CN114261392B - 一种用于信号灯场景下的数据驱动型车速规划方法 - Google Patents

一种用于信号灯场景下的数据驱动型车速规划方法 Download PDF

Info

Publication number
CN114261392B
CN114261392B CN202111634690.2A CN202111634690A CN114261392B CN 114261392 B CN114261392 B CN 114261392B CN 202111634690 A CN202111634690 A CN 202111634690A CN 114261392 B CN114261392 B CN 114261392B
Authority
CN
China
Prior art keywords
vehicle
vehicle speed
signal lamp
state
model
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
CN202111634690.2A
Other languages
English (en)
Other versions
CN114261392A (zh
Inventor
吴光强
曾翔
吕志超
王超
陈凯旋
彭尚
蒋敏凯
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.)
Tongji University
Original Assignee
Tongji 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 Tongji University filed Critical Tongji University
Priority to CN202111634690.2A priority Critical patent/CN114261392B/zh
Publication of CN114261392A publication Critical patent/CN114261392A/zh
Application granted granted Critical
Publication of CN114261392B publication Critical patent/CN114261392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Control Of Vehicle Engines Or Engines For Specific Uses (AREA)

Abstract

本发明公开一种用于信号灯场景下的数据驱动型车速规划方法，包括：基于机器视觉和无线通信技术以获得前方信号灯信息，发送给周围车辆；判断是否能在限速方位内通过交叉路口，并根据不同工况进行车速规划，构建马尔科夫模型并求解；根据信号灯持续时间和信号灯类型，以及对车辆行为的预测，计算以当前状态到达红绿灯的时间，进行模式识别，三种工况对应的车速规划为：Acc工况、Brk工况和Nor工况，并针对不同的工况，设计不同的优化目标进行车速规划；采用Q‑learning方法求解出离线Q表，嵌入到MCU中实现预期目标；三种工况进行实车试验和验证。本发明的优点是提高了车辆的通过性。

