CN114987538A - 一种网联自动驾驶环境下考虑多目标优化的协同换道方法 - Google Patents

一种网联自动驾驶环境下考虑多目标优化的协同换道方法 Download PDF

Info

Publication number
CN114987538A
CN114987538A CN202210542212.7A CN202210542212A CN114987538A CN 114987538 A CN114987538 A CN 114987538A CN 202210542212 A CN202210542212 A CN 202210542212A CN 114987538 A CN114987538 A CN 114987538A
Authority
CN
China
Prior art keywords
vehicle
lha
longitudinal
acceleration
lane
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
Application number
CN202210542212.7A
Other languages
English (en)
Inventor
高志波
吴志周
李君羡
王丹
杨志丹
范宇杰
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
Publication of CN114987538A publication Critical patent/CN114987538A/zh
Pending legal-status Critical Current

Links

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
    • B60W60/00—Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001—Planning or execution of driving tasks
    • 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
    • B60W30/18—Propelling the vehicle
    • B60W30/18009—Propelling the vehicle related to particular drive situations
    • B60W30/18163—Lane change; Overtaking manoeuvres
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • 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
    • B60W2520/00—Input parameters relating to overall vehicle dynamics
    • B60W2520/10—Longitudinal speed
    • B60W2520/105—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
    • B60W2554/00—Input parameters relating to objects
    • B60W2554/40—Dynamic objects, e.g. animals, windblown objects
    • B60W2554/404—Characteristics
    • B60W2554/4042—Longitudinal speed
    • 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)
  • Human Computer Interaction (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种网联自动驾驶环境下考虑多目标优化的协同换道方法，包括以下步骤：获取本车、目标车道前车和目标车道后车的状态信息，这三辆车均为网联自动驾驶车辆；根据三辆车的纵向位移、纵向速度、纵向加速度和期望纵向加速度建立成本函数和LHA阶段约束条件，通过高斯伪谱法不断优化期望纵向加速度和LHA阶段控制时长，直至完全满足LHA阶段约束条件；根据优化结束后的纵向速度，结合LCE阶段控制时长和最大合成加速度，获取最优参考轨迹；根据最优参考轨迹，建立车辆误差模型；使用MPC方法对车辆误差模型进行求解，得到最佳控制指令，令本车根据最佳控制指令进行换道。与现有技术相比，本发明具有换道方式灵活、换道效率高等优点。

