一种多参协同控制的机车走行与定位方法与流程

本发明涉及机车控制的，尤其是涉及一种多参协同控制的机车走行与定位方法。

背景技术：

1、随着科技的不断进步，无人驾驶系统正逐渐成为现实，这一技术的发展引发了对车辆控制和协同方法的探索和研究，在无人驾驶系统中，车辆需要通过传感器获取周围环境的信息，并根据这些信息做出决策，然后，车辆控制系统会根据传感器获取的信息来控制车辆的行驶。

2、现有的无人驾驶汽车(cav)通过车车通信获得其它cav的运动状态信息，实现cav之间的协同驾驶，能够以缓解交通干扰产生的冲击波。然而在既存在cav,又存在人工驾驶汽车(hdv)的道路上,hdv由于人类驾驶存在行为的不可预料性，且hdv无法与cav进行v2v通信，cav无法得知hdv的数量及实时运动状态，这导致了交通震荡下的预测和实际车辆状态之间存在较大偏差而限制了队列的控制性能，降低整个混合交通流的行驶效率，增加了安全隐患。

技术实现思路

1、根据现有技术存在的不足，本发明的目的是提供一种多参协同控制的机车走行与定位方法，具有解决由于人工驾驶行为的随机性与异质性导致自动驾驶车辆控制效果较差的问题，提高整个混合交通流的行驶效率，降低安全隐患的效果。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、一种多参协同控制的机车走行与定位方法，包括以下步骤：

4、s1、采集混合交通环境下的车流图片数据集，然后进行预处理；

5、s2、将步骤s1预处理的图片数据集按照子队列的个数划分为m块，使用残差多尺度神经网络生成对应的数量估计密度图；

6、s3、基于步骤s2得到的密度图进行积分得到最终估计的每个子队列中人工驾驶车辆的数量n-1；

7、s4、采集混合交通环境下的车流视频数据集，然后进行预处理；

8、s5、利用多尺度特征提取和残差连接技术构建深度神经网络模型，将步骤s4预处理的视频数据作为神经网络的输入，预测人工驾驶车辆在下一时间步长的运动学状态，如速度、加速度、转向角；

9、s6、基于步骤s3所得的车辆数量估计和步骤s5所得的运动学状态预测结果控制车辆的运动状态。

10、本发明在一较佳示例中可以进一步配置为：所述所述步骤s1的具体方法为：

11、从cityscapesdataset中选取不同场景、不同时间段和不同车流密度的图片数据，经图像调整、裁剪或填充、像素值标准化和抽取感兴趣区域操作完成整个预处理过程；

12、具体如下：选择800张图像作为车辆密度估计数据集，每张图像车辆数量从6～60不等，并将图像数据集按6∶4划分为训练集和测试集，训练集480张图像，测试集320张图像；

13、将所有图像调整为相同的大小，通过裁剪或填充来使其成为方形；

14、将像素值标准化为均值为0，标准差为1的分布。

15、本发明在一较佳示例中可以进一步配置为：所述步骤s2的具体方法为：

16、s21、利用自动化标注工具自动识别图像中的所有车辆并进行标注；

17、s22、使用残差多尺度神经网络识别自动驾驶车并进行特殊标注，然后根据标注结果划分为m个子队列，最后去除自动驾驶车将车辆图像标注转换为对应的数量估计密度图。

18、本发明在一较佳示例中可以进一步配置为：所述步骤s4的具体方法为：

19、从cityscapesdataset中选取不同场景、不同时间段和不同车流密度的视频数据，经读取、裁剪、标准化、归一化、序列化操作完成整个预处理过程。

20、本发明在一较佳示例中可以进一步配置为：所述步骤s5的具体方法为：

21、s51、车辆状态提取与编码；

22、s52、计算马尔科夫链状态转移矩阵；

23、s53、将步骤s51编码的车辆运动状态进行解码进行人工驾驶车随机运动的预测。

24、本发明在一较佳示例中可以进一步配置为：所述步骤s6的具体方法如下：

25、s61、根据人工驾驶车辆的估计数量建立单车队的通信拓扑结构，将每个子队列的前n个车的状态信息传递给尾车cav；

26、s62、建立多车队的通信拓扑结构，使用中继节点进行多个队列之间的通信，在每个车队的尾车上各设置一个中继节点，接收其余m-1个车队的信号并将自身信号传递给其余m-1个车队实现多车队之间信息共享；

