CN111402613B - 一种自动驾驶车辆收费站车道选择方法 - Google Patents
一种自动驾驶车辆收费站车道选择方法 Download PDFInfo
- Publication number
- CN111402613B CN111402613B CN202010166989.9A CN202010166989A CN111402613B CN 111402613 B CN111402613 B CN 111402613B CN 202010166989 A CN202010166989 A CN 202010166989A CN 111402613 B CN111402613 B CN 111402613B
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- toll station
- toll
- vehicles
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
- Devices For Checking Fares Or Tickets At Control Points (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
Description
技术领域
本发明属于交通工程技术领域,涉及一种自动驾驶车辆收费站车道选择方法。
背景技术
随着通信技术及互联网技术的不断发展,自动驾驶车辆正在逐步走向生活,在新技术的普及过程中,我们需要不断测试研究其安全性能,使其能更安全、高效地适应人们的生活。在自动驾驶车辆普及的过程中,除了雷达、通信等重点研究领域,公路上诸多复杂节点的研究也不可忽视。
道路是基础设施建设体系中的重要组分,对国家和地区的经济发展、社会进步和人民生活质量提高等方面起着重要的作用。收费站是公路交通中的重要节点,它将对自动驾驶车辆的通行构成极大挑战。首先,道路的突然扩宽,对车辆对行车线的探测和交通标志的判读有一定的风险;其次,支付方式的多样化使自动驾驶车辆需选择合适的收费车道通行;最后,自动驾驶车辆与人工驾驶车辆混行时带来的挑战也不可忽视。自动驾驶车辆将极大改变原有人类驾驶员在进入收费站时的车道选择决策,因此,有必要深入研究自动驾驶车辆收费站车道选择方法。
与普通道路相比,自动驾驶车辆通过收费站时将面临道路横断面的巨大变化与信息量的成倍增加。同时,自动驾驶车辆在交通流中的比例增加,也使得收费站区域的延误减少。为了最大限度地发挥自动驾驶车队的作用,车辆必须在即将进入收费站时计算并确定最合适的车道通行,使延误降到最低。现有的对自动驾驶车辆车道选择的研究主要针对在正常宽度道路上的研究,缺少对收费站等复杂节点的车道选择研究,且现有面向自动驾驶的道路设施设计研究主要针对道路横断面或是道路几何线形的设计,缺少对于公路交通附属设施设计,尤其是面向自动驾驶与人工驾驶车辆混行的收费站配置的研究。
发明内容
发明目的:针对现有的自动驾驶车辆车道选择研究未考虑收费站等复杂节点的现状,提供了一种自动驾驶车辆收费站车道选择方法,可以全方面考虑交通流中不同AV占比下,自动驾驶车辆在收费站的车道选择问题,以及优化现有收费站车道配置方法。
技术方案:为实现上述发明目的,本发明采用以下技术方案:
一种自动驾驶车辆收费站车道选择方法,包括以下步骤:
(1)建立收费站简化模型,分析并确定车辆即将驶入收费站时的信息采集方式;
(2)分析产生延误时间最小的车道,计算杆速SRi;
(3)分析车辆驶入收费站的其他安全因素,并计算决策值DSRi;
(4)分析车辆变道的安全性,并确定变道安全间距;
(5)综合步骤(2)~(4)所得参数,考虑自动驾驶车辆在交通流中的占比,得出收费站的最佳车道配置。
进一步的,步骤(1)中建立收费站简化模型,分析并确定车辆即将驶入收费站时的信息采集方式的具体方法为:首先,建立一个收费站简化模型,划分收费站附近区域及边界以便对行驶中的车辆进行分析,将收费站附近区域及边界划分为:区域1为正常道路宽度区,区域2为收费站前端车道扩展区,区域3为收费站上游排队区,区域4为公路合流区;其次,AV在第一次看到收费站的标志时就开始收集有关收费站的信息,收集信息的方法包括:利用收费站信息控制系统、识别公路标志标牌、使用车载GPS系统、利用V2V通信技术使车辆互联并共享信息、使用车辆制造商提供的包含公路信息的数据库。
