CN114417592A - 一种换道场景智能汽车队列“人-车-路”系统建模方法 - Google Patents
一种换道场景智能汽车队列“人-车-路”系统建模方法 Download PDFInfo
- Publication number
- CN114417592A CN114417592A CN202210037102.5A CN202210037102A CN114417592A CN 114417592 A CN114417592 A CN 114417592A CN 202210037102 A CN202210037102 A CN 202210037102A CN 114417592 A CN114417592 A CN 114417592A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- agent
- changing
- distance
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000005094 computer simulation Methods 0.000 title abstract description 5
- 230000002452 interceptive effect Effects 0.000 claims abstract description 5
- 230000008859 change Effects 0.000 claims description 92
- 230000001133 acceleration Effects 0.000 claims description 20
- 238000006073 displacement reaction Methods 0.000 claims description 18
- 230000009471 action Effects 0.000 claims description 16
- 230000008447 perception Effects 0.000 claims description 14
- 238000011160 research Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 9
- 230000014509 gene expression Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 4
- 230000003068 static effect Effects 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 description 90
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 5
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006757 chemical reactions by type Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Structural Engineering (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Automation & Control Theory (AREA)
- Aviation & Aerospace Engineering (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及智能网联汽车技术领域,特别涉及换道场景智能汽车队列“人‑车‑路”系统建模方法,包括以下步骤:步骤S1,将BDI智能体与智能汽车和驾驶员换道行为特点进行结合,建立基于BDI智能体结构的车辆智能体换道模型以及基于BDI智能体结构的驾驶员智能体换道模型;步骤S2,将反应式智能体与换道场景下道路环境特点进行结合,建立基于反应式智能体的换道场景道路环境模型;步骤S3,根据基于BDI智能体结构的车辆智能体换道模型、基于BDI智能体结构的驾驶员智能体换道模型和基于反应式智能体的换道场景道路环境模型建立智能汽车队列换道场景下“人‑车‑路”系统多智能体联合模型,并获得智能汽车队列换道场景下人、车、路三者之间的交互信息流。
Description
技术领域
本发明涉及智能网联汽车技术领域,特别涉及一种换道场景智能汽车队列“人-车-路”系统建模方法。
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。
随着车辆智能化、网联化技术的快速发展,汽车与驾驶员、道路环境的交互和耦合作用愈发深入,形成“人-车-路”耦合系统。建立“人-车-路”系统联合模型,分析三者之间的耦合机理和作用关系,是实现“人-车-路”系统整体性能优化的重要基础,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,但尚未实现对人、车、道路环境特性的统一描述,无法进行“人-车-路”系统联合建模,更未实现智能汽车队列“人-车-路”系统联合建模。
因此,探索一种对驾驶员、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
本发明的目的旨在提出一种智能汽车队列换道场景下的“人-车-路”系统联合建模方法,来克服或至少解决上述技术缺陷之一。
为了达到上述目的,本发明提供了如下技术方案:
一种智能汽车队列换道场景下的“人-车-路”系统联合建模方法,所述方法包括以下步骤:
步骤S1,将BDI智能体与智能汽车和驾驶员换道行为特点进行结合,建立基于BDI智能体结构的车辆智能体换道模型以及基于BDI智能体结构的驾驶员智能体换道模型;
所述基于BDI智能体结构的车辆智能体以及基于BDI智能体结构的驾驶员智能体均由感知层、预测层、推理层、决策层、执行层、状态库、愿望库以及意图库构成;通过感知层获取外界信息,经过预测、推理、决策,最终进行动作执行,作用于外界环境;状态库、愿望库和意图库为该过程提供必要的信息;
