CN115083156B - 一种基于Newell跟驰模型的车辆轨迹预测方法 - Google Patents

Abstract

本发明公开了一种基于Newell跟驰模型的车辆轨迹预测方法，包括S1、获取网联车辆的轨迹数据；S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。本发明提出一种可以有效联合宏观交通流参数与微观轨迹的轨迹预测算法，可以较为精确地预测人工驾驶车辆的轨迹；提出的曲线匹配的算法可以自动计算每一辆人工驾驶车辆的跟驰参数，提高轨迹预测算法的精度；能应用于其他场景，为自动驾驶车辆的轨迹规划提供支撑，保证驾驶安全。

Description

一种基于Newell跟驰模型的车辆轨迹预测方法

技术领域

本发明属于车辆轨迹预测模型，适用于全网联环境下对人工驾驶车辆的轨迹预测，具体涉及一种基于Newell跟驰模型的车辆轨迹预测方法。

背景技术

高速公路以其快速、安全、舒适等特点和优势，在现代综合交通运输体系发挥着重要的作用，截至2020年底，我国高速公路通车里程达16.10万公里。然而高速公路交通拥堵现象时有发生，特别是在节假日交通需求高峰时期，高速公路交通拥堵导致交通系统通行效率降低、出行时间增加、安全水平下降、环境污染加重等问题。当交通需求较高时，高速公路拥堵一般是从匝道口、隧道、车道数突变等瓶颈路段开始蔓延，车辆从瓶颈处开始累积排队，不断向上游蔓延，甚至导致整条高速公路及周边路网陷入瘫痪。高速公路瓶颈一般可分为移动瓶颈(如刚驶入密度较高的交通流中的低速行驶车辆)和固定瓶颈(出入口匝道、道路施工路段、事件发生路段、车道变窄路段、隧道口等)，其中固定瓶颈导致的高速公路交通拥堵将严重降低高速公路运行效率，提高瓶颈通行效率一直是高速公路管控的重点。

随着车联网和自动驾驶技术的迅猛发展，智能网联车辆(Connected andAutonomous Vehicle，CAV)将化身为“移动检测器”和“移动控制器”，为解决日益突出的交通拥堵和交通安全问题提供了新思路。基于协同自适应巡航控制(Cooperative AdaptiveCruise Control，CACC)的CAV编队运行将是未来公路自动驾驶的主要模式之一，在高速路匝道交织区、车道变窄区、隧道等交通瓶颈的应用将直接提高交通系统的运行效率。在全网联的场景下，建立对人工驾驶的网联车轨迹预测方法，对CACC车队前方的人工驾驶车辆进行轨迹预测，基于轨迹预测结果，对CACC车队轨迹进行规划，进而控制CACC车辆轨迹，以达到减少瓶颈处交通振荡、减缓冲击波、提高瓶颈通行效率的目标。

发明内容

针对现有技术中的上述不足，本发明提供的基于Newell跟驰模型的车辆轨迹预测方法实现了对人工驾驶的网联车进行轨迹预测以提高瓶颈路段的通行效率。

为了达到上述发明目的，本发明采用的技术方案为：一种基于Newell跟驰模型的车辆轨迹预测方法，包括以下步骤：

S1、获取网联车辆的轨迹数据；

S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；

S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；

S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。

进一步地，所述车辆轨迹预测得到的预测轨迹为车辆在瓶颈路段纵向行驶的预测轨迹，且瓶颈路段的CACC车辆和人工驾驶车辆的跟驰行为的均衡态符合经典一阶宏观模型LWR。

进一步地，所述步骤S2具体为：

S21、确定任意两条人工驾驶车辆能够进行匹配的轨迹曲线；

S22、对于轨迹曲线上的匹配点，计算其对应的移动向量，进而得到车辆跟驰行为参数。

进一步地，所述步骤S21中，能够进行匹配的轨迹曲线满足如下条件：

(1)任意轨迹曲线C上的轨迹点p_1,l到轨迹曲线H上离其最近的轨迹点

的距离小于距离阈值D_max；

(2)轨迹点p_1，l和p_2，l在各自轨迹曲线上的斜率夹角小于角度阈值Θ；

其中，轨迹曲线C上的点p_1，l到轨迹曲线H的距离d(p_1，l，C)为：

d(p_1，l，C)＝min_{l′∈{1，...，lH|}}||p_1，l-p_2，l′||²

其中，下标l为轨迹曲线上轨迹点的序号，C＝(p_1，l}，(p_1，l}为轨迹曲线C上轨迹点的集合，H＝(p_2，l}，(p_2，l}为轨迹曲线H上轨迹点的集合，|C|、|H|为轨迹曲线C、H上轨迹点的数量。