进一步的,步骤(2)中分析产生延误时间最小的车道,计算杆速SRi的具体方法为:杆速SRi为一个虚拟速度值,代表车道可能产生延误的大小,其取决于平均服务率、AV与收费站入口的相对纵向位置及AV前方相应的车辆数,其中:
(21)车辆Vj进入区域2时,检测车道i;车辆Vj加入队列时,需确定可计算SRi的距离,其计算公式为:
hi为车辆Vj到车道i的距离,其计算公式为hi=d2/cosθi,其中d2为区域2的长度,θi表示车道i相对于驶入车道的横向位置;ηi为区域3起点至不影响车辆Vj延误的Y点的距离,其计算公式为其中d2、d3分别为区域2、区域3长度,和分别为从区域2起点到Y点和从Y点到收费站的平均速度;可计算SRi的距离hi+ηi,其计算公式为:位于此距离外的车辆被定义为Vyi,不参与SRi的计算;
(22)车辆Vj与收费站的相对纵向位置定义为dli,即为区域2与区域3的纵向距离之和;车道服务率定义为μi;SRi的计算公式为:SRi取最大值代表该车道将产生最小延误时间,SRi值最大的车道为车辆Vj的最佳选择。
进一步的,步骤(3)中分析车辆驶入收费站的其他安全因素,并计算决策值的具体方法为:决策值综合考虑选定的收费车道相对于驶入车道的横向位置、车辆宽度和长度,在步骤(2)的基础上对车道选择的决策进行改善,其中:
(31)定义参数Pa为根据车辆长度、宽度预估的车辆变道至某一特定车道的可能性损失,其计算公式为:其中lv为车辆长度,wv为车辆宽度;k为车辆长度调整值,其计算公式为其中m是基于车辆尺寸划分的车辆种类数,pu是道路上u类车辆的百分比,Wu和Lu是所有种类车辆对u类车辆的等效宽度和等效长度,为u类自动驾驶车辆服务率;q为车辆宽度调整参数,其计算公式为:
(32)定义参数Pb为根据车辆进入区域2时与某一特定车道的相对位置预估的,车辆变道至该车道的可能性损失,其计算公式为:Pb=hicos2θi=hi(1-sin2θi),其中hi与θi同步骤(2)所述;
(33)决策值为杆速SRi与车辆变道到其他车道的总体可能性Po的乘积,其中Po的计算公式为Po=Pa×Pb,综上所述,决策值的计算公式为:车辆从区域1进入区域2时,须计算决策值SRi和最大的车道为充分考虑安全性的情况下最适合的车道,如果不能安全地进入选定车道,则应选择第二个备选车道进入。
进一步的,步骤(4)中分析车辆变道的安全性,并确定变道安全间距的具体方法为:首先,确定车辆Vj将由车道i变换到车道i+1上;其次,计算车辆与前车Vj+1,i+1和被插入车辆Vj-1,i+1之间的间隙;最后,当Vj与Vj-1,i+1、Vj与Vj+1,i+1之间的保险杠间距保持高于最小间距时,才能进行车道变换。所需间距sd的计算公式为:其中so为堵塞间距(通常等于2米);v为车辆速度,Δv为车辆Vj与前(后)车辆的速度差;b为舒适制动减速度;T为变道所需时间。
进一步的,步骤(5)中综合步骤(2)~(4)所得参数,考虑自动驾驶车辆在交通流中的占比,得出收费站最佳车道配置的具体方法为:首先,对于到达收费站的每辆车,确定所有车道的SRi和值,的最大值即决定车道的最终选择;其次,确定四个统计测量值以分析每条车道上的排队情况,这四个测量值为:平均值、标准差、队列中最大车辆数、模型计算时间结束时的车辆数;然后,将收费站车道分别配置为不同数量的MTC(人工半自动收费车道)、ETC/AV(电子不停车收费车道与AV混合车道)和AV专用车道,并使AV在交通流中的占比以10%的增长间隔从0%增加到70%,而ETC与MTC的数量保持不变;再次,分别在不同的AV占比下,计算每个车道的四个统计测量值,并将此四个参数相乘得到关于车道配置的加权因子;最后,此加权因子为此种车道配置的综合系数,当AV在交通流中的占比不变时,加权因子最小的配置组合为此AV百分比下的最佳车道配置。
有益效果:与现有技术相比,本发明在现有技术的基础上解决了现有的自动驾驶车辆车道选择研究未考虑收费站等复杂节点的不足,同时本发明公开的方法简单、方便,获得的结果弥补了现有技术对该领域的空白,从而能够全方面考虑交通流中不同AV占比下,自动驾驶车辆在收费站的车道选择问题,以及优化现有收费站车道配置方法。
