CN113823118B - 一种联合紧急程度和博弈论的智能网联车辆换道方法 - Google Patents

一种联合紧急程度和博弈论的智能网联车辆换道方法 Download PDF

Info

Publication number
CN113823118B
CN113823118B CN202110195690.0A CN202110195690A CN113823118B CN 113823118 B CN113823118 B CN 113823118B CN 202110195690 A CN202110195690 A CN 202110195690A CN 113823118 B CN113823118 B CN 113823118B
Authority
CN
China
Prior art keywords
vehicle
lane
changing
lane change
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
Application number
CN202110195690.0A
Other languages
English (en)
Other versions
CN113823118A (zh
Inventor
张文胜
崔德邦
郝孜奇
王延仓
赵明伟
岳康
付凯之
梁晨曦
赵耘彻
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.)
Hebei Wutu Technology Co ltd
Shijiazhuang Tiedao University
Original Assignee
Hebei Wutu Technology Co ltd
Shijiazhuang Tiedao 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 Hebei Wutu Technology Co ltd, Shijiazhuang Tiedao University filed Critical Hebei Wutu Technology Co ltd
Priority to CN202110195690.0A priority Critical patent/CN113823118B/zh
Publication of CN113823118A publication Critical patent/CN113823118A/zh
Application granted granted Critical
Publication of CN113823118B publication Critical patent/CN113823118B/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
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明公开了一种联合紧急程度和博弈论的智能网联车辆换道方法，基于机器学习算法原理，使用聚类分析对车辆换道数据集进行紧急程度定义，创新性的通过RBF径向基神经网络来预测智能网联车辆换道时刻的紧急程度并得到紧急程度因子，将该因子引入博弈矩阵并计算收益值，最终得出换道决策结果。与现有的仅依靠博弈论的智能网联车辆换道方法相比，本发明实时决策性较强且便于计算机实现，能够量化车辆换道时刻紧急程度，在进行换道决策时执行效率更高、决策准确率更好，解决了传统博弈论换道模型适应性不强的缺点，可为智能网联车辆变道碰撞预警系统及自主换道决策系统提供理论和技术支持。

