CN113593225B - 一种面向纯网联环境的单点交叉口车辆控制方法 - Google Patents

Abstract

本发明涉及一种面向纯网联环境的单点交叉口车辆控制方法，具体包括以下步骤：S1、采集网联自动驾驶车辆在交叉口控制区域内的物理状态信息；S2、确定车辆端的加速度策略以及车道策略的选择范围；S3、建立个体车辆的收益；S4、建立车辆群体的联盟特征函数；S5、基于合作博弈理论建立交叉口网联自动驾驶车辆协同驾驶模型；S6、计算得到车辆群体的最优行驶策略组合，并发送至对应的车辆端；S7、车辆端根据接收到的最优行驶策略发送控制指令调整驾驶行为。与现有技术相比，本发明具有有效提高车辆群体在安全性、效率和舒适性方面的综合收益，切实为网联自动驾驶车辆通过交叉口过程提供决策性建议等优点。

Description

一种面向纯网联环境的单点交叉口车辆控制方法

技术领域

本发明涉及道路交叉口车辆控制技术研究领域，尤其是涉及一种面向纯网联环境的单点交叉口车辆控制方法。

背景技术

近年来机动车人均拥有量显著增加，交通运输需求量随之增长，道路交通系统负荷愈加严重，交通事故频发，车辆拥堵现象突出，环境污染问题日益严重。交叉口区域内车辆的启动、停车、加减速等行为的发生率明显高于其他路网区域，对车流运行的整体连贯性造成负面影响，从而产生交通延误。合理控制交叉口处车辆运行，确保车辆在交叉口的安全性的同时保证行车效率和乘客舒适性是解决道路交通问题的基础。

智能交通系统当前主要发展方向为自动驾驶智能车路协同技术，其发展重心已然由单体智能阶段过渡到群体智能及环境智能交互的进程中，先进的无线通信及互联网技术为自动驾驶车辆间的互联互通提供了保障，也大大提高了自动驾驶车辆间的信息共享程度。随着人工智能技术和汽车领域的不断发展，自动驾驶车辆已经拥有五个级别。自动驾驶技术的发展为车辆群体控制提供了可能性，从全局利益出发，实现对车辆系统综合调控的目的，在提高整个交通系统的控制效果方面扮演着重要角色。

目前在国内外已经有了相应的控制方法，但是其多针对单一个体车辆的研究，车辆间彼此独立，缺乏对车辆行驶过程中的合作行为研究；交通环境多被简化为单车道，忽略了现实环境中车辆的换道行为。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种面向纯网联环境的单点交叉口车辆控制方法，有效提高了车辆通过道路交叉口时在安全性、效率和舒适性三方面的综合表现。

本发明的目的可以通过以下技术方案来实现：

一种面向纯网联环境的单点交叉口车辆控制方法，具体包括以下步骤：

S1、采集网联自动驾驶车辆在交叉口控制区域内的物理状态信息；

S2、根据所述物理状态信息确定车辆端的加速度策略以及车道策略的选择范围；

S3、结合车辆端的加速度策略以及车道策略，建立个体车辆的收益；

S4、以个体车辆的收益为基础，建立车辆群体的联盟特征函数；

S5、根据车辆群体的联盟特征函数，基于合作博弈理论建立交叉口网联自动驾驶车辆协同驾驶模型；

S6、根据所述交叉口网联自动驾驶车辆协同驾驶模型，计算得到车辆群体的最优行驶策略组合，并发送至对应的车辆端；

S7、车辆端根据接收到的最优行驶策略发送控制指令调整驾驶行为。

所述交叉口控制区域的范围具体为交叉口所有进口道停车线之前的预设距离Lc处至驶出交叉口位置范围内。

所述物理状态信息包括二维空间位置、速度和加速度。

所述车辆端的加速度策略基于车辆端在当前时刻的速度，具体公式如下所示：

a_min≤a_i≤a_max

其中，a_i为车辆端i的加速度，a_min为车辆端的最小加速度，a_max为车辆端的最大加速度，v_i为车辆端i的速度，v_min为车辆端的最小速度，v_max为车辆端的最大速度，△t为单位时间。

