一种基于C-V2X车路协同的智能网联汽车碳减排方法

本发明属于智能网联汽车碳减排领域，特别涉及一种基于c-v2x车路协同的智能网联汽车碳减排方法。

背景技术：

1、c-v2x(cellular vehicle-to-everything，蜂窝车联网)是智慧交通和智能驾驶的重要使能技术，通过车车协同、车路协同能够以更低的成本为智慧交通和智能驾驶提供更广泛、更准确地信息感知，实现更强大的网联智能。目前，越来越多的研究利用c-v2x技术以增强行车安全，提升交通效率和智能交通管理，c-v2x技术也是实现道路碳减排的一种的解决方案。

2、城市车辆在行驶过程中，由于城市道路交通流状态不稳定，车辆在运行时具有加减速频繁的特点。在公知技术中，一种基于vsp(vehicle specific power，车辆比功率)分布的交通运行数据与排放数据耦合方法与系统(cn 104715605 a)中对交通运行数据与车辆排放特征分析，提升了交通路段排放量的评估效率，车辆驾驶行为与车辆排放量具有相关关系。

3、在满足道路交通安全以及行驶效率前提下，如何减少道路交通碳排放量，是道路交通领域关注的重点问题之一。

技术实现思路

1、针对道路车辆不合理加速减速走走停停行为，使得道路碳排放量增加的问题，本发明基于c-v2x车路协同技术设计了一种控制智能网联汽车实现碳减排的方法，通过车车协同、车路协同对车辆驾驶行为进行优化，提升交通效率，优化道路交通流以减少车辆行驶过程中二氧化碳的排放。

2、为了解决上述问题，本发明提供的基于c-v2x车路协同的智能网联汽车碳减排方法，包括以下步骤：

3、步骤1、由路侧单元rsu和车辆共同获取道路交通信息以及车辆自身信息；

4、步骤2、路侧单元rsu根据道路交通信息和车辆自身信息，将交通路口前单一车道上进入不可换道区域内的车辆组成车辆队列，并指定其中距离路口最近的车辆为主车hv；

5、步骤3、路侧单元rsu利用基于深度强化学习模型训练得到决策模型，根据道路信息和主车的自身信息输出车辆最经济行驶动作a；

6、所述决策模型的状态空间a和动作空间s表示如下：

7、s＝{v,ac,vev,acev,d,dtl,s}；

8、a＝{v，ac}；

9、其中，v为hv自身速度、ac为主车的加速度，vev为hv前方车辆的速度，acev为主车前方车辆的加速度，d为hv与前方车辆距离，dtl为hv距离路口的距离，s为当前信号灯状态，包括了当前状态以及状态的持续时间；

10、用于训练的奖励函数以提高车辆通过速度，同时避免频繁的加减速和车辆碰撞为目的设计；

11、步骤4，路侧单元rsu将车辆最经济行驶动作通过i2v通信发送给主车，再由主车通过v2v通信分享至车辆队列内的其他车辆，各车辆以该行驶动作为依据实施碳减排行驶；

12、步骤5，在当前主车通过路口后，将其从所述车辆队列中去除，并回到步骤2继续执行。

13、优选地，所述奖励函数表达如下：

14、r＝ra+rb+rc

15、

16、

17、

18、其中，ra是车辆低速惩罚函数，rb是加速度惩罚函数，rc是条件奖励函数；α1、α2是惩罚函数对应的权重，t是训练中每一回合的时间步长，vt是当前时刻车辆行驶速度，vmax表示车辆高速行驶场景下，无潜在碰撞最大的行驶速度或道路限速二者孰小；act为当前时刻车辆的加速度，acmax为车辆最大加速度。

19、进一步的，决策模型的训练中，采用actor-critic算法框架。

20、进一步的，决策模型的训练中，采用近端策略优化算法更新模型参数。

21、优选地，步骤4中，若车辆为自动驾驶车辆则依照该车辆最经济行驶动作执行，若非自动驾驶车辆则向驾驶者提示该车辆最经济行驶动作。

22、进一步的，步骤4中，还包括依据收集到的数据结合车辆碳排放模型，计算采取最经济行驶动作后车辆的碳减排量，并向驾驶/乘坐人员提示该减排量。

23、进一步的，所述车辆碳排放模型如下：

24、

25、β为碳排放系数即单位能源消耗对应的二氧化碳排放量，ffuel,v为某一速度区间的单位距离油耗因子，vt为时刻t的行驶速度，γ为道路拥堵二氧化碳排放的补偿项，有：

26、

27、tl为车辆在此路段行驶的总时间，tl为拥堵时间，

28、由于上述技术方案的应用，本发明与现有技术相比具有下列优点：本发明采用c-v2x技术，通过车路协同来实现更大范围感知，通过驾驶行为建议使车辆以经济平稳的速度行驶，优化道路交通流提升道路交通效率，减少车辆的不合理加速减速，有效地应对由于不合理的驾驶行为造成的碳排放量增加的问题。

技术特征：

1.一种基于c-v2x车路协同的智能网联汽车碳减排方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的方法，其特征在于，所述奖励函数表达如下：

3.根据权利要求1所述的方法，其特征在于，决策模型的训练中，采用actor-critic算法框架。

4.根据权利要求3所述的方法，其特征在于，决策模型的训练中，采用近端策略优化算法更新模型参数。

5.根据权利要求1所述的方法，其特征在于，步骤4中，若车辆为自动驾驶车辆则依照该车辆最经济行驶动作执行，若非自动驾驶车辆则向驾驶者提示该车辆最经济行驶动作。

6.根据权利要求1所述的方法，其特征在于，步骤4中，还包括依据收集到的数据结合车辆碳排放模型，计算采取最经济行驶动作后车辆的碳减排量，并向驾驶/乘坐人员提示该减排量。

7.根据权利要求6所述的方法，其特征在于，所述车辆碳排放模型如下：

技术总结本发明属于智能网联汽车碳减排领域，特别涉及一种基于C‑V2X车路协同的智能网联汽车碳减排方法。包括由路侧单元RSU和车辆共同获取道路交通信息以及车辆自身信息；路侧单元RSU根据道路交通信息和车辆自身信息，将交通路口前单一车道上进入不可换道区域内的车辆组成车辆队列，并指定其中距离路口最近的车辆为主车HV；路侧单元RSU利用基于深度强化学习模型训练得到决策模型，根据道路信息和主车的自身信息输出车辆最经济行驶动作a；用于训练的奖励函数以提高车辆通过速度，同时避免频繁的加减速和车辆碰撞为目的设计；各车辆以该行驶动作为依据实施碳减排行驶。通过对车辆驾驶行为进行优化，提升交通效率，减少车辆行驶过程中二氧化碳的排放。技术研发人员：杨作秀,刘凯,梅诗远受保护的技术使用者：重庆大学技术研发日：技术公布日：2024/6/18