CN112650064B - 一种适应于混杂道路的智能汽车汇入控制系统及方法 - Google Patents

Abstract

本发明公开了一种适应于混杂道路的智能汽车汇入控制系统及方法，包括：混杂道路感知子系统、多类型交通参与者轨迹预测子系统、车辆决策子系统；本发明通过布置冗余的车辆传感器并结合意图识别方法和轨迹预测方法，为车辆精确感知无网联的混杂道路环境和预测周围交通参与者行动轨迹提供了保障，并解决了因现有技术中没有考虑多类型交通参与者和不确定性因素的影响所导致的汇入安全问题。

Description

一种适应于混杂道路的智能汽车汇入控制系统及方法

技术领域

本发明属于智能车辆安全控制技术领域，具体指代一种适应于混杂道路的智能汽车汇入控制系统及方法。

背景技术

随着经济地不断发展，人们对于便利的交通出行的要求日益增长，汽车保有量不断攀升，使得道路车辆密度显著增大，道路愈发拥堵，交通事故频发，严重危害人民生命财产安全。在无道路标识、多类型交通参与者的混杂道路中，因交通构成复杂和交通参与者的不确定性行为，交通事故极易发生，交通安全难以保证。其中，匝道汇入处最为严重。

在传统混杂道路匝道汇入处，匝道上的驾驶车辆在进入匝道前提前减速，通过观察主车道的汽车、电瓶车、自行车和行人等多类型交通参与者，预测各种类型的交通参与者的行动趋势，并据此决策出车辆的加减速操作与转向操作。由于驾驶员的驾驶水平参差不齐，且驾驶决策与操作受人类驾驶员状态、心理因素和熟练度的影响，使得交通安全无法得到保障。

在车辆智能化、电动化、网联化的发展趋势下，目前对于车辆汇入控制的研究主要集中在基于智能网联技术的匝道车辆汇入控制方法上，例如中国发明专利申请号CN202010632949.9，名称为“一种高速路匝道口智能网联汽车安全自组织同性控制方法”中提出了一种基于智能网联技术的高速路匝道口处的汽车安全自组织通行控制方法，设置一个与匝道区域内的所有车辆互联的路侧设备，通过路侧设备组织分配车辆通过匝道区域的顺序。中国发明专利申请号CN202010581563.X，名称为“一种网联车辆匝道合并的双层协同优化方法”中提出了一种网联车辆匝道合并的双层协同优化方法，其基于智能网联技术获取所有车辆状态参数，建立了一个两层优化框架。然而，这些基于智能网联技术的匝道汇入控制方法要求所有车辆能够通过网络连接到路侧设备或云端设备，使得成本非常高。而且，通过网络互联获取状态信息会有较高延迟，严重影响行驶安全性。此外，由于多类型交通参与者的行动含有较大不确定性，而现有匝道汇入控制设计只考虑了单个类型的交通参与者，不能够实现多类型交通参与者不确定性因素干扰下的车辆汇入安全控制。

发明内容

针对于上述现有技术的不足，本发明的目的在于提供一种适应于混杂道路的智能汽车汇入控制系统及方法，通过布置冗余的车辆传感器并结合意图识别方法和轨迹预测方法，为车辆精确感知无网联的混杂道路环境和预测周围交通参与者行动轨迹提供了保障，并解决了因现有技术中没有考虑多类型交通参与者和不确定性因素的影响所导致的汇入安全问题。

为达到上述目的，本发明采用的技术方案如下：

本发明的一种适应于混杂道路的智能汽车汇入控制系统，包括：混杂道路感知子系统、多类型交通参与者轨迹预测子系统、车辆决策子系统；

所述混杂道路感知子系统获取自车的位置和速度信息、周围交通参与者类型信息、自车与周围交通参与者的相对位置信息、相对速度信息和角度信息；

所述多类型交通参与者轨迹预测子系统将周围交通参与者分为汽车、二轮车和行人三类，分析各类型周围交通参与者的历史轨迹，即其历史位置和速度信息，得到其行动意图；再根据其意图和历史轨迹，预测其未来T_p时间内的轨迹；

