧的值;
7、在复合网络中,设置决策函数,结合联系弧,建立目标智能网联车的目标函数;同时为确保目标智能网联车当前节点和下一节点被选择时,当前节点和下一节点均被选择,设置约束条件;且规定在每次选择联系弧时目标智能网联车的所有决策函数之和为1;根据复合网络中的所有联系弧和节点,得到目标智能网联车迭代直至达到预设迭代次数时的不同驾驶路线,根据各个驾驶路线中各个联系弧的值,计算每条驾驶路线中所有联系弧和的值,通过比较所有联系弧和的值,求解目标函数,得到当迭代直至预设迭代次数时,目标智能网联车所有联系弧和最小时对应的驾驶路线,该驾驶路线为目标智能网联车的最优驾驶路线;
8、基于上述目标智能网联车的最优驾驶路线的获取过程,依次得到所有智能网联车的最优驾驶路线,从而使得故障智能网联车后方道路上正常行驶的所有智能网联车,根据其对应的最优驾驶路线提前变道,避开预设的故障智能网联车影响范围。
9、优选地,所述分别对预设范围车道上正常行驶的所有智能网联车,设置各个智能网联车的下一时刻行驶操作;基于协同自适应巡航控制系统,根据安全距离模型,识别各个智能网联车下一时刻行驶操作是否可行,得到各个智能网联车的下一时刻可行行驶操作包括:
10、根据预设的行驶步长和行驶方向,分别对预设范围车道上正常行驶的所有智能网联车,设置各个智能网联车的下一时刻行驶操作;其中,预设的行驶步长为+1或-1或+2;预设的行驶方向为前、后、左、右;
11、基于协同自适应巡航控制系统,对于目标智能网联车zi,i=1,2,3...,m,将目标智能网联车保险杠与其执行行驶操作后紧邻的前方智能网联车的保险杠之间的纵向距离记为d;将目标智能网联车与其执行行驶操作后紧邻的前方智能网联车之间的安全距离记为dsafe;将目标智能网联车保险杠与其执行行驶操作后紧邻的后方智能网联车的保险杠之间的纵向距离记为dback;将目标智能网联车与其执行行驶操作后紧邻的后方智能网联车之间的安全距离记为dback_safe;其中,m表示所有智能网联车的数量;
12、当dsafe<d<2dsafe时,则认为目标智能网联车涉及碰撞事件;同时,判断dback和dback_safe的大小关系;当dback>dback_safe时,通过协同自适应巡航控制系统更新下一时刻目标智能网联车的速度vrec,并根据预设的行驶步长以及行驶方向,识别目标智能网联车下一时刻的各个可行行驶操作;当dback<dback_safe时,则不考虑此时设置的下一时刻行驶操作;
13、当d>2dsafe时,则认为目标智能网联车不涉及碰撞事件,目标智能网联车保持当前车道行驶,通过协同自适应巡航控制系统更新下一时刻目标智能网联车的速度vrec,根据预设的+1或+2行驶步长,识别目标智能网联车下一时刻的可行行驶操作;
14、当d<dsafe时,则不考虑此时设置的下一时刻行驶操作;
15、基于目标智能网联车下一时刻的可行行驶操作识别过程,分别识别各个智能网联车下一时刻行驶操作是否可行,得到各个智能网联车的下一时刻可行行驶操作。
16、优选地,安全距离模型包括:
17、在车辆行驶过程中,当前车突然以最大减速度刹车直至速度为0的过程中,后车能够实时获取前车的信息,同样以最大减速度刹车直至速度为0;此时,两车行驶时需要保持的最小安全距离的计算公式为
18、dsafe=df-dl+d0
19、其中,df表示后车刹车过程中行驶的距离,dl表示前车刹车过程中行驶的距离,d0表示两车以最大减速度减速为0时的最小安全间距,设置d0=1.5m;dsafe表示两车行驶时需要保持的最小安全距离,该值是与前后车速度相关的动态值,会随着车辆行驶状态而变化;adcc表示车辆的最大减速度,设置adcc=4.5m/s。
