CN112562316A - 一种基于acp理论的智能网联车平行驾驶控制方法 - Google Patents

一种基于acp理论的智能网联车平行驾驶控制方法 Download PDF

Info

Publication number
CN112562316A
CN112562316A CN202011219186.1A CN202011219186A CN112562316A CN 112562316 A CN112562316 A CN 112562316A CN 202011219186 A CN202011219186 A CN 202011219186A CN 112562316 A CN112562316 A CN 112562316A
Authority
CN
China
Prior art keywords
vehicle
icv
intelligent
traffic
parallel
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
Application number
CN202011219186.1A
Other languages
English (en)
Other versions
CN112562316B (zh
Inventor
张荣辉
苟万婷
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.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
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 Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN202011219186.1A priority Critical patent/CN112562316B/zh
Publication of CN112562316A publication Critical patent/CN112562316A/zh
Application granted granted Critical
Publication of CN112562316B publication Critical patent/CN112562316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G08G1/09—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
    • G08G1/096725—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 where the received information generates an automatic action on the vehicle control
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/40—Services specially adapted for particular environments, situations or purposes for vehicles, e.g. vehicle-to-pedestrians [V2P]

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Atmospheric Sciences (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及平行驾驶的技术领域，更具体地，涉及一种基于ACP理论的智能网联车平行驾驶控制方法，包括：S10.基于ACP理论建立平行系统，采集实际空间中智能交通信息，并上传至平行系统；S20.平行系统利用智能交通信息优化计算交通流并建立趋于等价实际空间的虚拟空间；S30.在虚拟空间中对智能交通信息进行优化分析，并对交通流及行驶车辆进行优化：若有更优结果验证通过，则转步骤S40；若没有更优结果，则保持目前交通流车辆驾驶指令不变；S40.按照新验证通过的虚拟车辆信息控制实际空间内各车辆执行控制命令。本发明采用虚拟交通控制和实车驾驶控制结合，虚实结合实现车辆的智能化和网联化控制及其自主驾驶，优化交通流和降低交通事故风险。

