CN114495570A - 一种车路协同自主代客泊车停泊诱导方法 - Google Patents

一种车路协同自主代客泊车停泊诱导方法 Download PDF

Info

Publication number
CN114495570A
CN114495570A CN202210204137.3A CN202210204137A CN114495570A CN 114495570 A CN114495570 A CN 114495570A CN 202210204137 A CN202210204137 A CN 202210204137A CN 114495570 A CN114495570 A CN 114495570A
Authority
CN
China
Prior art keywords
parking
vehicle
parked
induction
guidance
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.)
Granted
Application number
CN202210204137.3A
Other languages
English (en)
Other versions
CN114495570B (zh
Inventor
曾德全
胡一明
陈齐平
熊璐
邓振文
刘登程
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.)
Nanchang Intelligent New Energy Vehicle Research Institute
Original Assignee
Nanchang Intelligent New Energy Vehicle Research Institute
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 Nanchang Intelligent New Energy Vehicle Research Institute filed Critical Nanchang Intelligent New Energy Vehicle Research Institute
Priority to CN202210204137.3A priority Critical patent/CN114495570B/zh
Publication of CN114495570A publication Critical patent/CN114495570A/zh
Application granted granted Critical
Publication of CN114495570B publication Critical patent/CN114495570B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/14Traffic control systems for road vehicles indicating individual free spaces in parking areas
    • G08G1/141Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces
    • G08G1/142Traffic control systems for road vehicles indicating individual free spaces in parking areas with means giving the indication of available parking spaces external to the vehicles
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00Computer-aided design [CAD]
    • G06F30/20Design optimisation, verification or simulation
    • G06F30/27Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/004Artificial life, i.e. computing arrangements simulating life
    • G06N3/006Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • GPHYSICS
    • G07CHECKING-DEVICES
    • G07BTICKET-ISSUING APPARATUS; FARE-REGISTERING APPARATUS; FRANKING APPARATUS
    • G07B15/00Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points
    • G07B15/02Arrangements or apparatus for collecting fares, tolls or entrance fees at one or more control points taking into account a variable factor such as distance or time, e.g. for passenger transport, parking systems or car rental systems
    • GPHYSICS
    • G08SIGNALLING
    • G08GTRAFFIC CONTROL SYSTEMS
    • G08G1/00Traffic control systems for road vehicles
    • G08G1/09Arrangements for giving variable traffic instructions
    • G08G1/0962Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
    • G08G1/0968Systems involving transmission of navigation instructions to the vehicle
    • G08G1/096805Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route
    • G08G1/096811Systems involving transmission of navigation instructions to the vehicle where the transmitted instructions are used to compute a route where the route is computed offboard
    • YGENERAL 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
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Finance (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明属于自动驾驶决策规划方法技术领域,涉及一种车路协同自主代客泊车停泊诱导方法,包括如下步骤:S1:单个车辆停泊的客观成本建模;S2:单个车辆停泊的主观成本建模;S3:停泊诱导约束建模;S4:停泊诱导总成本建模;S5:停泊诱导问题模型的建立;S6:适应度函数设计;S7:自适应蚁群算法求解停泊诱导问题。本发明能有效解决静态和动态场景下自主代客泊车的停车场调度和停车位分配的问题,降低因车辆反复寻泊导致的交通拥堵和能源浪费。