20、优选地,所述分别标记预设范围车道上正常行驶的所有智能网联车的位置,记为对应智能网联车的初始状态节点;根据各个智能网联车的下一时刻各个可行行驶操作,得到各个智能网联车的各个虚拟车辆位置,并记为各个智能网联车的虚拟车辆状态节点;根据各个智能网联车的初始状态节点和对应的各个虚拟车辆状态节点,得到各个智能网联车的节点集合,并得到各个智能网联车的操作序列集合包括:
21、标记预设范围车道上正常行驶的所有智能网联车的位置,记为对应智能网联车的初始状态节点,即为(z1,0)、(z2,0)、...、(zi,0)、...、(zm,0),其中,m表示所有智能网联车的数量;z1、z2、...、zi、...、zm表示智能网联车编号,则所有智能网联车的集合为h={z1、z2、...、zi、...、zm};
22、根据各个智能网联车的下一时刻各个可行行驶操作,得到各个智能网联车的各个虚拟车辆位置,并记为各个智能网联车的虚拟车辆状态节点,即智能网联车z1对应的虚拟车辆状态节点为(z1,1),(z1,2),(z1,3)...(z1,a);智能网联车z2对应的虚拟车辆状态节点为(z2,1),(z2,2),(z2,3)...(z2,b);……;智能网联车zi对应的虚拟车辆状态节点为(zi,1),(zi,2),(zi,3)...(zi,n);……;智能网联车zm对应的虚拟车辆状态节点为(zm,1),(zm,2),(zm,3)...(zm,m);
23、根据各个智能网联车的初始状态节点以及对应的虚拟车辆状态节点,得到各个智能网联车的节点集合,即
24、智能网联车z1的节点集合为{(z1,0),(z1,1),(z1,2),(z1,3)...(z1,a)};智能网联车z2的节点集合为{(z2,0),(z2,1),(z2,2),(z2,3)...(z2,b)};……;智能网联车zi的节点集合为{(zi,0),(zi,1),(zi,2),(zi,3)...(zi,n)};……;智能网联车zm的节点集合为{(zm,0),(zm,1),(zm,2),(zm,3)...(zm,m)};记所有智能网联车状态节点集合为n;
25、根据各个智能网联车的节点集合,得到各个智能网联车的操作序列集合,即
26、智能网联车z1的操作序列集合为智能网联车z2的操作序列集合为智能网联车zi的操作序列集合为智能网联车zm的操作序列集合为其中,a表示智能网联车z1可行行驶操作的数量;b表示智能网联车z2可行行驶操作的数量;……;n表示智能网联车zi可行行驶操作的数量;……;m表示智能网联车zm可行行驶操作的数量。
27、优选地,所述用联系弧表示各个智能网联车节点集合中各个节点与其余智能网联车节点集合中各个节点之间的联系,根据所有智能网联车状态节点和联系弧,建立网联车避撞行为复合网络包括:
28、用联系弧表示各个智能网联车节点集合中各个节点与其余智能网联车节点集合中各个节点之间的联系,则zi节点集合中各个节点与其余智能网联车节点集合中各个节点之间的联系弧为
29、((zi,0),(z1,0)),((zi,0),(z1,1)),((zi,0),(z1,2)),...,((zi,0),(z1,a));((zi,0),(z2,0)),((zi,0),(z2,1)),((zi,0),(z2,2)),...,((zi,0),(z2,b));...;((zi,0),(zm,1)),((zi,0),(zm,1)),((zi,0)(zm,2)),...,((zi,0),(zm,m));
30、((zi,1),(z1,0)),((zi,1),(z1,1)),((zi,1),(z1,2)),...,((zi,1),(z1,a));((zi,1),(z2,0)),((zi,1),(z2,1)),((zi,1),(z2,2)),...,((zi,1),(z2,b));...;((zi,1),(zm,1)),((zi,1),(zm,1)),((zi,1),(zm,2)),...,((zi,1),(zm,m));
