CN113096402B - 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质 - Google Patents

一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质 Download PDF

Info

Publication number
CN113096402B
CN113096402B CN202110390114.1A CN202110390114A CN113096402B CN 113096402 B CN113096402 B CN 113096402B CN 202110390114 A CN202110390114 A CN 202110390114A CN 113096402 B CN113096402 B CN 113096402B
Authority
CN
China
Prior art keywords
vehicle
speed limit
deceleration
parameters
fleet
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
Application number
CN202110390114.1A
Other languages
English (en)
Other versions
CN113096402A (zh
Inventor
李烨
潘冰
史云涛
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.)
Central South University
Original Assignee
Central South 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 Central South University filed Critical Central South University
Priority to CN202110390114.1A priority Critical patent/CN113096402B/zh
Publication of CN113096402A publication Critical patent/CN113096402A/zh
Application granted granted Critical
Publication of CN113096402B publication Critical patent/CN113096402B/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
    • G08G1/0125—Traffic data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/22—Platooning, i.e. convoy of communicating vehicles

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Chemical & Material Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Atmospheric Sciences (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质，该方法通过智能车载信息终端‑信息网络二者之间的紧密衔接，在路段下游存在交通瓶颈的场景下，利用智能网联车辆领导人工驾驶车辆组成车队进行动态限速控制，以提高高速公路限速控制的安全性，降低限速控制的成本，减少道路交通事故率，提升高速公路交通安全与效率。其中，基于动态限速控制模型控制车队中头车的减速参数，进一步利用动态限速控制模型构建神经网络模型，应用到车速控制过程。本发明能够克服已有高速公路动态限速控制的缺陷，有效提高高速公路的交通安全，适用于未来网联车与非网联车混行条件下的高速公路交通安全管控。

