CN114967705A - 一种基于路侧导引的路车融合控制方法 - Google Patents
一种基于路侧导引的路车融合控制方法 Download PDFInfo
- Publication number
- CN114967705A CN114967705A CN202210689951.9A CN202210689951A CN114967705A CN 114967705 A CN114967705 A CN 114967705A CN 202210689951 A CN202210689951 A CN 202210689951A CN 114967705 A CN114967705 A CN 114967705A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- road
- safety situation
- information
- driving
- 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 41
- 230000004927 fusion Effects 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims abstract description 16
- 238000005516 engineering process Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 11
- 230000008447 perception Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 7
- 230000004888 barrier function Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000149 penetrating effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000010924 continuous production Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 238000004171 remote diagnosis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0214—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory in accordance with safety or protection criteria, e.g. avoiding hazardous areas
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0257—Control of position or course in two dimensions specially adapted to land vehicles using a radar
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
- G05D1/0278—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle using satellite positioning signals, e.g. GPS
-
- 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)
- Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Aviation & Aerospace Engineering (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及一种基于路侧导引的路车融合控制方法，具体步骤如下：S1：路侧导引设备利用基于超视距感知技术的感知模块获取区域路况信息和车辆信息，该区域车辆基于5G的通信设备实时传递自身状态信息和位置给所述路侧导引侧设备；S2：建立安全态势评估模型，用于对该区域路况以及该区域车辆的运行情况进行整体安全态势评估；S3：根据所述模型评估该区域当前车辆的安全态势，若安全，则传递基于驾驶视角的自学习的轨迹生成方法生成行驶轨迹给车辆；若不安全，则传递刹车指令给车辆。基于路侧引导设备实现对车辆行驶的有效控制，不安全状态控制车辆及时刹车，保证了车辆安全行驶，同时车辆信息实时反馈，动态调整最优行驶状态和路径。
Description
技术领域
本发明涉及无人驾驶控制技术领域，尤其涉及一种基于路侧导引的路车融合控制领域。
背景技术