附图说明
图1为本发明提供的方法流程图;
图2为简化的收费站模型分区示意图;
图3为用于SRi分析的收费站横向布局图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
如图1所示,本发明是一种自动驾驶车辆收费站车道选择方法,主要包括以下步骤:
(1)建立收费站简化模型,分析并确定车辆即将驶入收费站时的信息采集方式;
自动驾驶汽车(Autonomous Vehicle,AV)通过视频摄像头、雷达传感器及激光测距器等部件来了解周围的交通状况。在等宽的公路上行驶时,AV可以通过检测道路边线、识别标志标牌等方式收集信息,并根据具体情况进行车道的选择及变换,以达到安全、高效行驶。当AV从等宽公路进入到收费站广场时,车辆周围环境发生了巨大变化,道路加宽及信息多样化等复杂变化,均对自动驾驶车辆能够安全、高效地通过收费站提出巨大挑战:第一,车辆即将驶入收费站时,道路宽度增加,车道数量增加,车辆需准确识别收费站车道边线并规划合理路线驶入收费车道;第二,收费站附近标志标牌增多,车辆需提前识别收费站信息,以预留充足的时间进行车道评估选择,以保证驶经收费站的延误时间最少;第三,由于车辆种类的不同,不同种类车辆需要选择合适的车道通过收费站,收费站广场车辆变道频繁,也在一定程度上增加了自动驾驶车辆识别附近车辆的难度;第四,收费方式和支付方式的多样化也对AV的通行造成挑战,如应选择人工收费车道、ETC车道、自动投币车道或是AV专用车道,支付方为车辆运营商或是乘客等,均为自动驾驶车辆进行车道选择决策时需考虑的问题。
本方法的关键之一是建立一个简化的收费站模型,以说明车辆即将进入收费站时与收费站的相对位置关系,并在此基础上对收费站的车道布置进行优化。收费站附近的区域边界及重要地点如图2所示,其中,区域1为正常道路宽度区,即第一个收费站标志至图2中B点的距离,在此区域内,AV开始收集前方收费站信息并为车道选择做准备;区域2为收费站前端车道扩展区,即图2中B点至C点的距离,在此区域内,道路宽度逐渐增大至与收费站宽度相等,AV计算决策值并驶向所选择的车道;区域3为收费站上游排队区,即图2中C点至D点的距离,在此区域内,AV在与前(后)车保持所需的安全距离下,安全通过收费站并完成付费;区域4为公路合流区,即图2中D点到E点的距离,在此区域内,道路宽度逐渐减小至正常宽度,AV选择合适的车道驶离收费站。
为了及时做出车道选择的决策,AV应在第一次看到收费站的标志时就开始收集有关收费站的信息。最高效的信息收集方法是在收费站设置一个计算机控制系统,使该系统能够通过短距离无线通信通知迎面而来的AV,以便车辆得到通知并驶入适当的收费车道。然而,在所有的收费站均普及此计算机系统之前,AV收集信息的方法必须更多样化,例如:识别公路标志标牌,设立专供AV识别的收费站标志,注明必要的车道配置信息,利用车载视觉识别系统精准确定收费站车道配置;使用车载GPS系统,这需要地图供应商及时更新详细的收费站信息,便于AV取读使用;利用V2V通信技术使车辆互联并共享信息,在这种情况下,后方车辆能够收到前方车辆传来的收费站车道信息,辅助AV进行车道决策;使用车辆制造商提供的包含公路信息的数据库,即车辆制造商提前将收费站信息录入数据库中,供AV在车道选择决策中调用。
(2)分析产生延误时间最小的车道,计算杆速SRi;
杆速SRi(m/s)被定义为一个虚拟速度值,其概念来源于一个畜牧业的例子,在此例子中,动物饲养员清点数量时使牲畜在他数数的同时从杆下经过,一头牲畜通过杆下且饲养员完成计数的时间即称为杆速。同理,在车辆通过收费站的模型中,收费站喻为杆,车辆喻为动物,车辆通过收费站完成支付所产生的延误时间即为杆速SRi。由此可知,杆速SRi代表车道可能产生延误的大小,它取决于平均服务率、AV与收费站入口的相对纵向位置及AV前方相应的车辆数。
AV与常规车辆一起接近收费站时,需收集收费站即周边车辆信息,利用车道选择决策模型计算杆速SRi,以最大限度地减少AV通过收费站的等待时间,决策模型中用于SRi分析的收费站横向布局如图3所示。