Description

一种基于智能网联车辆的动态限速控制方法、系统、终端及可 读存储介质
技术领域
本发明属于智能交通管理与控制技术领域，具体涉及一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质。
背景技术
在我国经济快速发展和汽车管制逐步完善的有利推动下，我国机动车保有量不断增多。根据公安部交管局相关数据显示，截至2020年9月，全国机动车保有量达3.65亿辆，且仍然保持较高的增长速度。剧增的机动车带来了严重的交通问题，根据国家交通部数据，2019年全国交通事故发生数为247646起，比2018年增长了2709起，同比增长1.11％。在众多的交通事故中，高速公路由于车辆运行速度快的特点，占据了很大的事故比例。如何对高速公路进行有效限速从而改善交通安全，显得至关重要。
已有研究通过动态限速控制的方法，以期实现对高速公路上车辆速度的动态调整，从而降低事故风险，提高交通安全。然而，已有控制方法对路侧限速设施的建设和交通流信息的收集提出了较大的挑战。互联网技术的快速发展使得汽车工业的科技含量水平不断提高，可以同时利用多种安全技术手段来降低交通事故的发生及其对人员的伤害，车联网为高速公路动态限速提供了一种新的途径。在车联网普及的过程中，网联车与非网联车混行的状态是必经阶段，并将长期处于此阶段。因此，面对网联车与非网联车混行情况，存在瓶颈区段时，如何有效利用网联车控制瓶颈区段后续车辆的车速，以降低交通事故发生率是本发明亟需研究的。
发明内容
针对网联车与非网联车混行情况下，如何有效控制瓶颈区段后续车辆的车速的问题，本发明提供一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质，所述方法利用网联车的特性，引入动态限速控制的模型控制瓶颈区段后续网联车的车速，进而控制整条线路的车速，降低交通事故发生率。
一方面，本发明提供的一种基于智能网联车辆的动态限速控制方法，包括如下步骤：
S1：监测所在路段是否出现瓶颈区段，若出现瓶颈区段，获取车队的车队状态参数；
其中，将瓶颈区段之后的网联车和非网联车进行编队，每个网联车分别作为一个车队的头车，以及将所述头车与下一网联车之间非网联车编入所述头车所在车队；
所述车队状态参数包括车队中头车的初始车速、瓶颈车速、车队长度以及车队与瓶颈区段的距离；
S2：基于动态限速控制模型控制车队中头车的减速参数，其中，所述动态限速控制模型如下：
Figure GDA0003425743030000021
式中，V1为车队中头车的初始车速，Vn+1为头车的最终期望车速，等于瓶颈车速；t表示时间步长，其中，将每个控制周期划分为n个时间步长；ak为第k个步长中头车的减速参数，d为车队与瓶颈区段的距离。
从动态限速控制模型的公式可知，将控制周期划分为多个时间步长，利用车队的车队状态参数可以求解出每个时间步长对应的头车的减速参数，进而得到控制周期内的减速参数序列，其中，减速参数理解为用于减速的加速度参数，其数值为负。
可选地，步骤S2中基于动态限速控制模型控制车队中头车的减速参数的实现过程如下：
S21：获取基于动态限速控制模型构建的神经网络模型；
其中，在不同场景以及不同车队状态参数下利用遗传算法求解动态限速控制模型得到每组车队状态参数对应的头车的减速参数，其中，将每组车队状态参数及其对应的头车的减速参数作为一个样本；
将车队状态参数作为输入量，对应的头车的减速参数作为输出量，引入神经网络进行模型训练得到用于预测头车的减速参数的神经网络模型；
S22：将每个控制周期内的车队状态参数输入所述神经网络模型得到头车的减速参数；
S23：再将步骤S22得到的头车的减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数，如下：
Figure GDA0003425743030000022
式中，aT(k)表示当前控制周期T的第k个步长对应头车的最终减速参数，an为求解动态限速控制模型得到的第k个步长中头车的减速参数，acav为车辆内嵌跟驰控制算法的减速参数；
其中，若当前控制周期内出现acav＜ak，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制。
上述实现方式中，本发明利用样本数据训练出一个神经网络模型，所述神经网络模型的输入数据为车队的车队状态参数，输出量为控制周期内的头车的减速参数序列。其中，本发明通过求解动态限速控制模型得到多个样本，再利用样本数据训练神经网络模型，从而使得在实际应用过程中可以直接应用神经网络模型，可以更加高效和快速的得到减速参数序列；与此同时，利用神经网络模型得到的减速参数序列不仅仅充分利用了动态限速控制模型的自身优势，同时相对于直接通过动态限速控制模型得到的减速参数序列的方式，其更能保证足控制结果的可靠性，这是由于神经网络模型是利用诸多样本进行训练得到，进一步保证了减速参数的可靠性。
可选地，步骤S2中基于动态限速控制模型控制车队中头车的减速参数的实现过程如下：
利用遗传算法求解动态限速控制模型得到车队中车头减速参数；
将所述减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数，如下：
Figure GDA0003425743030000031
式中，aT(k)表示当前控制周期T的第k个步长对应头车的最终减速参数，ak为求解动态限速控制模型得到的第k个步长中头车的减速参数，acav为车辆内嵌跟驰控制算法的减速参数；
