CN115376335A - 一种城市道路交织区多目标优化控制方法及装置 - Google Patents

一种城市道路交织区多目标优化控制方法及装置 Download PDF

Info

Publication number
CN115376335A
CN115376335A CN202211310460.5A CN202211310460A CN115376335A CN 115376335 A CN115376335 A CN 115376335A CN 202211310460 A CN202211310460 A CN 202211310460A CN 115376335 A CN115376335 A CN 115376335A
Authority
CN
China
Prior art keywords
vehicle
traffic
area
road intersection
urban road
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
Application number
CN202211310460.5A
Other languages
English (en)
Other versions
CN115376335B (zh
Inventor
赵安华
李进
杨相展
李健华
郭鑫
黎微
方振
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.)
Chuang Hui Da Design Co ltd
Original Assignee
Chuang Hui Da Design Co ltd
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 Chuang Hui Da Design Co ltd filed Critical Chuang Hui Da Design Co ltd
Priority to CN202211310460.5A priority Critical patent/CN115376335B/zh
Publication of CN115376335A publication Critical patent/CN115376335A/zh
Application granted granted Critical
Publication of CN115376335B publication Critical patent/CN115376335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/07—Controlling traffic signals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
    • G08G1/0125—Traffic data processing
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Chemical & Material Sciences (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明涉及道路控制的技术领域，公开了一种城市道路交织区多目标优化控制方法，所述方法包括：构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数以及约束条件；基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数；构建多尺度的道路交织区通行评价方法，基于计算得到的车辆行驶优化控制参数进行道路模拟，若通行评价值高于指定阈值则按照当前车辆控制参数进行控制。本发明在确保车辆行驶的舒适性的前提下，避免车辆在交织区发生交通事故，并基于通行评价值确定是否采取优化控制参数，得到使得交织口通行效率高、车速快的车辆控制参数。