Description

一种基于ACP理论的智能网联车平行驾驶控制方法
技术领域
本发明涉及平行驾驶的技术领域，更具体地，涉及一种基于ACP理论的智能网联车平行驾驶控制方法。
背景技术
随着智能交通工具、人工智能和无线通信技术的发展，车辆的平均速度越来越高；同时，车辆数量的增加也使得交通陷入交通堵塞的可能性大大提高。然而，在给人们带来便利的同时，道路交通事故也不断增加。交通流密度和车速的不断增加，如何提高交通效率，减少交通事故成为智能交通系统面临的一个重大世界性问题。智能交通工具离实现无人驾驶还存在着很大的距离。
中国专利CN108776481A公开了一种平行驾驶控制方法，包括：车辆中的处理单元通过感知单元获取多个方位的环境视频数据；每个方位的环境视频数据对应一个摄像头位置信息；将多个方位的环境视频数据、环境视频数据对应的摄像头位置信息和车辆的车辆ID信息发送至第一服务器；第一服务器根据摄像头位置信息和车辆ID信息确定显示页面的链接信息；显示页面接收用户输入的显示指令；显示页面根据链接信息通过第二服务器从第一服务器中获取多个方位的环境视频数据，并显示；模拟驾驶设备接收用户根据多个方位的环境视频数据输入的控制指令，对控制指令进行解析，得到控制参数；通过第三服务器将控制参数发送至车辆中的处理单元，用以处理单元根据控制参数工作。上述方案虽然可通过网络遥控将车辆开回维修点进行维护、降低人力成本的增加与时间成本，然而上述方案无法优化交通流及无法避免或降低交通事故的风险。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于复杂系统ACP方法，采用趋于等价实际系统的平行系统对虚拟复杂智能系统进行优化，实现智能交通控制和实车智能网联车智能信息和驾驶控制结合，虚实结合实现智能交通优化控制、车辆的智能化和网联化控制及其自主驾驶，优化交通流和降低交通事故风险。
为解决上述技术问题，本发明采用的技术方案是：
提供一种基于ACP理论的智能网联车平行驾驶控制方法，所述ACP理论由人工社会、计算实验和平行执行三部分组成，所述控制方法包括以下步骤：
S10.基于ACP理论建立平行系统，采集实际空间智能交通系统中各智能交通信息，所述智能交通信息包括车辆速度、车辆位置、前后车距离、道路信息及路面交互信息，采集的智能交通信息上传至平行系统；
S20.平行系统利用步骤S10中采集的智能交通信息优化计算交通流并建立趋于等价实际空间的虚拟空间，所述虚拟空间包括虚拟智能交通、道路、车辆及道路和车辆之间耦合的信息；
S30.在步骤S20建立的虚拟空间中，对所述智能交通信息进行优化分析，并采用预警距离、制动距离和交通事故率对智能交通信息进行优化：若有更优结果验证通过，则转步骤S40；若没有更优结果，则保持目前驾驶指令不变，并持续采集分析调整虚拟空间内智能交通信息直至更优化结果验证通过，再转步骤S40；
S40.按照步骤S30中验证通过的智能交通信息控制实际空间内各车辆执行控制命令，所述控制命令包括速度控制、转向控制及制动控制等。
优选地，步骤S10中，平行系统包括通过V2X进行通讯的平行智能交通系统、平行驾驶管理系统和平行驾驶控制系统，平行驾驶管理系统对平行智能交通系统的智能交通信息进行采集分析、评估和模拟验证并向驾驶控制系统发送控制命令，驾驶控制系统控制实际空间内车辆速度、转向或制动。平行智能交通系统与实际空间智能交通系统保持一致性。
优选地，步骤S20中所述的平均交通量按以下方法计算：
S21.按下式计算获得相邻两车的速度差、前后车距离及车辆纵向距离：
Figure BDA0002761474340000021
式中，SpdDif,i为相邻两车的速度差，DistDif,i为前后车距离，SLong,i为车辆纵向距离，ui表示第i辆车车速，ui-1表示第i-1辆车车速，Sldi-1为第i-1辆车的位置，Spdi为第i辆车的位置，SLong,0为车辆初始纵向距离；
S22.按下式求解平均交通流速度与平均交通流密度：
Figure BDA0002761474340000031
Figure BDA0002761474340000032
式中，SpdTrc,flow为平均交通流速度，DensTrc,flow为平均交通流密度；
S23.根据平均交通流速度与平均交通流密度求解平均交通量，如下：
VolTrc,flow＝SpdTrc,flow*DensTrc,flow
式中，VolTrc,flow为平均交通量。
优选地，利用车辆动力学原理计算得到：
Figure BDA0002761474340000033
式中，SLong,i为相邻车辆距离，ui表示第i辆车车速，FLj,i为四轮纵向力，mi为车辆质量；
步骤S20中，虚拟车辆和虚拟道路之间的耦合利用魔术公式进行建模：
μL，ICV＝DL，ICVsim[CL,ICVarctan{BL,ICVλ-EL,ICV(BL,ICVλ-arctan(BL,ICVλ))}]
式中，μL，ICV为纵向摩擦系数，BL,ICV为刚度系数，CL,ICV为形状参数，DL，ICV为峰值参数，EL,ICV为曲率参数，λ为滑移率；
利用上式求解车辆加速度，如下：
Figure BDA0002761474340000034
式中，αi为加速度，g为重力加速度，μL,i,min,ICV与μL,i,max,ICV由车辆-道路耦合特性决定，μL,i,min,ICV表示第i辆车纵向摩擦系数下限，μL,i,max,ICV表示第i辆车纵向摩擦系数上限。
优选地，步骤S30中，所述预警距离和制动距离按下述方法进行计算：
S31.多车交互交通流系统性能评价指标采用碰撞时间定量指标TTCi，表示为：
Figure BDA0002761474340000041
式中，SLong,Dif,i表示第i辆车前后车距，uDif,i表示第i辆车前后车速差。
S32.采用预警指标判断是否可能发出交通事故，所述预警指标WIi表示为：
