CN111445697B - 一种智能网联条件下的高速公路协同车辆换道控制方法 - Google Patents

一种智能网联条件下的高速公路协同车辆换道控制方法 Download PDF

Info

Publication number
CN111445697B
CN111445697B CN202010204593.9A CN202010204593A CN111445697B CN 111445697 B CN111445697 B CN 111445697B CN 202010204593 A CN202010204593 A CN 202010204593A CN 111445697 B CN111445697 B CN 111445697B
Authority
CN
China
Prior art keywords
vehicle
lane
vehicles
lane change
longitudinal
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
Application number
CN202010204593.9A
Other languages
English (en)
Other versions
CN111445697A (zh
Inventor
林培群
陈晨
黄鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202010204593.9A priority Critical patent/CN111445697B/zh
Publication of CN111445697A publication Critical patent/CN111445697A/zh
Application granted granted Critical
Publication of CN111445697B publication Critical patent/CN111445697B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125Traffic data processing
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/01Detecting movement of traffic to be counted or controlled
    • G08G1/0104Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0137Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/09Arrangements for giving variable traffic instructions
    • G08G1/0962Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0967Systems involving transmission of highway information, e.g. weather, speed limits
    • G08G1/096708Systems 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
    • G08G1/096725Systems 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 where the received information generates an automatic action on the vehicle control
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/16Anti-collision systems
    • G08G1/166Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/16Anti-collision systems
    • G08G1/167Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种智能网联条件下的高速公路协同车辆换道控制方法,包括步骤:S1、将公路路段中随机分布的若干车辆进行标记;S2、判断车辆是否为CAV,若是,则转至步骤S3,若不是,则计算车辆换道轨迹;S3、当车辆发出换道请求时,获取需要进行换道的车辆的初始状态;S4、根据车辆位置信息,结合已传入联网车辆控制中心的初始状态矢量,确认哪些车辆为相关车辆;S5、根据得到的车辆初始状态矢量,计算车辆换道的加速度组合;S6、采用遍历搜索算法,对于最优加速度组合进行求解;如果遍历未完成就已经找到满足要求的方案,遍历算法提前结束;S7、车辆按照步骤S6计算出的运动参数进行自动驾驶。