Description

一种网联自动驾驶环境下考虑多目标优化的协同换道方法
技术领域
本发明涉及一种网联自动驾驶汽车和交通控制领域，尤其是涉及一种网联自动驾驶环境下考虑多目标优化的协同换道方法。
背景技术
换道是车辆最基本也是最重要的驾驶行为之一，对道路安全、效率和交通流的稳定性有着重要的影响。根据相关研究，不当换道造成的事故约占事故总数的4～10％。由于真实交通环境中存在汇入区或进出口匝道，强制换道不可避免，这将引起交通流的波动，严重将导致交通堵塞。此外，驾驶员的决策和操纵能力具有随机性和独立性，这也可能加剧换道的负效应。
由于网联自动驾驶汽车(Connected and Autonomous Vehicle,CAV)在解决交通安全、道路拥堵以及改善驾乘体验上具有巨大潜力，甚至极有可能改变人类的交通模式，将是未来交通的发展趋势及核心，世界各国高度重视其对社会经济的重大影响。CAV可以借助不仅可以借助V2V、V2I通信方式获取周围车辆的状态信息，还可以对车辆精细化控制，这为多车协同换道提供了解决思路。然而，但是目前的技术对于车辆纵向和横向的控制更偏向于独立控制，两种控制之间没有联系，且在控制时长方面常常通过直接设定的方式进行选择，并没有参考实际行车情况，换道效率低下。
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网联自动驾驶环境下考虑多目标优化的协同换道方法。
本发明的目的可以通过以下技术方案来实现：
一种网联自动驾驶环境下考虑多目标优化的协同换道方法，包括以下步骤：
S1、获取本车SV、目标车道前车PV和目标车道后车FV的状态信息，这三辆车均为网联自动驾驶车辆；
S2、根据三辆车的纵向位移、纵向速度、纵向加速度和期望纵向加速度建立成本函数和LHA阶段约束条件，通过高斯伪谱法不断优化期望纵向加速度和LHA阶段控制时长，直至完全满足LHA阶段约束条件；
S3、根据优化结束后的纵向速度，结合LCE阶段控制时长和最大合成加速度，获取最优参考轨迹；
S4、根据最优参考轨迹，建立车辆误差模型；
S5、使用MPC方法对车辆误差模型进行求解，得到最佳控制指令，令本车根据最佳控制指令进行换道。
进一步地，所述成本函数表达式如下：
Figure BDA0003648699270000021
φ(X(tLHA),tLHA)＝k0tLHA+k1(ΔxFV(tLHA)-thvFV(tLHA))2+
k2(ΔxSV(tLHA)-thvSV(tLHA))2+k3(ΔxPV(tLHA)-thvPV(tLHA))2
Figure BDA0003648699270000022
X＝[sPV,vPV,aPV,sSV,vSV,aSV,sFV,vFV,aFV]T
U＝[uPV,uSV,uFV]T
其中，φ(·)为系统运行终端成本；tLHA为LHA阶段控制时长；G(·)为系统运行成本；k0,k1,…,k6为权重系数；ΔxPV、ΔxSV、ΔxFV分别为目标车道前车与领车、本车与前车和目标车道后车与本车的车头间距，其中领车为在目标车道上在前车前方以恒定速度行驶的车辆；th为期望车头时距；X为系统状态向量；U为系统控制输入；sPV、vPV、aPV、uPV分别为目标车道前车的纵向位移、速度、加速度和期望加速度；sSV、vSV、aSV、uSV分别为本车的纵向位移、速度、加速度和期望加速度；sFV、vFV、aFV、uFV分别为目标车道后车的纵向位移、速度、加速度和期望加速度。
进一步地，所述约束条件包括对LHA阶段结束时刻的车头间距约束，约束表达式如下：
Figure BDA0003648699270000023
其中，di,safe为安全车头间距，ts为最小车头时距，ds为最小安全距离，tTTC为避免碰撞的最小时距，Δvi为本车与其相邻前车的相对速度，tLHA为LHA阶段控制时长，SV表示本车，PV表示目标车道前车，FV表示目标车道后车。
进一步地，所述约束条件还包括：在LHA阶段结束时刻，本车、目标车道前车和目标车道后车的纵向速度应相等，纵向加速度均为0。
进一步地，所述纵向速度、纵向加速度和纵向期望加速度存在边界限制。
进一步地，所述最优参考轨迹的计算表达式如下：
Figure BDA0003648699270000031
Figure BDA0003648699270000032
其中，X、Y为车辆在LCE阶段的纵、横坐标位置(惯性参考系)；vx为纵向速度，
Figure BDA0003648699270000033
为LCE阶段的控制时长，t为时间；W为车道宽度；
Figure BDA0003648699270000034
为最大合成加速度；
Figure BDA0003648699270000035
为LCE阶段本车的纵向行驶距离，λ是不同目标的权重比。
进一步地，所述最优轨迹参数通过换道效率和驾驶舒适度这两个目标的均衡来获取，所建立的加权目标函数如下：
Figure BDA0003648699270000036
Figure BDA0003648699270000037
λ＝λ2/λ1
其中，λ1为换道效率的目标权重，λ2为驾驶舒适度的目标权重。
进一步地，所述车辆误差模型
Figure BDA0003648699270000038
表达式如下：
Figure BDA0003648699270000039
Figure BDA00036486992700000310