Description

一种车路协同自主代客泊车停泊诱导方法
技术领域
本发明属于自动驾驶泊车技术领域,具体涉及一种车路协同自主代客泊车停泊诱导方法。
背景技术
自主代客泊车开始步入人民的生活中,这不仅得益于人工智能技术、计算机技术、传感器技术和车辆工程技术的飞速发展,更是当下日趋紧张的土地资源和攀升的车辆保有率的真实反应。但是,单车智能的自主代客泊车系统缺乏全覆盖的感知能力与全时空的决策能力,导致该技术的推广受限。为克服这些问题,将路侧信息与车端信息融合的车路协同自主代客泊车系统是未来的发展趋势。但是,在车路协同模式下,多车或群车的停泊诱导如何保证交通系统的有序稳定成为了极大地挑战。
因此,如何提供基于车路协同技术的多智能车辆自主代客泊车停泊诱导方法是本领域技术人员亟待解决的问题。
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车路协同自主代客泊车停泊诱导方法。
本发明的目的可以通过以下技术方案来实现:
一种车路协同自主代客泊车停泊诱导方法,包括以下步骤:
S1:单个车辆停泊的客观成本建模;
S2:单个车辆停泊的主观成本建模;
S3:停泊诱导约束建模;
S4:停泊诱导总成本建模;
S5:停泊诱导问题模型的建立;
S6:适应度函数设计;
S7:自适应蚁群算法求解停泊诱导问题。
进一步地,步骤S1中,静态场景下,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j建模为gi,j=(wfsi,j+pj)xi,j,其中,待泊车辆序号i=1,…,n,n为待泊车辆总数;停车场序号j=1,…,m,m为停车场总数;wf为单位里程油耗折算的价格系数;si,j为停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j={0,1}是一个布尔量,为1表示车辆i停泊到停车场j,为0表示车辆i不停泊到停车场j。
进一步地,步骤S1中,动态场景下,对于第k个诱导时刻,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j,k建模为gi,j,k=(wfsi,j,k+pj)xi,j,k,其中,si,j为第k个诱导时刻的停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j,k={0,1}是一个布尔量,为1表示车辆i在第k个诱导时刻停泊到停车场j,为0表示车辆i在第k个诱导时刻不停泊到停车场j。
进一步地,步骤S2中,静态场景下,待泊车辆i停泊的主观成本hi建模为
Figure BDA0003530752290000021
其中,ws,i,j为考虑停泊油耗的用户停泊意愿系数;wp,j为考虑停泊费用的用户停泊意愿系数;r≥0为待泊车辆i未分配到停车场导致原地等待的用户停泊意愿参数。考虑停泊油耗的用户停泊意愿系数ws,i,j设计为
Figure BDA0003530752290000022
其中,cs≥0为当地居民消费水平对应的油耗心理承受系数,一般取为1;smax为居民可接受的最大停泊行车里程。考虑停泊费用的用户停泊意愿系数wp,j设计为建模为
Figure BDA0003530752290000023
其中,cp≥0为当地居民消费水平对应的停泊费用心理承受系数,一般取为1;pmax为居民可接受的最大停泊费用。
进一步地,步骤S2中,动态场景下,对于第k个诱导时刻,待泊车辆i停泊的主观成本hi,k建模为
Figure BDA0003530752290000024
其中,ws,i,j,k为考虑停泊油耗的用户停泊意愿系数;ρ>1为心理意愿增强系数,值越大,表明心理意愿越强大;ki,0为第i辆车首次进行停泊诱导的时刻。考虑停泊油耗的用户停泊意愿系数ws,i,j,k设计为
Figure BDA0003530752290000025
进一步地,步骤S3中,静态场景下,由于1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure BDA0003530752290000026
进一步地,步骤S3中,静态场景下,由于1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure BDA0003530752290000027
其中,Nj表示第j个停车场的可用停车位总数。
进一步地,步骤S3中,动态场景下,由于同一个诱导时刻k,1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure BDA0003530752290000031