Description

一种用于信号灯场景下的数据驱动型车速规划方法
技术领域
本发明涉及一种信号灯场景下的车速规划领域，特别涉及一种用于信号灯场景下的数据驱动型车速规划方法。
背景技术
生态驾驶辅助系统是指在驾驶过程中，通过获取外部信息，对整车车速、挡位、发动机状态进行控制，使得整车燃油经济性得到提高。据相关研究，生态辅助驾驶节省10%-20%的燃油消耗，这相当于每年在全球范围内节省7.5亿桶石油。生态驾驶辅助的主要场景有三个：巡航、跟驰以及信号灯下的启停场景。 “环境应用-实时信息融合AERIS”项目认为，交叉路口的生态驾驶操作是最常见且最具有潜力的应用之一。而其关键技术则在于如何通过设计经济性车速和挡位以避免过加速、过减速以及长时间的怠速。
现有的信号灯路口场景下的车速规划算法大致分为两类。一类是基于规则的信号灯通信策略，该类方法将前方信号灯相位信息整合，进而计算出通过信号灯的车速范围。第二类是将问题抽象为最优化求解问题，以车辆通过性、路口平均延误、车辆经济性等为目标构建多目标优化问题。该类方法又可以进一步划分为模型驱动的方法和数据驱动的方法。模型驱动如基于遗传算法-粒子群混合算法求解车速轨迹并基于MPC算法进行跟踪，但是该方法需要基于精确的、复杂的模型，并且伴随着复杂的矩阵运算，这对于MCU来说是很难接受的。数据驱动的方法是灵活地构造多目标优化问题，并且不需要关心模型内部的具体原理。但是目前的信号灯场景下的车速规划方法都是假设前方信号灯信息已知，实际上当前信号灯信息的获取仍然是一个比较难以解决的问题，普通的机器视觉由于识别距离的限制，根本难以在远距离提前预知信息。
这是本申请需要着重改善的地方。
发明内容
本发明所要解决的技术问题是要提供一种用于信号灯场景下的数据驱动型车速规划方法，有效减少了车辆在信号灯路口下的不合理的制动、加速和长时间的怠速，提高了车辆的通过性。
为了解决以上的技术问题，本发明提供了一种用于信号灯场景下的数据驱动型车速规划方法，包括：
S1：基于机器视觉和无线通信技术以获得前方信号灯信息；
前方已到达信号灯的车辆通过机器视觉感知前方信号灯的信息，通过无线通信技术发送给周围车辆，实现远距离的信号灯信息预知；
前方的车辆上装备摄像头；在行驶过程中，基于YOLOv4-tiny算法进行信号灯状态和时间的识别；
S2：判断是否能在限速方位内通过交叉路口，并根据不同工况进行车速规划，以提高车辆通过性、整车经济性和舒适性为综合目标，构建马尔科夫模型并求解；
基于步骤S1的前方信号灯信息，以通过性、整车经济性和舒适性为综合目标的数据驱动型车速规划；
基于考虑遗忘因子的最小二乘法构建发动机瞬态油耗模型进行经济性目标的计算、纵向加速度用于整车舒适目标的计算、车辆末状态为通过性目标构建目标函数；
以当前车速和距离信号灯距离为状态集，加速度为行为集构建马尔科夫模型，并求解用于减少车辆不必要的停车、加速和长时间的怠速；
S21：车辆在遵守交通规则的情况下进行车速规划，根据步骤S1识别得到的信号灯持续时间T1，和信号灯类型，以及对车辆行为的预测，计算以当前状态到达红绿灯的时间T2这三个数据，进行模式识别，并根据选择的工况，以对应工况下的车速规划进行，三种工况对应的车速规划如下：
工况一，即Acc工况：若按照当前状态无法通过前方信号灯，但按照最速模式是可通过的，则选择最速行驶模式，通过模糊决策得到最速控制模式的增量因子，车辆加速通行；
工况二，即Brk工况：若最速行驶模式也无法通过前方信号灯，则以到达信号灯处速度为0作约束，选择经济行驶模式进行车速规划；
工况三，即Nor工况：其他情况下，按照经济行驶模式进行车速规划；
S22：针对不同的工况，设计不同的优化目标；
S221：Acc工况以通过性为主要目标，辅以经济性目标作为综合目标；
S222：Brk工况在限速范围内始终无法通过信号灯，必须减速停车，以经济性和舒适性作为优化目标；
S223：Nor工况以舒适性和经济性作为优化目标；
S3：采用Q-learning方法求解出离线Q表，嵌入到MCU中实现预期目标；
通过强化学习求解马尔科夫模型得到最优的行为集，进而得到期望车速，车速规划；基于Q-learning求解车速规划的步骤如下：
S31：状态集选择；
在信号灯场景下，车辆速度以及车辆与信号灯之间的距离是影响能否顺利通过信号灯以及经济性最关键的因素，因此状态集为：