实现自动驾驶有两大路径：一是单车智能；二是V2X车路协同，用路侧智能感知设备与智能车辆协同，实现网联式自动驾驶。V2X(Vehicle to Everything)作为一种车用无线通信技术，是将车辆与一切事物相连接的新一代信息通信技术，其中V代表车辆，X代表任何与车交互信息的对象，当前X主要包含车(Vehicle to Vehicle,V2V)、人(Vehicle toPedestrian,V2P)、交通路侧基础设施(Vehicle to Infrastructure,V2I)和网络(Vehicleto Network,V2N)。V2X将“人、车、路、云”等交通参与要素有机地联系在一起，不仅可以支撑车辆获得比单车感知更多的信息，促进自动驾驶技术创新和应用，还有利于构建一个智慧的交通体系，促进汽车和交通服务的新模式新业态发展，对提高交通效率、节省资源、减少污染、降低事故发生率、改善交通管理具有重要意义。
车路协同即为基于车联网实现人车路协同控制的智能交通系统。车联网是以行驶中的车辆为信息感知对象，借助新一代信息通信技术，实现车与X(即车与车、人、路、服务平台)之间的网络连接，提升车辆整体的智能驾驶水平，为用户提供安全、舒适、智能、高效的驾驶感受与交通服务，同时提高交通运行效率，提升社会交通服务的智能化水平。中国领先全球发展的车联网一直以来主要是指利用车云网打造的智能驾舱，如远程诊断、地图下载，基于3G和4G即可实现
路侧设备RSU是车路协同路侧端的重要组成部分，是突破车路协同技术的关键所在，其主要功能是采集当前的道路状况、交通状况等信息，通过通讯网络，与路侧感知设备、交通信号灯、电子标牌等终端通信，实现车路互联互通、交通信号实时交互等功能，辅助驾驶员进行驾驶，保障整个交通领域的人员及车辆安全。
现有技术中路侧设备只为车提供感知信息，实现信息共享，并不会介入车辆控制，无法为车辆自动驾驶时提供最优行驶路径规划，也无法在危险时刻为车辆提供刹车指令。
发明内容
要解决的技术问题：
针对现有技术存在的上述技术问题，本发明提出一基于路侧设备的感知信息对车辆进行介入控制，提供刹车指令或者行驶路径规划，以提升车辆运行安全性，本发明技术方案如下：
一种基于路侧导引的路车融合控制方法，具体步骤如下：
S1：基于路侧导引设备获取区域路况信息和车辆信息，该区域的当前车辆基于5G的通信设备实时传递当前车辆信息给所述路侧导引设备；
S2：建立安全态势评估模型，用于对该区域路况以及该区域车辆的运行情况进行安全态势评估；
S3：根据所述安全态势评估模型评估该区域当前车辆的安全态势，若安全，则传递基于驾驶视角的自学习的轨迹生成方法生成行驶轨迹给当前车辆；若不安全，则传递刹车指令给当前车辆。
进一步，步骤S1中的路况信息包括道路结构、道路基础设施、车道线的位置、行人位置、信号灯状态。
进一步，步骤S2中所述安全态势评估模型的具体方法为：
构建道路对待监控车辆产生的风险模型fR(ξA,hR)
构建周围环境车辆风险模型fV(ξV,hV)
构建由基础设施、行人、信号灯状态的路况信息产生的风险模型fi(ξi,hi)
故，安全态势评估模型为：
f＝fR(ξA,hR)+fV(ξV,hV)+fi(ξi,hi)
其中，参数ξA,ξV,ξi是通过采集所述车辆信息后进行梯度优化得到，参数hR是对道路获取到的感知信息，hV是对周围车辆获取到的感知信息，hi是对基础设施、行人、信号灯状态获取到的感知信息。
进一步，步骤S2中，各所述风险模型均基于人工势场法构建得到。
进一步，步骤S3中，将该区域内的当前车辆的所述车辆信息包括速度、位置、轨迹路线输入至所述评估模型中，分别计算出当前区域内的每辆车的安全态势值，并与设定的安全态势值进行比较，若当前车辆态势值大于安全态势值，则传递刹车信号给当前车辆；若当前车辆态势值小于安全态势值，则生成行驶轨迹传递给当前车辆。
进一步，在步骤S3中还包括根据所述安全态势评估模型评估车辆全局状态的安全态势：在对所述当前车辆进行安全态势评估后，如果安全，则根据车辆目标点针对车辆行驶路线进行整体安全态势评估，即对车辆从当前位置到目标位置前的所有时刻进行安全评估，生成行驶轨迹传给车辆，并在不安全时刻，向车辆传递刹车指令；同时车辆将驾驶数据、位置实时反馈给路侧设备，形成闭环实时反馈。
进一步，步骤S3中所述基于驾驶视角的自学习的轨迹生成方法采用自适应预测控制算法实现，输入驾驶视角行车参数，生成初始轨迹，对初始轨迹中不符合车辆运动学特性的点位不断优化调整，以生成满足当前需求的行驶轨迹，进而将包括输出方向盘转角、踏板开度信息的行驶轨迹信息传递给车辆。
进一步，所述路口导引设备的感知信息基于V2X技术获得。
进一步，步骤S3中，由路侧导引设备传递给车辆的所述刹车指令信号优先级高于车辆本身的油门和转向指令。
