CN112233413A - 一种面向智能网联车辆的多车道时空轨迹优化方法 - Google Patents
一种面向智能网联车辆的多车道时空轨迹优化方法 Download PDFInfo
- Publication number
- CN112233413A CN112233413A CN202010697831.4A CN202010697831A CN112233413A CN 112233413 A CN112233413 A CN 112233413A CN 202010697831 A CN202010697831 A CN 202010697831A CN 112233413 A CN112233413 A CN 112233413A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- target
- lane change
- space
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 75
- 238000005457 optimization Methods 0.000 title claims abstract description 48
- 230000008859 change Effects 0.000 claims abstract description 90
- 230000008569 process Effects 0.000 claims abstract description 41
- 230000001133 acceleration Effects 0.000 claims abstract description 32
- 238000012508 change request Methods 0.000 claims abstract description 11
- 230000006870 function Effects 0.000 claims description 45
- 230000009471 action Effects 0.000 claims description 16
- 230000000977 initiatory effect Effects 0.000 claims description 16
- 238000001514 detection method Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000033001 locomotion Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 abstract description 12
- 238000013461 design Methods 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 9
- 230000036461 convulsion Effects 0.000 description 8
- 150000001875 compounds Chemical class 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 230000006698 induction Effects 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 description 1
- 206010021033 Hypomenorrhoea Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000035939 shock Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/042—Detecting movement of traffic to be counted or controlled using inductive or magnetic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/08—Controlling traffic signals according to detected number or speed of vehicles
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/07—Controlling traffic signals
- G08G1/081—Plural intersections under common control
- G08G1/083—Controlling the allocation of time between phases of a cycle
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明提供了一种面向智能网联车辆的多车道时空轨迹优化方法,本发明设计了基于强化学习算法的时空轨迹优化算法可以快速匹配最优轨迹。该算法一共包含计算两个不同输入的内容:(1)时空轨迹的优化,以车辆当前位置、速度及目标驶出车道、时段为输入,车辆加速度的集合为输出;(2)多车道协同换道的优化,以车辆当前位置、速度及目标车道威胁车位置、速度为输入,车辆加速度集合为输出。即车辆发起换道请求后可通过强化学习匹配车辆协同换道过程的轨迹,换道完成后通过强化学习匹配此时刻的时空轨迹以达到多车道轨迹优化的过程。该方法可根据不同的道路环境和交通状态实时优化及生成路段内通行车辆的时空轨迹,增加了车辆间的相互协作能力,提升了通过路段的安全性以及交叉口的车辆通行效率,减少了车辆的能源消耗水平,为保证道路交通安全,提高出行效率提出了新的解决方案和理论依据。
Description
技术领域
本发明属于车路协同/干线交通流控制技术领域,具体涉及面向智能网联车辆的多车道时空轨迹优化方法,适用于城市道路交通路网内任意信号交叉口路段。
背景技术
对于城市交通路网而言,除了少部分流量较小的郊区路口采用无信号自组织的控制方法外,目前城市交通路系统对交叉口车流进行控制。交叉口是各路段相互连接的主要节点,各路段内车流的合理规划也是提升交叉口通行效率的重要组成部分。在路段的行驶过程中车辆的驾驶行为可以分为车道保持行为和变换车道行为,其中超车行为的过程可拆解为至少两次变换车道行为。换道行为相比于保持车道行为有更多的因素要考虑,所以也有较高的复杂度,其发生事故的概率也大于保持车道行为发生的概率。而且,由变换车道行为导致的事故现场占据多车道,使道路堵塞的情况更为严重。Apollo在轨迹规划中以当前车辆的环境信息为基础建立了弗莱纳(Frenet)坐标做运动分解,并通过分段加加速度算法优化车辆的行驶轨迹以保证车辆安全性的前提下提升车辆的通行效率。然而该算法仅仅使针对单一车辆进行轨迹优化,无法整体提升路段甚至路网内车辆通行效率。此外,为了提升路网内路段车流吞吐量,国内外学者通过优化车辆驶出当前车道的时空轨迹的方式提升驶入交叉口的通行效率。但是,常见的多车道路段的通行效率问题无法直接通过多条单一车道的优化办法得以提升,同时具有更多的数据计算量和更高的系统的复杂度。
