CN115158351A - 一种交叉口自动驾驶汽车和行人控制方法 - Google Patents

一种交叉口自动驾驶汽车和行人控制方法 Download PDF

Info

Publication number
CN115158351A
CN115158351A CN202210782735.9A CN202210782735A CN115158351A CN 115158351 A CN115158351 A CN 115158351A CN 202210782735 A CN202210782735 A CN 202210782735A CN 115158351 A CN115158351 A CN 115158351A
Authority
CN
China
Prior art keywords
pedestrian
vehicle
intersection
formula
pedestrians
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
CN202210782735.9A
Other languages
English (en)
Inventor
赵利英
曹宁博
陈明涛
李建勋
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.)
Xian University of Technology
Original Assignee
Xian University of Technology
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 Xian University of Technology filed Critical Xian University of Technology
Priority to CN202210782735.9A priority Critical patent/CN115158351A/zh
Publication of CN115158351A publication Critical patent/CN115158351A/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
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • 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
    • B60W30/18159—Traversing an intersection
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明公开了一种交叉口自动驾驶汽车和行人控制方法，包括如下步骤：S1、利用Weibull概率分布函数对行人的排队长度进行建模，估计人行横道等待行人的最大排队长度；S2、基于行人最大排队长度计算交叉口各进口道和人行横道的最大压强；S3、将最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划算法相结合，对自动驾驶汽车轨迹进行约束优化。本发明提供的交叉口自动驾驶汽车和行人控制方法，能够允许同时激活人行横道和非冲突自动驾驶汽车运动，有效降低了交叉口自动驾驶汽车和行人的延误时间与排队长度。