所述车辆决策子系统通过分析当前时刻自车的位置、速度信息和预测得到的周围交通参与者未来T_p时间内轨迹，规划求解自车最优轨迹，根据最优轨迹求解出当前时刻自车应采取的加减速或转向操作。

进一步地，所述的混杂道路感知子系统包括：八个摄像头、一个激光雷达、四个毫米波雷达、惯导单元、GPS单元和多传感器融合计算单元；

所述八个摄像头分别安装在车辆车身的前侧靠左、前侧靠右、左侧靠前、左侧靠后、右侧靠前、右侧靠后、后侧靠左和后侧靠右的位置；各摄像头按60Hz的频率拍摄图像，并将图像数据传输给多传感器融合计算单元；

所述激光雷达安装在车辆车顶；用于获取周围交通参与者和道路设施的点云数据，并将获取的点云数据传输给多传感器融合计算单元；

所述四个毫米波雷达分别安装在车辆车身的前侧靠左、前侧靠右、后侧靠左和后侧靠右的位置；各毫米波雷达获取车辆与周围交通参与者、道路设施的相对距离、相对速度、角度信息，并将获取到的数据传输给多传感器融合计算单元；

所述惯导单元安装在车辆车身的内部，获取自车的高精度的瞬时速度和瞬时位置数据，并将数据传输给多传感器融合计算单元；

所述GPS单元安装在车辆车身的内部，获取自车的瞬时速度和瞬时位置数据，并将数据传输给多传感器融合计算单元；

所述多传感器融合计算单元通过获取的摄像头的图像信息，识别出车辆周围的交通参与者的类型；通过获取的激光雷达、毫米波雷达信息，检测出自车与周围交通参与者和道路设施之间相对距离、相对速度和角度信息；通过获取的惯导单元和GPS单元的信息，计算得到自车位置信息、速度信息；多传感器融合计算单元根据检测出的自车与周围交通参与者和道路设施之间相对距离、相对速度、角度信息和计算得到的自车位置信息，计算得到周围不同类型交通参与者的位置信息、速度信息，并将其传输给多类型交通参与者轨迹预测子系统。

进一步地，所述多传感器融合计算单元根据得到的自车位置信息对惯导单元进行重置矫正。

进一步地，所述多类型交通参与者轨迹预测子系统包括：数据存储单元、汽车行动意图识别单元、二轮车行动意图识别单元、行人行动意图识别单元、汽车轨迹预测单元、二轮车轨迹预测单元和行人轨迹预测单元；

所述数据存储单元用于存储多传感器融合计算单元发送的各时刻的各类型交通参与者的位置信息、速度信息和自车的位置信息、速度信息；

所述汽车行动意图识别单元、二轮车行动意图识别单元和行人行动意图识别单元根据对应类型交通参与者的历史行动轨迹，即历史的位置信息、速度信息，采用监督学习方法识别出交通参与者的当前行动意图；

所述汽车轨迹预测单元、二轮车轨迹预测单元和行人轨迹预测单元根据对应类型交通参与者的当前行动意图，结合其历史行动轨迹，采用深度学习的方法预测其未来T_p时间内的轨迹，即位置信息和速度信息。

进一步地，所述车辆决策子系统建立车辆危险度评估模型，根据汇入决策算法，得到当前时刻自车的加减速和转向操作；

车辆危险度评估模型为：

式中，J为危险度，r为周围交通参与者的预测轨迹，R为周围所有交通参与者的预测轨迹的集合，Δp(k)为k时刻自车位置与周围交通参与者在k时刻预测轨迹的位置之间的直线距离，为正数；Δv(k)为k时刻自车速度与周围交通参与者在k时刻预测轨迹的速度在两者k时刻位置连线方向上的分量之和，当自车在k时刻的速度分量指向周围交通参与者的轨迹在k时刻的位置时，该分量为负；当周围交通参与者的轨迹在k时刻的速度的分量指向自车在k时刻的位置时，该分量为负；当自车与周围交通参与者在k时刻的趋势是相向接近时，Δv(k)为负数。