Figure BDA0002761474340000042
S33.按下式计算预警距离SLong,Wr,i和制动距离SLong,Bk,i：
Figure BDA0002761474340000043
Figure BDA0002761474340000044
上式中，SLong,Bk,i为制动距离，SLong,Wr,i为预警距离，uLong,0为初始速度，uLong,i为i时刻速度；TBk,Delay为硬件延迟时间；TBk,Cmd为制动执行时间；TResp,Delay为驾驶员响应时间。
优选地，取：
Figure BDA0002761474340000045
取
Figure BDA0002761474340000046
为TTC-1的阈值，于是有：
Figure BDA0002761474340000047
式中，IdxNorm,TTC表示归一化碰撞时间指标量；
取WIThrd为WI的阈值，有：
Figure BDA0002761474340000048
式中，IdxNorm,WI表示归一化预警指标量。
优选地，步骤S30中，交通事故率
Figure BDA0002761474340000051
按下式计算：
Figure BDA0002761474340000052
式中，
Figure BDA0002761474340000053
表示平均速度，E为系统参数。
优选地，采用评估值
Figure BDA0002761474340000054
对交通流进行评估，
Figure BDA0002761474340000055
的评估值受到BL,ICV、CL,ICV、DL，ICV、EL,ICV的影响，即：
Figure BDA0002761474340000056
x＝[BL,ICV,CL,ICV,DL,ICV,EL,ICV]T
s.t.xmin≤x≤xmax
上式中，ωi为加权因子，
Figure BDA0002761474340000057
表示第i辆车地面摩擦力估计值，
Figure BDA0002761474340000058
表示地面摩擦力法向力，
Figure BDA0002761474340000059
表示第i辆车地面滑移率估计值，xmin、xmax分别为BL,ICV、CL,ICV、DL，ICV、EL,ICV的最小边界值、最大边界值。
优选地，在平行系统中，虚拟车辆满足以下动态平衡：
Figure BDA00027614743400000510
上式中，Δt为采样时间，
Figure BDA0002761474340000061
和
Figure BDA0002761474340000062
分别为第i辆车的SLong,i，Disti和Spdi的目标误差，Sdes,Long,i、Distdes,i和Spddes,i为目标值，Fi(k)为第i辆车的控制节点力；ψi,1，ψi,2和ψi,3分别为加权因子，Sldi,0表示第0辆车的位置。
优选地，在平行系统中，引入多目标成本价值函数，用以优化交通流速度、车辆间距离、预警距离及碰撞定量指标，所述多目标成本价值函数表示为：
Figure BDA0002761474340000063
uCon＝[F1,F2,…,FN]T
s.t.uCon,Lim,min≤uCon,i≤uCon,Lim,max
式中，Q＞0为加权因子；uCon,Lim,min和uCon,Lim,max为输入限值；
Figure BDA0002761474340000064
和QPI为控制能量惩罚函数；ωTTC,i、ωWI,i和δWI,i为权重系数；ωWI,i和δWI,i为IdxNorm,WI的权重因子；
Figure BDA0002761474340000065
Figure BDA0002761474340000066
与现有技术相比，本发明的有益效果是：
本发明的基于复杂系统ACP方法，采用趋于等价实际系统的平行系统对虚拟复杂智能系统进行优化，实现智能交通控制和实车智能网联车智能信息和驾驶控制结合，虚实结合实现智能交通优化控制、车辆的智能化和网联化控制及其自主驾驶，优化交通流和降低交通事故风险。
附图说明
图1为基于ACP理论的智能网联车平行驾驶控制方法的示意图；
图2为智能交通系统的示意图。
具体实施方式
下面结合具体实施方式对本发明作进一步的说明。其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
实施例
如图1至图2所示为本发明的基于ACP理论的智能网联车平行驾驶控制方法的实施例，ACP理论由人工社会、计算实验和平行执行三部分组成；平行驾驶控制方法包括以下步骤：
S10.基于ACP理论建立平行系统，采集实际空间智能交通系统中各智能交通信息，所述智能交通信息包括车辆速度、车辆位置、前后车距离、道路信息及路面交互信息，采集的智能交通信息上传至平行系统；
S20.平行系统利用步骤S10中采集的智能交通信息优化计算交通流并建立趋于等价实际空间的虚拟空间，所述虚拟空间包括虚拟智能交通、道路、车辆及道路和车辆之间耦合的信息；
S30.在步骤S20建立的虚拟空间中，对所述智能交通信息进行优化分析，并采用预警距离、制动距离和交通事故率对智能交通信息进行优化：若有更优结果验证通过，则转步骤S40；若没有更优结果，则保持目前驾驶指令不变，并持续采集分析调整虚拟空间内智能交通信息直至更优化结果验证通过，再转步骤S40；
S40.按照步骤S30中验证通过的智能交通信息控制实际空间内各车辆执行控制命令，所述控制命令包括速度控制、转向控制及制动控制等。
步骤S10中，平行系统包括通过V2X进行通讯的平行智能交通系统、平行驾驶管理系统和平行驾驶控制系统，平行驾驶管理系统对平行智能交通系统的智能交通信息进行采集分析、评估和模拟验证并向驾驶控制系统发送控制命令，驾驶控制系统控制实际空间内车辆速度、转向或制动。平行智能交通系统与实际空间智能交通系统保持一致性，如图1所示。另外，步骤S10中，采集的数据除车辆信息外，还应包括车-路数据和交通数据，以便于在虚拟空间模拟实际空间的车辆、路及车辆与路的耦合情况。