Figure 997008DEST_PATH_IMAGE001
；
公式中：
Figure 744384DEST_PATH_IMAGE002
为状态集表示；/>
Figure 892469DEST_PATH_IMAGE003
为瞬时车速；/>
Figure 776111DEST_PATH_IMAGE004
为车辆离信号灯距离；
S32：行为集选择；
离信号灯的距离是通过状态切换前后的瞬时车速获得，而车速状态的转移是通过加速度a获得，因此仅需加速度作为行为集，考虑到舒适性，应避免急加速和急减速，因此，应约束加速度范围；
Figure 469392DEST_PATH_IMAGE005
；
Figure 172906DEST_PATH_IMAGE006
；
公式中：
Figure 124681DEST_PATH_IMAGE007
为行为集的表示；/>
Figure 331672DEST_PATH_IMAGE008
为瞬时加速度；
S33：奖励函数的设计；
搭建发动机微观瞬态油耗模型，基于瞬时速度和瞬时加速度计算油耗，得到状态切换过程中的油耗量，该油耗量越小越好；
另外，对于通过的情况下，到达信号灯，即s = 0的状态，给予较大的奖励值；
对于不通过的情况下，到达信号灯且停车，即v = 0的状态才给予较大奖励值；因此，整体目标是车辆应尽经济、同时尽快到达信号灯；
微观瞬态油耗模型：
Figure 710700DEST_PATH_IMAGE009
；
公式中：
Figure 901510DEST_PATH_IMAGE010
为瞬时油耗率；/>
Figure 125818DEST_PATH_IMAGE011
为模型参数；
车辆顺利通行信号灯：
Figure 718474DEST_PATH_IMAGE012
；
车辆在信号灯前停车：
Figure 268404DEST_PATH_IMAGE013
；
公式中：
Figure 415351DEST_PATH_IMAGE014
为奖励函数；
S34：状态转移概率；
以车速和距离为状态集，因此下一状态基于车辆纵向动力学模型获得：
Figure 708929DEST_PATH_IMAGE015
；
Figure 906824DEST_PATH_IMAGE016
；
公式中：
Figure 627655DEST_PATH_IMAGE017
表示当前状态的车速；/>
Figure 527478DEST_PATH_IMAGE018
表示下一状态车速；/>
Figure 359168DEST_PATH_IMAGE019
代表规划的时间步长；/>
Figure 395257DEST_PATH_IMAGE020
代表下一状态距离信号灯距离；/>
Figure 286989DEST_PATH_IMAGE021
代表当前状态距离信号灯距离；
S35：模型假设和优化处理；
基于经验采样的蒙特卡洛思想有一个试探性出发的假设，即尽可能对初始状态进行完全随机的生成；因此设定起始距离为[400，500]m，同时起始车速在[0，60]km/h内随机生成，降低模型的收敛速度，提高模型的泛化能力；
S36：模型训练；
使用matlab脚本训练车速规划模型，基于Q-learning的车速规划模型训练结果为一张收敛的离线Q表，该表嵌入到控制器MCU中为车辆提供离线的决策意见；
S4：实验验证；
对S2中的三种工况进行了实车试验和验证，验证结果表明，在Acc工况下，车辆通过性显著提高，在Brk和Nor工况下，车辆的经济性和平顺性显著提高。
本发明的优越功效在于：
1）本发明通过机器视觉和无线通信技术获得前方的信号灯信息，以车辆通过性和经济性为目标，对车辆进行合理的车速规划，能有效改善信号灯路口下车辆的频繁启停现象，提高车辆的通过性；
2）本发明结合发动机瞬时油耗模型，有效改善在信号灯路口下车辆的经济性。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例车速规划方法的流程图；
图2为本发明实施例三种工况下的规划示意图；
图3为本发明实施例Nor工况下的车速规划实车验证结果示意图；
图4为本发明实施例Acc工况下的车速规划实车验证结果示意图；
图5为本发明实施例Brk工况下的车速规划实车验证结果示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明。