Description

一种交叉口自动驾驶汽车和行人控制方法
技术领域
本发明涉及一种驾驶控制方法，尤其涉及一种交叉口自动驾驶汽车和行人控制方法。
背景技术
交叉口是城市道路交通网络的关键节点和瓶颈，行人和车辆在此共享道路空间，并争夺通行权，这将导致行人和车辆产生大量排队和延误。因此，提升交叉口运行效率在改善交通拥堵和安全方面起着至关重要的作用。当前，通常利用信号相位对交叉口多股冲突交通流进行时间分离，为进一步降低行人和车辆延误和排队，信号控制方法逐渐从固定信号控制转向自适应信号控制，根据交通需求动态调整每个信号相位的时间分配以达最优控制效果。随着车联网和自动驾驶技术的发展，不远的未来，自动驾驶汽车将与行人共享交叉口空间，在行人众多且通行权不清的交通环境中，现有自动驾驶汽车控制技术无法有效解决其与行人的通行权分配问题，不得不频繁减速或停车，这严重降低了自动驾驶汽车交通流的运行效率和稳定性。除信号控制之外，自动驾驶汽车在交叉口的运动也需要用运动轨迹规划方法进行控制，所以需要综合信号控制和自动驾驶汽车运动轨迹规划方法对交叉口自动驾驶汽车和行人的控制方法进行重构。
虽然目前自动交叉口管理(AIM)方法能够帮助自动驾驶汽车进行运动规划，但是，AIM控制方法是依据交叉口自动驾驶汽车位置和速度信息进行优化控制的，并未考虑行人，因此，优化后的自动驾驶汽车运动轨迹仅适用于没有行人过街的情况，现有方法无法帮助交叉口对自动驾驶汽车和行人进行管理。为改善自动驾驶汽车延误，AIM控制方法优化后的车头间距通常非常小，行人无法找到安全的穿越间隙。当前自动驾驶汽车面对行人时只能采取保守的让行控制策略，这导致自动驾驶汽车频繁停车，从而无法发挥其提升交通流运行效率的优势。
此外，基于现有的自动驾驶汽车的通行权保守决策方法，自动驾驶汽车仅根据障碍物检测结果来决定停车或行驶，例如，当检测到人行横道上有行人出现时，自动驾驶汽车立即决定停车或者减速让行人优先通行。由于现有的控制方法过于保守且缺乏对自动驾驶汽车和行人统一控制，使得交叉口的自动驾驶汽车和行人通行权管理混乱，自动驾驶汽车只能根据行人的存在与否采取行动，连续交通流频繁被行人中断，交叉口的运行效率被严重降低。
综上所述，现有研究关注于不同优化目标下自动驾驶汽车运动轨迹规划方法，但都忽略了交叉口行人的存在。
发明内容
本发明所要解决的技术问题是提供一种交叉口自动驾驶汽车和行人控制方法，能够允许同时激活人行横道和非冲突自动驾驶汽车运动，有效降低了交叉口自动驾驶汽车和行人的延误时间与排队长度。
本发明为解决上述技术问题而采用的技术方案是提供一种交叉口自动驾驶汽车和行人控制方法，包括如下步骤：S1、利用Weibull概率分布函数对行人的排队长度进行建模，估计人行横道等待行人的最大排队长度；S2、基于行人最大排队长度计算交叉口各进口车道和和人行横道的最大压强；S3、将最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划算法相结合，对自动驾驶汽车轨迹进行约束优化。
进一步地，所述步骤S1包括：
S11、对于人行横道m，利用公式(1)确定行人等待时间；
Figure BDA0003730238820000021
式中：
Figure BDA0003730238820000022
表示行人等待时间，
Figure BDA0003730238820000023
表示t时刻人行横道m的激活状态，行人过街信号激活时，人行横道被激活，
Figure BDA0003730238820000024
否则，
Figure BDA0003730238820000025
S12、利用公式(2)确定行人到达等待区的分布模型；
Figure BDA0003730238820000026
式中：x是随机变量；α为形状参数，决定模型的形状；β为尺度参数，决定模型的均值和方差；
S13、根据行人到达率、人行横道尺寸、等待时间和等待区行人密度共同决定等待区行人最大排队长度。
进一步地，所述步骤S12中公式(2)的参数α和β根据公式(3)和(4)计算得到，
α＝6.89-0.43w+0.044l-1.72ρ (3)
β＝2.31-0.49w+0.089l-11.6ρ (4)
式中：l为人行横道长度，w为人行横道宽度，ρ为等待区行人密度；
所述步骤S13中等待区行人最大排队长度按公式(5)计算得到：
Figure BDA0003730238820000027
式中：
Figure BDA0003730238820000028
为从道路i进入人行横道j行人的平均到达率；排队长度最大区域的行人到达率为
Figure BDA0003730238820000029
其中Pmax为行人在人行横道等待区分布频率的最大值，利用公式(2)、(3)和(4)计算得到。
进一步地，所述步骤S2包括：S21、计算各进口车道自动驾驶汽车排队长度；S22、计算各人行横道行人排队长度；S23、根据排队长度计算自动驾驶汽车或行人一次移动过程的权重系数；S24、计算每条进口车道和人行横道的压强。
进一步地，所述步骤S2包括：
所述步骤S21利用公式(6)构建自动驾驶汽车排队长度演化过程的状态方程，以此计算每秒内每条进口车道上自动驾驶汽车的排队长度，
Figure BDA0003730238820000031
式中：t时刻，
Figure BDA0003730238820000032
表示自动驾驶汽车在道路i上的队列长度；
Figure BDA0003730238820000033
表示离开道路i的自动驾驶汽车数量；
Figure BDA0003730238820000034
为进口道路输入的自动驾驶汽车需求量；
所述步骤S22利用公式(7)构建行人排队长度演化过程的状态方程，
Figure BDA0003730238820000035
式中：t时刻，
Figure BDA0003730238820000036
表示估计最大排队长度；
Figure BDA0003730238820000037
表示估计进入流量；
