CN114516328A - 一种智能网联环境下基于规则的车队跟驰模型方法 - Google Patents
一种智能网联环境下基于规则的车队跟驰模型方法 Download PDFInfo
- Publication number
- CN114516328A CN114516328A CN202210218865.XA CN202210218865A CN114516328A CN 114516328 A CN114516328 A CN 114516328A CN 202210218865 A CN202210218865 A CN 202210218865A CN 114516328 A CN114516328 A CN 114516328A
- Authority
- CN
- China
- Prior art keywords
- speed
- vehicle
- distance
- acceleration
- vehicles
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000001133 acceleration Effects 0.000 claims abstract description 150
- 230000003993 interaction Effects 0.000 claims abstract description 13
- 230000006855 networking Effects 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims description 43
- 150000001875 compounds Chemical class 0.000 claims description 30
- 230000014509 gene expression Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 230000008859 change Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000013178 mathematical model Methods 0.000 claims description 4
- 101150096839 Fcmr gene Proteins 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 239000011541 reaction mixture Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 230000033001 locomotion Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000009133 cooperative interaction Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/14—Adaptive cruise control
- B60W30/16—Control of distance between vehicles, e.g. keeping a distance to preceding vehicle
- B60W30/165—Automatically following the path of a preceding lead vehicle, e.g. "electronic tow-bar"
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W40/00—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models
- B60W40/10—Estimation or calculation of non-directly measurable driving parameters for road vehicle drive control systems not related to the control of a particular sub unit, e.g. by using mathematical models related to vehicle motion
- B60W40/107—Longitudinal acceleration
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W2754/00—Output or target parameters relating to objects
- B60W2754/10—Spatial relation or speed relative to objects
- B60W2754/30—Longitudinal distance