图1示出了本发明实施例车速规划方法的流程图。如图1所示，本发明提供了一种用于信号灯场景下的数据驱动型车速规划方法，应用于交叉路口的局部规划场景中，包括：
S1：基于机器视觉和无线通信技术以获得前方信号灯信息；
前方已到达信号灯的车辆通过机器视觉感知前方信号灯的信息，通过无线通信技术将信号灯信息打包发送给周围车辆，实现远距离的信号灯信息预知；
前方的车辆上装备摄像头；在行驶过程中，基于YOLOv4-tiny算法进行信号灯状态和时间的识别；
S2：判断是否能在限速方位内通过交叉路口，并根据不同工况进行车速规划，以提高车辆通过性、整车经济性和舒适性为综合目标，构建马尔科夫模型并求解；
由于信号灯相位和状态信息较多，车辆必须在遵守交通规则的情况下进行车速规划；
基于步骤S1的前方信号灯信息，以通过性、整车经济性和舒适性为综合目标的数据驱动型车速规划；
基于考虑遗忘因子的最小二乘法构建发动机瞬态油耗模型进行经济性目标的计算、纵向加速度用于整车舒适目标的计算、车辆末状态为通过性目标构建目标函数；
以当前车速和距离信号灯距离为状态集，加速度为行为集构建马尔科夫模型，并求解用于减少车辆不必要的停车、加速和长时间的怠速；
S21：车辆在遵守交通规则的情况下进行车速规划，如图2所示，根据步骤S1识别得到的信号灯持续时间T1，和信号灯类型，以及对车辆行为的预测，计算以当前状态到达红绿灯的时间T2这三个数据，进行模式识别。当前方信号灯类型为红灯，并且T2>T1,或者前方绿灯，并且T2＜T1，选择工况三，即Nor工况。当前方绿灯，并且T2＞＝T1，则按照最速模式进行计算到达红绿灯的时间T3，当T3＜T1，则选择工况一，即Acc工况。当不满足以上两种情况，则选择第二种工况，即Brk工况。并根据选择的工况，以对应工况下的车速规划进行，三种工况对应的车速规划如下：
工况一，即Acc工况：若按照当前状态无法通过前方信号灯，但按照最速模式是可通过的，则选择最速行驶模式，通过模糊决策得到最速控制模式的增量因子，车辆加速通行；
工况二，即Brk工况：若最速行驶模式也无法通过前方信号灯，则以到达信号灯处速度为0作约束，选择经济行驶模式进行车速规划；
工况三，即Nor工况：其他情况下，按照经济行驶模式进行车速规划，即当前车速顺利通过信号灯，保持车速匀速通过；
S22：针对不同的工况，设计不同的优化目标；
S221：Acc工况以通过性为主要优化目标，辅以经济性目标；
S222：Brk工况在限速范围内始终无法通过信号灯，需要减速停车，以经济性为主要优化目标，辅以舒适性目标；
S223：Nor工况以舒适性和经济性作为优化目标；
S3：采用Q-learning方法求解出离线Q表，嵌入到MCU中实现预期目标；
Acc工况和Brk工况通过强化学习求解马尔科夫模型得到最优的行为集，进而得到期望车速，车速规划；基于Q-learning求解车速规划的步骤如下：
S31：状态集选择；
在信号灯场景下，车辆速度以及车辆与信号灯之间的距离是影响能否顺利通过信号灯以及经济性最关键的因素，因此状态集为：
Figure 674108DEST_PATH_IMAGE022
；
公式中：
Figure 43910DEST_PATH_IMAGE023
为状态集表示；/>
Figure 465664DEST_PATH_IMAGE024
为瞬时车速；/>
Figure 528298DEST_PATH_IMAGE025
为车辆离信号灯距离；
S32：行为集选择；
离信号灯的距离是通过状态切换前后的瞬时车速获得，而车速状态的转移是通过加速度a获得，因此仅需加速度作为行为集，考虑到舒适性，应避免急加速和急减速，因此，应约束加速度范围；
Figure 137134DEST_PATH_IMAGE026
；
Figure 310626DEST_PATH_IMAGE027
；
公式中：
Figure 321307DEST_PATH_IMAGE028
为行为集的表示；/>
Figure 305575DEST_PATH_IMAGE029
为瞬时加速度；
S33：奖励函数的设计；
搭建发动机微观瞬态油耗模型，基于瞬时速度和瞬时加速度计算油耗，得到状态切换过程中的油耗量，该油耗量越小越好；
另外，对于通过的情况下，到达信号灯，即s = 0的状态，给予较大的奖励值；
对于不通过的情况下，到达信号灯且停车，即v = 0的状态才给予较大奖励值；因此，整体目标是车辆应尽经济、同时尽快到达信号灯；