所述个体车辆的收益包括安全性收益、效率收益和舒适性收益。

进一步地，所述安全性收益为行车风险值的相反数，所述行车风险值具体通过将机动车运动形成的动能场作为行车势能场，根据所述行车势能场计算得到，具体公式如下所示：

U_{i_safe}＝∑U_{ij_safe},j∈ω(i)

其中，U_{ij_safe}为在车辆端j的行车势场下车辆端i的安全性收益，E_{V_jo}为车辆端j对应的运动物体在冲突点o处产生的潜在危险程度，即行车风险值，U_{i_safe}为车辆端i的总安全性收益，M_j为车辆端j的等效质量，G、k₁和k₂均为大于0的常数系数，L'_j为车辆端j对应的运动物体的长度，ω(i)为车辆端i进入交叉口控制区域时的其他车辆端的集合，θ_j为车辆端j对应的运动物体的运动方向与向量r_jo的夹角，θ_j∈[-π,π]，顺时针方向为正，r_jo为车辆端j指向冲突点o的向量，与场强方向相同，场强在此方向上变化最快，|r_jo|为车辆端j与冲突点o的距离，v'_j为车辆端j对应的运动物体的速度。

进一步地，所述效率收益具体以单位时间内车辆端的速度变化计算得到，具体公式如下所示：

其中，U_{i_eff}为车辆端i的效率收益，

为第t+1时刻车辆端i的速度，

为第t时刻车辆端i的速度，△t为单位时间，a_i为车辆端i的加速度。

进一步地，所述舒适性收益的评价指标包括车辆纵向的加速度变化信息和横向的累积换道次数，具体公式如下所示：

U_{i_com}＝-|a_i ^t+1-a_i ^t|-c_i ^t+1

其中，U_{i_com}为车辆端i的舒适性收益，a_i ^t+1为第t+1时刻车辆端i的加速度，a_i ^t为第t时刻车辆端i的速度，c_i ^t+1为从初始时刻到t+1时刻车辆端i的累积换道次数。

进一步地，所述从初始时刻到t+1时刻车辆端i的累积换道次数的计算公式如下所示：

其中，c_i ^t为从初始时刻到t时刻车辆端i的累积换道次数，c_max为车辆端换道次数的最大值。

所述个体车辆的安全性收益、效率收益和舒适性收益经过归一化处理后，计算得到个体车辆的收益，具体公式如下所示：

U_i＝αU′_{i_safe}+βU′_{i_eff}+γU′_{i_com}

α+β+γ＝1

其中，α、β和γ分别为安全性收益、效率收益、舒适性收益的权重系数，均为0到1之间的实数，U'_{i_safe}、U'_{i_eff}和U'_{i_com}分别为归一化后的安全性收益、效率收益和舒适性收益。

所述车辆联盟特征函数基于最大最小准则进行计算，驾驶员在不确定其他车辆采取何种策略的情况下，为保证行车安全会考虑可能遇到的最坏行车环境然后做出决策，具体公式如下所示：

其中，S为车辆联盟，s₁,s₂,…,s_n为车辆联盟中的车辆群体，N为最大的车辆群体，v(S)为合作博弈中车辆群体的联盟特征函数函数。

所述交叉口网联自动驾驶车辆协同驾驶模型是基于连续时间的。

所述最优行驶策略包括加速度调整策略和车道调整策略。

与现有技术相比，本发明具有以下有益效果：

1.本发明以空间范围作为车辆控制的触发条件，相比于以车辆冲突时间差，即具有潜在冲突的车辆依次通过冲突点的时间间隔作为触发条件的以往发明，本发明能够实现更好的控制效果，因为前者对满足安全冲突时间差条件的车辆不采取任何措施，而本发明中车辆可以在保证安全的前提下通过进一步改善当前策略以提高通行效率。