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
Abstract
本发明公开了一种智能网联环境下基于规则的车队跟驰模型方法,包括:构建基于规则的网联车队框架模型;采用二分之一斜率法对舒适度与行车时间加以平衡,计算出最佳加减速方案;基于框架模型以及加减速方案构建基于规则的车队跟驰模型。本发明的方法为形成较小间距、速度一致的自动驾驶车队,将速度一致、避免碰撞、尽量靠近三条原则作为智能网联汽车的交互规则,借鉴安全距离类模型的形式,结合车辆运动学,达到所构建的模型可以在安全的前提下使得后车以较小的间距、一致的速度进行稳定跟驰的效果。
Description
技术领域
本发明涉及车辆驾驶技术,具体涉及一种智能网联环境下基于规则的车队跟驰模型方法。
背景技术
目前,智能网联汽车的出现改变了车辆驾驶行为模式,实现了车与车、车与路之间的交互,为缓解交通问题带来了曙光,智能网联时代即将来临。在智能网联环境下车辆以队列行驶,车辆可以通过车-车通信紧密配合缩短两车行驶间距,并避免碰撞,有效提高道路通行能力以及交通安全性,从而在一定程度上缓解交通问题。而车队之间车与车之间的相互作用即为跟驰行为,因此,研究智能网联汽车跟驰模型势在必行。
跟驰模型的分类比较多,常用的经典模型有以下几类:刺激-反应模型、优化速度模型、智能驾驶模型以及安全距离类模型,这些模型各有其优缺点以及适用性。刺激-反应模型:模型简单,物理意义直白,是许多跟驰模型研究的基础,但是较难进行准确的参数标定。优化速度模型:可重现交通流多种宏观现象,但是考虑因素单一,无法保证跟驰安全间距。智能驾驶模型:可较好地拟合实际数据,可同时描述自由流与非自由流交通状态,但是待标定参数较多。相比较而言安全距离类模型考虑行车间距直接反馈,物理意义明确,能够很好的描述跟驰行为,仿真应用广,因此,比较适合用来研究智能网联汽车跟驰模型。
在安全距离跟驰模型方面,有对制动过程进行了分析,在原来的车辆运动安全距离公式的基础上,重新定义了跟驰安全距离。有通过测量前后车之间的距离,计算出安全距离,并提出了用来判断前后车的安全距离是否安全的算法。有基于安全距离模型,对汽车制动过程进行了运动学分析,建立了一种改进后的安全距离数学模型。有通过分析期望的跟驰车速以及安全间距对驾驶行为的影响,把安全间距作为直接反馈控制项,以此建立了协同跟驰模型。在智能网联汽车跟驰模型方面,有通过分析智能网联汽车的跟驰特性,构建了考虑3辆前导车信息的CAV跟驰模型。有在车车通信环境下,通过分析在跟驰状态下的车辆的运动特性,提出了临界安全距离模型。有在车联网环境下,对原有自动驾驶交通流跟驰模型进行改进,构建新的自动驾驶跟驰模型。有基于V2V条件在Newell模型和FVD模型的基础上进行改进,构建了车辆队列跟驰模型,并对V2V技术提高交通流运行安全性和稳定性的机理进行了分析。有考虑车辆跟驰存在的延时性与传递性,基于网联车的智能感知与协同交互,提出一种基于多前车最优速度与加速度的网联车跟驰模型。有为了进一步提高交通流的稳定性,在经典基于驾驶员记忆的最优速度(OVCM)模型的基础上,提出了一种基于多前车最优速度与紧邻加速度(MHOVA)的智能网联车辆跟驰模型。
上述对安全距离类跟驰模型的研究多以避撞为目标,少有人考虑让车辆尽量靠近的状态,且跟驰车距偏大,跟驰中前后车速度大多不一致,这就导致前车在状态不变的情况下,后车需要根据本车速度、前后车距离进行多次微调。而在智能网联汽车跟驰模型方面,虽有部分学者研究智能网联汽车模型,但大多都是在经典模型的基础上进行改进,而已有的经典跟驰模型基本都是对传统交通环境的描述,所以无法准确描述智能网联汽车的跟驰行为。所以,针对以上问题,根据智能网联汽车特性制定车辆交互规则,构建跟驰模型,使车辆迅速形成一列间距一致、速度一致的队列,探索基于规则的车队行驶模型的可行性。
发明内容
本发明的主要目的在于提供一种智能网联环境下基于规则的车队跟驰模型方法,达到所构建的模型可以在安全的前提下使得后车以较小的间距、一致的速度进行稳定跟驰的效果。
本发明采用的技术方案是:一种智能网联环境下基于规则的车队跟驰模型方法,包括:
构建基于规则的网联车队框架模型;
采用二分之一斜率法对舒适度与行车时间加以平衡,计算出最佳加减
速方案;
基于框架模型以及加减速方案构建基于规则的车队跟驰模型。
进一步地,所述构建基于规则的网联车队框架模型包括两车间距较小时构建模型和两车间距较小时构建模型;
网络环境为5G通信,非5G情况下也可使用,仅通信时延不同,但整个车队处于同一种网络环境,后车在同时满足三条规则进行匀速行驶时的距离为停车距离加通信延迟阶段匀速行驶的距离,借鉴最小行车安全距离数学模型框架,可以得出以下关系式:
式中,为车辆停止后,与前方车辆之间的安全距离,取2m;为前车的速度,也是两车匀速时的速度,km/h;T为通信延迟时间,理想情况下,5G通信时延一般取0.001s;D为两车之间的实际距离,m;为前车的制动距离,m;为后车的制动距离,m;
两车间距较小时构建模型
后车车速大于前车
根据式(1)(2)(3),可得到以下关系式:
取加速度,所以当两车距离大于(为加速度为0.5时两车的间距)或者 ()时,后车在减至前车速度时两车间距大于不能满足尽量靠近原则,将此归为两车间距较大,后车车速大于前车的行车情况,所以当,为第一种情况,此时后车经过延迟匀速后直接减速;则时,
后车车速小于等于前车
当后车速度小于等于前车时,此时车辆不仅不会发生碰撞,两车间距还会越来越大,此种情况较为特殊,所以将此种情况归为两车间距较大,后车车速小于等于前车的行车情况;
两车间距较小时构建模型
在满足规则的前提下,有:
根据式(1),可得到以下关系式:
后车车速大于前车
为了使后车在任何加减速方案下都有匀速阶段,取所有加减速方案中的最小值,当时,可以取到最小值,即(为时,所求得的匀速阶段速度,其中右上标括号内左边的数值为加速阶段的加速度,右边的数值为减速阶段的加速度);由于在快速路上,车辆限速为77km/h,所以两车距离小于所对应间距,又因符合此种情况,所以时,为第一种情况,后车以最小匀速,即后车经过通信延迟匀速阶段后,加速至,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;
后车速度小于等于前车
当后车速度小于等于前车时,此时车辆不会发生碰撞且两车距离越来越远,所以若要满足三条规则,后车需要以大于前车的速度进行追赶后,再进行匀速行驶,最后再在的距离时刚好减至与前车速度一致,此种情况与后车车速大于前车车速中的第一种情况一致,仅及取值有所不同;此时在所有加减速方案中,仅在或
当时,由于,所以此种情况下的最小均大于等于77,超出限速范围,于是此为第二种情况为以匀速,即后车经过通信延迟匀速阶段后,加速至77km/h,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;同时结合第一种情况,可以得出第二种情况:
更进一步地,所述采用二分之一斜率法对舒适度与行车时间加以平衡,计算出最佳加减速方案包括:
单轴向加权加速度均方根值
采用单轴向加权加速度均方根值来进行评价,舒适性指标为:
舒适度与行车时间平衡方法
式(12)中,,和皆可获得,根据前后车速度大小关系以及实际距离可以确定后车以哪种方式行驶,也可确定;然后根据EXCEL表格计算出所有加减速方案的行车时间以及舒适度,得出不同加减速方案下的行车时间与舒适度关系的散点图,最终拟合相应的公式;
加减速方案计算
拟合曲线形式为:
斜率数值为最大(斜率最小)时:
平均斜率:
则所对应的行车时间为:
式中,e,f,g均为常数;
更进一步地,所述基于框架模型以及加减速方案构建基于规则的车队跟驰模型包括:
后车行驶过程大致分为两大类别,第一类经过通信延迟后直接减速,可以直接算出加速度,车辆在通信延迟之后直接根据相应的加速度减速即可;第二类通信延迟之后开始加速至,然后开始匀速,最后再在的距离时刚好减速至与前车速度一致,共有四个阶段;在EXCEL数值计算中,以初始两车间隔开始,每隔或状态发生变化时,根据此刻状态计算当前车辆的速度,位置,根据颗粒粗细取1m,此时1m所对应的时间为0.05s;于是有:
延迟阶段:
匀速阶段:
由此可以算出两车的位置:
减速阶段:
综上,结合推荐加速度方案,可以得出后车跟驰模型:
两车间距较小,后车车速大于前车
两车间距较大
在行驶中,加速时加速度或速度会有波动情况,若要在减速阶段加速度不变的情况下保持安全行驶,则此时的速度应满足以下关系式:
本发明的优点:
本发明的方法为形成较小间距、速度一致的自动驾驶车队,将速度一致、避免碰撞、尽量靠近三条原则作为智能网联汽车的交互规则,借鉴安全距离类模型的形式,结合车辆运动学,达到所构建的模型可以在安全的前提下使得后车以较小的间距、一致的速度进行稳定跟驰的效果。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的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。
图1是本发明 跟驰状态下前后两车安全距离模型示意图;
图2是本发明的车队形成框架模型框架图;
图3是本发明的不同加减速方案下的行车时间与舒适度关系图。
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,以下结合附图及实施例,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仅用以解释本发明,并不用于限定本发明。
车队形成框架模型的建立
交互规则描述
研究中,集群的智能网联汽车已经具备了涌现的条件,如果设计科学合理的交互规则,那么就可以实现交通系统的自组织涌现控制。在路段宏观层面,集群的智能网联汽车可以形成自治车队。由此参考鱼群三规则,以智能网联汽车作为智能个体,根据智能网联汽车特性制定了以下规则:
避免碰撞:车辆在行驶中,保持一定的车间距,使前后车辆不发生碰撞行为。
尽量靠近:当车辆在行驶时,车间距大于安全间距,予以车辆一定的加速度,使车间距减少至安全间距,尽量靠近前车。
速度一致:使前后车辆具有一致的速度,使其形成稳定的车队。
为了涌现形成宏观的自治车队并以此来检测三条规则,同时以较小间距作为目标来达到车队行驶过程中减小空气阻力,提高通行能力的目的。将以此三条原则作为智能网联汽车的交互规则,构建基于规则的跟驰模型从而满足以上要求。