微观瞬态油耗模型：
Figure 667286DEST_PATH_IMAGE030
；
公式中：
Figure 378890DEST_PATH_IMAGE031
为瞬时油耗率；/>
Figure 775237DEST_PATH_IMAGE032
为模型参数；
车辆顺利通行信号灯：
Figure 179673DEST_PATH_IMAGE033
；
车辆在信号灯前停车：
Figure 497522DEST_PATH_IMAGE034
；
公式中：
Figure 278396DEST_PATH_IMAGE035
为奖励函数；
S34：状态转移概率；
以车速和距离为状态集，因此下一状态基于车辆纵向动力学模型获得：
Figure 529249DEST_PATH_IMAGE036
；
Figure 839007DEST_PATH_IMAGE037
；
公式中：
Figure 909732DEST_PATH_IMAGE038
表示当前状态的车速；/>
Figure 228718DEST_PATH_IMAGE039
表示下一状态车速；/>
Figure 68498DEST_PATH_IMAGE040
代表规划的时间步长；/>
Figure 565469DEST_PATH_IMAGE041
代表下一状态距离信号灯距离；/>
Figure 389069DEST_PATH_IMAGE042
代表当前状态距离信号灯距离；
S35：模型假设和优化处理；
基于经验采样的蒙特卡洛思想有一个试探性出发的假设，即尽可能对初始状态进行完全随机的生成；因此设定起始距离为[400，500]m，同时起始车速在[0，60]km/h内随机生成，降低模型的收敛速度，提高模型的泛化能力；
S36：模型训练；
使用matlab脚本训练车速规划模型，基于Q-learning的车速规划模型训练结果为一张收敛的离线Q表，该表嵌入到控制器MCU中为车辆提供离线的决策意见；
S4：实验验证；
S4：对S3中的三种工况进行了实车试验和验证，如图3-图5所示；
如图3所示Nor工况下的车速规划实车验证结果，对于以经济性为优化目标的车辆，优先选择较高车速行驶，使得发动机负载率提高，以使发动机工作在高效点，以获得更好的经济性，但是仅仅考虑经济性会出现较大的加减速行为，对车辆的舒适性影响较大，因此设定了以纵向加速度为主的舒适性评价指标，综合得到的车速轨迹也倾向以较高车速行驶，兼顾平顺性，不会有较为频繁的加减速行为。验证结果表明，在Nor工况下，车辆的经济性和平顺性显著提高。
如图4所示Acc工况下的车速规划实车验证结果，对比工况为车辆匀速和制动行驶。在Acc工况下，本发明提出的规划是需提前加速通过，由于提前预知了前方信号灯信息，故提前加速到较高的车速，安全通过红绿灯；由于车速较高，发动机负载率相对更高，使得发动机工作效率更高，更为经济。而对比工况为车辆匀速和制动行驶，车辆是无法安全通过红绿灯，由于当车辆到达信号灯附近才发现信号灯即将变红，因此来不及再加速通过，只能停车，降低了通过性，与此同时，停车带来的怠速工况和启停也增加了油耗。验证结果表明，在Acc工况下，车辆通过性显著提高。
如图5所示Brk工况下的车速规划实车验证结果，对应实际场景为当前信号灯在保证车辆在限速范围内无法通行，对比工况为车辆匀速和制动行驶。在Brk工况下，因提前知晓前方必须停车，本发明提出的规划是车辆采取更为经济的滑行，即在快到达信号灯前提前减速，利用车辆惯性行驶，此时发动机油耗很低。而无规划的车辆由于知晓信号灯消息较晚，当以一个较高的车速到达交叉路口时，才发现前方无法通行而采取急减速的动作，使得车辆动能浪费，经济性和舒适性变差。验证结果表明，在Brk工况下，车辆的经济性和平顺性显著提高。
本发明利用Q-learning方法进行信号灯场景下的车速规划，应用于交叉路口的局部规划场景中，有效减少车辆在信号灯路口下的不合理的制动、加速和长时间的怠速。基于Q-learning方法避免复杂的模型分析和建模，同时生成离线Q表嵌入到MCU中，在实车环境下对算力需求较少。且根据不同的工况制定不同的优化目标，使得该数据驱动型车速规划方法具有更好的适应性。
以上所述仅为本发明的优先实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (6)