Description

一种联合紧急程度和博弈论的智能网联车辆换道方法
技术领域
本发明涉及一种联合紧急程度和博弈论的智能网联车辆换道方法，属于智能驾驶技术领域。
背景技术
为了减少由人为因素而引起的交通事故并提高道路通行效率，智能网联车辆应运而生，在解脱驾驶员繁重的驾驶任务同时，也降低了由于人为操作不当而导致的交通安全事故率。在包含加速、减速、掉头、变道、跟驰、停车的多种智能网联车辆行为决策当中，换道决策以其过程的复杂性和决策的关键性一直备受广大学者的关注和研究。现阶段有研究者将车辆换道行为看作参与者之间的博弈，利用智能网联车辆的信息交互功能计算参与者之间的收益并建立换道博弈模型，通过求解博弈矩阵得出当前时刻的最优决策。但采用此类方法量化参与者收益时，多根据距离或时效进行计算，缺乏对周边驾驶环境变化的考虑且决策效率较低。有研究表明，当目标前方障碍物小于3.16m时，采用换道避险的操作比急刹避险所需的安全距离更短且更具有优势。然而，当前已有的多数换道模型在决策时主要依靠车辆运动学构建方程，根据本车与周边环境车之间的相对距离、相对速度进行判断，较少的考虑换道紧急程度对于换道安全的影响，使得车辆在面对紧急情况时决策效率较低，容易出现“不敢”换道的情况并错过最佳换道时机。
发明内容
有鉴于此，本发明提供了一种联合紧急程度和博弈论的智能网联车辆换道方法。
为解决上述问题，本发明所采取的技术方案是：
一种联合紧急程度和博弈论的智能网联车辆换道方法，包括以下步骤：
S1，采集车辆换道时刻数据，将采集到的数据利用聚类分析法进行换道时刻紧急程度划分，将划分好的数据用于RBF神经网络的训练，保存训练后的模型；
S2，车辆行驶过程中获取车辆换道时刻数据；
S3，进行换道意图判断，若产生换道意图，进入步骤S4，若未产生换道意图，进入步骤S2；
S4，若换道时刻，本车符合换道安全限制条件，进入步骤S5，不符合换道安全限制条件则检查此时是否符合跟驰安全限制条件，若符合跟驰安全限制条件则返回步骤S2，若不符合跟驰安全限制条件则选择刹车避险；
S5，根据步骤S2中获得的数据和步骤S1中训练好的RBF神经网络模型，对当前时刻车辆换道紧急程度进行预测并得出结果，进入步骤S6。
S6，构建智能网联车辆换道博弈矩阵如下：
Figure GDA0003636042810000021
博弈中的参与者分别是本车F及目标车道后车B，对于本车F而言，存在纯策略集{换道，不换道}，对于目标车道后车B而言，根据本车F的选择，存在{避让，不避让}两种策略，二者策略集合所对应的收益分别为GF和GB，收益函数G计算公式如下：
G＝β*δ1+(1-β)*δ2 (1-7)
其中δ1和δ2分别为安全收益和速度收益，β为紧急程度；
通过求解博弈矩阵得出决策结果；若决策结果为{换道，避让}则执行换道决策，若决策结果为{换道，不避让}则进入步骤S7，若决策结果为{不换道，不避让}或{不换道，避让}，则进入步骤S8；
换道时刻的紧急程度β的种类由RBF神经网络预测得出，即危险换道、避险换道、安全换道其中之一，使用数据归一化的方式将β的值映射在0～1之间，β越大，说明此时换道紧急程度越高，越容易发生事故，反之，则表示换道时刻紧急程度较低，此时换道较为安全；
安全收益的计算方法如下：
Figure GDA0003636042810000031
SFB代表此时本车F和目标车道后车B的纵向距离，SBF代表此时目标车道后车B和本车F的纵向距离，数值与SFB相同，SFBmin代表换道时刻本车F和目标车道后车B应该保持的最小安全距离；SFH代表此时本车F和目标车道前车H的纵向距离，SFHmin代表换道时刻本车F和目标车道前车H应该保持的最小安全距离；SFP代表此时本车F和当前车道前车P之间的纵向距离，SFPmin代表换道时刻本车F和当前车道前车P应该保持的最小安全距离；SFD代表此时本车F和当前车道后车D之间的纵向距离，SFDmin代表换道时刻本车F和当前车道后车D应该保持的最小安全距离；SBH代表此时目标车道后车B和目标车道前车H之间的纵向距离，SBHmin代表换道时刻目标车道后车B和目标车道前车H应该保持的最小安全距离；
速度收益的计算方法如下：
Figure GDA0003636042810000041