针对上述问题,本发明建立基于V2X的多车道路段场景,并以此为基础设计了车辆多车道时空轨迹优化方法。该方法结合了车辆当前的状态信息、车辆附近的环境信息以及路段下游的信号配时信息等,生成基于V2X的车辆时空轨迹。此外,该发明设计了基于V2X的在线车辆协同时空轨迹优化办法以减少车辆换道过程对时空轨迹的影响。该方法规定了车辆在线协同优化的换道规则、换道安全查验规则、协同换道时空轨迹更新办法以及基于强化学习的协同换道时空轨迹优化办法,可以有效的解决多车道多车辆的协同换道问题,为解决信号交叉口拥堵问题提供了路段内的车辆时空轨迹优化方法。
相关技术
1车路通信技术
随着无线通信和新一代互联网等技术的发展,物联网技术也应用到道路交通方面。基于车路通信技术的V2X(Vehicle to Everything)车联网技术包括V2V(Vehicle toVehicle)车车协同技术、V2R(Vehicle to Route)车路协同技术、V2I(Vehicle toInfrastructure)车与基础设施协同技术及V2C(Vehicle to Cloud)车与云端技术等。目前实现V2X的两大标准分别为LTE-V和DSRC标准。全方位的实施V2X技术可以有效保证车辆相关信息的实时交互,充分实现车路系统的有效协同。保证道路交通安全、提高车辆通行效率,为形成安全、互联、高效的交通控制系统打好信息互通的基础。
2交通诱导技术
交通诱导技术是一种基于电子信息、计算机技术、网络通信等技术,根据出行者的起点位置和目标位置对道路使用者提供信息引导等功能。该技术主要包括车内诱导和车外诱导两部分。车内诱导是通过对单个车辆的提供车道分布信息、车速引导信息等使车辆合理、高效的躲避拥堵、车祸等突发情况。车外诱导则通过车流检测器检测车流群,对交通流进行宏观上的规划和导引。交通诱导技术的出现,提高了对车流的能控性,使道路交通的使用率得以提升。
3强化学习技术
强化学习技术是机器学习技术的一种,又被成为鼓励学习或增强学习。强化学习技术是常用的用来解决智能体(agent)在环境中互动的复杂情况的学习策略。该技术通过不断探索和利用状态与动作之间的关系,定义奖励以促进模型的自我学习功能。强化学习技术的出现为人工智能的实现提供了一种策略方式,使系统遇到新的复杂情况可以学习新的处理能力并以此泛化到其他类似情况,提高了系统的计算效率,增强了系统应对多样化问题的处理能力。
现有技术不足
1.目前对于车辆时空轨迹的优化问题仍局限在宏观上的路径优化或单车道的时空轨迹,缺乏面向多车道的时空轨迹优化算法。单车道时空轨迹优化问题是一个连续时间、一维连续空间的问题;而多车道时空轨迹优化问题是一个连续时间、二维空间的问题。相比于单车道时空轨迹优化问题,多车道时空轨迹优化问题具有更高复杂度,很难通过现有的换道规则直接解决多车道时空轨迹优化问题。
2.传统路径方法信息获取能力有限,往往依赖于固定交通检测器,缺少实时、高效、准确的车辆行驶信息和交通状态信息。传统的实验场景缺乏面对复杂场景的鲁棒性,很难得到广泛的推广。如果实验场景可以模块化并且满足多方向多车速车辆输入及多方向多车道车辆输出即可为未来多路口的做好准备。
3.传统路径方法大多不考虑多车协同换道因素,以及缺乏对周围车辆的干扰因素的考虑。多车道协同轨迹优化的问题不同于单车换道轨迹优化问题,而是潜在的多车辆协同换道轨迹优化问题。对于现有的换道规则建立数学模型,很难同时满足多车目标;对于系统的数学计算,很难同时处理多车的大量数据。并且,车辆换道的情况属于惯例现象,如果可以建立多车道车辆协同换道规则,则可以有序的、合理的解决多车道多车协同换道问题。
发明内容
针对以上三个相关技术的不足,本发明充分利用车路协同理论的优势,建立一种基于V2X的多车道路段实验场景,以车辆环境及目标车道相位配时等信息生成多车道时空轨迹,并且通过车辆协同换道规则完成多车道车辆时空轨迹优化,实现车辆通过目标路段的最优策略。具体采用如下技术方案:
该方法包含如下步骤:
步骤(1)换道冲突检测
1)检查当前换道环境内是否拥有主威胁车辆及次威胁车辆;
2)检查发起换道的车辆当前是否处在协同换道状态;
3)检查主威胁车辆是否处在发起换道状态或协同换道状态;
4)检查次威胁车辆的是否处在发起换道状态;
步骤(2)换道间隙及目标协同车辆确定
通过步骤(1)换道冲突检测后对目标车道发起换道请求,若目标车道无主威胁车和次威胁车则根据车载传感器收集的车辆环境信息直接换道;若目标车道存在主威胁车或次威胁车,则基于换道发起车的车辆环境信息确定换道间隙及目标协同车辆;
换道间隙及目标协同车辆的决定主要是基于主车Cmn及目标车道(m-1)主威胁车辆C(m+1)n,C(m+1)(n-1)和C(m+1)(n+1)的车速进行判断,若目标车道车流速度大于主车速度,则选择水平位置的主威胁车辆C(m+1)n的后方间隙作为目标换道间隙,同时后车C(m+1)(n+1)作为目标协同车辆;若目标车道车流速度小于或等于主车速度,则选择水平位置的主威胁车辆C(m+1)n的前方间隙作为目标换道间隙,同时车辆C(m+1)n作为目标协同车辆;若无水平位置主威胁车辆,则选择水平位置后车作为目标协同车辆,其前方间隙作为目标间隙;
步骤(3)时空轨迹更新
1)主车Cmn向目标换道间隙后的目标协同换道车辆C(m+1)n发起换道请求;
2)目标协同换道车辆C(m+1)n及后车C(m+1)(n+1)等调整车速为发起换道请求的车辆Cmn提供安全换道间隙;
3)主车匀速或变速驶入目标车道,更新主车时空轨迹;
4)更新原主车车道后方车辆及目标车道换道间隙后方车辆的时空轨迹。
优选地,步骤(3)中采用如下时空轨迹优化算法:
设车辆多车道时空轨迹优化过程的状态向量满足:系统的下一状态st+1只与当前的状态st有关,与前序状态无直接关联
P[st+1|st]=P[st+1|s1,s2,s3...st]
式中,P为各状态之间转移的概率矩阵;
计算值函数vπ(s)
式中,Eπ为累计回报值得数学期望,S为包含车辆当前状态及路段内交通流状态集合,R为该过程的奖励函数,γ为计算值函数时vπ(s)的折扣因子;
计算动作值函数qπ(s,a)
A为车辆控制输出的横向纵向加速度的集合;
计算最优状态值函数v*(s)和最优动作值函数q*(s)
式中,s'和a'分别为下一时刻的状态和动作;
最大化q*(s,a)可得到最优策略
用后继状态估计当前值函数对最优动作函数进行更新