Figure BDA0003730238820000038
表示估计离开流量；
利用公式(5)估计进入流量
Figure BDA0003730238820000039
估计行人离开流量
Figure BDA00037302388200000310
如果人行横道未激活，则为0；则公式(7)转变为公式(8)，利用公式(8)计算每秒内每条人行横道等待区上行人的排队长度，
Figure BDA00037302388200000311
式中：
Figure BDA00037302388200000312
表示允许行人移动的时间占比，当行人道路i和j为路侧人行道时，
Figure BDA00037302388200000313
所述步骤S23基于公式(7)和(8)的排队长度计算结果，利用公式(9)计算自动驾驶汽车或行人一次移动过程(i,j)的权重系数，
Figure BDA00037302388200000314
移动过程(i,j)的权重系数等于道路i上排队长度减去与道路j上排队长度；自动驾驶汽车移动过程(i,j)的排队长度通过公式(7)计算得到，行人排队长度由公式(8)计算得到；
所述步骤S24中每个移动过程由一个信号相位S* ij(t)控制，每个移动过程(i,j)的压强利用公式(10)计算得到，压强最大的移动过程对应的相位将在下一秒被激活；
Figure BDA00037302388200000315
进一步地，所述步骤S3包括：S31、确定交叉口自动驾驶汽车和行人控制的目标函数，使得交叉口总压强最大；S32、将交叉口分为若干个冲突区，确定叉口自动驾驶汽车和行人控制的约束条件；S33、综合车辆动力学、轨迹、压强、车车冲突、人车冲突、行人和道路相关因素的约束条件，求取最大压强控制方法和车辆轨迹规划方法。
进一步地，所述S31中交叉口最大压强控制方法的目标函数为公式(11)，
Figure BDA0003730238820000041
所述S32中约束条件为公式(12)、(13)、(14)、(15)、(16)和(17)；
Figure BDA0003730238820000042
Figure BDA0003730238820000043
Figure BDA0003730238820000044
Figure BDA0003730238820000045
Figure BDA0003730238820000046
Figure BDA0003730238820000047
式中：
Figure BDA0003730238820000048
表示车辆的移动过程(i,j)是否经过人行横道n，经过
Figure BDA0003730238820000049
否则
Figure BDA00037302388200000410
所有人行横道的集合记为W；
所述S33中每个时刻，获取交叉口压强最大时的交叉口相位设置S*，如公式(30)所示，
Figure BDA00037302388200000411
进一步地，所述步骤S32还包括加入了t时刻自动驾驶汽车的运动学轨迹约束条件，具体包括：保证自动驾驶汽车j的运动状态；限制自动驾驶汽车j的速度选择范围；确保车辆j在加速度范围内选择能够达到最佳表现的加速度来更新其下一时刻的运动速度；控制加速度的变化率，来保证自动驾驶汽车行驶的平稳性。
进一步地，所述步骤S32还包括约束车辆在交叉口内部的冲突避让，具体包括：保证车道i上相邻的前后两辆车j和j'保持安全距离，安全距离为车身长度、最小间隔和制动距离之和；确保车道i上的车辆j与存在冲突的车道
Figure BDA00037302388200000412
上的车辆n∈CAVm(t)之间保持安全距离，即二车车尾到冲突点之间距离和始终大于安全距离；避免存在冲突可能的两辆车同时通过冲突区域，即确保一辆车在到达冲突点前另一辆车已安全通过冲突点；确保车道i上的车辆j与存在冲突的人行横道w上的行人α之间保持安全距离，即车辆车尾和行人到冲突点之间距离和始终大于安全距离。
进一步地，所述步骤S32将下述约束添加了到模型中控制车辆和行人道路的激活，建立决策变量之间的联系。约束条件(27)表明人行横道n和车辆移动(i,j)激活状态间的相互制约，Sij(t)和Sn(t)是二进制的，
Figure BDA00037302388200000413
表示是否车辆移动(i,j)和人行横道n存在冲突。如果人行横道n激活，而车辆移动(i,j)和人行横道存在冲突，该移动上的车辆当前时刻不能通行。约束条件(28)限制同一车道上的两辆车的移动状态的相互制约，防止后车强制超越前车而出现碾压现象。
Figure BDA0003730238820000051
Figure BDA0003730238820000052
Figure BDA0003730238820000053
本发明对比现有技术有如下的有益效果：本发明提供的交叉口自动驾驶汽车和行人控制方法，利用AIM控制算法协调自动驾驶汽车的运动轨迹，防止自动驾驶汽车发生碰撞，优化每个时间步自动驾驶汽车的速度和加速度；并采取MPC方法优化行人和自动驾驶汽车的排队长度，提高自动驾驶汽车和行人混合流的运行效率，从而允许同时激活人行横道和非冲突自动驾驶汽车运动，有效降低了交叉口自动驾驶汽车和行人的延误时间与排队长度。
附图说明
图1为本发明交叉口行人排队和消散过程示意图；
图2本发明适用场景示意图；
图3本发明交叉口冲突区和冲突点示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的描述。
本发明设计了交叉口自动驾驶汽车和行人的控制方法，解决了由于交叉口自动驾驶汽车和行人管理死板导致的自动驾驶环境下交叉口运行效率严重降低的问题。其一是基于Weibull(韦布尔)概率分布函数，对人行横道等待行人的最大排队长度进行量化评估模型，解决了未来城市道路环境中交叉口控制器对等待行人最大排队长度的准确估算；其二是基于行人排队长度估计结果、自动交叉口控制(AIM)方法和最大压强控制算法(MPC)建立了交叉口自动驾驶汽车和行人的控制方法，该方法不仅能够根据行人需求动态调整各向交通流的相位，以此降低自动驾驶汽车和行人排队长度和延误；而且能对自动驾驶汽车的运动轨迹进行控制以此避免冲突车辆发生碰撞和提高自动驾驶汽车运行效率，不仅解决了自动驾驶汽车与行人难以管理的问题，同时改善了自动驾驶汽车和行人排队长度和延误。