1.一种用于信号灯场景下的数据驱动型车速规划方法，包括：
S1：基于机器视觉和无线通信技术以获得前方信号灯信息；
前方已到达信号灯的车辆通过机器视觉感知前方信号灯的信息，通过无线通信技术发送给周围车辆，实现远距离的信号灯信息预知；
S2：判断是否能在限速方位内通过交叉路口，并根据不同工况进行车速规划，以提高车辆通过性、整车经济性和舒适性为综合目标，构建马尔科夫模型并求解；
根据步骤S1识别得到的信号灯持续时间和信号灯类型，以及对车辆行为的预测，计算以当前状态到达红绿灯的时间，进行模式识别，并根据选择的工况，以对应工况下的车速规划进行，三种工况对应的车速规划为：Acc工况、Brk工况和Nor工况，并针对不同的工况，设计不同的优化目标进行车速规划；
S3：采用Q-learning方法求解出离线Q表，嵌入到MCU中实现预期目标；
通过强化学习求解马尔科夫模型得到最优的行为集，进而得到期望车速，车速规划；基于Q-learning求解车速规划的步骤如下：
S31：状态集选择；
在信号灯场景下，车辆速度以及车辆与信号灯之间的距离是影响能否顺利通过信号灯以及经济性最关键的因素，因此状态集为：
S＝{v,s}；
公式中：S为状态集表示；v为瞬时车速；s为车辆离信号灯距离；
S32：行为集选择；
离信号灯的距离是通过状态切换前后的瞬时车速获得，而车速状态的转移是通过加速度a获得，因此仅需加速度作为行为集，考虑到舒适性，应避免急加速和急减速，因此，应约束加速度范围；
A＝{a}；
-2m/s2≤a≤1.2m/s2；
公式中：A为行为集的表示；a为瞬时加速度；
S33：奖励函数的设计；
搭建发动机微观瞬态油耗模型，基于瞬时速度和瞬时加速度计算油耗，得到状态切换过程中的油耗量，该油耗量越小越好；
另外，对于通过的情况下，到达信号灯，即s＝0的状态，给予较大的奖励值；
对于不通过的情况下，到达信号灯且停车，即v＝0的状态才给予较大奖励值；整体目标是车辆应尽经济、同时尽快到达信号灯；
微观瞬态油耗模型：
J＝c0+c1v+c2v2+c3v3+c4a+c5va+c6v2a；
公式中：J为瞬时油耗率；ci(i＝0,1,...,6)为模型参数；
车辆顺利通行信号灯：
Figure FDA0004142187600000021
车辆在信号灯前停车：
Figure FDA0004142187600000022
公式中：R为奖励函数；
S34：状态转移概率；
以车速和距离为状态集，因此下一状态基于车辆纵向动力学模型获得：
Vk+1＝Vk+aΔt；
sk+1＝sk-0.5Δt(Vk+1-Vk)；
公式中：Vk表示当前状态的车速；Vk+1表示下一状态车速；Δt代表规划的时间步长；sk+1代表下一状态距离信号灯距离；sk代表当前状态距离信号灯距离；
S35：模型假设和优化处理；
基于经验采样的蒙特卡洛思想有一个试探性出发的假设，即尽可能对初始状态进行完全随机的生成；设定起始距离为[400，500]m，同时起始车速在[0，60]km/h内随机生成，降低模型的收敛速度，提高模型的泛化能力；
S36：模型训练；
使用matlab脚本训练车速规划模型，基于Q-learning的车速规划模型训练结果为一张收敛的离线Q表，该表嵌入到控制器MCU中为车辆提供离线的决策意见；
S4：对步骤S2中的三种工况进行了实车试验和验证。
2.根据权利要求1所述的一种用于信号灯场景下的数据驱动型车速规划方法，其特征在于：所述步骤S1中，前方已到达信号灯的车辆上装备有摄像头，在行驶过程中，基于YOLOv4-tiny算法进行信号灯状态和时间的识别。
3.根据权利要求1所述的一种用于信号灯场景下的数据驱动型车速规划方法，其特征在于：所述步骤S2中，基于步骤S1的前方信号灯信息，基于考虑遗忘因子的最小二乘法构建发动机瞬态油耗模型进行经济性目标的计算、纵向加速度用于整车舒适目标的计算、车辆末状态为通过性目标构建目标函数，以当前车速和距离信号灯距离为状态集，加速度为行为集构建马尔科夫模型，并求解。
4.根据权利要求1所述的一种用于信号灯场景下的数据驱动型车速规划方法，其特征在于：所述步骤S2中的Acc工况是按照当前状态无法通过前方信号灯，但是按照最速模式是通过的，则选择最速行驶模式，车辆加速通行；针对此工况的优化目标是以通过性为主要目标，辅以经济性目标作为综合目标进行车速规划。
5.根据权利要求1所述的一种用于信号灯场景下的数据驱动型车速规划方法，其特征在于：所述步骤S2中的Brk工况是最速行驶模式也无法通过前方信号灯，则以到达信号灯处速度为0作约束，减速停车，以经济性和舒适性作为优化目标进行车速规划。
6.根据权利要求1所述的一种用于信号灯场景下的数据驱动型车速规划方法，其特征在于：所述步骤S2中的Nor工况是其他情况下，以舒适性和经济性作为优化目标，按照经济行驶模式进行车速规划。
CN202111634690.2A 2021-12-29 2021-12-29 一种用于信号灯场景下的数据驱动型车速规划方法 Active CN114261392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111634690.2A CN114261392B (zh) 2021-12-29 2021-12-29 一种用于信号灯场景下的数据驱动型车速规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111634690.2A CN114261392B (zh) 2021-12-29 2021-12-29 一种用于信号灯场景下的数据驱动型车速规划方法