Description

一种智能网联条件下的高速公路协同车辆换道控制方法
技术领域
本发明涉及高速公路车辆换道控制技术研究领域,特别涉及一种智能网联条件下的高速公路协同车辆换道控制方法。
背景技术
随着经济社会的迅速发展,汽车保有量急剧增加,随之带来的能源短缺、环境污染、交通拥堵和事故频发等社会问题。智能网联条件下的自动驾驶车辆(ConnectedAutomated Vehicles/CAV)是解决这些社会问题的有效方案,代表着汽车行业未来的发展方向。智能网联条件下的自动驾驶车辆是新一轮科技革命背景下的新兴产品,可显著改善交通安全、实现节能减排、减缓交通拥堵、提高交通效率,并拉动汽车、电子、通信、服务、社会管理等行业协同发展,对促进汽车产业转型升级具有重大战略意义。
目前,物联网、移动互联网等技术正在快速发展,车联网(以车-车、车-路实时互联为特征)成为物联网最活跃的分支,而车载环境下的无线接入基础IEEE 802.11p和IEEE1609协议族分别于2010年11月、12月正式颁布。车联网技术为进行交通流精确控制提供了广阔的技术空间。
最近几年,有关自动驾驶的研究受到了广泛的关注,但是大部分只关注了跟驰行为的自动驾驶建模,而针对自动驾驶车辆的换道行为的规则研究较为不足。现有的换道行为研究主要以几何曲线法(李玮,王晶,段建民.基于多项式的智能车辆换道轨迹规划[J].计算机工程与应用,2012,48(3):242-245.)与人工势场法(刘法勇.基于改进人工势场法的车道保持系统研究[D].合肥工业大学,2017.)为主。然而,在当前的研究存在着一些不足之处。第一,上述模型更侧重于车辆运动场景的复原,车辆无法根据周围车辆状态进行调整、响应,因此这些模型在真实交通环境中可能失效。第二,在安全性方面,这些模型未考虑车辆的安全距离,和车辆在紧急制动情况下可能发生的碰撞。第三,上述模型未考虑车辆的协同驾驶,即可以通过操纵多台相关车辆达到系统最优。
考虑到车辆在高速公路环境下,在需要改变速度或规避风险时需要进行换道动作,而大量的换道往往会导致高速公路道路通行能力的锐减,严重时发生交通瘫痪。为解决这种问题,将智能网联技术与车辆控制技术引入高速公路,为高速公路的车辆换道运动过车进行精细化、系统性地统筹,进行以安全、高效为前提的全相关车辆控制,从而使交通系统的整体运行效率得到明显提升的车辆换道控制方法具有重要的意义。
发明内容
本发明的主要目的在于克服现有技术的缺点与不足,提供一种智能网联条件下的高速公路协同车辆换道控制方法,该方法对个体车辆的换道运动过程进行精细化、系统性的统筹,从而使交通系统的整体运行效率得到明显提升。
本发明至少通过如下技术方案之一实现。
一种智能网联条件下的高速公路协同车辆换道控制方法,包括以下步骤:
步骤S1、将公路路段中随机分布的若干车辆进行标记,其中V0是需要进行换道的车辆,V1、V2、V3是协同V0进行换道的车辆,V4和V5并不直接参与协同控制,但是V4和V5的运动状态会限制V1和V3的运动轨迹,当V0需要进行换道时,将换道请求传入联网车辆控制中心(CVC),联网车辆控制中心(CVC)获取道路实时交通信息,获取所有车辆的初始状态Si(vi,xi,yi),i=1~5;其中,vi为速度,xi为横向位置,yi为纵向位置;
步骤S2、判断车辆V0是否为联网车辆(CAV),若是,则转至步骤S3,若不是,则不进行联网控制;
步骤S3、当车辆V0(即为需要进行换道的车辆)发出换道请求时,获取需要进行换道的车辆V0的初始状态S0(v0,x0,y0),其中,v0为速度,x0为横向位置,y0为纵向位置;
步骤S4、根据所有联网车辆位置信息,结合已传入联网车辆控制中心的初始状态矢量,确认相关车辆;
步骤S5、根据得到的相关车辆V1~V5初始状态矢量,计算相关车辆V1~V5换道的加速度组合;
步骤S6、采用遍历搜索算法,对于最优加速度组合进行求解;如果遍历未完成就已经找到满足要求的方案,遍历算法提前结束;
步骤S7、相关车辆按照步骤S6计算出来的运动参数进行自动驾驶。
进一步地,步骤S4所述的相关车辆包括:
a)位于V0换道前车道、横坐标x大于x0,且与V0距离最小的车辆;
b)位于V0换道的目标车道,x大于x0,且与V0距离最小的车辆;