其中，若当前控制周期内出现acav＜ak，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制。
在上述控制方式中，选择直接求解动态限速控制模型得到的头车的减速参数作为参考，将其与车辆内嵌跟驰控制算法的减速参数进行比较，从而确定头车的最终减速参数。
可选地，将限速控制过程划分为M个控制周期，获取每个控制周期的车队状态参数，并利用步骤S2控制每个控制周期中头车的减速参数。
可选地，若控制过程中车队与瓶颈区段的距离d小于或等于0，则结束动态限速控制。
第二方面，本发明提供了一种基于上述动态限速控制方法的系统，包括：
监测模块：用于监测所在路段是否出现瓶颈区段；
车队状态参数获取模块，用于获取车队的车队状态参数；
控制模块，用于基于动态限速控制模型控制车队中头车的减速参数。
可选地，所述控制模块包括：神经网络模型构建模块、预测模块、选择模块；
所述神经网络模型构建模块，用于获取基于动态限速控制模型构建的神经网络模型；
预测模块，用于将每个控制周期内的车队状态参数输入所述神经网络模型得到头车的减速参数；
选择模块，用于将利用神经网络模型得到的头车的减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数。
第三方面，本发明提取一种基于上述动态限速控制方法的系统，其包括信号采集器、网联车以及服务端，所述信号采集器、网联车均与所述服务端连接；
其中，信号采集器用于采集部分车队状态参数并反馈至服务端，采集的部分车队状态参数包括：瓶颈车速、车队长度、车队与瓶颈区段的距离；
所述网联车将自身车速反馈至服务端；
所述服务端利用所述基于智能网联车辆的动态限速控制方法得到车队中头车的减速参数，并反馈至对应的网联车；
所述网联车依据所述减速参数控制车速。
第四方面，本发明提供一种终端，包括处理器和存储器，所述存储器存储了计算机程序，所述计算机程序被处理器调用以执行：所述基于智能网联车辆的动态限速控制方法的步骤。
第五方面，本发明提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述基于智能网联车辆的动态限速控制方法的步骤。
有益效果
1.本发明提供的一种基于智能网联车辆的动态限速控制方法，其利用网联车的特性，将网联车作为头车划分车队以及将非网联车作为车队中的其他车辆，并针对路况中出现瓶颈区段时，通过动态限速控制模型控制车队中头车的减速参数，从而达到控制整个车队车速的效果，有效的解决了网联车和非网联车混行状态下车速控制的问题，可以大幅降低交通事故的发生概率。
2.本发明进一步的优选方案中，通过动态限速控制模型控制头车的减速参数时，并非直接将求解动态限速控制模型得到的减速参数作为头车的减速参数，而是利用动态限速控制模型构建一个神经网络模型，具体是通过不同场景或不同车队状态参数下，求解动态限速控制模型得到减速参数序列，并将其作为样本，再利用诸多样本训练神经网络得到用于预测减速参数序列的神经网络模型，使得在实际应用过程中，直接将车队状态参数输入至神经网络模型，既可以快速和高效的得到减速参数序列，也充分利用了动态限速控制模型的自身优势，同时相对于直接通过动态限速控制模型得到的减速参数序列的方式，其更能保证足控制结果的可靠性，这是由于神经网络模型是利用诸多样本进行训练得到，进一步保证了减速参数的可靠性。
附图说明
图1是本发明实施例1提供的神经网络模型构建过程的流程示意图；
图2是本发明提供的实施例1中利用神经网络模型进行限速控制过程的流程示意图；
图3是本发明提供的高速公路动态限速控制示意图。
具体实施方式
本发明提供的一种基于智能网联车辆的动态限速控制方法的目的在于解决出现瓶颈区段后，如何有效控制后续车辆的车速，防止出现交通事故或降低交通事故发生概率。下面将结合实施例对本发明做进一步的说明。
其中，首先将阐述一下本发明引入的动态限速控制模型及其原理。
本发明将网联车和非网联车(人工驾驶车辆)进行编队，编队规则为：网联车编为本车队的头车，将头车后方与其纵向距离最近的网联车编为下一车队的头车，所述两辆头车之间所有人工驾驶车辆编入本车队。进而形成了多个车队。
然后定义头车的车速为初始车速Vinitial(可以理解为每个控制周期起始时头车的车速)，将瓶颈区段的平均交通流速度定义为瓶颈速度Vbottleneck，将头车与瓶颈路段起点的间距定义为车队与瓶颈路段的距离d，将两辆智能网联车辆之间的人工驾驶车辆总数定义为车队车辆数L。
再基于上述定义的车队的车队状态参数引入动态限速控制模型，如下：
将控制方法划分为n个时间步长，k为时间步长序号，k＝1,2,…,n，ak为第k个步长头车的减速参数，根据头车初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d，基于运动学建立动态限速控制的模型：
Figure GDA0003425743030000051
其中：V1为头车的初始车速Vinitial，Vn+1为头车的最终期望车速即瓶颈车速Vbottleneck，t为时间步长为0.1s，ak为第k个步长头车的减速参数。
从上述模型可知，利用车队状态参数求解动态限速控制模型可以得到一组减速参数序列，用于控制头车的减速参数，当头车的车速得到控制时，其同一车队的非网联车的车速将基于跟驰行为被动减速，从而完成整个车队的动态限速。
其中，动态限速控制模型的求解算法选择遗传算法，并以可变速收益作为优化目标函数，应当理解，利用遗传算法求解模型过程为现有技术实现过程，因此对其不进行具体的阐述。
