CN113012433B - 车载联网节能辅助驾驶控制方法与系统 - Google Patents
车载联网节能辅助驾驶控制方法与系统 Download PDFInfo
- Publication number
- CN113012433B CN113012433B CN202110291446.4A CN202110291446A CN113012433B CN 113012433 B CN113012433 B CN 113012433B CN 202110291446 A CN202110291446 A CN 202110291446A CN 113012433 B CN113012433 B CN 113012433B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- information
- traffic flow
- intersection
- time
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 230000006855 networking Effects 0.000 title claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 35
- 238000005265 energy consumption Methods 0.000 claims abstract description 9
- 230000006399 behavior Effects 0.000 claims description 34
- 230000007704 transition Effects 0.000 claims description 25
- 230000001133 acceleration Effects 0.000 claims description 18
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 101001093748 Homo sapiens Phosphatidylinositol N-acetylglucosaminyltransferase subunit P Proteins 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012795 verification Methods 0.000 abstract description 2
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000977 initiatory effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000007420 reactivation Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000001351 cycling effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000012360 testing method Methods 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
- G08G1/0125—Traffic data processing
- G08G1/0129—Traffic data processing for creating historical data or processing based on historical data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- 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
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
Landscapes
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种车载联网节能辅助驾驶控制方法与系统,属于车辆节能技术领域。区别于其它节能驾驶技术,本发明的核心创新点包括:构建基于V2I技术的车辆队列长度估计方法来预测联网车辆到达路口时的有效绿灯可通行时间区间。其次,开发了分层的节能优化策略系统,第一层提供以能耗最小为目标的全局推荐最优速度,第二层考虑驾驶员跟踪误差重新规划获得修正推荐速度。通过实施证明,考虑车流排队效应和驾驶误差的改进EADS能有助于驾驶员执行建议节能速度,进而提升车辆的节能性能。
Description