c)位于V0换道的目标车道,x小于x0,且与V0距离最小的车辆;
d)位于V0换道前的车道,x大于x0,且与V0距离第二小的车辆;
e)位于V0换道后的车道,x大于x0,且与V0距离第二小的车辆。
进一步地,步骤S5所述的加速度组合包括纵向加速度和横向加速度。
进一步地,纵向加速度计算步骤如下:
(5-1)记Δa为车辆速度最小变量,取值范围为[0.01,0.1],a0=0+nΔa,n为自然数,根据约束条件,分别求出a1,a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,由目标函数获得评价指标G+;
(5-2)根据同样的Δa,a0=0-nΔa,根据约束条件,分别求出a1、a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,由目标函数获得评价指标G-;
(5-3)将G+与G-进行比较,将较优值记为G#;
(5-4)将G#与上个最优值进行比较:G*表示最小加权加速度之和,如果G#<G*,则G*=G#,否则不改变G*;
(5-5)若还未找到满足要求的方案,返回步骤(5-1)开始循环。
进一步地,所述目标函数表示为:
Figure GDA0003356375520000041
其中,g0<<gi(i={1,2,3}),gi为可变系数;G为加权加速度之和,ai={a0,a1,a2,a3},
Figure GDA0003356375520000042
a0、a1、a2、a3分别对应车辆V0、V1、V2和V3的加速度,
Figure GDA0003356375520000043
Figure GDA0003356375520000044
分别表示所有车辆的最大减速度和最大加速度;
目标函数满足以下约束:
v0+tfa0,v1+tfa1,v2+tfa2,v3+tfa3∈[vmin,vmax]
其中,tf表示换道时间,vmin和vmax分别表示车辆的最小和最大速度限值;v0、v1、v2、v3分别表示V0、V1、V2和V3的速度;
约束条件如下:
V1的纵向约束:
Figure GDA0003356375520000045
V2的纵向约束:
Figure GDA0003356375520000046
V3的纵向约束:
Figure GDA0003356375520000047
Figure GDA0003356375520000048
表示V1受到V4约束时所能取到的最大加速度值,
Figure GDA0003356375520000049
表示V3受到V5约束时所能取到的最大加速度值,使用两种策略来确定
Figure GDA0003356375520000051
Figure GDA0003356375520000052
的值,如下式所示:
Figure GDA0003356375520000053
Figure GDA0003356375520000054
其中,y0,y1,y2,y3,y4,y5为变道开始时V0、V1、V2、V3、V4、V5的纵坐标,a0、a1、a2和a3分别对应车辆V0、V1、V2和V3的加速度;L是换道过程中车辆的纵向位移,Δl表示最小安全距离,与车速有关;Len(Vi)表示Vi的车长,
Figure GDA0003356375520000055
表示可行的最大加速度。
进一步地,所述的纵向位移L与换道时间tf根据以下横向运动约束得到:
换道车辆纵向运动约束:
Figure GDA0003356375520000056
其中d表示车道宽度,L表示换道过程中车辆的纵向位移,y为车辆纵坐标;
车辆与车道的倾角为:
Figure GDA0003356375520000057
其中v0为换道车辆进行车道变换时的初始速度,α和β是待定系数;
根据车辆纵向约束公式和车辆与车道的倾角公式,用三角函数来估算车辆换道所需时间和纵向位移:
当a0≠0,车道变换所需时间tf为:
Figure GDA0003356375520000061
当a0=0,车道变换所需时间tf为:
Figure GDA0003356375520000062
纵向位移L为:
Figure GDA0003356375520000063
