CN113112022A - 智能汽车队列人-车-路系统多智能体联合建模方法 - Google Patents

智能汽车队列人-车-路系统多智能体联合建模方法 Download PDF

Info

Publication number
CN113112022A
CN113112022A CN202110368076.XA CN202110368076A CN113112022A CN 113112022 A CN113112022 A CN 113112022A CN 202110368076 A CN202110368076 A CN 202110368076A CN 113112022 A CN113112022 A CN 113112022A
Authority
CN
China
Prior art keywords
vehicle
agent
following
intelligent
queue
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.)
Pending
Application number
CN202110368076.XA
Other languages
English (en)
Inventor
罗禹贡
李克强
石佳
刘畅
李鹏飞
徐明畅
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.)
Tsinghua University
Original Assignee
Tsinghua 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 Tsinghua University filed Critical Tsinghua University
Priority to CN202110368076.XA priority Critical patent/CN113112022A/zh
Publication of CN113112022A publication Critical patent/CN113112022A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/041—Abduction
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Automation & Control Theory (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Fuzzy Systems (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种跟车场景下的智能汽车队列人‑车‑路系统多智能体联合建模方法及装置，该方法包括：将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型；将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型；根据建立智能汽车队列跟车场景下“人‑车‑路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。该方法为研究跟车场景下三者之间复杂的耦合关系，进而从系统高度实现“人‑车‑路”系统整体性能优化提供重要基础。