vB1指目标车道后车选择避让策略时的预期避让速度，取本车换道开始时刻速度vF，vB2指本车换道时刻目标车道后车速度，vH为本车换道时刻目标车道前车速度，vF为本车换道时刻速度，vP为本车换道时刻当前车道前车速度。
S7，当决策结果为{换道，不避让}时，根据此时的紧急程度做出判断，若属于安全换道或避险换道，此时决策为本车换道，后车避让，若属于危险换道，此时决策为本车不换道，后车不避让；
S8，根据跟驰安全限制条件判断是否可以继续跟驰，若符合则以期望速度继续跟驰前车并进入步骤S2，若不符合则选择以最大制动减速度刹车以规避风险。
更进一步的技术方案是，步骤S1中，使用智能网联车辆车身传感器或路测设备采集车辆换道时刻数据。
更进一步的技术方案是，步骤S1中，采集的车辆换道时刻数据包括换道时刻本车速度、加速度；换道时刻本车道前后车速度、加速度；换道时刻目标车道前后车速度、加速度；换道时刻本车和当前车道前车的距离；换道时刻本车和当前车道后车的距离；换道时刻本车和目标车道前车的距离；换道时刻本车和目标车道后车的横向距离、纵向距离。
更进一步的技术方案是，步骤S3中，利用速度不满意累计度这一指标进行换道意图判断。
更进一步的技术方案是，步骤S4中，所述换道安全限制条件为本车和目标车道后车之间的距离大于本车和目标车道后车之间需要保持的换道最小安全距离，且本车和目标车道前车之间的距离大于本车和目标车道前车之间需要保持的换道最小安全距离。
更进一步的技术方案是，步骤S4中，所述跟驰安全限制条件为换道时刻本车和当前车道前车之间的距离大于换道车辆和当前车道前车的安全距离。
本发明的有益效果在于：本技术提出联合换道紧急程度和博弈论的智能网联车辆换道方法，基于机器学习算法原理，使用聚类(K-Means)分析对车辆换道数据集进行紧急程度定义，创新性的通过RBF(Radial Basis Function)径向基神经网络来预测智能网联车辆换道时刻的紧急程度并得到紧急程度因子，将该因子引入博弈矩阵并计算收益值，最终得出换道决策结果。
在紧急程度分类方面使用了无监督学习算法中较为常见且应用较为广泛的K-Means聚类分析法，该方法收敛速度快、聚类效果较优且易于在计算机实现。在换道紧急程度预测方面使用了RBF(Radial Basis Function)径向基神经网络，该网络具有较强的非线性映射能力及自主学习能力，具有较好的分类和预测能力，其局部逼近的特点也使得其运算速度较快，便于计算机实现。
本发明的基于博弈论和紧急程度的智能网联车辆换道方法与现有的仅依靠博弈论的智能网联车辆换道方法相比，本发明实时决策性较强，能够量化车辆换道时刻紧急程度，在进行换道决策时执行效率更高、决策准确率更好，解决了传统博弈论换道模型适应性不强的缺点。
附图说明
图1为本发明涉及的换道博弈场景；
图2为本发明的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
一种基于博弈论和紧急程度的智能网联车辆换道方法，其流程见图2，包括以下步骤：
S1，采集车辆换道时刻数据，将采集到的数据利用聚类分析法进行换道时刻紧急程度划分，将划分好的数据用于RBF神经网络的训练，保存训练后的模型；
在本实施例中，步骤S1中，使用智能网联车辆车身传感器或路测设备采集车辆换道时刻数据。采集的车辆换道时刻数据包括换道时刻本车速度、加速度；换道时刻本车道前后车速度、加速度；换道时刻目标车道前后车速度、加速度；换道时刻本车和当前车道前车的距离；换道时刻本车和当前车道后车的距离；换道时刻本车和目标车道前车的距离；换道时刻本车和目标车道后车的横向距离、纵向距离。
步骤S1中，换道时刻紧急程度划分具体步骤为：
首先利用采集到的车辆换道时刻数据作为输入值，每一组车辆换道时刻数据作为一个样本点，不断遍历计算不同簇值时，计算每个输入样本点到聚类中心的误差平方和，根据其误差平方和的变化率确定最优划分簇数，当K值大于3时，误差平方和变化率逐渐趋于一致，故可以确定最优簇数为3，即分为3类。
确定最优簇数后，利用K-Means聚类算法对采集到的每一组车辆换道时刻数据进行划分。共包含三类，这里定义为{危险换道，避险换道，安全换道}三类情况，至此每一组采集的换道数据都得到了相对应的换道紧急程度。