基于BDI智能体结构的车辆智能体以及基于BDI智能体结构的驾驶员智能体的结构由公式1表示:
VA/DA={id,B,D,I,Perception,Anticipation,Inference,Strategy,Action}公式1
其中,VA为BDI智能体结构的车辆智能体,DA为基于BDI智能体结构的驾驶员智能体;id为一智能体的唯一标识,用于区分不同的智能体;B为状态库,存储自身状态和外界信息;D为愿望库,存储自身的愿望和期望;I为意图库,存储智能体的动作集;Perception、Anticipation、Inference、Strategy、Action分别表示智能体的感知、预测、推理、决策和执行动作;
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换道模型控制;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换道模型表示;
步骤S2,将反应式智能体与换道场景下道路环境特点进行结合,建立基于反应式智能体的换道场景道路环境模型;
道路环境包括道路本身的情况、特征和属性,以及交通流和除研究车辆之外的其余车辆;
道路环境智能体由公式2表示:
EA=(S,D) 公式2
其中,EA表示道路环境智能体;S表示静态环境,包括道路坡度、曲率、交通标识等;D表示动态环境,包括交通流、研究车辆外的周围车辆状态等;S、D由公式3-公式6表示:
S={slope,curvature,light,signs} 公式3
slope/curvature∈{small,middle,large} 公式4
D={traf_flow,state} 公式5
公式3-公式6中,slope表示道路坡度,curvature表示道路曲率,道路坡度和道路曲率用“small、middle、large”三种模糊逻辑来表示;light表示交通灯状态信息;signs表示交通标识信息;traf_flow表示交通通行效率或拥堵情况,既能够用时刻t时交通流量v来表示,t的单位为h,v的单位为veh,也能够用“smooth、medium、congestion”三种模糊逻辑来表示;state表示其余车辆的状态;
道路环境智能体的状态空间中state表示如下:
state={ah,vh,sh,aLo,vLo,sLo,aLd,vLd,sLd,aFd,vFd,sFd} 公式7
公式7中,ah为队列头车加速度,单位为m/s2;vh为队列头车速度,单位为m/s;sh为队列头车位置,单位为m;alo为初始车道前车加速度,单位为m/s2;vlo为初始车道前车速度,单位为m/s;slo为初始车道前车位置,单位为m;ald为目标车道前车加速度,单位为m/s2;vld为目标车道前车速度,单位为m/s;sld为目标车道前车位置,单位为m;aFd为目标车道后车加速度,单位为m/s2;vFd为目标车道后车速度,单位为m/s;sFd为目标车道后车位置,单位为m;
步骤S3,根据基于BDI智能体结构的车辆智能体换道模型、基于BDI智能体结构的驾驶员智能体换道模型和基于反应式智能体的换道场景道路环境模型建立智能汽车队列换道场景下“人-车-路”系统多智能体联合模型,并获得智能汽车队列换道场景下人、车、路三者之间的交互信息流。
步骤S1中,基于BDI智能体结构的车辆智能体换道模型和基于BDI智能体结构的驾驶员智能体换道模型的建立方法是:
感知层中,第i辆车接收头车DAlc和前车VAlc,i-1的状态信息,包括:头车加速度ah、头车速度vh和头车位置sh,前车加速度ai-1、前车速度vi-1、前车位置si-1、驾驶员意图和换道意图Request;
第i辆车从道路环境智能体(EAlc)获取队列周围车辆的状态信息LCV,用于保证行驶安全;
预测层根据相关周车的状态以及自车状态,预测换道是否安全,judge_safe表示预测结果;建立最小换道安全距离模型,与实际车间距相比较,若实际车间距较大,则表示换道安全,否则表示不安全;
推理层根据预测层输出的判断结果,若换道安全,则根据车辆自身状态(ac、vc、sc)并结合期望达到的目标,规划出换道轨迹方程L;
决策层根据规划出的轨迹求解出车辆的期望加速度和方向盘转角;
执行层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。
步骤S1中,还包括如下步骤:
换道时,预测层根据相关周车的状态以及自车状态,预测换道是否安全:
首先建立车辆全局坐标系,用以表示车辆各顶点和各边线的坐标表达式,其中,M为车辆代号,A、B、C、D为换道车辆M的四个顶点,其中A、B为车辆前方;并假设该车辆的中心坐标为(x,y),得到该车各顶点、边线的坐标表达式,如表1所示:
表1:车辆各顶点及边线坐标
其中:Lf为车辆中心到前保险杠的距离,单位为m;Lr为车辆中心到后保险杠的距离,单位为m;l为车辆上/下边线上一点到车辆中心的纵向距离,单位为m,靠近A点或B点为正,取值范围为-Lr<l<Lf;B为车辆的宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m,靠近A点或D点为正,取值范围为-B<b<B,θ为车辆横摆角,单位为弧度;
临界碰撞条件是:换道车辆M的AB边与直行车辆Ld的右后角C点相碰撞;其中P点为换道车辆MAB边与H线的交点,该点坐标中的b值由换道轨迹和时间共同确定;
保证不碰撞时,要求换道车辆MAB边与H线相交点P的x坐标始终在前车CD边之后,即x方向的临界碰撞方程:
其中b的值由横向坐标关系确定,即y方向的临界碰撞方程:
公式8、公式9中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;LrLd为目标车道前车Ld的车辆中心到后保险杠的距离,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m;
在换道过程中的最大初始距离也就是避免碰撞的最小安全距离,因此换道车辆与目标车道前车Ld之间的安全距离模型MSS(M,Ld)为:
公式10中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆的左前角A点到达H线的时刻,tfin表示换道终止时刻;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;其中t1满足:
换道车辆与目标车道后车Fd之间的安全距离模型:
t∈[t1,t2]
l∈[-LrM,LfM]
公式11中,xM、xFd、yM、yFd均表示换道车辆M与目标车道后车Fd的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆M的左前角A点到达H线的时刻,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFd为目标车道后车Fd的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;
换道车辆与初始车道前车Lo之间的安全距离模型:
t∈[t1,t2]
l∈[-LrM,LfM]
公式12中,xM、xLo、yM、yLo均表示换道车辆M与初始车道前车Lo的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆M的左前角A点到达H线的时刻,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BLo为初始车道前车Lo的车辆宽度,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;
换道车辆与初始车道后车Fo之间的安全距离模型:
t∈[0,t2]
b∈[-BM,BM]
公式13中,xM、xFo、yM、yFo均表示换道车辆M与初始车道后车Fo的位置,单位为m;t表示时间,单位为s,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFo为初始车道后车Fo的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;
若初始距离大于安全距离,则判断换道安全,反之不安全。
步骤S1中,还包括如下步骤:
换道时,推理层根据车辆状态进行换道轨迹规划:
车辆横向位移关于纵向位移的五次多项式如公式14所示:
yi(xi)=a0+a1xi+a2xi 2+a3xi 3+a4xi 4+a5xi 5 公式14
为了保证五次多项式能够平滑的规划出换道轨迹,需要确定上式中的六个系数以满足位置、坡度和曲率的约束,其约束如下:
公式14、公式15中,xi为车辆i的纵向位移,单位为m;yi表示车辆i的横向位移,单位为m;xi,f是换道开始时刻相对于换道结束时刻车辆行驶的纵向位移,单位为m;yi,f是换道过程中车辆走过的横向位移,单位为m,通过实际道路两车道中心线的宽度决定;κ表示规划轨迹的曲率,单位为m-1;
根据上述约束,求解五次多项式方程的系数,并将求解系数带入公
式11中得到如公式13的轨迹规划五次多项式:
其中,(xi,f,yi,f)表示轨迹规划最后一个点相对规划初始点的位置,单位为m;vi表示当前车辆的纵向行驶车速,单位为m/s;
由公式16得出换道规划轨迹。
与现有技术相比,本发明的有益效果在于:
1、车辆、驾驶员和道路环境智能体模型架构实现在同一体系架构下对人、车、路特性的统一描述;
2、该模型架构适用于不同驾驶场景、不同驾驶风格、不同类型车辆、不同道路类型等;
3、基于该统一模型架构,结合高速智能汽车队列换道场景的特点,建立了智能汽车队列换道场景下“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换道场景下三者之间复杂的耦合关系,进而实现智能汽车队列换道场景“人-车-路”系统整体性能优化提供重要基础。
本申请采用的换道轨迹规划方法为一种自适应轨迹规划的方式,因在该方法中纵向距离为自车速度的线性函数,能够随着车辆速度的变化而规划出适应不同车辆行驶速度的轨迹,这一特点将避免车辆产生剧烈的横向加速度,同时也保证车辆在较低速度行驶时的换道效率。
附图说明
图1为本发明实施例的车辆智能体模型架构和驾驶员智能体模型架构;
图2为本发明实施例的智能汽车队列换道场景示意图;
图3a为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型感知层信息流示意图;
图3b为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型的预测层信息流示意图;
图3c为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型推理层信息流示意图;
图3d为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型决策层信息流示意图;
图3e为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型执行层信息流示意图;
图4为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型;
图5为根据图1的模型架构建立的队列换道场景下驾驶员智能体换道模型;
图6为车辆全局坐标系;
图7a~7d为换道车辆与目标车道前车可能的临界碰撞形式示意图;
图8为换道车辆与目标车道前车碰撞形式示意图;
图9为换道规划轨迹图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步说明。
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,仅用于解释本发明,而不能解释为对本发明的限制。
一种智能汽车队列换道场景下的“人-车-路”系统联合建模方法,包括以下步骤:
步骤S1,将BDI智能体与智能汽车和驾驶员换道行为特点进行结合,建立基于BDI智能体结构的车辆智能体换道模型以及基于BDI智能体结构的驾驶员智能体换道模型;
图1为本发明实施例的车辆智能体和驾驶员智能体的模型架构。融合典型的BDI智能体结构特点和车辆、驾驶员特性,车辆智能体(vehicle agent,VA)和驾驶员智能体(driver agent,DA)均由感知层、预测层、推理层、决策层、执行层、状态库、愿望库以及意图库构成。通过感知层获取外界信息,经过预测、推理、决策,最终进行动作执行,作用于外界环境。状态库、愿望库和意图库为该过程提供必要的信息。