式中,N(a)表示动作的总共个数;ε-greedy表示以1-ε的概率选取算法的最优动作。
附图说明
图1是基于V2X的多车道路段场景示意图。
图2是基于V2X的车辆多车道时空轨迹优化架构示意图。
图3是多车道时空轨迹优化示意图。
图4是编号为Cmn的车辆换道环境示意图。
图5是换道安全查验状态流程图。
图6是换到过程的各车道车辆时空轨迹示意图。
具体实施方式
一、一种基于车路信息耦合的智能网联汽车状态向量计算方法
基于V2X的车辆多车道时空轨迹优化方法首先重新定义了车辆的状态向量。在车辆的状态向量内,不仅包括了常规的位置、速度和加速度等车辆自身的状态信息,而且包括了目标车道信号配时、相邻车道车流密度和平均车流速度等交通状态信息。本发明首先介绍了基于V2X的多车道路段场景及流程架构建立;随后,基于该环境及流程详细介绍车辆的状态向量定义;其次,通过公式推导定义车辆轨迹的成本函数及约束条件;最后,利用最小值原理对车辆轨迹进行动态求解。
基于V2X的多车道路段场景以路段上游作为该路段的场景入口,以驶入该路段的车辆及其车辆状态信息作为系统输入;以路段下游作为该路段的场景出口,以驶入信号交叉口的车辆及其车辆状态信息作为系统输出;以LTE-V作为V2X的通信方式建立模块化的多车道路段区域。该区域包含检测区、变速换道区、变速跟驰区。基于V2X的多车道路段场景如图1所示。
检测区位于沿着车流前进方向的路段上游入口处,宽度为整个路段宽度,长度约为一辆小轿车的长度。每个车道入口处布置独立的环形线圈检测器。各检测器可将车辆驶入该路段时的位置信息和时间信息发送给系统等待处理,并通知当前车辆加入该路段的车联网内,实现车辆当前信息及环境信息的互通。
变速换道区位于沿着车流前进方向的路段中游处,宽度为整个路段宽度,长度为由变速跟驰区域决定的可变区域。在变速换道区内,车辆追踪通过系统生成的轨迹完成加速到车辆期望速度、匀速行驶、变换车道、减速至目标速度等动作,使车辆可以保证安全的同时提升路段交通流的机动性。
变速跟驰区位于沿着车流前进方向的路段下游出口处,宽度为个车道宽度,长度为当前车道排队车辆长度+30m。该区域无传统硬件检测器,通过虚拟实线的方式限制车辆变换车道的行为,其目的是为了保证车辆在路段下游减少换道频率以保证安全性和交叉口通行效率
基于V2X的车辆多车道时空轨迹优化架构如图2所示。
首先将路测设备和车载设备收集到的车辆环境和车辆状态信息通过系统预处理得到驶出路段的目标车道及时段;然后以此为基础通过各类车辆状态约束生成离线时空轨迹;在此过程中,车辆的换道过程将通过在线车辆协同时空轨迹优化保障各车辆的通行效率;最后基于车辆实时传感器数据查验车辆换道环境后进行换道操作以此完成基于V2X的车辆多车道时空轨迹优化。
基于V2X的车辆离线时空轨迹生成办法的设计基于系统预处理资源动态分配方法得到的车辆驶出路段时的目标车道和时段,离线规划出通过路段的最优行驶轨迹,以提升路段交通流通行效率及减少交通流平均停车等待时间。优化后的时空轨迹图与原自由驾驶时空轨迹图如图3所示。
步骤1车辆的状态向量计算
为了使车辆在V2X系统中有对应的映射关系,将驶入路段的车辆定义为编号Cmn,其中Cmn代表车辆行驶方向路段从外向内的第m车道,从上游至下游的第n辆车。定义编号为Cmn的车辆状态向量为xmn(t)如公式(1)所示。
xmn(t)=[xmn(t),ymn(t),vmn(t),vmn'(t)]T (1)
式中xmn(t),ymn(t)为车辆Cmn在t时刻所在的位置(m),其坐标原点为车辆上游起点处,x轴坐标正方向为车流行驶方向,y轴坐标正方向为车流路段由外车道至内车道方向;vmn(t)为车辆Cmn在t时刻的车辆当前行驶速度大小(m/s),坐标正方向为车流行驶方向;vmn′(t)为车辆Cmn在t时刻的车辆当前横向速度大小(m/s),坐标正方向为车流路段由外车道至内车道方向。
系统控制输入为当前车辆方向加速度umn(t),如公式(2)所示。
umn(t)=pumn(t),umn'(t)]T (2)
式中,umn(t)为车辆Cmn在t时刻的车辆当前纵向加速度大小(m/s2),坐标正方向为车流行驶方向。umn′(t)为车辆Cmn在t时刻的车辆当前横向加速度大小(m/s2),坐标正方向为车流路段由外车道至内车道方向。
式中,为车辆Cmn的当前时刻目标相位状态,为相位剩余时间;Rm为车道m的红灯时长;Gm为车道m的绿灯时长;和为内测车道m+1和外侧车道m-1的平均交通流速度;km+1(t)和km-1(t)为内测车道m+1和外侧车道m-1的平均交通流密度。平均交通流速度和平均交通流密度km+1(t)可有公式(6)和公式(7)所示。
系统状态方程如公式(8)所示。
为了便于该方法的计算实验,路段内的车辆需满足以下假设:(1)车辆均为长宽高相同的单一车辆。(2)无特殊天气影响且道路附着系数保持恒等。(3)路段内道路均为平直道路,且无匝道、非机动车道或停车位等情况导致了车辆驶入或驶出。(4)路段道路保持水平且无倾角变化,即车辆不会处在上坡或下坡的情况。
步骤2成本函数计算
为了保证车辆可以准确的沿着系统设计的行驶轨迹,考虑到车辆从上游行驶至下游的过程中包含了固定成本和可变成本两部分,定义成本函数如公式(9)所示。
式中,是车辆Cmn驶出路段的时刻;是车辆Cmn驶入路段的时刻;是该过程得固定成本;是该过程的可变成本。固定成本包括行驶距离为路段长度,驶出路段下游出口为期望速度和路段行驶时间与期望目标时刻相符合等固定项内容的成本,其函数可有公式(10)表示。
式中,是车辆Cmn驶出路段的目标时刻;是车辆Cmn驶出路段的期望速度;是该车辆目标车道;d是车道宽度;w1为路段行驶时间的权重系数,且w1∈R+;w2为路段行驶长度的权重系数,且w2∈R+;w3为驶出路段下游出口时期望速度的权重系数,且w3∈R+。w4为从目标车道驶出的权重系数,且w4∈R+。
可变成本包括车辆行驶过程中纵向的加减速和横向的加减速等,其函数可有公式(11)表示。
h(xmn(t),umn(t))=w5·(umn(t)2+2umn(t)·vmn(t))·χ(umn(t))+w6·(umn'(t)2+2umn'(t)·vmn'(t)) (11)
式中,w5为车辆纵向加速度导致的能量变化的权重系数,且w5∈R+。w6为车辆横向加速度导致的能量变化的权重系数,且w6∈R+;χ(umn(t))是车辆车辆纵向加速度的Heaviside函数,可以以此分离纵向减速过程中加速度未对可变成本造成的成本,可由公式(12)得到。
式中,tm h2h为路段下游出口处m车道相邻两车最下车头时距。
为了保证车辆通行的最大效率,定义车辆驶出的期望速度为驶出下游出口处限速,如公式(16)所示。
综上所述,可以推导得到成本函数如公式(17)所示。
步骤3时空轨迹的约束条件确定
网联汽车在路段中行驶的过程控制问题除了尽量缩小上述成本函数值,还需要满足包含以下5类约束条件:初始车辆状态、车间距、速度、加速度及加加速度等影响安全及舒适度的因素。