为了实现上述目的，本发明以交叉口自动驾驶汽车和行人控制时为例具体说明本发明的技术方案，但是具体应用时，本发明所要保护的交叉口自动驾驶汽车和行人控制方法不仅限于无控制交叉口道路环境，也适用于路段、商场附近和学校周围等道路环境中自动驾驶汽车和行人的管理过程。
步骤1：行人排队长度计算
交叉口是城市道路交通系统的节点和瓶颈点，对于交通管理者而言，在自动驾驶环境下最关心的问题是如何降低交叉口自动驾驶汽车和行人的排队和延误，进而提升交叉口的运行效率。该发明基于最大压强控制方法和自动交叉口管理方法，自动驾驶汽车和行人的排队长度是最大压强控制方法的基本参数。其中自动驾驶汽车可以利用V2V和V2I技术实现车车和车路间的信息共享和通信，而行人无法进行信息通信，因此难以估计行人等待时的队列长度，行人队列长度将用于最大压力控制和人行横道激活。故本发明的第一个核心问题是估计人行横道等待区行人的最大排队长度，为此，本发明设计了一种基于Weibull概率分布的行人最大排队长度估计方法，以此对人行横道等待区中行人的排队长度进行估计，将结果作为自动驾驶汽车和行人控制的基础。
本发明首先综合人行横道尺寸、行人需求和道路交通环境等因素对建立行人排队长度估计方法，然后综合最大压力控制方法和自动交叉口管理方法构建交叉口自动驾驶汽车和行人的控制方法。为了提高控制方法降低行人排队长度的能力，本发明以Weibull概率分布为基础，建立了不同交通条件下行人排队长度的估计方法，该估计方法的具体流程如下:
(1)为了估计行人最大排队长度，需要记录行人等待时间，可以利用公式(1)对行人等待时间进行确定。对于人行横道m，如前一秒行人信号未激活且有行人存在，则等待时间增加；如果前一秒钟行人信号被激活或者没有行人存在，则行人等待时间为0；
Figure BDA0003730238820000061
式中：
Figure BDA0003730238820000062
表示行人等待时间，
Figure BDA0003730238820000063
表示t时刻人行横道m的激活状态，行人过街信号激活时，人行横道被激活，
Figure BDA0003730238820000064
否则，
Figure BDA0003730238820000065
行人信号激活与否与行人排队相关，由交叉口自动驾驶汽车和行人控制方法确定。
(2)排队论中排队长度等于到达率和等待时间的乘积，但考虑实际等待行人在等待区的分布情况，行人在人行横道等待区的分布规律并不是均匀的，行人更偏向于在等待区中间进行等待，行人排队最长的地方也在等待区中间。利用公式(2)确定行人到达等待区的分布模型，
Figure BDA0003730238820000066
式中：x是随机变量；α为形状参数，决定模型的形状；β为尺度参数，决定模型的均值和方差。
(3)公式(2)的参数α和β可以根据公式(3)和(4)计算得到，
α＝6.89-0.43w+0.044l-1.72ρ (3)
β＝2.31-0.49w+0.089l-11.6ρ (4)
式中：l为人行横道长度，w为人行横道宽度，ρ为等待区行人密度。
(4)等待区行人最大排队长度由行人到达率、人行横道尺寸、等待时间和行人到达分布共同决定，最大排队出现在行人出现频率最大的位置，如图1所示。根据利用公式(2)、(3)和(4)确定的行人到达分布模型计算出最大排队长度区域的行人排队长度，具体如公式(5)所示：
Figure BDA0003730238820000067
式中：
Figure BDA0003730238820000071
为从道路i进入人行横道j行人的平均到达率；排队长度最大区域的行人到达率为
Figure BDA0003730238820000072
其中Pmax为行人在人行横道等待区分布频率的最大值，通过公式(2)、(3)和(4)计算获得。
步骤2：交叉口各进口道和人行横道压强计算
首先对本发明的相关符号进行解释。本发明适用场景为行人和自动驾驶汽车同时存在的交叉口，如图2所示。交叉口包含车辆道路和行人道路，车辆道路集合表示为Gveh(Nveh,Lveh)，行人道路集合表示为Gped(Nped,Lped)。其中，Nped∪Nveh表示交叉口节点集合，Lped∪Lveh表示交叉口的道路集合。道路集合包含两个子集Lentry和Lexit，分别表示进口道路集合和出口道路集合。行人或自动驾驶汽车从进口道路进入，从出口道路驶出。
Figure BDA0003730238820000073
和
Figure BDA0003730238820000074
分别表示车辆或行人道路i的进出口道路集集合。例如，如果道路i与人行横道j相连，则它可以表示为
Figure BDA0003730238820000075
或
Figure BDA0003730238820000076
车辆道路集合Gveh(Nveh,Lveh)中，车辆的一次移动过程可以用一对道路组合(i,j)表示，表示车辆从道路i进入道路j，场景中车辆所有移动过程的集合记为M。当道路i的通行能力为Qi时，移动过程(i,j)所代表移动过程的通行能力为道路i和j通行能力的最小值，即Qij＝min{Qi,Qj}。不同方向车流在交叉口内部可能存在轨迹冲突，因此本发明将交叉口分为4个冲突区，如图3所示，所有冲突区的集合表示为C，例如，Cij表示包含移动过程(i,j)轨迹的冲突区集合。
Figure BDA0003730238820000077
表示移动过程(i,j)是否经过冲突区c，c∈C。
Figure BDA0003730238820000078
表示移动过程(i,j)轨迹经过冲突区，否则
Figure BDA0003730238820000079