(a)车辆Vj进入区域2时,检测车道选项i,并以θi(°)表示车道i相对于驶入车道的横向位置;车辆Vj加入队列时,并不是所有车辆都在此队列中,图3中Y点被定义为在此点之后的车辆不影响车辆Vj的延误。因此,需确定可计算SRi的距离hi+ηi,以确定影响Vj延误时间的车辆数,其计算公式为:
当车辆Vj位于Z点时,hi为车辆Vj到车道i的直线距离(m),其计算公式为hi=d2/cosθi,其中d2为区域2的长度(m);ηi为区域3起点至Y点的距离(m),其计算公式为其中d3为区域3的长度(m),和分别为从Z点到Y点和从Y点到收费站的平均速度(km/h);可计算SRi的距离hi+ηi,其计算公式为:当严重的交通堵塞时,可忽略不计,因此有hi+ηi=d3+d2/cosθ。位于此距离外的车辆被定义为Vyi,不参与SRi的计算。
(b)确定可计算SRi的距离及车辆数后,定义dli为车辆Vj前部到收费站的纵向距离(m),即为区域2与区域3的纵向距离之和;定义μi为车道服务率(辆/小时);SRi的计算公式为:因为交通流率难以实时测量,因此其值不取决于交通流量,SRi值取最大值即代表AV通过该车道将产生最小延误时间,因此,SRi值最大的车道为车辆Vj的最佳选择。
由步骤(2)计算出的杆速SRi仅考虑了延误时间这一因素,随着交通流的增大,AV在变道过程中不可避免地被其他车辆干扰,出现安全性问题。因此,在实际情况中,耗时最短的车道并不总是最合适的车道。引入两个概率函数Pa与Pb,综合考虑选定的收费车道相对于驶入车道的横向位置、车辆宽度和长度,并使其与杆速SRi综合考虑,得到决策值的最大值代表在考虑安全性与最小延误时间的情况下,最适合的车道选择。
(a)由于不同车辆的长度、宽度不同,变道时产生的潜在危险性也不同。定义参数Pa为根据车辆长度、宽度预估的车辆变道至某一特定车道的可能性损失,其计算公式为:其中lv为车辆长度(m),wv为车辆宽度(m);k为车辆长度调整值,其计算公式为其中m为基于车辆尺寸划分的车辆种类数,pu为道路上u类车辆的百分比,Wu和Lu为所有种类车辆对u类车辆的等效宽度和等效长度,为u类自动驾驶车辆服务率(辆/小时);q为车辆宽度调整参数,其计算公式为:由此可见,当驶入收费站的车辆长度、宽度增大时,车辆变道的危险性增加,变道可能性降低,Pa描述了这种可能性损失,从车辆尺寸的角度调整车道选择参数。
(b)假定车辆均从图3中Z点驶入区域2,选定的车道i不同,车辆驶入车道i的角度与路程均有差异,这也在一定程度上影响了车辆变道安全。定义参数Pb为根据车辆进入区域2时与某一特定车道i的相对位置预估的,车辆变道至该车道的可能性损失,其计算公式为:Pb=hicos2θi=hi(1-sin2θi),其中hi与θi同步骤(2)所述。由此可见,角度θi增大时,Z点的车辆与选定车道的横向相对距离增大,车辆变道的不确定性增加,变道可能性降低,Pb描述了这种可能性损失,从车辆与选定车道相对位置关系的角度调整车道选择参数。
(c)定义参数Po为车辆变道到其他车道的总体可能性损失,其计算公式为Po=Pa×Pb,该值表示在考虑车辆长度与宽度、车辆与选定车道横向距离的情况下,AV驶入选定车道的可能性损失。将此可能性损失值与杆速SRi相乘,即得到决策值综上所述,决策值的计算公式为:车辆从区域1进入区域2时,须计算决策值SRi和最大的车道为充分考虑安全性的情况下最适合的车道,如果不能安全地进入选定车道i,则应选择第二个备选车道进入。如果收费站没有车道扩展区(如高速公路上的门式收费站),应确定一个与收费站的适当距离,使车辆在到达该距离时计算SRi和并选择合适的车道通过。
(d)在大多数大中型收费站上,电子不停车收费车道(Electronic TollCollection,ETC)、人工半自动收费车道(Manual Toll Collection system,MTC)和自动投币收费车道(Automatic Coin Machine,ACM)是分开的。但是,对于较小的收费站,可能有一条或一些车道包含MTC-ACM、MTC-ETC、ETC-ACM或MTC-ETC-ACM。在混合车道的情况下,μi的单位须转换为辆/秒,其等价于几个服从泊松分布的服务率。μi的计算公式为μi=ΣpT.μT,其中为pT对车辆j-1进行评估后确定的每种收费类型T的百分比,μT为每种收费类型T的服务率。