汇入决策算法具体为：

建立状态方程：

式中，p^x为车辆沿着车道方向的位置，p^y为车辆垂直于车道方向的位置，v为车辆速度，θ为车辆的横摆角；

建立如下轨迹优化问题：

s.t.

v(0)＝v₀

v(k)＜v_max

式中，p^x(k)和

分别为自车在k时刻和当前时刻沿着道路方向行驶距离，p^y(k)和

分别为自车在k时刻和当前时刻垂直于道路方向的行驶距离，v(k)和

分别为自车在k时刻和当前时刻的速度，v_max为最大限制速度；根据状态方程，求解轨迹优化问题，得到自车最优轨迹：根据车辆运动学模型和自车最优轨迹，得到当前时刻自车的加速度大小和转向轮转角，从而实现车辆的驾驶决策；

本发明提供的一种适应于混杂道路的智能汽车汇入控制方法，步骤如下：

步骤1：处于匝道上的车辆，实时获取混杂道路中周围交通参与者的类型信息，自车和周围交通参与者的位置、速度信息；

步骤2：根据步骤1获取的信息，针对不同类型的交通参与者，分析其不同意图特性和行动轨迹特性，采用意图识别算法得到其行动意图；

步骤3：根据步骤1获取的信息和步骤2获取的行动意图，采用考虑不确定性因素干扰的轨迹预测算法，预测未来T_p时间内不同类型周围交通参与者的轨迹，即其位置信息和速度信息；

步骤4：根据步骤3得到的信息，建立车辆危险度评估模型，根据汇入决策算法，得到当前时刻自车的加减速和转向操作；返回步骤1，直至自车成功汇入主车道。

进一步地，所述步骤2中意图识别算法包括：将周围汽车的意图分为主动减速避让

抢占汇入口

向左换道

其观测特征为该汽车距离车道中心线的距离

该汽车距离车道中心线的距离的平方

该汽车的纵向速度

该汽车的纵向加速度

该汽车的横向速度

该汽车的横向加速度

该汽车是否打开左转向灯

将周围二轮车的意图分为向前行驶

向中间占道

其观测特征为该二轮车距离车道中心线的距离

该二轮车距离车道中心线的距离的平方

该二轮车的纵向速度

该二轮车的横向速度

该二轮车的横向加速度

将周围行人的意图分为沿道路边缘行走

横穿马路

其观测特征为该行人行走速度

该行人距离车道中心线的距离

该行人距离车道中心线的距离的平方

该行人速度的方向

该行人加速度的方向

当前时刻交通参与者的意图受上一时刻其意图的影响，则意图之间的概率转移表示为：

P(b_i(k)|π₀(k-1))＝A·P(b_i(k-1)|π₀(k-1))

式中，A为概率转移矩阵；P(b_i(k+1)|π₀(k))表示在k时刻，交通参与者在其策略π₀(k-1)下的意图为b_i(k)的概率；交通参与者为汽车时，

交通参与者为二轮车时，

交通参与者为行人时，

交通参与者的意图至其观测特征的观测概率表示为：

M＝P(y₀(k)|b_i(k))

式中，M为观测概率矩阵，P(y₀(k)|b_i(k))表示在k时刻，交通参与者意图为b_i(k)时，表现出的观测特征为y₀(k)的概率；交通参与者为汽车时，

分别是k时刻各观测特征的值；交通参与者为二轮车时，

分别是k时刻各观测特征的值；交通参与者为行人时，

分别是k时刻各观测特征的值；针对各类型的交通参与者，采用两个神经网络分别来表示概率转移矩阵A和观测概率矩阵M，并通过离线监督学习的方法训练得到概率转移神经网络和观测概率神经网络；周围交通参与者当前时刻的意图为：