其中，如图2所示，智能交通系统包括道路及智能网联车，在道路旁侧的路基单元或智能网联车车身上设置有检测传感器用以检测车辆信息，检测传感器可采用差分GPS、IMU及激光雷达等传感器，各路基单元、车辆之间互联，且路基单元、车辆均可与智能交通系统和车-路-环境通信及定位服务系统进行智能交通信息数据的上传和监控，交通控制中心也与智能交通系统和车-路-环境通信及定位服务系统互联，可用以向路基单元和智能网联车发送控制指令，实现对实际空间车辆的控制。
步骤S20中所描述的平均交通量按以下方法计算：
S21.按下式计算获得相邻两车的速度差、前后车距离及车辆纵向距离：
Figure BDA0002761474340000081
式中，SpdDif,i为相邻两车的速度差，DistDif,i为前后车距离，SLong,i为车辆纵向距离，ui表示第i辆车车速，ui-1表示第i-1辆车车速，Sldi-1为第i-1辆车的位置，Spdi为第i辆车的位置，SLong,0为车辆初始纵向距离；
S22.按下式求解平均交通流速度与平均交通流密度：
Figure BDA0002761474340000082
Figure BDA0002761474340000083
式中，SpdTrc,flow为平均交通流速度，DensTrc,flow为平均交通流密度；
S23.根据平均交通流速度与平均交通流密度求解平均交通量，如下：
VolTrc,flow＝SpdTrc,flow*DensTrc,flow
式中，VolTrc,flow为平均交通量。
由此计算得到的平均交通量，可与实际道路的目标交通量进行比较，优化交通流，并以优化的交通流为目标来调整车辆信息。
对于各车辆，利用车辆动力学原理计算得到：
Figure BDA0002761474340000091
式中，SLong,i为相邻车辆距离，ui表示第i辆车车速，FLj,i为四轮纵向力，mi为车辆质量；
步骤S20中，虚拟车辆和虚拟道路之间的耦合利用魔术公式进行建模：
μL，ICV＝DL，ICVsim[CL,ICVarctan{BL,ICVλ-EL,ICV(BL,ICVλ-arctan(BL,ICVλ))}]
式中，μL，ICV为纵向摩擦系数，BL,ICV为刚度系数，CL,ICV为形状参数，DL，ICV为峰值参数，EL,ICV为曲率参数，λ为滑移率；
利用上式求解车辆加速度，如下：
Figure BDA0002761474340000092
式中，αi为加速度，g为重力加速度，μL,i,min,ICV与μL,i,max,ICV由车辆-道路耦合特性决定，μL,i,min,ICV表示第i辆车纵向摩擦系数下限，μL,i,max,ICV表表示第i辆车纵向摩擦系数上限。
在虚拟空间内，计算各车辆的车辆信息，并建立模型耦合车辆与道路之间的关系，以保证虚拟空间内车辆运行情况与实际空间车辆运行情况的一致性以及保证车辆控制的准确性。
优选地，步骤S30中，预警距离和制动距离按下述方法进行计算：
S31.多车交互交通流系统性能评价指标采用碰撞时间定量指标TTCi，表示为：
Figure BDA0002761474340000093
式中，SLong,Dif,i表示第i辆车前后车距，uDif,i表示第i辆车前后车速差。
S32.采用预警指标判断是否可能发出交通事故，预警指标WIi表示为：
Figure BDA0002761474340000101
S33.按下式计算预警距离SLong,Wr,i和制动距离SLong,Bk,i：
Figure BDA0002761474340000102
Figure BDA0002761474340000103
上式中，SLong,Bk,i为制动距离，SLong,Wr,i为预警距离，uLong,0为初始速度，uLong,i为i时刻速度；TBk,Delay为硬件延迟时间；TBk,Cmd为制动执行时间；TResp,Delay为驾驶员响应时间。
在交通流中，为避免交通事故的发生，前后车的车距必须大于车辆的制动距离和预警距离，本实施例可以制动距离和预警距离来优化调整车辆参数。
为实现规范化，取：
Figure BDA0002761474340000104
取
Figure BDA0002761474340000105
为TTC-1的阈值，于是有：
Figure BDA0002761474340000106
式中，IdxNorm,TTC表示归一化碰撞时间指标量；
取WIThrd为WI的阈值，有：
Figure BDA0002761474340000107
式中，IdxNorm,WI表示归一化预警指标量。
优选地，步骤S30中，交通事故率
Figure BDA0002761474340000108
按下式计算：
Figure BDA0002761474340000109
式中，
Figure BDA0002761474340000111
表示平均速度，E为系统参数。
采用评估值
Figure BDA0002761474340000112
对交通流进行评估，
Figure BDA0002761474340000113
的评估值受到BL,ICV、CL,ICV、DL，ICV、EL,ICV的影响，即：
Figure BDA0002761474340000114
x＝[BL,ICV,CL,ICV,DL,ICV,EL,ICV]T
s.t.xmin≤x≤xmax
上式中，ωi为加权因子，
Figure BDA0002761474340000115
表示第i辆车地面摩擦力估计值，
Figure BDA0002761474340000116
表示地面摩擦力法向力，
Figure BDA0002761474340000117