技术领域
本发明属于车辆节能技术领域,具体涉及一种车载联网节能辅助驾驶控制方法与系统。
背景技术
联网智能汽车技术正在彻底改变汽车工业。特别是,联网车辆具有路径/速度规划、车辆对基础设施(V2I)和车辆对车辆(V2V)通信能力。通过这种方式,车辆可以连接到智能交通系统,与智能交通系统共享海量的交通状况数据和车辆运行数据。这些数据可用于提高车辆的整体性能,包括机动性、安全性和燃油经济性。
通过联网通信功能,减少车辆在城市道路信号交叉口处的拥堵或不必要的走走停停行为,进而减少能源消耗,是当前城市道路生态驾驶的重要研究内容。由于自动驾驶技术还未应用在车辆上,而基于联网通信的节能辅助驾驶系统(EADS)是目前较容易推广的一种节能系统。节能辅助驾驶系统不主动干预车辆的动力学控制,而是通过引导驾驶员的操作而减少高耗能的驾驶行为。在城市道路上应用的节能辅助驾驶系统,必须要考虑交通信号对车流的截断的影响。然而,传统节能辅助驾驶系统只考虑交通灯信号的相位和时序问题。而另外两个重要的因素,即车流的排队效应和驾驶员的实际操作误差,却很少被考虑,从而降低了EADS的实际应用性能。车流的排队效应导致联网车辆到达路口时无法顺利通过交叉路口,其可通行的绿灯信号时间窗口被压缩;驾驶员的操作误差导致驾驶员在执行建议速度时与理论建议速度的偏差越来越大,致使车辆无法按照规划顺利通过交叉口。既要考虑车流排队导致的通行时间被限制,又要考虑驾驶员的操作误差,从而提升节能辅助驾驶系统的有效性,是节能驾驶领域中一个亟待解决的重要技术应用问题。
发明内容
(一)要解决的技术问题
本发明要解决的技术问题是:如何设计一种车载联网节能辅助驾驶控制方法,以提升车辆的节能性能。
(二)技术方案
为了解决上述技术问题,本发明提供了一种车载联网节能辅助驾驶控制方法,包括以下步骤:
S1:道路交通信息采集步骤,检测道路的历史交通流信息以及前方信号交叉口处的红绿灯信号实时信息;
S2:车流信息预测步骤,通过收集的所述历史交通流信息预测未来短时交通流信息;
S3:车流排队预测步骤,根据交叉口处的红绿灯信号实时信息和预测的所述未来短时交通流信息,预测车辆在信号交叉口处的排队行为,计算得到车辆排队信息;
S4:交叉口状态计算步骤,结合预测的所述车辆排队信息以及所述未来短时交通流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;
S5:主车行驶状态识别步骤:提供当前车辆的状态信息以及驾驶员历史驾驶行为操作信息;
S6:第一策略优化步骤,根据所述当前车辆的状态信息以及所述剩余信号灯时间优化求解得到全局能效最优的速度轨迹;
S7:驾驶员行为误差转移概率步骤,根据所述驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;
S8:第二策略优化步骤,根据所述全局能效最优的速度轨迹以及所述操作误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;
S9:车载显示步骤,通过语音提示以及仪表显示向驾驶员提供当前最佳的考虑操作误差的全局能效最优建议速度。
优选地,步骤S1道路交通信息采集步骤中采集路基侧联网交通观察器存储的车辆信息和交叉口信号灯相位时间信息,路基侧联网的交通观察器和交叉口信号灯相位时间识别器、车载无线通信信息采集器通过LTE-V或者DSRC方式通信方式与车载无线通信设备交互共享信息,所获得的信息包括车流量、平均车流速、交叉口处的红绿灯信号实时信息、交叉口距离联网主车的距离信息。
优选地,步骤S2的车流信息预测步骤中,采用非线性自回归或者其他神经网络进行离线或在线训练,并预测未来交叉口道路短时交通流信息;车流信息预测步骤输出短时交通流的预测信息,包括基于时间序列的车流量和平均车流速度,未来短时交通流信息的预测包括两个阶段:第一阶段是通过收集的历史交通流数据片段,以6min的时间区间进行划分截取成数据向量片段,作为训练样本,采用非线性自回归或者其他神经网络进行训练得到预测网络,在计算资源满足不了实时训练应用时,事先离线训练不同应用环境下的车流预测模型,进行在线应用;第二阶段:基于当前最近6min的交通流信息,使用NAR模型预测未来30s的交通状态值,将预测的30s状态值拼接在6min历史交通流时间序列状态值尾部,并剔除历史数据中前30s信息,构造得到新的6min历史交通流数据片段,依次递归循环预测未来交通流信息,得到未来30s的预测值即终止预测,直到下一次重新激活预测行为。
优选地,步骤S3的车流排队预测步骤中,根据步骤S2预测得到的交通流量q、步骤S1采集得到的平均车流速度vq、以及信号灯红绿完整周期时间T,计算主车到达路口时遇到的前方车流排队长度信息;其中,首先,结合主车规划启动时距离交叉口的距离D,主车到达交叉口期间交通灯的周期变化数j计算为
设λ=(D/vq-T0)/T