式中，

为当前k时刻类型为t的交通参与者的行动意图，交通参与者为汽车时t＝v，交通参与者为二轮车时t＝b，交通参与者为行人时t＝w。

进一步地，所述步骤3中的考虑不确定性因素干扰的轨迹预测算法具体为：针对各类型的交通参与者，构建一个3层lstm网络，每层隐层单元数为64个；构造一个满足正态分布的随机数来表示不确定性因素干扰，并令其作为lstm网络的一个输入；lstm网络的其他输入为交通参与者的行动意图和历史轨迹数据，历史轨迹数据由历史位置信息和速度信息构成；lstm网络的输出是交通参与者未来T_p时间的预测轨迹；采用监督学习的方法，离线训练lstm网络；训练后的各类型的交通参与者的lstm网络具有该类型交通参与者的特性。

进一步地，所述步骤4中的车辆危险度评估模型为：

式中，J为危险度，r为周围交通参与者的预测轨迹，R为周围所有交通参与者的预测轨迹的集合，Δp(k)为k时刻自车位置与周围交通参与者在k时刻预测轨迹的位置之间的直线距离，为正数；Δv(k)为k时刻自车速度与周围交通参与者在k时刻预测轨迹的速度在两者k时刻位置连线方向上的分量之和，当自车在k时刻的速度分量指向周围交通参与者的轨迹在k时刻的位置时，该分量为负；当周围交通参与者的轨迹在k时刻的速度的分量指向自车在k时刻的位置时，该分量为负；当自车与周围交通参与者在k时刻的趋势是相向接近时，Δv(k)为负数。

进一步地，所述步骤4中的汇入决策算法具体为：

建立状态方程：

式中，p^x为车辆沿着车道方向的位置，p^y为车辆垂直于车道方向的位置，v为车辆速度，θ为车辆的横摆角；

建立如下轨迹优化问题：

s.t.

v(0)＝v₀

v(k)＜v_max

式中，p^x(k)和

分别为自车在k时刻和当前时刻沿着道路方向行驶距离，p^y(k)和

分别为自车在k时刻和当前时刻垂直于道路方向的行驶距离，v(k)和

分别为自车在k时刻和当前时刻的速度，v_max为最大限制速度；求解轨迹优化问题，得到自车最优轨迹：根据自车最优轨迹，求解得到当前时刻自车的加速度大小和转向轮转角，从而实现车辆的驾驶决策。

本发明的有益效果：

本发明融合了车辆的感知、周围交通参与者行动意图辨识与运动预测、车辆决策，提高了车辆对周围环境的感知和判断能力，增强了车辆汇入控制的安全性。

本发明考虑了混杂道路中多种类型交通参与者的特性，针对每种类型的交通参与者，分别提出了对应的意图识别和轨迹预测算法，加强了智能车辆对混杂道路的适应性，提升了车辆汇入的安全性。

本发明的考虑了不确定性因素的影响；在预测周围交通参与者的未来轨迹时，加入不确定性因素，得到考虑不确定性的周围交通参与者的预测轨迹，提高了车辆汇入控制的鲁棒性。

附图说明

图1为本发明控制系统的原理图。

图2为本发明混杂道路场景示意图。

图3为本发明控制方法原的理图。

具体实施方式

为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说明，实施方式提及的内容并非对本发明的限定。

参照图1所示，本发明的一种适应于混杂道路的智能汽车汇入控制系统，包括：混杂道路感知子系统、多类型交通参与者轨迹预测子系统、车辆决策子系统；

所述混杂道路感知子系统获取自车的位置和速度信息、周围交通参与者类型信息、自车与周围交通参与者的相对位置信息、相对速度信息和角度信息；

进一步地，所述的混杂道路感知子系统包括：八个摄像头、一个激光雷达、四个毫米波雷达、惯导单元、GPS单元和多传感器融合计算单元；

所述八个摄像头分别安装在车辆车身的前侧靠左、前侧靠右、左侧靠前、左侧靠后、右侧靠前、右侧靠后、后侧靠左和后侧靠右的位置；各摄像头按60Hz的频率拍摄图像，并将图像数据传输给多传感器融合计算单元；