Description

智能汽车队列人-车-路系统多智能体联合建模方法
技术领域
本发明涉及智能网联汽车技术领域，特别涉及一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法及装置。
背景技术
随着汽车保有量的不断增长，交通拥堵、道路事故、能源消耗等问题日益严重。智能汽车队列为这些道路交通问题的改善带来了可能，研究表明车辆队列化能够显著提高驾驶安全性、改善燃油经济性和道路通行效率。因此，近些年来智能汽车队列技术成为国内外该领域学者的研究重点。
智能汽车队列并非单纯的机械系统，而是涉及驾驶员、车辆、道路环境的“人-车-路”复杂耦合系统。而现有针对“人-车-路”系统建模方法的研究中，对于车辆、驾驶员、交通环境单个系统的建模方法研究已较为成熟，但尚未实现对智能汽车队列“人-车-路”系统的联合建模。如何探索到一种对驾驶员、车辆、道路环境特征的统一描述方法，建立智能汽车队列“人-车-路”系统联合模型，是实现智能汽车队列“人-车-路”系统整体性能优化的重要基础。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法，该方法实现了跟车场景下智能汽车队列“人-车-路”系统的统一联合建模，为研究跟车场景下三者之间复杂的耦合关系，进而从系统高度实现“人-车-路”系统整体性能优化提供重要基础。
本发明的另一个目的在于提出一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置。
为达到上述目的，本发明一方面实施例提出了一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法，包括以下步骤：
将BDI(Belief-Desire-Intention)智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型；
将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型；
根据所述基于BDI智能体结构的车辆智能体跟车模型、所述基于BDI智能体结构的驾驶员智能体跟车模型和所述基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
另外，根据本发明上述实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法还可以具有以下附加的技术特征：
进一步地，所述智能汽车队列为前车-领航车-跟随车的通信拓扑结构。
进一步地，所述智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；
在所述跟车场景中队列中所有车辆无换道动作。
进一步地，所述基于BDI智能体结构的车辆智能体跟车模型用于控制所述智能汽车队列中的跟随车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库；
感知层用于获取其他智能体的状态信息，并判断目前车辆所处的场景；
预测层用于根据感知层获取的状态信息和自车状态信息计算未来时域内前车、领航车及自车的状态预测矩阵；
推理层用于根据所述状态预测矩阵和自车期望目标计算目标代价函数；
决策用于通过对目标代价函数进行优化求解，得到自车的最优控制量大小；
执行层用于负责执行决策层输出的控制指令，并输出车辆状态作用于外部环境中的其他智能体；
状态库用于存储车辆自身的状态信息；
意愿库用于表示车辆的期望目标；
意图库用于表示车辆有可能做出的行驶动作。
进一步地，所述基于BDI智能体结构的驾驶员智能体跟车模型用于控制所述智能汽车队列中的领航车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库；
感知层用于对自车和前车之间的状态信息以及前方道路信息进行感知，对感知到的信息进行模糊化处理，获得模糊状态集；
预测用于根据感知层获取的信息对前车运动状态进行预判；
推理层用于根据车辆自身当前状态以及预判出的前车未来运动状态，推断出自车下一步的运动状态；
决策层对推理层的推断进行去模糊化，计算出自车的期望加速度；
执行层用于负责执行决策层输出的控制指令，并输出车辆状态作用于外部环境中的其他智能体；
状态库用于存储自身的状态信息；
意愿库用于表示自身期望目标；
意图库用于表示自身有可能做出的动作。
进一步地，去模糊化方法包括最大隶属度法、重心法和加权平均法。
进一步地，基于反应式智能体的跟车场景道路环境模型包括高速队列跟车场景下静态环境和高速队列跟车场景下动态环境；
所述高速队列跟车场景下的静态环境包括道路曲率和坡度；
所述高速队列跟车场景下的动态环境包括队列同车道的前方交通流和队列同车道前车状态。
为达到上述目的，本发明另一方面实施例提出了一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置，包括：
第一建立模块，用于将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型；
第二建立模块，用于将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型；