一种路侧导引设备，应用上述的路车融合控制方法，包括硬件设备、软件模块、通信设备；其中，硬件设备包括传感器、控制器，其中，传感器进一步包括视觉传感器、毫米波雷达、激光雷达，用于采集感知信息包括路况和车辆信息；控制器控制采集信息并将采集信息发送到软件模块；软件模块包括感知模块、安全态势评估模块、路径规划模块，其中，感知模块利用多传感器融合、深度学习算法对所述传感器获取到的感知信息进行处理，处理后发送至安全态势评估模块和路径规划模块；安全态势评估模块对车辆进行安全态势评估，路径规划模块提供车辆行驶路径；通信设备采用5G通信与车辆之间实现信息互传。。
本发明的有益效果在于：
1、路侧设备对区域环境更加熟悉，对一些危险情况的感知更加灵敏，生成的路径时考虑因素更加全面，通过路侧设备对车辆进行控制可以提高局部通行安全和效率。
2、基于驾驶视角的自学习轨迹生成方法，入驾驶视角行车参数，基于自适应控制算法，不断优化调整，进而输出方向盘转角、踏板开度等信息，从而生成最优的车辆行驶轨迹。
3、结合V2X技术通过低延时、高可靠性的网络交互方式，可实现超视距感知，具备穿透部分障碍物和跨越遮挡物获取信息的能力，且支持全天候工作，不受天气状况影响。此外V2X还拥有连接速度快、传输延迟短的特点，能够更早的给驾驶员发出提醒或是让车辆自行做出避让。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明的整体流程图。
图2是本发明基于驾驶视角的自学习轨迹生成方法架构图。
图3是本发明路侧设备组成结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明针对不同等级的自动驾驶车辆运行赋能需求，面向典型交通场景，研究信息空间和物理空间要素的映射与互操作技术，道路智能化导引架构体系。研究车辆-交通状况-路面状态信息融合交互的超视距感知技术，通过异构数据关联模型消除速度、距离等量纲影响，提出交通参与要素的连续跟踪算法，实现跨域目标的跟踪。建立基于区块链的路车交互共识机制，研究基于北斗空地网络的车路协同高精度定位技术，进而建立局部空间交通冲突点位图，利用敏捷边缘计算实现区域内多车通行安全态势评估和冲突小计，实现对车辆运行的智能化导引。
本发明采用的技术方案，主要引入了路侧导引机制，涉及路侧设备控制车辆，因此，路侧设备在该发明中占据重要地位，其架构包括硬件设备、软件模块、通信设备；其中，硬件设备包括传感器、控制器，其中，传感器进一步包括视觉传感器、毫米波雷达、激光雷达，用于采集感知信息包括路况和车辆信息；控制器控制采集信息并将采集信息发送到软件模块；软件模块包括感知模块、安全态势评估模块、路径规划模块，其中，感知模块利用多传感器融合、深度学习算法对所述传感器获取到的感知信息进行处理，处理后发送至安全态势评估模块和路径规划模块；安全态势评估模块对车辆进行安全态势评估，路径规划模块提供车辆行驶路径；通信设备采用5G通信与车辆之间实现信息互传。。
路侧利用基于超视距感知技术的感知模块获取区域路况信息，该区域车辆也基于5G的通信设备传递自身信息给路侧设备，而后，路侧设备对区域所有车辆进行整体安全态势评估，若安全，则生成轨迹传递给车辆；若不安全，则传递刹车指令给车辆，建议车辆立即停车。具体步骤如下：
第一步，利用超视距感知技术获取感知信息。感知模块基于超视距感知技术获取路况信息h：其中，路况信息包括道路结构、道路基础设施、车道线的位置、行人位置、信号灯状态等。超视距感知技术V2X通过低延时、高可靠性的网络交互方式，可实现超视距感知，具备穿透部分障碍物和跨越遮挡物获取信息的能力，且支持全天候工作，不受天气状况影响。此外V2X还拥有连接速度快、传输延迟短的特点，能够更早的给驾驶员发出提醒或是让车辆自行做出避让。
第二步，基于人工势场法建立安全评估模型。将利用超视距感知技术获取到的路况信息h传递给安全态势评估模型，评估该区域内每辆车所处的安全态势。
人工势场法为本领域已知的方法，具体如下：
人工势场的总力场值计算公式：
U(q)＝Uatt(q)+Urep(q)
其中，Uatt(q)是引力场，引导车辆向目标位置运动；Urep(q)是斥力场，引导车辆避开障碍物，U(q)是总力场值。
引力场函数如下：
其中，ζ为引力增益常量，d(q,qgoal)为当前位置到目标位置的距离，
为距离阈值。
引力场函数是个分段函数，当
时，引力势能的大小与当前位置到目标位置的距离的平方成正比；当
时，降低引力计算函数的取值，从而避免远离目标位置时引力过大的问题。
斥力场函数如下：
其中，D(q)是距离最近障碍物的距离；η是斥力增益常量；Q*是障碍物的作用阈值范围，在该阈值范围之内，障碍物才会产生斥力，超出此范围则不产生斥力影响。通过上述方法可以基于车辆信息和路况信息等基本数据信息，判断车辆与车辆、车辆与行人、道路、基础设施等等是否存在安全风险，进而作为各风险模型生成的的方法。
基于人工势场法建立安全态势评估模型如下：
构建道路对主车产生的风险模型fR(ξA,hR)
构建周围环境车辆风险模型fV(ξV,hV)
构建由基础设施、行人、信号灯的状态等感知信息产生的风险模型fi(ξi,hi)
故，安全态势评估模型为：
f＝fR(ξA,hR)+fV(ξV,hV)+fi(ξi,hi)