进一步地，所述步骤S22中具体为：

S22-1、基于当前角度阈值Θ和距离阈值D_max，对于轨迹曲线C上(p_1，1}中的每一个轨迹点，在轨迹曲线H上(p_2，l}中找到对应匹配的轨迹点，得到匹配点对；

S22-2、对于匹配点对，计算当前移动向量

式中，K_I是匹配点对的总数，

为匹配点对中轨迹曲线C上第k个轨迹点，

为匹配点对中轨迹曲线H上第k个轨迹点，下标k为匹配成功点对的序号；

S22-3、基于当前移动向量

更新轨迹曲线C上的轨迹点；

S22-4、更新角度阈值Θ和距离阈值D_max，并重复步骤S22-1～S22-3，直到移动向量

小于设定阈值；

S22-5、计算每次迭代计算得到的移动向量的

之和，得到移动向量总量(-τ₁，l₁)^T，进而得到多个人工驾驶车辆的车辆跟驰行为参数(τ_i，l_i)；

其中，车辆跟驰行为参数(τ_i，l_i)为移动向量总量(-τ₁，l₁)^T中第i辆车辆对应的移动向量，τ_i为反应时间，l_i为有效车长。

进一步地，所述步骤S3中的初步预测轨迹中，第1辆车和第n辆车的位置-时间关系式为：

式中，x_n(t)为第n辆车的轨迹，

为第一辆车的轨迹，

为有效车长的总和。

进一步地，所述步骤S4中对初步预测轨迹进行连续平滑处理的方法为：

当初步预测轨迹存在轨迹重叠时，对第二段重叠的预测轨迹部分删除，然后将处理后的预测轨迹与前一段预测轨迹首尾相连；

当初步预测轨迹中存在部分时刻点无轨迹时，将无轨迹时刻点对应的前一段预测轨迹与后一段预测轨迹直接首尾相连。

进一步地，所述步骤S4中，当人工驾驶车辆的轨迹数据不足时，提取网联车辆的轨迹数据中的交通流参数对连续平滑处理后的预测轨迹进行补充，得到预测车辆轨迹；

其中，交通流参数包括瓶颈点下游的通行能力C_down、瓶颈点上游的通行能力C_up、自由流速v_f，以及交通波的传播速度w。

进一步地，对连续平滑处理后的预测轨迹进行补充的方法具体为：

将目标车辆以接近瓶颈点时的速度v^B行驶至瓶颈点形成的轨迹数据对连续平滑处理的预测轨迹进行轨迹补充；

其中，速度v^B的计算公式为：

本发明的有益效果为：

(1)本发明基于Newell跟驰模型，提出一种可以有效联合宏观交通流参数与微观轨迹的轨迹预测算法，可以较为精确地预测人工驾驶车辆的轨迹。

(2)本发明提出的曲线匹配的算法可以自动计算每一辆人工驾驶车辆的跟驰参数，提高轨迹预测算法的精度。

(3)本发明所提出的方法也能应用于其他场景，比如全网联环境下估计自动驾驶车辆前方的人工驾驶车辆的轨迹，为自动驾驶车辆的轨迹规划提供支撑，保证驾驶安全。

附图说明

图1为本发明提供的基于Newell跟驰模型的车辆轨迹预测方法流程图。

图2为本发明提供的轨迹平移连续处理示意图。

图3为本发明提供的使用接近瓶颈点时的速度补充轨迹示意图。

图4为本发明提供的预测案例示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

在本发明实施例中，在全网联环境下，瓶颈上下游路段的所有车辆的当前状态以及历史轨迹信息均是可获取的。而欲实现瓶颈处CACC车队的轨迹控制，则需提前知道前车的运动状态和未来短期至瓶颈点处的行驶轨迹，以作为CACC车辆轨迹规划的上限。因预测轨迹是轨迹规划的前提条件，其预测精度将极大影响规划轨迹的合理性和适用性，为得到精度较高的预测轨迹，本实施例结合经典的Newell跟驰理论、交通流理论对CACC车队前车到达瓶颈点前的轨迹进行短时预测。