所述激光雷达安装在车辆车顶；用于获取周围交通参与者和道路设施的点云数据，并将获取的点云数据传输给多传感器融合计算单元；

所述四个毫米波雷达分别安装在车辆车身的前侧靠左、前侧靠右、后侧靠左和后侧靠右的位置；各毫米波雷达获取车辆与周围交通参与者、道路设施的相对距离、相对速度、角度信息，并将获取到的数据传输给多传感器融合计算单元；

所述惯导单元安装在车辆车身的内部，获取自车的高精度的瞬时速度和瞬时位置数据，并将数据传输给多传感器融合计算单元；

所述GPS单元安装在车辆车身的内部，获取自车的瞬时速度和瞬时位置数据，并将数据传输给多传感器融合计算单元；

所述多传感器融合计算单元获取摄像头的图像信息，采用基于深度学习的图像识别技术，识别出汽车周围的交通参与者的类型；获取激光雷达、毫米波雷达信息，采用卡尔曼滤波方法，检测出汽车与周围交通参与者和道路设施之间精确的相对距离、相对速度和角度信息；获取惯导单元和GPS单元的信息，采用联邦卡尔曼滤波方法，计算得到精确的自车位置信息、速度信息，使其不受GPS单元信号丢失或惯导单元时间累积误差较大的影响，具有良好冗余容错能力；多传感器融合计算单元根据检测出的汽车与周围交通参与者和道路设施之间精确的相对距离、相对速度和角度信息和计算得到精确的自车位置信息，能够得到周围不同类型交通参与者的位置信息、速度信息，将其传输给多类型交通参与者轨迹预测子系统。

所述多传感器融合计算单元根据得到的自车位置信息对惯导单元进行重置矫正。

所述多类型交通参与者轨迹预测子系统将周围交通参与者分为汽车、二轮车和行人三类，分析各类型周围交通参与者的历史轨迹，即其历史位置和速度信息，得到其行动意图；再根据其意图和历史轨迹，预测其未来T_p时间内的轨迹；

所述多类型交通参与者轨迹预测子系统包括：数据存储单元、汽车行动意图识别单元、二轮车行动意图识别单元、行人行动意图识别单元、汽车轨迹预测单元、二轮车轨迹预测单元和行人轨迹预测单元；

所述数据存储单元用于存储多传感器融合计算单元发送的各时刻的各类型交通参与者的位置信息、速度信息和自车的位置信息、速度信息；

所述汽车行动意图识别单元、二轮车行动意图识别单元和行人行动意图识别单元根据对应类型交通参与者的历史行动轨迹，即历史的位置信息、速度信息，采用监督学习方法识别出交通参与者的当前行动意图；

所述汽车轨迹预测单元、二轮车轨迹预测单元和行人轨迹预测单元根据对应类型交通参与者的当前行动意图，结合其历史行动轨迹，采用深度学习的方法预测其未来T_p时间内的轨迹，即位置信息和速度信息。

所述车辆决策子系统通过分析当前时刻自车的位置、速度信息和预测得到的周围交通参与者未来T_p时间内轨迹，规划求解自车最优轨迹，根据最优轨迹求解出当前时刻自车应采取的加减速或转向操作；