(4)车辆变道的安全性,并确定变道安全间距;
变道的安全方面根据智能驾驶员模型(IDM)进行调整,该模型的重点为所需的车辆间距。在人工驾驶车辆与自动驾驶车辆混合交通流中,如果车辆Vj将由车道i变换到车道i+1上,应首要考虑车辆与前车Vj+1,i+1和被插入车辆Vj-1,i+1之间的间隙。当Vj与Vj-1,i+1、Vj与Vj+1,i+1之间的保险杠间距保持高于最小间距时,才能进行车道变换。所需间距sd的计算公式为:
其中so为堵塞间距(通常等于2米);v为车辆速度,Δv为车辆Vj与前(后)车辆的速度差;b为舒适制动减速度,在此模型中,当车辆减速接近收费站时,以舒适的制动减速度代替加速度;T为变道所需时间。通过定义所需间距sd以评估车辆是否可以安全改变车道,使其加入适当的车队中。如果车辆与前后车的间距都高于所需间距,则可以安全地进行车道变换。
(5)综合步骤(2)~(4)所得参数,考虑自动驾驶车辆在交通流中的占比,得出收费站最佳车道配置;
步骤(2)~(4)以传统的收费站为研究对象,建立了辅助AV在充分考虑换道安全性的情况下选择最小延误车道的决策模型。在此基础上,扩展模型应用程序,以在不同的AV百分比下获得合适的收费站车道配置。
(a)对于到达收费站的每辆车,确定所有车道的SRi和值,的最大值即决定车道的最终选择,确定四个统计测量值以分析每条车道上的排队情况,这四个测量值分别为:平均值、标准差、队列中最大车辆数、模型计算时间结束时的车辆数。
(b)将收费车道分为三种组合:第一种组合为全混合收费车道,即所有收费车道都能够为AV、ETC和MTC车辆提供服务,除非在小型(3车道)收费站,否则不建议使用MTC/ETC混合收费,因此本模型中将此组合忽略不计;第二种组合假定在MTC车辆使用自己的车道时,AV和ETC车辆可以使用相同的收费车道,此时,优化车道配置的重点是优化每条车道的排队车辆数量;第三种组合是设置AV专用车道,以满足日益增长的自动驾驶车辆通行需求。
(c)在模型分析中,将收费站车道总数分别配置为不同数量的MTC、ETC/AV和AV专用车道,并使AV在交通流中的占比以10%的增长间隔从0%增加到70%,而ETC与MTC的数量保持不变。分别在不同的AV占比下,计算每个车道的平均值、标准差、队列中最大车辆数、模型计算时间结束时的车辆数四个参数,并将此四个参数相乘得到关于车道配置的加权因子。此加权因子为此种车道配置的综合系数,当AV在交通流中的占比不变时,加权因子最小的配置组合为此AV百分比下的最佳车道配置。
综上所述,本发明在现有技术的基础上解决了针对现有自动驾驶车辆车道选择研究未考虑收费站等复杂节点的问题,能够全方面考虑交通流中不同AV占比下,自动驾驶车辆在收费站的车道选择问题,以及优化现有收费站车道配置方法。具体进行收费站车道配置时,可根据当前道路AV在交通流中的占比及所测收费站的规模确定收费站各项参数,从而通过AV车道选择模型与收费站车道配置模型来优化收费站车道配置。
Claims (1)
1.一种自动驾驶车辆收费站车道选择方法,其特征在于:包括以下步骤:
(1)建立收费站简化模型,分析并确定车辆即将驶入收费站时的信息采集方式;
(2)分析产生延误时间最小的车道,计算杆速SRi;
(4)分析车辆变道的安全性,并确定变道安全间距;
(5)综合步骤(2)~(4)所得参数,考虑自动驾驶车辆在交通流中的占比,得出收费站的最佳车道配置;
步骤(1)中建立收费站简化模型,分析并确定车辆即将驶入收费站时的信息采集方式的具体方法为:首先,建立一个收费站简化模型,划分收费站附近区域及边界以便对行驶中的车辆进行分析,将收费站附近区域及边界划分为:区域1为正常道路宽度区,区域2为收费站前端车道扩展区,区域3为收费站上游排队区,区域4为公路合流区;其次AV在第一次看到收费站的标志时就开始收集有关收费站的信息,收集信息的方法包括:利用收费站信息控制系统、识别公路标志标牌、使用车载GPS系统、利用V2V通信技术使车辆互联并共享信息、使用车辆制造商提供的包含公路信息的数据库;
步骤(2)中分析产生延误时间最小的车道,计算杆速SRi的具体方法为:杆速SRi为一个虚拟速度值,代表车道可能产生延误的大小,其取决于平均服务率、AV与收费站入口的相对纵向位置及AV前方相应的车辆数,其中:
(21)车辆Vj进入区域2时,检测车道i;车辆Vj加入队列时,需确定可计算SRi的距离,其计算公式为:
hi为车辆Vj到车道i的距离,其计算公式为hi=d2/cosθi,其中d2为区域2的长度,θi表示车道i相对于驶入车道的横向位置;ηi为区域3起点至不影响车辆Vj延误的Y点的距离,其计算公式为其中d2、d3分别为区域2、区域3长度,和分别为从区域2起点到Y点和从Y点到收费站的平均速度;可计算SRi的距离hi+ηi,其计算公式为:位于此距离外的车辆被定义为Vyi,不参与SRi的计算;
(22)车辆Vj与收费站的相对纵向位置定义为dli,即为区域2与区域3的纵向距离之和;车道服务率定义为μi;SRi的计算公式为:SRi取最大值代表该车道将产生最小延误时间,SRi值最大的车道为车辆Vj的最佳选择;
(31)定义参数Pa为根据车辆长度、宽度预估的车辆变道至某一特定车道的可能性损失,其计算公式为:其中lv为车辆长度,wv为车辆宽度;k为车辆长度调整值,其计算公式为其中m是基于车辆尺寸划分的车辆种类数,pu是道路上u类车辆的百分比,Wu和Lu是所有种类车辆对u类车辆的等效宽度和等效长度,为u类自动驾驶车辆服务率;q为车辆宽度调整参数,其计算公式为:
(32)定义参数Pb为根据车辆进入区域2时与某一特定车道的相对位置预估的,车辆变道至该车道的可能性损失,其计算公式为:Pb=hi cos2θi=hi(1-sin2θi),其中hi与θi同步骤(2)所述;
步骤(4)中分析车辆变道的安全性,并确定变道安全间距的具体方法为:首先,确定车辆Vj将由车道i变换到车道i+1上;其次,计算车辆与前车Vj+1,i+1和被插入车辆Vj-1,i+1之间的间隙;最后,当Vj与Vj-1,i+1、Vj与Vj+1,i+1之间的保险杠间距保持高于最小间距时,才能进行车道变换;所需间距sd的计算公式为:其中so为堵塞间距,so等于2米;v为车辆速度,Δv为车辆Vj与前/后车辆的速度差;b为舒适制动减速度;T为变道所需时间;
步骤(5)中综合步骤(2)~(4)所得参数,考虑自动驾驶车辆在交通流中的占比,得出收费站最佳车道配置的具体方法为:首先,对于到达收费站的每辆车,确定所有车道的SRi和值,的最大值即决定车道的最终选择;其次,确定四个统计测量值以分析每条车道上的排队情况,这四个测量值为:平均值、标准差、队列中最大车辆数、模型计算时间结束时的车辆数;然后,将收费站车道分别配置为不同数量的MTC、ETC/AV和AV专用车道,并使AV在交通流中的占比以10%的增长间隔从0%增加到70%,而ETC与MTC的数量保持不变;再次,分别在不同的AV占比下,计算每个车道的四个统计测量值,并将此四个参数相乘得到关于车道配置的加权因子;最后,此加权因子为此种车道配置的综合系数,当AV在交通流中的占比不变时,加权因子最小的配置组合为此AV百分比下的最佳车道配置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166989.9A CN111402613B (zh) | 2020-03-11 | 2020-03-11 | 一种自动驾驶车辆收费站车道选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010166989.9A CN111402613B (zh) | 2020-03-11 | 2020-03-11 | 一种自动驾驶车辆收费站车道选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111402613A CN111402613A (zh) | 2020-07-10 |
CN111402613B true CN111402613B (zh) | 2021-09-24 |
Family
ID=71428767