1).初始车辆状态
当车辆驶入目标路段时,通过该路段检测区的地磁线圈时,将该车辆定义为编号Cmn的车辆。若纵向编号n到达纵向编号最大值nmax,则重新从1开始计数。纵向编号最大值nmax大于当前车道过饱和状态车辆数量的2倍,以保证车流编号的稳定。同时,定义编号为Cmn的车辆的初始状态如公式(18)所示。
2).车间距约束
车辆在行驶过程中会不可避免的处在跟随状态下,因此对于m车道上的车辆Cmn都应与其前方车辆Cm(n-1)保证一定量的空间位移和时间位移。其安全约束公式如公式(19)所示。
xmn(t+τmn)≤xm(n-1)(t)-dmn (19)
式中,τmn表示车辆Cmn与其前方车辆Cm(n-1)的时间位移;dmn表示车辆Cmn与其前方车辆Cm(n-1)的空间位移。
3).车辆速度约束
为了保证路段内车辆行驶过程的安全,对路段内车辆进行速度约束。对于纵向速度约束,即车流方向约束,其最大速度为路段内限速,最小速度为0。如公式(20)所示。
对于横向速度约束,主要是依据车辆动力学对车辆偏转角进行约束。如公式(21)所示。
α-max≤α(t)≤αmax (21)
式中,α-max表示车辆前轮能向左侧转向的最大角度;α(t)表示当前车辆前轮的转向角度;αmax表示车辆前轮能向右侧转向的最大角度。
因此,车辆的横向约束如公式(22)所示。
4).车辆加速度约束
为了保证车辆加速过程中发动机可以提供足够的动力或刹车制动过程中刹车片可以给车辆足够的动力现实,因此对车辆的加速度进行限制,以保证车辆可以得到足够的动力支持且保障车辆有足够的制动能力避免发生交通事故。加速度约束如公式(23)所示
式中,u-max表示车辆最大纵向制动减速的加速度大小;umax表示车辆最大纵向加速的加速度大小;u-max′表示车辆向左侧横加的最大加速度;umax′表示车辆向右侧横加的最大加速度。
5).加加速度约束
车辆的加加速度约束为车辆加速度的变化率,又被成为冲击约束或舒适度约束。对车辆加加速度进行约束的目的是为了消除加速度变化过快而对车辆行驶过程造成的负面影响。加加速度约束如公式(24)所示。
式中,j-max表示车辆纵向向后最大加加速度大小;jmax表示车辆纵向向前最大加加速度大小;j-max′表示车辆横向向左最大加加速度大小;jmax′表示车辆横向向右最大加加速度大小。
6).信号配时约束
车辆的信号配时约束可以保障车辆在通过交叉口时避免发生违反交通信号灯指示在红灯亮起禁止通行时越过停止线并继续行驶的行为,如公式(25)所示。
7).无线通信约束
V2X技术的本质是一种无线通信技术,而无线通信技术在实际应用中不可避免地出现通信时延和丢包等情况可能影响车辆在系统中的稳定性和安全性。因此,对无线通信地相关参数进行约束,如公式(26)和公式(27)所示。
Plp|mn(t)<15% (27)
步骤4基于最小值原理的求解方法
基于V2X的车辆时空轨迹优化的控制问题可通过最小值原理进行求解计算,并建立该问题的汉密尔顿函数,如公式(28)所示。
H(x,u,λ,t)=λT·f(x,u,t)+h(x,u,t) (28)
式中,λ被定义为向量x的协状态向量,表示由向量x的微小变化θx导致的J的变化的额外成本。
在容许集合U内,成本函数的最小值优化输入u*则必须满足其汉密尔顿函数处在最小值状态,如公式(29)所示,其必要条件如公式(30)所示。
因此,基于V2X的车辆时空轨迹优化的控制问题的汉密尔顿函数如公式(31)所示。
Hmn=λ1·vmn(t)+λ2·umn(t)+w5·(umn(t)2+2umn(t)·vmn(t))·x(umn(t)) (31)
式中,车辆的横向移动轨迹对其汉密尔顿函数的变化值无差异变化,所以将在车辆协同换道过程中进行优化。
将公式(31)带入公式(30)可得出如下函数关系,如公式(32)所示。
式中C为待定常数。
二、面向智能网联车辆的多车道时空轨迹优化方法
车辆的协同换道机制重新定义了协同换道规则并设立了换道冲突检测方法,对换道间隙和目标车辆确定后,协同更新目标车道和原车道车辆时空轨迹。该机制可以为原有换道机制解决无法建模的问题,同时解决了多车换道过程对原车道及目标车道车辆时空轨迹变化的问题,以提升路段交通流通行效率及减少交通流平均停车等待时间。
协同换道的核心规则是在保证车辆安全的前提下,优先考虑车辆变换车道的时效性,随后考虑车辆的原最优行驶轨迹,并通过在线优化更新车辆协同换道后的时空轨迹。该方法主要包含以下四个目标:(1)保证路段内车辆的安全性;(2)最小化换道间隙和目标协同车辆的确定时间;(3)优化目标车辆所在车道车辆和目标车道车辆的换道轨迹;(3)保障驶入交叉口的交通流机动性水平。
该发明基于上述设定的目标制定了协同换道的过程,该过程主要包括:(1)换道冲突查验;(2)换道间隙及目标协同车辆确定;(3)车辆时空轨迹更新;(4)基于强化学习的时空轨迹优化方法
为了准确描述车辆协同换道过程的相关信息,以发送换道信息的车辆为协同换道主视角生成路段内示意场景,如图3所示。其中,编号为Cmn的车辆是位于车道m正中的红色车辆,准备从当前车道m变换车道到目标车道m+1。黄色车辆为编号Cmn的车辆从m变换车道到目标车道m+1的主威胁车辆;橙色车辆为编号Cmn的车辆从m变换车道到目标车道m+1的次威胁车辆;蓝色车辆为编号Cmn的车辆从m变换车道到目标车道m+1的无威胁车辆。编号为Cmn的车辆换道环境示意图如图4所示。
步骤1.换道冲突检测方法
在图4搭建的交通环境中,已知编号为Cmn的换道发起车辆的位置速度等车辆相关信息,结合目标车道信息可分析Cmn的换道环境。若目标车道与当前车道不相邻,则分解为多次相邻车道的换道过程。定义Cmn的前方车辆、后方车辆以及目标相邻车道的相关车辆为主威胁车辆,是车辆换道过程中优先考虑的目标;定义对当前行驶过程及潜在换道过程可能有影响的车辆为次威胁车辆;定义其他对本次换道过程无影响的车辆为无威胁车辆。
将离线轨迹地图加载在线交通环境,对潜在安全换道过程进行潜在换道冲突安全检验。换道冲突查验主要包括以下几个内容:(1)检查当前换道环境内是否拥有主威胁车辆及次威胁车辆(2)检查发起换道的车辆当前是否处在协同换道状态;(3)检查主威胁车辆是否处在发起换道状态或协同换道状态;(4)检查次威胁车辆的是否处在发起换道状态。换道安全查验状态流程如图5所示。
步骤2.换道间隙及目标协同车辆确定
通过上一步换道交通查验后可以正式对目标车道发起换道请求,若目标车道无主威胁车和次威胁车则可结合车载传感器收集的车辆环境信息直接换道;若目标车道存在主威胁车或次威胁车,则基于换道发起车的车辆环境信息确定换道间隙及目标协同车辆。