RBF神经网络训练具体步骤为：
利用采集的车辆换道时刻数据和划分结果进行RBF神经网络训练，将采集的车辆换道时刻数据作为RBF神经网络的输入值，RBF神经网络的输出值则为换道紧急程度，根据输入值和输出值划分训练集进行网络训练，训练完成后保存模型。
S2，车辆行驶过程中获取车辆换道时刻数据；
步骤S2中，通过智能网联车辆之间的实时通信或智能网联车辆自身携带传感器测量或路测设备测量的方式进行信息获取。
S3，进行换道意图判断，若产生换道意图，进入步骤S4，若未产生换道意图，进入步骤S2；
步骤S3中，利用速度不满意累计度这一指标进行换道意图判断。其中速度不满意累计度表达式如下：
Figure GDA0003636042810000071
其中d(t)表示当前时刻本车的速度不满意累计度，ti代表取样时刻时间，相邻取样时刻之间的时间差即为取样周期，vdes表示本车期望速度，vn表示本车当前速度。若d(t)超过预先设定的阈值，则产生换道意图。
S4，若换道时刻，本车符合换道安全限制条件，进入步骤S5，不符合换道安全限制条件则检查此时是否符合跟驰安全限制条件，若符合跟驰安全限制条件则返回步骤S2，若不符合跟驰安全限制条件则选择刹车避险；
步骤S4中，所述换道安全限制条件为本车和目标车道后车之间的距离大于本车和目标车道后车之间需要保持的换道最小安全距离，且本车和目标车道前车之间的距离大于本车和目标车道前车之间需要保持的换道最小安全距离。其中，所述本车和目标车道后车之间需要保持的换道最小安全距离的计算公式如下：
Figure GDA0003636042810000072
式中SFBmin代表本车和目标车道后车之间需要保持的换道最小安全距离，若换道时刻本车和目标车道后车之间距离大于SFBmin，说明此时本车满足式1-2的限制条件。Lsafe表示本车因特殊情况在换道过程中停车，停车后与目标车道后车之间保持的最小安全距离，一般取2m。vF代表本车换道时刻速度，vB代表目标车道后车换道时刻速度，aF为本车最大制动减速度，aB为目标车道后车最大制动减速度，tr为目标车道后车反应时间，LF为本车车长，LB为目标车道后车车长。
所述本车和目标车道前车之间需要保持的换道最小安全距离的计算公式如下：
Figure GDA0003636042810000081
式中SFHmin代表本车和目标车道前车之间需要保持的换道最小安全距离，若换道时刻本车和目标车道前车之间距离大于SFHmin，说明此时本车满足式1-3的限制条件。Lsafe表示目标车道前车因特殊情况在本车换道过程中停车，停车后与本车之间保持的最小安全距离，一般取2m。vF代表本车换道时刻速度，vH代表目标车道前车换道时刻速度，aF为本车最大制动减速度，aH为目标车道前车最大制动减速度，tr为本车反应时间，LF为本车车长，LH为目标车道前车车长。
步骤S4中，所述跟驰安全限制条件为换道时刻本车和当前车道前车之间的距离大于换道车辆和当前车道前车的安全距离。其中，所述换道车辆F和当前车道前车P的安全距离的计算公式如下：
Figure GDA0003636042810000082
SFPmin为换道车辆F和当前车道前车P的安全距离，若换道时刻本车和当前车道前车之间的距离大于SFPmin，则满足跟驰安全限制条件，其中xf(t)为t时刻换道车辆F的位置，xp(t)为t时刻当前车道前车P的位置，LP为当前车道前车P的车身长度，aF为F的最大减速度，aP为P的最大减速度，τ为F的反应时间，vf(t)为t时刻F的速度，vP(t)为t时刻P的速度。
所述换道车辆F和当前车道后车D的安全距离的计算公式如下：
Figure GDA0003636042810000083
SFDmin为换道车辆F和当前车道后车D的安全距离，其中xf(t)为t时刻换道车辆F的位置，xd(t)为t时刻当前车道后车D的位置，LF为换道车辆F的车身长度，aD为D的最大制动减速度，aF为F的最大制动减速度，τ为D的反应时间，vF(t)为t时刻F的速度，vD(t)为t时刻D的速度。
所述目标车道后车B和目标车道前车H的安全距离的计算公式如下：
Figure GDA0003636042810000091