其中，参数ξA,ξV,ξi是通过采集车辆驾驶数据后梯度优化得出，参数hR,hV,hi分别是感知模块针对道路，周围车辆，基础设施、行人、信号灯的状态等环境获取到的感知信息。
第三步，依据模型评估区域车辆态势。利用当前评估模型，对当前区域内的每辆车都计算出一个态势值，并与设定的安全态势值fsafe进行比较，若当前车辆态势值大于安全态势(f>fsafe)，则传递刹车信号给车辆；若当前车辆态势值小于安全态势值)(f<fsafe)，则生成行驶轨迹传递给当前车辆。或者根据所述安全态势评估模型评估车辆全局状态的安全态势：在对所述当前车辆进行安全态势评估后，若当前车辆态势值小于安全态势值)(f<fsafe)，则根据车辆目标点针对车辆行驶路线进行整体安全态势评估，即对车辆从当前位置到目标位置前的所有时刻进行安全评估，生成行驶轨迹传给车辆，并在不安全时刻，向车辆传递刹车指令；同时车辆将驾驶数据、位置实时反馈给路侧设备，形成闭环实时反馈
第四步，基于驾驶视角的自学习轨迹生成方法的设计。采用自适应预测控制算法，输入驾驶视角行车参数，包括车辆状态、道路涨停等，生成初始轨迹，但对轨迹中不符合车辆运动学特性的点位不断优化调整，以便于生成满足当前需求的行驶轨迹，进而输出方向盘转角、踏板开度等信息传递给车辆。
自适应预测控制算法基于自适应控制器(MRAC)实现，具体为，即输入驾驶导向、自车状态、道路状态，得到运动参量，然后进行轨迹预测和横坡角度估计，进而得到轨迹间距及横坡角度φ，再将运动参量中的速度V1、朝向角β以及轨迹间距、横坡角度φ传给自适应控制器，该自适应控制器会根据需要输出方向盘转角、踏板开度信息。
该控制器可以依据输入输出的数据，不断地辨识模型参数，这个过程称为系统的在线辩识。随着生产过程的不断进行，通过在线辩识，模型会变得越来越准确，越来越接近于实际。
显然，上述实施例仅仅是为清楚地说明所作的举例，而并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的保护范围之中。
Claims (10)
1.一种基于路侧导引的路车融合控制方法，其特征在于，具体步骤如下：
S1：基于路侧导引设备获取区域路况信息和车辆信息，该区域的当前车辆基于5G的通信设备实时传递当前车辆信息给所述路侧导引设备；
S2：建立安全态势评估模型，用于对该区域路况以及该区域车辆的运行情况进行安全态势评估；
S3：根据所述安全态势评估模型评估该区域当前车辆的安全态势，若安全，则传递基于驾驶视角的自学习的轨迹生成方法生成行驶轨迹给当前车辆；若不安全，则传递刹车指令给当前车辆。
2.根据权利要求1所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S1中的路况信息包括道路结构、道路基础设施、车道线的位置、行人位置、信号灯状态。
3.根据权利要求1所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S2中所述安全态势评估模型的具体方法为：
构建道路对待监控车辆产生的风险模型fR(ξA,hR)
构建周围环境车辆风险模型fV(ξV,hV)
构建由基础设施、行人、信号灯状态的路况信息产生的风险模型fi(ξi,hi)
故，安全态势评估模型为：
f＝fR(ξA,hR)+fV(ξV,hV)+fi(ξi,hi)
其中，参数ξA,ξV,ξi是通过采集所述车辆信息后进行梯度优化得到，参数hR是对道路获取到的感知信息，hV是对周围车辆获取到的感知信息，hi是对基础设施、行人、信号灯状态获取到的感知信息。
4.根据权利要求3所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S2中，各所述风险模型均基于人工势场法构建得到。
5.根据权利要求1-4任一项所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S3中，将该区域内的当前车辆的所述车辆信息包括速度、位置、轨迹路线输入至所述评估模型中，分别计算出当前区域内的每辆车的安全态势值，并与设定的安全态势值进行比较，若当前车辆态势值大于安全态势值，则传递刹车信号给当前车辆；若当前车辆态势值小于安全态势值，则生成行驶轨迹传递给当前车辆。
6.根据权利要求1任一项所述的一种基于路侧导引的路车融合控制方法，其特征在于，在S3中还包括根据所述安全态势评估模型评估车辆全局状态的安全态势：在对所述当前车辆进行安全态势评估后，如果安全，则根据车辆目标点针对车辆行驶路线进行整体安全态势评估，即对车辆从当前位置到目标位置前的所有时刻进行安全评估，生成行驶轨迹传给车辆，并在不安全时刻，向车辆传递刹车指令；同时车辆将驾驶数据、位置实时反馈给路侧设备，形成闭环实时反馈。
7.根据权利要求1所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S3中所述基于驾驶视角的自学习的轨迹生成方法采用自适应预测控制算法实现，输入驾驶视角行车参数，生成初始轨迹，对初始轨迹中不符合车辆运动学特性的点位不断优化调整，以生成满足当前需求的行驶轨迹，进而将包括输出方向盘转角、踏板开度信息的行驶轨迹信息传递给车辆。