车队形成过程主要分为两大类情况:
一类是两车间距较小;另一类是两车间距较大,则在车队形成过程中车辆的交互规则实现流程如下:
(1)两车间距较小,后车速度大于前车速度时,如果前车一直保持匀速行驶,且后车也保持原速度行驶,则两车一定会发生碰撞,为了满足避免碰撞原则,后车需立即减速,同时为了实现尽量靠近原则,后车应在安全的前提下与前车保持更小的安全距离,若要实现速度一致原则,则车辆在停止减速时刻速度应减至与前车一致;两车间距较小,后车速度小于前车速度时,如果前车一直保持匀速行驶,且后车也保持原速度行驶,则两车一定不会发生碰撞,且两车间距将会越来越大,因此,将此种情况归为两车间距较大,后车车速小于等于前车的行车情况。
(2)两车间距较大,后车速度大于前车速度时,此时后车若直接减速仅能满足避撞原则;而两车间距较大,后车速度小于前车速度时,两车状态不发生改变,车辆不会发生碰撞且两车距离越来越远。所以,两种情况下后车都要先进行适当加速以满足尽量靠近原则,同时为了实现避免碰撞原则,车辆在适当的距离开始减速在最小安全距离处停止减速,若要实现速度一致原则,则车辆在停止减速时刻速度应减至与前车一致。
基本假定
所建立的模型基于以下假定:
(1)智能网联汽车行驶情况为单一车道的连续交通流,不存在变道或者超车情况。
(2)仅考虑纵向速度、加速度,不考虑横向变化。
(3)通信良好,信息传输不存在阻碍或者干扰。
(4)为纯网联环境,不考虑混行。
(5)不考虑车辆加减速性能指标。
车队形成框架模型构建
考虑的场景是:武汉市二环线的单车道上,根据标准可知:车辆行驶速度范围为60-70km/h,最大速度为77km/h(交规处罚规定最大时速不得超过限定时速的10%),一列车队以同等速度,同等间距匀速行驶,后面车辆处于跟驰状态则可加入车队进行跟驰。在现有研究中,对跟驰状态的判定也存在多种观点。有认为跟驰行为发生在两车车头间距为0~100米或者0~125米的范围内;Weidman的研究则认为车头间距小于等于150米时,车辆处于跟驰状态。由于车辆时速较大,且后面在研究过程中发现6m以内的加减速方案没有规律可循,此种情况可能需要另一种跟驰方式,所以认定的跟驰状态为:两车车头间距为6~150m即为进入跟驰状态,后面车辆距车队尾车的距离在6~150m则可加入车队进行跟驰。
由于安全距离类模型考虑行车间距直接反馈,物理意义明确,能够很好的描述跟驰行为,因此,决定借鉴安全距离类模型来研究智能网联汽车跟驰模型。
为了保证跟驰状态下前后两车在正常行驶时保持速度一致、避免碰撞、尽量靠近三条规则,如图1所示。
采用反推思想:当后车速度与前车速度一致并保持匀速时,车辆不会发生碰撞,此时只需满足尽量靠近即可。国标规定,车辆停止后,与前方车辆之间的安全距离,一般取值为2~5 m,为了满足尽量靠近原则,取2m。
由于通信延迟,在前车状态发生改变后,后车经过延迟才做出相应的改变,
考虑的网络环境为5G通信,非5G情况下也可使用,仅通信时延不同,但要求整个车队处于同一种网络环境,所以后车在同时满足三条规则进行匀速行驶时的距离为停车距离加通信延迟阶段匀速行驶的距离,借鉴最小行车安全距离数学模型框架,可以得出以下关系式:
式中,为车辆停止后,与前方车辆之间的安全距离,取2m;为前车的速度,也是两车匀速时的速度,km/h;T为通信延迟时间,理想情况下,5G通信时延一般取0.001s;D为两车之间的实际距离,m;为前车的制动距离,m;为后车的制动距离,m。
(1)两车间距较小
根据式(1)(2)(3),可得到以下关系式:
取加速度,所以当两车距离大于(为加速度为0.5时两车的间距)或者 ()时,后车在减至前车速度时两车间距大于不能满足尽量靠近原则,将此归为两车间距较大,后车车速大于前车的行车情况,所以当,为第一种情况,此时后车经过延迟匀速后直接减速;则时,
b.后车车速小于等于前车
当后车速度小于等于前车时,此时车辆不仅不会发生碰撞,两车间距还会越来越大,此种情况较为特殊,所以将此种情况归为两车间距较大,后车车速小于等于前车的行车情况。
(2)两车间距较大
在满足规则的前提下,同时为了提高行车效率,后车需要追赶一段路程,再进行减速,所以后车在行驶过程中将经历延迟阶段、匀速阶段、加速阶段、减速阶段,由于加速阶段直接变为减速阶段在主观上舒适性可能比较差,所以在加速阶段加至一定的值时进行匀速再进入减速阶段加以缓和(下文将会进行验证)此时前车匀速行驶。于是有:
根据式(1),可得到以下关系式:
a.后车车速大于前车
为了使后车在任何加减速方案下都有匀速阶段,取所有加减速方案中的最小值,当时,可以取到最小值,即(为时,所求得的匀速阶段速度,其中右上标括号内左边的数值为加速阶段的加速度,右边的数值为减速阶段的加速度);由于在快速路上,车辆限速为77km/h,所以两车距离小于所对应间距,又因符合此种情况,所以时,为第一种情况,后车以最小匀速,即后车经过通信延迟匀速阶段后,加速至,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;