表示第i辆车地面滑移率估计值，xmin、xmax分别为BL,ICV、CL,ICV、DL，ICV、EL,ICV的最小边界值、最大边界值。
在平行系统中，虚拟车辆满足以下动态平衡：
Figure BDA0002761474340000118
上式中，Δt为采样时间，
Figure BDA0002761474340000119
和
Figure BDA00027614743400001110
分别为第i辆车的SLong,i，Disti和Spdi的目标误差，Sdes,Long,i、Distdes,i和Spddes,i为目标值，Fi(k)为第i辆车的控制节点力；ψi,1，ψi,2和ψi,3分别为加权因子，Sldi,0表示第0辆车的位置。
在平行系统中，引入多目标成本价值函数，用以优化交通流速度、车辆间距离、预警距离及碰撞定量指标，多目标成本价值函数表示为：
Figure BDA0002761474340000121
uCon＝[F1,F2,…,FN]T
s.t.uCon,Lim,min≤uCon,i≤uCon,Lim,max
式中，Q＞0为加权因子；uCon,Lim,min和uCon,Lim,max为输入限值；
Figure BDA0002761474340000122
和QPI为控制能量惩罚函数；ωTTC,i、ωWI,i和δWI,i为权重系数；ωWI,i和δWI,i为IdxNorm,WI的权重因子；
Figure BDA0002761474340000123
Figure BDA0002761474340000124
经过以上步骤，本实施例采用虚拟交通控制和实车驾驶控制结合，从实际空间获取真实的车辆信息，并建立与实际空间智能交通、车辆和道路一一对应的虚拟空间，在虚拟空间不断调整车辆信息以优化交通流，利用优化后交通流的车辆信息控制实际空间内车辆动作，虚实结合实现车辆的智能化和网联化控制及其自主驾驶，优化交通流和降低交通事故风险。
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于ACP理论的智能网联车平行驾驶控制方法，所述ACP理论由人工社会、计算实验和平行执行三部分组成；其特征在于，所述控制方法包括以下步骤：
S10.基于ACP理论建立平行系统，采集实际空间智能交通系统中各智能交通信息，所述智能交通信息包括车辆速度、车辆位置、前后车距离、道路信息及路面交互信息，采集的智能交通信息上传至平行系统；
S20.平行系统利用步骤S10中采集的智能交通信息优化计算交通流并建立趋于等价实际空间的虚拟空间，所述虚拟空间包括虚拟智能交通、道路、车辆及道路和车辆之间耦合的信息；
S30.在步骤S20建立的虚拟空间中，对智能交通信息进行优化分析，并采用预警距离、制动距离和交通事故率对智能交通信息进行优化：若有更优结果验证通过，则转步骤S40；若没有更优结果，则保持目前驾驶指令不变，并持续采集分析调整虚拟空间内智能交通信息直至更优化结果验证通过，再转步骤S40；
S40.按照步骤S30中验证通过的智能交通信息控制实际空间内各车辆执行控制命令，所述控制命令包括速度控制、转向控制及制动控制等。
2.根据权利要求1所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，步骤S10中，平行系统包括通过V2X进行通讯的平行智能交通系统、平行驾驶管理系统和平行驾驶控制系统，平行驾驶管理系统对平行智能交通系统的智能交通信息进行采集分析、评估和模拟验证并向驾驶控制系统发送控制命令，驾驶控制系统控制实际空间内的车辆速度、转向或制动。
3.根据权利要求1所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，步骤S20中所述的智能交通优化按以下方法计算：
S21.按下式计算获得相邻两车的速度差、前后车距离及车辆纵向距离：
Figure FDA0002761474330000011
式中，SpdDif,i为相邻两车的速度差，DistDif,i为前后车距离，SLong,i为第i辆车辆纵向距离，ui表示第i辆车车速，ui-1表示第i-1辆车车速，Sldi-1为第i-1辆车的位置，Sldi为第i辆车的位置，SLong,0为车辆初始纵向距离；
S22.按下式求解平均交通流速度与平均交通流密度：
Figure FDA0002761474330000021
Figure FDA0002761474330000022
式中，SpdTrc,flow为平均交通流速度，DensTrc,flow为平均交通流密度；
S23.根据平均交通流速度与平均交通流密度求解平均交通量，如下：
VolTrc,flow＝SpdTrc,flow*DensTrc,flow
式中，VolTrc,flow为平均交通量。
4.根据权利要求3所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，利用车辆动力学原理计算得到：
Figure FDA0002761474330000023
式中，SLong,i为第i辆车辆纵向距离，ui表示第i辆车车速，FLj,i为四轮纵向力，mi为车辆质量；
步骤S20中，虚拟车辆和虚拟道路之间的耦合利用魔术公式进行建模：
μL，ICV＝DL，ICVsim[CL,ICVarctan{BL,ICVλ-EL,ICV(BL,ICVλ-arctan(BL,ICVλ))}]
式中，μL，ICV为纵向摩擦系数，BL,ICV为刚度系数，CL,ICV为形状参数，DL，ICV为峰值参数，EL,ICV为曲率参数，λ为滑移率；
利用上式求解车辆加速度，如下：
Figure FDA0002761474330000024
式中，αi为加速度，g为重力加速度，μL,i,min,ICV与μL,i,max,ICV由车辆-道路耦合特性决定，μL,i,min,ICV表示第i辆车纵向摩擦系数下限，μL,i,max,ICV表示第i辆车纵向摩擦系数上限。