VA/DA的结构由公式1表示:
VA/DA={id,B,D,I,Perception,Anticipation,Inference,Strategy,Action}公式1
其中,VA为BDI智能体结构的车辆智能体,DA为基于BDI智能体结构的驾驶员智能体;id为一智能体的唯一标识,用于区分不同的智能体;B为状态库,存储自身状态和外界信息;D为愿望库,存储自身的愿望和期望;I为意图库,存储智能体的动作集;Perception、Anticipation、Inference、Strategy、Action分别表示智能体的感知、预测、推理、决策和执行动作。
步骤S2,将反应式智能体与换道场景下道路环境特点进行结合,建立基于反应式智能体的换道场景道路环境模型。
“人-车-路”系统中,道路环境不仅包括道路本身的情况、特征和属性,还包括交通流以及除研究车辆之外的其余车辆。
道路环境智能体(environment agent,EA)由公式2表示。
EA=(S,D) 公式2
其中,EA表示道路环境智能体;S表示静态环境,包括道路坡度、曲率、交通标识等;D表示动态环境,包括交通流、研究车辆外的周围车辆状态等。S、D可由公式3-公式6表示:
S={slope,curvature,light,signs} 公式3
slope/curvature∈{small,middle,large} 公式4
D={traf_flow,state} 公式5
公式3-公式6中,slope表示道路坡度,curvature表示道路曲率,道路坡度和道路曲率用“small、middle、large”三种模糊逻辑来表示;light表示交通灯状态信息;signs表示交通标识信息;traf_flow表示交通通行效率或拥堵情况,既能够用时刻t时交通流量v来表示,t的单位为h,v的单位为veh,也能够用“smooth、medium、congestion”三种模糊逻辑来表示;state表示其余车辆的状态。
基于智能体结构的道路环境模型架构具有较强的可塑性,即根据不同研究需求和场景特点,可调整EA的状态空间。具体表现在两个方面:不同研究需求和场景下,需要考虑的环境因素不同;不同需求和场景下,表达环境因素的方式不同,可量化表示,也可模糊表达,如公式6所示。
道路环境智能体具有较强的可塑性,根据不同场景特点和需求,建立不同的道路环境智能体状态空间。图2所示的高速队列换道场景中,不仅需要考虑道路曲率、坡度、前方交通流,还需要考虑初始车道和目标车道前、后车的状态,道路环境智能体的状态空间中state表示如下:
state={ah,vh,sh,aLo,vLo,sLo,aLd,vLd,sLd,aFd,vFd,sFd} 公式7
公式7中,ah为队列头车加速度,单位为m/s2;vh为队列头车速度,单位为m/s;sh为队列头车位置,单位为m;alo为初始车道前车加速度,单位为m/s2;vlo为初始车道前车速度,单位为m/s;slo为初始车道前车位置,单位为m;ald为目标车道前车加速度,单位为m/s2;vld为目标车道前车速度,单位为m/s;sld为目标车道前车位置,单位为m;aFd为目标车道后车加速度,单位为m/s2;vFd为目标车道后车速度,单位为m/s;sFd为目标车道后车位置,单位为m。
步骤S3,根据基于BDI智能体结构的车辆智能体换道模型、基于BDI智能体结构的驾驶员智能体换道模型和基于反应式智能体的换道场景道路环境模型建立智能汽车队列换道场景下“人-车-路”系统多智能体联合模型,并获得智能汽车队列换道场景下人、车、路三者之间的交互信息流。
图2为本发明实施例的智能汽车队列换道场景示意图。
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换道模型控制;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换道模型表示。
步骤S1中,基于BDI智能体结构的车辆智能体换道模型的建立方法是:
图3a~3e为根据图1的模型架构建立的队列换道场景下汽车智能体换道模型感知层信息流、预测层信息流、推理层信息流、决策层信息流和执行层信息流。
如图3a所示,在根据图1的模型架构建立的队列换道场景下汽车智能体换道模型感知层中,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DAlc和前车VAlc,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(EAlc)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。
如图3b所示,预测层根据相关周车的状态以及自车状态,预测换道是否安全,judge_safe表示预测结果。本发明实施例采用的是建立最小换道安全距离模型,与实际车间距相比较,若实际车间距较大,则表示换道安全,否则表示不安全。
如图3c所示,推理层根据预测层输出的判断结果,若换道安全,则根据车辆自身状态(ac、vc、sc)并结合期望达到的目标,规划出换道轨迹。L表示换道轨迹方程。
如图3d所示,决策层根据规划出的轨迹求解出车辆的期望加速度和方向盘转角。
如图3e所示,执行层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。
经过对以上各层的设计,最终可获得本发明实施例的第i辆车的基于BDI智能体结构的车辆智能体换道模型,如图4所示。
步骤S1中,基于BDI智能体结构的驾驶员智能体换道模型的建立方法是:
图5为根据图1的模型架构建立的队列换道场景下驾驶员智能体换道模型。其设计流程和方法与基于BDI智能体结构的车辆智能体换道模型相同。根据以上描述的设计方法,可形成图5所示的队列换道场景下驾驶员智能体换道模型。