进一步地,步骤S3中,动态场景下,由于同一个诱导时刻k,1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure BDA0003530752290000032
其中,Uk为第k个诱导时刻内的待泊车辆总数;vj,k≥1为在第k个诱导时刻停车场j的泊位周转率,即某个单位时间段内停车场j内单个停车位被重复使用的次数;NAj表示第j个停车场总的停车位总数,T≥0为动态分配周期。
进一步地,步骤S4中,静态场景下,对于单个待泊车辆i的停泊诱导成本Ci建模为
Figure BDA0003530752290000033
进一步地,步骤S4中,静态场景下,停泊诱导总成本C建模为
Figure BDA0003530752290000034
进一步地,步骤S4中,动态场景下,对于第k个诱导时刻,单个待泊车辆i的停泊诱导成本Di,k建模为:
Figure BDA0003530752290000035
进一步地,步骤S4中,动态场景下,对于第k个诱导时刻,停泊诱导成本Dk建模为
Figure BDA0003530752290000036
进一步地,步骤S4中,动态场景下,停泊诱导成本D建模为
Figure BDA0003530752290000037
,其中,K为总的动态分配时刻。
进一步地,步骤S5中,静态场景下,停泊诱导问题模型建立为以停泊诱导总成本C最小为目标函数,同时,以
Figure BDA0003530752290000038
Figure BDA00035307522900000310
为约束,构造最优化问题,如公式(1):
Figure BDA00035307522900000311
进一步地,步骤S5中,动态场景下,停泊诱导问题模型建立为以停泊诱导总成本D最小为目标函数,以
Figure BDA0003530752290000041
Figure BDA0003530752290000042
为约束,构造最优化问题,如公式(2):
Figure BDA0003530752290000043
进一步地,步骤S6中,静态场景下,停泊诱导问题的适应度函数f设计为
Figure BDA0003530752290000044
其中,常数ε>0,设为0.01。
进一步地,步骤S6中,动态场景下,停泊诱导问题的适应度函数f设计为
Figure BDA0003530752290000045
其中,常数α>0,设为0.01。
进一步地,步骤S7中,为克服传统蚁群算法收敛速度慢的问题,设计的自适应蚁群算法在每一步迭代完成后,求出最优解,并将该最优解保留。
进一步地,步骤S7中,为克服传统蚁群算法“早熟”停滞的问题,设计的自适应蚁群算法将信息素蒸发系数按一定规律变化。变化规律是当算法求得的最优值在10次迭代循环内的差值小于0.1时,信息素蒸发系数γ计算方法如公式(3)所示。
Figure BDA0003530752290000046
其中,γz为当前迭代循环更新的信息素蒸发系数,γz-1为上一迭代循环的信息素蒸发系数,γmin为信息素蒸发系数最小值,一般设置为0.1。
与现有技术相比,本发明具有以下优点:
(1)本发明建模方法,不仅考虑了客观和主观因素,还兼顾了静态和动态场景,能够形象的描述自主代客泊车停泊诱导问题。
(2)本发明中的基于自适应蚁群算法的问题求解过程,能够实现并行快速的车路协同自主代客泊车停泊诱导。
(3)本发明适用性强,能够同时适用于单智能车辆或者多智能车辆自主代客泊车停泊诱导控制,更加高效。
(4)本发明能有效解决静态和动态场景下自主代客泊车的停车场调度和停车位分配的问题,降低因车辆反复寻泊导致的交通拥堵和能源浪费。
附图说明
图1为本发明的车路协同自主代客泊车停泊诱导场景示意图。
图2为本发明的车路协同自主代客泊车停泊诱导静态案例示意图。
图3为本发明的车路协同自主代客泊车停泊诱导静态案例成本对比示意图。
图4为本发明的自适应蚁群算法迭代收敛示意图。
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。
实施例:
如图1所示,图1为本发明的车路协同自主代客泊车停泊诱导场景示意图,该策略具体步骤包括:
步骤1:单个车辆停泊的客观成本建模。
静态场景下,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j建模为gi,j=(wfsi,j+pj)xi,j,其中,如图1所示,待泊车辆序号i=1,…,n,n为待泊车辆总数;停车场序号j=1,…,m,m为停车场总数;wf为单位里程油耗折算的价格系数;si,j为停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j={0,1}是一个布尔量,为1表示车辆i停泊到停车场j,为0表示车辆i不停泊到停车场j。