5.根据权利要求1所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，步骤S30中，所述预警距离和制动距离按下述方法进行计算：
S31.多车交互交通流系统性能评价指标采用碰撞时间定量指标TTCi，表示为：
Figure FDA0002761474330000031
式中，SLong,Dif,i表示第i辆车前后车距，uDif,i表示第i辆车前后车速差。
S32.采用预警指标判断是否可能发出交通事故，所述预警指标WIi表示为：
Figure FDA0002761474330000032
S33.按下式计算预警距离SLong,Wr,i和制动距离SLong,Bk,i：
Figure FDA0002761474330000033
Figure FDA0002761474330000034
上式中，SLong,Bk,i为制动距离，SLong,Wr,i为预警距离，uLong,0为初始速度，uLong,i为i时刻速度；TBk,Delay为硬件延迟时间；TBk,Cmd为制动执行时间；TResp,Delay为驾驶员响应时间。
6.根据权利要求5所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，取：
Figure FDA0002761474330000035
取
Figure FDA0002761474330000036
为TTC-1的阈值，于是有：
Figure FDA0002761474330000037
式中，IdxNorm,TTC表示归一化碰撞时间指标量；
取WIThrd为WI的阈值，有：
Figure FDA0002761474330000041
式中，IdxNorm,WI表示归一化预警指标量。
7.根据权利要求6所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，步骤S30中，交通事故率
Figure FDA0002761474330000042
按下式计算：
Figure FDA0002761474330000043
式中，
Figure FDA0002761474330000044
表示平均速度，E为系统参数。
8.根据权利要求4至7任一项所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，采用评估值
Figure FDA0002761474330000045
对交通流进行评估，
Figure FDA0002761474330000046
的评估值受到BL,ICV、CL,ICV、DL，ICV、EL,ICV的影响，即：
Figure FDA0002761474330000047
x＝[BL,ICV,CL,ICV,DL,ICV,EL,ICV]T
s.t.xmin≤x≤xmax
上式中，ωi为加权因子，
Figure FDA0002761474330000048
表示第i辆车地面摩擦力估计值，FZμ表示地面摩擦力法向力，
Figure FDA0002761474330000049
表示第i辆车地面滑移率估计值，xmin、xmax分别为BL,ICV、CL,ICV、DL，ICV、EL,ICV的最小边界值、最大边界值。
9.根据权利要求8所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，在平行系统中，虚拟车辆满足以下动态平衡：
Figure FDA0002761474330000051
上式中，Δt为采样时间，
Figure FDA0002761474330000052
Figure FDA0002761474330000053
和
Figure FDA0002761474330000054
分别为第i辆车的SLong,i，Disti和Spdi的目标误差，Sdes,Long,i、Distdes,i和Spddes,i为目标值，Fi(k)为第i辆车的控制节点力；ψi,1，ψi,2和ψi,3分别为加权因子，Sldi,0表示第0辆车的位置。
10.根据权利要求8所述的基于ACP理论的智能网联车平行驾驶控制方法，其特征在于，在平行系统中，引入多目标成本价值函数，用以优化交通流速度、车辆间距离、预警距离及碰撞定量指标，所述多目标成本价值函数表示为：
Figure FDA0002761474330000055
uCon＝[F1,F2,…,FN]T
s.t.uCon,Lim,min≤uCon,i≤uCon,Lim,max
式中，Q＞0为加权因子；uCon,Lim,min和uCon,Lim,max为输入限值；
Figure FDA0002761474330000056
和QPI为控制能量惩罚函数；ωTTC,i、ωWI,i和δWI,i为权重系数；ωWI,i和δWI,i为IdxNorm,WI的权重因子；
Figure FDA0002761474330000057
Figure FDA0002761474330000061
CN202011219186.1A 2020-11-04 2020-11-04 一种基于acp理论的智能网联车平行驾驶控制方法 Active CN112562316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219186.1A CN112562316B (zh) 2020-11-04 2020-11-04 一种基于acp理论的智能网联车平行驾驶控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219186.1A CN112562316B (zh) 2020-11-04 2020-11-04 一种基于acp理论的智能网联车平行驾驶控制方法