行人道路集合Gped(Nped,Lped)包含节点集合Nped和道路集合Lped。行人道路包括路侧人行道和人行横道。如图1所示，道路a,b,c,d,e,f,g,h为路侧人行道。交叉口中有四条人行横道i,j,k,m，行人需要等待人行横道激活才能通过。行人的一次移动过程也利用一对相邻道路组合表示，例如，(b,c)表示行人从路侧人行道b进入路侧人行横道c。如果两条路侧人行道相连，则行人无需等待即可完成道路转换，例如，行人可以从路侧人行道b直接进入路侧人行道c而无需等待；路侧人行道b上的行人要进入路侧人行道e，则需要在人行横道k激活后，经过人行横道k再进入路侧人行道e。
最大压强控制方法是控制每一时刻所有进口道路压强最大，而压强计算需要利用每条道路上的排队长度。交叉口各进口道和人行横道压强计算方法的具体流程如下:
(1)各进口道自动驾驶汽车排队长度计算。利用公式(6)构建了自动驾驶汽车排队长度演化过程的状态方程，以此计算每秒内每条进口道上自动驾驶汽车的排队长度，
Figure BDA00037302388200000710
式中：t时刻，
Figure BDA00037302388200000711
表示自动驾驶汽车在道路i上的队列长度；
Figure BDA00037302388200000712
表示离开道路i的自动驾驶汽车数量；
Figure BDA00037302388200000713
为进口道路输入的自动驾驶汽车需求量。
(2)各人行横道行人排队长度计算。公式(7)构建了行人排队长度演化过程的状态方程，
Figure BDA0003730238820000081
式中：t时刻，
Figure BDA0003730238820000082
表示估计最大排队长度；
Figure BDA0003730238820000083
表示估计进入流量；
Figure BDA0003730238820000084
表示估计离开流量。
利用公式(5)估计进入流量
Figure BDA0003730238820000085
估计行人离开流量
Figure BDA0003730238820000086
是估计队列长度和通行能力的最小值，如果人行横道未激活，则为0。则公式(7)转变为公式(8)，利用公式(8)计算每秒内每条人行横道等待区上行人的排队长度，
Figure BDA0003730238820000087
式中：
Figure BDA0003730238820000088
表示允许行人移动的时间占比，当行人道路i和j为路侧人行道时，
Figure BDA0003730238820000089
(3)权重系数计算。实时准确地获取交叉口的自动驾驶汽车和行人排队长度对MaxPressure Control(MPC)而言至关重要。它的核心思想是将交叉口的“压强”最大化，“压强”的计算需要先确定权重系数。本发明基于公式(7)和(8)的排队长度计算结果，自动驾驶汽车或行人一次移动过程(i,j)的权重系数
Figure BDA00037302388200000810
利用公式(9)计算，
Figure BDA00037302388200000811
式中：？移动过程(i,j)的权重系数等于道路i上排队长度减去与道路j上排队长度。自动驾驶汽车移动过程(i,j)的排队长度通过公式(7)计算得到，行人排队长度由公式(8)计算得到。
(4)每条进口道和人行横道的压强计算。每个移动过程由一个信号相位S* ij(t)控制，每个移动过程(i,j)的压强Pij(t)利用公式(10)计算得到，压强最大的移动过程对应的相位将在下一秒被激活。
Figure BDA00037302388200000812
式中：
步骤3：交叉口自动驾驶汽车和行人控制方案确定。具体流程如下：
(1)交叉口自动驾驶汽车和行人控制的目标函数确定。最大压强控制目标是交叉口总压强最大，交叉口最大压强控制方法的目标函数为公式(11)，
Figure BDA00037302388200000813
(2)交叉口自动驾驶汽车和行人控制的约束条件确定。为了解决自动驾驶汽车在交叉口内部的冲突，交叉口被分为几个冲突区。图3表示一个交叉口的四个冲突区A,B,C,D和各股车流的冲突点。在一次移动(i,j)中，自动驾驶汽车的运行轨迹将通过一个或几个冲突区，所有冲突区集合为Cij。例如，北进口道的左转移动经过冲突区A,C和D。冲突区C的通行能力
Figure BDA00037302388200000814
它制约着冲突区的实际通行车辆数。因此，约束条件为公式(12)、(13)、(14)、(15)、(16)和(17)。
Figure BDA0003730238820000091
Figure BDA0003730238820000092
Figure BDA0003730238820000093
Figure BDA0003730238820000094
Figure BDA0003730238820000095
Figure BDA0003730238820000096
式中：
Figure BDA0003730238820000097
表示车辆的移动过程(i,j)是否经过人行横道n，经过
Figure BDA0003730238820000098
否则
Figure BDA0003730238820000099
所有人行横道的集合记为W。
上述条件代表了冲突区通行能力的约束，未考虑车辆在交叉口内部的冲突避让和运动轨迹规划，因此，为协调每个时刻交叉口内部车辆的冲突避让和运动选择行为，针对图2所示的研究场景，本发明加入了t时刻自动驾驶汽车的运动学轨迹约束条件，具体如公式(18)——公式(23)：
Figure BDA00037302388200000910
Figure BDA00037302388200000911
Figure BDA00037302388200000912
Figure BDA00037302388200000913
Figure BDA00037302388200000914
Figure BDA00037302388200000915