SBHmin为目标车道后车B和目标车道前车H的安全距离，其中xh(t)为t时刻目标车道前车H的位置，xb(t)为t时刻目标车道后车B的位置，LH为目标车道前车H的车身长度，vB(t)为t时刻B的速度，vH(t)为t时刻H的速度，τ为B的反应时间，aB为B的最大制动减速度，aH为H的最大制动减速度。
S5，根据步骤S2中获得的数据和步骤S1中训练好的RBF神经网络模型，对当前时刻车辆换道紧急程度进行预测并得出结果，进入步骤S6。RBF神经网络对换道紧急程度预测的具体步骤为：
利用步骤S1训练好的RBF神经网络模型，将采集的车辆换道时刻数据作为网络的输入向量，换道紧急程度作为输出向量，得到车辆此时的换道紧急程度，由于RBF神经网络的局部逼近特点，可保证得出结果的瞬时性。
S6，构建智能网联车辆换道博弈矩阵如下，其中的博弈场景如图1所示：
Figure GDA0003636042810000092
博弈中的参与者分别是本车F及目标车道后车B，对于本车F而言，存在纯策略集{换道，不换道}，对于目标车道后车B而言，根据本车F的选择，存在{避让，不避让}两种策略，二者策略集合所对应的收益分别为GF和GB，收益函数G计算公式如下：
G＝β*δ1+(1-β)*δ2 (1-7)
其中δ1和δ2分别为安全收益和速度收益，β为紧急程度；
通过求解博弈矩阵得出决策结果；若决策结果为{换道，避让}则执行换道决策，若决策结果为{换道，不避让}则进入步骤S7，若决策结果为{不换道，不避让}或{不换道，避让}，则进入步骤S8；
换道时刻的紧急程度β的种类由RBF神经网络预测得出，即危险换道、避险换道、安全换道其中之一，由换道时刻本车与周边环境车辆相对速度差、相对加速度差及车间距共同决定，使用数据归一化的方式将β的值映射在0～1之间，β越大，说明此时换道紧急程度越高，越容易发生事故，反之，则表示换道时刻紧急程度较低，此时换道较为安全；例如，若经过RBF神经网络预测后得出此时换道属于危险换道，β的值会在{0.7～1}之间，具体数值由RBF神经网络计算并以归一化映射的形式得出；若得出此时换道属于避险换道，β的值会在{0.4～0.7}之间，具体数值由RBF神经网络计算并以归一化映射的形式得出；若得出此时换道属于安全换道，β的值会在{0～0.4}之间，具体数值由RBF神经网络计算并以归一化映射的形式得出；上述区间范围是根据步骤S1采集到的换道数据得出的，这里仅作为举例说明。安全收益的计算方法如下：
Figure GDA0003636042810000111
SFB代表此时本车F和目标车道后车B的纵向距离，SBF代表此时目标车道后车B和本车F的纵向距离，SFBmin代表换道时刻本车F和目标车道后车B应该保持的最小安全距离，计算方式见式1-2；SFH代表此时本车F和目标车道前车H的纵向距离，SFHmin代表换道时刻本车F和目标车道前车H应该保持的最小安全距离，计算方式见式1-3；SFP代表此时本车F和当前车道前车P之间的纵向距离，SFPmin代表换道时刻本车F和当前车道前车P应该保持的最小安全距离，计算方式见式1-4；SFD代表此时本车F和当前车道后车D之间的纵向距离，SFDmin代表换道时刻本车F和当前车道后车D应该保持的最小安全距离，计算方式参考式1-5；SBH代表此时目标车道后车B和目标车道前车H之间的纵向距离，SBHmin代表换道时刻目标车道后车B和目标车道前车H应该保持的最小安全距离，计算方式参考式1-6；
速度收益的计算方法如下：
Figure GDA0003636042810000121
vB1指目标车道后车选择避让策略时的预期避让速度，取本车换道开始时刻速度vF，vB2指本车换道时刻目标车道后车速度，vH为本车换道时刻目标车道前车速度，vF为本车换道时刻速度，vP为本车换道时刻当前车道前车速度。
S7，当决策结果为{换道，不避让}时，根据此时的紧急程度做出判断，若属于安全换道或避险换道，此时决策为本车换道，后车避让，若属于危险换道，此时决策为本车不换道，后车不避让；
S8，根据跟驰安全限制条件判断是否可以继续跟驰，若符合则以期望速度继续跟驰前车并进入步骤S2，若不符合则选择以最大制动减速度刹车以规避风险。