如图1所示，本发明实施例提供的基于Newell跟驰模型的车辆轨迹预测方法包括以下步骤：

S1、获取网联车辆的轨迹数据；

S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；

S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；

S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。

在本发明实施例中，车辆轨迹预测方法的主要应用场景为车辆在瓶颈路段的纵向行驶轨迹预测，因瓶颈路段存在通行能力突变现象，产生的冲击波会沿车流逆方向传播至瓶颈点上路段，此时交通流处于同质状态，前后车辆紧密跟驰，可通过前后车位置关系对前车轨迹进行推算。本发明假设瓶颈路段CACC车辆与人工驾驶车辆的跟驰行为的均衡态符合经典一阶宏观模型LWR(Lighthill-Whitham-Richards，LWR)模型，即CACC车队混行下的宏观交通流的流量、密度、平均速度三参数符合三角形关系。宏观上，通过网联车的轨迹数据获取上下游的交通流参数，利用经典三角形基本关系，可以得到瓶颈处的冲击波波速以及车辆接近瓶颈点时的速度。而为了得到CACC车队前车的较为精准的预测轨迹，则需建立下游车辆轨迹与上游车辆轨迹的关系，因此，本发明选择Newell简化跟驰模型(Newellsimplified car-following model)来建立这种关系，从而对人工驾驶车辆的跟驰行为进行简化后建立前后车辆的位置-时间关系式，进而可以直接在时间-位置图中通过平移前车轨迹得到后车轨迹。

在本发明实施例的步骤S1中，在全网联环境下，可以通过网联车辆的轨迹数据得到瓶颈点上游流量、密度和速度等信息。

本发明实施例的步骤S2具体为：

S21、确定任意两条人工驾驶车辆能够进行匹配的轨迹曲线；

S22、对于轨迹曲线上的匹配点，计算其对应的移动向量，进而得到车辆跟驰行为参数。

本实施例使用曲线匹配算法计算得到每一辆人工驾驶车辆的车辆跟驰行为参数，首先定义某点到另一条轨迹曲线的距离，此距离可以用此点到另一条曲线所有离散点中距离最近的点的距离来表示，基于此，本实施例的步骤S21中，能够进行匹配的轨迹曲线满足如下条件：

(1)任意轨迹曲线C上的轨迹点p_1，l到轨迹曲线H上离其最近的轨迹点

的距离小于距离阈值D_max；

(2)轨迹点p_1，l和p_2，l在各自轨迹曲线上的斜率夹角小于角度阈值Θ；

其中，轨迹曲线C上的点p_1，l到轨迹曲线H的距离d(p_1，l，C)为：

d(p_1，l，C)＝min_{l′∈{1，...，|H|}}||p_1，l-p_2，l′||²

其中，下标1为轨迹曲线上轨迹点的序号，C＝{p_1，1}，{p_1，1}为轨迹曲线C上轨迹点的集合，H＝(p_2，1}，(p_2，1}为轨迹曲线H上轨迹点的集合，|C|、|H|为轨迹曲线C、H上轨迹点的数量。

本实施例的步骤S22具体为：

S22-1、基于当前角度阈值Θ和距离阈值D_max，对于轨迹曲线C上(p_1，1}中的每一个轨迹点，在轨迹曲线H上(p_2，1}中找到对应匹配的轨迹点，得到匹配点对；