Publications (2)

Publication Number Publication Date
CN112562316A true CN112562316A (zh) 2021-03-26
CN112562316B CN112562316B (zh) 2021-10-26

Family

ID=75041846

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219186.1A Active CN112562316B (zh) 2020-11-04 2020-11-04 一种基于acp理论的智能网联车平行驾驶控制方法

Country Status (1)

Country Link
CN (1) CN112562316B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588311A (zh) * 2022-11-07 2023-01-10 中国第一汽车股份有限公司 自动驾驶车辆远程控制方法、系统、车辆及存储介质

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006012859A1 (de) * 2006-03-21 2007-09-27 Robert Bosch Gmbh Bremsstrategie für einen Hybridantrieb eines Fahrzeugs
CN102673569A (zh) * 2012-05-25 2012-09-19 同济大学 车辆状态测算装置、方法及使用该装置的车辆
WO2014116153A1 (en) * 2013-01-28 2014-07-31 Telefonaktiebolaget L M Ericsson (Publ) Apparatus, server, and method for controlling traffic flow in road network
CN107067759A (zh) * 2017-03-20 2017-08-18 长沙理工大学 一种基于acp的平行交通信号灯实时控制方法
CN107272683A (zh) * 2017-06-19 2017-10-20 中国科学院自动化研究所 基于acp方法的平行智能车控制系统
CN108776481A (zh) * 2018-06-20 2018-11-09 北京智行者科技有限公司 一种平行驾驶控制方法
CN109360409A (zh) * 2018-09-26 2019-02-19 江苏大学 一种基于驾驶风格的智能网联混合动力汽车编队控制方法
CN109978260A (zh) * 2019-03-26 2019-07-05 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
CN110825081A (zh) * 2019-11-08 2020-02-21 禾多科技（北京）有限公司 应用于自动驾驶高速场景的避免平行驾驶的智能决策方法
CN111133448A (zh) * 2018-02-09 2020-05-08 辉达公司 使用安全到达时间控制自动驾驶车辆
CN111580494A (zh) * 2020-04-28 2020-08-25 东风汽车集团有限公司 一种平行驾驶车辆控制参数自适应标定方法及系统