换道间隙及目标协同车辆的决定主要是基于主车Cmn及目标车道(m-1)主威胁车辆C(m+1)n,C(m+1)(n-1)和C(m+1)(n+1)的车速进行判断,若目标车道车流速度大于主车速度,则选择水平位置的主威胁车辆C(m+1)n的后方间隙作为目标换道间隙,同时后车C(m+1)(n+1)作为目标协同车辆;若目标车道车流速度小于或等于主车速度,则选择水平位置的主威胁车辆C(m+1)n的前方间隙作为目标换道间隙,同时车辆C(m+1)n作为目标协同车辆;若无水平位置主威胁车辆,则选择水平位置后车作为目标协同车辆,其前方间隙作为目标间隙。在后续步骤的讨论中,将以目标车道车流速度等于主车速度为例,以主威胁车辆C(m+1)n为目标协同换道车辆,主威胁车辆C(m+1)n的前方间隙作为目标换道间隙。
步骤3.时空轨迹更新
通过上一步的操作的可以得到目标换道间隙和目标协同车辆。协同换道过程具有满足不同车流饱和度的包容性,因此本发明以饱和度较高的车流情况为例进行讨论。协同换道过程如下:(1)主车Cmn向目标换道间隙后的目标协同换道车辆C(m+1)n发起换道请求;(2)目标协同换道车辆C(m+1)n及后车C(m+1)(n+1)等调整车速为发起换道请求的车辆Cmn提供安全换道间隙;(3)主车匀速或变速驶入目标车道,更新主车时空轨迹;(4)更新原主车车道后方车辆及目标车道换道间隙后方车辆的时空轨迹。发起换道申请的主车所在车道和目标车道上的车辆运动过程如图6所示。
为了提升车辆多车道时空轨迹优化的效率,本发明设计了基于强化学习算法的时空轨迹优化算法可以快速匹配最优轨迹。该算法一共包含计算两个不同输入的内容:(1)时空轨迹的优化,以车辆当前位置、速度及目标驶出车道、时段为输入,车辆加速度的集合为输出;(2)多车道协同换道的优化,以车辆当前位置、速度及目标车道威胁车位置、速度为输入,车辆加速度集合为输出。即车辆发起换道请求后可通过强化学习匹配车辆协同换道过程的轨迹,换道完成后通过强化学习匹配此时刻的时空轨迹以达到多车道轨迹优化的过程。
车辆多车道时空轨迹优化过程的状态向量满足马尔可夫性,即系统的下一状态st+1只与当前的状态st有关,与前序状态无直接关联,如公式(34)和公式(35)所示。
P[st+1|st]=P[st+1|s1,s2,s3...st] (35)
式中,P为各状态之间转移的概率矩阵。
定义五元组(S,A,P,R,γ)描述多车道时空轨迹优化过程。其中,S为状态集合,即包含车辆当前状态及路段内交通流状态;A为执行动作的集合,即车辆控制输出的横向纵向加速度的集合;P为各状态转移矩阵的集合;R为该过程的奖励函数,与成本函数J呈负线性关系;γ为计算值函数时vπ(s)的折扣因子。对于一个固定的策略π,值函数时vπ(s)可由公式(36)计算得到。
式中,Eπ为累计回报值得数学期望。
对于每个动作a得价值,定义qπ(s,a)为动作值函数,其计算过程如公式(37)所示。
由公式(35)的马尔可夫性带入到公式(36)与(37)中即可得到最优状态值函数v*(s)和最优动作值函数q*(s)的贝尔曼最优递归方程,如公式(38)和公式(39)所示。
式中,s'和a'分别为下一时刻的状态和动作。
通过上述函数,最大化q*(s,a)可得到最优策略,如公式(40)所示。
公式(30)可通过Q-learning算法计算得出,其算法过程通过表1的伪代码所示。
表1 Q-learning算法
表中,第5行sT为终止状态;第4行和第6行所用的ε-greedy策略为了增强算法的多样性探索能力,其具体公式如公式(41)所示;第7行利用后继状态估计当前值函数对最优动作函数进行更新。
式中,N(a)表示动作的总共个数;ε-greedy表示以1-ε的概率选取算法的最优动作,以ε的概率选取随机动作,以保证每个动作都有被选择的可能。
Claims (2)
1.一种面向智能网联车辆的多车道时空轨迹优化方法,其特征在于,该方法包含如下步骤:
步骤(1)换道冲突检测
1)检查当前换道环境内是否拥有主威胁车辆及次威胁车辆;
2)检查发起换道的车辆当前是否处在协同换道状态;
3)检查主威胁车辆是否处在发起换道状态或协同换道状态;
4)检查次威胁车辆的是否处在发起换道状态;
步骤(2)换道间隙及目标协同车辆确定
通过步骤(1)换道冲突检测后对目标车道发起换道请求,若目标车道无主威胁车和次威胁车则根据车载传感器收集的车辆环境信息直接换道;若目标车道存在主威胁车或次威胁车,则基于换道发起车的车辆环境信息确定换道间隙及目标协同车辆;
换道间隙及目标协同车辆的决定主要是基于主车Cmn及目标车道(m-1)主威胁车辆C(m+1)n,C(m+1)(n-1)和C(m+1)(n+1)的车速进行判断,若目标车道车流速度大于主车速度,则选择水平位置的主威胁车辆C(m+1)n的后方间隙作为目标换道间隙,同时后车C(m+1)(n+1)作为目标协同车辆;若目标车道车流速度小于或等于主车速度,则选择水平位置的主威胁车辆C(m+1)n的前方间隙作为目标换道间隙,同时车辆C(m+1)n作为目标协同车辆;若无水平位置主威胁车辆,则选择水平位置后车作为目标协同车辆,其前方间隙作为目标间隙;
步骤(3)时空轨迹更新
1)主车Cmn向目标换道间隙后的目标协同换道车辆C(m+1)n发起换道请求;
2)目标协同换道车辆C(m+1)n及后车C(m+1)(n+1)等调整车速为发起换道请求的车辆Cmn提供安全换道间隙;
3)主车匀速或变速驶入目标车道,更新主车时空轨迹;
4)更新原主车车道后方车辆及目标车道换道间隙后方车辆的时空轨迹。
2.如权利要求1所述的一种面向智能网联车辆的多车道时空轨迹优化方法,其特征在于,步骤(3)中采用如下时空轨迹优化算法:
设车辆多车道时空轨迹优化过程的状态向量满足:系统的下一状态st+1只与当前的状态st有关,与前序状态无直接关联
P[st+1|st]=P[st+1|s1,s2,s3...st]
式中,P为各状态之间转移的概率矩阵;
计算值函数vπ(s)
式中,Eπ为累计回报值得数学期望,S为包含车辆当前状态及路段内交通流状态集合,R为该过程的奖励函数,γ为计算值函数时vπ(s)的折扣因子;
计算动作值函数qπ(s,a)
A为车辆控制输出的横向纵向加速度的集合;
计算最优状态值函数v*(s)和最优动作值函数q*(s)
式中,s'和a'分别为下一时刻的状态和动作;
最大化q*(s,a)可得到最优策略
用后继状态估计当前值函数对最优动作函数进行更新
式中,N(a)表示动作的总共个数;ε-greedy表示以1-ε的概率选取算法的最优动作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697831.4A CN112233413B (zh) | 2020-07-20 | 2020-07-20 | 一种面向智能网联车辆的多车道时空轨迹优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010697831.4A CN112233413B (zh) | 2020-07-20 | 2020-07-20 | 一种面向智能网联车辆的多车道时空轨迹优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112233413A true CN112233413A (zh) | 2021-01-15 |