所述车辆决策子系统建立车辆危险度评估模型，根据汇入决策算法，得到当前时刻自车的加减速和转向操作；

车辆危险度评估模型为：

式中，J为危险度，r为周围交通参与者的预测轨迹，R为周围所有交通参与者的预测轨迹的集合，Δp(k)为k时刻自车位置与周围交通参与者在k时刻预测轨迹的位置之间的直线距离，为正数；Δv(k)为k时刻自车速度与周围交通参与者在k时刻预测轨迹的速度在两者k时刻位置连线方向上的分量之和，当自车在k时刻的速度分量指向周围交通参与者的轨迹在k时刻的位置时，该分量为负；当周围交通参与者的轨迹在k时刻的速度的分量指向自车在k时刻的位置时，该分量为负；当自车与周围交通参与者在k时刻的趋势是相向接近时，Δv(k)为负数。

汇入决策算法具体为：

建立状态方程：

式中，p^x为车辆沿着车道方向的位置，p^y为车辆垂直于车道方向的位置，v为车辆速度，θ为车辆的横摆角；

建立如下轨迹优化问题：

s.t.

v(0)＝v₀

v(k)＜v_max

式中，p^x(k)和

分别为自车在k时刻和当前时刻沿着道路方向行驶距离，p^y(k)和

分别为自车在k时刻和当前时刻垂直于道路方向的行驶距离，v(k)和

分别为自车在k时刻和当前时刻的速度，v_max为最大限制速度；根据状态方程，求解轨迹优化问题，得到自车最优轨迹：根据自车最优轨迹，求解得到当前时刻自车的加速度大小和转向轮转角，从而实现车辆的驾驶决策；

参照图3所示，本发明提供的一种适应于混杂道路的智能汽车汇入控制方法，步骤如下：

步骤1：处于匝道上的车辆，实时获取混杂道路中周围交通参与者的类型信息，自车和周围交通参与者的位置、速度信息；

步骤2：根据步骤1获取的信息，针对不同类型的交通参与者，分析其不同意图特性和行动轨迹特性，采用意图识别算法得到其行动意图；

步骤3：根据步骤1获取的信息和步骤2获取的行动意图，采用考虑不确定性因素干扰的轨迹预测算法，预测未来T_p(T_p取2-4秒)时间内不同类型周围交通参与者的轨迹，即其位置信息和速度信息；参照图2所示，

步骤4：根据步骤3得到的信息，建立车辆危险度评估模型，根据汇入决策算法，得到当前时刻自车的加减速和转向操作；返回步骤1，直至自车成功汇入主车道。

所述步骤2中意图识别算法包括：将周围汽车的意图分为主动减速避让

抢占汇入口

向左换道

其观测特征为该汽车距离车道中心线的距离

该汽车距离车道中心线的距离的平方

该汽车的纵向速度

该汽车的纵向加速度

该汽车的横向速度

该汽车的横向加速度

该汽车是否打开左转向灯

将周围二轮车的意图分为向前行驶

向中间占道

其观测特征为该二轮车距离车道中心线的距离

该二轮车距离车道中心线的距离的平方

该二轮车的纵向速度

该二轮车的横向速度

该二轮车的横向加速度

将周围行人的意图分为沿道路边缘行走

横穿马路

其观测特征为该行人行走速度

该行人距离车道中心线的距离

该行人距离车道中心线的距离的平方

该行人速度的方向

该行人加速度的方向

当前时刻交通参与者的意图受上一时刻其意图的影响，则意图之间的概率转移表示为：

P(b_i(k)|π₀(k-1))＝A·P(b_i(k-1)|π₀(k-1))

式中，A为概率转移矩阵；P(b_i(k+1)|π₀(k))表示在k时刻，交通参与者在其策略π₀(k-1)下的意图为b_i(k)的概率；交通参与者为汽车时，

交通参与者为二轮车时，

交通参与者为行人时，

交通参与者的意图至其观测特征的观测概率表示为：

M＝P(y₀(k)|b_i(k))

