一种自适应剪枝智能网联车辆轨迹控制方法和系统与流程

本发明涉及交通监控，具体地，涉及一种自适应剪枝智能网联车辆轨迹控制方法和系统。

背景技术：

1、随着城市交通日益拥挤，如何有效管理混合交通流，提高交通效率和安全性，成为了迫切需要解决的问题。混合交通流是指自动化车辆和传统车辆共享道路的场景，这在未来几十年内将是常态。这一背景下的关键挑战包括如何在不牺牲交通流动性和安全性的前提下，提升整体网络的能效。尤其是在智能网联车辆(cav)逐渐投入使用的背景下，如何实现cav与hdv之间的有效互动，优化交通流动，减少交通拥堵，提高燃油效率，成为了研究的重点。

2、在自动驾驶网联环境下，cav通过先进的传感器、通信技术和控制算法，有潜力在保证安全的同时，优化自身的行驶路径和速度，减少能源消耗。然而，cav的潜力并不仅限于自身优化，还包括通过与周围其他cav的交互，来影响整个交通流的行为。这种影响可以通过提供速度和车道变更建议来实现，以促进更为平滑和能效高的交通流动。

3、现有技术通常关注车辆跟随或碰撞避免行为，对于cav间的控制策略大多是分开考虑，缺乏一种系统的解决方案，以实现两者之间的有效协同，从而提高整个交通系统的效率和安全性。

4、因此，提供一种在使用过程中可以克服以上技术问题的自适应剪枝智能网联车辆轨迹控制方法和系统是本发明亟需解决的问题。

技术实现思路

1、针对上述技术问题，本发明的目的是克服现有技术中通常关注车辆跟随或碰撞避免行为，对于cav间的控制策略大多是分开考虑，缺乏一种系统的解决方案的问题，从而供一种在使用过程中可以实现两者之间的有效协同，从而提高整个交通系统的效率和安全性的自适应剪枝智能网联车辆轨迹控制方法和系统。

2、为了实现上述目的，本发明提供了一种基于蒙特卡洛搜索的自适应剪枝智能网联车辆轨迹控制方法，其特征在于，所述方法包括：

3、步骤s10，采用蒙特卡洛树搜索算法为目标的智能网联车辆生成优化的轨迹规划；

4、步骤s20，对轨迹规划的动作空间进行修剪，通过剔除不安全或不可行的动作来减小决策空间，提高算法的运行效率；

5、步骤s30，根据目标的智能网联车辆的轨迹规划向其周围其他的智能网联车辆提出基于当前交通状况的最优速度和车道变更建议，以减少交通拥堵并提高交通流的整体效率；

6、步骤s40，结合基于模型预测控制的低级运动控制器，确保智能网联车辆按照轨迹规划以生成的动作空间平滑行驶，同时优化燃油效率和提升驾驶舒适度。

7、优选地，所述步骤s10包括以下步骤：

8、步骤s11，根据以下公式使用最优控制约束智能网联车辆控制：

9、

10、其受制于动力学约束为：

11、sx(k+1)＝sx(k)+tsv(k)cos(θ(k))

12、sy(k+1)＝sy(k)+tsv(k)sin(θ(k))

13、v(k+1)＝v(k)+tsa(k)

14、θ(k+1)＝θ(k)+tsω(k)

15、

16、vmin≤v(τ)≤vmax,amin≤a(τ)≤amax

17、式中k为某一时刻，τ为控制时域内某一时刻，sx(k)为车辆纵向位置，sy(k)为车辆横向位置，v(k)为车辆速度，θ为航向角，a(k)为车辆加速度，ω(k)为车辆转向加速度，ts为采样时间，为燃料消耗速度，j为行程其他消耗，x(τ)为行程距离，u(τ)为形成时间，s(τ)为道路可行区域，sj(τ)道路实体在τ时刻占据位置的集合，为车辆周围实体集合，ssafe(τ)为车辆在τ时刻安全行驶区域。