第三建立模块，用于根据所述基于BDI智能体结构的车辆智能体跟车模型、所述基于BDI智能体结构的驾驶员智能体跟车模型和所述基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
另外，根据本发明上述实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置还可以具有以下附加的技术特征：
进一步地，所述智能汽车队列为前车-领航车-跟随车的通信拓扑结构。
进一步地，所述智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；
在所述跟车场景中队列中所有车辆无换道动作。
本发明实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法及装置，具有以下优点：
1)结合智能体结构特征和高速智能汽车队列跟车场景的特点，对该场景下智能汽车、驾驶员、道路环境的特征进行了统一描述。
2)建立了跟车场景下智能汽车队列“人-车-路”系统的统一联合模型，并可获得该场景下人、车、路三者之间的交互信息流，为研究高速智能汽车队列跟车场景下三者之间复杂的耦合关系，进而实现智能汽车队列跟车场景“人-车-路”系统整体性能优化提供重要基础
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明一个实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法流程图；
图2为根据本发明一个实施例的智能汽车队列跟车场景示意图；
图3为根据本发明一个实施例的汽车智能体跟车模型感知层信息流；
图4为根据本发明一个实施例的汽车智能体跟车模型预测层信息流；
图5为根据本发明一个实施例的汽车智能体跟车模型推理层信息流；
图6为根据本发明一个实施例的汽车智能体跟车模型决策层信息流；
图7为根据本发明一个实施例的汽车智能体跟车模型执行层信息流；
图8为根据本发明一个实施例的汽车智能体跟车模型；
图9为根据本发明一个实施例的驾驶员智能体跟车模型感知层信息流；
图10为根据本发明一个实施例的驾驶员智能体跟车模型预测层信息流；
图11为根据本发明一个实施例的驾驶员智能体跟车模型推理层信息流；
图12为根据本发明一个实施例的驾驶员智能体跟车模型决策层信息流；
图13为根据本发明一个实施例的驾驶员智能体跟车模型执行层信息流；
图14为根据本发明一个实施例的驾驶员智能体跟车模型；
图15为根据本发明一个实施例的智能汽车队列跟车场景下“人-车-路”系统交互信息流；
图16为根据本发明一个实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法及装置。
首先将参照附图描述根据本发明实施例提出的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法。
图1为根据本发明一个实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法流程图。
如图1所示，该跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法包括以下步骤：
步骤S1，将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型。
进一步地，智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；在跟车场景中队列中所有车辆无换道动作。
如图2所示，智能汽车队列由N+1辆车组成，其中，头车(id＝0)为驾驶员驾驶，其行为由驾驶员智能体跟车模型(DAcf，driver agent)控制；所有跟随车辆(id＝1～N)为无人驾驶车辆，其行为由车辆智能体跟车模型(VAcf，vehicle agent)表示。
进一步地，在本发明的一个实施例中，基于BDI智能体结构的车辆智能体跟车模型用于控制智能汽车队列中的跟随车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库。
感知层用于获取其他智能体的状态信息，并判断目前车辆所处的场景，如跟车场景或换道场景，车辆处于单车自由行驶状态或队列行驶状态。
预测层用于根据感知层获取的状态信息(头车及邻域车辆的位置、速度、加速度等)和自车状态信息(自车的位置、速度、加速度等)计算出未来时域内前车、领航车及自车的状态预测矩阵。
推理层用于根据状态预测矩阵和自车期望目标(行驶安全性、节能性、舒适性)计算目标代价函数。
决策用于通过对目标代价函数进行优化求解，得到自车的最优控制量大小(如期望纵向加速度)。
执行层用于负责执行决策层输出的控制指令，并输出车辆状态作用于外部环境中的其他智能体。
状态库用于存储车辆自身的状态信息。
意愿库用于表示车辆的期望目标，比如行驶安全性、节能性、舒适性等。
意图库用于表示车辆有可能做出的行驶动作，比如限定汽车的最大加、减速度，汽车的最大驱动力矩等。