Description

一种城市道路交织区多目标优化控制方法及装置
技术领域
本发明涉及道路控制的技术领域，尤其涉及一种城市道路交织区多目标优化控制方法及装置。
背景技术
城市道路交织区各方向交通流通过变换路径和行驶方向从而达到道路互相通达,但由于各种交通流的交织会产生大量的交通冲突点，导致车速稳定性差,尤其是自动驾驶车辆和人工驾驶车辆混合行驶的情况下，对车辆控制提出了更高的要求，为了提高网联环境无信号交叉口自动驾驶车辆的行车安全与通行效率，本专利提出一种城市道路交织区多目标优化控制方法，提高车辆在道路交织区行驶安全性和通行效率。
发明内容
有鉴于此，本发明提供一种城市道路交织区多目标优化控制方法，目的在于基于行车场强构建城市道路交织区安全稳定通行控制模型，所述行车场强包括动能场场强以及势能场场强，行车场强表示道路交织区的行车安全稳定性，行车场强越大表示该区域的车辆越多，行车安全稳定性越差；同时在保证车辆加速度变化较小、车速变化较小的前提下，基于行车安全稳定性构建目标函数，通过求解目标函数得到不同时刻交织区车辆行驶优化控制参数，控制交织区车辆在不同时刻的速度值以及加速度值，在确保车辆行驶的舒适性的前提下，避免车辆在交织区发生交通事故，同时对前后车辆间隔距离约束，保证前后车辆存在一定的安全距离；通过构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，得到使得交织口通行效率高、车速快的车辆控制参数。
实现上述目的，本发明提供的一种城市道路交织区多目标优化控制方法，包括以下步骤：
S1：采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数；
S2：基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束；
S3：基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数，其中改进的wolfe修正共轭梯度算法为所述二阶优化算法的主要方法，所述交织区车辆行驶优化控制参数为不同时刻交织区行驶车辆的速度以及加速度；
S4：构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
作为本发明的进一步改进方法：
可选地，所述S1步骤中采集城市道路交织区通行数据，包括：
所述城市道路中的多股交通流沿着相同大方向行驶，其中相交而过的交通流形成交织，所述与交织后车辆行驶方向相同的交通流为主要交通流，其余方向的交通流为次要交通流；
所述城市道路交织区通行数据为行驶车辆的位置参数、速度以及加速度，所述城市道路交织区通行数据的采集流程为：
S11：利用交织区中主要交通流上方的摄像头拍摄得到不同时刻的道路图像，其中任意t时刻的道路图像为
Figure 881777DEST_PATH_IMAGE001
，
Figure 18361DEST_PATH_IMAGE002
，
Figure 421660DEST_PATH_IMAGE003
表示初始时刻，
Figure 149445DEST_PATH_IMAGE004
表示截止时刻，相邻时刻的时间间隔为
Figure 107036DEST_PATH_IMAGE005
，并获取道路中没有车辆的图像作为背景图像
Figure 77004DEST_PATH_IMAGE006
；
S12：对道路图像以及背景图像进行灰度化处理，所述灰度化处理的公式为：
Figure 69231DEST_PATH_IMAGE007
其中：
Figure 702338DEST_PATH_IMAGE008
表示图像
Figure 412805DEST_PATH_IMAGE009
中第x行第y列像素
Figure 422349DEST_PATH_IMAGE010
的灰度值，所述灰度值即为像素的像素值，
Figure 269082DEST_PATH_IMAGE011
；所述主要交通流方向为图像的行像素方向，垂直于主要交通流的方向为图像的列像素方向，图像的左下方像素为第1行第1列像素；
Figure 604249DEST_PATH_IMAGE012
分别表示像素
Figure 536433DEST_PATH_IMAGE013
在R,G,B颜色通道的颜色值；
得到灰度化处理后的图像
Figure 848203DEST_PATH_IMAGE014
；
S13：计算任意时刻
Figure 815022DEST_PATH_IMAGE015
的道路图像像素与背景图像像素的像素值之差：
Figure 789931DEST_PATH_IMAGE016
，若差值等于预设的车牌像素值阈值，则坐标
Figure 474990DEST_PATH_IMAGE017
即为道路图像
Figure 91917DEST_PATH_IMAGE018
中车辆车牌的像素坐标；
S14：将所述车牌在图像的像素坐标
Figure 913242DEST_PATH_IMAGE017
转换为实际坐标
Figure 59053DEST_PATH_IMAGE019
：
Figure 965829DEST_PATH_IMAGE020
Figure 120867DEST_PATH_IMAGE021
Figure 295234DEST_PATH_IMAGE022
其中：
Figure 143104DEST_PATH_IMAGE023
表示交织区的宽度；
Figure 537176DEST_PATH_IMAGE024
表示图像的像素列数，
Figure 230326DEST_PATH_IMAGE025
表示图像的像素行数；
Figure 26243DEST_PATH_IMAGE026
表示摄像头的高度，
Figure 779436DEST_PATH_IMAGE027
表示摄像头的视场角；
所述实际坐标系的坐标原点为图像左下方像素对应的交织区位置，横轴为主要交通流，且实际坐标均为正值；
将所述车牌的地理坐标作为车辆的位置参数，任意车辆j在时刻
Figure 660804DEST_PATH_IMAGE028
的位置参数为
Figure 157645DEST_PATH_IMAGE029
；
S15：重复步骤S13-S14，得到同一车辆在不同时刻的坐标，所述车辆的位置参数集合为
Figure 808069DEST_PATH_IMAGE030
，其中N表示
Figure 236557DEST_PATH_IMAGE031
到
Figure 605221DEST_PATH_IMAGE032
时刻期间，道路交织区内行驶的车辆总数，
Figure 640173DEST_PATH_IMAGE033
表示车辆j在时刻
Figure 145104DEST_PATH_IMAGE028
的实际横坐标，
Figure 240099DEST_PATH_IMAGE034
表示车辆j在时刻
Figure 96060DEST_PATH_IMAGE028
的实际纵坐标；
S16：所述车辆j在时刻
Figure 669123DEST_PATH_IMAGE028
的速度
Figure 559719DEST_PATH_IMAGE035
，其中
Figure 324150DEST_PATH_IMAGE036
表示位置参数
Figure 401828DEST_PATH_IMAGE037
与
Figure 44162DEST_PATH_IMAGE038
的连线同主要交通流方向的夹角；
S17：所述车辆j在时刻
Figure 258105DEST_PATH_IMAGE028
的加速度
Figure 960482DEST_PATH_IMAGE039
。
可选地，所述S1步骤中构建城市道路交织区安全稳定通行控制模型，包括：
构建城市道路交织区安全稳定通行控制模型，所述模型为：
Figure 525456DEST_PATH_IMAGE040
其中：
Figure 705901DEST_PATH_IMAGE041
表示指数系数，将其设置为1/2；
Figure 305510DEST_PATH_IMAGE042
表示t时刻车辆j与车辆
Figure 913209DEST_PATH_IMAGE043
在道路交织区的行车场强，其中车辆j的行驶速度为
Figure 198434DEST_PATH_IMAGE044
，所述行车场强包括动能场场强以及势能场场强，行车场强表示道路交织区的行车安全稳定性，行车场强越大表示该区域的车辆越多，行车安全稳定性越差，其中车辆j与车辆
Figure 182571DEST_PATH_IMAGE045
在t时刻所处的交通流不同，车辆j与车辆
Figure 636686DEST_PATH_IMAGE046
在t时刻所处的交通流相同；
Figure 680865DEST_PATH_IMAGE047
表示t时刻车辆j与车辆
Figure 954852DEST_PATH_IMAGE046
的欧式距离；
Figure 477100DEST_PATH_IMAGE048
表示车辆j的质量；
Figure 785722DEST_PATH_IMAGE049
表示t时刻
Figure 735223DEST_PATH_IMAGE050
与
Figure 260620DEST_PATH_IMAGE051
矢量方向与车辆j行驶方向的夹角，所述夹角越小，表示车辆
Figure 320980DEST_PATH_IMAGE045
沿车辆j的运动方向靠近，在交通流交织区域发生碰撞的概率越大。
可选地，所述S1步骤中确定安全稳定通行行驶目标函数，包括：
基于所述城市道路交织区安全稳定通行控制模型构建安全稳定通行行驶目标函数，所构建目标函数F为：
Figure 749687DEST_PATH_IMAGE052
Figure 870090DEST_PATH_IMAGE053
Figure 118669DEST_PATH_IMAGE054
Figure 982720DEST_PATH_IMAGE055
其中：
Figure 265933DEST_PATH_IMAGE056
表示
Figure 557238DEST_PATH_IMAGE057
时刻时，主要交通流中行驶车辆的加速度控制参数；
Figure 785788DEST_PATH_IMAGE058
表示
Figure 453530DEST_PATH_IMAGE057
时刻时，主要交通流中行驶车辆的速度控制参数，所述加速度控制参数以及速度控制参数为待求解的车辆行驶优化控制参数；