本发明提出一种智能汽车队列换道场景下的“人-车-路”系统联合建模方法,包括:基于BDI智能体结构的车辆智能体换道模型,基于BDI智能体结构的驾驶员智能体换道模型,以及基于反应式智能体的换道场景道路环境模型。本发明将智能汽车、驾驶员视为典型的BDI智能体,将道路环境视为反应式智能体,基于智能体结构特点提出了一个对车辆、驾驶员、道路环境这三个不同属性、不同类型系统特征的统一描述方法,结合车辆队列换道的特点,实现了智能汽车队列换道场景下“人-车-路”系统的统一联合建模,为研究换道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了重要基础。
步骤S1中,还包括如下步骤:
换道时,预测层根据相关周车的状态以及自车状态,预测换道是否安全,信息流如图3b所示。包括如下步骤:
首先建立车辆全局坐标系,如图6,用以表示车辆各顶点和各边线的坐标表达式,其中,M为车辆代号,θ为车辆横摆角,单位为弧度,A、B、C、D为换道车辆M的四个顶点,其中A、B为车辆前方;并假设该车辆的中心坐标为(x,y),得到该车各顶点、边线的坐标表达式,如表1所示:
表1:车辆各顶点及边线坐标
其中:Lf为车辆中心到前保险杠的距离,单位为m;Lr为车辆中心到后保险杠的距离,单位为m;l为车辆上/下边线上一点到车辆中心的纵向距离,单位为m,靠近A点或B点为正,取值范围为-Lr<l<Lf;B为车辆的宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m,靠近A点或D点为正,取值范围为-B<b<B;θ为车辆横摆角,单位为弧度;
如图8,临界碰撞条件是:换道车辆M的AB边与直行车辆Ld的右后角C点相碰撞;其中P点为换道车辆MAB边与H线的交点,该点坐标中的b值由换道轨迹和时间共同确定;
保证不碰撞时,要求换道车辆MAB边与H线相交点P的x坐标始终在前车CD边之后,即x方向的临界碰撞方程:
其中b的值由横向坐标关系确定,即y方向的临界碰撞方程:
公式8,公式9中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;LrLd为目标车道前车Ld的车辆中心到后保险杠的距离,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m。
在换道过程中的最大初始距离也就是避免碰撞的最小安全距离,因此换道车辆与目标车道前车Ld之间的安全距离模型MSS(M,Ld)为:
公式10中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;t表示时间,单位为s,t1时刻为图7b中换道车辆M的左前角A点到达H线的时刻,tfin表示换道终止时刻;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;其中t1满足:
换道车辆与目标车道后车Fd之间的安全距离模型:
t∈[t1,t2]
l∈[-LrM,LfM]
公式11中,xM、xFd、yM、yFd均表示换道车辆M与目标车道后车Fd的位置,单位为m;t表示时间,单位为s,t1时刻为图7b中换道车辆M的左前角A点到达H线的时刻,t2时刻为图7d中换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFd为目标车道后车Fd的车辆宽度,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;
换道车辆与初始车道前车Lo之间的安全距离模型:
t∈[t1,t2]
l∈[-LrM,LfM]
公式12中,xM、xLo、yM、yLo均表示换道车辆M与初始车道前车Lo的位置,单位为m;t表示时间,单位为s,t1时刻为图7b中换道车辆M的左前角A点到达H线的时刻,t2时刻为图7d中换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道换道车辆M的车辆宽度,单位为m;BLo为初始车道前车Lo的车辆宽度,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;
换道车辆与初始车道后车Fo之间的安全距离模型:
t∈[0,t2]
b∈[-BM,BM]
公式13中,xM、xFo、yM、yFo均表示换道车辆M与初始车道后车Fo的位置,单位为m;t表示时间,单位为s,t2时刻为图7d中换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFo为初始车道后车Fo的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;
若初始距离大于安全距离,则判断换道安全,反之不安全。
换道时,推理层根据车辆状态进行换道轨迹规划,信息流如图3c所示。
本申请采用五次多项式的方法,将车辆横向位移写为关于纵向位移的五次多项式如公式14所示。
yi(xi)=a0+a1xi+a2xi 2+a3xi 3+a4xi 4+a5xi 5 公式14
为了保证五次多项式能够平滑的规划出换道轨迹,需要确定上式中的六个系数以满足位置、坡度和曲率的约束,其约束如下:
公式14、公式15中,xi为车辆i的纵向位移,单位为m;yi表示车辆i的横向位移,单位为m;xi,f是换道开始时刻相对于换道结束时刻车辆行驶的纵向位移,单位为m;yi,f是换道过程中车辆走过的横向位移,单位为m,通过实际道路两车道中心线的宽度决定;κ表示规划轨迹的曲率,单位为m-1。
根据上述约束,求解五次多项式方程的系数,并将求解系数带入公
式11中可得如公式13的轨迹规划五次多项式:
其中,(xi,f,yi,f)表示轨迹规划最后一个点相对规划初始点的位置,单位为m;vi表示当前车辆的纵向行驶车速,单位为m/s。
由公式16得出的规划轨迹,如图9所示。
Claims (4)
1.一种智能汽车队列换道场景下的“人-车-路”系统联合建模方法,其特征在于:所述方法包括以下步骤:
步骤S1,将BDI智能体与智能汽车和驾驶员换道行为特点进行结合,建立基于BDI智能体结构的车辆智能体换道模型以及基于BDI智能体结构的驾驶员智能体换道模型;
所述基于BDI智能体结构的车辆智能体以及基于BDI智能体结构的驾驶员智能体均由感知层、预测层、推理层、决策层、执行层、状态库、愿望库以及意图库构成;通过感知层获取外界信息,经过预测、推理、决策,最终进行动作执行,作用于外界环境;状态库、愿望库和意图库为该过程提供必要的信息;