18、步骤s12，基于蒙特卡洛树搜索算法设置奖励函数：

19、

20、其中：

21、

22、

23、式中：δs纵向行驶距离，为δs的燃料消耗，w1为燃料消耗权重，rc为碰撞奖励，rv(τ)为接近期望速度vdes的奖励，其权重为w2，w3为加/减速度惩罚权重。

24、优选地，所述步骤s11中燃料消耗速度通过以下公式对道路试验数据进行3次多项式拟合得到：

25、

26、优选地，所述步骤s20包括以下步骤：

27、步骤s21，根据以下公式将车辆行为空间按加速度和方向盘转角分为14个组合；

28、

29、式中：矩阵的第1行表示加速度(单位为m/s2)，矩阵的第2行表示横摆角速度，且在步骤s11中计算得到；

30、步骤s21，通过以下公式剔除加速度不合理的速度状态：

31、

32、式中：为同一车道中距离智能网联车辆前方最近的物体(车辆/障碍物)的距离，为物体速度，wv3∈[0.8,1]为线性变化自适应权重，η2为时间容忍度。

33、优选地，所述步骤s30包括以下步骤：

34、步骤s31，利用以下公式为周围其他的智能网联车辆进行最优速度规划；

35、

36、式中：q∈{lt,sm,r}分别代表左换道、保持车道和右换道，为到最近道路实体的距离，为前方500米在qth车道上所有车辆的平均速度，dmin为最小安全距离，tn为车头时距参数。

37、优选地，所述步骤s40中所述低级运动控制器基于的模型预测控制的框架采用优化内点法求解；且智能网联车辆的基于蒙特卡洛树搜索算法的运动控制器由下式实现：

38、

39、式中：w4为改善舒适性权重最小化加速度，w5为轨迹偏离惩罚权重，smcts(τ)为mcts轨迹规划器得到的智能网联车辆位置。

40、本发明还提供了一种基于蒙特卡洛搜索的自适应剪枝智能网联车辆轨迹控制系统，所述系统包括：

41、轨迹规划模块，用于采用蒙特卡洛树搜索算法为目标的智能网联车辆生成优化的轨迹规划；

42、轨迹优化模块，用于对轨迹规划的动作空间进行修剪，通过剔除不安全或不可行的动作来减小决策空间，提高算法的运行效率；

43、周围智能网联车辆变更建议模块，用于根据目标的智能网联车辆的轨迹规划向其周围其他的智能网联车辆提出基于当前交通状况的最优速度和车道变更建议，以减少交通拥堵并提高交通流的整体效率；

44、执行模块，用于结合基于模型预测控制的低级运动控制器，确保智能网联车辆按照轨迹规划以生成的动作空间平滑行驶，同时优化燃油效率和提升驾驶舒适度。

45、根据上述技术方案，本发明提供的基于蒙特卡洛搜索的自适应剪枝智能网联车辆轨迹控制方法和系统在使用时的有益效果为：

46、1、本发明通过结合蒙特卡洛树搜索算法(mcts)算法和模型预测控制(mpc)的低级运动控制器，提出了一种新型自动驾驶网联环境的控制策略，不仅能够优化智能网联车辆的行驶轨迹，还能为周围其他智能网联车辆提出建议，实现两者之间的有效协同。

47、2、本发明的控制策略能够动态调整，根据实时交通状况和车辆状态，生成最优的行驶指令，以提高燃油效率和交通流的整体效率。

48、3、本发明提出一个层次化的能源效率控制框架，能够在微观和宏观层面同时优化智能网联车辆及周围其他智能网联车辆的行为，提高整体交通网络的能效。

49、4、本发明中的控制策略能够动态地适应不同交通环境和条件，优化实时决策，提高系统的灵活性和效率。

50、本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明；而且本发明中未涉及部分均与现有技术相同或可采用现有技术加以实现。