式中,INT表示取计算结果的整数部分;MOD表示取计算结果的小数部分;T0为联网主车启动规划时,前方信号灯第一次由红灯转为绿灯的时刻;
进一步,以联网主车启动规划的时刻为0点,将来主车前方第一辆被红色信号灯路拦住的头车车辆起始位置为:
d1=D-vq[T0+(j-1)T+Tg]
式中,Tg为完整信号周期内绿灯的时间,最后,根据d1可以及车道数量L近似得到单车道内主车与头车间隙中存在的车辆总数量:n=qd1/Lvq,假设路口停车时的车辆空间间隔为5米,则得到队列的总长度为dq=5n。
优选地,步骤S4的交叉口状态计算步骤中,结合预测的车辆排队信息、步骤S1得到的红绿灯信号实时信息以及步骤S1得到的交叉口距离联网主车的距离信息,得到联网主车到达信号交叉口时的信号灯状态模型;其中,假设车辆在交叉口的减速度和加速度w相同,均为:
因此计算得到联网主车到达交叉口时遇到不可通行的绿灯信号时间为Δt=dq/w+dq/vq,构建信号灯状态模型s(t)为:
式中,0表示红灯信号或者排队车流占据的绿灯信号,均标记属于不可通行的时间区间;1表示排队车流通过路口后,信号灯剩余的绿灯时间区间,标记为可通行时间绿灯信号灯窗口。
优选地,步骤S5的主车行驶状态识别步骤中,提供当前车辆的状态信息,包括电机的工作效率图、电池的工作效率图、制动系统能量回收效率表、车辆当前行驶速度、车辆地理位置信息,同时采集驾驶员在按照建议速度行驶时的实际响应操作行为信息。
优选地,步骤S6的第一策略优化步骤中,以全局最小能耗为优化目标,以车辆牵引力作为控制变量,以当前车辆的状态信息、可通行绿灯信号灯时间边界为约束,优化得到全局能效最优的建议速度轨迹vref,理论上保证车辆执行此建议速度vref到达前方排队车流的尾部时正好行驶到达交叉口停车线处,然后不停车的顺利通过交叉口,当前车辆的状态信息包括行驶距离、行驶速度限值、电机动力输出边界、电池功率输出边界。
优选地,步骤S7中,节能辅助驾驶系统根据采集的历史驾驶员节能驾驶时的行为数据,计算驾驶员执行建议速度的加速度与实际驾驶的加速度之间的差值,并将加速度误差分别离散划分为正负共Ne个区间段,沿着时间轴观察统计得到不同误差等级之间的操作误差转移概率矩阵Te:
其中eij表示某一驾驶员从状态i到j的误差状态转移概率,其中i,j≤Ne,假设驾驶员的驾驶行为稳定,则驾驶员的驾驶误差转移概率矩阵是固定的。
优选地,步骤S8的第二策略优化步骤以第一策略优化步骤得到的全局能效最优的建议速度vref为参考,结合驾驶员驾驶操作误差的转移概率矩阵Te,优化获得考虑操作误差的全局能效最优速度轨迹;具体工作流程如下:得到误差概率转移矩阵Te后,首先根据当前t0时刻的驾驶员的加速度误差状态,生成包含不同步长的误差变化路径概率树,在连续n个步长时间内,初始t0时刻误差是已知的,根据Te得到t1时刻不同误差的概率,根据t1时刻的每种误差,分别对应循环得到t2以及后续到tn处各条路径上的误差,根据蒙托卡罗方法忽略掉极小概率值的路径之后,确定具体可操作的采样路径数为Nm,根据每条路径上的转移概率值pi(ti)计算不同路径组合下的概率值Ps=p1(t1)*p2(t2)*…*pn(tn)。
进一步,S8的第二策略优化步骤中还使用随机模型预测控制算法进行优化求解,其中定义随机模型预测控制算法的代价函数为指定时间步长内参考速度vref和预测速度vpred的期望平方误差:
其中,t为当前时间,l为优化步长,s为路径上不同位置处概率的角标,最终得到基于随机模型预测控制的最优控制问题表示为:
uf为预设控制量,结合车辆动力学公式得到预测的考虑驾驶操作误差的最优驾驶建议速度vpred。
本发明还提供了一种车载联网节能辅助驾驶控制系统,包括:
道路交通信息采集模块,用于检测道路的历史交通流信息以及前方信号交叉口处的红绿灯信号实时信息;
车流信息预测模块,用于通过收集的所述历史交通流信息预测未来短时交通流信息;
车流排队预测模块,用于根据交叉口处的红绿灯信号实时信息和预测的所述未来短时交通流信息,预测车辆在信号交叉口处的排队行为,计算得到车辆排队信息;
交叉口状态计算模块,用于结合预测的所述车辆排队信息以及所述未来短时交通流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;
主车行驶状态识别模块,用于提供当前车辆的状态信息以及驾驶员历史驾驶行为操作信息;
第一策略优化模块,用于根据所述当前车辆的状态信息以及所述剩余信号灯时间优化求解得到全局能效最优的速度轨迹;
驾驶员行为误差转移概率模块,用于根据所述驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;
第二策略优化模块,用于根据所述全局能效最优的速度轨迹以及所述操作误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;