2.本发明考虑车辆在加速度策略和车道策略方面的同步优化，结合交叉口的现实条件，实用性好，相较于只考虑加速度的以往发明，提高了车辆的可操作性空间，保证了车辆的综合收益，更符合真实驾驶环境。

3.本发明通过调节个体车辆的收益的参数实现了车辆端在行驶过程中在安全性、效率和舒适性方面的不同侧重，适用于不同需求的车辆，灵活性强。

4.本发明从全局利益的角度考虑，充分考虑网联自动驾驶车辆在实际运行过程的安全性、效率和舒适性方面的需求，实现车辆群体的最优控制下效果，能够更好地服务于智能网联车辆的管控。

附图说明

图1为本发明的流程示意图；

图2为本发明交叉口控制范围的示意图；

图3为本发明实施例中的应用示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例

本实施例基于以下假设：

1)本实施例处于车联网环境下，网联自动驾驶车辆(CAV)渗透率为100％，所有车辆可以实现车-车通信和车-路通信，所需信息可以通过车-车通信和车-路通信进行传输；

2)不考虑车辆在交叉口的转向行为；

3)不考虑行人和非机动车干扰；

4)车辆可以瞬间安全地完成换道过程；

5)不考虑车车、车路通信的延时，信息传输和处理的速度相比车辆速度足够快，通信和车辆控制能满足自动驾驶的需要，自动驾驶技术能够成熟运用。

本实施例中，已知网联自动驾驶车辆的行驶状态和行驶环境，并且各自动驾驶车辆的行驶状态等均能够被其他车辆所获取，包括各自动驾驶车辆之间的实时距离、速度及距离潜在冲突点的距离等参数均可被获取，并且两自动驾驶车辆之间能够实现高质量信息交互。

如图1所示，一种面向纯网联环境的单点交叉口车辆控制方法，具体包括以下步骤：

S1、采集网联自动驾驶车辆在交叉口控制区域内的物理状态信息；

S2、根据物理状态信息确定车辆端的加速度策略以及车道策略的选择范围；

S3、结合车辆端的加速度策略以及车道策略，建立个体车辆的收益；

S4、以个体车辆的收益为基础，基于最大最小准则建立车辆群体的联盟特征函数；

S5、根据车辆群体的联盟特征函数，基于合作博弈理论建立交叉口网联自动驾驶车辆协同驾驶模型；

S6、根据交叉口网联自动驾驶车辆协同驾驶模型，计算得到车辆群体的最优行驶策略组合，并发送至对应的车辆端；

S7、车辆端根据接收到的最优行驶策略发送控制指令调整驾驶行为。

如图2所示，交叉口控制区域的范围具体为交叉口所有进口道停车线之前的预设距离Lc处至驶出交叉口位置范围内。

本实施例中，若交叉口控制区域内只有一个车辆端，则不进行车辆控制，该车辆按照现有策略继续行驶。

步骤S2中，如图3所示，加速度方面，车辆端可以从加速度集合中选取一个作为当前策略；车道方面，车辆端可以选择所在进口道的所有车道。

物理状态信息包括二维空间位置、速度和加速度。

车辆端的加速度策略基于车辆端在当前时刻的速度，具体公式如下所示：

a_min≤a_i≤a_max

其中，a_i为车辆端i的加速度，a_min为车辆端的最小加速度，a_max为车辆端的最大加速度，v_i为车辆端i的速度，v_min为车辆端的最小速度，v_max为车辆端的最大速度，△t为单位时间。

车辆端在实施加速度策略后的速度应符合速度限制，如果车辆端的速度小于最大速度且大于零，车辆端可以选择一个合适的正向加速度；当车辆端以最大速度行驶时，只能选择减速或保持匀速。

个体车辆的收益包括安全性收益、效率收益和舒适性收益。

安全性收益为行车风险值的相反数，行车风险值具体通过将机动车运动形成的动能场作为行车势能场，根据行车势能场计算得到，具体公式如下所示：

U_{i_safe}＝∑U_{ij_safe},j∈ω(i)