Figure BDA00036486992700000311
Figure BDA00036486992700000312
其中，
Figure BDA00036486992700000313
为状态向量，
Figure BDA00036486992700000314
为控制输入，χ和χr分别为车辆实际轨迹点和最优参考轨迹点，t表示时间；u和ur分别为前轮偏角控制量和前轮偏角参考值；f为小角度假设下的车辆动力学模型。
进一步地，车辆误差模型可进行离散化处理，离散后表达式为
Figure BDA0003648699270000041
Ak,t＝I+TsAt
Bk,t＝TsBt
其中，t为当前时刻，k为预测时刻，I表示单位矩阵，Ts为采样间隔。
进一步地，所述车辆动力学模型通过CarSim平台获取。
与现有技术相比，本发明具有以下优点：
1、本发明先通过LHA阶段对换道车辆以及目标车道前后车的速度进行约束优化，并优化控制时间，再通过LCE阶段求出换道的最佳行驶轨迹，与现有技术相比，本发明结合了纵向控制和横向控制，将纵向控制的结果应用于横向控制，增强了换道的精确性，同时根据纵向控制和横向控制的参数确定控制时间，使得换道的效率更高。
2、本发明建立了与LHA阶段控制时长相关的成本函数，并使用LHA阶段结束时的速度计算LCE阶段的控制时间，使得总控制时间更符合实际情况，提升了换道的效率和换道时的舒适度。
3、本发明设定了与车头间距和加速度相关的约束条件，提高了换道的安全性。
附图说明
图1为本发明的流程示意图。
图2为本发明在LHA阶段三辆车纵向速度的变化示意图。
图3为本发明在LHA阶段三辆车纵向加速度的变化示意图。
图4为本发明在LCE阶段求得的最优参考轨迹示意图。
图5为本发明与人类驾驶模式下平均速度和加速度均方根对比示意图。
图6a为本发明和人类驾驶模式下能耗排放对比示意图。
图6b为本发明和人类驾驶模式下HC排放对比示意图。
图6c为本发明和人类驾驶模式下CO排放对比示意图。
图6d为本发明和人类驾驶模式下NOx排放对比示意图。
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。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
本实施例提供了一种网联自动驾驶环境下考虑多目标优化的协同换道方法，流程如图1所示，具体包括以下步骤：
步骤S1、基于V2V和V2I通信技术，实时获取本车SV、目标车道前车PV和目标车道后车FV的状态信息，为换道准备和执行提供数据来源。具体为通过V2V通信技术获取本车前后200米范围上CAV数据，通过V2I通信技术获取本车前后200米范围上人类驾驶车辆状态信息。SV、PV和FV均为网联自动驾驶汽车。
步骤S2、进入LHA阶段，根据三辆车的纵向位移、纵向速度、纵向加速度和期望纵向加速度建立成本函数和LHA阶段约束条件，通过高斯伪谱法不断优化期望纵向加速度和LHA阶段控制时长，直至完全满足LHA阶段约束条件；具体展开如下：
将SV、PV和FV这三辆车的纵向位移、纵向速度和纵向加速度作为系统状态变量，纵向期望加速度为系统控制输入，建立空间状态表达式：
Figure BDA0003648699270000051
X＝[sPV,vPV,aPV,sSV,vSV,aSV,sFV,vFV,aFV]T
U＝[uPV,uSV,uFV]T
Ac＝diag([As,As,As])
Bc＝diag([Bs,Bs,Bs])
Figure BDA0003648699270000052
Figure BDA0003648699270000053
其中，X为系统状态向量；U为系统控制输入；sPV、vPV、aPV、uPV分别为PV的纵向位移、速度、加速度和期望加速度；sSV、vSV、aSV、uSV分别为SV的纵向位移、速度、加速度和期望加速度；sFV、vFV、aFV、uFV分别为FV的纵向位移、速度、加速度和期望加速度；τi为第i辆车的发动机时间常数。
在考虑提升车辆舒适性，减少车辆行驶机动性的条件下，建立成本函数，表达式如下：
Figure BDA0003648699270000054
φ(X(tLHA),tLHA)＝k0tLHA+k1(ΔxFV(tLHA)-thvFV(tLHA))2+
k2(ΔxSV(tLHA)-thvSV(tLHA))2+k3(ΔxPV(tLHA)-thvPV(tLHA))2
Figure BDA0003648699270000061
其中，φ(·)为系统运行终端成本；tLHA为LHA阶段控制时长；G(·)为系统运行成本；k0,k1,…,k6为权重系数；ΔxPV、ΔxSV、ΔxFV分别为目标车道前车与领车、本车与前车和目标车道后车与本车的车头间距，其中领车为在目标车道上在前车前方以恒定速度行驶的车辆；th为期望车头时距。
为了保证LHA阶段和LCE阶段的过渡和安全，建立LHA阶段约束条件，表达式如下：
Figure BDA0003648699270000062
其中，di,safe为安全车头间距，ts为最小车头时距，ds为最小安全距离，tTTC为避免碰撞的最小时距，Δvi为本车与其相邻前车的相对速度。
其次，为了确保LHA阶段的终点是LCE阶段的起点，在LHA阶段的终端时刻，PV、SV和FV的纵向速度应相等，纵向加速度均为0。
Figure BDA0003648699270000063