动态场景下,对于第k个诱导时刻,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j,k建模为gi,j,k=(wfsi,j,k+pj)xi,j,k,其中,si,j为第k个诱导时刻的停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j,k={0,1}是一个布尔量,为1表示车辆i在第k个诱导时刻停泊到停车场j,为0表示车辆i在第k个诱导时刻不停泊到停车场j。
步骤2:单个车辆停泊的主观成本建模。
静态场景下,待泊车辆i停泊的主观成本hi建模为
Figure BDA0003530752290000051
其中,ws,i,j为考虑停泊油耗的用户停泊意愿系数;wp,j为考虑停泊费用的用户停泊意愿系数;r≥0为待泊车辆i未分配到停车场导致原地等待的用户停泊意愿参数。考虑停泊油耗的用户停泊意愿系数ws,i,j设计为
Figure BDA0003530752290000052
其中,cs≥0为当地居民消费水平对应的油耗心理承受系数,一般取为1;smax为居民可接受的最大停泊行车里程。考虑停泊费用的用户停泊意愿系数wp,j设计为建模为
Figure BDA0003530752290000061
其中,cp≥0为当地居民消费水平对应的停泊费用心理承受系数,一般取为1;pmax为居民可接受的最大停泊费用。
动态场景下,对于第k个诱导时刻,待泊车辆i停泊的主观成本hi,k建模为
Figure BDA0003530752290000062
其中,ws,i,j,k为考虑停泊油耗的用户停泊意愿系数;ρ>1为心理意愿增强系数,值越大,表明心理意愿越强大;ki,0为第i辆车首次进行停泊诱导的时刻。考虑停泊油耗的用户停泊意愿系数ws,i,j,k设计为
Figure BDA0003530752290000063
步骤3:停泊诱导约束建模。
静态场景下,由于1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure BDA0003530752290000064
由于1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure BDA0003530752290000065
其中,Nj表示第j个停车场的可用停车位总数。
动态场景下,由于同一个诱导时刻k,1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure BDA0003530752290000066
由于同一个诱导时刻k,1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure BDA0003530752290000067
其中,Uk为第k个诱导时刻内的待泊车辆总数;vj,k≥1为在第k个诱导时刻停车场j的泊位周转率,即某个单位时间段内停车场j内单个停车位被重复使用的次数;NAj表示第j个停车场总的停车位总数,T≥0为动态分配周期。
步骤4:停泊诱导总成本建模。
静态场景下,对于单个待泊车辆i的停泊诱导成本Ci建模为
Figure BDA0003530752290000068
停泊诱导总成本C建模为
Figure BDA0003530752290000069
动态场景下,对于第k个诱导时刻,单个待泊车辆i的停泊诱导成本Di,k建模为
Figure BDA0003530752290000071
。停泊诱导成本Dk建模为
Figure BDA0003530752290000072
停泊诱导成本D建模为
Figure BDA0003530752290000073
,其中,K为总的动态分配时刻。
步骤5:停泊诱导问题模型的建立。
静态场景下,停泊诱导问题模型建立为以停泊诱导总成本C最小为目标函数,以
Figure BDA0003530752290000074
Figure BDA0003530752290000075
为约束,构造最优化问题,如公式(1)所示。
Figure BDA0003530752290000076
动态场景下,停泊诱导问题模型建立为以停泊诱导总成本D最小为目标函数,以
Figure BDA0003530752290000077
Figure BDA0003530752290000078
为约束,构造最优化问题,最优化问题如公式(2)所示。
Figure BDA0003530752290000079
步骤6:适应度函数设计。
静态场景下,停泊诱导问题的适应度函数fC设计为
Figure BDA00035307522900000710
其中,常数ε>0,设为0.01。
动态场景下,停泊诱导问题的适应度函数fD设计为