31、((zi,2),(z1,0)),((zi,2),(z1,1)),((zi,2),(z1,2)),...,((zi,2),(z1,a));((zi,2),(z2,0)),((zi,2)(z2,1)),((zi,2),(z2,2)),...,((zi,2),(z2,b));...;((zi,2),(zm,1)),((zi,2),(zm,1)),((zi,2),(zm,2)),...,((zi,2),(zm,m));
32、...;
33、((zi,n),(z1,0)),((zi,n),(z1,1)),((zi,n),(z1,2)),...,((zi,n),(z1,a));((zi,n),(z2,0)),((zi,n),(z2,1)),((zi,n),(z2,2)),...,((zi,n),(z2,b));...;((zi,n),(zm,1)),((zi,n),(zm,1)),((zi,n),(zm,2)),...,((zi,n),(zm,m));
34、其中,i≠m;
35、根据上述zi的联系弧的表示形式,得到所有智能网联车的联系弧集合e;
36、根据所有智能网联车状态节点集合n和联系弧e,建立网联车避撞行为复合网络g(n,e)。
37、优选地,所述定义联系弧的属性包括:
38、根据换道行为对当前车道和目标车道的上、下游车产生的负收益,即智能网联车行驶费用,定义联系弧的属性,其表达式如下:
39、
40、其中,w(v,d),(u,r)(zi,o,t)表示在弧((v,d),(u,r))上,目标智能网联车从当前车道行驶至目标车道的操作对目标智能网联车的收益影响;o和t分别为表示目标智能网联车zi所行驶的当前车道和目标车道,若执行可行行驶操作后的节点与目标智能网联车节点处于同一车道上,则o与t相同;表示目标智能网联车行驶在当前车道上的加速度;表示目标智能网联车行驶在目标车道上的加速度;表示执行可行行驶操作后目标智能网联车后方智能网联车的加速度;αt表示执行可行行驶操作前目标车道后方智能网联车的加速度;表示执行可行行驶操作后当前车道后方智能网联车的加速度;αo执行可行行驶操作前当前车道后方智能网联车的加速度;
41、表示目标智能网联车通过换道获取的速度优势,对目标智能网联车的收益有正影响;η为礼貌因子;表示执行可行行驶操作对后续智能网联车的影响,避免破环交通稳定性;μ为受益因子;表示当前车道上后续智能网联车因目标智能网联车执行可行行驶操作带来的速度优势;
42、通过协同自适应巡航控制系统,可得到上述各个加速度的值,从而得到zi所有联系弧的值;进而得到复合网络中所有联系弧的值。
43、优选地,在复合网络中,设置决策函数,结合联系弧,建立目标智能网联车的目标函数;设置约束条件;根据预设迭代次数,计算得出目标函数的最小值,此时得到的所有联系弧和节点组成的驾驶路线为目标智能网联车的最优驾驶路线包括:
44、在复合网络g(n,e)中,若目标智能网联车在节点(v,d)处,则节点(v,d)和与之相联系的下一个节点(u,r)之间会存在的行驶费用,即联系弧表示前后两个节点(v,d)和(u,r)之间存在负收益;
45、设置决策函数x(v,d),(u,r),结合联系弧,建立决策最优驾驶路线的目标函数,其表达式为
46、
47、其中,x(v,d),(u,r)∈{0,1},当x(v,d),(u,r)取1时,表示选择弧((v,d),(u,r));当x(v,d),(u,r)取0时,表示不选择弧((v,d),(u,r));e表示弧的集合;
48、当前后两个节点之间的联系弧被选择时,则前后两个节点一定被选择,基于此前提,从弧的两端进行约束,确保复合网络中的车流平衡,设置约束条件,包括:
49、假设目标智能网联车的当前位置为(v,d)时,则下一位置为(u,r),设置节点(v,d)决策变量的约束条件为
50、
