人驾车不确定换道下基于元胞自动机的混行车辆协同方法

本发明属于智能交通，涉及一种人驾车不确定换道下基于元胞自动机的混行车辆协同方法。

背景技术：

1、随着智能车路协同系统的持续发展和智能网联车辆通信技术、智能决策控制相关技术的不断成熟，车辆能够实时获取更多、更精确的交通数据，如周围车辆的位置、速度、加速度、车间距、车头时距等信息，并实现车辆操作行为的辅助。相应地，未来的交通环境将逐步演变为异质交通环境，即人驾车和网联自动车共存的交通场景将逐渐成为常态。

2、由于人类驾驶行为存在随机性，其在行驶过程中会因一些不确定因素而向目标车道进行换道，可能会降低目标车道混行车辆行驶的安全性和稳定性，进而降低道路的通行效率。现有文献和专利中针对混合交通中混行车辆的协同方法研究非常普遍。但关于人驾车不确定换道对目标车道上混行车辆的影响缺乏详细研究。为方便描述异质车辆的行驶特性，借鉴元胞自动机思想，提出了一种人驾车不确定换道下基于元胞自动机的混行车辆协同方法，来缓解人驾车不确定换道对混合交通环境产生的负面影响。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种人驾车不确定换道下基于元胞自动机的混行车辆协同方法，解决了人驾车不确定换道会影响目标车道混行车辆稳定性和道路通行效率的问题。

2、为达到上述目的，本发明提供如下技术方案：

3、人驾车不确定换道下基于元胞自动机的混行车辆协同方法，该方法包括以下步骤：

4、s1.设置城市道路三车道异质交通场景；

5、s2.为方便描述异质车辆的行驶状态，借鉴元胞自动机思想，将每一辆车划分为一个元胞，设定每一个元胞内的异质车辆行驶规则和人驾车换道规则；

6、s3.基于元胞内的异质车辆动力学特性，分别建立网联自动车和人驾车动力学模型；

7、s4.根据s2和s3分别构建人驾车不换道情况下目标车道人驾车跟驰模型和网联自动车协同控制模型，以及人驾车换道情况下目标车道上人驾车跟驰模型、网联自动车协同控制模型和换道人驾车跟驰模型。

8、进一步，所述s1具体为：

9、设置含有异质车辆即网联自动车和人驾车混行的城市道路三车道交通场景，车道编号分别为l1,l2,l3，且道路宽度均为w；在道路两侧安装路侧传感器，网联自动车能依靠车载传感器、路侧传感器以及车辆通信技术实时获取其前方所有车辆和紧邻后车的行驶状态信息，而人驾车通过驾驶员感知来获取前车行驶状态及周围车辆环境信息。

10、进一步，所述s2中，每一个元胞内的异质车辆行驶规则和人驾车换道规则的设定步骤如下：

11、s2.1利用元胞自动机规则，设定网联自动车的行驶规则，具体为：

12、(1)加速规则：

13、当第i辆网联自动车与前车的距离大于安全车间距ds，即且车速小于最大速度vmax，即时，车辆进行加速行驶，并设定：

14、

15、

16、式中：为t时刻网联自动车的速度和加速度，为网联自动车安全行驶速度，δt为时间步长，为网联自动车最大减速度；即主车与前车的车间距，为t时刻网联自动车的位置；为t时刻前车的位置，ζ为网联自动车通信延时，#代表人驾车或网联自动车，hi-1为前车车长，为t时刻前车的速度，b#为前车最大减速度；

17、(2)减速规则

18、当第i辆网联自动车与前车的距离小于安全车间距ds，即时，车辆进行减速行驶，并设定：

19、

20、(3)匀速规则

21、当第i辆网联自动车与前车的距离等于安全车间距ds，即时，车辆进行匀速行驶，并设定：

22、

23、(4)纵向位置更新规则

24、第i辆网联自动车会在仿真的下一步更新元胞的位置，并设定：

25、

26、s2.2利用元胞自动机规则，设定人驾车的行驶规则，具体为：

27、(1)加速规则

28、当第k辆人驾车与前车的距离大于安全车间距s*(·)，即且车速小于最大速度，即时，车辆进行加速行驶，并设定：

29、

30、式中：为t时刻人驾车的速度和加速度，为人驾车安全行驶速度，bhv为人驾车最大减速度；即主车与前车的距离，为t时刻人驾车的位置；为t时刻前车的位置，ξ为人驾车反应延时，为t时刻前车的速度；