CN112233413B CN112233413B (zh) | 2022-03-29 |
Family
ID=74115480
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010697831.4A Active CN112233413B (zh) | 2020-07-20 | 2020-07-20 | 一种面向智能网联车辆的多车道时空轨迹优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112233413B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927541A (zh) * | 2021-01-29 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种交通流轨迹生成方法、车辆和横向控制方法及系统 |
CN113570905A (zh) * | 2021-07-06 | 2021-10-29 | 浙江大学 | 一种交叉口处控制网联自动车群排列的空间分布演化方法 |
CN113609240A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于海量卡口数据的车辆出行轨迹重构方法 |
CN113823076A (zh) * | 2021-08-10 | 2021-12-21 | 华南理工大学 | 一种基于联网车辆协调控制的即停即走路段缓堵方法 |
CN115662190A (zh) * | 2022-12-23 | 2023-01-31 | 深圳曦华科技有限公司 | 车辆基于道路异常状态识别的提示信息处理方法及装置 |
CN115662131A (zh) * | 2022-10-26 | 2023-01-31 | 合肥工业大学 | 网联环境下道路事故路段的多车道协同换道方法 |
WO2023159841A1 (zh) * | 2022-02-23 | 2023-08-31 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150344031A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method for assisting a driver in driving a vehicle, a driver assistance system, a computer software program product and vehicle |
CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
US20160104071A1 (en) * | 2014-10-08 | 2016-04-14 | AxonAl, Inc. | Spatio-temporal forecasting of future risk from past events |
US20170330461A1 (en) * | 2012-06-01 | 2017-11-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Cooperative driving and collision avoidance by distributed receding horizon control |
WO2018171875A1 (en) * | 2017-03-21 | 2018-09-27 | Toyota Motor Europe Nv/Sa | Control device, system and method for determining the perceptual load of a visual and dynamic driving scene |
US20180322782A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and vehicle communication system for determining a driving intention for a vehicle |
US20180319403A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and automatic control systems for determining a gap in traffic between two vehicles for a lane change of a vehicle |
CN108986509A (zh) * | 2018-08-13 | 2018-12-11 | 北方工业大学 | 一种基于车路协同的城市区域路径实时规划方法 |
CN108986488A (zh) * | 2018-07-23 | 2018-12-11 | 东南大学 | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 |
CN109326132A (zh) * | 2018-10-31 | 2019-02-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种多车协同变道实现方法及装置 |
CN109733390A (zh) * | 2018-12-29 | 2019-05-10 | 江苏大学 | 一种基于驾驶人特性的自适应换道预警方法 |
US20190206255A1 (en) * | 2017-12-28 | 2019-07-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus and device for controlling a collaborative lane change |
CN110085056A (zh) * | 2019-04-24 | 2019-08-02 | 华南理工大学 | 一种高速公路车路协同环境下车辆换道瞬时风险识别方法 |
CN110362910A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
US20200189580A1 (en) * | 2018-12-17 | 2020-06-18 | Trw Automotive Gmbh | Method and system for controlling a motor vehicle |