车载显示模块,用于通过语音提示以及仪表显示向驾驶员提供当前最佳的考虑操作误差的全局能效最优建议速度。
(三)有益效果
区别于其它节能驾驶技术,本发明的核心创新点包括:构建基于V2I技术的车辆队列长度估计方法来预测联网车辆到达路口时的有效绿灯可通行时间区间。其次,开发了分层的节能优化策略系统,第一层提供以能耗最小为目标的全局推荐最优速度,第二层考虑驾驶员跟踪误差重新规划获得修正推荐速度。通过实施证明,考虑车流排队效应和驾驶误差的改进EADS能有助于驾驶员执行建议节能速度,进而提升车辆的节能性能。
附图说明
图1为本发明基于联网的车载节能辅助驾驶控制系统框图;
图2为本发明不同时间区间统计的车流量图;
图3为本发明NAR网络预测车流图;
图4为本发明交叉口车流排队示意图;
图5为本发明的具有4级误差的概率树路径概率组合计算示意图;
图6显示了本发明不同层优化策略得到的建议速度值。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。
如图1所示,本发明提供了一种车载联网节能辅助驾驶控制方法与系统,其方法包括包括:
S1:道路交通信息采集步骤,检测道路交通流信息(车流量和平均车流速)以及前方信号交叉口处的红绿灯信号实时信息;
S2:车流信息预测步骤,通过收集的历史交通流信息预测未来短时交通流信息;
S3:车流排队预测步骤,根据交叉口实时红绿灯信号实时信息和预测的短时交通流信息,计算并预测车辆在信号交叉口处的排队行为;
S4:交叉口状态计算步骤,结合预测的车辆排队信息以及车流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;
S5:主车行驶状态识别步骤:用于提供当前车辆的状态信息(动力驱动系统状态、车辆动力学状态)以及驾驶员历史驾驶行为操作信息;
S6:第一策略优化步骤,根据车辆状态信息以及剩余信号灯时间优化求解得到全局能效最优的速度轨迹;
S7:驾驶员行为误差转移概率步骤,根据驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;
S8:第二策略优化步骤,根据全局能效最优的速度轨迹以及误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;
S9:车载显示步骤,通过语音提示以及仪表显示想驾驶员提供当前最佳的考虑操作误差的全局能效最优建议速度。
需要指出的是,基于道路交通信息采集步骤中采集路基侧联网交通观察器存储的车辆信息和交叉口信号灯相位时间信息,并通过LTE-V或者DSRC等方式通信方式与车载无线通信设备交互共享信息。所获得的信息包括车流量、平均车流速、交叉口处的红绿灯信号信息、交叉口距离联网主车的距离信息等。
进一步,车流信息预测步骤中输出短时交通流的预测信息(基于时间序列的车流量和平均车流速度)。图2所示为同一地点、同一时间段按照不同时间区间统计的车流量图。结果表明,统计时间尺度越大,统计结果越平滑,规律性不明显。当时间尺度变小时,曲线呈现周期性波动。因此,选取30s的统计周期进行后续的交通流预测。
需要指出,预测工作包括两个阶段:第一阶段是通过收集的历史交通数据片段,以6min的时间区间进行划分截取成数据向量片段,作为训练样本。采用非线性自回归(NAR)神经网络进行训练得到预测网络。在计算资源满足不了实时训练应用时,可事先进行离线训练不同应用环境下的车流预测模型,进行在线应用。第二阶段:基于当前最近6min的交通流信息,使用NAR模型预测未来30s的交通状态值,将预测的30s状态值拼接在6min历史交通流时间序列状态值尾部,并剔除历史数据中前30s信息,构造得到新得6min历史交通流数据片段。依次递归循环预测未来交通流信息。为保证预测的准确性,得到未来3min的预测值即可以终止预测,直到下一次重新激活预测行为。使用一组新的数据片段,以某时刻作为预测的启动点,得到的预测结果如图3所示,实线为测试用真实数据,虚线为神经网络预测数据,预测结果与真实值接近,误差在可接受的范围内。
构建L=2的车道交通仿真场景参数,设定联网主车此刻车速v0-65km/h,联网主车距离交叉口距离D1-1400m、道路限速vmax=65km/h、,信号灯周期T=80s(红、绿灯时间均为40s),且此时红灯已启动12s,即T0=28s。此外,假设预测的道路交通信息为q=60veh/min,vq=62km/h。
进一步,车流排队预测步骤中根据预测的交通流量q、平均车流速度vq、信号灯红绿时间等信息,计算主车到达路口时遇到的前方车流排队长度信息。结合主车规划启动时距离交叉口的距离D,得到主车到达交叉口期间交通灯的周期变化数j的计算公式
λ=(D/vq-T0)/T (1)
式中,INT表示取计算结果的整数部分;MOD表示取计算结果的小数部分。根据公式(1-2)计算得到j=1.