Figure BDA00035307522900000711
其中,常数α>0,设为0.01。
步骤7:自适应蚁群算法求解停泊诱导问题。为克服传统蚁群算法收敛速度慢的问题,设计的自适应蚁群算法在每一步迭代完成后,求出最优解,并将该最优解保留。为克服传统蚁群算法“早熟”停滞的问题,设计的自适应蚁群算法将信息素蒸发系数按一定规律变化。变化规律是当算法求得的最优值在10次迭代循环内的差值小于0.1时,信息素蒸发系数γ计算方法如公式(3)所示。
Figure BDA0003530752290000081
其中,γz为当前迭代循环更新的信息素蒸发系数,γz-1为上一迭代循环的信息素蒸发系数,γmin为信息素蒸发系数最小值,一般设置为0.1。
例如:如图2,描述的是一个停泊诱导的静态场景。场景中3个交通节点n1、n2、n3,分别有待泊车辆10辆、12辆和11辆;4个停车场的可用停车位总数N1、N2、N3、N4,均为6个;4个停车场的停泊费用p1、p2、p3、p4,均为2元;每个相邻节点间的距离、每个节点到相邻停车场的距离为si;其余关键参数wf=2/km,r=50,smax=1km,pmax=2,cs=1.0,cp=1.0,γmin=0.1。如图3,将本发明的停泊诱导方法与就近停车的停泊诱导方法对比,数据表明,本发明的停泊诱导方法不论是在单车成本的均衡性上,还是在总成本最优性上,都要优于就近停车的停泊诱导方法。如图4,本发明的自适应蚁群算法在不到10个迭代次数就已经收敛到最优值,数据表明,本发明的自适应蚁群算法具有较好的收敛能力。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种车路协同自主代客泊车停泊诱导方法,其特征在于,包括以下步骤:
S1:单个车辆停泊的客观成本建模;
S2:单个车辆停泊的主观成本建模;
S3:停泊诱导约束建模;
S4:停泊诱导总成本建模;
S5:停泊诱导问题模型的建立;
S6:适应度函数设计;
S7:自适应蚁群算法求解停泊诱导问题。
2.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S1中,静态场景下,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j建模为gi,j=(wfsi,j+pj)xi,j,其中,待泊车辆序号i=1,…,n,n为待泊车辆总数;停车场序号j=1,…,m,m为停车场总数;wf为单位里程油耗折算的价格系数;si,j为停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j={0,1}是一个布尔量,为1表示车辆i停泊到停车场j,为0表示车辆i不停泊到停车场j;
所述的步骤S1中,动态场景下,对于第k个诱导时刻,待泊车辆i诱导泊入停车场j的单个车辆停泊的客观成本gi,j,k建模为gi,j,k=(wfsi,j,k+pj)xi,j,k,其中,si,j为第k个诱导时刻的停泊行车里程,表示从放下用户目的地到目标停车场的停泊行车里程;pj为在停车场j的停泊费用;xi,j,k={0,1}是一个布尔量,为1表示车辆i在第k个诱导时刻停泊到停车场j,为0表示车辆i在第k个诱导时刻不停泊到停车场j。
3.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S2中,静态场景下,待泊车辆i停泊的主观成本hi建模为
Figure FDA0003530752280000011
其中,ws,i,j为考虑停泊油耗的用户停泊意愿系数;wp,j为考虑停泊费用的用户停泊意愿系数;r≥0为待泊车辆i未分配到停车场导致原地等待的用户停泊意愿参数;考虑停泊油耗的用户停泊意愿系数ws,i,j设计为
Figure FDA0003530752280000012
其中,cs≥0为当地居民消费水平对应的油耗心理承受系数,一般取为1;smax为居民可接受的最大停泊行车里程;考虑停泊费用的用户停泊意愿系数wp,j设计为建模为
Figure FDA0003530752280000013
其中,cp≥0为当地居民消费水平对应的停泊费用心理承受系数,一般取为1;pmax为居民可接受的最大停泊费用;
所述的步骤S2中,动态场景下,对于第k个诱导时刻,待泊车辆i停泊的主观成本hi,k建模为
Figure FDA0003530752280000021
其中,ws,i,j,k为考虑停泊油耗的用户停泊意愿系数;ρ>1为心理意愿增强系数,值越大,表明心理意愿越强大;ki,0为第i辆车首次进行停泊诱导的时刻;对于第k个诱导时刻,考虑停泊油耗的用户停泊意愿系数ws,i,j,k设计为
Figure FDA0003530752280000022