Figure 591250DEST_PATH_IMAGE059
表示
Figure 53455DEST_PATH_IMAGE057
时刻时，主要交通流中车辆c以
Figure 276626DEST_PATH_IMAGE058
速度行驶的行车场强，C表示
Figure 13638DEST_PATH_IMAGE060
到
Figure 5865DEST_PATH_IMAGE061
时刻期间，仅在主要交通流行驶的车辆总数，
Figure 638972DEST_PATH_IMAGE062
表示车辆c的在同一时刻的同一交通流车辆以及不同交通流车辆集合，
Figure 349439DEST_PATH_IMAGE063
，其中
Figure 857518DEST_PATH_IMAGE064
表示与车辆c处于不同交通流的车辆，
Figure 969831DEST_PATH_IMAGE065
表示与车辆c处于相同交通流的车辆。
可选地，所述S2步骤中基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，包括：
基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束；
所述车速约束为：
Figure 39418DEST_PATH_IMAGE066
Figure 971602DEST_PATH_IMAGE067
其中：
Figure 784837DEST_PATH_IMAGE068
表示主要交通流中车辆行驶的最小速度，
Figure 486077DEST_PATH_IMAGE069
表示主要交通流中车辆行驶的最大速度；
Figure 726565DEST_PATH_IMAGE070
表示次要交通流中车辆行驶的最大速度；
所述加速度约束为：
Figure 146045DEST_PATH_IMAGE071
其中：
Figure 762971DEST_PATH_IMAGE072
表示主要交通流中车辆行驶的最小加速度，
Figure 82832DEST_PATH_IMAGE073
表示主要交通流中车辆行驶的最大加速度；
所述前后车间隔距离约束为：
Figure 494222DEST_PATH_IMAGE074
Figure 400998DEST_PATH_IMAGE075
Figure 821615DEST_PATH_IMAGE076
其中：
Figure 497447DEST_PATH_IMAGE077
表示安全时间间隔，将其设置为2秒；
Figure 79738DEST_PATH_IMAGE078
表示
Figure 473810DEST_PATH_IMAGE079
时刻与主要交通流中车辆处于同一交通流的车辆。
可选地，所述S3步骤中基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，包括：
基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数，其中改进的wolfe修正共轭梯度算法为所述二阶优化算法的主要方法；
所述目标函数的优化求解流程为：
S31：结合交织区安全稳定通行行驶目标函数和约束条件构建拉格朗日函数L：
Figure 166960DEST_PATH_IMAGE080
其中：
Figure 461413DEST_PATH_IMAGE081
为拉格朗日乘子；
S32：初始化二阶优化算法的迭代次数为u，u的初始值为1，并令
Figure 214605DEST_PATH_IMAGE082
，其中
Figure 95973DEST_PATH_IMAGE083
为拉格朗日函数对待求解
Figure 592814DEST_PATH_IMAGE084
的二阶偏导，
Figure 243238DEST_PATH_IMAGE085
，初始化
Figure 167332DEST_PATH_IMAGE086
为随机正数；
S33：若
Figure 270417DEST_PATH_IMAGE087
，则输出
Figure 305369DEST_PATH_IMAGE088
作为目标函数的解；
S34：更新
Figure 75879DEST_PATH_IMAGE089
：
Figure 940848DEST_PATH_IMAGE090
Figure 531229DEST_PATH_IMAGE091
S35：基于改进的wolfe算法修正迭代步长
Figure 369872DEST_PATH_IMAGE092
：
Figure 994888DEST_PATH_IMAGE093
其中：
Figure 260785DEST_PATH_IMAGE094
表示将
Figure 604041DEST_PATH_IMAGE088
代入拉格朗日函数；
基于
Figure 980796DEST_PATH_IMAGE089
以及迭代步长对
Figure 460319DEST_PATH_IMAGE095
进行更新，则
Figure 897116DEST_PATH_IMAGE096
，令
Figure 960625DEST_PATH_IMAGE097
，返回步骤S33；
重复上述步骤，得到交织区安全稳定通行行驶目标函数的求解结果，包括不同时刻主要交通流中行驶车辆的加速度控制参数以及速度控制参数。
可选地，所述S4步骤中构建多尺度的道路交织区通行评价方法，包括：
所述道路交织区通行评价方法流程为：
计算单位时间间隔
Figure 141071DEST_PATH_IMAGE098
内交织区域通行车辆数量平均值
Figure 740679DEST_PATH_IMAGE099
，其中
Figure 348378DEST_PATH_IMAGE100
表示监测时间间隔的总数，
Figure 400648DEST_PATH_IMAGE101
表示
Figure 384784DEST_PATH_IMAGE102
个时间间隔内通行车辆的总数；
将交织区域通行车辆数量平均值
Figure 573320DEST_PATH_IMAGE103
除以交织区域车道宽W，并乘以通行车辆的平均速度得到通行评价值
Figure 617499DEST_PATH_IMAGE104
，其中
Figure 157065DEST_PATH_IMAGE105
表示交织区通行车辆的平均车速。
可选地，所述S4步骤中将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值，包括：
将所采集的城市道路交织区通行数据生成城市道路交织区，所生成的城市道路交织区包括交织区的道路分布，以及不同时刻道路的行驶车辆，将计算得到的不同时刻的车辆行驶优化控制参数对道路中行驶车辆进行控制模拟，并利用道路交织区通行评价方法对模拟结果进行评价，得到交织区通行评价值；
若交织区通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
本发明还提供了一种城市道路交织区多目标优化控制装置，所述装置包括：
数据采集处理模块，用于采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数，基于采集的城市交织区通行数据确定目标函数的约束条件；
控制参数优化求解装置，用于利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数；
评价模块，用于构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值。
本发明还提供一种电子设备，所述电子设备包括：存储器，存储至少一个指令；及处理器，执行所述存储器中存储的指令以实现上述所述的城市道路交织区多目标优化控制方法。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的城市道路交织区多目标优化控制方法。
相对于现有技术，本发明提出一种城市道路交织区多目标优化控制方法，该技术具有以下优势：
首先，本方案提出一种交织区车辆优化控制方法，构建城市道路交织区安全稳定通行控制模型，所述模型为：
Figure 177849DEST_PATH_IMAGE040
其中：
Figure 486470DEST_PATH_IMAGE106
表示指数系数，将其设置为1/2；
Figure 435972DEST_PATH_IMAGE107
表示t时刻车辆j与车辆
Figure 462833DEST_PATH_IMAGE108
在道路交织区的行车场强，其中车辆j的行驶速度为
Figure 788773DEST_PATH_IMAGE109
，所述行车场强包括动能场场强以及势能场场强，行车场强表示道路交织区的行车安全稳定性，行车场强越大表示该区域的车辆越多，行车安全稳定性越差，其中车辆j与车辆
Figure 951901DEST_PATH_IMAGE110
在t时刻所处的交通流不同，车辆j与车辆
Figure 337883DEST_PATH_IMAGE111
在t时刻所处的交通流相同；
Figure 586461DEST_PATH_IMAGE112
表示t时刻车辆j与车辆
Figure 949047DEST_PATH_IMAGE111
的欧式距离；
Figure 232261DEST_PATH_IMAGE113
表示车辆j的质量；
Figure 523565DEST_PATH_IMAGE114
表示t时刻
Figure 259440DEST_PATH_IMAGE115
与
Figure 927182DEST_PATH_IMAGE116
矢量方向与车辆j行驶方向的夹角，所述夹角越小，表示车辆
Figure 330481DEST_PATH_IMAGE110
沿车辆j的运动方向靠近，在交通流交织区域发生碰撞的概率越大。基于所述城市道路交织区安全稳定通行控制模型构建安全稳定通行行驶目标函数，所构建目标函数F为：
Figure 792687DEST_PATH_IMAGE052
Figure 15858DEST_PATH_IMAGE053
Figure 487290DEST_PATH_IMAGE054
Figure 730051DEST_PATH_IMAGE055
其中：
Figure 894316DEST_PATH_IMAGE117
表示
Figure 604783DEST_PATH_IMAGE118
时刻时，主要交通流中行驶车辆的加速度控制参数；
Figure 348748DEST_PATH_IMAGE119