31、(2)减速规则

32、当第k辆人驾车与前车的距离小于安全车间距s*(·)，即时，车辆进行减速行驶，并设定：

33、

34、(3)随机减速规则

35、考虑到人工驾驶行为的随机性，在人驾车更新规则中引入随机减速概率，设定减速概率为ps,当rand(0,1)＜ps时，车辆进行随机减速，并设定：

36、

37、(4)匀速规则

38、当第k辆人驾车与前车的距离等于安全车间距s*(·)，即时，车辆进行匀速行驶，并设定：

39、

40、(5)纵向位置更新

41、第k辆人驾车会在下一步更新元胞的横向位置，并设定：

42、

43、(6)换道规则

44、设定人驾车换道决策规则：设计模糊系统来实时计算主车在当前行驶状态下的换道意图大小；该模糊系统由模糊输入、模糊推理规则、车辆信息和模糊输出组成；模糊输出根据两个输入变量来计算，分别是主车速度与当前车道前车速度的差值δvk、主车与前车的距离和主车与相邻车道前车的距离的差值δdk；其中设置δdk的论域为[d,e]，语言变量分级为nb、nm、ns、zo、ps、pm和pb；设置δvk的论域为[f,g]，语言变量分级为nb、ns、zo、ps和pb，隶属度函数均为trapmf；输出变量为换道意图，论域为[0,1]，语言变量分级为nb、ns、zo、ps和pb，隶属度函数为gaussmf，同时定义输入变量与输出变量之间的模糊推理规则，推理规则为：

45、输入变量差值δdk的语言变量分级为nb，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为nb；

46、输入变量差值δdk的语言变量分级为nb，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为nb；

47、输入变量差值δdk的语言变量分级为nb，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为nb；

48、输入变量差值δdk的语言变量分级为nb，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为nm；

49、输入变量差值δdk的语言变量分级为nb，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为ns；

50、输入变量差值δdk的语言变量分级为nm，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为nb；

51、输入变量差值δdk的语言变量分级为nm，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为nb；

52、输入变量差值δdk的语言变量分级为nm，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为nm；

53、输入变量差值δdk的语言变量分级为nm，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为ns；

54、输入变量差值δdk的语言变量分级为nm，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为zo；

55、输入变量差值δdk的语言变量分级为ns，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为nb；

56、输入变量差值δdk的语言变量分级为ns，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为nm；

57、输入变量差值δdk的语言变量分级为ns，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为ns；

58、输入变量差值δdk的语言变量分级为ns，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为zo；

59、输入变量差值δdk的语言变量分级为ns，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为ps；

60、输入变量差值δdk的语言变量分级为zo，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为nm；

61、输入变量差值δdk的语言变量分级为zo，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为ns；

62、输入变量差值δdk的语言变量分级为zo，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为zo；

63、输入变量差值δdk的语言变量分级为zo，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为ps；

64、输入变量差值δdk的语言变量分级为zo，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为pm；

65、输入变量差值δdk的语言变量分级为ps，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为nm；

66、输入变量差值δdk的语言变量分级为ps，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为zo；

67、输入变量差值δdk的语言变量分级为ps，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为ps；

68、输入变量差值δdk的语言变量分级为ps，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为pm；

69、输入变量差值δdk的语言变量分级为ps，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为pm；

70、输入变量差值δdk的语言变量分级为pm，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为ns；

71、输入变量差值δdk的语言变量分级为pm，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为zo；

72、输入变量差值δdk的语言变量分级为pm，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为ps；

73、输入变量差值δdk的语言变量分级为pm，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为pm；

74、输入变量差值δdk的语言变量分级为pm，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为pb；

75、输入变量差值δdk的语言变量分级为pb，差值δvk的语言变量分级为pb时，输出变量的语言变量分级为zo；

76、输入变量差值δdk的语言变量分级为pb，差值δvk的语言变量分级为ps时，输出变量的语言变量分级为ps；

77、输入变量差值δdk的语言变量分级为pb，差值δvk的语言变量分级为zo时，输出变量的语言变量分级为pm；

78、输入变量差值δdk的语言变量分级为pb，差值δvk的语言变量分级为ns时，输出变量的语言变量分级为pb；

79、输入变量差值δdk的语言变量分级为pb，差值δvk的语言变量分级为nb时，输出变量的语言变量分级为pb；

80、为描述人驾车换道行为的不确定性，利用模糊系统来定量计算人驾车换道意图的大小并设定人驾车不确定换道的判定条件；首先设定人驾车的换道意图阈值p，当模糊系统输出的换道意图大于p时，人驾车产生换道行为，当模糊系统输出的换道意图小于p时，人驾车不产生换道行为；然后设定人驾车不确定换道的判定条件，当人驾车产生换道行为且未驶出原车道，即时，若人驾车在此过程中换道意愿小于p，则人驾车换道行为中止，人驾车返回原车道中心线位置；当人驾车产生换道行为且驶出原车道，即时，判定该人驾车换道行为不会中止直至其行驶至目标车道中心线位置，且该过程换道意图不再变化；其中为主车横向位置与目标车道中心的位置差，为t时刻主车的横向位置，为目标车道中心线位置；若人驾车处于中间车道，则其目标车道为换道意愿较大的那个车道；