Claims (6)

1.一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，包括以下步骤：
S1，采集车辆换道时刻数据，将采集到的数据利用聚类分析法进行换道时刻紧急程度划分，将划分好的数据用于RBF神经网络的训练，保存训练后的模型；
S2，车辆行驶过程中获取车辆换道时刻数据；
S3，进行换道意图判断，若产生换道意图，进入步骤S4，若未产生换道意图，进入步骤S2；
S4，若换道时刻，本车符合换道安全限制条件，进入步骤S5，不符合换道安全限制条件则检查此时是否符合跟驰安全限制条件，若符合跟驰安全限制条件则返回步骤S2，若不符合跟驰安全限制条件则选择刹车避险；
S5，根据步骤S2中获得的数据和步骤S1中训练好的RBF神经网络模型，对当前时刻车辆换道紧急程度进行预测并得出结果，进入步骤S6；
S6，构建智能网联车辆换道博弈矩阵如下：
Figure FDA0003636042800000011
博弈中的参与者分别是本车F及目标车道后车B，对于本车F而言，存在纯策略集{换道，不换道}，对于目标车道后车B而言，根据本车F的选择，存在{避让，不避让}两种策略，二者策略集合所对应的收益分别为GF和GB，收益函数G计算公式如下：
G＝β*δ1+(1-β)*δ2
其中δ1和δ2分别为安全收益和速度收益，β为紧急程度；
通过求解博弈矩阵得出决策结果；若决策结果为{换道，避让}则执行换道决策，若决策结果为{换道，不避让}则进入步骤S7，若决策结果为{不换道，不避让}或{不换道，避让}，则进入步骤S8；
换道时刻的紧急程度β的种类由RBF神经网络预测得出，即危险换道、避险换道、安全换道其中之一，使用数据归一化的方式将β的值映射在0～1之间，β越大，说明此时换道紧急程度越高，越容易发生事故，反之，则表示换道时刻紧急程度较低，此时换道较为安全；
安全收益的计算方法如下：
Figure FDA0003636042800000021
SFB代表此时本车F和目标车道后车B的纵向距离，SBF代表此时目标车道后车B和本车F的纵向距离，数值与SFB相同，SFBmin代表换道时刻本车F和目标车道后车B应该保持的最小安全距离；SFH代表此时本车F和目标车道前车H的纵向距离，SFHmin代表换道时刻本车F和目标车道前车H应该保持的最小安全距离；SFP代表此时本车F 和当前车道前车P之间的纵向距离，SFPmin代表换道时刻本车F和当前车道前车P应该保持的最小安全距离；SFD代表此时本车F和当前车道后车D之间的纵向距离，SFDmin代表换道时刻本车F和当前车道后车D应该保持的最小安全距离；SBH代表此时目标车道后车B和目标车道前车H之间的纵向距离，SBHmin代表换道时刻目标车道后车B和目标车道前车H应该保持的最小安全距离；
速度收益的计算方法如下：
Figure FDA0003636042800000031
vB1指目标车道后车选择避让策略时的预期避让速度，vB2指本车换道时刻目标车道后车速度，vH为本车换道时刻目标车道前车速度，vF为本车换道时刻速度，vP为本车换道时刻当前车道前车速度；
S7，当决策结果为{换道，不避让}时，根据此时的紧急程度做出判断，若属于安全换道或避险换道，此时决策为本车换道，后车避让，若属于危险换道，此时决策为本车不换道，后车不避让；
S8，根据跟驰安全限制条件判断是否可以继续跟驰，若符合则以期望速度继续跟驰前车并进入步骤S2，若不符合则选择以最大制动减速度刹车以规避风险。
2.根据权利要求1所述的一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，步骤S1中，使用智能网联车辆车身传感器或路测设备采集车辆换道时刻数据。
3.根据权利要求1所述的一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，步骤S1中，采集的车辆换道时刻数据包括换道时刻本车速度、加速度；换道时刻本车道前后车速度、加速度；换道时刻目标车道前后车速度、加速度；换道时刻本车和当前车道前车的距离；换道时刻本车和当前车道后车的距离；换道时刻本车和目标车道前车的距离；换道时刻本车和目标车道后车的横向距离、纵向距离。
4.根据权利要求1所述的一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，步骤S3中，利用速度不满意累计度这一指标进行换道意图判断。
5.根据权利要求1所述的一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，步骤S4中，所述换道安全限制条件为本车和目标车道后车之间的距离大于本车和目标车道后车之间需要保持的换道最小安全距离，且本车和目标车道前车之间的距离大于本车和目标车道前车之间需要保持的换道最小安全距离。
6.根据权利要求1所述的一种联合紧急程度和博弈论的智能网联车辆换道方法，其特征在于，步骤S4中，所述跟驰安全限制条件为换道时刻本车和当前车道前车之间的距离大于换道车辆和当前车道前车的安全距离。
CN202110195690.0A 2021-02-19 2021-02-19 一种联合紧急程度和博弈论的智能网联车辆换道方法 Active CN113823118B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110195690.0A CN113823118B (zh) 2021-02-19 2021-02-19 一种联合紧急程度和博弈论的智能网联车辆换道方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110195690.0A CN113823118B (zh) 2021-02-19 2021-02-19 一种联合紧急程度和博弈论的智能网联车辆换道方法