4.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S3中,静态场景下,由于1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure FDA0003530752280000023
由于1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure FDA0003530752280000024
其中,Nj表示第j个停车场的可用停车位总数;
所述的步骤S3中,动态场景下,由于同一个诱导时刻k,1辆待泊车辆最多能占用1个停车位,有停泊诱导约束为
Figure FDA0003530752280000025
动态场景下,由于同一个诱导时刻k,1个停车位最多可以服务1辆待泊车辆,有停泊诱导约束为
Figure FDA0003530752280000026
其中,Uk为第k个诱导时刻内的待泊车辆总数;vj,k≥1为在第k个诱导时刻停车场j的泊位周转率,即某个单位时间段内停车场j内单个停车位被重复使用的次数;NAj表示第j个停车场总的停车位总数,T≥0为动态分配周期。
5.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S4中,静态场景下,对于单个待泊车辆i的停泊诱导成本Ci建模为
Figure FDA0003530752280000027
停泊诱导总成本C建模为:
Figure FDA0003530752280000028
动态场景下,对于第k个诱导时刻,单个待泊车辆i的停泊诱导成本Di,k建模为
Figure FDA0003530752280000029
对于第k个诱导时刻,停泊诱导成本Dk建模为
Figure FDA0003530752280000031
停泊诱导成本D建模为:
Figure FDA0003530752280000032
,其中,K为总的动态分配时刻。
6.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S5中,静态场景下,停泊诱导问题模型建立为以停泊诱导总成本C最小为目标函数,同时,以
Figure FDA0003530752280000033
Figure FDA0003530752280000034
为约束,构造最优化问题,如公式(1):
Figure FDA0003530752280000035
7.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S5中,动态场景下,停泊诱导问题模型建立为以停泊诱导总成本D最小为目标函数,同时,以
Figure FDA0003530752280000036
Figure FDA0003530752280000037
为约束,构造最优化问题,如公式(2):
Figure FDA0003530752280000038
8.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S6中,静态场景下,停泊诱导问题的适应度函数fC设计为
Figure FDA0003530752280000039
其中,常数ε>0,设为0.01;动态场景下,停泊诱导问题的适应度函数fD设计为
Figure FDA00035307522800000310
其中,常数α>0,设为0.01。
9.根据权利要求1所述的一种车路协同自主代客泊车停泊诱导方法,其特征在于,所述的步骤S7中,为克服传统蚁群算法“早熟”停滞的问题,设计的自适应蚁群算法将信息素蒸发系数按一定规律变化;变化规律是当算法求得的最优值在10次迭代循环内的差值小于0.1时,信息素蒸发系数γ计算方法如公式(3)所示:
Figure FDA0003530752280000041
其中,γz为当前迭代循环更新的信息素蒸发系数,γz-1为上一迭代循环的信息素蒸发系数,γmin为信息素蒸发系数最小值,一般设置为0.1。
CN202210204137.3A 2022-03-03 2022-03-03 一种车路协同自主代客泊车停泊诱导方法 Active CN114495570B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210204137.3A CN114495570B (zh) 2022-03-03 2022-03-03 一种车路协同自主代客泊车停泊诱导方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210204137.3A CN114495570B (zh) 2022-03-03 2022-03-03 一种车路协同自主代客泊车停泊诱导方法