根据上述条件计算车辆加速度组合,如果有可行解,则得到相应的动力学参数;如果无解,回到步骤(5-1)寻找新的加速度组合(a0,a1,a2,a3)。
进一步地,步骤S5中前后车纵向距离满足以下关系式:
(yfc+Sfc)-(ybc+Sbc)≥Sd+Δl+Len(Vfc)
其中,yfc为前车的纵向初始坐标,ybc为后车的纵向初始坐标,Sfc为前车在换道时间里的纵向行驶距离,Sbc为后车在换道时间里的纵向行驶距离;Sd为最小紧张距离,即为高速车辆降速为速度相同时所行驶的最短距离;Δl表示最小安全距离,与车速有关;Len(Vfc)表示前车的车长。
本发明与现有的技术相比,具有如下优点和有益效果:
本发明提出智能网联条件下的高速公路车辆协同换道的控制方法,使高速公路在遇到事故出现瓶颈或需要进出匝道而大量换道时能够保证交通流的高效、安全。根据换道车辆在道路中行驶的位置,判断哪些车辆为相关车辆,进行所有相关车辆的联网控制。针对车辆纵向行驶的物理模型与安全距离,本发明提出判定是否可以安全换道的阈值,并根据此阈值计算车辆换道的加速度。针对车辆横向行驶的换道过程,本发明提出根据换道过程中横向与纵向行驶的位置关系,将横向行驶模型进行简化,计算出换道车辆横向行驶的加速度。计算出所有相关车辆的加速度组合后,根据求得的动力学参数控制车辆在变速换道区段进行合理的加减速使得车辆可以进行高效、安全的换道行为。因此,本发明能对个体车辆的运动过程进行精细化、系统性的统筹,使交通系统的整体效率得到显著的提升,以解决现有的高速公路遇上交通事故会产生严重的交通瓶颈甚至导致交通瘫痪、或者换道区车流交织紊乱导致事故易发的状况。
附图说明
图1是本实施例中相关车辆的位置与编号示意图;
图2是本实施例中车辆协同控制方法流程图;
图3是本实施例中换道过程示意图;
图4是本实施例中并行双路网仿真平台示意图;
图5是本实施例中在不同比例的CV条件下行程延误的优化结果图;
图6是本实施例中在不同比例的CV条件下CO排放量的优化结果图;
图7是是本实施例中在不同比例的CV条件下燃料消耗的优化结果图;
图8是是本实施例中在不同比例的CV条件下最大排队长度的优化结果图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
本实施例基于以下假设:
(1)联网车辆控制中心(CVC)连接多个路侧设备,CVC可依靠车量联网和交通检测获得实时交通信息;
(2)联网车辆(CAV)与CVC实时互联,设高速公路上有两条车道可供车辆行驶,道路宽度为d,且CAV严格按照CVC发送的指令行驶;
(3)CAV与CVC之间采用专用短程通信技术(DSRC)进行信息交互,通信过程无丢包,且传输时延足够小;
(4)重力加速度对CAV的影响忽略不计。
由于换道区域涉及车辆较多,为区别不同车辆的约束,如图1所示,将换道车辆记为V0,换道前的前车记为V1,换道后的前车记为V3,V3的后车记为V2,V1的前车记为V4,V3的前车记为V5,需要共同换道的车辆分别记为V6和V7。
当确定V0需要换道时,获取换道车辆的初始状态S0(v0,x0,y0)(其中v0为初速度,y0为纵向坐标),根据CVC获取的道路实时交通信息,获取V1~V5的初始状态Si(vi,xi,yi)(i={1,2,3}),采用遍历法计算在保证安全的情况下的可行加速度组合,CAV严格按照计算的结果行驶。遍历法计算的加速度使得换道所有相关车辆协同进行变速,提高了换道效率,能有效地提高高速公路的通行能力,减少车辆行程延误和排队长度,降低尾气排放量和燃料消耗量。遍历法可以应用于联网车辆比例不同的情况,有着较好的普适性;所述遍历法计算的加速度如下:
(1)车辆自身动力学约束条件:
Figure GDA0003356375520000081
v0+tfa0,v1+tfa1,v2+tfa2,v3+tfa3∈[vmin,vmax] (2)
式中,a0、a1、a2、a3分别对应车辆V0、V1、V2和V3的加速度;tf是换道过程的持续时间,vmin和vmax分别表示所有车辆的最小和最大速度限值;v1、v2、v3分别表示V1、V2和V3的速度;
(2)相关车辆纵向安全距离约束条件:
Figure GDA0003356375520000091
Figure GDA0003356375520000092