其中，U_{ij_safe}为在车辆端j的行车势场下车辆端i的安全性收益，E_{V_jo}为车辆端j对应的运动物体在冲突点o处产生的潜在危险程度，即行车风险值，U_{i_safe}为车辆端i的总安全性收益，M_j为车辆端j的等效质量，G、k₁和k₂均为大于0的常数系数，L'_j为车辆端j对应的运动物体的长度，ω(i)为车辆端i进入交叉口控制区域时的其他车辆端的集合，θ_j为车辆端j对应的运动物体的运动方向与向量r_jo的夹角，θ_j∈[-π,π]，顺时针方向为正，r_jo为车辆端j指向冲突点o的向量，与场强方向相同，场强在此方向上变化最快，|r_jo|为车辆端j与冲突点o的距离，v'_j为车辆端j对应的运动物体的速度。

效率收益具体以单位时间内车辆端的速度变化计算得到，具体公式如下所示：

其中，U_{i_eff}为车辆端i的效率收益，

为第t+1时刻车辆端i的速度，

为第t时刻车辆端i的速度，△t为单位时间，a_i为车辆端i的加速度。

舒适性收益的评价指标包括车辆纵向的加速度变化信息和横向的累积换道次数，较小的车辆加速度变化、较少的换道次数会增加舒适性收益，具体公式如下所示：

U_{i_com}＝-|a_i ^t+1-a_i ^t|-c_i ^t+1

其中，U_{i_com}为车辆端i的舒适性收益，a_i ^t+1为第t+1时刻车辆端i的加速度，a_i ^t为第t时刻车辆端i的速度，c_i ^t+1为从初始时刻到t+1时刻车辆端i的累积换道次数。

从初始时刻到t+1时刻车辆端i的累积换道次数的计算公式如下所示：

其中，c_i ^t为从初始时刻到t时刻车辆端i的累积换道次数，c_max为车辆端换道次数的最大值。

个体车辆的安全性收益、效率收益和舒适性收益经过归一化处理后，计算得到个体车辆的收益，具体公式如下所示：

U_i＝αU′_{i_safe}+βU′_{i_eff}+γU′_{i_com}

α+β+γ＝1

其中，α、β和γ分别为安全性收益、效率收益、舒适性收益的权重系数，均为0到1之间的实数，U'_{i_safe}、U'_{i_eff}和U'_{i_com}分别为归一化后的安全性收益、效率收益和舒适性收益。

车辆联盟特征函数基于最大最小准则进行计算，驾驶员在不确定其他车辆采取何种策略的情况下，为保证行车安全会考虑可能遇到的最坏行车环境然后做出决策，具体公式如下所示：

其中，S为车辆联盟，s₁,s₂,…,s_n为车辆联盟中的车辆群体，N为最大的车辆群体，v(S)为合作博弈中车辆群体的联盟特征函数函数。

交叉口网联自动驾驶车辆协同驾驶模型是基于连续时间的。

步骤S6中采用遗传算法作为求解算法，计算车辆群体的最优行驶策略组合，具体过程为随机产生初始群体，一条染色体包含模型中所有车辆端的加速度策略和车道选择策略。对每一个车辆端，在满足速度限制的前提下在[a_min,a_max]内随机选择一个加速度值，从可选择车道集中随机选取车道策略，这样一条染色体就构成车辆群体的一个策略方案，本实施例中采用整数编码的形式，当交叉口控制区域内有n辆车时，从左往右数，染色体的1到n位分别代表了n个车辆端的加速度，n+1到2n位分别代表n个车辆端选择的车道。加速度位的编码数值代表车辆端的加速度策略值，车道位的编码数值代表车辆端选择的车道编号。将车辆端的联盟特征函数函数作为染色体的适应度，通过选择、交叉、变异循环迭代，直到求出车辆端的最优策略组合。

最优行驶策略包括加速度调整策略和车道调整策略。

此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (8)