51、其中,y(v,d)∈{0,1},当y(v,d)取1时,表示选择节点(v,d);当y(v,d)取0时,表示不选择节点(v,d);n表示节点集合;该式表示在(v,d)节点上,选择下一节点时,对于任意一个可选择的节点(u,r),y(v,d)一定不大于所有x(v,d),(u,r)之和;
52、假设目标智能网联车的当前位置为(u,r)时,则上一位置为(v,d),设置节点(u,r)决策变量的约束条件为
53、
54、其中,y(u,r)∈{0,1},当y(u,r)取1时,表示选择节点(u,r);当y(u,r)取0时,表示不选择节点(u,r);n表示节点集合;该式表示在节点(u,r)上,选择上一个节点时,对于任意一个可选择的节点(v,d),y(u,r)一定不大于所有x(v,d),(u,r)之和;
55、在多车协同驾驶的情况下,为避免车辆发生冲突,规定目标车智能网联车对应的每一步的决策函数之和为1,则该约束条件表示为
56、
57、其中,zi表示目标智能网联车编号;h表示所有智能网联车的集合;f表示可行行驶操作的编号;表示目标智能网联车zi的操作序列集合;
58、根据复合网络中所有联系弧和节点,得到目标智能网联车迭代直至达到预设迭代次数时的不同驾驶路线,根据各个驾驶路线中各个联系弧的值,计算每条驾驶路线中所有联系弧和的值,通过比较所有联系弧和的值,求解目标函数,得到当迭代直至预设迭代次数时,目标智能网联车所有联系弧和最小时对应的驾驶路线,此时所有联系弧和节点组成的驾驶路线为目标智能网联车的最优驾驶路线。
59、优选地,设置迭代次数为200次。
60、本发明还提供了一种基于复合网络的混合流环境下智能网联车多车协同避撞设备,包括:
61、存储器,用于存储计算机程序;
62、处理器,用于执行所述计算机程序时实现如上述所述一种复合网络混合流环境下智能网联车多车协同避撞方法的步骤。
63、本发明还提供了一种计算机可读存储介质,包括:所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现上述一种复合网络混合流环境下智能网联车多车协同避撞方法的步骤。
64、本发明的上述技术方案相比现有技术具有以下有益效果:
65、(1)本发明所述的一种基于复合网络的混合流环境下智能网联车多车协同避撞方法,提出的新型避撞模型运用数学建模的方法,跳出逻辑判断的框架,针对不同的交通场景不需要重新设计模型,适用于绝大多数的交通场景,应用范围更加广泛,移植性好;
66、(2)本发明所述的一种基于复合网络的混合流环境下智能网联车多车协同避撞方法,以智能网联车为研究对象,考虑影响堵塞路段前后范围内的车辆,将网联车避撞问题转化为网络流优化问题的新型策略,在道路前方突发事故时,帮助后方车流提前变道,选择最优规划路线;事故范围内的车流协同避撞,快速通过堵塞路段;事故后方车流快速离开,为刚通过堵塞路段的车辆提供足够空间,避免堵塞范围扩大;车辆之间通过协同操作,充分运用cacc技术避免发生交通拥堵;
67、(3)本发明所述的一种基于复合网络的混合流环境下智能网联车多车协同避撞方法,基于现实车流构建虚拟复合网络,优化复合网络,使车流速度更快、效率更高、联系更紧密,提高了道路交通效率,改善了交通环境;
68、(4)本发明所述的一种复合网络混合流环境下智能网联车多车协同避撞方法,将网络模型构建、最优决策模型和仿真验证三合一,充分验证了模型的有效性和可行性,使得技术框架更加饱满。
本文地址:https://www.jishuxx.com/zhuanli/20240731/186607.html
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容, 请发送邮件至 YYfuon@163.com 举报,一经查实,本站将立刻删除。
下一篇
返回列表