Figure GDA0003356375520000093
Figure GDA0003356375520000094
Figure GDA0003356375520000095
其中,y0、y1、y2、y3、y4、y5分别是变道开始时V0、V1、V2、V3、V4、V5的纵坐标,a0、a1、a2、a3分别对应车辆V0、V1、V2和V3的加速度;L是换道过程中车辆的纵向位移,Δl表示最小安全距离,与车速有关。Len(Vi)表示Vi车长,i=0~5,
Figure GDA0003356375520000096
表示V1受到V4约束时所能取到的最大加速度值,
Figure GDA0003356375520000097
表示V3受到V5约束时所能取到的最大加速度值;
Figure GDA0003356375520000098
表示可行的最大减速度;d表示车道宽度。
车辆换道的纵向时空约束条件:
Figure GDA0003356375520000099
其中d表示车道宽度,L表示整个变道过程中车辆的纵向位移,h为车辆横坐标,y为车辆纵坐标。
下面结合图2对本实施例的一种智能网联条件下的高速公路协同车辆换道控制方法详述如下,所述高速公路车辆换道协同控制方法包括以下步骤:
步骤S1、CVC获取道路实时交通信息,获取所有车辆的初始状态Si(vi,xi,yi);
步骤S2、为联网自动驾驶车辆(CAV),若不属于,则继续由驾驶员驾驶,若属于,则则转至步骤S3;
步骤S3、计算车辆加速度组合,形成车辆控制方案:
步骤S31、根据车辆横向运动规律,计算换道车辆所需换道时间和纵向移动距离:
当a0≠0,车道变换所需时间为:
Figure GDA0003356375520000101
其中α、β分别为相关系数。
当a0=0,车道变换所需时间为:
Figure GDA0003356375520000102
纵向位移为:
Figure GDA0003356375520000103
步骤S32、计算相关车辆的加速度组合:
步骤S33、记Δa为车辆速度最小变量,为一个较小值(取决于速度精度与迭代速度,一般取值范围为[0.01,0.1]),a0=0+nΔa(n为自然数),根据式(3)~式(7),分别求出a1、a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,由式(12)获得评价指标G+,解决车辆协同换道问题实际为寻找相关车辆(换道车辆和协同车辆)最优加速度组合的线性规划问题,根据控制原则,目标函数表示为:
Figure GDA0003356375520000111
其中,g0<<gi(i={1,2,3}),g0和gi均为可变系数;G为加权加速度之和,ai={a0,a1,a2,a3},
Figure GDA0003356375520000112
a0、a1、a2、a3分别对应车辆V0、V1、V2和V3的加速度,
Figure GDA0003356375520000113
Figure GDA0003356375520000114
分别表示所有车辆的最大减速度和最大加速度;
步骤S34、根据同样的Δa,a0=0-nΔa,根据纵向约束式(3)~式(7),分别求出a1、a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,则获得评价指标G-;
步骤S35、将G+与G-进行比较,将较优值记为G#;
步骤S36、将G#与上个最优值进行比较:如果G#<G*,则G*=G#,否则不改变G*;G*为加权后的最小加速度之和。
步骤S37、若还未找到满足以上所有约束的方案,返回步骤S34开始循环。步骤S4、车辆按照步骤S3计算出来的运动参数进行自动驾驶;
步骤S5、完成协同动作后,车辆切断与CVC的通讯,由驾驶员驾驶车辆继续行驶。
如图3所示的换道运动过程来说明本实例的应用过程。在此过程中,仅有6台车辆,分别为V0、V1、V2、V3、V4、V5,且全部为联网自动驾驶车辆(CAV)。在此高速公路道路中,仅有两条车道,V0从车道1换至车道2。
为便于计算,对车辆的时间维度以相对时间来描述,单位为s,空间距离单位为m,速度单位为m/s。车道宽度为3.75m,即换道的横向位移为3.75m。计算角度的参数α、β分别取18、10,目标函数的权重系数设置为g0=0.0001,g1=g2=g3=500,目标函数的初始最优值G#=10000,amin=-3m/s2,amax=3m/s2