基于BDI智能体结构的车辆智能体以及基于BDI智能体结构的驾驶员智能体的结构由公式1表示:
VA/DA={id,B,D,I,Perception,Anticipation,Inference,Strategy,Action} 公式1
其中,VA为BDI智能体结构的车辆智能体,DA为基于BDI智能体结构的驾驶员智能体;id为一智能体的唯一标识,用于区分不同的智能体;B为状态库,存储自身状态和外界信息;D为愿望库,存储自身的愿望和期望;I为意图库,存储智能体的动作集;Perception、Anticipation、Inference、Strategy、Action分别表示智能体的感知、预测、推理、决策和执行动作;
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换道模型控制;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换道模型表示;
步骤S2,将反应式智能体与换道场景下道路环境特点进行结合,建立基于反应式智能体的换道场景道路环境模型;
道路环境包括道路本身的情况、特征和属性,以及交通流和除研究车辆之外的其余车辆;
道路环境智能体由公式2表示:
EA=(S,D) 公式2
其中,EA表示道路环境智能体;S表示静态环境,包括道路坡度、曲率、交通标识等;D表示动态环境,包括交通流、研究车辆外的周围车辆状态等;S、D由公式3-公式6表示:
S={slope,curvature,light,signs} 公式3
slope/curvature∈{small,middle,large} 公式4
D={traf_flow,state} 公式5
公式3-公式6中,slope表示道路坡度,curvature表示道路曲率,道路坡度和道路曲率用“small、middle、large”三种模糊逻辑来表示;light表示交通灯状态信息;signs表示交通标识信息;traf_flow表示交通通行效率或拥堵情况,既能够用时刻t时交通流量v来表示,t的单位为h,v的单位为veh,也能够用“smooth、medium、congestion”三种模糊逻辑来表示;state表示其余车辆的状态;
道路环境智能体的状态空间中state表示如下:
state={ah,vh,sh,aLo,vLo,sLo,aLd,vLd,sLd,aFd,vFd,sFd} 公式7
公式7中,ah为队列头车加速度,单位为m/s2;vh为队列头车速度,单位为m/s;sh为队列头车位置,单位为m;alo为初始车道前车加速度,单位为m/s2;vlo为初始车道前车速度,单位为m/s;slo为初始车道前车位置,单位为m;ald为目标车道前车加速度,单位为m/s2;vld为目标车道前车速度,单位为m/s;sld为目标车道前车位置,单位为m;aFd为目标车道后车加速度,单位为m/s2;vFd为目标车道后车速度,单位为m/s;sFd为目标车道后车位置,单位为m;
步骤S3,根据基于BDI智能体结构的车辆智能体换道模型、基于BDI智能体结构的驾驶员智能体换道模型和基于反应式智能体的换道场景道路环境模型建立智能汽车队列换道场景下“人-车-路”系统多智能体联合模型,并获得智能汽车队列换道场景下人、车、路三者之间的交互信息流。
2.如权利要求1所述的智能汽车队列换道场景下的“人-车-路”系统联合建模方法,其特征在于:
步骤S1中,基于BDI智能体结构的车辆智能体换道模型和基于BDI智能体结构的驾驶员智能体换道模型的建立方法是:
感知层中,第i辆车接收头车DAlc和前车VAlc,i-1的状态信息,包括:头车加速度ah、头车速度vh和头车位置sh,前车加速度ai-1、前车速度vi-1、前车位置si-1、驾驶员意图和换道意图Request;
第i辆车从道路环境智能体(EAlc)获取队列周围车辆的状态信息LCV,用于保证行驶安全;
预测层根据相关周车的状态以及自车状态,预测换道是否安全,judge_safe表示预测结果;建立最小换道安全距离模型,与实际车间距相比较,若实际车间距较大,则表示换道安全,否则表示不安全;
推理层根据预测层输出的判断结果,若换道安全,则根据车辆自身状态(ac、vc、sc)并结合期望达到的目标,规划出换道轨迹方程L;
决策层根据规划出的轨迹求解出车辆的期望加速度和方向盘转角;
执行层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。
3.如权利要求2所述的智能汽车队列换道场景下的“人-车-路”系统联合建模方法,其特征在于:
步骤S1中,还包括如下步骤:
换道时,预测层根据相关周车的状态以及自车状态,预测换道是否安全:
首先建立车辆全局坐标系,用以表示车辆各顶点和各边线的坐标表达式,其中,M为车辆代号,A、B、C、D为换道车辆M的四个顶点,其中A、B为车辆前方;并假设该车辆的中心坐标为(x,y),得到该车各顶点、边线的坐标表达式,如表1所示:
表1:车辆各顶点及边线坐标
其中:Lf为车辆中心到前保险杠的距离,单位为m;Lr为车辆中心到后保险杠的距离,单位为m;l为车辆上/下边线上一点到车辆中心的纵向距离,单位为m,靠近A点或B点为正,取值范围为-Lr<l<Lf;B为车辆的宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m,靠近A点或D点为正,取值范围为-B<b<B,θ为车辆横摆角,单位为弧度;
临界碰撞条件是:换道车辆M的AB边与直行车辆Ld的右后角C点相碰撞;其中P点为换道车辆MAB边与H线的交点,该点坐标中的b值由换道轨迹和时间共同确定;
保证不碰撞时,要求换道车辆MAB边与H线相交点P的x坐标始终在前车CD边之后,即x方向的临界碰撞方程:
其中b的值由横向坐标关系确定,即y方向的临界碰撞方程:
公式8、公式9中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;LrLd为目标车道前车Ld的车辆中心到后保险杠的距离,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为车辆前/后保险杠上一点到保险杠中点距离的二倍,单位为m;