进一步,如图4所示,以联网主车启动规划的时刻为0点,将来主车前方第一辆被红色信号灯路拦住的头车车辆起始位置为:
d1=D-vq[T0+(j-1)T+Tg]
式中,T0为联网主车启动规划时,前方信号灯第一次由红灯转为绿灯的等待时间;Tg为完整信号周期内绿灯的时间。最后,根据d1以及车道数量L近似得到单车道内主车与头车间隙中存在的车辆总数量:n=qd1/Lvq。假设路口停车时的车辆空间间隔为5米,则得到队列的总长度为dq=5n。根据仿真参数计算得到排队长度dq=35米。
进一步,交叉口状态计算步骤中结合预测的车辆排队信息、信号灯相位时间信息以及交叉口与车辆距离信息,得到联网主车到达信号交叉口时的信号灯状态模型。结合图1,假设车辆在交叉口的减速度和加速度相同:
因此计算得到联网主车到达交叉口时遇到不可通行的绿灯信号时间为Δt=dq/w+dq/vq,构建信号灯模型s(t)为:
式中,0表示红灯信号或者排队车流占据的绿灯信号,均标记属于不可通行的时间区间;1表示排队车流通过路口后,信号灯剩余的绿灯时间区间,标记为可通行时间窗口。
进一步,主车行驶状态识别步骤中提供当前车辆的状态信息,包括电机的工作效率图、电池的工作效率图、制动系统能量回收效率表、车辆当前行驶速度、车辆地理位置信息等。注意,上述公开为常规获取的车辆动力学参数,本发明不局限具体的获取渠道,一切获取手段均属于我们公开的范畴。此外,系统还需要采集驾驶员在按照建议速度行驶时的实际响应操作行为信息。
进一步,第一策略优化步骤中以全局最小能耗为优化目标,以车辆牵引力作为控制变量,以行驶距离、行驶速度限值、电机动力输出边界、电池功率输出边界、可通行绿灯信号灯时间边界为约束,优化得到全局能效最优的建议速度轨迹vref,理论上保证车辆执行此建议速度vref到达前方排队车流的尾部时正好行驶到达交叉口停车线处,然后不停车的顺利通过交叉口。第一策略优化模块使用的是动态规划或者伪谱法等全局优化算法。注意,上述第一策略优化过程中需要构建能耗的最优成本函数,相应的,需要构建车辆的能耗模型,本发明并未特指某种能耗模型,而是向本领域技术人员展示我们的系统设计理念,一切构建的能耗成本函数均属于本发明的保护范畴。
进一步,节能辅助驾驶系统根据采集的历史驾驶员节能驾驶时的行为数据,计算驾驶员执行建议速度的加速度与实际驾驶的加速度之间的差值,并将加速度误差分别离散划分为正负共Ne个区间段。沿着时间轴观察统计得到不同误差等级之间的转移概率矩阵Te:
其中eij表示某一驾驶员从状态i到j的误差状态转移概率,其中i,j≤Ne,假设驾驶员的驾驶行为稳定,则驾驶员的驾驶误差转移概率矩阵是固定的。按照上述方法,我们采集并构建了某驾驶员的加速度误差概率矩阵,并制表1所示的矩阵数值表,概率小于0.02的忽略为0。
表1加速度误差概率矩阵数值表
进一步,第二策略优化步骤中以第一策略优化模块得到的全局能效最优的建议速度vref为参考,结合驾驶员驾驶操作误差的转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;具体工作流程如下:得到误差概率转移矩阵后,如图5所示,首先根据当前t0时刻的驾驶员的加速度误差状态,可以生成包含不同步长的误差变化路径概率树。在连续n个步长时间内,初始t0时刻误差是已知的,根据Te得到t1时刻不同误差的概率,根据t1时刻不同误差循环得到t2到tn处各条路径上的误差。然后根据蒙托卡罗方法忽略掉极小概率值的路径,确定具体可操作的采样路径数为Nm,根据每条路径上的转移概率值计算不同路径组合下的概率值Ps=p1(t1)*p2(t2)*…*pn(tn)。
进一步,第二策略优化步骤中使用随机模型预测控制算法进行优化求解。定义随机模型预测控制算法的代价函数为指定时间步长内参考速度vref和预测速度vpred的期望平方误差:
其中,t为当前时间,l为优化步长,s为路径上不同位置处概率的角标。特别是本发明使用1s的步长不仅可以减少计算量,而且可以避免过于频繁的更新。最终得到基于随机模型预测控制的最优控制问题可以表示为:
结合车辆动力学公式得到预测的考虑驾驶操作误差的最优驾驶建议速度vpred。为了消除驾驶员的误差,系统可设定固定时间或者固定行驶距离之后进行更新第二层的实时计算结果。图6展示的为仿真环境,第一层、第二层分别给出的建议速度。
进一步,驾驶员根据车辆的车载显示模块来接收最佳建议速度的语音提示以及仪表画面显示。特别是仪表盘通过显示速度曲线让驾驶员更直接的总览未来建议驾驶的速度波动趋势。
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,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (2)
1.一种车载联网节能辅助驾驶控制方法,其特征在于,包括以下步骤:
S1:道路交通信息采集步骤,检测道路的历史交通流信息以及前方信号交叉口处的红绿灯信号实时信息;
S2:车流信息预测步骤,通过收集的所述历史交通流信息预测未来短时交通流信息;
S3:车流排队预测步骤,根据交叉口处的红绿灯信号实时信息和预测的所述未来短时交通流信息,预测车辆在信号交叉口处的排队行为,计算得到车辆排队信息;
S4:交叉口状态计算步骤,结合预测的所述车辆排队信息以及所述未来短时交通流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;
S5:主车行驶状态识别步骤:提供当前车辆的状态信息以及驾驶员历史驾驶行为操作信息;