式中：t时刻，CAVi(t)表示车道i上的自动驾驶汽车集合；dij(t)表示车道i上的车辆j距离点
Figure BDA00037302388200000916
的距离，如图2所示；Δt表示1秒；vij(t)表示车道i上的车辆j在t时刻的速度；vmax表示车辆建议最大速度；aij(t)表示车道i上的车辆j的加速度；amin和amax分别表示建议最大加速度和最小加速度；uij(t)表示车道i上的车辆j加速度的变化率；umin和umax分别表示加速度的最小和最大变化率。
约束条件(18)、(19)和(20)能够保证自动驾驶汽车j的运动状态。约束条件(21)限制了自动驾驶汽车j的速度选择范围。约束条件(22)确保车辆j在加速度范围内选择能够达到最佳表现的加速度来更新其下一时刻的运动速度。除了控制加速度的取值范围之外，本发明设置了约束条件(23)，以此控制加速度的变化率，来避免车辆瞬时加速度波动过大，以此保证自动驾驶汽车行驶的平稳性。
此外，约束(24)保证车道i上相邻的前后两辆车j和j'保持安全距离，安全距离为车身长度、最小间隔和制动距离之和。约束(25)确保车道i上的车辆j与存在冲突的车道
Figure BDA00037302388200000917
上的车辆n∈CAVm(t)之间保持安全距离，即二车车尾到冲突点之间距离和始终大于安全距离，交叉口冲突点的分布如图3所示。约束(25)避免了存在冲突可能的两辆车同时通过冲突区域，即确保一辆车在到达冲突点前另一辆车已安全通过冲突点，此处安全距离由两辆车的长度与最小间隔之和来表示，冲突区域则由车身长度加最小安全距离来表示。
Figure BDA0003730238820000101
Figure BDA0003730238820000102
式中：Dv表示自动驾驶汽车车身长度；dC表示自动驾驶汽车之间最小安全距离；τv为车辆的反应时间；
Figure BDA0003730238820000103
表示与车道i车流存在冲突的车道集合；Fim表示车道i车流和车道m冲突点到车道i起始点
Figure BDA0003730238820000104
的距离，如图2所示。
除上述保证自动驾驶汽车正常运动的动力学约束条件之外，约束条件(26)确保车道i上的车辆j与存在冲突的人行横道w上的行人α之间保持安全距离，即车辆车尾和行人到冲突点之间距离和始终大于安全距离，避免存在冲突可能的车辆和行人同时通过冲突区域，即确保一方在到达冲突点前另一方已安全通过冲突点，此处安全距离由车辆的长度和行人保证自身舒适性的最小半径之和，冲突区域则由车身长度加最小安全半径来表示。所以本发明加入行人的约束，约束条件如公式(26)：
Figure BDA0003730238820000105
式中：
Figure BDA0003730238820000106
表示与车道i车流存在冲突的人行横道集合；Pw(t)为人行横道上行人的集合；α为人行横道w上的行人；Fiw表示车道i车流和人行横道w行人冲突点到车道i起始点
Figure BDA0003730238820000107
的距离；rα表示行人为了保证自身舒适和安全所需的最小空间半径。
为了将最大压强控制算法和轨迹规划方法结合起来，本发明将下述约束添加了到模型中控制车辆和行人道路的激活，建立决策变量之间的联系。约束条件(27)表明人行横道n和车辆移动(i,j)激活状态间的相互制约，Sij(t)和Sn(t)是二进制的，
Figure BDA0003730238820000108
表示是否车辆移动(i,j)和人行横道n存在冲突。如果人行横道n激活，而车辆移动(i,j)和人行横道存在冲突，该移动上的车辆当前时刻不能通行。约束条件(28)限制同一车道上的两辆车的移动状态的相互制约，防止后车强制超越前车而出现碾压现象。
Figure BDA0003730238820000109
Figure BDA00037302388200001010
Figure BDA00037302388200001011
(3)交叉口自动驾驶汽车和行人最优控制方案求解。本发明提出的行人和自动驾驶汽车混合交通流控制方法中，本发明独立控制每个自动驾驶汽车，综合车辆动力学、轨迹、压强、车车冲突、人车冲突、行人和道路等相关因素的约束条件，即公式(12)——公式(29)，求解最大压强控制方法和车辆轨迹规划方法确定交叉口自动驾驶汽车行人控制的目标函数，即公式(11)，实现对交叉口的控制最优化求解。每个时刻，最大压强控制算法能够获取交叉口压强最大时的交叉口相位方案，即控制方案(相位设置)S*，如公式(30)所示，
Figure BDA00037302388200001012
本发明的交叉口自动驾驶汽车和行人控制方法大大提升了自动驾驶汽车和行人混合交通流运行稳定性和效率，降低了自动驾驶汽车和行人的排队长度与延误，对于提升自动驾驶环境下交叉口混合交通流管理水平和交通流通行效率等方面有重大意义。
(1)综合考虑行人到达率、人行横道尺寸、等待时间和行人到达分布规律等对行人的影响，利用Weibull概率分布函数对行人的排队长度进行建模，该方法全面综合了外界环境和行人需求的影响，全面估计了人行横道等待行人的最大排队长度。
(2)提出了基于行人最大排队长度估计结果的交叉口自动驾驶汽车和行人控制方法。依据估计的行人排队长度，基于最大压强控制方法构建了交叉口自动驾驶汽车和行人排队长度控制方法；然后，为帮助交叉口内部自动驾驶汽车避免碰撞并获取最佳运动轨迹，将最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划算法相结合，在管理交叉口自动驾驶汽车和行人的排队长度的基础上，同时控制自动驾驶汽车轨迹优化。该自动驾驶汽车和行人控制方法的加入不仅能够实现对自动驾驶汽车的运动轨迹的规划控制，而且能够迅速稳定和降低它们的延误与排队长度，并改善交叉口运行效率。
虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (10)