优选收益定义为：对总行程时间、TET(Time Exposed time-to-collision)及燃油消耗量归一化处理后各自乘以一个权重系数ei(i＝1,2,3)，最终的加和即为总收益G。其中，总收益G与车队长度相关，因此，本发明选择的车队状态参数中包含车队长度。
实施例1：
本实施例提供的一种基于智能网联车辆的动态限速控制方法，其利用动态限速控制模型构建样本，进而训练BP神经网络构建出神经网络模型，用于预测减速参数序列，具体过程如下：
步骤1：获取头车初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d作为车队的状态参数，输入到交通仿真平台，利用遗传算法求解对应动态限速控制模型得到减速参数序列。
其中，仿真不同场景下的动态限速控制模型，重复按照步骤1的方式进行计算得到减速参数序列。从而将每一组车队状态参数及其减速参数序列作为一个样本的输入参量以及输出参量。本实施例中以得到样本量大于10000时，利用样本执行步骤2；其他可行的实施例中，样本量可以根据实际需求进行适应性调整。
步骤2：利用样本训练BP神经网络得到神经网络模型，其中，将车队状态参数作为摄入量，减速参数序列作为输出量建立动态限速控制的BP神经网络模型。
步骤3：将神经网络模型导入网联车的车载终端，网联车实时获取本车的速度、位置和前车信息等，并将其上传至信息网络。
步骤4：实时监测当前路段是否出现瓶颈区段。其中，瓶颈区段表示行使缓慢的区段，一般是出现了交通事故或者修路等导致车速缓慢。本实施例中，当通讯范围内下游网联车车速低于当前路段正常最高行驶车速的75％，并且持续时间高于180s，将该时间段起始时刻网联车所在的位置定义为瓶颈路段的起点，根据行驶于瓶颈路段的网联车获取瓶颈速度。
步骤5：若出现瓶颈区段，启动动态限速控制。本实施例中将限速控制总时长分为M个周期，单个周期时长预设为30s，T为周期序号，T＝1,2,…,M；以通讯范围内任一动态限速控制车队为例，在第T＝1,2,…,M中任一周期内，将车队状态参数中头车的初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d传输给BP神经网络，BP神经网络求解当前场景下的动态限速控制策略aTn＝[a1,a2……，an]，并返还给对应网联车执行。
因此，具体实现过程为：
步骤51：在控制周期T内，将车队状态参数中头车的初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d传输给BP神经网络，BP神经网络求解当前场景下的动态限速控制策略(减速参数序列)：aTn＝[a1,a2……，an]。
步骤52：将相同时刻下动态限速控制策略的减速参数ak与车辆内嵌跟驰控制算法的减速参数acav进行比较，选择较优方案aT(n)执行：
Figure GDA0003425743030000071
其中，按照如上规则执行确定控制周期内头车的减速参数，其中，若当前控制周期内出现acav＜ak，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制，本实施例中优选跳入下一个控制周期直线先判断是否达到瓶颈路段，即执行步骤53。若并未出现acav＜ak的情况，则待当前控制周期执行完成，则进入下一个控制周期，执行步骤53，即若在动态限速控制某一周期内，始终存在acav≥ak，直到该周期运行完成，始终不会跳出该周期。其他可行的实施例中，也可以选择直接跳入下一个控制周期。
步骤53：判断是否到达瓶颈路段，若已到达瓶颈路段，即d≤0时，结束限速；否则，t＝t+1，执行下一个控制周期，返回步骤51。
本实施例中构建的神经网络模型可以供实际应用中直接输入车队状态参数而得到减速参数序列。
实施例2：
本实施例与实施例1的区别主要在于，本实施例中直接利用动态限速控制模型求解动态限速控制策略的减速参数，再将相同时刻下动态限速控制策略的减速参数与车辆内嵌跟驰控制算法的减速参数acav进行比较，选择较优方案a(t)执行。具体实现过程如下：
步骤1-1：实时监测当前路段是否出现瓶颈区段。
步骤1-2：若出现瓶颈区段，启动动态限速控制。将限速控制总时长分为M个周期，单个周期时长预设为30s，T为周期序号，T＝1,2,…,M；以通讯范围内任一动态限速控制车队为例，在第T＝1,2,…,M中任一周期内，将车队状态参数中头车的初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d代入动态限速控制模型，并进行求解得到减速参数序列。具体实现过程为：
步骤1-2-1：在控制周期T内，将车队状态参数中头车的初始车速Vinitial、瓶颈车速Vbottleneck、车队长度L、车队与瓶颈路段距离d代入动态限速控制模型，并进行求解得到减速参数序列。
步骤1-2-2：将相同时刻下动态限速控制策略的减速参数ak与车辆内嵌跟驰控制算法的减速参数acav进行比较，选择较优方案aT(k)执行：
Figure GDA0003425743030000081
其中，按照如上规则执行确定控制周期内头车的减速参数。其中，若当前控制周期内出现acav＜ak，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制，本实施例中优选跳入下一个控制周期直线先判断是否达到瓶颈路段，即执行步骤1-2-3。若并未出现acav＜ak的情况，则待当前控制周期执行完成，则进入下一个控制周期，执行步骤1-2-3，即若在动态限速控制某一周期内，始终存在acav≥ak，直到该周期运行完成，始终不会跳出该周期。步骤1-2-3：判断是否到达瓶颈路段，若已到达瓶颈路段，即d≤0时，结束限速；否则，t＝t+1，执行下一个控制周期，返回步骤1-2-1。