Publications (2)

Publication Number Publication Date
CN114261392A CN114261392A (zh) 2022-04-01
CN114261392B true CN114261392B (zh) 2023-06-02

Family

ID=80831377

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111634690.2A Active CN114261392B (zh) 2021-12-29 2021-12-29 一种用于信号灯场景下的数据驱动型车速规划方法

Country Status (1)

Country Link
CN (1) CN114261392B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114528646B (zh) * 2022-04-24 2022-08-19 中汽研汽车检验中心（天津）有限公司 一种基于在线地图数据的车辆行驶工况构建方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264757A (zh) * 2019-05-21 2019-09-20 吉林大学 基于连续信号灯信息的智能网联汽车分层速度规划方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105528593B (zh) * 2016-01-22 2020-03-31 江苏大学 一种前向车辆驾驶人驾驶行为预测系统及预测方法
CN111768637B (zh) * 2020-05-14 2022-08-23 同济大学 一种信号交叉口交通信号灯和车辆轨迹控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110264757A (zh) * 2019-05-21 2019-09-20 吉林大学 基于连续信号灯信息的智能网联汽车分层速度规划方法

Also Published As

Publication number Publication date
CN114261392A (zh) 2022-04-01

Similar Documents

Publication Publication Date Title
CN111768637B (zh) 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN107284441B (zh) 实时工况自适应的插电式混合动力汽车能量优化管理方法
CN111445697B (zh) 一种智能网联条件下的高速公路协同车辆换道控制方法
Lü et al. Hybrid electric vehicles: A review of energy management strategies based on model predictive control
CN114261392B (zh) 一种用于信号灯场景下的数据驱动型车速规划方法
CN113312752B (zh) 一种主路优先控制交叉口交通仿真方法及装置
CN112820126B (zh) 一种非侵入式导向运输车辆路权优先运行控制及仿真方法
CN115257724A (zh) 一种插电式混动汽车安全节能决策控制方法和系统
Tong et al. Speed planning for connected electric buses based on battery capacity loss
Hu et al. Lane-level navigation based eco-approach
Wang et al. Energy-efficient speed planner for connected and automated electric vehicles on sloped roads
AU2022200290A1 (en) Method of training control means of a rail vehicle, control means, and rail vehicle
Kamal et al. Eco-driving using real-time optimization
Guan et al. Predictive energy efficiency optimization of an electric vehicle using information about traffic light sequences and other vehicles
CN113479187A (zh) 一种插电式混合动力汽车分层异步长能量管理方法
Kavas-Torris et al. A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation
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
Amirgholy et al. Optimal traffic operation for maximum energy efficiency in signal-free urban networks: A macroscopic analytical approach
US20160297423A1 (en) Method and device for controlling a hybrid drive in a vehicle
CN114861391A (zh) 协同式自适应巡航控制车辆的微观模拟方法
CN115512537A (zh) 一种基于深度强化学习算法的高速公路监控方法及系统
Baby et al. Suggestion-based fuel efficient control of connected and automated vehicles in a multi-lane urban traffic
CN113537620A (zh) 基于Markov模型优化和工况识别的车速预测方法
Pan et al. Energy-optimized adaptive cruise control strategy design at intersection for electric vehicles based on speed planning
Lee et al. A real-time intelligent speed optimization planner using reinforcement learning

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