输入的参数设置如表1所示:
从时刻T0(T0=0s)开始,CVC获取以上所有车辆的初始状态,并且接收到V0的换道请求。车辆的状态如下表所示:
表1T0时刻的车辆初始状态
Figure GDA0003356375520000121
下面按照前面所提控制方法为车辆V0、V1、V2、V3、V4、V5制定控制方案:
步骤S1、计算车辆V0可能的加速度a0
步骤S11、确定Δa=0.01m/s2,a0=0;
步骤S12、进入循环体,a0=a0+(n-1)Δa,第一次循环时a0=0,根据公式:
Figure GDA0003356375520000122
Figure GDA0003356375520000123
计算出L=5.4761m,tf=0.3202s。
步骤S13、根据约束条件计算出a1、a2、a3的最小值,现说明计算a1步骤如下:
步骤S131、确定Δa=0.01m/s2,a1=0。
步骤S132、进入循环体,a1=a1+(n-1)Δa,判断a1是否满足:
Figure GDA0003356375520000131
若满足,则跳出循环,记下a1;若不满足,则返回步骤S132,进行300次循环;
步骤S133、根据不同的约束重复进行步骤S132的循环,最终计算得a1、a2、a3的最小值分别为:0.36m/s2、0、0.33m/s2,其中V4和V5的限制为保守型策略。
步骤S14、计算出目标函函数G=345,记为G+,判断G+是否小于G#,若G+<G#,则G#=G+;
步骤S15、返回步骤S11,执行301次循环体。在此约束条件下,计算可得加速度最优组合为:(a0,a1,a2,a3)=(0,0.36,0,0.33),最小目标函数G#+=345。
步骤S2、计算a0可能的减速度:
步骤S21、确定Δa=0.01m/s2,a0=0。
步骤S22、进入循环体,a0=a0+(1-n)Δa,第一次循环时a0=0,根据前文约束条件和步骤S13的算法计算出a1,a2,a3的最小值分别为:0.36m/s2,0,0.33m/s2。
步骤S23、计算出目标函数G=190,记为G+,判断G+是否小于G#,若小于,则G#=G+。
步骤S24、返回步骤S11,执行301次循环体。在此模型条件下,由于amin=-3m/s2,因此,最优可行解为(a0,a1,a2,a3)=(-0.31,0,0,0),G#-=G#-=-3.1×10-5
步骤S3、对比G#+,G#-。在此实例中,G#-<G#+,因此G#-为最优解,最优加速度组合为:(a0,a1,a2,a3)=(-0.31,0,0,0)。
步骤S4、控制联网车辆按照计算所得的加速度(a0,a1,a2,a3)=(-0.31,0,0,0)控制方案驾驶,换道结束时刻T1(T1=0.3212s)后的参数如表2所示:
表2T1时刻的车辆状态
Figure GDA0003356375520000141
如图4所示的仿真路网为例来说明本实例的应用过程。选取典型高速公路路段为仿真应用场景。仿真参数设置如表3:
表3仿真参数设置
Figure GDA0003356375520000142
为了评价本发明方法在联网车辆比例不同时的表现,将CAV(联网自动驾驶车辆)比例设置为0%,70%和100%并分别进行仿真实验,主要仿真结果如表4所示,表中0%CV表示交通流中联网车辆比例为0%,70%CV和100%CV含义类似。从表4可以看出,车联网技术不仅能提高道路通行能力,还能有效减少车辆的燃料消耗,尾气排放,排队长度和行程延误。
表4主要仿真结果
Figure GDA0003356375520000151
其中:仿真输入交通流量为500-1200,间隔为100veh/h.lane.
图5、图6、图7、图8为在不同比例的CV条件下,行程延误、CO排放量、燃料消耗、最大排队长度等的优化结果。根据图可知,在车流量较大(超过1100veh/h.lane)的情况下,联网车辆比例的增加对评价指标的优化变得非常明显。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。