CN111325981A (zh) * | 2020-02-29 | 2020-06-23 | 华南理工大学 | 一种智能网联条件下的交叉口交通流微观控制方法 |
-
2020
- 2020-07-20 CN CN202010697831.4A patent/CN112233413B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170330461A1 (en) * | 2012-06-01 | 2017-11-16 | Toyota Motor Engineering & Manufacturing North America, Inc. | Cooperative driving and collision avoidance by distributed receding horizon control |
US20150344031A1 (en) * | 2014-05-30 | 2015-12-03 | Honda Research Institute Europe Gmbh | Method for assisting a driver in driving a vehicle, a driver assistance system, a computer software program product and vehicle |
US20160104071A1 (en) * | 2014-10-08 | 2016-04-14 | AxonAl, Inc. | Spatio-temporal forecasting of future risk from past events |
CN105138779A (zh) * | 2015-08-31 | 2015-12-09 | 武汉大学 | 车载gps时空轨迹大数据优选方法及系统 |
US20180322782A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and vehicle communication system for determining a driving intention for a vehicle |
US20180319403A1 (en) * | 2015-11-04 | 2018-11-08 | Volkswagen Aktiengesellschaft | Method and automatic control systems for determining a gap in traffic between two vehicles for a lane change of a vehicle |
WO2018171875A1 (en) * | 2017-03-21 | 2018-09-27 | Toyota Motor Europe Nv/Sa | Control device, system and method for determining the perceptual load of a visual and dynamic driving scene |
US20190206255A1 (en) * | 2017-12-28 | 2019-07-04 | Beijing Baidu Netcom Science Technology Co., Ltd. | Method, apparatus and device for controlling a collaborative lane change |
CN108986488A (zh) * | 2018-07-23 | 2018-12-11 | 东南大学 | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 |
CN108986509A (zh) * | 2018-08-13 | 2018-12-11 | 北方工业大学 | 一种基于车路协同的城市区域路径实时规划方法 |
CN109326132A (zh) * | 2018-10-31 | 2019-02-12 | 惠州市德赛西威汽车电子股份有限公司 | 一种多车协同变道实现方法及装置 |
US20200189580A1 (en) * | 2018-12-17 | 2020-06-18 | Trw Automotive Gmbh | Method and system for controlling a motor vehicle |
CN109733390A (zh) * | 2018-12-29 | 2019-05-10 | 江苏大学 | 一种基于驾驶人特性的自适应换道预警方法 |
CN110085056A (zh) * | 2019-04-24 | 2019-08-02 | 华南理工大学 | 一种高速公路车路协同环境下车辆换道瞬时风险识别方法 |
CN110362910A (zh) * | 2019-07-05 | 2019-10-22 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
CN110910663A (zh) * | 2019-10-16 | 2020-03-24 | 清华大学 | 一种车路协同环境下多智能车交叉口通行协调控制方法 |
CN111325981A (zh) * | 2020-02-29 | 2020-06-23 | 华南理工大学 | 一种智能网联条件下的交叉口交通流微观控制方法 |
Non-Patent Citations (4)
Title |
---|
姜慧夫: "网联自动驾驶环境下信号交叉口环保驾驶控制研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
柏海舰,申剑峰,卫立阳: "无人车"三阶段"换道轨迹规划过程分析", 《合肥工业大学学报(自然科学版)》 * |
梁文斌: "网联环境下自主车的换道决策研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
王翀: "车路协同环境下的高速公路匝道区域控制关键技术研究", 《中国博士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112927541A (zh) * | 2021-01-29 | 2021-06-08 | 重庆长安汽车股份有限公司 | 一种交通流轨迹生成方法、车辆和横向控制方法及系统 |
CN113570905A (zh) * | 2021-07-06 | 2021-10-29 | 浙江大学 | 一种交叉口处控制网联自动车群排列的空间分布演化方法 |
CN113609240A (zh) * | 2021-08-10 | 2021-11-05 | 四川易方智慧科技有限公司 | 基于海量卡口数据的车辆出行轨迹重构方法 |