表示
Figure 461061DEST_PATH_IMAGE118
时刻时，主要交通流中行驶车辆的速度控制参数，所述加速度控制参数以及速度控制参数为待求解的车辆行驶优化控制参数；
Figure 265069DEST_PATH_IMAGE120
表示
Figure 462832DEST_PATH_IMAGE118
时刻时，主要交通流中车辆c以
Figure 10488DEST_PATH_IMAGE119
速度行驶的行车场强，C表示
Figure 475842DEST_PATH_IMAGE121
到
Figure 981910DEST_PATH_IMAGE122
时刻期间，仅在主要交通流行驶的车辆总数，
Figure 401390DEST_PATH_IMAGE123
表示车辆c的在同一时刻的同一交通流车辆以及不同交通流车辆集合，
Figure 752737DEST_PATH_IMAGE124
，其中
Figure 574062DEST_PATH_IMAGE125
表示与车辆c处于不同交通流的车辆，
Figure 985452DEST_PATH_IMAGE126
表示与车辆c处于相同交通流的车辆。本方案基于行车场强构建城市道路交织区安全稳定通行控制模型，所述行车场强包括动能场场强以及势能场场强，行车场强表示道路交织区的行车安全稳定性，行车场强越大表示该区域的车辆越多，行车安全稳定性越差；同时在保证车辆加速度变化较小、车速变化较小的前提下，基于行车安全稳定性构建目标函数，通过求解目标函数得到不同时刻交织区车辆行驶优化控制参数，控制交织区车辆在不同时刻的速度值以及加速度值，在确保车辆行驶的舒适性的前提下，避免车辆在交织区发生交通事故，同时对前后车辆间隔距离约束，保证前后车辆存在一定的安全距离，降低行车风险。
同时，本方案提出一种多尺度的道路交织区通行评价方法，通过将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，得到使得交织口通行效率高、车速快的车辆控制参数。
附图说明
图1为本发明一实施例提供的一种城市道路交织区多目标优化控制方法的流程示意图；
图2为本发明一实施例提供的城市道路交织区多目标优化控制装置的功能模块图；
图3为本发明一实施例提供的实现城市道路交织区多目标优化控制方法的电子设备的结构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
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。
本申请实施例提供一种城市道路交织区多目标优化控制方法。所述城市道路交织区多目标优化控制方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述城市道路交织区多目标优化控制方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数。
所述S1步骤中采集城市道路交织区通行数据，包括：
所述城市道路中的多股交通流沿着相同大方向行驶，其中相交而过的交通流形成交织，所述与交织后车辆行驶方向相同的交通流为主要交通流，其余方向的交通流为次要交通流；
所述城市道路交织区通行数据为行驶车辆的位置参数、速度以及加速度，所述城市道路交织区通行数据的采集流程为：
S11：利用交织区中主要交通流上方的摄像头拍摄得到不同时刻的道路图像，其中任意t时刻的道路图像为
Figure 157807DEST_PATH_IMAGE001
，
Figure 47266DEST_PATH_IMAGE002
，
Figure 988677DEST_PATH_IMAGE003
表示初始时刻，
Figure 69503DEST_PATH_IMAGE004
表示截止时刻，相邻时刻的时间间隔为
Figure 463575DEST_PATH_IMAGE005
，并获取道路中没有车辆的图像作为背景图像
Figure 422304DEST_PATH_IMAGE006
；
S12：对道路图像以及背景图像进行灰度化处理，所述灰度化处理的公式为：
Figure 952643DEST_PATH_IMAGE007
其中：
Figure 705835DEST_PATH_IMAGE008
表示图像
Figure 587203DEST_PATH_IMAGE127
中第x行第y列像素
Figure 349623DEST_PATH_IMAGE010
的灰度值，所述灰度值即为像素的像素值，
Figure 734468DEST_PATH_IMAGE011
；所述主要交通流方向为图像的行像素方向，垂直于主要交通流的方向为图像的列像素方向，图像的左下方像素为第1行第1列像素；
Figure 658562DEST_PATH_IMAGE012
分别表示像素
Figure 525761DEST_PATH_IMAGE013
在R,G,B颜色通道的颜色值；
得到灰度化处理后的图像
Figure 560713DEST_PATH_IMAGE014
；
S13：计算任意时刻时刻
Figure 331223DEST_PATH_IMAGE015
的道路图像像素与背景图像像素的像素值之差：
Figure 160639DEST_PATH_IMAGE016
，若差值等于预设的车牌像素值阈值，则坐标
Figure 16599DEST_PATH_IMAGE017
即为道路图像
Figure 120822DEST_PATH_IMAGE018
中车辆车牌的像素坐标；
S14：将所述车牌在图像的像素坐标
Figure 480259DEST_PATH_IMAGE017
转换为实际坐标
Figure 746155DEST_PATH_IMAGE019
：
Figure 823833DEST_PATH_IMAGE020
Figure 970561DEST_PATH_IMAGE021
Figure 450084DEST_PATH_IMAGE022
其中：
Figure 886881DEST_PATH_IMAGE023
表示交织区的宽度；
Figure 451855DEST_PATH_IMAGE024
表示图像的像素列数，
Figure 632301DEST_PATH_IMAGE025
表示图像的像素行数；
Figure 231909DEST_PATH_IMAGE026
表示摄像头的高度，
Figure 839608DEST_PATH_IMAGE027
表示摄像头的视场角；
所述实际坐标系的坐标原点为图像左下方像素对应的交织区位置，横轴为主要交通流，且实际坐标均为正值；
将所述车牌的地理坐标作为车辆的位置参数，所述任意车辆j在时刻
Figure 891878DEST_PATH_IMAGE028
的位置参数为
Figure 108970DEST_PATH_IMAGE029
；
S15：重复步骤S13-S14，得到同一车辆在不同时刻的坐标，所述车辆的位置参数集合为
Figure 563085DEST_PATH_IMAGE030
，其中N表示
Figure 607265DEST_PATH_IMAGE031
到
Figure 881251DEST_PATH_IMAGE032
时刻期间，道路交织区内行驶的车辆总数，
Figure 669079DEST_PATH_IMAGE033
表示车辆j在时刻
Figure 977700DEST_PATH_IMAGE028
的实际横坐标，
Figure 927202DEST_PATH_IMAGE034
表示车辆j在时刻
Figure 688484DEST_PATH_IMAGE028
的实际纵坐标；
S16：所述车辆j在时刻
Figure 14423DEST_PATH_IMAGE028
的速度
Figure 676087DEST_PATH_IMAGE035
，其中
Figure 796489DEST_PATH_IMAGE036
表示位置参数
Figure 576227DEST_PATH_IMAGE037
与
Figure 440277DEST_PATH_IMAGE038
的连线同主要交通流方向的夹角；
S17：所述车辆j在时刻
Figure 457912DEST_PATH_IMAGE028
的加速度
Figure 14795DEST_PATH_IMAGE039
。
所述S1步骤中构建城市道路交织区安全稳定通行控制模型，包括：
构建城市道路交织区安全稳定通行控制模型，所述模型为：
Figure 750670DEST_PATH_IMAGE040
其中：
Figure 418412DEST_PATH_IMAGE041
表示指数系数，将其设置为1/2；
Figure 789088DEST_PATH_IMAGE042
表示t时刻车辆j与车辆
Figure 516873DEST_PATH_IMAGE043
在道路交织区的行车场强，其中车辆j的行驶速度为
Figure 5623DEST_PATH_IMAGE044
，所述行车场强包括动能场场强以及势能场场强，行车场强表示道路交织区的行车安全稳定性，行车场强越大表示该区域的车辆越多，行车安全稳定性越差，其中车辆j与车辆
Figure 211476DEST_PATH_IMAGE045
在t时刻所处的交通流不同，车辆j与车辆
Figure 203703DEST_PATH_IMAGE046
在t时刻所处的交通流相同；
Figure 102389DEST_PATH_IMAGE047
表示t时刻车辆j与车辆
Figure 547277DEST_PATH_IMAGE046
的欧式距离；
Figure 556821DEST_PATH_IMAGE048
表示车辆j的质量；
Figure 669133DEST_PATH_IMAGE049
表示t时刻
Figure 965817DEST_PATH_IMAGE050
与
Figure 163580DEST_PATH_IMAGE051
矢量方向与车辆j行驶方向的夹角，所述夹角越小，表示车辆
Figure 976815DEST_PATH_IMAGE045
沿车辆j的运动方向靠近，在交通流交织区域发生碰撞的概率越大。
所述S1步骤中确定安全稳定通行行驶目标函数，包括：
基于所述城市道路交织区安全稳定通行控制模型构建安全稳定通行行驶目标函数，所构建目标函数F为：
Figure 943634DEST_PATH_IMAGE052
Figure 918544DEST_PATH_IMAGE053
Figure 603603DEST_PATH_IMAGE054