式中，M为观测概率矩阵，P(y₀(k)|b_i(k))表示在k时刻，交通参与者意图为b_i(k)时，表现出的观测特征为y₀(k)的概率；交通参与者为汽车时，

分别是k时刻各观测特征的值；交通参与者为二轮车时，

分别是k时刻各观测特征的值；交通参与者为行人时，

分别是k时刻各观测特征的值；针对各类型的交通参与者，采用两个神经网络分别来表示概率转移矩阵A和观测概率矩阵M，并通过离线监督学习的方法训练得到概率转移神经网络和观测概率神经网络；周围交通参与者当前时刻的意图为：

式中，

为当前k时刻类型为t的交通参与者的行动意图，交通参与者为汽车时t＝v，交通参与者为二轮车时t＝b，交通参与者为行人时t＝w。

所述步骤3中的考虑不确定性因素干扰的轨迹预测算法具体为：针对各类型的交通参与者，构建一个3层lstm网络，每层隐层单元数为64个；构造一个满足正态分布的随机数来表示不确定性因素干扰，并令其作为lstm网络的一个输入；lstm网络的其他输入为交通参与者的行动意图和历史轨迹数据，历史轨迹数据由历史位置信息和速度信息构成；lstm网络的输出是交通参与者未来T_p时间的预测轨迹；采用监督学习的方法，离线训练lstm网络；训练后的各类型的交通参与者的lstm网络具有该类型交通参与者的特性。

所述步骤4中的车辆危险度评估模型为：

式中，J为危险度，r为周围交通参与者的预测轨迹，R为周围所有交通参与者的预测轨迹的集合，Δp(k)为k时刻自车位置与周围交通参与者在k时刻预测轨迹的位置之间的直线距离，为正数；Δv(k)为k时刻自车速度与周围交通参与者在k时刻预测轨迹的速度在两者k时刻位置连线方向上的分量之和，当自车在k时刻的速度分量指向周围交通参与者的轨迹在k时刻的位置时，该分量为负；当周围交通参与者的轨迹在k时刻的速度的分量指向自车在k时刻的位置时，该分量为负；当自车与周围交通参与者在k时刻的趋势是相向接近时，Δv(k)为负数。

所述步骤4中的汇入决策算法具体为：

建立状态方程：

式中，p^x为车辆沿着车道方向的位置，p^y为车辆垂直于车道方向的位置，v为车辆速度，θ为车辆的横摆角；

建立如下轨迹优化问题：

s.t.

v(0)＝v₀

v(k)＜v_max

式中，p^x(k)和

分别为自车在k时刻和当前时刻沿着道路方向行驶距离，p^y(k)和

分别为自车在k时刻和当前时刻垂直于道路方向的行驶距离，v(k)和

分别为自车在k时刻和当前时刻的速度，v_max为最大限制速度；求解轨迹优化问题，得到自车最优轨迹：根据自车最优轨迹，求解得到当前时刻自车的加速度大小和转向轮转角，从而实现车辆的驾驶决策。

本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这些改进也应视为本发明的保护范围。

Claims (3)

1.一种适应于混杂道路的智能汽车汇入控制方法，其特征在于，步骤如下：

步骤1：处于匝道上的车辆，实时获取混杂道路中周围交通参与者的类型信息，自车和周围交通参与者的位置、速度信息；

步骤2：根据步骤1获取的信息，针对不同类型的交通参与者，分析其不同意图特性和行动轨迹特性，采用意图识别算法得到其行动意图；

步骤3：根据步骤1获取的信息和步骤2获取的行动意图，采用考虑不确定性因素干扰的轨迹预测算法，预测未来T_p时间内不同类型周围交通参与者的轨迹，即其位置信息和速度信息；