1.一种交叉口自动驾驶汽车和行人控制方法，其特征在于，包括如下步骤：
S1、利用Weibull概率分布函数对行人的排队长度进行建模，估计人行横道等待行人的最大排队长度；
S2、基于行人最大排队长度计算交叉口各进口车道和和人行横道的最大压强；
S3、将最大压强控制方法与已有交叉口自动驾驶汽车轨迹规划算法相结合，对自动驾驶汽车轨迹进行约束优化。
2.如权利要求1所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S1包括：
S11、对于人行横道m，利用公式(1)确定行人等待时间；
Figure FDA0003730238810000011
式中：
Figure FDA0003730238810000012
表示行人等待时间，
Figure FDA0003730238810000013
表示t时刻人行横道m的激活状态，行人过街信号激活时，人行横道被激活，
Figure FDA0003730238810000014
否则，
Figure FDA0003730238810000015
S12、利用公式(2)确定行人到达等待区的分布模型；
Figure FDA0003730238810000016
式中：x是随机变量；α为形状参数，决定模型的形状；β为尺度参数，决定模型的均值和方差；
S13、根据行人到达率、人行横道尺寸、等待时间和等待区行人密度共同决定等待区行人最大排队长度。
3.如权利要求2所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S12中公式(2)的参数α和β根据公式(3)和(4)计算得到，
α＝6.89-0.43w+0.044l-1.72ρ (3)
β＝2.31-0.49w+0.089l-11.6ρ (4)
式中：l为人行横道长度，w为人行横道宽度，ρ为等待区行人密度；
所述步骤S13中等待区行人最大排队长度按公式(5)计算得到：
Figure FDA0003730238810000017
式中：
Figure FDA0003730238810000018
为从道路i进入人行横道j行人的平均到达率；排队长度最大区域的行人到达率为
Figure FDA0003730238810000019
其中Pmax为行人在人行横道等待区分布频率的最大值，利用公式(2)、(3)和(4)计算得到。
4.如权利要求1所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S2包括：
S21、计算各进口车道自动驾驶汽车排队长度；
S22、计算各人行横道行人排队长度；
S23、根据排队长度计算自动驾驶汽车或行人一次移动过程的权重系数；
S24、计算每条进口车道和人行横道的压强。
5.如权利要求4所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S2包括：
所述步骤S21利用公式(6)构建自动驾驶汽车排队长度演化过程的状态方程，以此计算每秒内每条进口车道上自动驾驶汽车的排队长度，
Figure FDA0003730238810000021
式中：t时刻，
Figure FDA0003730238810000022
表示自动驾驶汽车在道路i上的队列长度；
Figure FDA0003730238810000023
表示离开道路i的自动驾驶汽车数量；
Figure FDA0003730238810000024
为进口道路输入的自动驾驶汽车需求量；
所述步骤S22利用公式(7)构建行人排队长度演化过程的状态方程，
Figure FDA0003730238810000025
式中：t时刻，
Figure FDA0003730238810000026
表示估计最大排队长度；
Figure FDA0003730238810000027
表示估计进入流量；
Figure FDA0003730238810000028
表示估计离开流量；
利用公式(5)估计进入流量
Figure FDA0003730238810000029
估计行人离开流量
Figure FDA00037302388100000210
如果人行横道未激活，则为0；则公式(7)转变为公式(8)，利用公式(8)计算每秒内每条人行横道等待区上行人的排队长度，
Figure FDA00037302388100000211
式中：
Figure FDA00037302388100000212
表示允许行人移动的时间占比，当行人道路i和j为路侧人行道时，
Figure FDA00037302388100000213
所述步骤S23基于公式(7)和(8)的排队长度计算结果，利用公式(9)计算自动驾驶汽车或行人一次移动过程(i,j)的权重系数，
Figure FDA00037302388100000214
移动过程(i,j)的权重系数等于道路i上排队长度减去与道路j上排队长度；自动驾驶汽车移动过程(i,j)的排队长度通过公式(7)计算得到，行人排队长度由公式(8)计算得到；
所述步骤S24中每个移动过程由一个信号相位S*ij(t)控制，每个移动过程(i,j)的压强利用公式(10)计算得到，压强最大的移动过程对应的相位将在下一秒被激活；
Figure FDA00037302388100000215
6.如权利要求1所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S3包括：
S31、确定交叉口自动驾驶汽车和行人控制的目标函数，使得交叉口总压强最大；
S32、将交叉口分为若干个冲突区，确定叉口自动驾驶汽车和行人控制的约束条件；
S33、综合车辆动力学、轨迹、压强、车车冲突、人车冲突、行人和道路相关因素的约束条件，求取最大压强控制方法和车辆轨迹规划方法。
7.如权利要求6所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述S31中交叉口最大压强控制方法的目标函数为公式(11)，
Figure FDA0003730238810000031
所述S32中约束条件为公式(12)、(13)、(14)、(15)、(16)和(17)；
Figure FDA0003730238810000032
Figure FDA0003730238810000033
Figure FDA0003730238810000034
Figure FDA0003730238810000035
Figure FDA0003730238810000036
Figure FDA0003730238810000037
式中：
Figure FDA0003730238810000038
表示车辆的移动过程(i,j)是否经过人行横道n，经过
Figure FDA0003730238810000039
否则
Figure FDA00037302388100000310
所有人行横道的集合记为W；
所述S33中每个时刻，获取交叉口压强最大时的交叉口相位设置S*，如公式(30)所示，
Figure FDA00037302388100000311
8.如权利要求7所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S32还包括加入了t时刻自动驾驶汽车的运动学轨迹约束条件，具体包括：
保证自动驾驶汽车j的运动状态；
限制自动驾驶汽车j的速度选择范围；
确保车辆j在加速度范围内选择能够达到最佳表现的加速度来更新其下一时刻的运动速度；
控制加速度的变化率，来保证自动驾驶汽车行驶的平稳性。
9.如权利要求7所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S32还包括约束车辆在交叉口内部的冲突避让，具体包括：
保证车道i上相邻的前后两辆车j和j'保持安全距离，安全距离为车身长度、最小间隔和制动距离之和；
确保车道i上的车辆j与存在冲突的车道
Figure FDA0003730238810000041
上的车辆n∈CAVm(t)之间保持安全距离，即二车车尾到冲突点之间距离和始终大于安全距离；
避免存在冲突可能的两辆车同时通过冲突区域，即确保一辆车在到达冲突点前另一辆车已安全通过冲突点；
确保车道i上的车辆j与存在冲突的人行横道w上的行人α之间保持安全距离，即车辆车尾和行人到冲突点之间距离和始终大于安全距离。
10.如权利要求6所述的交叉口自动驾驶汽车和行人控制方法，其特征在于，所述步骤S32将下述约束添加了到模型中控制车辆和行人道路的激活，建立决策变量之间的联系。约束条件(27)表明人行横道n和车辆移动(i,j)激活状态间的相互制约，Sij(t)和Sn(t)是二进制的，
Figure FDA0003730238810000045
表示是否车辆移动(i,j)和人行横道n存在冲突。如果人行横道n激活，而车辆移动(i,j)和人行横道存在冲突，该移动上的车辆当前时刻不能通行。约束条件(28)限制同一车道上的两辆车的移动状态的相互制约，防止后车强制超越前车而出现碾压现象。
Figure FDA0003730238810000042
Figure FDA0003730238810000043
Figure FDA0003730238810000044
CN202210782735.9A 2022-07-05 2022-07-05 一种交叉口自动驾驶汽车和行人控制方法 Pending CN115158351A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210782735.9A CN115158351A (zh) 2022-07-05 2022-07-05 一种交叉口自动驾驶汽车和行人控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210782735.9A CN115158351A (zh) 2022-07-05 2022-07-05 一种交叉口自动驾驶汽车和行人控制方法