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010166989.9A Active CN111402613B (zh) | 2020-03-11 | 2020-03-11 | 一种自动驾驶车辆收费站车道选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111402613B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR3080346B1 (fr) * | 2018-04-23 | 2020-05-15 | Renault S.A.S. | Procede de selection par un vehicule automobile d’une voie de circulation preferee pour traverser une aire de peage |
CN113470406A (zh) * | 2021-06-15 | 2021-10-01 | 东风汽车集团股份有限公司 | 基于车路协同的自动驾驶通过高速收费站方法及装置 |
CN113744539B (zh) * | 2021-09-17 | 2022-05-10 | 合肥工业大学 | 一种基于渗透率的网联车专用车道动态调控方法 |
CN115116222B (zh) * | 2022-06-21 | 2023-05-23 | 湖南省醴潭高速公路建设开发有限公司 | 一种多车道远程控制方法及系统 |
CN116758750B (zh) * | 2023-08-22 | 2023-10-17 | 中建八局第三建设有限公司 | 城市隧道施工区最优出口选择系统、方法及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106991846A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一种车联网环境下的高速公路车辆强制换道控制方法 |
CN108986457A (zh) * | 2018-07-02 | 2018-12-11 | 东南大学 | 基于交通冲突分析的etc车道布设方案评价方法 |
CN110088576A (zh) * | 2017-02-03 | 2019-08-02 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法以及车辆控制程序 |
CN110234960A (zh) * | 2017-02-03 | 2019-09-13 | 本田技研工业株式会社 | 通过闸门决定装置、车辆控制系统、通过闸门决定方法及程序 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE542649C2 (en) * | 2017-06-28 | 2020-06-23 | Tagmaster Ab | Method and system for remotely detecting a vehicle |
-
2020
- 2020-03-11 CN CN202010166989.9A patent/CN111402613B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110088576A (zh) * | 2017-02-03 | 2019-08-02 | 本田技研工业株式会社 | 车辆控制系统、车辆控制方法以及车辆控制程序 |
CN110234960A (zh) * | 2017-02-03 | 2019-09-13 | 本田技研工业株式会社 | 通过闸门决定装置、车辆控制系统、通过闸门决定方法及程序 |
CN106991846A (zh) * | 2017-05-15 | 2017-07-28 | 东南大学 | 一种车联网环境下的高速公路车辆强制换道控制方法 |
CN108986457A (zh) * | 2018-07-02 | 2018-12-11 | 东南大学 | 基于交通冲突分析的etc车道布设方案评价方法 |
Non-Patent Citations (2)
Title |
---|