S22-2、对于匹配点对，计算当前移动向量

式中，K_I是匹配点对的总数，

为匹配点对中轨迹曲线C上第k个轨迹点，

为匹配点对中轨迹曲线H上第k个轨迹点，下标k为匹配成功点对的序号；

S22-3、基于当前移动向量

更新轨迹曲线C上的轨迹点；

S22-4、更新角度阈值Θ和距离阈值D_max，并重复步骤S22-1～S22-3，直到移动向量

小于设定阈值；

S22-5、计算每次迭代计算得到的移动向量的

之和，得到移动向量总量(-τ₁，l₁)^T，进而得到多个人工驾驶车辆的车辆跟驰行为参数(τ_i，l_i)；

其中，车辆跟驰行为参数(τ_i，l_i)为移动向量总量(-τ₁，l₁)^T中第i辆车辆对应的移动向量，τ_i为反应时间，l_i为有效车长。

在上述确定移动向量总量的过程中，对于K_I对匹配点，需要找到一个移动向量(-τ_I，l_I)使得以下目标函数最小：

通过令其导数为0，即可找到该向量的最小值，即得到：

通过不断更新移动向量，直到

足够小，迭代收敛，最终的移动向量总量为所有迭代次数的移动向量之和，即：

在上述迭代过程中，每一次地迭代时均对角度阈值和距离阈值进行更新，更新后的值为上一次迭代中的最大值，以确保得到移动向量及移动向量总量的准确性。

本发明实施例的步骤S3中，在得到人工驾驶车辆的车辆行为跟驰参数后，基于Newell简化跟驰模型，可得到前后两两车的位置函数关系如下公式所示：

x_i(t+τ_i)＝x_i-1(t)-l_i

当为多个车辆组成的连续行驶的队列(车辆编号从1至n)，则初步预测轨迹中，第1辆车和第n辆车的位置-时间关系式为：

式中，x_n(t)为第n辆车的轨迹，

为第一辆车的轨迹，

为有效车长的总和。

即第1辆车与第n辆车的时间和空间延迟是由两辆车中间的车辆数以及每相邻两辆车之间的参数τ_i和l_i所确定。

在本实施例中，对于CACC车队前的人工驾驶车辆轨迹，可以建立任意下游车辆和该车辆的位置关系。即在时空轨迹图上，表现为通过轨迹平移即可得到预测车辆的轨迹，如图2所示，红色车辆为人工驾驶车辆，绿色车辆表示CACC车辆，则前面人工驾驶车辆的轨迹可以通过轨迹平移得到。对于前车而言，其前方的人工驾驶车辆的历史轨迹通过平移后均可得到其当前时刻到历史轨迹结束时刻的平移轨迹，但对于预测轨迹而言，距离当前时刻最近的轨迹所平移的轨迹信息越准确，同时预测的精度也越高。因此，在得到平移后的轨迹之后，只选取距离前车最近的车辆的平移轨迹，如图2所示。

在本实施例的步骤S4中，对轨迹进行连续性优化，通过上述方法和流程，即可通过平移前方车辆的历史轨迹得到CACC车队前车的未来短时轨迹，但仍旧存在一个问题，因只是用Newell简化跟驰模型平移得到近似的轨迹，而Newell简化跟驰模型只是对跟驰行为的一种近似，因此在平移了前车历史轨迹之后，由于平移量的不同，平移之后的轨迹不一定是连续的，因此，在步骤S4中对初步预测轨迹进行连续平滑处理，具体地：

当初步预测轨迹存在轨迹重叠时，对第二段重叠的预测轨迹部分删除，然后将处理后的预测轨迹与前一段预测轨迹首尾相连；

当初步预测轨迹中存在部分时刻点无轨迹时，将无轨迹时刻点对应的前一段预测轨迹与后一段预测轨迹直接首尾相连。

在本发明实施例的步骤S4中，在某些场景下，如CACC车辆渗透率较高的情况下，CACC车辆队列由于CACC车队前的人工驾驶车辆太少，提供的历史轨迹太短，无法有效预测目标车辆从当前时刻到达瓶颈点时刻的轨迹。因此，当人工驾驶车辆的轨迹数据不足时，提取网联车辆的轨迹数据中的交通流参数对连续平滑处理后的预测轨迹进行补充，

其中，交通流参数包括瓶颈点下游的通行能力C_down、瓶颈点上游的通行能力C_up、自由流速v_f，以及交通波的传播速度w。

在本实施例中对连续平滑处理后的预测轨迹进行补充的方法具体为：

将目标车辆以接近瓶颈点时的速度v^B行驶至瓶颈点形成的轨迹数据对连续平滑处理的预测轨迹进行轨迹补充；

其中，速度v^B的计算公式为：

基于本发明实施例中提供的上述车辆轨迹预测方法，可以构建目标车辆到瓶颈点的预测轨迹模型，该模型的输入为瓶颈点上下游的车辆轨迹数据，输出为目标车辆到瓶颈点的轨迹。本发明提出的曲线匹配算法能充分利用精确的轨迹信息，从而得到高轨迹预测精度。

本发明实施例提供的基于上述轨迹预测方法得到的预测轨迹案例如图4所示，从图4中可以看出此预测方法可较为精确地预测前车轨迹，同时具有良好的自适应性和鲁棒性，为下一步进行轨迹规划奠定了基础。