在换道过程中的最大初始距离也就是避免碰撞的最小安全距离,因此换道车辆与目标车道前车Ld之间的安全距离模型MSS(M,Ld)为:
公式10中,xM、xLd、yM、yLd均表示换道车辆M与目标车道前车Ld的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆的左前角A点到达H线的时刻,tfin表示换道终止时刻;θ为车辆横摆角,单位为弧度;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BLd为目标车道前车Ld的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;其中t1满足:
换道车辆与目标车道后车Fd之间的安全距离模型:
t∈[t1,t2]
公式11中,xM、xFd、yM、yFd均表示换道车辆M与目标车道后车Fd的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆M的左前角A点到达H线的时刻,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFd为目标车道后车Fd的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;
换道车辆与初始车道前车Lo之间的安全距离模型:
t∈[t1,t2]
公式12中,xM、xLo、yM、yLo均表示换道车辆M与初始车道前车Lo的位置,单位为m;t表示时间,单位为s,t1时刻为换道车辆M的左前角A点到达H线的时刻,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;LfM为换道车辆M中心到前保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BLo为初始车道前车Lo的车辆宽度,单位为m;l为换道车辆M上/下边线上一点到车辆中心的纵向距离,单位为m;
换道车辆与初始车道后车Fo之间的安全距离模型:
t∈[0,t2]
b∈[-BM,BM]
公式13中,xM、xFo、yM、yFo均表示换道车辆M与初始车道后车Fo的位置,单位为m;t表示时间,单位为s,t2时刻为换道车辆M的右前角B点到达H线的时刻;θ为车辆横摆角,单位为弧度;LrM为换道车辆M中心到后保险杠的距离,单位为m;BM为换道车辆M的车辆宽度,单位为m;BFo为初始车道后车Fo的车辆宽度,单位为m;b为换道车辆M前/后保险杠上一点到保险杠中点距离的二倍,单位为m;
若初始距离大于安全距离,则判断换道安全,反之不安全。
4.如权利要求2所述的智能汽车队列换道场景下的“人-车-路”系统联合建模方法,其特征在于:
步骤S1中,还包括如下步骤:
换道时,推理层根据车辆状态进行换道轨迹规划:
车辆横向位移关于纵向位移的五次多项式如公式14所示:
yi(xi)=a0+a1xi+a2xi 2+a3xi 3+a4xi 4+a5xi 5 公式14
为了保证五次多项式能够平滑的规划出换道轨迹,需要确定上式中的六个系数以满足位置、坡度和曲率的约束,其约束如下:
公式14、公式15中,xi为车辆i的纵向位移,单位为m;yi表示车辆i的横向位移,单位为m;xi,f是换道开始时刻相对于换道结束时刻车辆行驶的纵向位移,单位为m;yi,f是换道过程中车辆走过的横向位移,单位为m,通过实际道路两车道中心线的宽度决定;κ表示规划轨迹的曲率,单位为m-1;
根据上述约束,求解五次多项式方程的系数,并将求解系数带入公式11中得到如公式13的轨迹规划五次多项式:
其中,(xi,f,yi,f)表示轨迹规划最后一个点相对规划初始点的位置,单位为m;vi表示当前车辆的纵向行驶车速,单位为m/s;
由公式16得出换道规划轨迹。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037102.5A CN114417592A (zh) | 2022-01-13 | 2022-01-13 | 一种换道场景智能汽车队列“人-车-路”系统建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210037102.5A CN114417592A (zh) | 2022-01-13 | 2022-01-13 | 一种换道场景智能汽车队列“人-车-路”系统建模方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114417592A true CN114417592A (zh) | 2022-04-29 |
Family
ID=81273445
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210037102.5A Pending CN114417592A (zh) | 2022-01-13 | 2022-01-13 | 一种换道场景智能汽车队列“人-车-路”系统建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114417592A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065501A (zh) * | 2012-12-14 | 2013-04-24 | 清华大学 | 一种汽车换道预警方法及换道预警系统 |
CN106218638A (zh) * | 2016-08-17 | 2016-12-14 | 北方工业大学 | 一种智能网联汽车协同换道控制方法 |
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
CN111338340A (zh) * | 2020-02-21 | 2020-06-26 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