图3为第i辆车的汽车智能体跟车模型感知层信息流。感知层主要用于获取其他智能体的状态信息，本发明实施例中队列选择PLF(preceding-leading-following，前车-领航车-跟随车)通信拓扑结构，即第i辆车接收头车DAcf和前车VAcf,i-1的状态信息，具体包括：头车加速度、速度和位置(ah、vh、sh)，前车加速度、速度和位置(ai-1、vi-1、si-1)。此外，还要从道路环境智能体(EAcf)获取队列周围车辆的状态信息LCV，用于保证行驶安全。Request表示驾驶员意图，包括跟车意图和换道意图。不同的通信拓扑结构，获取的信息也不同。且随着C-V2X网联化技术的发展，感知层可获取更多的外部信息。
图4为汽车智能体跟车模型预测层信息流。跟车时，预测层根据外部信息以及自车状态，获得前车、头车及自车的状态预测矩阵。ac、vc、sc分别是自车的加速度、速度和位置。Xh、Xi-1、Xc分别是头车、前车和自车的状态预测矩阵。以自车为例详细说明自车的状态预测矩阵Xh推导过程。
车辆的三阶状态空间为：
Figure BDA0003008134240000061
其中，x(t)＝[s v a]T，
Figure BDA0003008134240000062
C＝[1 1 1]。
对其进行离散化推导，得到车辆的状态如下：
xh(k+1|k)＝A·xh(k)+B·u(k)
其中，xh为自车状态。若预测的步长为P步，则自车在预测时域内的运动状态为
xh(k+i)＝A·xh(k+i-1)+B·u(k+i-1)
由此，可推导在预测时域内自车的状态矩阵如下：
Figure BDA0003008134240000063
其中，
Figure BDA0003008134240000071
同样地，也可以得到前车和头车的状态预测矩阵Xh、Xi-1。
图5为汽车智能体跟车模型推理层信息流。推理层根据自车、头车、前车的预测状态，并结合自车期望达到的目标，制定出目标代价函数J。意愿库存储了自车期望达到的目标，包括：能耗尽可能低(min u)、跟车速度误差趋近于0(Δv→0)、跟车距离误差趋近于0(Δd→ddes)。u表示车辆能耗，J表示目标代价函数。
图6为汽车智能体跟车模型决策层信息流。决策层对代价函数J进行优化求解，得出期望纵向加速度ades。意图库存储了车辆行驶动作的约束条件(比如：限定汽车的最大加、减速度，汽车的最大驱动力矩等)。本发明实施例将优化求解问题转化为QP问题，利用Matlab中求解QP问题的工具，使用内点法对其进行优化求解。
图7为汽车智能体跟车模型执行层信息流。执行层负责执行决策层输出的控制指令ades，执行该指令后将车辆最新的状态(ac、vc、sc)作用于外部环境，在该实施例中即为后车VAcf,i+1。
经过对以上各层的设计，最终可获得本发明实施例的第i辆车的汽车智能体跟车模型，如图8所示。
进一步地，在本发明的一个实施例中，基于BDI智能体结构的驾驶员智能体跟车模型用于控制智能汽车队列中的领航车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库。
感知层用于对自车和前车之间的状态信息以及前方道路信息进行感知，对感知到的信息进行模糊化处理，获得模糊状态集。
具体地，感知层获取前方车辆的速度、加速度、自车与前车之间的距离、自车与前车之间的相对速度、以及前方交通是否拥堵等信息，并结合自车速度、加速度信息，对这些信息进行模糊化处理，获得模糊状态集。以自车加速度为例，其模糊状态集如下式所示，
A∈{A1,A2,A3,A4,A5,A6,A7}
其中，A表示自车加速度模糊状态，A1-A7分别表示：极端减速、快减速、适当减速、不加速、适当加速、快加速、极端加速。
预测用于根据感知层获取的信息对前车运动状态进行预判，比如：前车即将急减速、缓慢减速、保持匀速、缓慢加速、急加速。
推理层用于根据车辆自身当前状态以及预判出的前车未来运动状态，推断出自车下一步的运动状态。
决策层对推理层的推断进行去模糊化，计算出自车的期望加速度。
执行层用于负责执行决策层输出的控制指令(即期望加速度)，并输出车辆状态作用于外部环境中的其他智能体。
状态库用于存储自身的状态信息。
意愿库用于表示自身期望目标，比如：与前车期望保持的车距、期望车速。
意图库用于表示自身有可能做出的动作，比如：最大加、减速度等。
图9为驾驶员智能体跟车模型感知层信息流。感知层对前方车辆的速度、加速度、前车与自车之间的距离、自车加速度等信息进行感知，获得模糊状态集。驾驶员无法对加速度、速度等信息进行精确感知，因此，感知层的作用就是将信息进行模糊化。以自车加速度为例，建立模糊状态集A1-A7，分别表示：极端减速、快减速、适当减速、不加速、适当加速、快加速、极端加速。
除自车加速度外，感知层对前车的速度、加速度、两车间距等信息进行感知，并进行模糊化处理，感知层获取的信息如下表所示。
DAcf感知层获取的信息表
Figure BDA0003008134240000081
图10为驾驶员智能体跟车模型预测层信息流。预测层根据感知层获取的信息对前车运动状态进行预判，G1-G5表示预测的前车加速度模糊状态集。驾驶员在实际驾车时通常是依靠经验进行预测，因此可根据驾车经验建立模糊规则来模拟预判过程，获得G1-G5。比如：当前情况下，前车正在急减速(B1)，前车车速比自车低(C1)，前方交通流较拥堵(F1)，则驾驶员将预测前车会继续减速(G1)。