实施例3：
本实施例提供了一种基于上述动态限速控制方法的系统，包括监测模块、车队状态参数获取模块以及控制模块。
其中，监测模块：用于监测所在路段是否出现瓶颈区段；车队状态参数获取模块，用于获取车队的车队状态参数；控制模块，用于基于动态限速控制模型控制车队中头车的减速参数。
在一些实现方式中，控制模块进一步包括：神经网络模型构建模块、预测模块以及选择模块。
其中，所述神经网络模型构建模块用于获取基于动态限速控制模型构建的神经网络模型，具体实现过程可以参照步骤2；预测模块用于将每个控制周期内的车队状态参数输入所述神经网络模型得到头车的减速参数，具体实现过程可以参照步骤51；
选择模块，用于将利用神经网络模型得到的头车的减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数，具体实现过程可以参照步骤52。
在一些实现方式中，控制模块的具体实现过程可以参照步骤1-2，即直接求解动态限速控制模块得到减速参数序列。
其中，各个单元模块的具体实现过程请参照前述方法的对应过程。应当理解，上述单元模块的具体实现过程参照方法内容，本发明在此不进行具体的赘述，且上述功能模块单元的划分仅仅是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。同时，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
实施例4：
本实施例中提供一种基于上述动态限速控制方法的系统，其包括信号采集器、网联车以及服务端，所述信号采集器、网联车均与所述服务端连接；
其中，信号采集器用于采集部分车队状态参数并反馈至服务端，采集的部分车队状态参数包括：瓶颈车速、车队长度、车队与瓶颈区段的距离；
所述网联车将自身车速反馈至服务端；
所述服务端利用所述基于智能网联车辆的动态限速控制方法得到车队中头车的减速参数，并反馈至对应的网联车。其中，服务端可以选择实施例1所述的方法或者实施例2所述的方法进行控制，或者在实施例1以及实施例2所述方法进行变形的方式进行控制。
所述网联车依据所述减速参数控制车速。
实施例5：
本发明实施例提供一种终端，包括处理器和存储器，所述存储器存储了计算机程序，所述计算机程序被处理器调用以执行：所述基于智能网联车辆的动态限速控制方法的步骤。其中，各个步骤的具体实现过程请参照前述方法的阐述。
应当理解，在本发明实施例中，所称处理器可以是中央处理单元(CentralProcessing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(DigitalSignal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，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。存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据。存储器的一部分还可以包括非易失性随机存取存储器。例如，存储器还可以存储设备类型的信息。
实施例6：
本发明实施例提供一种可读存储介质，存储了计算机程序，所述计算机程序被处理器调用以执行：所述基于智能网联车辆的动态限速控制方法的步骤。其中，各个步骤的具体实现过程请参照前述方法的阐述。
所述可读存储介质为计算机可读存储介质，其可以是前述任一实施例所述的控制器的内部存储单元，例如控制器的硬盘或内存。所述可读存储介质也可以是所述控制器的外部存储设备，例如所述控制器上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述可读存储介质还可以既包括所述控制器的内部存储单元也包括外部存储设备。所述可读存储介质用于存储所述计算机程序以及所述控制器所需的其他程序和数据。所述可读存储介质还可以用于暂时地存储已经输出或者将要输出的数据。
基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的可读存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccess Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
综上所述，已有研究通过动态限速控制的方法，以期实现对高速公路上车辆速度的动态调整，从而降低事故风险，提高交通安全。然而，已有控制方法由于对路侧限速设施建设的普及程度和交通流信息采集能力要求较高，实现大规模覆盖阻碍较大。其次，已有的控制方法主要依托可变信息交通标志影响驾驶员间接达到限速的效果，因而存在起效滞后性和驾驶员的不服从性等问题。本发明提出了一种动态限速控制方法，借助智能网联车辆在信息采集技术和通讯技术上的优势，依托车联网对网联车辆进行主动干预，直接达到控制车辆完成限速，具有起效迅捷、效果显著等特点，并适宜普及。
需要强调的是，本发明所述的实例是说明性的，而不是限定性的，因此本发明不限于具体实施方式中所述的实例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，不脱离本发明宗旨和范围的，不论是修改还是替换，同样属于本发明的保护范围。

