CN112124309B

CN112124309B - 基于5g通信的城市交通流跟车控制方法及装置、车载终端

Info

Publication number: CN112124309B
Application number: CN202011003074.2A
Authority: CN
Inventors: 韩莉娜; 史云峰; 彭颖斐; 牛奔; 郑元杰
Original assignee: Shandong Labor Vocational and Technical College
Current assignee: Shandong Labor Vocational and Technical College
Priority date: 2020-09-22
Filing date: 2020-09-22
Publication date: 2021-08-27
Anticipated expiration: 2040-09-22
Also published as: CN112124309A

Abstract

本公开提出了一种基于5G通信的城市交通流跟车控制方法及装置、车载终端，控制方法包括如下步骤：实时获取前方路况信息及跟车数据；将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；所述改进后的OVM模型中的反应系数为是关于时间的函数；根据期望加速度数值，控制车辆的油门开度和制动压力，实现自动跟车。本公开对跟车模型进行改进，提出了实时性更好、准确性更高的跟车控制方法。本公开通过改进OVM模型获得的加速度数值，能够实时跟随时间的变化，提高跟车控制的稳定性和安全性。

Description

基于5G通信的城市交通流跟车控制方法及装置、车载终端

技术领域

本公开涉及智能交通相关技术领域，具体的说，是涉及基于5G通信的城市交通流跟车控制方法及装置、车载终端。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，并不必然构成在先技术。

近年来，由于道路行车数量的大幅增加，各种交通事故越来越严重。许多研究者提出了缓解交通问题的各种策略。其中主要侧重于交通流模型和跟车模型的研究，交通流模型主要有宏观模型、微观模型和介观模型三种类型；跟车模型将车辆看作离散和相互作用的粒子，用来描述车辆如何在道路上相互跟随状态。

国外对于跟车理论的研究已长达半个多世纪；国内的研究从2000年左右起步，在2008年左右达到第一个高潮，其后在相关技术的发展和交叉学科的促进下，一直处于完善之中。

跟车模型的发展大致有以下几个阶段。最早的跟车模型是由Reuschel(1950) 和Pipes(1953)等人在考虑了速度差对下一车辆的影响下提出的原始GM跟车模型。1961年，在考虑最优速度的影响下，Newell构建了一种新的跟车模型，并给出了OV函数的图解描述。但是，这种模型存在着不足，不适合于当交通信号灯从红灯变为绿灯时，车辆穿过十字路口的情况。在此基础上，1995年Bando 等人提出了一种最优速度模型(OVM模型)，以克服无限速度问题。在OVM的基础上，许多学者考虑了各种交通因素，对跟车模型进行了扩展，如考虑负速度差的广义力(GF)模型、考虑速度差的全速度差(FVD)模型、考虑相对速度对加速度的影响的最优函数跟车模型、考虑多概率最优速度的扩展宏观交通流模型、考虑流量变化速率的格子流体动力学模型等等。近年来随着交叉学科的发展和交通情况的变化，还出现了考虑驾驶员记忆对跟车稳定性影响的模型、考虑非机动车对城市交通系统产生的巨大影响的跟车模型等。

发明人发现，现有的跟车控制技术中跟车控制普遍存在实时性差的问题，导致智能辅助驾驶的舒适性、稳定性、安全性等达不到用户预期的要求，限制了智能交通的发展，车辆的反应系数多为假设，设计的跟车模型无法准确的反映城市道路上真实跟车变化。

发明内容

本公开为了解决上述问题，提出了基于5G通信的城市交通流跟车控制方法及装置、车载终端，结合5G移动通信技术在智能交通系统中的应用，对跟车模型进行改进，提出了实时性更好、准确性更高的跟车控制方法。

为了实现上述目的，本公开采用如下技术方案：

一个或多个实施例提供了基于5G通信的城市交通流跟车控制方法，包括如下步骤：

实时获取前方路况信息及跟车数据；

将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；所述改进后的OVM模型中的反应系数为是关于时间的函数；

根据期望加速度数值，控制车辆的油门开度和制动压力，实现自动跟车。

一个或多个实施例提供了基于5G通信的城市交通流跟车控制装置，包括：

获取模块：被配置为用于实时获取前方路况信息及跟车数据；

计算模块：被配置为用于将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；所述改进后的OVM模型中的反应系数为是关于时间的函数；

输出模块：被配置为用于根据期望加速度数值，控制车辆的油门开度和制动压力，实现自动跟车。

一个或多个实施例提供了一种车载终端，包括采集模块、通信模块以及处理器；

采集模块：通过通信模块用于实时采集前方路况信息及跟车数据；

处理器：被配置为执行上述基于5G通信的城市交通流跟车控制方法。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述方法所述的步骤。

与现有技术相比，本公开的有益效果为：

(1)本公开通过改进OVM模型获得的加速度数值，能够实时跟随时间的变化，提高跟车控制的稳定性和安全性。

(2)本公开改进后的跟车模型的反应系数根据实时采集的数据拟合获得，更符合当前路况的真实情况，使改进的跟车模型更为准确。

(3)在5G-V2X的环境下，使车队实现限制、低延迟、高可靠性等驾驶特性，将5G通信技术应用于智能交通系统，优化了系统性能，有效避免交通事故的发生。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的限定。