Publications (1)

Publication Number Publication Date
CN115158351A true CN115158351A (zh) 2022-10-11

Family

ID=83491321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210782735.9A Pending CN115158351A (zh) 2022-07-05 2022-07-05 一种交叉口自动驾驶汽车和行人控制方法

Country Status (1)

Country Link
CN (1) CN115158351A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092297A (zh) * 2023-04-07 2023-05-09 南京航空航天大学 一种低渗透率分布式差分信号控制的边缘计算方法及系统

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116092297A (zh) * 2023-04-07 2023-05-09 南京航空航天大学 一种低渗透率分布式差分信号控制的边缘计算方法及系统

Similar Documents

Publication Publication Date Title
CN109035862B (zh) 一种基于车车通信的多车协同换道控制方法
He et al. PAMSCOD: Platoon-based arterial multi-modal signal control with online data
CN112258875B (zh) 基于车路协同与自动驾驶的交叉口智能管控方法
CN111445692B (zh) 一种无信号灯路口智能网联汽车的速度协同优化方法
Bashiri et al. A platoon-based intersection management system for autonomous vehicles
Lioris et al. Doubling throughput in urban roads by platooning
CN108877268A (zh) 一种面向无人驾驶的无红绿灯十字路口智能调度方法
Ding et al. Multivehicle coordinated lane change strategy in the roundabout under internet of vehicles based on game theory and cognitive computing
Awal et al. An efficient cooperative lane-changing algorithm for sensor-and communication-enabled automated vehicles
CN111445697A (zh) 一种智能网联条件下的高速公路协同车辆换道控制方法
CN111932000A (zh) 一种应用于大型物流系统的多agv调度方法
Ashtiani et al. Multi-intersection traffic management for autonomous vehicles via distributed mixed integer linear programming
Hassan et al. A fully-distributed heuristic algorithm for control of autonomous vehicle movements at isolated intersections
Abdelghaffar et al. Isolated traffic signal control using a game theoretic framework
CN111899509B (zh) 一种基于车路信息耦合的智能网联汽车状态向量计算方法
CN115158351A (zh) 一种交叉口自动驾驶汽车和行人控制方法
Hu et al. Cooperative schedule-driven intersection control with connected and autonomous vehicles
CN115620536A (zh) 自动驾驶环境下基于危险度的交叉口通行效率提升方法
CN112258864B (zh) 基于顺序选择的自动驾驶车辆路口调度方法及系统
Yang et al. A transit signal priority algorithm under connected vehicle environment
Ren et al. Continuous platooning: a new evolutionary operating concept for automated highway systems
Le et al. Adaptive signal-vehicle cooperative controlling system
CN115938118A (zh) 一种基于路侧导引的无信号交叉口车辆速度动态规划方法
Shiomi et al. A lane-change maneuver of automated vehicles for improving traffic flow on highways with multiple lanes
Wu et al. Contextualized traffic controlling at isolated urban intersection

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