图11为驾驶员智能体跟车模型推理层信息流。推理层根据车辆当前状态以及预判出的前车未来运动状态，推断出自车下一步应如何运动。H1-H5表示自车下一步的加速度模糊状态集。类似于预测层，推理层也是通过建立模糊规则来模拟该过程。比如：自车当前车速远高于驾驶员期望车速(D1)，与前车的车距也远大于驾驶员期望车间距(E1)，预测前车将急减速(G1)，则驾驶员将适当减速(H2)。
图12为驾驶员智能体跟车模型决策层信息流。决策层根据推理层的推断进行去模糊化，获取自车的期望加速度ades。常见的去模糊化方法有：最大隶属度法、重心法和加权平均法。
图13为驾驶员智能体跟车模型执行层信息流。执行层负责执行决策层输出的控制指令(即期望加速度ades)，执行该指令后将车辆最新的状态作用于外部环境，在该实施例中即为所有跟随车VAcf,1～VAcf,N。
经过对以上各层的设计，最终可获得本发明实施例的驾驶员智能体跟车模型，如图14所示。
步骤S2，将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型。
进一步地，在本发明的一个实施例中，基于反应式智能体的跟车场景道路环境模型包括高速队列跟车场景下静态环境和高速队列跟车场景下动态环境，如下：
EAcf＝(Scf,Dcf)。
高速队列跟车场景下的静态环境主要考虑道路曲率和坡度，如下：
Scf＝{slope,curvature}。
高速队列跟车场景下的动态环境主要考虑队列同车道的前方交通流、队列同车道前车状态，如下：
Dcf＝{traf_flowcf,statecf}。
其中，EAcf表示跟车场景下道路环境智能体，Scf表示跟车场景下静态环境，Dcf表示跟车场景下动态环境，slope表示道路坡度，curvature表示道路曲率，traf_flowcf表示队列同车道的前方交通通行效率或拥堵情况，statecf表示队列同车道前车状态。
具体地，根据图2所示的高速智能汽车队列跟车场景，主要考虑道路曲率、坡度和前方交通流。因此，可以建立道路环境智能体的状态空间如下：
EAcf＝(Scf,Dcf)
Scf＝{slope,curvature}
Dcf＝{traf_flowcf,statecf}
traf_flowcf∈{smooth,medium,congestion}
statecf＝{a,v,s}。
步骤S3，根据基于BDI智能体结构的车辆智能体跟车模型、基于BDI智能体结构的驾驶员智能体跟车模型和基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
根据所建立的跟车场景下智能汽车队列汽车智能体跟车模型VAcf、驾驶员智能体跟车模型DAcf，以及道路环境智能体模型EAcf，可获得智能汽车队列跟车场景下“人-车-路”系统交互信息流，如图15所示。
根据本发明实施例提出的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法，通过基于BDI智能体结构的车辆智能体跟车模型、基于BDI智能体结构的驾驶员智能体跟车模型，以及基于反应式智能体的跟车场景道路环境模型，将BDI智能体与智能汽车和驾驶员跟车行为特点相结合，把反应式智能体与跟车场景下道路环境特点相结合，实现了跟车场景下智能汽车队列“人-车-路”系统的统一联合建模，为研究跟车场景下三者之间复杂的耦合关系，进而从系统高度实现“人-车-路”系统整体性能优化提供重要基础。
其次参照附图描述根据本发明实施例提出的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置。
图16为根据本发明一个实施例的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置结构示意图。
如图16所示，该跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置包括：第一建立模块100、第二建立模块200和第三建立模块300。
第一建立模块100，用于将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型。
第二建立模块200，用于将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型。
第三建立模块300，用于根据基于BDI智能体结构的车辆智能体跟车模型、基于BDI智能体结构的驾驶员智能体跟车模型和基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
进一步地，智能汽车队列为前车-领航车-跟随车的通信拓扑结构。
进一步地，智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；
在跟车场景中队列中所有车辆无换道动作。
需要说明的是，前述对方法实施例的解释说明也适用于该实施例的装置，此处不再赘述。