Claims (10)

1.一种基于智能网联车辆的动态限速控制方法，其特征在于：包括如下步骤：
S1：监测所在路段是否出现瓶颈区段，若出现瓶颈区段，获取车队的车队状态参数；
其中，将瓶颈区段之后的网联车和非网联车进行编队，每个网联车分别作为一个车队的头车，以及将所述头车与下一网联车之间非网联车编入所述头车所在车队；
所述车队状态参数包括车队中头车的初始车速、瓶颈车速、车队长度以及车队与瓶颈区段的距离；
S2：基于动态限速控制模型控制车队中头车的减速参数，其中，所述动态限速控制模型如下：
Figure FDA0003425743020000011
式中，V1为车队中头车的初始车速，Vn+1为头车的最终期望车速，等于瓶颈车速；t表示时间步长，其中，将每个控制周期划分为n个时间步长；ak为第k个步长中头车的减速参数，d为车队与瓶颈区段的距离；
其中，基于动态限速控制模型计算减速参数，动态限速控制策略的减速参数，再将相同时刻下动态限速控制策略的减速参数与车辆内嵌跟驰控制算法的减速参数acav进行比较，择优执行；
其中，第k个步长的减速参数的择优规则表示为：
Figure FDA0003425743020000012
式中，aT(k)表示当前控制周期T的第k个步长对应头车的最终减速参数，ak为求解动态限速控制模型得到的第k个步长中头车的减速参数，acav为车辆内嵌跟驰控制算法的减速参数。
2.根据权利要求1所述的方法，其特征在于：步骤S2中基于动态限速控制模型控制车队中头车的减速参数的实现过程如下：
S21：获取基于动态限速控制模型构建的神经网络模型；
其中，在不同场景以及不同车队状态参数下利用遗传算法求解动态限速控制模型得到每组车队状态参数对应的头车的减速参数，其中，将每组车队状态参数及其对应的头车的减速参数作为一个样本；
将车队状态参数作为输入量，对应的头车的减速参数作为输出量，引入神经网络进行模型训练得到用于预测头车的减速参数的神经网络模型；
S22：将每个控制周期内的车队状态参数输入所述神经网络模型得到头车的减速参数；
S23：再将步骤S22得到的头车的减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数
其中，若当前控制周期内出现车辆内嵌跟驰控制算法的减速参数小于求解动态限速控制模型得到的头车的减速参数，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制。
3.根据权利要求1所述的方法，其特征在于：步骤S2中基于动态限速控制模型控制车队中头车的减速参数的实现过程如下：
利用遗传算法求解动态限速控制模型得到车队中车头减速参数；
将所述减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数；
其中，若当前控制周期内出现车辆内嵌跟驰控制算法的减速参数小于求解动态限速控制模型得到的头车的减速参数，将车辆内嵌跟驰控制算法的减速参数作为当前时间步长的减速参数后，不再执行当前控制周期内下一时间步长的动态限速控制，转为跳入下一个控制周期的动态限速控制。
4.根据权利要求2或3所述的方法，其特征在于：将限速控制过程划分为T个控制周期，获取每个控制周期的车队状态参数，并利用步骤S2控制每个控制周期中头车的减速参数。
5.根据权利要求4所述的方法，其特征在于：若控制过程中车队与瓶颈区段的距离d小于或等于0，则结束动态限速控制。
6.一种基于权利要求1-5任一项所述方法的系统，其特征在于：包括：
监测模块：用于监测所在路段是否出现瓶颈区段；
车队状态参数获取模块，用于获取车队的车队状态参数；
控制模块，用于基于动态限速控制模型控制车队中头车的减速参数。
7.根据权利要求6所述的系统，其特征在于：所述控制模块包括：神经网络模型构建模块、预测模块、选择模块；
所述神经网络模型构建模块，用于获取基于动态限速控制模型构建的神经网络模型；
预测模块，用于将每个控制周期内的车队状态参数输入所述神经网络模型得到头车的减速参数；
选择模块，用于将利用神经网络模型得到的头车的减速参数与车辆内嵌跟驰控制算法的减速参数进行比较，并选择较小的减速参数作为头车的最终减速参数。
8.一种系统，其特征在于：包括信号采集器、网联车以及服务端，所述信号采集器、网联车均与所述服务端连接；
其中，信号采集器用于采集部分车队状态参数并反馈至服务端，采集的部分车队状态参数包括：瓶颈车速、车队长度、车队与瓶颈区段的距离；
所述网联车将自身车速反馈至服务端；
所述服务端利用权利要求1-6任一项所述方法得到车队中头车的减速参数，并反馈至对应的网联车；
所述网联车依据所述减速参数控制车速。
9.一种终端，其特征在于：包括处理器和存储器，所述存储器存储了计算机程序，所述计算机程序被处理器调用以执行：权利要求1-5任一项所述方法的步骤。
10.一种可读存储介质，其特征在于：存储了计算机程序，所述计算机程序被处理器调用以执行：权利要求1-5任一项所述方法的步骤。
CN202110390114.1A 2021-04-12 2021-04-12 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质 Active CN113096402B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110390114.1A CN113096402B (zh) 2021-04-12 2021-04-12 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110390114.1A CN113096402B (zh) 2021-04-12 2021-04-12 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质