8.根据权利要求3所述的一种基于路侧导引的路车融合控制方法，其特征在于，所述路口导引设备的感知信息基于V2X技术获得。
9.根据权利要求1所述的一种基于路侧导引的路车融合控制方法，其特征在于，步骤S3中，由路侧导引设备传递给车辆的所述刹车指令信号优先级高于车辆本身的油门和转向指令。
10.一种路侧导引设备，应用上述权利要求1-9任一项所述的一种路车融合控制方法对当前区域的车辆的运行进行控制，其特征在于，包括硬件设备、软件模块、通信设备；其中，硬件设备包括传感器、控制器，其中，传感器进一步包括视觉传感器、毫米波雷达、激光雷达，用于采集感知信息包括路况和车辆信息；控制器控制采集信息并将采集信息发送到软件模块；软件模块包括感知模块、安全态势评估模块、路径规划模块，其中，感知模块利用多传感器融合、深度学习算法对所述传感器获取到的感知信息进行处理，处理后发送至安全态势评估模块和路径规划模块；安全态势评估模块对车辆进行安全态势评估，路径规划模块提供车辆行驶路径；通信设备采用5G通信与车辆之间实现信息互传。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210689951.9A CN114967705A (zh) | 2022-06-17 | 2022-06-17 | 一种基于路侧导引的路车融合控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210689951.9A CN114967705A (zh) | 2022-06-17 | 2022-06-17 | 一种基于路侧导引的路车融合控制方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114967705A true CN114967705A (zh) | 2022-08-30 |
Family
ID=82964076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210689951.9A Pending CN114967705A (zh) | 2022-06-17 | 2022-06-17 | 一种基于路侧导引的路车融合控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114967705A (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115649198A (zh) * | 2022-11-03 | 2023-01-31 | 中科天极(新疆)空天信息有限公司 | 一种车辆自动驾驶方法及系统 |
| CN116129641A (zh) * | 2023-02-13 | 2023-05-16 | 中南大学 | 一种基于多端协同辨识的车辆安全态势计算方法及系统 |
| CN116311141A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向特速公路的车路协同视距拓展方法 |
| CN116614841A (zh) * | 2023-07-17 | 2023-08-18 | 中汽智联技术有限公司 | 一种路侧数据质量评估方法和电子设备 |
| CN117565892A (zh) * | 2023-11-17 | 2024-02-20 | 上海智能汽车融合创新中心有限公司 | 一种接力型自动驾驶系统和方法 |
-
2022
- 2022-06-17 CN CN202210689951.9A patent/CN114967705A/zh active Pending
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115649198A (zh) * | 2022-11-03 | 2023-01-31 | 中科天极(新疆)空天信息有限公司 | 一种车辆自动驾驶方法及系统 |
| CN116129641A (zh) * | 2023-02-13 | 2023-05-16 | 中南大学 | 一种基于多端协同辨识的车辆安全态势计算方法及系统 |
| CN116129641B (zh) * | 2023-02-13 | 2024-06-04 | 中南大学 | 一种基于多端协同辨识的车辆安全态势计算方法及系统 |
| CN116311141A (zh) * | 2023-05-25 | 2023-06-23 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向特速公路的车路协同视距拓展方法 |