Figure 954950DEST_PATH_IMAGE055
其中：
Figure 776275DEST_PATH_IMAGE056
表示
Figure 686200DEST_PATH_IMAGE057
时刻时，主要交通流中行驶车辆的加速度控制参数；
Figure 858556DEST_PATH_IMAGE058
表示
Figure 748014DEST_PATH_IMAGE057
时刻时，主要交通流中行驶车辆的速度控制参数，所述加速度控制参数以及速度控制参数为待求解的车辆行驶优化控制参数；
Figure 689425DEST_PATH_IMAGE059
表示
Figure 6137DEST_PATH_IMAGE057
时刻时，主要交通流中车辆c以
Figure 400209DEST_PATH_IMAGE058
速度行驶的行车场强，C表示
Figure 93359DEST_PATH_IMAGE060
到
Figure 154856DEST_PATH_IMAGE061
时刻期间，仅在主要交通流行驶的车辆总数，
Figure 908048DEST_PATH_IMAGE062
表示车辆c的在同一时刻的同一交通流车辆以及不同交通流车辆集合，
Figure 287952DEST_PATH_IMAGE063
，其中
Figure 519213DEST_PATH_IMAGE064
表示与车辆c处于不同交通流的车辆，
Figure 169637DEST_PATH_IMAGE065
表示与车辆c处于相同交通流的车辆。
S2：基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束。
所述S2步骤中基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，包括：
基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束；
所述车速约束为：
Figure 359310DEST_PATH_IMAGE128
Figure 727974DEST_PATH_IMAGE129
其中：
Figure 762927DEST_PATH_IMAGE068
表示主要交通流中车辆行驶的最小速度，
Figure 267857DEST_PATH_IMAGE069
表示主要交通流中车辆行驶的最大速度；
Figure 362852DEST_PATH_IMAGE070
表示次要交通流中车辆行驶的最大速度；
所述加速度约束为：
Figure 218813DEST_PATH_IMAGE071
其中：
Figure 290412DEST_PATH_IMAGE072
表示主要交通流中车辆行驶的最小加速度，
Figure 181007DEST_PATH_IMAGE073
表示主要交通流中车辆行驶的最大加速度；
所述前后车间隔距离约束为：
Figure 446904DEST_PATH_IMAGE074
Figure 524581DEST_PATH_IMAGE075
Figure 166915DEST_PATH_IMAGE076
其中：
Figure 646438DEST_PATH_IMAGE077
表示安全时间间隔，将其设置为2秒；
Figure 83235DEST_PATH_IMAGE078
表示
Figure 913788DEST_PATH_IMAGE079
时刻与主要交通流中车辆处于同一交通流的车辆。
S3：基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数，其中改进的wolfe修正共轭梯度算法为所述二阶优化算法的主要方法，所述交织区车辆行驶优化控制参数为不同时刻交织区行驶车辆的速度以及加速度。
所述S3步骤中基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，包括：
基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数，其中改进的wolfe修正共轭梯度算法为所述二阶优化算法的主要方法；
所述目标函数的优化求解流程为：
S31：结合交织区安全稳定通行行驶目标函数和约束条件构建拉格朗日函数L：
Figure 828655DEST_PATH_IMAGE080
其中：
Figure 932658DEST_PATH_IMAGE081
为拉格朗日乘子；
S32：初始化二阶优化算法的迭代次数为u，u的初始值为1，并令
Figure 540357DEST_PATH_IMAGE082
，其中
Figure 592626DEST_PATH_IMAGE083
为拉格朗日函数对待求解
Figure 311183DEST_PATH_IMAGE084
的二阶偏导，
Figure 30878DEST_PATH_IMAGE130
，初始化
Figure 809478DEST_PATH_IMAGE086
为随机正数；
S33：若
Figure 349044DEST_PATH_IMAGE087
，则输出
Figure 871292DEST_PATH_IMAGE088
作为目标函数的解；
S34：更新
Figure 678449DEST_PATH_IMAGE089
：
Figure 893529DEST_PATH_IMAGE090
Figure 654812DEST_PATH_IMAGE091
S35：基于改进的wolfe算法修正迭代步长
Figure 980751DEST_PATH_IMAGE092
：
Figure 143879DEST_PATH_IMAGE093
其中：
Figure 264282DEST_PATH_IMAGE094
表示将
Figure 778440DEST_PATH_IMAGE088
代入拉格朗日函数；
基于
Figure 642491DEST_PATH_IMAGE089
以及迭代步长对
Figure 925704DEST_PATH_IMAGE095
进行更新，则
Figure 981123DEST_PATH_IMAGE096
，令
Figure 716998DEST_PATH_IMAGE097
，返回步骤S33；
重复上述步骤，得到交织区安全稳定通行行驶目标函数的求解结果，包括不同时刻主要交通流中行驶车辆的加速度控制参数以及速度控制参数。
S4：构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
所述S4步骤中构建多尺度的道路交织区通行评价方法，包括：
所述道路交织区通行评价方法流程为：
计算单位时间间隔
Figure 119160DEST_PATH_IMAGE098
内交织区域通行车辆数量平均值
Figure 256880DEST_PATH_IMAGE099
，其中
Figure 984665DEST_PATH_IMAGE100
表示监测时间间隔的总数，
Figure 207836DEST_PATH_IMAGE101
表示
Figure 413689DEST_PATH_IMAGE102
个时间间隔内通行车辆的总数；
将交织区域通行车辆数量平均值
Figure 671495DEST_PATH_IMAGE103
除以交织区域车道宽W，并乘以通行车辆的平均速度得到通行评价值
Figure 304602DEST_PATH_IMAGE104
，其中
Figure 513604DEST_PATH_IMAGE105
表示交织区通行车辆的平均车速。
可选地，所述S4步骤中将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值，包括：
将所采集的城市道路交织区通行数据生成城市道路交织区，所生成的城市道路交织区包括交织区的道路分布，以及不同时刻道路的行驶车辆，将计算得到的不同时刻的车辆行驶优化控制参数对道路中行驶车辆进行控制模拟，并利用道路交织区通行评价方法对模拟结果进行评价，得到交织区通行评价值；
若交织区通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
实施例2：
如图2所示，是本发明一实施例提供的城市道路交织区多目标优化控制装置的功能模块图，其可以实现实施例1中的城市道路交织区多目标优化控制方法。
本发明所述城市道路交织区多目标优化控制装置100可以安装于电子设备中。根据实现的功能，所述城市道路交织区多目标优化控制装置可以包括数据采集处理模块101、控制参数优化求解装置102及评价模块103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
数据采集处理模块101，用于采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数，基于采集的城市交织区通行数据确定目标函数的约束条件；
控制参数优化求解装置102，用于利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数；
评价模块103，用于构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值。
详细地，本发明实施例中所述城市道路交织区多目标优化控制装置100中的所述各模块在使用时采用与上述的图1中所述的城市道路交织区多目标优化控制方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现城市道路交织区多目标优化控制方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现城市道路交织区多目标优化控制的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
进一步地，所述电子设备1还可以包括网络接口，可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数；
基于采集的城市交织区通行数据确定目标函数的约束条件；
基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数；
构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则重新求解车辆行驶优化控制参数。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (8)