1.一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，具体包括以下步骤：

S1、采集网联自动驾驶车辆在交叉口控制区域内的物理状态信息；

S2、根据所述物理状态信息确定车辆端的加速度策略以及车道策略的选择范围；

S3、结合车辆端的加速度策略以及车道策略，建立个体车辆的收益；

S4、以个体车辆的收益为基础，建立车辆群体的联盟特征函数；

S5、根据车辆群体的联盟特征函数，基于合作博弈理论建立交叉口网联自动驾驶车辆协同驾驶模型；

S6、根据所述交叉口网联自动驾驶车辆协同驾驶模型，计算得到车辆群体的最优行驶策略组合，并发送至对应的车辆端；

S7、车辆端根据接收到的最优行驶策略发送控制指令调整驾驶行为；

所述个体车辆的收益包括安全性收益、效率收益和舒适性收益；

所述安全性收益为行车风险值的相反数，所述行车风险值具体通过将机动车运动形成的动能场作为行车势能场，根据所述行车势能场计算得到，具体公式如下所示：

U_{i_safe}＝∑U_{ij_safe},j∈ω(i)

其中，U_{ij_safe}为在车辆端j的行车势场下车辆端i的安全性收益，E_{V_jo}为车辆端j对应的运动物体在冲突点o处产生的潜在危险程度，即行车风险值，U_{i_safe}为车辆端i的总安全性收益，M_j为车辆端j的等效质量，G、k₁和k₂均为大于0的常数系数，L'_j为车辆端j对应的运动物体的长度，ω(i)为车辆端i进入交叉口控制区域时的其他车辆端的集合，θ_j为车辆端j对应的运动物体的运动方向与向量r_jo的夹角，θ_j∈[-π,π]，顺时针方向为正，r_jo为车辆端j指向冲突点o的向量，与场强方向相同，场强在此方向上变化最快，|r_jo|为车辆端j与冲突点o的距离，v'_j为车辆端j对应的运动物体的速度。

2.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述物理状态信息包括二维空间位置、速度和加速度。

3.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述车辆端的加速度策略基于车辆端在当前时刻的速度，具体公式如下所示：

a_min≤a_i≤a_max

其中，a_i为车辆端i的加速度，a_min为车辆端的最小加速度，a_max为车辆端的最大加速度，v_i为车辆端i的速度，v_min为车辆端的最小速度，v_max为车辆端的最大速度，△t为单位时间。

4.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述效率收益具体以单位时间内车辆端的速度变化计算得到，具体公式如下所示：

其中，U_{i_eff}为车辆端i的效率收益，

为第t+1时刻车辆端i的速度，

为第t时刻车辆端i的速度，△t为单位时间，a_i为车辆端i的加速度。

5.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述舒适性收益的评价指标包括车辆纵向的加速度变化信息和横向的累积换道次数，具体公式如下所示：

U_{i_com}＝-|a_i ^t+1-a_i ^t|-c_i ^t+1

其中，U_{i_com}为车辆端i的舒适性收益，a_i ^t+1为第t+1时刻车辆端i的加速度，a_i ^t为第t时刻车辆端i的速度，c_i ^t+1为从初始时刻到t+1时刻车辆端i的累积换道次数。

6.根据权利要求5所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述从初始时刻到t+1时刻车辆端i的累积换道次数的计算公式如下所示：

其中，c_i ^t为从初始时刻到t时刻车辆端i的累积换道次数，c_max为车辆端换道次数的最大值。

7.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述个体车辆的安全性收益、效率收益和舒适性收益经过归一化处理后，计算得到个体车辆的收益，具体公式如下所示：

U_i＝αU′_{i_safe}+βU′_{i_eff}+γU′_{i_com}

α+β+γ＝1

其中，α、β和γ分别为安全性收益、效率收益、舒适性收益的权重系数，均为0到1之间的实数，U'_{i_safe}、U'_{i_eff}和U'_{i_com}分别为归一化后的安全性收益、效率收益和舒适性收益。

8.根据权利要求1所述的一种面向纯网联环境的单点交叉口车辆控制方法，其特征在于，所述最优行驶策略包括加速度调整策略和车道调整策略。

Images