Claims (3)

1.一种智能网联条件下的高速公路协同车辆换道控制方法,其特征在于,包括以下步骤:
步骤S1、将公路路段中随机分布的若干车辆进行标记,其中V0是需要进行换道的车辆,V1、V2、V3是协同V0进行换道的车辆,V4和V5并不直接参与协同控制,但V4和V5的运动状态会限制V1和V3的运动轨迹,当V0需要进行换道时,将换道请求传入联网车辆控制中心,联网车辆控制中心获取道路实时交通信息,获取所有车辆的初始状态Si(vi,xi,yi),i=1~5;其中,vi为速度,xi为横向位置,yi为纵向位置;
步骤S2、判断车辆V0是否为联网车辆,若是,则转至步骤S3,若不是,则不进行联网控制;
步骤S3、当车辆V0发出换道请求时,获取需要进行换道的车辆V0的初始状态S0(v0,x0,y0),其中,v0为速度,x0为横向位置,y0为纵向位置;
步骤S4、根据所有联网车辆位置信息,结合已传入联网车辆控制中心的初始状态矢量,确认相关车辆;
步骤S5、根据得到的相关车辆V1~V5初始状态矢量,计算相关车辆V1~V5换道的加速度组合;所述的加速度组合包括纵向加速度和横向加速度;
纵向加速度计算步骤如下:
(5-1)记Δa为车辆速度最小变量,取值范围为[0.01,0.1],a0=0+nΔa,n为自然数,根据约束条件,分别求出a1,a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,由目标函数获得评价指标G+;
(5-2)保持同样的Δa,a0=0-nΔa,根据约束条件,分别求出a1、a2和a3的相对优化解,如果{a0,a1,a2,a3}是个可行解,由目标函数获得评价指标G-;
(5-3)将G+与G-进行比较,将较优值记为G#;
(5-4)将G#与上个最优值进行比较:G*表示最小加权加速度之和,如果G#<G*,则G*=G#,否则不改变G*;
(5-5)若还未找到满足要求的方案,返回步骤(5-1)开始循环;
所述目标函数表示为:
Figure FDA0003356375510000021
其中,g0<<gi(i={1,2,3}),g0和gi均为可变系数;G为加权加速度之和,ai={a0,a1,a2,a3},
Figure FDA0003356375510000022
a0、a1、a2、a3分别对应车辆V0、V1、V2和V3的加速度,
Figure FDA0003356375510000023
Figure FDA0003356375510000024
分别表示所有车辆的最大减速度和最大加速度;
目标函数满足以下约束:
v0+tfa0,v1+tfa1,v2+tfa2,v3+tfa3∈[vmin,vmax]
其中,tf表示换道时间,vmin和vmax分别表示车辆的最小和最大速度限值;v0、v1、v2、v3分别表示V0、V1、V2和V3的速度;
约束条件如下:
V1的纵向约束:
Figure FDA0003356375510000025
V2的纵向约束:
Figure FDA0003356375510000026
V3的纵向约束:
Figure FDA0003356375510000027
Figure FDA0003356375510000028
表示V1受到V4约束时所能取到的最大加速度值,
Figure FDA0003356375510000029
表示V3 受到V5约束时所能取到的最大加速度值,使用两种策略来确定
Figure FDA0003356375510000031
Figure FDA0003356375510000032
的值,如下式所示:
Figure FDA0003356375510000033
Figure FDA0003356375510000034
其中,y0,y1,y2,y3,y4,y5为变道开始时V0、V1、V2、V3、V4、V5的纵坐标,a0、a1、a2和a3分别对应车辆V0、V1、V2和V3的加速度;L是整个变道过程中车辆的纵向位移,Δl表示最小安全距离,与车速有关;Len(Vi)表示Vi的车长,
Figure FDA0003356375510000035
表示可行的最大加速度;
所述的纵向位移L与换道时间tf根据以下横向运动约束得到:
换道车辆纵向运动约束:
Figure FDA0003356375510000036
其中d表示车道宽度,L表示换道过程中车辆的纵向位移,y为车辆纵坐标,h(y)为车辆横坐标关于车辆纵坐标的函数,
车辆与车道的倾角为:
Figure FDA0003356375510000037
其中v0为换道车辆进行车道变换时的初始速度,α和β是待定系数;
根据车辆纵向约束公式和车辆与车道的倾角公式,用三角函数来估算车辆换道所需时间和纵向位移:
当a0≠0,车道变换所需时间tf为:
Figure FDA0003356375510000041
当a0=0,车道变换所需时间tf为:
Figure FDA0003356375510000042
纵向位移L为:
Figure FDA0003356375510000043
根据上述条件计算车辆加速度组合,如果有可行解,则得到相应的动力学参数;如果无解,回到步骤(5-1)寻找新的加速度组合(a0,a1,a2,a3);
步骤S6、采用遍历搜索算法,对于最优加速度组合进行求解;如果遍历未完成就已经找到满足要求的方案,遍历算法提前结束;
步骤S7、相关车辆按照步骤S6计算出来的运动参数进行自动驾驶。
2.根据权利要求1所述的一种智能网联条件下的高速公路协同车辆换道控制方法,其特征在于,步骤S4所述的相关车辆包括:
a)位于V0换道前车道、横坐标x大于x0,且与V0距离最小的车辆;
b)位于V0换道的目标车道,x大于x0,且与V0距离最小的车辆;
c)位于V0换道的目标车道,x小于x0,且与V0距离最小的车辆;
d)位于V0换道前的车道,x大于x0,且与V0距离第二小的车辆;
e)位于V0换道后的车道,x大于x0,且与V0距离第二小的车辆。
3.根据权利要求2所述的一种智能网联条件下的高速公路协同车辆换道控制方法,其特征在于,步骤S5中前后车纵向距离满足以下关系式:
(yfc+Sfc)-(ybc+Sbc)≥Sd+Δl+Len(Vfc)
其中,yfc为前车的纵向初始坐标,ybc为后车的纵向初始坐标,Sfc为前车在换道时间里的纵向行驶距离,Sbc为后车在换道时间里的纵向行驶距离;Sd为最小紧张距离,即为高速车辆降速为速度相同时所行驶的最短距离;Δl表示最小安全距离,与车速有关;Len(Vfc)表示前车的车长。
CN202010204593.9A 2020-03-22 2020-03-22 一种智能网联条件下的高速公路协同车辆换道控制方法 Active CN111445697B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010204593.9A CN111445697B (zh) 2020-03-22 2020-03-22 一种智能网联条件下的高速公路协同车辆换道控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010204593.9A CN111445697B (zh) 2020-03-22 2020-03-22 一种智能网联条件下的高速公路协同车辆换道控制方法