S6:第一策略优化步骤,根据所述当前车辆的状态信息以及所述剩余信号灯时间优化求解得到全局能效最优的速度轨迹;
S7:驾驶员行为误差转移概率步骤,根据所述驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;
S8:第二策略优化步骤,根据所述全局能效最优的速度轨迹以及所述操作误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;
S9:车载显示步骤,通过语音提示以及仪表显示向驾驶员提供当前最佳的考虑操作误差的全局能效最优建议速度;
步骤S1道路交通信息采集步骤中采集路基侧联网交通观察器存储的车辆信息和交叉口信号灯相位时间信息,路基侧联网的交通观察器和交叉口信号灯相位时间识别器、车载无线通信信息采集器通过LTE-V或者DSRC方式通信方式与车载无线通信设备交互共享信息,所获得的信息包括车流量、平均车流速、交叉口处的红绿灯信号实时信息、交叉口距离联网主车的距离信息;
步骤S2的车流信息预测步骤中,采用非线性自回归或者其他神经网络进行离线或在线训练,并预测未来交叉口道路短时交通流信息;车流信息预测步骤输出短时交通流的预测信息,包括基于时间序列的车流量和平均车流速度,未来短时交通流信息的预测包括两个阶段:第一阶段是通过收集的历史交通流数据片段,以6min的时间区间进行划分截取成数据向量片段,作为训练样本,采用非线性自回归或者其他神经网络进行训练得到预测网络,在计算资源满足不了实时训练应用时,事先离线训练不同应用环境下的车流预测模型,进行在线应用;第二阶段:基于当前最近6min的交通流信息,使用NAR模型预测未来30s的交通状态值,将预测的30s状态值拼接在6min历史交通流时间序列状态值尾部,并剔除历史数据中前30s信息,构造得到新的6min历史交通流数据片段,依次递归循环预测未来交通流信息,得到未来30s的预测值即终止预测,直到下一次重新激活预测行为;
步骤S3的车流排队预测步骤中,根据步骤S2预测得到的交通流量q、步骤S1采集得到的平均车流速度vq、以及信号灯红绿完整周期时间T,计算主车到达路口时遇到的前方车流排队长度信息;其中,首先,结合主车规划启动时距离交叉口的距离D,主车到达交叉口期间交通灯的周期变化数j计算为
设λ=(D/vq-T0)/T
式中,INT表示取计算结果的整数部分;MOD表示取计算结果的小数部分;T0为联网主车启动规划时,前方信号灯第一次由红灯转为绿灯的时刻;
进一步,以联网主车启动规划的时刻为0点,将来主车前方第一辆被红色信号灯路拦住的头车车辆起始位置为:
d1=D-vq[T0+(j-1)T+Tg]
式中,Tg为完整信号周期内绿灯的时间,最后,根据d1以及车道数量L近似得到单车道内主车与头车间隙中存在的车辆总数量:n=qd1/Lvq,假设路口停车时的车辆空间间隔为5米,则得到队列的总长度为dq=5n;
步骤S4的交叉口状态计算步骤中,结合预测的车辆排队信息、步骤S1得到的红绿灯信号实时信息以及步骤S1得到的交叉口距离联网主车的距离信息,得到联网主车到达信号交叉口时的信号灯状态模型;其中,假设车辆在交叉口的减速度和加速度w相同,均为:
因此计算得到联网主车到达交叉口时遇到不可通行的绿灯信号时间为Δt=dq/w+dq/vq,构建信号灯状态模型s(t)为:
式中,0表示红灯信号或者排队车流占据的绿灯信号,均标记属于不可通行的时间区间;1表示排队车流通过路口后,信号灯剩余的绿灯时间区间,标记为可通行时间绿灯信号灯窗口;
步骤S5的主车行驶状态识别步骤中,提供当前车辆的状态信息,包括电机的工作效率图、电池的工作效率图、制动系统能量回收效率表、车辆当前行驶速度、车辆地理位置信息,同时采集驾驶员在按照建议速度行驶时的实际响应操作行为信息;
步骤S6的第一策略优化步骤中,以全局最小能耗为优化目标,以车辆牵引力作为控制变量,以当前车辆的状态信息、可通行绿灯信号灯时间边界为约束,优化得到全局能效最优的建议速度轨迹vref,理论上保证车辆执行此建议速度vref到达前方排队车流的尾部时正好行驶到达交叉口停车线处,然后不停车的顺利通过交叉口,当前车辆的状态信息包括行驶距离、行驶速度限值、电机动力输出边界、电池功率输出边界。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291446.4A CN113012433B (zh) | 2021-03-18 | 2021-03-18 | 车载联网节能辅助驾驶控制方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110291446.4A CN113012433B (zh) | 2021-03-18 | 2021-03-18 | 车载联网节能辅助驾驶控制方法与系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113012433A CN113012433A (zh) | 2021-06-22 |
CN113012433B true CN113012433B (zh) | 2022-04-05 |
Family
ID=76409722