1.一种城市道路交织区多目标优化控制方法，其特征在于，所述方法包括：
S1：采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数；
S2：基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束；
S3：基于构建的交织区安全稳定通行行驶目标函数和约束条件，利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数，其中改进的wolfe修正共轭梯度算法为所述二阶优化算法的主要方法，所述交织区车辆行驶优化控制参数为不同时刻交织区行驶车辆的速度以及加速度，所述目标函数的优化求解流程，包括：
S31：结合交织区安全稳定通行行驶目标函数和约束条件构建拉格朗日函数L：
Figure 875378DEST_PATH_IMAGE001
其中：
Figure 261360DEST_PATH_IMAGE002
为拉格朗日乘子，F为交织区安全稳定通行行驶目标函数；
Figure 634572DEST_PATH_IMAGE003
表示
Figure 498623DEST_PATH_IMAGE004
时刻时，主要交通流中行驶车辆的速度控制参数；
Figure 421318DEST_PATH_IMAGE005
表示
Figure 712622DEST_PATH_IMAGE006
时刻时，次要交通流中车辆行驶的最大速度；
P为前后车间隔距离约束；
S32：初始化二阶优化算法的迭代次数为u，u的初始值为1，并令
Figure 573130DEST_PATH_IMAGE007
，其中
Figure 240872DEST_PATH_IMAGE008
为拉格朗日函数对待求解
Figure 253958DEST_PATH_IMAGE009
的二阶偏导，
Figure 716164DEST_PATH_IMAGE010
为不同时刻主要交通流中行驶车辆的加速度控制参数
Figure 204914DEST_PATH_IMAGE011
或速度控制参数
Figure 535401DEST_PATH_IMAGE012
，初始化
Figure 527628DEST_PATH_IMAGE013
为随机正数；
S33：若
Figure 800215DEST_PATH_IMAGE014
，则输出
Figure 510682DEST_PATH_IMAGE015
作为目标函数的解，其中
Figure 379281DEST_PATH_IMAGE016
为小于1的正数；
S34：更新
Figure 757173DEST_PATH_IMAGE017
：
Figure 436547DEST_PATH_IMAGE018
Figure 634310DEST_PATH_IMAGE019
S35：基于改进的wolfe算法修正迭代步长
Figure 306600DEST_PATH_IMAGE020
：
Figure 273419DEST_PATH_IMAGE021
其中：
Figure 887809DEST_PATH_IMAGE022
表示将
Figure 572868DEST_PATH_IMAGE015
代入拉格朗日函数；
基于
Figure 924215DEST_PATH_IMAGE017
以及迭代步长对
Figure 870174DEST_PATH_IMAGE023
进行更新，则
Figure 281564DEST_PATH_IMAGE024
，令
Figure 63706DEST_PATH_IMAGE025
，返回步骤S33；
重复上述步骤，得到交织区安全稳定通行行驶目标函数的求解结果，包括不同时刻主要交通流中行驶车辆的加速度控制参数以及速度控制参数；
S4：构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值；若通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
2.如权利要求1所述的城市道路交织区多目标优化控制方法，其特征在于，所述S1步骤中采集城市道路交织区通行数据，包括：
所述城市道路交织区通行数据包括行驶车辆的位置参数、速度以及加速度，所述城市道路交织区通行数据的采集流程为：
S11：利用交织区中主要交通流上方的摄像头拍摄得到不同时刻的道路图像，其中任意
Figure 218744DEST_PATH_IMAGE026
时刻的道路图像为
Figure 284789DEST_PATH_IMAGE027
，
Figure 867080DEST_PATH_IMAGE028
，
Figure 387053DEST_PATH_IMAGE029
表示初始时刻，
Figure 345781DEST_PATH_IMAGE030
表示截止时刻，相邻时刻的时间间隔为
Figure 754DEST_PATH_IMAGE031
，并获取道路中没有车辆的图像作为背景图像
Figure 753946DEST_PATH_IMAGE032
；
S12：对道路图像以及背景图像进行灰度化处理，所述灰度化处理的公式为：
Figure 900894DEST_PATH_IMAGE033
其中：
Figure 273100DEST_PATH_IMAGE034
表示图像
Figure 923524DEST_PATH_IMAGE035
中第x行第y列像素
Figure 706673DEST_PATH_IMAGE036
的灰度值，所述灰度值即为像素的像素值，
Figure 340916DEST_PATH_IMAGE037
；所述主要交通流方向为图像的行像素方向，垂直于主要交通流的方向为图像的列像素方向，图像的左下方像素为第1行第1列像素；
Figure 749770DEST_PATH_IMAGE038
分别表示像素
Figure 520280DEST_PATH_IMAGE039
在R,G,B颜色通道的颜色值；
得到灰度化处理后的图像
Figure 615275DEST_PATH_IMAGE040
；
S13：计算任意时刻
Figure 330290DEST_PATH_IMAGE041
的道路图像像素与背景图像像素的像素值之差：
Figure 434512DEST_PATH_IMAGE042
，若差值等于预设的车牌像素值阈值，则坐标
Figure 669315DEST_PATH_IMAGE043
即为道路图像
Figure 935212DEST_PATH_IMAGE044
中车辆车牌的像素坐标；
S14：将所述车牌在图像的像素坐标
Figure 137523DEST_PATH_IMAGE043
转换为实际坐标
Figure 45436DEST_PATH_IMAGE045
：
Figure 898860DEST_PATH_IMAGE046
Figure 335658DEST_PATH_IMAGE047
Figure 25265DEST_PATH_IMAGE048
其中：
Figure 205711DEST_PATH_IMAGE049
表示交织区的宽度；
Figure 415106DEST_PATH_IMAGE050
表示图像的像素列数，
Figure 22805DEST_PATH_IMAGE051
表示图像的像素行数；
Figure 340654DEST_PATH_IMAGE052
表示摄像头的高度，
Figure 183845DEST_PATH_IMAGE053
表示摄像头的视场角；
所述实际坐标系的坐标原点为图像左下方像素对应的交织区位置，横轴为主要交通流，且实际坐标均为正值；
将所述车牌的地理坐标作为车辆的位置参数，任意车辆j在时刻
Figure 637960DEST_PATH_IMAGE054
的位置参数为
Figure 790462DEST_PATH_IMAGE055
；
S15：重复步骤S13-S14，得到同一车辆在不同时刻的坐标，所述车辆的位置参数集合为
Figure 330027DEST_PATH_IMAGE056
，其中N表示
Figure 242489DEST_PATH_IMAGE057
到
Figure 285531DEST_PATH_IMAGE058
时刻期间，道路交织区内行驶的车辆总数，
Figure 375978DEST_PATH_IMAGE059
表示车辆j在时刻
Figure 137260DEST_PATH_IMAGE054
的实际横坐标，
Figure 587833DEST_PATH_IMAGE060
表示车辆j在时刻
Figure 750961DEST_PATH_IMAGE054
的实际纵坐标；
S16：所述车辆j在时刻
Figure 136943DEST_PATH_IMAGE054
的速度
Figure 30862DEST_PATH_IMAGE061
，其中
Figure 894913DEST_PATH_IMAGE062
表示位置参数
Figure 302761DEST_PATH_IMAGE063
与
Figure 859644DEST_PATH_IMAGE064
的连线同主要交通流方向的夹角；
S17：所述车辆j在时刻