Publications (2)

Publication Number Publication Date
CN111445697A CN111445697A (zh) 2020-07-24
CN111445697B true CN111445697B (zh) 2022-06-14

Family

ID=71653685

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010204593.9A Active CN111445697B (zh) 2020-03-22 2020-03-22 一种智能网联条件下的高速公路协同车辆换道控制方法

Country Status (1)

Country Link
CN (1) CN111445697B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112258893B (zh) * 2020-09-01 2021-10-26 华南理工大学 一种基于轨道预测的智能车辆换道碰撞概率评估方法
CN112116822B (zh) * 2020-09-21 2021-07-16 长沙理工大学 基于CAVs混合交通流的车道动态分配的高速公路通行能力协同调控方法
CN112289076B (zh) * 2020-10-30 2021-12-10 长安大学 双车道智能网联车协同换道方法、装置、设备及存储介质
CN114030469B (zh) * 2021-06-18 2022-08-02 东南大学 多车协同轨迹规划和路径跟踪方法
CN113882201B (zh) * 2021-09-09 2022-07-01 华中科技大学 一种自动驾驶车辆专用车道直线段宽度确定方法
CN113920740B (zh) * 2021-11-16 2023-12-29 北京白龙马云行科技有限公司 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法
CN114299755B (zh) * 2021-12-14 2023-08-29 东南大学 一种智能网联队列换道方法
CN115440088B (zh) * 2022-07-25 2024-05-14 重庆大学 一种基于场的智能车辆换道决策方法
CN115273514B (zh) * 2022-08-03 2023-08-08 西南交通大学 一种自动驾驶车辆多车道连续变道轨迹优化方法
CN115472032B (zh) * 2022-08-24 2024-05-28 武汉理工大学 一种高速公路匝道合流区车辆自动换道决策系统及方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282033A (zh) * 2014-08-12 2015-01-14 中国科学院计算技术研究所 一种针对车辆动画仿真的一体化换道行为模拟方法
CN104960524A (zh) * 2015-07-16 2015-10-07 北京航空航天大学 基于车车通信的多车协同换道控制系统及其方法
CN108045373A (zh) * 2017-09-11 2018-05-18 同济大学 一种自动驾驶纵向统一规划方法及系统
CN109671287A (zh) * 2019-01-07 2019-04-23 武汉理工大学 一种加速度控制的交叉口车辆引导控制系统及方法
CN110329263A (zh) * 2019-07-05 2019-10-15 西南交通大学 自动驾驶车辆自适应换道轨迹规划方法
CN110466516A (zh) * 2019-07-11 2019-11-19 北京交通大学 一种基于非线性规划的曲线道路自动车换道轨迹规划方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104282033A (zh) * 2014-08-12 2015-01-14 中国科学院计算技术研究所 一种针对车辆动画仿真的一体化换道行为模拟方法
CN104960524A (zh) * 2015-07-16 2015-10-07 北京航空航天大学 基于车车通信的多车协同换道控制系统及其方法
CN108045373A (zh) * 2017-09-11 2018-05-18 同济大学 一种自动驾驶纵向统一规划方法及系统
CN109671287A (zh) * 2019-01-07 2019-04-23 武汉理工大学 一种加速度控制的交叉口车辆引导控制系统及方法
CN110329263A (zh) * 2019-07-05 2019-10-15 西南交通大学 自动驾驶车辆自适应换道轨迹规划方法
CN110466516A (zh) * 2019-07-11 2019-11-19 北京交通大学 一种基于非线性规划的曲线道路自动车换道轨迹规划方法

Also Published As

Publication number Publication date
CN111445697A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111445697B (zh) 一种智能网联条件下的高速公路协同车辆换道控制方法
Zhang et al. Energy management strategies of connected HEVs and PHEVs: Recent progress and outlook
Li et al. Cooperative driving at blind crossings using intervehicle communication
CN108919795A (zh) 一种自动驾驶汽车换道决策方法及装置
CN111959492B (zh) 一种网联环境下考虑换道行为的hev能量管理分层控制方法
Ding et al. Multivehicle coordinated lane change strategy in the roundabout under internet of vehicles based on game theory and cognitive computing
CN114265398A (zh) 自动驾驶车辆轨迹规划方法、装置、电子设备及存储介质
CN112249008A (zh) 针对复杂动态环境的无人驾驶汽车预警方法
Kim et al. Compact cooperative adaptive cruise control for energy saving: Air drag modelling and simulation
Liu et al. Impact of sharing driving attitude information: A quantitative study on lane changing
Liu et al. Optimizing energy savings for a fleet of commercial autonomous trucks
Tong et al. Speed planning for connected electric buses based on battery capacity loss
CN112731806B (zh) 智能网联汽车随机模型预测控制实时性优化方法
Ke-Ping et al. Energy-optimal control model for train movements
Kavas-Torris et al. A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation
Baby et al. Suggestion-based fuel efficient control of connected and automated vehicles in a multi-lane urban traffic
CN114261392B (zh) 一种用于信号灯场景下的数据驱动型车速规划方法
CN115512537A (zh) 一种基于深度强化学习算法的高速公路监控方法及系统
Liu et al. Integrated longitudinal speed decision-making and energy efficiency control for connected electrified vehicles
Adelberger et al. A topology based virtual co-driver for country roads
Pan et al. Decentralized model predictive control for automated and connected electric vehicles at signal-free intersections
Wang et al. Energy-Saving and Punctuality Combined Velocity Planning for the Autonomous-Rail Rapid Tram with Enhanced Pseudospectral Method
Luo et al. Platoon control of automatic vehicles based on deep deterministic policy gradient
Esmaeili et al. A platoon formation strategy for heterogeneous vehicle types at a signalized intersection
Hao et al. Connected Vehicle-based Truck Eco-Driving: A Simulation Study

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