b. 当后车速度小于等于前车时,此时车辆不会发生碰撞且两车距离越来越远,所以若要满足三条规则,后车需要以大于前车的速度进行追赶后,再进行匀速行驶,最后再在的距离时刚好减至与前车速度一致,此种情况与后车车速大于前车车速中的第一种情况一致,仅及取值有所不同;此时在所有加减速方案中,仅在或
当时,由于,所以此种情况下的最小均大于等于77,超出限速范围,于是此为第二种情况为以匀速,即后车经过通信延迟匀速阶段后,加速至77km/h,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;同时结合第一种情况,可以得出第二种情况:
综上,可得以下框架图:
舒适度与行车时间的平衡方法
行车舒适性是指汽车在一般行驶速度范围内行驶时,能保证乘员不会因为车身振动而引起不舒适和疲劳的感觉,又称乘坐舒适性。在后车进行跟驰至稳定状态时,大致需要经历通信延迟匀速阶段,加速阶段,匀速阶段,减速阶段等几个过程,车辆在加速过程中,若纵向加速度过大,则会产生推背感,引起极度不适;在减速过程中,若纵向加速度过大,则身体会猛然前倾,同样会引起极度不适,所以若想获得舒适的体验,纵向加速度要尽量小一些。
然而,纵向加速度过小的话,行车时间会变长,行车效率降低。舒适性与行车时间存在对立关系,所以,在安全的前提下,需要找到平衡去同时兼顾舒适性与行车时间。
单轴向加权加速度均方根值
ISO2631标准规定,可用加权加速度均方根值法来评价汽车的舒适性。加权加速度均方根值法以频率加权函数对竖向水平向加速度进行加权,再计算总加速度加权均方根值。由于仅考虑轴向加速度,所以采用单轴向加权加速度均方根值来进行评价。舒适性指标为:
表1舒适性等级
舒适度与行车时间平衡方法
式(12)中,,和皆可获得,根据前后车速度大小关系以及实际距离可以确定后车以哪种方式行驶,也可确定。然后根据EXCEL表格计算出所有加减速方案(即的任意组合)的行车时间以及舒适度,得出不同加减速方案下的行车时间与舒适度关系的散点图,最终拟合相应的公式。以为例,,,则后车经过通信延迟匀速阶段后,加速至77km/h,然后进行匀速,最后再在的距离时刚好减至与前车速度一致。计算所有加减速方案得出图3以及拟合曲线。
图中一个点代表一组加减速方案下的行车时间以及舒适度,从图中可以看出,拟合曲线斜率为零之后的点较前面略显稀疏,且虽比较舒适,但行车时间较长,不能同时兼顾舒适度及行车效率;而拟合曲线斜率最大值与斜率为零中间地方的点可以满足要求,由于并不是曲线上的点都存在,所以可以取平均斜率所对应的行车时间上下0.05s范围内,舒适度和行车时间均相比较较小的某个点作为后车行驶的加减速方案。经过大量的数值计算、分析及验证,根据此种方法得出的加减速方案可以同时兼顾舒适性与行车时间,因此,此种方法可行。另外,乘客若对舒适度或行车时间有别的需求,则可通过交互接口直接对加减速进行个性化设定:若想要更好的舒适度,则可将加减速设定偏小一点;若想要更短的行车时间,则可将加减速设定偏大一点,以此来达到个性化调整。
加减速方案计算
拟合曲线形式为:
斜率数值为最大(斜率最小)时:
平均斜率:
则所对应的行车时间为:
式中,e,f,g均为常数;
由此可以得出速度差为1m/s的最佳加减速方案:
表3速度差为1m/s的推荐加减速方案
Tab.3
根据表3可以得出:速度差为1m/s时,推荐的最佳加减速方案为:
由此可以得出不同速度差的最佳加减速方案:
表4不同速度差的推荐加减速方案
由此可以得出四种情况的最佳加减速方案:
表5四种情况的推荐加减速方案
根据表5可以得出:四种情况推荐的最佳加减速方案均为:
后车跟驰模型构建
由上可知,后车行驶过程大致分为两大类别,第一类经过通信延迟后直接减速,可以直接算出加速度,车辆在通信延迟之后直接根据相应的加速度减速即可;第二类通信延迟之后开始加速至,然后开始匀速,最后再在的距离时刚好减速至与前车速度一致,共有四个阶段。在EXCEL数值计算中,以初始两车间隔开始,每隔或状态发生变化时,根据此刻状态计算当前车辆的速度,位置(以前车的初始位置为参照,则前车的初始位置为0,后车的初始位置为-D),根据颗粒粗细取1m,此时1m所对应的时间为0.05s。于是有:
(1)延迟阶段:
(2)加速阶段:
(3)匀速阶段:
由此可以算出两车的位置:
(4)减速阶段:
综上,结合推荐加速度方案,可以得出后车跟驰模型:
a)两车间距较小,后车车速大于前车
b)两车间距较大
在行驶中,加速时加速度或速度会有波动情况,若要在减速阶段加速度不变的情况下保持安全行驶,则此时的速度应满足以下关系式:
由于匀速时的速度采用的是最小速度,即:当或所计算出来的最小速度,而根据此时的实际加速度计算出来的速度刚好可以保证车辆行驶安全但前提是速度不超过77 ,此时的车辆运动状态为:车辆经过通信延迟阶段后开始加速,加速至后直接减速至。如:,,此时以行驶,车辆可安全行驶且有匀速阶段,此时;若速度加至=67.18,则车辆刚好可以安全行驶但没有匀速阶段。此时,也恰好验证了前面的车辆先加速再匀速最后减速的舒适性比先加速再直接减速的舒适性要好。