其中，vLV是目标车道领车的纵向速度。
此外,车辆的纵向速度、纵向加速度和期望纵向加速度应有边界限制。
Figure BDA0003648699270000064
其中，vmin、vmax为车辆纵向速度的极限值；amin、amax为车辆纵向加速度的极限值；umin、umax为车辆期望纵向加速度的极限值。
选用高斯伪谱法作为控制器的求解算法，通过使用MATLAB的工具包GPOPS(General Pseudospectral Optimization Software)进行具体求解，不断优化期望加速度和LHA阶段控制时长，以满足约束条件，其中纵向速度和纵向加速度的变化曲线如图2和图3所示。
由于约束条件中最后PV、SV和FV的速度均会与领车车速相同，因此优化的是速度改变的过程，通过对加速度和控制时间进行调整，可以有效提升换道时的舒适度和安全性。
步骤S3、根据优化结束后的纵向速度，结合LCE阶段控制时长和最大合成加速度，获取最优参考轨迹，具体计算表达式如下：
Figure BDA0003648699270000071
Figure BDA0003648699270000072
其中，X、Y为车辆在LCE阶段的纵、横坐标位置(惯性参考系)；vx为纵向速度，
Figure BDA0003648699270000073
为LCE阶段的控制时长，t为时间；W为车道宽度；
Figure BDA0003648699270000074
为最大合成加速度；
Figure BDA0003648699270000075
为LCE阶段本车的纵向行驶距离，λ是不同目标的权重比。
最优轨迹的参数通过换道效率和驾驶舒适度这两个目标的均衡来获取，所建立的加权目标函数如下：
Figure BDA0003648699270000076
Figure BDA0003648699270000077
λ＝λ2/λ1
其中，λ1为换道效率的目标权重，λ2为驾驶舒适度的目标权重。当然，在实际应用中，λ1和λ2也可根据需求直接设定。
步骤S4、根据最优参考轨迹，建立车辆误差模型：采用小角度假设下的车辆动力学模型，在参考轨迹点采用泰勒级数展开并忽略高阶项，得到车辆误差模型，表达式如下：
Figure BDA0003648699270000078
Figure BDA0003648699270000079
Figure BDA00036486992700000710
Figure BDA00036486992700000711
其中，
Figure BDA00036486992700000712
为状态向量，
Figure BDA00036486992700000713
为控制输入，χ和χr分别为车辆实际轨迹点和最优参考轨迹点，t表示时间；u和ur分别为前轮偏角控制量和前轮偏角参考值；f为小角度假设下的车辆动力学模型，可通过CarSim软件中直接获取。
为了便于MPC求解，采用采用差分方法进行离散化处理，得到离散系统，表达式如下：
Figure BDA0003648699270000081
Ak,t＝I+TsAt
Bk,t＝TsBt
其中，t为当前时刻，k为预测时刻，I表示单位矩阵，Ts为采样间隔。
步骤S5、使用MPC方法对车辆误差模型进行求解，得到最佳控制指令，通过控制SV的前轮偏角，令本车根据最佳控制指令进行换道，保障油耗、机动性的损失尽可能小。
本实施例联合MATLAB/Simulink和CarSim，搭建仿真平台。在纵向控制阶段LHA时通过GPOPS软件包实现，横向控制阶段LCE时采用S函数和CarSim平台实现。
关于效率、舒适度、能耗和交通排放的评价，本实施例选取了人类驾驶模式作为对比方案，在此方案中，所有驾驶员按照IDM模型行驶，当FV注意到SV亮起换道灯后，主动拉开其与PV之间间距，便于SV执行换道操作。以平均车速评价交通效率，以加速度均方根评价舒适度，结果如图5所示。用VT-Micro模型来评估能耗和交通排放(CO,HC和NOx)，结果如图6(a)～图6(d)所示。
本实施例还提供了一种网联自动驾驶环境下考虑多目标优化的协同换道装置，包括存储器和处理器；存储器，用于存储计算机程序；处理器执行以上网联自动驾驶环境下考虑多目标优化的协同换道方法。
本实施例又提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本实施例中提到的网联自动驾驶环境下考虑多目标优化的协同换道方法，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，包括以下步骤：
S1、获取本车、目标车道前车和目标车道后车的状态信息，这三辆车均为网联自动驾驶车辆；
S2、根据三辆车的纵向位移、纵向速度、纵向加速度和期望纵向加速度建立成本函数和LHA阶段约束条件，通过高斯伪谱法不断优化期望纵向加速度和LHA阶段控制时长，直至完全满足LHA阶段约束条件；
S3、根据优化结束后的纵向速度，结合LCE阶段控制时长和最大合成加速度，获取最优参考轨迹；
S4、根据最优参考轨迹，建立车辆误差模型；
S5、使用MPC方法对车辆误差模型进行求解，得到最佳控制指令，令本车根据最佳控制指令进行换道。
2.根据权利要求1所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述成本函数表达式如下：