| CN116311141B (zh) * | 2023-05-25 | 2023-10-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种面向特速公路的车路协同视距拓展方法 |
| CN116614841A (zh) * | 2023-07-17 | 2023-08-18 | 中汽智联技术有限公司 | 一种路侧数据质量评估方法和电子设备 |
| CN116614841B (zh) * | 2023-07-17 | 2023-10-27 | 中汽智联技术有限公司 | 一种路侧数据质量评估方法和电子设备 |
| CN117565892A (zh) * | 2023-11-17 | 2024-02-20 | 上海智能汽车融合创新中心有限公司 | 一种接力型自动驾驶系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114967705A (zh) | 一种基于路侧导引的路车融合控制方法 | |
| US12005897B1 (en) | Speed planning for autonomous vehicles | |
| US11762392B2 (en) | Using discomfort for speed planning in autonomous vehicles | |
| Wang et al. | Longitudinal collision mitigation via coordinated braking of multiple vehicles using model predictive control | |
| US11430331B2 (en) | Power and thermal management systems and methods for autonomous vehicles | |
| US11634134B2 (en) | Using discomfort for speed planning in responding to tailgating vehicles for autonomous vehicles | |
| JP2022119802A (ja) | 自律走行車動作管理のための方向調整アクション | |
| CN113677581B (zh) | 一种车道保持方法、车载设备和存储介质 | |
| CN111583693B (zh) | 一种城市道路智能交通协同运行系统及智能车辆控制方法 | |
| CN111422196A (zh) | 一种适用于微巴的智能网联自动驾驶系统及方法 | |
| US11827235B1 (en) | Adjusting timing of actuation commands to account for fixed and variable delays in autonomous driving control of vehicles | |
| CN114363862A (zh) | 一种服务于车路协同自动驾驶的智能信息转换系统和方法 | |
| US11945433B1 (en) | Risk mitigation in speed planning | |
| CN113844465B (zh) | 一种自动驾驶方法及系统 | |
| CA3094795C (en) | Using discomfort for speed planning for autonomous vehicles | |
| CN114783170B (zh) | 一种智能无人驾驶车辆编队系统 | |
| CN108281040A (zh) | 一种多车协同避障系统及方法 | |
| CN116811916A (zh) | 一种基于5g车路协同的自动驾驶系统 | |
| CN111806466A (zh) | 一种智能驾驶系统及其工作流程 | |
| CN116909202B (zh) | 车云协同自动驾驶车辆控制方法、装置、设备及介质 | |
| CN116331266A (zh) | 一种基于域控制器的自动驾驶系统及方法 | |
| CN112562316A (zh) | 一种基于acp理论的智能网联车平行驾驶控制方法 | |
| Matsuo et al. | Design of advanced intersection systems utilizing v2x in an automated society | |
| Song et al. | Research of intelligent vehicle driving system based on information technology | |
| CN118605520A (zh) | 辅助数字控制器的电动三轮车自动化控制系统 |
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 |