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102006012859A1 (de) * 2006-03-21 2007-09-27 Robert Bosch Gmbh Bremsstrategie für einen Hybridantrieb eines Fahrzeugs
CN102673569A (zh) * 2012-05-25 2012-09-19 同济大学 车辆状态测算装置、方法及使用该装置的车辆
WO2014116153A1 (en) * 2013-01-28 2014-07-31 Telefonaktiebolaget L M Ericsson (Publ) Apparatus, server, and method for controlling traffic flow in road network
CN107067759A (zh) * 2017-03-20 2017-08-18 长沙理工大学 一种基于acp的平行交通信号灯实时控制方法
CN107272683A (zh) * 2017-06-19 2017-10-20 中国科学院自动化研究所 基于acp方法的平行智能车控制系统
CN111133448A (zh) * 2018-02-09 2020-05-08 辉达公司 使用安全到达时间控制自动驾驶车辆
CN108776481A (zh) * 2018-06-20 2018-11-09 北京智行者科技有限公司 一种平行驾驶控制方法
CN109360409A (zh) * 2018-09-26 2019-02-19 江苏大学 一种基于驾驶风格的智能网联混合动力汽车编队控制方法
CN109978260A (zh) * 2019-03-26 2019-07-05 重庆邮电大学 混合交通流下网联车跟驰行为预测方法
CN110825081A (zh) * 2019-11-08 2020-02-21 禾多科技（北京）有限公司 应用于自动驾驶高速场景的避免平行驾驶的智能决策方法
CN111580494A (zh) * 2020-04-28 2020-08-25 东风汽车集团有限公司 一种平行驾驶车辆控制参数自适应标定方法及系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王晓等: "平行车联网:基于ACP的智能车辆网联管理与控制", 《自动化学报》 *
王迎春等: "基于ACP方法的平行手机信令数据分析系统", 《自动化学报》 *
程鸣: "基于5G的平行驾驶智能汽车", 《汽车工艺师》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115588311A (zh) * 2022-11-07 2023-01-10 中国第一汽车股份有限公司 自动驾驶车辆远程控制方法、系统、车辆及存储介质

Also Published As

Publication number Publication date
CN112562316B (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
US11188092B2 (en) Modifying behavior of autonomous vehicles based on sensor blind spots and limitations
CN111565990B (zh) 用于自主车辆的软件验证
US11014557B1 (en) Modifying speed of an autonomous vehicle based on traffic conditions
KR102225006B1 (ko) 차량 제동 에너지 회수 방법 및 장치
Nouveliere Experimental vehicle longitudinal control using a second order sliding mode technique
WO2021000800A1 (zh) 道路可行驶区域推理方法及装置
CN112046503B (zh) 一种基于人工智能的车辆控制方法、相关装置及存储介质
CN109100155A (zh) 一种无人车在环快速仿真测试系统和方法
CN109711691A (zh) 一种基于熵权模糊综合评价模型的驾驶风格评价方法
CN111599179B (zh) 一种基于风险动态平衡的无信号交叉口车辆运动规划方法
CN113835421B (zh) 训练驾驶行为决策模型的方法及装置
US11703875B2 (en) Braking control behaviors for autonomous vehicles
US11827235B1 (en) Adjusting timing of actuation commands to account for fixed and variable delays in autonomous driving control of vehicles
CN111016893A (zh) 一种拥堵环境下智能车辆可拓博弈车道保持自适应巡航控制系统与控制方法
EP3666612A1 (en) Vehicle control device
Zhang et al. A multi-vehicle longitudinal trajectory collision avoidance strategy using AEBS with vehicle-infrastructure communication
US20240083458A1 (en) Using simulations to identify differences between behaviors of manually-driven and autonomous vehicles
CN112562316B (zh) 一种基于acp理论的智能网联车平行驾驶控制方法
WO2024051188A1 (zh) 一种车辆行驶路面坡度预测方法、系统及其车辆
Yan et al. Considering variable road geometry in adaptive vehicle speed control
CN116261649A (zh) 一种车辆行驶意图预测方法、装置、终端及存储介质
CN104670222B (zh) 滑动模式的行驶路径投票策略模块及驾驶控制系统与方法
CN114261404A (zh) 一种自动驾驶方法及相关装置
CN113327457B (zh) 一种基于车路协同技术的车辆避碰系统及方法
CN115629608A (zh) 基于深度预测网络和深度强化学习的自动驾驶车辆控制方法

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