Figure FDA0003648699260000011
φ(X(tLHA),tLHA)＝k0tLHA+k1(ΔxFV(tLHA)-thvFV(tLHA))2+k2(ΔxSV(tLHA)-thvSV(tLHA))2+k3(ΔxPV(tLHA)-thvPV(tLHA))2
Figure FDA0003648699260000012
X＝[sPV,vPV,aPV,sSV,vSV,aSV,sFV,vFV,aFV]T
U＝[uPV,uSV,uFV]T
其中，φ(·)为系统运行终端成本；tLHA为LHA阶段控制时长；G(·)为系统运行成本；k0,k1,…,k6为权重系数；ΔxPV、ΔxSV、ΔxFV分别为目标车道前车与领车、本车与前车和目标车道后车与本车的车头间距，其中领车为在目标车道上在前车前方以恒定速度行驶的车辆；th为期望车头时距；X为系统状态向量；U为系统控制输入；sPV、vPV、aPV、uPV分别为目标车道前车的纵向位移、速度、加速度和期望加速度；sSV、vSV、aSV、uSV分别为本车的纵向位移、速度、加速度和期望加速度；sFV、vFV、aFV、uFV分别为目标车道后车的纵向位移、速度、加速度和期望加速度。
3.根据权利要求1所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述约束条件包括对LHA阶段结束时刻的车头间距约束，约束表达式如下：
Figure FDA0003648699260000021
其中，di,safe为安全车头间距，ts为最小车头时距，ds为最小安全距离，tTTC为避免碰撞的最小时距，Δvi为本车与其相邻前车的相对速度，tLHA为LHA阶段控制时长，SV表示本车，PV表示目标车道前车，FV表示目标车道后车。
4.根据权利要求3所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述约束条件还包括：在LHA阶段结束时刻，本车、目标车道前车和目标车道后车的纵向速度应相等，纵向加速度均为0。
5.根据权利要求4所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述纵向速度、纵向加速度和纵向期望加速度存在边界限制。
6.根据权利要求1所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述最优参考轨迹的计算表达式如下：
Figure FDA0003648699260000022
Figure FDA0003648699260000023
其中，X、Y为车辆在LCE阶段的纵、横坐标位置(惯性参考系)；vx为纵向速度，
Figure FDA0003648699260000024
为LCE阶段的控制时长，t为时间；W为车道宽度；
Figure FDA0003648699260000025
为最大合成加速度；
Figure FDA0003648699260000026
为LCE阶段本车的纵向行驶距离，λ是不同目标的权重比。
7.根据权利要求6所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述最优轨迹参数通过换道效率和驾驶舒适度这两个目标的均衡来获取，所建立的加权目标函数如下：
Figure FDA0003648699260000027
Figure FDA0003648699260000028
λ＝λ2/λ1
其中，λ1为换道效率的目标权重，λ2为驾驶舒适度的目标权重。
8.根据权利要求1所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述车辆误差模型状态空间表达式如下：
Figure FDA0003648699260000031
Figure FDA0003648699260000032
Figure FDA0003648699260000033
Figure FDA0003648699260000034
其中，
Figure FDA0003648699260000035
为状态向量，
Figure FDA0003648699260000036
为控制输入，χ和χr分别为车辆实际轨迹点和最优参考轨迹点，t表示时间；u和ur分别为前轮偏角控制量和前轮偏角参考值；f为小角度假设下的车辆动力学模型。
9.根据权利要求8所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，车辆误差模型可进行离散化处理，离散后表达式为
Figure FDA0003648699260000037
Ak,t＝I+TsAt
Bk,t＝TsBt
其中，t为当前时刻，k为预测时刻，I表示单位矩阵，Ts为采样间隔。
10.根据权利要求8所述的一种网联自动驾驶环境下考虑多目标优化的协同换道方法，其特征在于，所述车辆动力学模型通过CarSim平台获取。
CN202210542212.7A 2021-12-28 2022-05-17 一种网联自动驾驶环境下考虑多目标优化的协同换道方法 Pending CN114987538A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN2021116230094 2021-12-28
CN202111623009 2021-12-28