Publications (2)

Publication Number Publication Date
CN114495570A true CN114495570A (zh) 2022-05-13
CN114495570B CN114495570B (zh) 2023-04-07

Family

ID=81484261

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210204137.3A Active CN114495570B (zh) 2022-03-03 2022-03-03 一种车路协同自主代客泊车停泊诱导方法

Country Status (1)

Country Link
CN (1) CN114495570B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762233A (zh) * 2022-12-09 2023-03-07 南昌智能新能源汽车研究院 多驾驶模式的泊位分配及规划控制方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111601A (zh) * 2019-05-15 2019-08-09 华南理工大学 一种基于两阶段选择的区域停车位动态分配方法
EP3750742A1 (de) * 2019-06-13 2020-12-16 Volkswagen Ag Parksystem für fahrzeuge
CN112908021A (zh) * 2021-01-15 2021-06-04 重庆长安汽车股份有限公司 一种代客自主泊车方法及系统
CN113525357A (zh) * 2021-08-25 2021-10-22 吉林大学 自动泊车决策模型优化系统及方法
US20220001891A1 (en) * 2020-07-06 2022-01-06 Shenzhen Guo Dong Intelligent Drive Technologies Co., Ltd. Sensing method, intelligent control device and autonomous driving vehicle
CN113903185A (zh) * 2021-08-24 2022-01-07 刘鹏 一种avp自动代客泊车的调度控制系统及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110111601A (zh) * 2019-05-15 2019-08-09 华南理工大学 一种基于两阶段选择的区域停车位动态分配方法
EP3750742A1 (de) * 2019-06-13 2020-12-16 Volkswagen Ag Parksystem für fahrzeuge
US20220001891A1 (en) * 2020-07-06 2022-01-06 Shenzhen Guo Dong Intelligent Drive Technologies Co., Ltd. Sensing method, intelligent control device and autonomous driving vehicle
CN112908021A (zh) * 2021-01-15 2021-06-04 重庆长安汽车股份有限公司 一种代客自主泊车方法及系统
CN113903185A (zh) * 2021-08-24 2022-01-07 刘鹏 一种avp自动代客泊车的调度控制系统及方法
CN113525357A (zh) * 2021-08-25 2021-10-22 吉林大学 自动泊车决策模型优化系统及方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
NAKAMURA, H.等: "A Study on Automatic Parking for Automobiles Using Rational Policy Making Method", 《2008 IEEE CONFERENCE ON SOFT COMPUTING IN INDUSTRIAL APPLICATIONS》 *
季彦婕等: "停车场内部泊车行为特性分析及最优泊位选择模型", 《东南大学学报(自然科学版)》 *
段满珍等: "个性化诱导下的居住区共享停车泊位分配模型", 《东北大学学报(自然科学版)》 *
赵俊军等: "基于拓扑网络的停车诱导算法", 《控制工程》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115762233A (zh) * 2022-12-09 2023-03-07 南昌智能新能源汽车研究院 多驾驶模式的泊位分配及规划控制方法
CN115762233B (zh) * 2022-12-09 2023-11-14 南昌智能新能源汽车研究院 多驾驶模式的泊位分配及规划控制方法

Also Published As

Publication number Publication date
CN114495570B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109471444B (zh) 基于改进Dijkstra算法的停车AGV路径规划方法
CN111785045B (zh) 基于演员-评论家算法的分布式交通信号灯联合控制方法
CN108417031B (zh) 一种基于Agent仿真的智能停车泊位预约策略优化方法
CN104864883B (zh) 基于云平台的电动汽车路径规划方法
CN112700664A (zh) 一种基于深度强化学习的交通信号配时优化方法
CN112700663A (zh) 基于深度强化学习策略的多智能体智能信号灯路网控制方法
CN111696370A (zh) 基于启发式深度q网络的交通灯控制方法
CN108458716A (zh) 一种基于充电桩动态占用率预测的电动汽车充电导航方法
CN110111601B (zh) 一种基于两阶段选择的区域停车位动态分配方法
CN108629503A (zh) 一种基于深度学习的出租车上车需求量的预测方法
CN114495570B (zh) 一种车路协同自主代客泊车停泊诱导方法
CN108805335B (zh) 一种公共自行车调度方法
CN112927505B (zh) 一种车联网环境下基于多智能体深度强化学习的信号灯自适应控制方法
CN106952414A (zh) 一种针对高峰期公共自行车租赁点选址布局方法
CN115423168A (zh) 一种考虑服务稳定性的定制公交路网优化方法及系统
CN113299079B (zh) 一种基于ppo和图卷积神经网络区域交叉口信号控制方法
CN117252318B (zh) 一种智能网联汽车群机协同拼车调度方法及系统
CN114418213A (zh) 一种基于深度强化学习的城市电动车辆调度方法和系统
CN112330025B (zh) 用于城市电动汽车的时空充电负荷的预测方法
CN111091286B (zh) 一种公共自行车调度方法
CN110021168B (zh) 一种车联网下实现实时智能交通管理的分级决策方法
CN116127839A (zh) 一种基于强化学习的公交站场服务中断防治方法
CN115331460B (zh) 一种基于深度强化学习的大规模交通信号控制方法及装置
CN114255596B (zh) 一种基于大数据的停车场车位推荐系统及方法
CN114444400A (zh) 一种自主代客泊车群车库位分配方法

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