Publications (2)

Publication Number Publication Date
CN113823118A CN113823118A (zh) 2021-12-21
CN113823118B true CN113823118B (zh) 2022-07-08

Family

ID=78912451

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110195690.0A Active CN113823118B (zh) 2021-02-19 2021-02-19 一种联合紧急程度和博弈论的智能网联车辆换道方法

Country Status (1)

Country Link
CN (1) CN113823118B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114882705B (zh) * 2022-05-30 2024-04-26 武汉理工大学 一种基于换道决策系统的货运车辆交互博弈换道决策方法
CN117373235B (zh) * 2023-09-28 2024-12-10 合肥工业大学 一种行人与自动驾驶车辆的交互博弈均衡策略探究方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN110362910A (zh) * 2019-07-05 2019-10-22 西南交通大学 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法
CN110962853A (zh) * 2019-11-25 2020-04-07 浙江工业大学 一种车联网环境下车辆博弈换道协作方法
WO2020135742A1 (zh) * 2018-12-29 2020-07-02 长城汽车股份有限公司 自动驾驶车辆的横向决策系统及横向决策确定方法
CN111994089A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 基于混合策略博弈的驾驶人换道意图识别方法及系统

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108595823A (zh) * 2018-04-20 2018-09-28 大连理工大学 一种联合驾驶风格和博弈理论的自主车换道策略的计算方法
WO2020135742A1 (zh) * 2018-12-29 2020-07-02 长城汽车股份有限公司 自动驾驶车辆的横向决策系统及横向决策确定方法
CN109739246A (zh) * 2019-02-19 2019-05-10 百度在线网络技术（北京）有限公司 一种变换车道过程中的决策方法、装置、设备及存储介质
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN110362910A (zh) * 2019-07-05 2019-10-22 西南交通大学 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法
CN110962853A (zh) * 2019-11-25 2020-04-07 浙江工业大学 一种车联网环境下车辆博弈换道协作方法
CN111994089A (zh) * 2020-09-02 2020-11-27 中国科学技术大学 基于混合策略博弈的驾驶人换道意图识别方法及系统

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
Driver"s lane selection model based on phase-field coupling and multiplayer dynamic game with incomplete information;WANG X等;《Journal of Advanced Transportation》;20181231;全文 *
Modeling lane-changing behavior in a connected environment: A game theory approach;ALIREZA等;《Transportation Research Procedia》;20151231;全文 *
人工智能类换道模型研究综述;张云等;《黄河科技学院学报》;20201130;全文 *
双车道自动-手动驾驶汽车混合交通流博弈模型及其仿真;魏修建等;《系统工程》;20181128(第11期);全文 *
基于博弈论的人类驾驶与无人驾驶协作换道模型;薛春铭等;《计算机工程》;20171215(第12期);全文 *
基于有限零和灰色博弈的车道变换决策分析;彭金栓等;《科技导报》(第03期);全文 *

Also Published As

Publication number Publication date
CN113823118A (zh) 2021-12-21

Similar Documents

Publication Publication Date Title
CN103754221B (zh) 一种车辆自适应巡航控制系统
CN112622886B (zh) 一种综合考虑前后障碍物的重型营运车辆防碰撞预警方法
CN105966396B (zh) 一种基于驾驶员避撞行为的车辆避撞控制方法
CN106740829B (zh) 基于聚类分析双半挂汽车行驶稳定性自动识别与预警系统
CN112307564A (zh) 列车ato目标运行速度曲线优化方法及装置
CN111439264B (zh) 一种基于人机混驾的换道控制模型的实现方法
CN106023344A (zh) 基于驾驶模式转换概率的驾驶风格估计方法
CN113823118B (zh) 一种联合紧急程度和博弈论的智能网联车辆换道方法
CN110435655B (zh) 一种考虑再生制动的电动汽车车队自适应巡航优化方法
CN109910897B (zh) 一种基于前方路面峰值附着系数的安全距离估算方法
CN108765942A (zh) 一种智能网联汽车弯道危险预警系统及方法
CN104828062A (zh) 一种基于驾驶员制动意图识别的制动控制方法
CN113721606A (zh) 引导式自动驾驶物流车辆控制系统及方法
Guo et al. Improved car-following strategy based on merging behavior prediction of adjacent vehicle from naturalistic driving data
CN115675098B (zh) 基于用户特征差异的智能网联汽车动能回收系统、方法、设备及存储介质
CN116957345B (zh) 用于无人驾驶系统中的数据处理方法
CN109455178A (zh) 一种基于双目视觉的道路交通车辆行驶主动控制系统及方法
CN112731806A (zh) 智能网联汽车随机模型预测控制实时性优化方法
CN113240901B (zh) 一种智能车换道行为风险等级确定方法及装置
CN115018353A (zh) 一种异质交通流下的智能网联汽车决策规划方法
CN114734966A (zh) 基于摄像头和云端实时地图的自动紧急制动系统及方法
CN110610611B (zh) 面向混行交通流中智能网联车辆的行车安全性评价方法
CN118651233A (zh) 一种考虑驾驶风格的车辆制动控制方法
CN114154227B (zh) 一种重型挂车制动过程自适应学习方法
CN113327457B (zh) 一种基于车路协同技术的车辆避碰系统及方法

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