27、s63、使用extendedintelligentdrivermodel(eidm)模型引导的无模型深度确定性策略梯度(ddpg)算法设计混合交通环境下的多车队协同控制器，通过接收车辆运动学预测状态计算可行的控制决策，综合了基于模型的车辆跟随模型和无模型drl方法的优点，提高了车辆跟随控制性能和训练收敛性。

28、本发明在一较佳示例中可以进一步配置为：所述无人驾驶汽车(cav)与其它cav之间通过v2v通信技术相连接进行协同驾驶，具体控制方法为：

29、s71、单车融合处理器对相应车辆上的各个传感器采集的信息进行融合，得到相应车辆周围的障碍物信息；

30、s72、通信装置将相应车辆周围的障碍物信息发送给多车融合处理器；

31、s73、多车融合处理器对所述车队中的每个车辆周围的障碍物信息进行融合，得到车队周围的障碍物信息。

32、本发明在一较佳示例中可以进一步配置为：所述步骤s73中，多车融合处理器根据相应车辆周围的障碍物信息，统计相应车辆周围的第二类全部障碍物，以及确定所述第二类全部障碍物中的每一个障碍物的各项信息的置信度；

33、多车融合处理器利用目标追踪算法对所述第二类全部障碍物中的每一个障碍物的各项信息进行加权平均计算，得到所述第二类全部障碍物中的每一个障碍物的最终信息，其中，所述加权平均计算中使用的权重为所述第二类全部障碍物中的每一个障碍物的各项信息的置信度；

34、多车融合处理器将所述第二类全部障碍物中的每一个障碍物的最终信息，确定为所述车队周围的障碍物信息。

35、本发明在一较佳示例中可以进一步配置为：所述步骤s71中，单车融合处理器采集相应车辆上的各个传感器采集的信息，统计所述各个传感器感知到的第一类全部障碍物，以及确定所述第一类全部障碍物中的每一个障碍物的各项信息的置信度；

36、单车融合处理器利用目标追踪算法对所述第一类全部障碍物中的每一个障碍物的各项信息进行加权平均计算，得到所述第一类全部障碍物中的每一个障碍物的最终信息，其中，所述加权平均计算中使用的权重为所述第一类全部障碍物中的每一个障碍物的各项信息的置信度；

37、单车融合处理器将所述第一类全部障碍物中的每一个障碍物的最终信息，确定为相应车辆周围的障碍物信息。

38、综上所述，本发明包括以下至少一种有益技术效果：

39、1.本发明能够分析人工驾驶车辆与无人驾驶车辆共同存在的混合道路上的车辆运动状态，从而提高了车队的控制性能，进而提高行驶效率和行驶安全性，且使用残差多尺度卷积神经网络，较大程度上解决了车流图像或视频中存在着严重的遮挡、视角的失真以及显著的密度变化等问题，引入的残差单元可以避免梯度消失或者梯度爆炸以及网络退化问题，且能够减少模型中的参数数量和计算复杂度，提高预测效率。

40、2.在车队行驶时，通过对车队中单个车辆上各个传感器采集的信息进行融合得到单个车辆周围的障碍物信息，然后再通过对每个车辆周围的障碍物信息进行融合得到整个车队周围的障碍物信息，该方法将车队中所有车辆的单车智能感知信息进行二次融合得到针对整个车队的障碍物信息，有利于整个做出车队的协同控制决策，提升了车队协同控制的精准度。