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110291446.4A Active CN113012433B (zh) | 2021-03-18 | 2021-03-18 | 车载联网节能辅助驾驶控制方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113012433B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023004775A1 (zh) * | 2021-07-30 | 2023-02-02 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113689721B (zh) * | 2021-07-30 | 2022-09-20 | 深圳先进技术研究院 | 一种自动驾驶车速控制方法、系统、终端以及存储介质 |
CN113635900B (zh) * | 2021-08-10 | 2024-03-19 | 吉林大学 | 一种预测巡航过程中基于能量管理的换道决策控制方法 |
CN114464000B (zh) * | 2022-02-21 | 2023-04-25 | 上海商汤科技开发有限公司 | 路口交通灯控制方法、装置、设备和存储介质 |
CN114783175B (zh) * | 2022-03-23 | 2023-06-23 | 东南大学 | 基于伪谱法的多信号灯路况下网联车辆节能驾驶控制方法 |
CN115273500B (zh) * | 2022-07-12 | 2023-07-07 | 苏州大学 | 一种信号交叉口网联车辆轨迹优化引导方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103847749A (zh) * | 2014-03-27 | 2014-06-11 | 北京清软英泰信息技术有限公司 | 一种双层多目标优化铁路机车操纵序列生成方法 |
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
CN108828939A (zh) * | 2018-05-31 | 2018-11-16 | 重庆大学 | 一种考虑驾驶员操作特性的车速引导方法 |
WO2019241307A2 (en) * | 2018-06-11 | 2019-12-19 | Traxen, Inc. | Automated cruise control system to automatically decrease an overall ground vehicle energy consumption |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112071104A (zh) * | 2020-09-18 | 2020-12-11 | 清华大学 | 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8355804B2 (en) * | 2005-09-15 | 2013-01-15 | Honda Motor Co., Ltd. | Interface for sensor query and control |
CA2725830A1 (en) * | 2008-07-24 | 2010-01-28 | Tele Atlas North America Inc. | Driver initiated vehicle-to-vehicle anonymous warning device |
DE102011111213A1 (de) * | 2011-08-20 | 2013-02-21 | GM Global Technology Operations LLC (n. d. Gesetzen des Staates Delaware) | Vorrichtung und Verfahren zur Ausgabe von Informationen |
US20130143181A1 (en) * | 2011-12-05 | 2013-06-06 | Ford Global Technologies, Llc | In-vehicle training system for teaching fuel economy |
US10497259B2 (en) * | 2017-04-07 | 2019-12-03 | The Regents Of The University Of Michigan | Traffic signal control using vehicle trajectory data |
-
2021
- 2021-03-18 CN CN202110291446.4A patent/CN113012433B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103847749A (zh) * | 2014-03-27 | 2014-06-11 | 北京清软英泰信息技术有限公司 | 一种双层多目标优化铁路机车操纵序列生成方法 |
CN107577234A (zh) * | 2017-09-21 | 2018-01-12 | 合肥工业大学 | 一种驾驶员在环的汽车燃油经济性控制方法 |
CN108828939A (zh) * | 2018-05-31 | 2018-11-16 | 重庆大学 | 一种考虑驾驶员操作特性的车速引导方法 |