Publications (2)

Publication Number Publication Date
CN113096402A CN113096402A (zh) 2021-07-09
CN113096402B true CN113096402B (zh) 2022-03-29

Family

ID=76676252

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110390114.1A Active CN113096402B (zh) 2021-04-12 2021-04-12 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质

Country Status (1)

Country Link
CN (1) CN113096402B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114299742B (zh) * 2022-01-20 2023-10-13 福建工程学院 一种高速公路的限速信息动态识别与更新推荐方法
CN114387787B (zh) * 2022-03-24 2022-08-23 华砺智行(武汉)科技有限公司 车辆轨迹控制方法、装置、电子设备及存储介质
CN114399906B (zh) * 2022-03-25 2022-06-14 四川省公路规划勘察设计研究院有限公司 一种车路协同辅助驾驶系统及方法
CN116032985B (zh) * 2023-01-09 2024-04-23 中南大学 基于智能网联车辆的均匀换道方法、系统、设备及介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831143A (zh) * 2018-06-15 2018-11-16 合肥工业大学 基于车路协同技术的信号交叉口车队速度引导方法
CN108986471A (zh) * 2018-06-22 2018-12-11 长安大学 混合交通条件下交叉口车辆引导方法
CN110033627A (zh) * 2019-05-27 2019-07-19 中南大学 一种基于时间稳定性的高速公路限速控制方法
CN111599194A (zh) * 2020-05-27 2020-08-28 中汽研汽车检验中心（天津）有限公司 高速公路入口匝道异质交通流车速引导系统及引导方法
CN112162555A (zh) * 2020-09-23 2021-01-01 燕山大学 混合车队中基于强化学习控制策略的车辆控制方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105931460A (zh) * 2016-05-13 2016-09-07 东南大学 一种快速道路连续瓶颈路段的可变限速控制策略优化方法
CN108039053B (zh) * 2017-11-29 2019-11-15 南京锦和佳鑫信息科技有限公司 一种智能网联交通系统
CN110085037B (zh) * 2019-03-25 2021-09-07 合肥工业大学 一种车路协同环境下交叉口信号控制及车速引导系统
KR102027086B1 (ko) * 2019-03-28 2019-09-30 주식회사 카이넥스엠 주변 환경에 따라 제한 속도가 변경되는 가변형 교통표지판 시스템
DE102019210559A1 (de) * 2019-04-15 2020-10-15 Technische Universität Dresden Verfahren zur Kontrolle einer Fahrzeugkolonne mittels Fahrzeug-zu-Fahrzeug-Kommunikation