根据本发明实施例提出的跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置，通过基于BDI智能体结构的车辆智能体跟车模型、基于BDI智能体结构的驾驶员智能体跟车模型，以及基于反应式智能体的跟车场景道路环境模型，将BDI智能体与智能汽车和驾驶员跟车行为特点相结合，把反应式智能体与跟车场景下道路环境特点相结合，实现了跟车场景下智能汽车队列“人-车-路”系统的统一联合建模，为研究跟车场景下三者之间复杂的耦合关系，进而从系统高度实现“人-车-路”系统整体性能优化提供重要基础。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模方法，其特征在于，包括以下步骤：
将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型；
将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型；
根据所述基于BDI智能体结构的车辆智能体跟车模型、所述基于BDI智能体结构的驾驶员智能体跟车模型和所述基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
2.根据权利要求1所述的方法，其特征在于，所述智能汽车队列为前车-领航车-跟随车的通信拓扑结构。
3.根据权利要求1所述的方法，其特征在于，所述智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；
在所述跟车场景中队列中所有车辆无换道动作。
4.根据权利要求1所述的方法，其特征在于，所述基于BDI智能体结构的车辆智能体跟车模型用于控制所述智能汽车队列中的跟随车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库；
感知层用于获取其他智能体的状态信息，并判断目前车辆所处的场景；
预测层用于根据感知层获取的状态信息和自车状态信息计算未来时域内前车、领航车及自车的状态预测矩阵；
推理层用于根据所述状态预测矩阵和自车期望目标计算目标代价函数；
决策用于通过对目标代价函数进行优化求解，得到自车的最优控制量大小；
执行层用于负责执行决策层输出的控制指令，并输出车辆状态作用于外部环境中的其他智能体；
状态库用于存储车辆自身的状态信息；
意愿库用于表示车辆的期望目标；
意图库用于表示车辆有可能做出的行驶动作。
5.根据权利要求1所述的方法，其特征在于，所述基于BDI智能体结构的驾驶员智能体跟车模型用于控制所述智能汽车队列中的领航车，包括：感知层、预测层、推理层、决策层、执行层、状态库、意愿库和意图库；
感知层用于对自车和前车之间的状态信息以及前方道路信息进行感知，对感知到的信息进行模糊化处理，获得模糊状态集；
预测用于根据感知层获取的信息对前车运动状态进行预判；
推理层用于根据车辆自身当前状态以及预判出的前车未来运动状态，推断出自车下一步的运动状态；
决策层对推理层的推断进行去模糊化，计算出自车的期望加速度；
执行层用于负责执行决策层输出的控制指令，并输出车辆状态作用于外部环境中的其他智能体；
状态库用于存储自身的状态信息；
意愿库用于表示自身期望目标；
意图库用于表示自身有可能做出的动作。
6.根据权利要求5所述的方法，其特征在于，去模糊化方法包括最大隶属度法、重心法和加权平均法。
7.根据权利要求1所述的方法，其特征在于，基于反应式智能体的跟车场景道路环境模型包括高速队列跟车场景下静态环境和高速队列跟车场景下动态环境；
所述高速队列跟车场景下的静态环境包括道路曲率和坡度；
所述高速队列跟车场景下的动态环境包括队列同车道的前方交通流和队列同车道前车状态。
8.一种跟车场景下的智能汽车队列人-车-路系统多智能体联合建模装置，其特征在于，包括：
第一建立模块，用于将BDI智能体与智能汽车和驾驶员跟车行为特点进行结合，建立基于BDI智能体结构的车辆智能体跟车模型和基于BDI智能体结构的驾驶员智能体跟车模型；
第二建立模块，用于将反应式智能体与跟车场景下道路环境特点进行结合，建立基于反应式智能体的跟车场景道路环境模型；
第三建立模块，用于根据所述基于BDI智能体结构的车辆智能体跟车模型、所述基于BDI智能体结构的驾驶员智能体跟车模型和所述基于反应式智能体的跟车场景道路环境模型建立智能汽车队列跟车场景下“人-车-路”系统多智能体联合模型，并获得智能汽车队列跟车场景下人、车、路三者之间的交互信息流。
9.根据权利要求8所述的装置，其特征在于，所述智能汽车队列为前车-领航车-跟随车的通信拓扑结构。
10.根据权利要求8所述的装置，其特征在于，所述智能汽车队列中队列领航车由驾驶员驾驶，队列所有跟随车辆为完全自动驾驶；
在所述跟车场景中队列中所有车辆无换道动作。
CN202110368076.XA 2021-04-06 2021-04-06 智能汽车队列人-车-路系统多智能体联合建模方法 Pending CN113112022A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110368076.XA CN113112022A (zh) 2021-04-06 2021-04-06 智能汽车队列人-车-路系统多智能体联合建模方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110368076.XA CN113112022A (zh) 2021-04-06 2021-04-06 智能汽车队列人-车-路系统多智能体联合建模方法