WO2019241307A2 (en) * | 2018-06-11 | 2019-12-19 | Traxen, Inc. | Automated cruise control system to automatically decrease an overall ground vehicle energy consumption |
CN111891110A (zh) * | 2020-05-15 | 2020-11-06 | 吉林大学 | 智能网联混合动力汽车能量-热量一体化实时管理系统 |
CN112071104A (zh) * | 2020-09-18 | 2020-12-11 | 清华大学 | 一种考虑驾驶风格的多信号灯路口车辆通行辅助优化方法 |
Non-Patent Citations (2)
Title |
---|
基于模型预测控制的自动驾驶汽车运动控制方法研究;刘峰;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技II辑》;20210215(第02期);第C035-462页 * |
考虑车流影响的网联车辆节能驾驶研究;邹渊,张涛,张旭东,郭宁远;《汽车工程》;20201025;第42卷(第10期);第1320-1326页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113012433A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113012433B (zh) | 车载联网节能辅助驾驶控制方法与系统 | |
CN111768637B (zh) | 一种信号交叉口交通信号灯和车辆轨迹控制方法 | |
Yao et al. | A trajectory smoothing method at signalized intersection based on individualized variable speed limits with location optimization | |
Xin et al. | Predictive intelligent driver model for eco-driving using upcoming traffic signal information | |
CN103996289B (zh) | 一种流量-速度匹配模型及行程时间预测方法及系统 | |
CN102436751B (zh) | 基于城市宏观路网模型的交通流短时预测方法 | |
CN111768639B (zh) | 一种网联交通环境下的多交叉口信号配时系统及其方法 | |
CN103914988B (zh) | 一种交通路况数据处理方法、装置和系统 | |
CN113299107B (zh) | 一种多目标融合的交叉口动态车辆网联速度引导控制方法 | |
CN102855760A (zh) | 基于浮动车数据的在线排队长度检测方法 | |
CN108489500A (zh) | 一种基于能耗经济性的全局路径规划方法及系统 | |
CN110415519B (zh) | 一种基于车辆轨迹数据的区域交通信号实时优化控制方法 | |
Zhang et al. | Predictive eco-driving application considering real-world traffic flow | |
CN113112823B (zh) | 一种基于mpc的城市路网交通信号控制方法 | |
CN116403407B (zh) | 一种公路收费站的车道动态配置与诱导方法、设备及介质 | |
Wang et al. | Real-time urban regional route planning model for connected vehicles based on V2X communication | |
Kim et al. | Parameterized energy-optimal regenerative braking strategy for connected and autonomous electrified vehicles: A real-time dynamic programming approach | |
CN113312752A (zh) | 一种主路优先控制交叉口交通仿真方法及装置 | |
Sun et al. | An eco-driving approach with flow uncertainty tolerance for connected vehicles against waiting queue dynamics on arterial roads | |
CN110488830B (zh) | 面向智能车辆速度节能规划的高精度地图信息预解析系统及预解析方法 | |
CN113724509B (zh) | 一种时空协同的公交优先控制方法和装置 | |
CN113506442B (zh) | 一种基于预期收益估计的城市路网交通信号灯控制方法 | |
CN117799496A (zh) | 一种电动汽车短期能耗预测方法 | |
CN109859475A (zh) | 一种基于dbscan密度聚类的交叉口信号控制方法、装置及系统 | |
CN113808404A (zh) | 一种固定时长的交通信号灯时长预测方法 |
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 |