CN113823076A (zh) * | 2021-08-10 | 2021-12-21 | 华南理工大学 | 一种基于联网车辆协调控制的即停即走路段缓堵方法 |
CN113823076B (zh) * | 2021-08-10 | 2022-09-20 | 华南理工大学 | 一种基于联网车辆协调控制的即停即走路段缓堵方法 |
CN113609240B (zh) * | 2021-08-10 | 2023-05-19 | 四川易方智慧科技有限公司 | 基于海量卡口数据的车辆出行轨迹重构方法 |
WO2023159841A1 (zh) * | 2022-02-23 | 2023-08-31 | 东南大学 | 高速公路网联车协同匝道汇入多目标优化控制方法和系统 |
CN115662131A (zh) * | 2022-10-26 | 2023-01-31 | 合肥工业大学 | 网联环境下道路事故路段的多车道协同换道方法 |
CN115662131B (zh) * | 2022-10-26 | 2023-07-25 | 合肥工业大学 | 网联环境下道路事故路段的多车道协同换道方法 |
CN115662190A (zh) * | 2022-12-23 | 2023-01-31 | 深圳曦华科技有限公司 | 车辆基于道路异常状态识别的提示信息处理方法及装置 |
CN115662190B (zh) * | 2022-12-23 | 2023-03-21 | 深圳曦华科技有限公司 | 车辆基于道路异常状态识别的提示信息处理方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112233413B (zh) | 2022-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112233413B (zh) | 一种面向智能网联车辆的多车道时空轨迹优化方法 | |
Vahidi et al. | Energy saving potentials of connected and automated vehicles | |
CN109035862B (zh) | 一种基于车车通信的多车协同换道控制方法 | |
Bai et al. | Hybrid reinforcement learning-based eco-driving strategy for connected and automated vehicles at signalized intersections | |
CN111081065B (zh) | 路段混行条件下的智能车辆协同换道决策模型 | |
Stager et al. | A scaled smart city for experimental validation of connected and automated vehicles | |
CN111899509B (zh) | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 | |
CN110992695B (zh) | 基于冲突消解的车辆城市交叉口通行决策多目标优化方法 | |
CN108986488B (zh) | 一种车车通信环境下匝道汇入协同轨迹确定方法及设备 | |
CN113811929A (zh) | 在不同交叉道路上行驶的车辆的联合控制 | |
CN107798861A (zh) | 一种车辆协作式编队行驶方法及系统 | |
Bichiou et al. | Real-time optimal intersection control system for automated/cooperative vehicles | |
Hang et al. | Driving conflict resolution of autonomous vehicles at unsignalized intersections: A differential game approach | |
CN107274684A (zh) | 一种车路协同环境下单点交叉口信号控制策略选择方法 | |
CN109410561A (zh) | 一种高速路车辆匀异质编队行驶控制方法 | |
Huang et al. | Cooperative adaptive cruise control and exhaust emission evaluation under heterogeneous connected vehicle network environment in urban city | |
CN113071487B (zh) | 自动驾驶车辆控制方法、装置及云端设备 | |
CN106781435A (zh) | 一种基于无线通信的非信控交叉路口车辆编队通行方法 | |
CN114707364A (zh) | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 | |
CN116895163A (zh) | 基于信号灯主动通信的多车协同控制方法和系统 | |
Jiang et al. | Integrating traffic signal optimization with vehicle microscopic control to reduce energy consumption in a connected and automated vehicles environment | |
Li et al. | Enhancing cooperation of vehicle merging control in heavy traffic using communication-based soft actor-critic algorithm | |
Guo et al. | Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic | |
Zhang et al. | Simulation research on driving behaviour of autonomous vehicles on expressway ramp under the background of vehicle-road coordination | |
Zhu et al. | Trajectory planning algorithm using Gauss pseudo-spectral method based on vehicle-infrastructure cooperative system |
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 |