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108831143A (zh) * 2018-06-15 2018-11-16 合肥工业大学 基于车路协同技术的信号交叉口车队速度引导方法
CN108986471A (zh) * 2018-06-22 2018-12-11 长安大学 混合交通条件下交叉口车辆引导方法
CN110033627A (zh) * 2019-05-27 2019-07-19 中南大学 一种基于时间稳定性的高速公路限速控制方法
CN111599194A (zh) * 2020-05-27 2020-08-28 中汽研汽车检验中心（天津）有限公司 高速公路入口匝道异质交通流车速引导系统及引导方法
CN112162555A (zh) * 2020-09-23 2021-01-01 燕山大学 混合车队中基于强化学习控制策略的车辆控制方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
智能网联环境下交叉口混行车队通行模型构建;刘天天;《交通运输研究》;20200630;全文 *
智能网联车环境下异质交通流稳定性及安全性分析;蒋阳升等;《北京交通大学学报》;20200215(第01期);全文 *

Also Published As

Publication number Publication date
CN113096402A (zh) 2021-07-09

Similar Documents

Publication Publication Date Title
CN113096402B (zh) 一种基于智能网联车辆的动态限速控制方法、系统、终端及可读存储介质
DE102017109979A1 (de) Verkehrsampelsteuerung für kraftstoffeffizienz
DE102015223733A1 (de) System und Verfahren zum Steuern eines Hybridfahrzeugs
CN112861269B (zh) 一种基于深度强化学习优先提取的汽车纵向多态控制方法
CN113415288B (zh) 分段式纵向车速规划方法、装置、设备及存储介质
WO2023050850A1 (zh) 用于控制驻车空调的方法、装置及驻车空调
WO2021239402A1 (de) Computerimplementiertes verfahren zum optimieren eines ladungszustandsverlaufs eines hybrid-elektro-fahrzeuges und steuergerät, computerprogramm, computerlesbarer datenträger und datenträgersignal zum regeln/und oder steuern eines hybrid-elektro-fahrzeuges
CN113963564A (zh) 连续信号灯道路车辆最优通行速度规划方法、系统及介质
CN115675099A (zh) 一种基于驾驶员风格识别的纯电动汽车制动能量回收方法
CN113034955B (zh) 一种自适应巡航车队通过信号路口的通行方法及装置
CN113870584A (zh) 基于博弈论的交通路口通行方法及系统
CN111196124B (zh) 车内环境调控方法、装置、电子设备和存储介质
CN113580947B (zh) 车辆能量回收方法及装置、车辆及存储介质
CN116278771A (zh) 一种车辆能耗预测方法、系统及设备
US20160082905A1 (en) System and method for analyzing fuel efficiency based on driving behavior
CN113022576B (zh) 一种不同驾驶任务阶段的驾驶风格分析方法、系统及装置
CN112131756B (zh) 一种考虑个体激进度的行人穿行场景仿真方法
CN116729386B (zh) 多交叉路口场景下车辆分层规划和控制方法及装置
CN112158206A (zh) 一种智能车强制换道汇入点确定方法及装置
CN108898268B (zh) 基于订单的顺风车出行节油计量方法
CN114954386B (zh) 自动制动控制方法、车辆及存储介质
CN117048365B (zh) 一种汽车扭矩控制方法、系统、存储介质及设备
CN112428997B (zh) 一种基于风险动态平衡的车辆跟驰模型
US20240230383A1 (en) Parameter calibration method and apparatus
CN114132333A (zh) 一种智能驾驶系统优化方法、装置及计算机可读存储介质

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