81、设定人驾车换道行驶规则：

82、

83、式中：为t时刻主车的横向速度；

84、(7)横向位置更新

85、第k辆人驾车会在下一步更新元胞的横向位置，并设定：

86、

87、式中：η用于判断人驾车横向位置，若驾驶员的目标车道非当前车道或未到达目标车道中心线位置时，η＝1,否则，η＝0。

88、进一步，所述s3具体为：

89、因网联自动车和人驾车行驶时具有不同的行驶特性，网联自动车动力学模型表达式如下：

90、

91、式中：u(t)表示网联自动车的控制输入；人驾车的动力学模型表达式如下：

92、

93、5.根据权利要求1所述的人驾车不确定换道下基于元胞自动机的混行车辆协同方法，其特征在于：所述s4中，具体如下：

94、s4.1设计人驾车不换道情况下车道q第i辆网联自动车纵向协同控制器，表达式如下：

95、

96、式中:α为最优速度敏感系数，vf(·)和vb(·)分别为主车对前车和紧邻后车的最优速度函数，ρ为前车对主体车的影响权重，0≤ρ≤1，1-ρ为紧邻后车对主体车的影响权重；即当前车道主车与第j辆车的车间距，为t时刻第j辆车的位置和车长；即主车与后车的车间距；即当前车道主车与第j辆车的速度差；即当前车道主车与紧邻后车的速度差；n为当前车道主车前方车辆总数，γ为速度差敏感系数；δv(t-ζ)为t时刻主体车与其可获取信息的车辆的速度差；为当前车道主体车前方第j辆车对主体车的权重系数，表达式如下：

97、

98、式中:为主体车受到第j辆前车行驶影响的吸引或排斥势能函数；为主体车受到第j辆前车行驶影响的强相互作用势能；为主体车受到第j辆前车行驶影响的弱相互作用势能；为主体车受到n辆前车行驶影响的总势能；a1、a2为场强参数；为第j辆车的速度函数；为t时刻第j辆车的速度；a、b、c为数量级参数；

99、s4.2建立人驾车不换道情况下车道q中第k辆人驾车跟驰模型，表达式如下：

100、

101、式中：β为主车的最大加速度；δ为加速度指数；s0为制动车间距；

102、s4.3设计人驾车换道情况下目标车道q上紧邻后方第i辆网联自动车纵向协同控制器，表达式如下：

103、

104、式中：vs(·)为主车对侧向换道过程中的人驾车的最优速度函数；μ1为前车对主体车的影响权重，0≤μ1≤1；μ2为侧向换道人驾车对主车的影响权重，该权重根据人驾车与目标车道横向距离的绝对值的变化而动态变化，当人驾车距离目标车道较远时，该权重值偏小，随着人驾车靠近目标车道，该权重逐渐增大，从而缓解人驾车不确定换道对目标车道车辆的影响，其中m，n为数量级参数，且0≤μ2≤1；1-μ1-μ2为紧邻后车对主体车的影响权重；即主车与其侧向换道人驾车的纵向车间距，为t时刻换道人驾车的位置和车长；即主车与换道人驾车的速度差，为t时刻换道人驾车的速度；

105、s4.4建立人驾车换道情况下其目标车道q上紧邻后方第k辆人驾车的跟驰模型，表达式如下：

106、

107、式中:即主车与侧向换道人驾车的速度差；ω1为主体车当前车道上的前车对主体车的影响权重，0≤ω1≤1，ω2为其他车道切入车辆对主体车的影响权重，0≤ω2≤1，且ω1+ω2＝1；

108、s4.5建立车道q上第l辆换道人驾车的跟驰模型，表达式如下：

109、

110、式中：即主车与当前车道前车的车间距；即主车与相邻目标车道紧邻前车的车间距，hother,out为目标车道紧邻前车位置和车长；τ1为当前车道紧邻前车对主体车辆的影响权重，0≤τ1≤1，1-τ1为人驾车切入目标车道的紧邻前车对主体车辆的影响权重，为驾驶员的车间距敏感系数，为驾驶员的速度差敏感系数；人驾车换道时将以恒定的横向速度行驶至目标车道中心线位置，其横向速度表示为：

111、

112、式中：vy,o为主体车辆换道时横向速度的恒定值，并设定车辆向右侧换道时符号为正，向左侧换道时符号为负。

113、本发明的有益效果在于：

114、(1)本发明借鉴元胞自动机思想，将每一辆车划分为一个元胞，基于此设定了每一个元胞内的异质车辆行驶规则和人驾车换道规则，从而更清晰地描述异质车辆的行驶状态；

115、(2)本发明考虑了多前车和后车信息影响因素，根据前车的车间距和速度信息，采用分子运动理论定量分析前车对主车的影响权重改进了网联自动车的控制模型；

116、(3)本发明考虑了人驾车不确定换道的影响，并建立了可以缓解人驾车不确定换道影响的混行车辆协同方法，可有效保证人驾车不确定换道的安全性及目标车道混行车辆行驶的稳定性。

117、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。