定义轨迹预测精度如下：设预测开始时刻为t₁，预测轨迹结束时刻为t₂，设预测轨迹为x′(t)，实际轨迹为x(t)，单次轨迹预测的平均绝对误差(MAPE)可表示为：

其中，

为轨迹点的数量，Δt为轨迹点取样时间步长。

通过预测算法对前车轨迹进行预测，预测案例数57，得到的MAPE均值为6.50％，且95％的案例数的MAPE小于8％。

Claims (6)

1.一种基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，包括以下步骤：

S1、获取网联车辆的轨迹数据；

S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；

S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；

S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹；

所述车辆轨迹预测得到的预测轨迹为车辆在瓶颈路段纵向行驶的预测轨迹，且瓶颈路段的CACC车辆和人工驾驶车辆的跟驰行为的均衡态符合经典一阶宏观模型LWR；

所述步骤S2具体为：

S21、确定任意两条人工驾驶车辆能够进行匹配的轨迹曲线；

S22、对于轨迹曲线上的匹配点，计算其对应的移动向量，进而得到车辆跟驰行为参数；

所述步骤S21中，能够进行匹配的轨迹曲线满足如下条件：

(1)任意轨迹曲线C上的轨迹点p_1，l到轨迹曲线H上离其最近的轨迹点

的距离小于距离阈值D_max；

(2)轨迹点p_1，l和p_2，l在各自轨迹曲线上的斜率夹角小于角度阈值Θ；

其中，轨迹曲线C上的点P_1，l到轨迹曲线H的距离d(p_1，l，C)为：

d(p_1，l，C)＝min_{l′∈{1，...，|H|}}||p_1，l-p_2，l′||²

其中，下标l为轨迹曲线上轨迹点的序号，C＝{p_1，l}，｛p_1，l}为轨迹曲线C上轨迹点的集合，H＝{p_2，1}，{p_2，1}为轨迹曲线H上轨迹点的集合，|C|、|H|为轨迹曲线C、H上轨迹点的数量。

2.根据权利要求1所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S22中具体为：

S22-1、基于当前角度阈值Θ和距离阈值D_max，对于轨迹曲线C上{p_1，l}中的每一个轨迹点，在轨迹曲线H上{p_2，l}中找到对应匹配的轨迹点，得到匹配点对；

S22-2、对于匹配点对，计算当前移动向量

式中，K_I是匹配点对的总数，

为匹配点对中轨迹曲线C上第k个轨迹点，

为匹配点对中轨迹曲线H上第k个轨迹点，下标k为匹配成功点对的序号；

S22-3、基于当前移动向量

更新轨迹曲线C上的轨迹点；

S22-4、更新角度阈值Θ和距离阈值D_max，并重复步骤S22-1～S22-3，直到移动向量

小于设定阈值；

S22-5、计算每次迭代计算得到的移动向量的

之和，得到移动向量总量(-τ₁，l₁)^T，进而得到多个人工驾驶车辆的车辆跟驰行为参数(τ_i，l_i)；

其中，车辆跟驰行为参数(τ_i，l_i)为移动向量总量(-τ₁，l₁)^T中第i辆车辆对应的移动向量，τ_i为反应时间，l_i为有效车长。

3.根据权利要求1所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S3中的初步预测轨迹中，第1辆车和第n辆车的位置-时间关系式为：

式中，x_n(t)为第n辆车的轨迹，

为第一辆车的轨迹，

为有效车长的总和。

4.根据权利要求1所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S4中对初步预测轨迹进行连续平滑处理的方法为：

当初步预测轨迹存在轨迹重叠时，对第二段重叠的预测轨迹部分删除，然后将处理后的预测轨迹与前一段预测轨迹首尾相连；

当初步预测轨迹中存在部分时刻点无轨迹时，将无轨迹时刻点对应的前一段预测轨迹与后一段预测轨迹直接首尾相连。

5.根据权利要求4所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S4中，当人工驾驶车辆的轨迹数据不足时，提取网联车辆的轨迹数据中的交通流参数对连续平滑处理后的预测轨迹进行补充，得到预测车辆轨迹；

其中，交通流参数包括瓶颈点下游的通行能力C_down、瓶颈点上游的通行能力C_up、自由流速v_f，以及交通波的传播速度w。

6.根据权利要求5所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，对连续平滑处理后的预测轨迹进行补充的方法具体为：

将目标车辆以接近瓶颈点时的速度v^B行驶至瓶颈点形成的轨迹数据对连续平滑处理的预测轨迹进行轨迹补充；

其中，速度v^B的计算公式为：

Images