Figure 470885DEST_PATH_IMAGE054
的加速度
Figure 138627DEST_PATH_IMAGE065
。
3.如权利要求1所述的城市道路交织区多目标优化控制方法，其特征在于，所述S1步骤中构建城市道路交织区安全稳定通行控制模型，包括：
构建城市道路交织区安全稳定通行控制模型，所述模型为：
Figure 135401DEST_PATH_IMAGE066
其中：
Figure 863186DEST_PATH_IMAGE067
表示指数系数，将其设置为1/2；
Figure 351936DEST_PATH_IMAGE068
表示t时刻车辆j与车辆
Figure 931691DEST_PATH_IMAGE069
在道路交织区的行车场强，其中车辆j的行驶速度为
Figure 923918DEST_PATH_IMAGE070
，其中车辆j与车辆
Figure 947237DEST_PATH_IMAGE071
在t时刻所处的交通流不同，车辆j与车辆
Figure 392125DEST_PATH_IMAGE072
在t时刻所处的交通流相同；
Figure 277036DEST_PATH_IMAGE073
表示t时刻车辆j与车辆
Figure 654927DEST_PATH_IMAGE072
的欧式距离；
Figure 583569DEST_PATH_IMAGE074
表示车辆j的质量；
Figure 781332DEST_PATH_IMAGE075
表示t时刻
Figure 594568DEST_PATH_IMAGE076
与
Figure 669709DEST_PATH_IMAGE077
矢量方向与车辆j行驶方向的夹角，所述夹角越小，表示车辆
Figure 910197DEST_PATH_IMAGE071
沿车辆j的运动方向靠近，在交通流交织区域发生碰撞的概率越大。
4.如权利要求3所述的城市道路交织区多目标优化控制方法，其特征在于，所述S1步骤中确定安全稳定通行行驶目标函数，包括：
基于所述城市道路交织区安全稳定通行控制模型构建安全稳定通行行驶目标函数，所构建目标函数F为：
Figure 719890DEST_PATH_IMAGE078
Figure 71237DEST_PATH_IMAGE079
Figure 767929DEST_PATH_IMAGE080
Figure 179319DEST_PATH_IMAGE081
其中：
Figure 476308DEST_PATH_IMAGE082
表示
Figure 365766DEST_PATH_IMAGE083
时刻时，主要交通流中行驶车辆的加速度控制参数；
Figure 681079DEST_PATH_IMAGE084
表示
Figure 263370DEST_PATH_IMAGE083
时刻时，主要交通流中行驶车辆的速度控制参数，所述加速度控制参数以及速度控制参数为待求解的车辆行驶优化控制参数；
Figure 657442DEST_PATH_IMAGE085
表示
Figure 475225DEST_PATH_IMAGE083
时刻时，主要交通流中车辆c以
Figure 271143DEST_PATH_IMAGE084
速度行驶的行车场强，C表示
Figure 899702DEST_PATH_IMAGE086
到
Figure 46649DEST_PATH_IMAGE087
时刻期间，仅在主要交通流行驶的车辆总数，
Figure 402544DEST_PATH_IMAGE088
表示车辆c的在同一时刻的同一交通流车辆以及不同交通流车辆集合，
Figure 52968DEST_PATH_IMAGE089
，其中
Figure 345104DEST_PATH_IMAGE090
表示与车辆c处于不同交通流的车辆，
Figure 713769DEST_PATH_IMAGE091
表示与车辆c处于相同交通流的车辆。
5.如权利要求4所述的城市道路交织区多目标优化控制方法，其特征在于，所述S2步骤中基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，包括：
基于采集的城市交织区通行数据确定目标函数的约束条件，其中所述约束条件为车辆安全稳定驾驶行驶规范约束，所述行驶规范约束包括车速约束、加速度约束以及前后车辆间隔距离约束；
所述车速约束为：
Figure 873354DEST_PATH_IMAGE092
Figure 643864DEST_PATH_IMAGE093
其中：
Figure 738859DEST_PATH_IMAGE094
表示主要交通流中车辆行驶的最小速度，
Figure 470186DEST_PATH_IMAGE095
表示主要交通流中车辆行驶的最大速度；
Figure 43250DEST_PATH_IMAGE096
表示次要交通流中车辆行驶的最大速度；
所述加速度约束为：
Figure 792900DEST_PATH_IMAGE097
其中：
Figure 324376DEST_PATH_IMAGE098
表示主要交通流中车辆行驶的最小加速度，
Figure 775954DEST_PATH_IMAGE099
表示主要交通流中车辆行驶的最大加速度；
所述前后车间隔距离约束为：
Figure 418288DEST_PATH_IMAGE100
Figure 22445DEST_PATH_IMAGE101
Figure 459242DEST_PATH_IMAGE102
其中：
Figure 899582DEST_PATH_IMAGE103
表示安全时间间隔，将其设置为2秒；
Figure 80028DEST_PATH_IMAGE104
表示
Figure 679636DEST_PATH_IMAGE105
时刻与主要交通流中车辆处于同一交通流的车辆。
6.如权利要求1所述的城市道路交织区多目标优化控制方法，其特征在于，所述S4步骤中构建多尺度的道路交织区通行评价方法，包括：
所述道路交织区通行评价方法流程为：
计算单位时间间隔
Figure 411969DEST_PATH_IMAGE106
内交织区域通行车辆数量平均值
Figure 464239DEST_PATH_IMAGE107
，其中
Figure 556697DEST_PATH_IMAGE108
表示监测时间间隔的总数，
Figure 276392DEST_PATH_IMAGE109
表示
Figure 179626DEST_PATH_IMAGE110
个时间间隔内通行车辆的总数；
将交织区域通行车辆数量平均值
Figure 719191DEST_PATH_IMAGE111
除以交织区域车道宽W，并乘以通行车辆的平均速度得到通行评价值
Figure 116806DEST_PATH_IMAGE112
，其中
Figure 425427DEST_PATH_IMAGE113
表示交织区通行车辆的平均车速。
7.如权利要求6所述的城市道路交织区多目标优化控制方法，其特征在于，所述S4步骤中将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值，包括：
将所采集的城市道路交织区通行数据生成城市道路交织区，所生成的城市道路交织区包括交织区的道路分布，以及不同时刻道路的行驶车辆，将计算得到的不同时刻的车辆行驶优化控制参数对道路中行驶车辆进行控制模拟，并利用道路交织区通行评价方法对模拟结果进行评价，得到交织区通行评价值；
若交织区通行评价值高于指定阈值则按照当前车辆控制参数进行控制，否则返回步骤S3重新求解车辆行驶优化控制参数。
8.一种城市道路交织区多目标优化控制装置，其特征在于，所述装置包括：
数据采集处理模块，用于采集城市道路交织区通行数据，基于采集的通行数据构建城市道路交织区安全稳定通行控制模型，确定安全稳定通行行驶目标函数，基于采集的城市交织区通行数据确定目标函数的约束条件；
控制参数优化求解装置，用于利用二阶优化算法对目标函数进行优化求解，得到交织区车辆行驶优化控制参数；
评价模块，用于构建多尺度的道路交织区通行评价方法，将所采集的城市道路交织区通行数据生成城市道路交织区，基于计算得到的车辆行驶优化控制参数进行道路模拟，并对模拟结果进行评价，得到交织区通行评价值，以实现如权利要求1-7所述的一种城市道路交织区多目标优化控制方法。
CN202211310460.5A 2022-10-25 2022-10-25 一种城市道路交织区多目标优化控制方法及装置 Active CN115376335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211310460.5A CN115376335B (zh) 2022-10-25 2022-10-25 一种城市道路交织区多目标优化控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211310460.5A CN115376335B (zh) 2022-10-25 2022-10-25 一种城市道路交织区多目标优化控制方法及装置