Publications (1)

Publication Number Publication Date
CN114987538A true CN114987538A (zh) 2022-09-02

Family

ID=83027760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210542212.7A Pending CN114987538A (zh) 2021-12-28 2022-05-17 一种网联自动驾驶环境下考虑多目标优化的协同换道方法

Country Status (1)

Country Link
CN (1) CN114987538A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830886A (zh) * 2023-02-09 2023-03-21 西南交通大学 智能网联车辆协同换道时序计算方法、装置、设备及介质
CN116804852A (zh) * 2023-06-25 2023-09-26 北京交通大学 一种混合车队生态驾驶轨迹优化方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115830886A (zh) * 2023-02-09 2023-03-21 西南交通大学 智能网联车辆协同换道时序计算方法、装置、设备及介质
CN116804852A (zh) * 2023-06-25 2023-09-26 北京交通大学 一种混合车队生态驾驶轨迹优化方法
CN116804852B (zh) * 2023-06-25 2024-03-22 北京交通大学 一种混合车队生态驾驶轨迹优化方法

Similar Documents

Publication Publication Date Title
CN106740846B (zh) 一种双模式切换的电动汽车自适应巡航控制方法
CN109669461B (zh) 一种复杂工况下自动驾驶车辆决策系统及其轨迹规划方法
CN109501799B (zh) 一种车联网条件下的动态路径规划方法
Xu et al. Dynamic modeling of driver control strategy of lane-change behavior and trajectory planning for collision prediction
CN111775949B (zh) 一种人机共驾控制系统的个性化驾驶员转向行为辅助方法
CN110304074B (zh) 一种基于分层状态机的混合式驾驶方法
CN110597245A (zh) 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法
CN114987538A (zh) 一种网联自动驾驶环境下考虑多目标优化的协同换道方法
CN111681452B (zh) 一种基于Frenet坐标系下的无人驾驶汽车动态换道轨迹规划方法
US20150142207A1 (en) Method and driver assistance device for supporting lane changes or passing maneuvers of a motor vehicle
JP2009051430A (ja) 走行支援システム
CN104512412A (zh) 用于执行驾驶辅助的方法和装置
CN111002993B (zh) 一种基于场景识别的自动驾驶低油耗运动规划方法及系统
CN113147752B (zh) 一种无人驾驶方法及系统
CN107380162B (zh) 基于功能分配与多目标模糊决策的协同避撞方法
CN113722835B (zh) 拟人化随机换道驾驶行为建模方法
CN112092805B (zh) 一种智能车辆避撞与降低碰撞伤害的集成控制方法和系统
Rodrigues et al. Adaptive behaviour selection for autonomous vehicle through naturalistic speed planning
CN109878519A (zh) 一种分布式电驱动汽车拥堵跟随控制系统和方法
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN116259185A (zh) 停车场场景下融合预测算法的车辆行为决策方法及装置
CN115817460A (zh) 一种混合流条件下智能网联车主动协调避撞方法
Aoki et al. Multicruise: eco-lane selection strategy with eco-cruise control for connected and automated vehicles
Xiong et al. Integrated path tracking for autonomous vehicle collision avoidance based on model predictive control with multi-constraints
CN115712950A (zh) 一种用于半拖挂汽车的自动驾驶决策方法

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