本发明的方法为形成较小间距、速度一致的自动驾驶车队,将速度一致、避免碰撞、尽量靠近三条原则作为智能网联汽车的交互规则,借鉴安全距离类模型的形式,结合车辆运动学,达到所构建的模型可以在安全的前提下使得后车以较小的间距、一致的速度进行稳定跟驰的效果。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (4)
1.一种智能网联环境下基于规则的车队跟驰模型方法,其特征在于,包括:
构建基于规则的网联车队框架模型;
采用二分之一斜率法对舒适度与行车时间加以平衡,计算出最佳加减速方案;
基于框架模型以及加减速方案构建基于规则的车队跟驰模型。
2.根据权利要求1所述的智能网联环境下基于规则的车队跟驰模型方法,其特征在于,所述构建基于规则的网联车队框架模型包括两车间距较小时构建模型和两车间距较小时构建模型;
网络环境为5G通信,非5G情况下也可使用,仅通信时延不同,但整个车队处于同一种网络环境,后车在同时满足三条规则进行匀速行驶时的距离为停车距离加通信延迟阶段匀速行驶的距离,借鉴最小行车安全距离数学模型框架,可以得出以下关系式:
式中,为车辆停止后,与前方车辆之间的安全距离,取2m;为前车的速度,也是两车匀速时的速度,km/h;T为通信延迟时间,理想情况下,5G通信时延一般取0.001s;D为两车之间的实际距离,m;为前车的制动距离,m;为后车的制动距离,m;
两车间距较小时构建模型
后车车速大于前车
根据式(1)(2)(3),可得到以下关系式:
取加速度,所以当两车距离大于(为加速度为0.5时两车的间距)或者 ()时,后车在减至前车速度时两车间距大于不能满足尽量靠近原则,将此归为两车间距较大,后车车速大于前车的行车情况,所以当,为第一种情况,此时后车经过延迟匀速后直接减速;则时,
后车车速小于等于前车
当后车速度小于等于前车时,此时车辆不仅不会发生碰撞,两车间距还会越来越大,此种情况较为特殊,所以将此种情况归为两车间距较大,后车车速小于等于前车的行车情况;
两车间距较小时构建模型
在满足规则的前提下,有:
根据式(1),可得到以下关系式:
后车车速大于前车
为了使后车在任何加减速方案下都有匀速阶段,取所有加减速方案中的最小值,当时,可以取到最小值,即(为时,所求得的匀速阶段速度,其中右上标括号内左边的数值为加速阶段的加速度,右边的数值为减速阶段的加速度);由于在快速路上,车辆限速为77km/h,所以两车距离小于所对应间距,又因符合此种情况,所以时,为第一种情况,后车以最小匀速,即后车经过通信延迟匀速阶段后,加速至,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;
后车速度小于等于前车
当后车速度小于等于前车时,此时车辆不会发生碰撞且两车距离越来越远,所以若要满足三条规则,后车需要以大于前车的速度进行追赶后,再进行匀速行驶,最后再在的距离时刚好减至与前车速度一致,此种情况与后车车速大于前车车速中的第一种情况一致,仅及取值有所不同;此时在所有加减速方案中,仅在或
当时,由于,所以此种情况下的最小均大于等于77,超出限速范围,于是此为第二种情况为以匀速,即后车经过通信延迟匀速阶段后,加速至77km/h,然后进行匀速,最后再在的距离时刚好减至与前车速度一致;同时结合第一种情况,可以得出第二种情况:
3.根据权利要求1所述的智能网联环境下基于规则的车队跟驰模型方法,其特征在于,所述采用二分之一斜率法对舒适度与行车时间加以平衡,计算出最佳加减速方案包括:
单轴向加权加速度均方根值
采用单轴向加权加速度均方根值来进行评价,舒适性指标为:
舒适度与行车时间平衡方法
式(12)中,,和皆可获得,根据前后车速度大小关系以及实际距离可以确定后车以哪种方式行驶,也可确定;然后根据EXCEL表格计算出所有加减速方案的行车时间以及舒适度,得出不同加减速方案下的行车时间与舒适度关系的散点图,最终拟合相应的公式;
加减速方案计算
拟合曲线形式为:
斜率数值为最大(斜率最小)时:
平均斜率:
则所对应的行车时间为:
式中,e,f,g均为常数;
4.根据权利要求1所述的智能网联环境下基于规则的车队跟驰模型方法,其特征在于,所述基于框架模型以及加减速方案构建基于规则的车队跟驰模型包括:
后车行驶过程大致分为两大类别,第一类经过通信延迟后直接减速,可以直接算出加速度,车辆在通信延迟之后直接根据相应的加速度减速即可;第二类通信延迟之后开始加速至,然后开始匀速,最后再在的距离时刚好减速至与前车速度一致,共有四个阶段;在EXCEL数值计算中,以初始两车间隔开始,每隔或状态发生变化时,根据此刻状态计算当前车辆的速度,位置,根据颗粒粗细取1m,此时1m所对应的时间为0.05s;于是有:
延迟阶段:
加速阶段:
匀速阶段:
由此可以算出两车的位置:
减速阶段:
综上,结合推荐加速度方案,可以得出后车跟驰模型:
两车间距较小,后车车速大于前车
两车间距较大
在行驶中,加速时加速度或速度会有波动情况,若要在减速阶段加速度不变的情况下保持安全行驶,则此时的速度应满足以下关系式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218865.XA CN114516328B (zh) | 2022-03-08 | 2022-03-08 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210218865.XA CN114516328B (zh) | 2022-03-08 | 2022-03-08 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114516328A true CN114516328A (zh) | 2022-05-20 |