图1是本公开实施例1的方法流程图；

图2是本公开实施例1中的传统OVM模型自相关图；

图3是本公开实施例1中的改进后的OVM模型自相关图；

图4是本公开实施例1中的传统OVM模型车辆速度曲线；

图5是本公开实施例1中的改进后的OVM模型自相关图；

图6是本公开实施例1中的实验示例中一致性检验数据对比图。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是，在不冲突的情况下，本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。

实施例1

在一个或多个实施方式中公开的技术方案中，如图1所示，基于5G通信的城市交通流跟车控制方法，包括如下步骤：

步骤1、实时获取前方路况信息及跟车数据；

步骤2、将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；改进后的OVM模型中的反应系数为是关于时间的函数；

步骤3、根据期望加速度数值，控制车辆的油门开度和制动压力，实现自动跟车。

本实施例的跟车控制方法适用于单车道上无超车行为的车辆队伍的跟车控制，通过前车与当前车速度或跟车间距的变化，将当前车的跟车行为通过一个跟车模型来控制，通过改进OVM模型获得的加速度数值，能够实时跟随时间的变化，提高跟车控制的实时性，能够减少急刹车等紧急操作，提高驾驶的舒适性、稳定性和安全性。

步骤1中，前方路况信息包括前方n辆车的行车速度和间隔距离，跟车数据是本车的行驶速度和加速度。

步骤1中实现实时获取车辆流的方法为采用5G通信方式实现。

通过在车辆设置5G通信模块实现。具体的布设5G-V2X的移动通信环境，在车辆终端中设置5G通信模块。

在5G-V2X的通信环境下，车队可以实现限制、低延迟、高可靠性等驾驶特性，在“低延迟高可靠性”的5G环境下，车辆之间能够实现实时信息传输；

关于在5G-V2X的环境下，车队可以实现限制、低延迟、高可靠性等驾驶特性，具体如下：

1)限制：在一个5G系统下的跟车队伍中，因为后车紧跟前车且能明确探知到前车的信息，这种“紧跟”就要求后车速度一定不大于前车，且始终与前车保持较小的间距，这就构成了一种“限制”，后车时刻随着前车变化而变化。

2)低迟滞：5G通信技术最突出的特性就是“低延迟高可靠性”，5G环境下的车队能够很好地实现“实时传输”。在普通的车队中，前方车辆速度发生变化，后车司机仅能根据肉眼判断前方两三辆车的速度变化；而在5G通信系统下，前方路况信息将实时传入到后方所有车辆终端中。

3)高可靠性：5G通信网络拥有强大的计算能力和储存数据的能力，可以很好地保障车辆之间传输的数据的可靠性。

在“低延迟高可靠性”的5G环境下，车辆之间能够实现实时信息传输，在这种情况下，整个车队都能够同时接收到前方的路况信息，而不再是只能观测到前两三辆车的状况，可以给予司机更多的心理准备时间，后车司机将能够更快地对前方事故做出反应，对前方干扰的即时处理时间会大幅缩短，使得OVM 表达式中的反应系数增大。

基于上述驾驶特性，改进OVM模型中的反应系数。反应系数α是瞬时自适应时间τ的倒数，其中τ＝at+b,α关于t的表达式为：

其中，a和b为通过实际行驶车辆实际速度、加速度以及车距控制的相关系数，具体的，a表示：时间的系数权重，b表示误差。

相关系数a和b可以通过如下方法实时获取：

步骤21、获取当前行驶车辆的前方路况信息及跟车数据，包括当前车辆及前后车辆的车速、加速度以及车距数据；

步骤22、根据跟车数据采用线性拟合的方法获得参数a和b。

本实施例的相关系数是根据不同的车辆实时计算的，根据不同车辆的驾驶习惯和车辆的性能能够获得当前车辆的跟车模型的相关系数，从而获得实时更新变化的反应系数。

例如，通过表1的数据拟合可得：a≈-0.751,b≈2.433。

改进后的OVM模型具体为：

其中，α表示跟车反应系数，a和b表示相关系数，a_n(t)为第n辆车的加速度、△x_n(t)第n辆车与第n-1车的跟车间距、v_n(t)第n辆车的速度、△x为平均跟车间距、L初始跟车间距、v_max车辆的最大速度。

双曲正切函数

可选的，模型相关参数包括车辆的最大的行驶速度v_max、初始跟车间距L、跟车数据采样时间T以及相关系数a和b，最大行驶速度为当前车辆行驶过程中采集的跟车数据中的最大车速，跟车间距可根据车辆最大行驶速度的取值进行设定，相关系数a和b根据线性拟合获得；

本实施例中，可以设定：v_max＝20.5m/s,L＝7.02m,T＝0.1s,a≈-0.751,b≈2.433根据确定的模型参数，确定OVM模型中的加速度函数为:

将模型相关参数代入上式可得:

根据确定的模型参数，确定OVM模型中速度函数为：

进一步地，还包括判断模型输出数据准确度判断的步骤：

设置置信区间，计算模型参数的自相关系数在置信区间内的比例，当自相关系数在置信区间内的比例大于设定的比例阈值，则模型输出数据准确。

其中，改进模型中的自相关系数为加速度a_n；置信区间可以设定为95％；比例阈值可以设定为大于85％。

为说明效果，进行了实验验证。从自相关分析、模拟仿真以及一致性检验三个角度来对改进模型的稳定性、实用性进行检验，从数据分析中可明显看出改进模型在舒适性、稳定性、安全性等方面都对OVM模型有一定程度上的优化。

所用相关实验数据和仿真过程如下所示。

表1实验数据

自相关即序列相关，度量同一事物在两个不同时期之间的相关程度，表现为两次观察之间的相似度对它们之间的时间差的函数。将数据代入公式可得自相关图如图2和图3所示，通过自相关图比较，可明显看出改进后的模型中有更多的自相关系数落在置信区间内，由此可得该模型生成的数据的自相关性优于传统模型，误差分析更加可靠，得出的数据具有更高的可信度。

为了验证跟车模型的稳定性，提取51组数据进行车队速度的模拟仿真，从达到稳定的时间来观测跟车模型的舒适度和稳定性。模拟仿真图见图4和图5，假设到路上有51辆车，设正常行驶速度为20m/s，在没有变道与超车的情况下，可求得改进算法达到稳定的时间约为129s，原始的线性跟车模型达到稳定的时间约为169s。从图中可以看出，改进后的模型中，车辆的速度变化明显更加平缓，越往后的车辆速度变化则越平缓，急刹车情况大幅减少，整个车队的稳定性大大提高因此改进的模型明显优于原模型。

现实一致性检验主要用于检验模型的预测效果，模型计算出的数据与实验数据对比结果如图6所示。对计算结果与实际数据进行卡方检验后，求得检验统计量χ²＝0.364<3.841，通过卡方检验，即通过改进模型计算出来的数据与实际数据的一致性较好，改进模型的准确性得到验证。

实施例2

基于实施例1，本实施例提供基于5G通信的城市交通流跟车控制装置，包括：

进一步的，改进后的OVM模型为：

改进后的OVM模型具体为：

实施例3

基于实施例1，本实施例提供一种车载终端，包括采集模块、通信模块以及处理器；

处理器：被配置为执行实施例1所述的基于5G通信的城市交通流跟车控制方法。

进一步地，所述通信模块为5G通信模块。

实施例4

本实施例提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1的方法所述的步骤。

应理解，在本公开中，该处理器可以是中央处理单元CPU，该处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。结合本公开所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本公开的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本公开所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能的划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外一点，所显示或讨论的相互之间的耦合或者直接耦合或者通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。基于这样的理解，本公开的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器或者网络设备等)执行本公开各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM， Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims

1.基于5G通信的城市交通流跟车控制方法，其特征是，包括如下步骤：

实时获取前方路况信息及跟车数据；前方路况信息包括前方车辆的行车速度、加速度和间隔距离，跟车数据是本车的行驶速度和加速度，采用5G通信采集前后相邻车辆的速度和加速度；

将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；所述改进后的OVM模型中的反应系数为是关于时间的函数；具体为：反应系数α是瞬时自适应时间τ的倒数，其中τ＝at+b,α关于t的表达式为：

其中，a和b为通过实际行驶车辆实际速度、加速度以及车距控制的相关系数，具体的，a表示：时间的系数权重，b表示误差；

2.如权利要求1所述的基于5G通信的城市交通流跟车控制方法，其特征是：改进后的OVM模型中的相关系数a和b通过如下方法实时获取：

获取当前行驶车辆的前方路况信息及跟车数据，包括当前车辆及前后车辆的车速、加速度以及车距数据；

根据跟车数据采用线性拟合的方法获得参数a和b。

3.如权利要求1所述的基于5G通信的城市交通流跟车控制方法，其特征是：改进后的OVM模型为：

改进后的OVM模型具体为：

4.如权利要求1所述的基于5G通信的城市交通流跟车控制方法，其特征是：还包括判断模型输出数据准确度判断的步骤：

5.基于5G通信的城市交通流跟车控制装置，其特征是，包括：

获取模块：被配置为用于实时获取前方路况信息及跟车数据；前方路况信息包括前方车辆的行车速度、加速度和间隔距离，跟车数据是本车的行驶速度和加速度，采用5G通信采集前后相邻车辆的速度和加速度；

计算模块：被配置为用于将跟车数据输入至改进后的OVM模型，计算获得期望的加速度；所述改进后的OVM模型中的反应系数为是关于时间的函数；具体为：反应系数α是瞬时自适应时间τ的倒数，其中τ＝at+b,α关于t的表达式为：

6.如权利要求5所述的基于5G通信的城市交通流跟车控制装置，其特征是，改进后的OVM模型为：

改进后的OVM模型具体为：

7.一种车载终端，其特征是：包括采集模块、通信模块以及处理器；

处理器：被配置为执行权利要求1-4任一项所述的基于5G通信的城市交通流跟车控制方法。

8.如权利要求7所述的一种车载终端，其特征是：所述通信模块为5G通信模块。