步骤4：根据步骤3得到的信息，建立车辆危险度评估模型，根据汇入决策算法，得到当前时刻自车的加减速和转向操作；返回步骤1，直至自车成功汇入主车道；

所述步骤4中的车辆危险度评估模型为：

式中，J为危险度，r为周围交通参与者的预测轨迹，R为周围所有交通参与者的预测轨迹的集合，Δp(k)为k时刻自车位置与周围交通参与者在k时刻预测轨迹的位置之间的直线距离，为正数；Δv(k)为k时刻自车速度与周围交通参与者在k时刻预测轨迹的速度在两者k时刻位置连线方向上的分量之和，当自车在k时刻的速度分量指向周围交通参与者的轨迹在k时刻的位置时，该分量为负；当周围交通参与者的轨迹在k时刻的速度的分量指向自车在k时刻的位置时，该分量为负；当自车与周围交通参与者在k时刻的趋势是相向接近时，Δv(k)为负数。

2.根据权利要求1所述的适应于混杂道路的智能汽车汇入控制方法，其特征在于，所述步骤2中意图识别算法包括：将周围汽车的意图分为主动减速避让

抢占汇入口

向左换道

其观测特征为该汽车距离车道中心线的距离

该汽车距离车道中心线的距离的平方

该汽车的纵向速度

该汽车的纵向加速度

该汽车的横向速度

该汽车的横向加速度

该汽车是否打开左转向灯

将周围二轮车的意图分为向前行驶

向中间占道

其观测特征为该二轮车距离车道中心线的距离

该二轮车距离车道中心线的距离的平方

该二轮车的纵向速度

该二轮车的横向速度

该二轮车的横向加速度

将周围行人的意图分为沿道路边缘行走

横穿马路

其观测特征为该行人行走速度

该行人距离车道中心线的距离

该行人距离车道中心线的距离的平方

该行人速度的方向

该行人加速度的方向

当前时刻交通参与者的意图受上一时刻其意图的影响，则意图之间的概率转移表示为：

P(b_i(k)|π₀(k-1))＝A·P(b_i(k-1)|π₀(k-1))

式中，A为概率转移矩阵；P(b_i(k+1)|π₀(k))表示在k时刻，交通参与者在其策略π₀(k-1)下的意图为b_i(k)的概率；交通参与者为汽车时，

交通参与者为二轮车时，

交通参与者为行人时，

交通参与者的意图至其观测特征的观测概率表示为：

M＝P(y₀(k)|b_i(k))

式中，M为观测概率矩阵，P(y₀(k)|b_i(k))表示在k时刻，交通参与者意图为b_i(k)时，表现出的观测特征为y₀(k)的概率；交通参与者为汽车时，

分别是k时刻各观测特征的值；交通参与者为二轮车时，

分别是k时刻各观测特征的值；交通参与者为行人时，

分别是k时刻各观测特征的值；针对各类型的交通参与者，采用两个神经网络分别来表示概率转移矩阵A和观测概率矩阵M，并通过离线监督学习的方法训练得到概率转移神经网络和观测概率神经网络；周围交通参与者当前时刻的意图为：

式中，

为当前k时刻类型为t的交通参与者的行动意图，交通参与者为汽车时t＝v，交通参与者为二轮车时t＝b，交通参与者为行人时t＝w。

3.根据权利要求1所述的适应于混杂道路的智能汽车汇入控制方法，其特征在于，所述步骤4中的汇入决策算法具体为：

建立状态方程：

式中，p^x为车辆沿着车道方向的位置，p^y为车辆垂直于车道方向的位置，v为车辆速度，θ为车辆的横摆角；

建立如下轨迹优化问题：

v(0)＝v0

v(k)＜v_max

式中，p^x(k)和

分别为自车在k时刻和当前时刻沿着道路方向行驶距离，p^y(k)和

分别为自车在k时刻和当前时刻垂直于道路方向的行驶距离，v(k)和

分别为自车在k时刻和当前时刻的速度，v_max为最大限制速度；根据状态方程，求解轨迹优化问题，得到自车最优轨迹：根据自车最优轨迹，求解得到当前时刻自车的加速度大小和转向轮转角，实现车辆的驾驶决策。

Images