CN114516328B CN114516328B (zh) | 2024-02-27 |
Family
ID=81598838
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210218865.XA Active CN114516328B (zh) | 2022-03-08 | 2022-03-08 | 一种智能网联环境下基于规则的车队跟驰模型方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114516328B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171388A (zh) * | 2022-07-20 | 2022-10-11 | 辽宁工程技术大学 | 一种智能网联车的多交叉口旅行时间协同优化方法 |
CN116279475A (zh) * | 2023-02-16 | 2023-06-23 | 东南大学 | 网联自动驾驶车辆队列运行速度一致性协同控制方法 |
CN116469245A (zh) * | 2023-04-04 | 2023-07-21 | 北京工业大学 | 多种交通仿真融合的网联混驾编队一体化测试系统及方法 |
CN116820080A (zh) * | 2023-01-05 | 2023-09-29 | 北京交通大学 | 高速公路自动驾驶货车编队运行调度方法、系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108860148A (zh) * | 2018-06-13 | 2018-11-23 | 吉林大学 | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110851995A (zh) * | 2019-11-27 | 2020-02-28 | 河北工业大学 | 一种混合交通流跟驰模型及仿真方法 |
CN111348016A (zh) * | 2020-03-31 | 2020-06-30 | 长安大学 | 一种基于v2x的车队协同制动方法及系统 |
US20200406925A1 (en) * | 2016-12-30 | 2020-12-31 | Yuchuan DU | Comfort-based self-driving planning method |
CN113147764A (zh) * | 2021-06-01 | 2021-07-23 | 吉林大学 | 基于协同式自适应巡航系统混合势函数的车辆控制方法 |
-
2022
- 2022-03-08 CN CN202210218865.XA patent/CN114516328B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200406925A1 (en) * | 2016-12-30 | 2020-12-31 | Yuchuan DU | Comfort-based self-driving planning method |
CN108860148A (zh) * | 2018-06-13 | 2018-11-23 | 吉林大学 | 基于驾驶员跟车特性安全距离模型的自适应巡航控制方法 |
CN110750877A (zh) * | 2019-09-27 | 2020-02-04 | 西安理工大学 | 一种Apollo平台下的车辆跟驰行为预测方法 |
CN110851995A (zh) * | 2019-11-27 | 2020-02-28 | 河北工业大学 | 一种混合交通流跟驰模型及仿真方法 |
CN111348016A (zh) * | 2020-03-31 | 2020-06-30 | 长安大学 | 一种基于v2x的车队协同制动方法及系统 |
CN113147764A (zh) * | 2021-06-01 | 2021-07-23 | 吉林大学 | 基于协同式自适应巡航系统混合势函数的车辆控制方法 |
Non-Patent Citations (2)
Title |
---|
周思: "路段上集群智能网联汽车的车队形成机制", 公路, vol. 2, no. 2, 28 February 2021 (2021-02-28), pages 210 - 213 * |
王威: "考虑多车间距的跟驰模型及混合交通流的数值模拟", 华东交通大学学报, vol. 35, no. 6, 31 December 2018 (2018-12-31), pages 72 - 80 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115171388A (zh) * | 2022-07-20 | 2022-10-11 | 辽宁工程技术大学 | 一种智能网联车的多交叉口旅行时间协同优化方法 |