Publications (1)

Publication Number Publication Date
CN113112022A true CN113112022A (zh) 2021-07-13

Family

ID=76714042

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110368076.XA Pending CN113112022A (zh) 2021-04-06 2021-04-06 智能汽车队列人-车-路系统多智能体联合建模方法

Country Status (1)

Country Link
CN (1) CN113112022A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114802307A (zh) * 2022-05-23 2022-07-29 哈尔滨工业大学 自动与人工混合驾驶场景下的智能车辆横向控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110356404A (zh) * 2019-05-28 2019-10-22 吉林大学 一种具有自主换道功能并提高侧向安全性的智能驾驶系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
WO2019213980A1 (zh) * 2018-05-08 2019-11-14 清华大学 基于行车安全场的车辆智能安全决策方法
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN112329248A (zh) * 2020-11-11 2021-02-05 长安大学 一种基于多智能体系统的道路混合交通流仿真系统
CN112466119A (zh) * 2020-11-26 2021-03-09 清华大学 一种利用车路协同数据的汽车跟车车速预测方法及系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019213980A1 (zh) * 2018-05-08 2019-11-14 清华大学 基于行车安全场的车辆智能安全决策方法
CN110356404A (zh) * 2019-05-28 2019-10-22 吉林大学 一种具有自主换道功能并提高侧向安全性的智能驾驶系统
CN110414831A (zh) * 2019-07-24 2019-11-05 清华大学 基于驾驶人认知视角的人车路耦合风险评估方法及装置
CN110750877A (zh) * 2019-09-27 2020-02-04 西安理工大学 一种Apollo平台下的车辆跟驰行为预测方法
CN112329248A (zh) * 2020-11-11 2021-02-05 长安大学 一种基于多智能体系统的道路混合交通流仿真系统
CN112466119A (zh) * 2020-11-26 2021-03-09 清华大学 一种利用车路协同数据的汽车跟车车速预测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
沈宇等: "代理技术Agent在智能车辆与驾驶中的应用现状", 《指挥与控制学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114802307A (zh) * 2022-05-23 2022-07-29 哈尔滨工业大学 自动与人工混合驾驶场景下的智能车辆横向控制方法
CN114802307B (zh) * 2022-05-23 2023-05-05 哈尔滨工业大学 自动与人工混合驾驶场景下的智能车辆横向控制方法

Similar Documents

Publication Publication Date Title
EP3678911B1 (en) Pedestrian behavior predictions for autonomous vehicles
CN106740846B (zh) 一种双模式切换的电动汽车自适应巡航控制方法
Khodayari et al. A historical review on lateral and longitudinal control of autonomous vehicle motions
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
CN110794851B (zh) 车辆远程控制安全防护方法、装置和无人驾驶车辆
CN113788021B (zh) 一种结合前车速度预测的自适应跟车巡航控制方法
CN113835421B (zh) 训练驾驶行为决策模型的方法及装置
CN113012448B (zh) 一种解决路口交通拥堵的汽车配发编队智能驾驶系统
KR20140107585A (ko) 규칙 및/또는 비용에 기초하여 차량 속도를 제어하기 위한 방법 및 모듈
CN111703418B (zh) 一种基于车车通信的多车分布式协同避撞方法及装置
Zhang et al. Data-driven based cruise control of connected and automated vehicles under cyber-physical system framework
CN112249008A (zh) 针对复杂动态环境的无人驾驶汽车预警方法
CN113525373A (zh) 一种车辆的变道控制系统、控制方法
CN115662131B (zh) 网联环境下道路事故路段的多车道协同换道方法
CN116564095A (zh) 基于cps的重点车辆高速公路隧道预测巡航云控制方法
CN115593433A (zh) 一种自动驾驶车辆远程接管方法
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
Selvaraj et al. An ML-aided reinforcement learning approach for challenging vehicle maneuvers
CN111830962A (zh) 强化学习代理控制器的解释数据
CN113112022A (zh) 智能汽车队列人-车-路系统多智能体联合建模方法
Guan et al. Predictive energy efficiency optimization of an electric vehicle using information about traffic light sequences and other vehicles
JP5665400B2 (ja) 車両用制御装置
CN113635900B (zh) 一种预测巡航过程中基于能量管理的换道决策控制方法
Pan et al. State transition-based novel dynamic control algorithm for vehicle-following performance improvement
CN115042770A (zh) 一种基于分布式鲁棒模型预测的车辆队列横向控制方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210713