Publications (2)

Publication Number Publication Date
CN115376335A true CN115376335A (zh) 2022-11-22
CN115376335B CN115376335B (zh) 2023-01-31

Family

ID=84074090

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211310460.5A Active CN115376335B (zh) 2022-10-25 2022-10-25 一种城市道路交织区多目标优化控制方法及装置

Country Status (1)

Country Link
CN (1) CN115376335B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116136984A (zh) * 2023-02-21 2023-05-19 湖南省家加车位科技有限公司 一种基于多目标优化的车位分配算法及系统

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107481538A (zh) * 2017-08-30 2017-12-15 郑州欧尚德电子技术有限公司 一种多维智能网联交通系统
WO2018072240A1 (zh) * 2016-10-20 2018-04-26 中国科学院深圳先进技术研究院 一种路网潮汐交通流可变导向车道控制方法
WO2018161774A1 (zh) * 2017-03-06 2018-09-13 腾讯科技（深圳）有限公司 驾驶行为确定方法、装置、设备及存储介质
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN111192455A (zh) * 2020-01-10 2020-05-22 西南交通大学 一种城市快速路交织区的交通流组织优化方法
CN111968377A (zh) * 2020-08-31 2020-11-20 姜忠太 面向节油和驾驶舒适的基于车辆网的车辆轨迹优化方法
US20210325197A1 (en) * 2020-04-17 2021-10-21 Mazda Motor Corporation Vehicle control apparatus
KR20210130115A (ko) * 2020-09-21 2021-10-29 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. 운전 제어 방법, 장치, 기기, 매체 및 시스템
CN114241757A (zh) * 2021-12-09 2022-03-25 宁波大学 一种用于智能网联车辆的入口匝道协同汇流控制方法
CN115092139A (zh) * 2022-05-24 2022-09-23 同济大学 一种智能网联车辆交织区协同运动规划方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018072240A1 (zh) * 2016-10-20 2018-04-26 中国科学院深圳先进技术研究院 一种路网潮汐交通流可变导向车道控制方法
WO2018161774A1 (zh) * 2017-03-06 2018-09-13 腾讯科技（深圳）有限公司 驾驶行为确定方法、装置、设备及存储介质
CN107481538A (zh) * 2017-08-30 2017-12-15 郑州欧尚德电子技术有限公司 一种多维智能网联交通系统
CN110298122A (zh) * 2019-07-03 2019-10-01 北京理工大学 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法
CN111192455A (zh) * 2020-01-10 2020-05-22 西南交通大学 一种城市快速路交织区的交通流组织优化方法
US20210325197A1 (en) * 2020-04-17 2021-10-21 Mazda Motor Corporation Vehicle control apparatus
CN111968377A (zh) * 2020-08-31 2020-11-20 姜忠太 面向节油和驾驶舒适的基于车辆网的车辆轨迹优化方法
KR20210130115A (ko) * 2020-09-21 2021-10-29 아폴로 인텔리전트 커넥티비티 (베이징) 테크놀로지 씨오., 엘티디. 운전 제어 방법, 장치, 기기, 매체 및 시스템
CN114241757A (zh) * 2021-12-09 2022-03-25 宁波大学 一种用于智能网联车辆的入口匝道协同汇流控制方法
CN115092139A (zh) * 2022-05-24 2022-09-23 同济大学 一种智能网联车辆交织区协同运动规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
廖绍凯: "粘性流基于特征线的四阶Runge-Kutta有限元法", 《计算力学学报》 *
徐林浩: "绿色车辆路径问题的改进拉格朗日松弛算法", 《广东工业大学学报》 *
王韬: "车辆自动驾驶纵向运动控制优化及求解算法", 《中国工程机械学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116136984A (zh) * 2023-02-21 2023-05-19 湖南省家加车位科技有限公司 一种基于多目标优化的车位分配算法及系统
CN116136984B (zh) * 2023-02-21 2024-01-12 湖南省家加车位科技有限公司 一种基于多目标优化的车位分配算法及系统

Also Published As

Publication number Publication date
CN115376335B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115376335B (zh) 一种城市道路交织区多目标优化控制方法及装置
CN105938560A (zh) 一种基于卷积神经网络的车型精细分类系统
CN110738181B (zh) 一种确定车辆朝向信息的方法及装置
CN107491738A (zh) 停车位检测方法及系统、存储介质及电子设备
CN115526924B (zh) 一种蒙特卡洛模拟的水文环境建模方法及系统
CN106530691A (zh) 一种考虑车辆占有空间的混合车型多车道元胞自动机模型
CN115512251A (zh) 基于双分支渐进式特征增强的无人机低照度目标跟踪方法
CN112132216B (zh) 车型识别方法、装置、电子设备及存储介质
CN113312760A (zh) 一种基于交通仿真的网联机动车右转轨迹规划方法和装置
CN113536538B (zh) 一种基于交通冲突的行人与车辆交互仿真方法及系统
CN110334572A (zh) 一种多角度下车型精细识别方法
CN105575105B (zh) 用于交通工具的调度方法和设备
CN106611074A (zh) 车辆结构设计仿真分析系统
CN114677662A (zh) 一种车辆前方障碍状态预测方法、装置、设备及存储介质
CN112528701B (zh) 二维码检测方法、装置、电子设备及介质
CN111860195A (zh) 一种基于大数据的安保检测方法及安保检测装置
CN115257692A (zh) 一种基于视觉交通信息的phev能量管理方法及系统
CN113343882A (zh) 人群计数方法、装置、电子设备及存储介质
CN115116222B (zh) 一种多车道远程控制方法及系统
CN112561893A (zh) 图片匹配方法、装置、电子设备及存储介质
CN111242269A (zh) 粒子群位置搜索方法、系统、装置及可读存储介质
CN111829509B (zh) 一种新能源汽车定位方法及定位装置
CN114973658B (zh) 一种混合车道干扰问题的识别方法及装置
CN115238206B (zh) 一种基于群体行为分析的检测点推荐方法及装置
CN112477875B (zh) 车速微控制方法、装置、电子设备及存储介质

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