CN116820080A (zh) * | 2023-01-05 | 2023-09-29 | 北京交通大学 | 高速公路自动驾驶货车编队运行调度方法、系统 |
CN116820080B (zh) * | 2023-01-05 | 2024-04-30 | 北京交通大学 | 高速公路自动驾驶货车编队运行调度方法、系统 |
CN116279475A (zh) * | 2023-02-16 | 2023-06-23 | 东南大学 | 网联自动驾驶车辆队列运行速度一致性协同控制方法 |
CN116279475B (zh) * | 2023-02-16 | 2024-02-23 | 东南大学 | 网联自动驾驶车辆队列运行速度一致性协同控制方法 |
CN116469245A (zh) * | 2023-04-04 | 2023-07-21 | 北京工业大学 | 多种交通仿真融合的网联混驾编队一体化测试系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114516328B (zh) | 2024-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114516328B (zh) | 一种智能网联环境下基于规则的车队跟驰模型方法 | |
CN108595823B (zh) | 一种联合驾驶风格和博弈理论的自主车换道策略计算方法 | |
CN113781806B (zh) | 一种用于智能网联环境下的混合交通流通行方法 | |
CN111081065B (zh) | 路段混行条件下的智能车辆协同换道决策模型 | |
CN110362910B (zh) | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 | |
CN111439260B (zh) | 面向个性化需求的网联商用柴油车巡航行驶优化控制系统 | |
CN110930697B (zh) | 一种基于规则的智能网联车辆协同汇入控制方法 | |
CN112233413B (zh) | 一种面向智能网联车辆的多车道时空轨迹优化方法 | |
CN110962853A (zh) | 一种车联网环境下车辆博弈换道协作方法 | |
CN113276884B (zh) | 一种可变博弈模式的智能车交互决策通行方法及系统 | |
CN113788021A (zh) | 一种结合前车速度预测的自适应跟车巡航控制方法 | |
CN113867354A (zh) | 一种自动驾驶多车智能协同的区域交通流导引方法 | |
CN112201070B (zh) | 基于深度学习的自动驾车高速公路瓶颈路段行为决策方法 | |
CN114492043B (zh) | 考虑感知受限特性的个性化驾驶员跟车建模方法 | |
CN115641717A (zh) | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 | |
CN114969626A (zh) | 一种混合交通流车队强度计算及基本图模型构建方法 | |
CN114488799B (zh) | 汽车自适应巡航系统控制器参数优化方法 | |
CN115123159A (zh) | 一种基于ddpg深度强化学习的aeb控制方法及系统 | |
CN114802306A (zh) | 一种基于人机共驾理念的智能车辆集成式决策系统 | |
Zhang et al. | Mechanism of road capacity under different penetration scenarios of autonomous vehicles | |
CN114023108A (zh) | 一种混合交通流变道模型及变道仿真方法 | |
Zhang et al. | An improved car-following model based on multiple preceding vehicles under connected vehicles environment | |
Pan et al. | Reinforcement learning model with a reward function based on human driving characteristics | |
Hou et al. | A car following model in the context of heterogeneous traffic flow involving multilane following behavior | |
CN114995138A (zh) | 一种近信号控制区混合车群的分布式协同控制方法 |
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 |