WO2021077725A1 (zh) * | 2019-10-21 | 2021-04-29 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
WO2021223458A1 (zh) * | 2020-05-06 | 2021-11-11 | 重庆文理学院 | 一种综合考虑人-车-路各因素的行车风险统一量化方法 |
-
2022
- 2022-01-13 CN CN202210037102.5A patent/CN114417592A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065501A (zh) * | 2012-12-14 | 2013-04-24 | 清华大学 | 一种汽车换道预警方法及换道预警系统 |
CN106218638A (zh) * | 2016-08-17 | 2016-12-14 | 北方工业大学 | 一种智能网联汽车协同换道控制方法 |
CN107315411A (zh) * | 2017-07-04 | 2017-11-03 | 合肥工业大学 | 一种基于车车协同下无人驾驶车辆的换道轨迹规划方法 |
CN110187639A (zh) * | 2019-06-27 | 2019-08-30 | 吉林大学 | 一种基于参数决策框架的轨迹规划控制方法 |
WO2021077725A1 (zh) * | 2019-10-21 | 2021-04-29 | 南京航空航天大学 | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 |
CN111338340A (zh) * | 2020-02-21 | 2020-06-26 | 天津大学 | 基于模型预测的无人驾驶汽车局部路径规划方法 |
WO2021223458A1 (zh) * | 2020-05-06 | 2021-11-11 | 重庆文理学院 | 一种综合考虑人-车-路各因素的行车风险统一量化方法 |
CN113112022A (zh) * | 2021-04-06 | 2021-07-13 | 清华大学 | 智能汽车队列人-车-路系统多智能体联合建模方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111338340B (zh) | 基于模型预测的无人驾驶汽车局部路径规划方法 | |
CN109035862B (zh) | 一种基于车车通信的多车协同换道控制方法 | |
CN114407931B (zh) | 一种高度类人的自动驾驶营运车辆安全驾驶决策方法 | |
CN110187639A (zh) | 一种基于参数决策框架的轨迹规划控制方法 | |
CN110304074A (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN112233413B (zh) | 一种面向智能网联车辆的多车道时空轨迹优化方法 | |
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 | |
Zhang et al. | Multi-agent DRL-based lane change with right-of-way collaboration awareness | |
CN112046484A (zh) | 一种基于q学习的车辆变道超车路径规划方法 | |
Yang et al. | A less-disturbed ecological driving strategy for connected and automated vehicles | |
CN114564016A (zh) | 一种结合路径规划和强化学习的导航避障控制方法、系统及模型 | |
CN111081069B (zh) | 一种高速公路瓶颈区域的车辆轨迹控制方法 | |
WO2023273067A1 (zh) | 一种行驶规划方法、装置、计算机设备及存储介质 | |
CN111899509B (zh) | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 | |
Guo et al. | Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic | |
CN113112022A (zh) | 智能汽车队列人-车-路系统多智能体联合建模方法 | |
CN116909131A (zh) | 一种面向无信号交叉口的车辆编队轨迹规划建模方法 | |
CN114417592A (zh) | 一种换道场景智能汽车队列“人-车-路”系统建模方法 | |
Kavas-Torris et al. | A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation | |
Qian et al. | Obstacle avoidance method of autonomous vehicle based on fusion improved A* APF algorithm | |
CN113815645B (zh) | 一种适用于环形交叉口的自动驾驶行为决策系统与运动规划方法 | |
CN115140048A (zh) | 一种自动驾驶行为决策与轨迹规划模型与方法 | |
CN114783197A (zh) | 建筑群间无信号灯十字路口多车协同换道控制方法 | |
Liang et al. | Investigations on Speed Planning Algorithm and Trajectory Tracking Control of Intersection Scenarios Without Traffic Signs | |
Fang et al. | Distributed cooperative control of vehicle platoon based on a composite safety distance |
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 |