Application of Bayesian Stochastic Learning Automata for Modeling Lane Choice Behavior on High-Occupancy Toll Lanes on State Road 167;Morgul, EF 等;《TRANSPORTATION RESEARCH RECORD》;20161231;第97-107页 * |
Modeling driver lane selection decisions in a toll plaza;T. Godwin;《2015 IEEE International Conference on Industrial Engineering and Engineering Management (IEEM)》;20160121;第671-674页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111402613A (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111402613B (zh) | 一种自动驾驶车辆收费站车道选择方法 | |
CN106355907B (zh) | 基于车辆轨迹的信号控制交叉口排队长度实时估计方法 | |
CN102254443B (zh) | 间歇式公交专用道控制系统 | |
CN105590346B (zh) | 基于路径识别系统的收费公路网交通信息采集与诱导系统 | |
CN104778834B (zh) | 一种基于车辆gps数据的城市道路交通拥堵判别方法 | |
CN109191876B (zh) | 一种基于车联网技术的特殊车辆交通诱导系统及其控制方法 | |
CN101192344B (zh) | 突发事件解除判定系统 | |
CN102737504B (zh) | 一种基于驾驶特性的公交车到站时间实时估计方法 | |
CN108986509B (zh) | 一种基于车路协同的城市区域路径实时规划方法 | |
CN103258436B (zh) | 一种确定信号控制交叉口进口道可变导向车道长度的方法 | |
CN112712697B (zh) | 面向车路协同应用的车道级交通状态判别方法 | |
CN113347254A (zh) | 基于v2x的智能交通控制车联网系统及其控制方法 | |
CN109272756A (zh) | 一种信控交叉口排队长度估计方法 | |
CN104750963B (zh) | 交叉口延误时长估计方法及装置 | |
Liu et al. | A new approach for real-time traffic delay estimation based on cooperative vehicle-infrastructure systems at the signal intersection | |
US20240046787A1 (en) | Method And System For Traffic Clearance At Signalized Intersections Based On Lidar And Trajectory Prediction | |
CN108597219A (zh) | 一种基于机器视觉的路段行人过街控制方法 | |
CN108039046A (zh) | 一种基于c-v2x的城市交叉路口行人检测识别系统 | |
CN105513362A (zh) | 一种公交站台毗邻区公交车运行状态评价验证方法 | |
CN114399903A (zh) | 一种基于大数据平台的智慧城市道路管理系统 | |
CN106548628A (zh) | 一种基于视觉空间转换网格化的路况分析方法 | |
CN112907955A (zh) | 一种基于信息融合的车路协同系统的评价方法 | |
CN103903432A (zh) | 用于确定路链拥堵状况的设备和方法 | |
CN114912689A (zh) | 基于地图网格索引和xgboost的超限车辆目的地预测方法及系统 | |
CN112365615A (zh) | 一种基于北斗定位和etc的高速公路融合收费方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |