CN115402358A - 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法 - Google Patents

一种低能耗的自动驾驶电动汽车车道级运行方案规划方法 Download PDF

Info

Publication number
CN115402358A
CN115402358A CN202211354086.9A CN202211354086A CN115402358A CN 115402358 A CN115402358 A CN 115402358A CN 202211354086 A CN202211354086 A CN 202211354086A CN 115402358 A CN115402358 A CN 115402358A
Authority
CN
China
Prior art keywords
lane
vehicle
interval
speed
vehicles
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
CN202211354086.9A
Other languages
English (en)
Other versions
CN115402358B (zh
Inventor
张晓春
丘建栋
罗舒琳
李佳璇
朱泽雄
刘星
辛甜甜
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.)
Shenzhen Urban Transport Planning Center Co Ltd
Original Assignee
Shenzhen Urban Transport Planning Center 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 Shenzhen Urban Transport Planning Center Co Ltd filed Critical Shenzhen Urban Transport Planning Center Co Ltd
Priority to CN202211354086.9A priority Critical patent/CN115402358B/zh
Publication of CN115402358A publication Critical patent/CN115402358A/zh
Application granted granted Critical
Publication of CN115402358B publication Critical patent/CN115402358B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • BPERFORMING OPERATIONS; TRANSPORTING
    • B60VEHICLES IN GENERAL
    • B60WCONJOINT 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
    • B60W60/00Drive control systems specially adapted for autonomous road vehicles
    • B60W60/001Planning or execution of driving tasks

Landscapes

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

Abstract

本发明提出一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,属于交通运行方案规划技术领域。包括:S1.将道路进行区间划分和车道线分割,确定车道编号规则;S2.建立变速频率模型;S3.建立变道频率模型;S4.建立区间车道级交通量集计模型,统计预估不同道路区间、车道上的运行车辆数;S5.融合车道级交通量、变道频率指标、变速频率指标,建立区间车道级能耗评估模型;S6.求解区间车道级能耗评估模型的最佳运行路径、轨迹及车速方案。解决了现有技术中不能准确表达变化运行工况与机动操作对运行成本的影响,无法为车辆运行提供高精度节能运行轨迹及区间车速方案的技术问题。

Description

一种低能耗的自动驾驶电动汽车车道级运行方案规划方法
技术领域
本发明涉及一种电动汽车车道级运行方案规划方法,尤其涉及一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,属于交通运行方案规划技术领域。
背景技术
自动驾驶程序执行需要精确控制车辆加减速、变道、转向操作,由于油车在制动、转向等环节并没有完全实现精确的电控,目前自动驾驶行业研究主要集中于电动汽车控制及其续航里程,再生制动能量回收技术能在一定程度上延长电动汽车行驶里程,但还是难以满足车辆运行所需的能量需求。因此,在电池性能容量限制下,发挥自动驾驶车辆可感、可控、可反馈的技术优势,结合交通运行规划手段,合理配置与规划自动驾驶电动汽车的路权与能量资源,是降低自动驾驶电动汽车能量风险、保障道路交通运行秩序的可行途径之一。
《交通控制限号及能耗影响下的电动汽车路径规划研究》中提出了一种考虑纯电动汽车能耗的路径规划算法,该算法有效解决了车辆运行路径及全线运行车速的规划问题,但车辆在运行过程中需要适应实际运行工况的变化,频繁调整运行车速,该算法忽略了这一过程,求取车速往往面向路径全运行过程不变,无法量化变化运行环境与车速对车辆能耗产生的影响。只能求取路径而非运行轨迹,规划车速是面向路径不变而非适应不同运行工况自适应调整,因此,无法准确表达与量化运行过程中工况与机动操作对运行时间、运行能耗带来的影响。具体表现为以下两点:
1、忽略了运行工况的变化及车辆在横向车道空间与纵向路段区间转移等机动操作耗费的能量,不能准确表达变化运行工况与机动操作对运行成本的影响,无法为车辆运行提供精度跃升的节能运行轨迹。
2、既有规划方法能够向车辆提供运行车速方案,但求取车速通常面向路径全运行过程不变,与车辆实际运行规律不尽相符,无法为车辆运行提供精度跃升的区间车速方案,不利于准确预测车辆运行时间及能量消耗。
发明内容
在下文中给出了关于本发明的简要概述,以便提供关于本发明的某些方面的基本理解。应当理解,这个概述并不是关于本发明的穷举性概述。它并不是意图确定本发明的关键或重要部分,也不是意图限定本发明的范围。其目的仅仅是以简化的形式给出某些概念,以此作为稍后论述的更详细描述的前序。
鉴于此,为解决现有技术中存在的技术问题,本发明提供一种低能耗的自动驾驶电动汽车车道级运行方案规划方法。
方案一、一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,包括以下步骤:
S1.将道路进行区间划分和车道线分割,确定车道编号规则;
S2.以区间车道为单元,新增变速频率指标,建立变速频率模型;
S3.以区间车道为单元,新增变道频率指标,建立变道频率模型;
S4.以区间车道为单元,建立区间车道级交通量集计模型,统计预估不同道路区间、车道上的运行车辆数;
S5.融合车道级交通量、变道频率指标、变速频率指标,建立区间车道级能耗评估模型;
S6.求解区间车道级能耗评估模型的最佳运行路径、轨迹及车速方案。
优选的,S1具体是:划分路段区间的方法是:将道路OD的有效路径j纵向分割n等分的道路区间,其中道路OD分别为车辆当前位置和目的地;
车道线分割的方法是:将道路空间进行横向等间距分割;
确定车道编号规则的方法是:道路区间序号为
Figure 329853DEST_PATH_IMAGE001
,车道序号为
Figure 553024DEST_PATH_IMAGE002
优选的,S2具体是:忽略车辆变速过程,设车辆变速由
Figure 149091DEST_PATH_IMAGE003
区间进入
Figure 141317DEST_PATH_IMAGE001
区间时完成,则,车辆进入由
Figure 40003DEST_PATH_IMAGE003
区间进入
Figure 118512DEST_PATH_IMAGE001
区间的变速标识表达式为:
Figure 393636DEST_PATH_IMAGE004
其中,
Figure 365003DEST_PATH_IMAGE005
为车辆在
Figure 700169DEST_PATH_IMAGE006
路径
Figure 897932DEST_PATH_IMAGE007
区间
Figure 586534DEST_PATH_IMAGE008
车道上的运行车速,
Figure 553353DEST_PATH_IMAGE009
为车辆
Figure 793841DEST_PATH_IMAGE010
路径在
Figure 337955DEST_PATH_IMAGE011
区间
Figure 954881DEST_PATH_IMAGE012
车道上的运行车速;
车辆运行过程中,车辆变速次数的表达式为:
Figure 150108DEST_PATH_IMAGE013
优选的,S3具体是:忽略车辆变道过程,设车辆变道由
Figure 827077DEST_PATH_IMAGE014
区间进入
Figure 999432DEST_PATH_IMAGE015
区间时完成,则,车辆由
Figure 279104DEST_PATH_IMAGE016
路径
Figure 954936DEST_PATH_IMAGE017
区间的
Figure 802806DEST_PATH_IMAGE018
车道进入
Figure 72245DEST_PATH_IMAGE019
路径
Figure 30973DEST_PATH_IMAGE020
区间的
Figure 92470DEST_PATH_IMAGE021
车道的车辆变道标识数学表达为:
Figure 704717DEST_PATH_IMAGE022
其中,
Figure 851665DEST_PATH_IMAGE023
为车辆在
Figure 722407DEST_PATH_IMAGE024
路径
Figure 638410DEST_PATH_IMAGE025
区间的
Figure 562504DEST_PATH_IMAGE026
车道运行轨迹,
Figure 55802DEST_PATH_IMAGE027
为车辆在
Figure 90754DEST_PATH_IMAGE028
路径
Figure 126843DEST_PATH_IMAGE029
区间的
Figure 362784DEST_PATH_IMAGE030
车道运行轨迹;
车辆运行过程中,车辆变道次数的数学表达式为:
Figure 953165DEST_PATH_IMAGE031
优选的,S4具体是:设当前时间为
Figure 916442DEST_PATH_IMAGE032
、车辆当前处于路段第1区间1车道、目的路段区间为d,则车辆驶离
Figure 807037DEST_PATH_IMAGE033
区间的
Figure 338513DEST_PATH_IMAGE034
车道的时间为:
Figure 790092DEST_PATH_IMAGE035
其中,
Figure 166846DEST_PATH_IMAGE036
Figure 911948DEST_PATH_IMAGE037
Figure 473380DEST_PATH_IMAGE038
分别为车辆在
Figure 38353DEST_PATH_IMAGE039
路径起点第1区间1车道的驶离时间、行驶距离、行驶速度,
Figure 359744DEST_PATH_IMAGE040
Figure 959353DEST_PATH_IMAGE041
Figure 567052DEST_PATH_IMAGE042
分别为车辆在
Figure 9534DEST_PATH_IMAGE043
路径
Figure 993671DEST_PATH_IMAGE044
区间
Figure 447786DEST_PATH_IMAGE045
车道的驶离时间、行驶距离、行驶速度,
Figure 606147DEST_PATH_IMAGE046
Figure 411292DEST_PATH_IMAGE047
Figure 199119DEST_PATH_IMAGE048
分别为车辆在
Figure 632375DEST_PATH_IMAGE043
路径终点第
Figure 581876DEST_PATH_IMAGE049
区间
Figure 749683DEST_PATH_IMAGE045
车道的驶离时间、行驶距离、行驶速度,
Figure 75623DEST_PATH_IMAGE050
分别为车辆在
Figure 238751DEST_PATH_IMAGE043
路径第
Figure 14946DEST_PATH_IMAGE051
区间
Figure 529104DEST_PATH_IMAGE045
车道的驶离时间,即车辆驶离i、d的前一区间的时间;
则车辆运行在轨迹
Figure 393154DEST_PATH_IMAGE052
的总行程时间为:
Figure 50270DEST_PATH_IMAGE053
令计量时间间隔为
Figure 341574DEST_PATH_IMAGE054
,车辆驶入、驶出路段区间
Figure 467661DEST_PATH_IMAGE055
的时间间隔
Figure 135403DEST_PATH_IMAGE056
Figure 538703DEST_PATH_IMAGE057
为:
Figure 876274DEST_PATH_IMAGE058
设车辆在
Figure 365024DEST_PATH_IMAGE059
区间的
Figure 836457DEST_PATH_IMAGE060
车道上行驶,当车辆变道标识
Figure 953318DEST_PATH_IMAGE061
,车辆由
Figure 117583DEST_PATH_IMAGE062
区间驶入
Figure 201951DEST_PATH_IMAGE063
区间不变道,保持原车道
Figure 211495DEST_PATH_IMAGE064
行驶,第
Figure 323808DEST_PATH_IMAGE065
个时间间隔内
Figure 252450DEST_PATH_IMAGE066
区间
Figure 715792DEST_PATH_IMAGE067
车道上的车辆总数为:
Figure 138814DEST_PATH_IMAGE068
当变道标识
Figure 105633DEST_PATH_IMAGE069
,车辆向左变道,第
Figure 470755DEST_PATH_IMAGE070
个时间间隔内
Figure 155815DEST_PATH_IMAGE071
区间
Figure 772741DEST_PATH_IMAGE072
车道上的车辆总数为:
Figure 967968DEST_PATH_IMAGE073
当变道标识
Figure 379357DEST_PATH_IMAGE074
,车辆向右变道,第
Figure 410767DEST_PATH_IMAGE075
个时间间隔内
Figure 300226DEST_PATH_IMAGE076
区间
Figure 507216DEST_PATH_IMAGE077
车道上的车辆总数为:
Figure 230453DEST_PATH_IMAGE078
其中,
Figure 624525DEST_PATH_IMAGE079
Figure 442308DEST_PATH_IMAGE080
路径第
Figure 972647DEST_PATH_IMAGE081
个时间间隔内
Figure 991418DEST_PATH_IMAGE082
区间
Figure 264266DEST_PATH_IMAGE083
车道上的车辆总数,
Figure 26686DEST_PATH_IMAGE084
Figure 801744DEST_PATH_IMAGE085
分别为第
Figure 725838DEST_PATH_IMAGE086
个时间间隔内
Figure 94502DEST_PATH_IMAGE080
路径
Figure 4820DEST_PATH_IMAGE082
区间
Figure 40909DEST_PATH_IMAGE087
Figure 994959DEST_PATH_IMAGE088
车道上的车辆总数,
Figure 116499DEST_PATH_IMAGE089
Figure 220721DEST_PATH_IMAGE090
分别为第
Figure 954060DEST_PATH_IMAGE091
个时间间隔内
Figure 485535DEST_PATH_IMAGE080
路径
Figure 828792DEST_PATH_IMAGE082
区间
Figure 595759DEST_PATH_IMAGE087
Figure 340861DEST_PATH_IMAGE088
车道上的车辆总数。
优选的,S5具体是:自动驾驶电动汽车的运行能耗与行驶路径、运行速度和运行路况有关,驱动力模型的一般式为:
Figure 777659DEST_PATH_IMAGE092
其中,
Figure 483578DEST_PATH_IMAGE093
为滚动阻力,
Figure 664024DEST_PATH_IMAGE094
为空气阻力,
Figure 263632DEST_PATH_IMAGE095
坡度阻力,
Figure 261544DEST_PATH_IMAGE096
加速阻力,
Figure 313814DEST_PATH_IMAGE097
为滚动阻力系数,
Figure 297950DEST_PATH_IMAGE098
为空气阻力系数,
Figure 125967DEST_PATH_IMAGE099
为车速,
Figure 170146DEST_PATH_IMAGE100
为坡度角,
Figure 834346DEST_PATH_IMAGE101
为车辆,
Figure 622173DEST_PATH_IMAGE102
为质量换算系数,
Figure 930795DEST_PATH_IMAGE103
为汽车质量;
Figure 21242DEST_PATH_IMAGE104
为时间;
其中,滚动阻力、空气阻力和加速阻力均与车速有关;
驱动力模型转化为:
Figure 782524DEST_PATH_IMAGE105
其中,
Figure 233097DEST_PATH_IMAGE106
为坡度角,由运行轨迹决定,
Figure 661804DEST_PATH_IMAGE107
为车辆在
Figure 782207DEST_PATH_IMAGE108
路径
Figure 670266DEST_PATH_IMAGE109
区间
Figure 799896DEST_PATH_IMAGE110
车道上的运行车速;
车辆在
Figure 942165DEST_PATH_IMAGE108
路径
Figure 764627DEST_PATH_IMAGE109
区间的
Figure 500502DEST_PATH_IMAGE110
车道上消耗的能量为:
Figure 309189DEST_PATH_IMAGE111
融合车道级车辆数、车辆变道频率、车辆变速频率因素,引入能耗综合修正系数,数学表达式为:
Figure 181330DEST_PATH_IMAGE112
其中,
Figure 174694DEST_PATH_IMAGE113
为起终点间有效路径的集合,
Figure 788078DEST_PATH_IMAGE114
为车辆变速次数,
Figure 993932DEST_PATH_IMAGE115
为车辆变道次数;
区间车道级能耗评估模型为:
Figure 251738DEST_PATH_IMAGE116
其中,
Figure 530184DEST_PATH_IMAGE117
分别为区间车道能够容纳的最大车辆数、电动汽车上路的最大、最小限速值。
优选的,S6具体是:模型输入为当前位置
Figure 975072DEST_PATH_IMAGE118
、时间
Figure 374829DEST_PATH_IMAGE119
及目的地
Figure 487142DEST_PATH_IMAGE120
,模型输出为车道级出行路径
Figure 166516DEST_PATH_IMAGE121
、轨迹
Figure 629858DEST_PATH_IMAGE122
及区间运行车速
Figure 177514DEST_PATH_IMAGE123
,记为
Figure 534546DEST_PATH_IMAGE124
,模型为有约束多元非线性优化问题,采用遗传算法进行求解:
S61.自变量定义与初始化:根据当前位置
Figure 509456DEST_PATH_IMAGE118
及目的地
Figure 460094DEST_PATH_IMAGE120
,有效路径集合J利用A*算法求取,对有效运行路径进行枚举,设初始运行路径
Figure 450922DEST_PATH_IMAGE125
,运行车道为1号车道,
Figure 272247DEST_PATH_IMAGE126
、区间运行车速取区间车道历史平均车速
Figure 949216DEST_PATH_IMAGE127
S62.变量编码:s为编码精度系数,设s=4,变量
Figure 980626DEST_PATH_IMAGE128
按以下规则编码:
Figure 135664DEST_PATH_IMAGE129
其中,
Figure 952441DEST_PATH_IMAGE130
为自变量编码精度,
Figure 534732DEST_PATH_IMAGE131
为自变量的最大值和最小值,其中
Figure 928804DEST_PATH_IMAGE132
的最小值为1,最大值为道路车道数;针对高速公路,
Figure 746588DEST_PATH_IMAGE133
最小值取60,最大值取80;
S63.适应度函数:适应度函数
Figure 808085DEST_PATH_IMAGE134
Figure 935178DEST_PATH_IMAGE135
指运行方案的能耗上限;
S64.收敛判断:选用平均相对误差作为收敛标准,若连续2次迭代结果的相对误差小于0.15,中止求解,否则继续求解。
方案二、一种电子设备,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现方案一所述一种低能耗的自动驾驶电动汽车车道级运行方案规划方法的步骤。
方案三、一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现方案一所述一种低能耗的自动驾驶电动汽车车道级运行方案规划方法。
本发明的有益效果如下:
(1)克服传统路径规划方法精度不足的局限性,通过路段区间化及车道线分割,建立变速频率模型、变道频率模型和区间车道级交通量集计模型,还原车辆在横向车道空间与纵向路段区间机动转移的数学表达,提高建模精度。
(2)突破常规能耗指标框架,融合车道级路况、变道频率指标、变速频率指标,形成能耗综合修正系数,精准量化车辆在变化道路工况下运行的能量消耗,输出精细化节能运行轨迹与区间车速运行方案。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1为一种低能耗的自动驾驶电动汽车车道级运行方案规划方法流程示意图;
图2为路段区间划分结果示意图。
具体实施方式
为了使本发明实施例中的技术方案及优点更加清楚明白,以下结合附图对本发明的示例性实施例进行进一步详细的说明,显然,所描述的实施例仅是本发明的一部分实施例,而不是所有实施例的穷举。需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
实施例1、参照图1-图2说明本实施方式,一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,包括以下步骤:
S1.为准确量化车辆运行过程中不同工况下的能耗变化,通过路段区间化及车道线分割,将道路空间进行横向与纵向分割,具体是:将道路进行区间划分和车道线分割,确定车道编号规则;
划分路段区间的方法是:将道路OD的有效路径j纵向分割n等分的道路区间,其中道路OD分别为车辆当前位置和目的地;
车道线分割的方法是:将道路空间进行横向等间距分割;
确定车道编号规则的方法是:道路区间序号为
Figure 82126DEST_PATH_IMAGE136
,车道序号为k,参照图2;
S2.车速协同是反映车辆运行状态稳定与否的重要指标,车辆的能量消耗与运行车速成正比,车辆频繁变速的机动操作,也会增加车辆自身的能量消耗,为量化变速频率对能耗产生的影响,新增变速频率指标,建立变速频率量化模型,具体是:以区间车道为单元,新增变速频率指标,建立变速频率模型;
忽略车辆变速过程,设车辆变速由
Figure 313387DEST_PATH_IMAGE137
区间进入
Figure 88445DEST_PATH_IMAGE138
区间时完成,则,车辆进入由
Figure 12539DEST_PATH_IMAGE139
区间进入
Figure 522149DEST_PATH_IMAGE140
区间的变速标识表达式为:
Figure 557101DEST_PATH_IMAGE141
其中,
Figure 327611DEST_PATH_IMAGE142
为车辆在
Figure 547239DEST_PATH_IMAGE143
路径
Figure 403200DEST_PATH_IMAGE144
区间
Figure 615744DEST_PATH_IMAGE145
车道上的运行车速,
Figure 240761DEST_PATH_IMAGE146
为车辆
Figure 772236DEST_PATH_IMAGE147
路径在
Figure 974547DEST_PATH_IMAGE148
区间
Figure 882461DEST_PATH_IMAGE149
车道上的运行车速;
车辆运行过程中,车辆变速次数的表达式为:
Figure 237350DEST_PATH_IMAGE150
S3.车辆频繁变道的机动操作,也会增加车辆自身的能量消耗,扰乱交通秩序。为量化变道频率对能耗的折损,新增变道频率指标,建立变道频率量化模型,具体是:以区间车道为单元,新增变道频率指标,建立变道频率模型;
忽略车辆变道过程,设车辆变道由
Figure 939726DEST_PATH_IMAGE151
区间进入
Figure 504700DEST_PATH_IMAGE152
区间时完成,则,车辆由
Figure 809779DEST_PATH_IMAGE143
路径
Figure 409388DEST_PATH_IMAGE153
区间的
Figure 282666DEST_PATH_IMAGE154
车道进入
Figure 702978DEST_PATH_IMAGE143
路径
Figure 687114DEST_PATH_IMAGE155
区间的
Figure 265863DEST_PATH_IMAGE156
车道的车辆变道标识数学表达为:
Figure 44463DEST_PATH_IMAGE157
其中,
Figure 459395DEST_PATH_IMAGE158
为车辆在
Figure 247223DEST_PATH_IMAGE159
路径
Figure 555844DEST_PATH_IMAGE160
区间的
Figure 895559DEST_PATH_IMAGE154
车道运行轨迹,
Figure 656841DEST_PATH_IMAGE161
为车辆在
Figure 248360DEST_PATH_IMAGE159
路径
Figure 50968DEST_PATH_IMAGE162
区间的
Figure 171371DEST_PATH_IMAGE154
车道运行轨迹;
车辆运行过程中,车辆变道次数的数学表达式为:
Figure 951108DEST_PATH_IMAGE163
S4.以交通量作为评估路况的量化指标,假设所有自动驾驶电动汽车的运行方案会全量上传至管理与控制中心进行集计,根据管理机制,利用车辆上传的车速方案,建立区间车道级车辆数集计模型,统计预估不同道路区间、车道上的运行车辆数,具体是:以区间车道为单元,建立区间车道级交通量集计模型,统计预估不同道路区间、车道上的运行车辆数;
设当前时间为
Figure 939793DEST_PATH_IMAGE164
、车辆当前处于路段第1区间1车道、目的路段区间为d,则车辆驶离
Figure 957427DEST_PATH_IMAGE165
区间的
Figure 655256DEST_PATH_IMAGE166
车道的时间为:
Figure 391131DEST_PATH_IMAGE167
其中,
Figure 917927DEST_PATH_IMAGE036
Figure 321227DEST_PATH_IMAGE037
Figure 49011DEST_PATH_IMAGE038
分别为车辆在
Figure 646084DEST_PATH_IMAGE039
路径起点第1区间1车道的驶离时间、行驶距离、行驶速度,
Figure 383096DEST_PATH_IMAGE040
Figure 375322DEST_PATH_IMAGE041
Figure 398642DEST_PATH_IMAGE042
分别为车辆在
Figure 374688DEST_PATH_IMAGE043
路径
Figure 384233DEST_PATH_IMAGE044
区间
Figure 371911DEST_PATH_IMAGE045
车道的驶离时间、行驶距离、行驶速度,
Figure 707078DEST_PATH_IMAGE046
Figure 639262DEST_PATH_IMAGE047
Figure 842710DEST_PATH_IMAGE048
分别为车辆在
Figure 809529DEST_PATH_IMAGE043
路径终点第
Figure 50017DEST_PATH_IMAGE049
区间
Figure 374557DEST_PATH_IMAGE045
车道的驶离时间、行驶距离、行驶速度,
Figure 725904DEST_PATH_IMAGE050
分别为车辆在
Figure 812809DEST_PATH_IMAGE043
路径第
Figure 348832DEST_PATH_IMAGE051
区间
Figure 255608DEST_PATH_IMAGE045
车道的驶离时间;
则车辆运行在轨迹
Figure 676225DEST_PATH_IMAGE052
的总行程时间为:
Figure 227424DEST_PATH_IMAGE053
令计量时间间隔为
Figure 75294DEST_PATH_IMAGE054
,车辆驶入、驶出路段区间
Figure 734945DEST_PATH_IMAGE055
的时间间隔
Figure 552729DEST_PATH_IMAGE056
Figure 614226DEST_PATH_IMAGE057
为:
Figure 632997DEST_PATH_IMAGE058
设车辆在
Figure 628547DEST_PATH_IMAGE059
区间的
Figure 390967DEST_PATH_IMAGE060
车道上行驶,当车辆变道标识
Figure 306970DEST_PATH_IMAGE061
,车辆由
Figure 355698DEST_PATH_IMAGE062
区间驶入
Figure 989941DEST_PATH_IMAGE063
区间不变道,保持原车道
Figure 290473DEST_PATH_IMAGE064
行驶,第
Figure 670769DEST_PATH_IMAGE065
个时间间隔内
Figure 31344DEST_PATH_IMAGE066
区间
Figure 887304DEST_PATH_IMAGE067
车道上的车辆总数为:
Figure 850581DEST_PATH_IMAGE068
当变道标识
Figure 741177DEST_PATH_IMAGE069
,车辆向左变道,第
Figure 380974DEST_PATH_IMAGE070
个时间间隔内
Figure 724231DEST_PATH_IMAGE071
区间
Figure 366565DEST_PATH_IMAGE072
车道上的车辆总数为:
Figure 111667DEST_PATH_IMAGE073
当变道标识
Figure 673098DEST_PATH_IMAGE074
,车辆向右变道,第
Figure 503651DEST_PATH_IMAGE075
个时间间隔内
Figure 559463DEST_PATH_IMAGE076
区间
Figure 424651DEST_PATH_IMAGE077
车道上的车辆总数为:
Figure 297929DEST_PATH_IMAGE078
其中,
Figure 209253DEST_PATH_IMAGE079
Figure 458969DEST_PATH_IMAGE080
路径第
Figure 178663DEST_PATH_IMAGE081
个时间间隔内
Figure 331164DEST_PATH_IMAGE082
区间
Figure 870730DEST_PATH_IMAGE083
车道上的车辆总数,
Figure 392978DEST_PATH_IMAGE084
Figure 91813DEST_PATH_IMAGE085
分别为第
Figure 306894DEST_PATH_IMAGE086
个时间间隔内
Figure 333756DEST_PATH_IMAGE080
路径
Figure 535061DEST_PATH_IMAGE082
区间
Figure 229347DEST_PATH_IMAGE087
Figure 349750DEST_PATH_IMAGE088
车道上的车辆总数,
Figure 988542DEST_PATH_IMAGE089
Figure 852593DEST_PATH_IMAGE090
分别为第
Figure 401386DEST_PATH_IMAGE091
个时间间隔内
Figure 332170DEST_PATH_IMAGE080
路径
Figure 333624DEST_PATH_IMAGE082
区间
Figure 1366DEST_PATH_IMAGE087
Figure 529299DEST_PATH_IMAGE088
车道上的车辆总数。
上述表达式(1)、(2)、(3)分别表示第
Figure 991505DEST_PATH_IMAGE168
个时间间隔内车辆未驶达、驶至、驶离i路段L车道时更新区间车辆数的三种情况。
S5.融合车道级交通量、变道频率指标、变速频率指标,建立区间车道级能耗评估模型;
自动驾驶电动汽车的运行能耗与行驶路径、运行速度和运行路况(交通拥堵、道路坡度和自然天气)有关,驱动力模型的一般式为:
Figure 480255DEST_PATH_IMAGE169
其中,
Figure 827054DEST_PATH_IMAGE170
为滚动阻力,
Figure 819281DEST_PATH_IMAGE171
为空气阻力,
Figure 577021DEST_PATH_IMAGE172
坡度阻力,
Figure 553067DEST_PATH_IMAGE173
加速阻力,
Figure 954091DEST_PATH_IMAGE174
为滚动阻力系数,
Figure 66404DEST_PATH_IMAGE175
为空气阻力系数,
Figure 135991DEST_PATH_IMAGE176
为车速,
Figure 458388DEST_PATH_IMAGE177
为车辆,
Figure 271623DEST_PATH_IMAGE178
为质量换算系数,
Figure 848229DEST_PATH_IMAGE179
为汽车质量;
Figure 354297DEST_PATH_IMAGE180
为时间;
其中,滚动阻力、空气阻力和加速阻力均与车速有关;
驱动力模型可转化为:
Figure 773777DEST_PATH_IMAGE181
其中,
Figure 515337DEST_PATH_IMAGE182
为坡度角,由运行轨迹决定,
Figure 336662DEST_PATH_IMAGE183
为车辆在
Figure 13631DEST_PATH_IMAGE184
路径
Figure 559888DEST_PATH_IMAGE185
区间
Figure 714926DEST_PATH_IMAGE149
车道上的运行车速;
车辆在
Figure 656337DEST_PATH_IMAGE186
路径
Figure 363262DEST_PATH_IMAGE187
区间的
Figure 22913DEST_PATH_IMAGE188
车道上消耗的能量为:
Figure 591429DEST_PATH_IMAGE189
在车辆数越多的车道上行驶,车辆受其他车辆的干扰强度越高,车辆频繁变速、变道的可能性增加,频繁的机动操作与转换又会将进一步增加车辆能耗,为此,融合车道级车辆数、车辆变道频率、车辆变速频率因素,引入能耗综合修正系数,数学表达式为:
Figure 387346DEST_PATH_IMAGE190
其中,
Figure 999593DEST_PATH_IMAGE191
为起终点间有效路径的集合,
Figure 146541DEST_PATH_IMAGE192
为车辆变速次数,
Figure 643381DEST_PATH_IMAGE193
为车辆变道次数;
区间车道级能耗评估模型为:
Figure 667707DEST_PATH_IMAGE194
其中,
Figure 591801DEST_PATH_IMAGE195
分别为区间车道能够容纳的最大车辆数、电动汽车上路的最大、最小限速值。
S6.求解区间车道级能耗评估模型的最佳运行路径、轨迹及车速方案
模型输入为当前位置
Figure 819520DEST_PATH_IMAGE196
、时间
Figure 120051DEST_PATH_IMAGE197
及目的地
Figure 765927DEST_PATH_IMAGE198
,模型输出为车道级出行路径
Figure 126501DEST_PATH_IMAGE199
、轨迹
Figure 982462DEST_PATH_IMAGE200
及区间运行车速
Figure 680159DEST_PATH_IMAGE201
,记为
Figure 305176DEST_PATH_IMAGE202
,模型为有约束多元非线性优化问题,采用遗传算法进行求解:
S61.自变量定义与初始化:根据当前位置
Figure 210553DEST_PATH_IMAGE203
及目的地
Figure 288230DEST_PATH_IMAGE204
,有效路径集合J利用A*算法求取,对有效运行路径进行枚举,设初始运行路径
Figure 930564DEST_PATH_IMAGE205
,运行车道为1号车道,
Figure 534721DEST_PATH_IMAGE206
、区间运行车速取区间车道历史平均车速
Figure 237097DEST_PATH_IMAGE207
S62.变量编码:s为编码精度系数,设s=4,变量
Figure 677437DEST_PATH_IMAGE208
按以下规则编码:
Figure 123462DEST_PATH_IMAGE209
其中,
Figure 457491DEST_PATH_IMAGE210
为自变量编码精度,
Figure 455403DEST_PATH_IMAGE211
为自变量的最大值和最小值,其中
Figure 507673DEST_PATH_IMAGE212
的最小值为1,最大值为道路车道数;针对高速公路,
Figure 757389DEST_PATH_IMAGE213
最小值取60,最大值取80;
S63.适应度函数:适应度函数
Figure 325685DEST_PATH_IMAGE214
Figure 369865DEST_PATH_IMAGE215
指运行方案的能耗上限;
S64.收敛判断:选用平均相对误差作为收敛标准,若连续2次迭代结果的相对误差小于0.15,中止求解,否则继续求解。
本发明在自动驾驶电动汽车电池容量及性能限制背景下,通过区间车道级能耗模型,围绕节能目标,为车辆全运行周期提供路权、能量的统筹与规划服务,生成时空精细化的运行路径、运行轨迹及区间车速方案,有效降低自动驾驶电动汽车在运行过程中的能量风险。
实施例2、本发明的计算机装置可以是包括有处理器以及存储器等装置,例如包含中央处理器的单片机等。并且,处理器用于执行存储器中存储的计算机程序时实现上述的基于CREO软件的可修改由关系驱动的推荐数据的推荐方法的步骤。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
实施例3、计算机可读存储介质实施例
本发明的计算机可读存储介质可以是被计算机装置的处理器所读取的任何形式的存储介质,包括但不限于非易失性存储器、易失性存储器、铁电存储器等,计算机可读存储介质上存储有计算机程序,当计算机装置的处理器读取并执行存储器中所存储的计算机程序时,可以实现上述的基于CREO软件的可修改由关系驱动的建模数据的建模方法的步骤。
所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
尽管根据有限数量的实施例描述了本发明,但是受益于上面的描述,本技术领域内的技术人员明白,在由此描述的本发明的范围内,可以设想其它实施例。此外,应当注意,本说明书中使用的语言主要是为了可读性和教导的目的而选择的,而不是为了解释或者限定本发明的主题而选择的。因此,在不偏离所附权利要求书的范围和精神的情况下,对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。对于本发明的范围,对本发明所做的公开是说明性的,而非限制性的,本发明的范围由所附权利要求书限定。

Claims (9)

1.一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,包括以下步骤:
S1.将道路进行区间划分和车道线分割,确定车道编号规则;
S2.以区间车道为单元,新增变速频率指标,建立变速频率模型;
S3.以区间车道为单元,新增变道频率指标,建立变道频率模型;
S4.以区间车道为单元,建立区间车道级交通量集计模型,统计预估不同道路区间、车道上的运行车辆数;
S5.融合车道级交通量、变道频率指标、变速频率指标,建立区间车道级能耗评估模型;
S6.求解区间车道级能耗评估模型的最佳运行路径、轨迹及车速方案。
2.根据权利要求1所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S1具体是:划分路段区间的方法是:将道路OD的有效路径j纵向分割n等分的道路区间,其中道路OD分别为车辆当前位置和目的地;
车道线分割的方法是:将道路空间进行横向等间距分割;
确定车道编号规则的方法是:道路区间序号为
Figure 2127DEST_PATH_IMAGE001
,车道序号为
Figure 524376DEST_PATH_IMAGE002
3.根据权利要求2所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S2具体是:忽略车辆变速过程,设车辆变速由
Figure 973943DEST_PATH_IMAGE003
区间进入
Figure 923444DEST_PATH_IMAGE001
区间时完成,则,车辆进入由
Figure 215885DEST_PATH_IMAGE003
区间进入
Figure 666458DEST_PATH_IMAGE001
区间的变速标识表达式为:
Figure 95165DEST_PATH_IMAGE004
其中,
Figure 481147DEST_PATH_IMAGE005
为车辆在
Figure 103628DEST_PATH_IMAGE006
路径
Figure 967678DEST_PATH_IMAGE007
区间
Figure 641105DEST_PATH_IMAGE008
车道上的运行车速,
Figure 932409DEST_PATH_IMAGE009
为车辆
Figure 933863DEST_PATH_IMAGE010
路径在
Figure 476971DEST_PATH_IMAGE011
区间
Figure 880271DEST_PATH_IMAGE012
车道上的运行车速;
车辆运行过程中,车辆变速次数的表达式为:
Figure 467110DEST_PATH_IMAGE013
4.根据权利要求3所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S3具体是:忽略车辆变道过程,设车辆变道由
Figure 955860DEST_PATH_IMAGE014
区间进入
Figure 161713DEST_PATH_IMAGE015
区间时完成,则,车辆由
Figure 793421DEST_PATH_IMAGE016
路径
Figure 692107DEST_PATH_IMAGE017
区间的
Figure 668153DEST_PATH_IMAGE002
车道进入
Figure 802331DEST_PATH_IMAGE018
路径
Figure 914643DEST_PATH_IMAGE019
区间的
Figure 594018DEST_PATH_IMAGE020
车道的车辆变道标识数学表达为:
Figure 57360DEST_PATH_IMAGE021
其中,
Figure 870595DEST_PATH_IMAGE022
为车辆在
Figure 962048DEST_PATH_IMAGE023
路径
Figure 468116DEST_PATH_IMAGE024
区间的
Figure 887596DEST_PATH_IMAGE025
车道运行轨迹,
Figure 606985DEST_PATH_IMAGE026
为车辆在
Figure 693889DEST_PATH_IMAGE027
路径
Figure 370858DEST_PATH_IMAGE028
区间的
Figure 402268DEST_PATH_IMAGE029
车道运行轨迹;
车辆运行过程中,车辆变道次数的数学表达式为:
Figure 557306DEST_PATH_IMAGE030
5.根据权利要求4所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S4具体是:设当前时间为
Figure 374083DEST_PATH_IMAGE031
、车辆当前处于路段第1区间1车道、目的路段区间为d,则车辆驶离
Figure 221954DEST_PATH_IMAGE032
区间的
Figure 881605DEST_PATH_IMAGE033
车道的时间为:
Figure 699389DEST_PATH_IMAGE034
其中,
Figure 229727DEST_PATH_IMAGE035
Figure 356821DEST_PATH_IMAGE036
Figure 503768DEST_PATH_IMAGE037
分别为车辆在
Figure 266188DEST_PATH_IMAGE038
路径起点第1区间1车道的驶离时间、行驶距离、行驶速度,
Figure 41246DEST_PATH_IMAGE039
Figure 699760DEST_PATH_IMAGE040
Figure 334004DEST_PATH_IMAGE041
分别为车辆在
Figure 244322DEST_PATH_IMAGE042
路径
Figure 280411DEST_PATH_IMAGE043
区间
Figure 234461DEST_PATH_IMAGE044
车道的驶离时间、行驶距离、行驶速度,
Figure 356001DEST_PATH_IMAGE045
Figure 194644DEST_PATH_IMAGE046
Figure 193561DEST_PATH_IMAGE047
分别为车辆在
Figure 459458DEST_PATH_IMAGE042
路径终点第
Figure 802714DEST_PATH_IMAGE048
区间
Figure 835261DEST_PATH_IMAGE044
车道的驶离时间、行驶距离、行驶速度,
Figure 314784DEST_PATH_IMAGE049
分别为车辆在
Figure 17161DEST_PATH_IMAGE042
路径第
Figure 457501DEST_PATH_IMAGE050
区间
Figure 903526DEST_PATH_IMAGE044
车道的驶离时间;
则车辆运行在轨迹
Figure 362189DEST_PATH_IMAGE051
的总行程时间为:
Figure 969888DEST_PATH_IMAGE052
令计量时间间隔为
Figure 287736DEST_PATH_IMAGE053
,车辆驶入、驶出路段区间
Figure 380195DEST_PATH_IMAGE054
的时间间隔
Figure 99889DEST_PATH_IMAGE055
Figure 3123DEST_PATH_IMAGE056
为:
Figure 808268DEST_PATH_IMAGE057
设车辆在
Figure 330517DEST_PATH_IMAGE058
区间的
Figure 780084DEST_PATH_IMAGE059
车道上行驶,当车辆变道标识
Figure 729585DEST_PATH_IMAGE060
,车辆由
Figure 756447DEST_PATH_IMAGE061
区间驶入
Figure 207020DEST_PATH_IMAGE062
区间不变道,保持原车道
Figure 635727DEST_PATH_IMAGE063
行驶,第
Figure 135891DEST_PATH_IMAGE064
个时间间隔内
Figure 650049DEST_PATH_IMAGE065
区间
Figure 779679DEST_PATH_IMAGE066
车道上的车辆总数为:
Figure 921947DEST_PATH_IMAGE067
当变道标识
Figure 478830DEST_PATH_IMAGE068
,车辆向左变道,第
Figure 355650DEST_PATH_IMAGE069
个时间间隔内
Figure 23392DEST_PATH_IMAGE070
区间
Figure 20167DEST_PATH_IMAGE071
车道上的车辆总数为:
Figure 747952DEST_PATH_IMAGE072
当变道标识
Figure 345024DEST_PATH_IMAGE073
,车辆向右变道,第
Figure 816457DEST_PATH_IMAGE074
个时间间隔内
Figure 808683DEST_PATH_IMAGE075
区间
Figure 97582DEST_PATH_IMAGE076
车道上的车辆总数为:
Figure 542470DEST_PATH_IMAGE077
其中,
Figure 427381DEST_PATH_IMAGE078
Figure 539693DEST_PATH_IMAGE079
路径第
Figure 468335DEST_PATH_IMAGE080
个时间间隔内
Figure 931677DEST_PATH_IMAGE081
区间
Figure 479333DEST_PATH_IMAGE082
车道上的车辆总数,
Figure 820054DEST_PATH_IMAGE083
Figure 60542DEST_PATH_IMAGE084
分别为第
Figure 11180DEST_PATH_IMAGE085
个时间间隔内
Figure 487161DEST_PATH_IMAGE079
路径
Figure 308487DEST_PATH_IMAGE081
区间
Figure 860822DEST_PATH_IMAGE086
Figure 767598DEST_PATH_IMAGE087
车道上的车辆总数,
Figure 922636DEST_PATH_IMAGE088
Figure 988681DEST_PATH_IMAGE089
分别为第
Figure 570972DEST_PATH_IMAGE090
个时间间隔内
Figure 338945DEST_PATH_IMAGE079
路径
Figure 297674DEST_PATH_IMAGE081
区间
Figure 359171DEST_PATH_IMAGE086
Figure 236997DEST_PATH_IMAGE087
车道上的车辆总数。
6.根据权利要求5所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S5具体是:自动驾驶电动汽车的运行能耗与行驶路径、运行速度和运行路况有关,驱动力模型的一般式为:
Figure 383945DEST_PATH_IMAGE091
其中,
Figure 615206DEST_PATH_IMAGE092
为滚动阻力,
Figure 406576DEST_PATH_IMAGE093
为空气阻力,
Figure 596249DEST_PATH_IMAGE094
坡度阻力,
Figure 964913DEST_PATH_IMAGE095
加速阻力,
Figure 390078DEST_PATH_IMAGE096
为滚动阻力系数,
Figure 895009DEST_PATH_IMAGE097
为空气阻力系数,
Figure 255583DEST_PATH_IMAGE098
为车速,
Figure 503023DEST_PATH_IMAGE099
为车辆,
Figure 341666DEST_PATH_IMAGE100
为质量换算系数,
Figure 91316DEST_PATH_IMAGE101
为汽车质量;
Figure 357212DEST_PATH_IMAGE102
为时间;
其中,滚动阻力、空气阻力和加速阻力均与车速有关;
驱动力模型转化为:
Figure 310256DEST_PATH_IMAGE103
其中,
Figure 218169DEST_PATH_IMAGE104
为坡度角,由运行轨迹决定,
Figure 697692DEST_PATH_IMAGE105
为车辆在
Figure 524703DEST_PATH_IMAGE106
路径
Figure 89676DEST_PATH_IMAGE107
区间
Figure 378444DEST_PATH_IMAGE108
车道上的运行车速;
车辆在
Figure 243632DEST_PATH_IMAGE106
路径
Figure 851331DEST_PATH_IMAGE107
区间的
Figure 293813DEST_PATH_IMAGE108
车道上消耗的能量为:
Figure 12371DEST_PATH_IMAGE109
融合车道级车辆数、车辆变道频率、车辆变速频率因素,引入能耗综合修正系数,数学表达式为:
Figure 732065DEST_PATH_IMAGE110
其中,
Figure 386031DEST_PATH_IMAGE111
为起终点间有效路径的集合,
Figure 191176DEST_PATH_IMAGE112
为车辆变速次数,
Figure 979004DEST_PATH_IMAGE113
为车辆变道次数;
区间车道级能耗评估模型为:
Figure 412259DEST_PATH_IMAGE114
其中,
Figure 627340DEST_PATH_IMAGE115
分别为区间车道能够容纳的最大车辆数、电动汽车上路的最大、最小限速值。
7.根据权利要求6所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法,其特征在于,S6具体是:模型输入为当前位置
Figure 762524DEST_PATH_IMAGE116
、时间
Figure 354042DEST_PATH_IMAGE117
及目的地
Figure 517170DEST_PATH_IMAGE118
,模型输出为车道级出行路径
Figure 762207DEST_PATH_IMAGE119
、轨迹
Figure 541944DEST_PATH_IMAGE120
及区间运行车速
Figure 281361DEST_PATH_IMAGE121
,记为
Figure 564575DEST_PATH_IMAGE122
,模型为有约束多元非线性优化问题,采用遗传算法进行求解:
S61.自变量定义与初始化:根据当前位置
Figure 121458DEST_PATH_IMAGE116
及目的地
Figure 247546DEST_PATH_IMAGE118
,有效路径集合J利用A*算法求取,对有效运行路径进行枚举,设初始运行路径
Figure 649708DEST_PATH_IMAGE123
,运行车道为1号车道,
Figure 53008DEST_PATH_IMAGE124
、区间运行车速取区间车道历史平均车速
Figure 420273DEST_PATH_IMAGE125
S62.变量编码:s为编码精度系数,设s=4,变量
Figure 377865DEST_PATH_IMAGE126
按以下规则编码:
Figure 114877DEST_PATH_IMAGE127
其中,
Figure 231737DEST_PATH_IMAGE128
为自变量编码精度,
Figure 130423DEST_PATH_IMAGE129
为自变量的最大值和最小值,其中
Figure 450677DEST_PATH_IMAGE130
的最小值为1,最大值为道路车道数;针对高速公路,
Figure 725801DEST_PATH_IMAGE131
最小值取60,最大值取80;
S63.适应度函数:适应度函数
Figure 838113DEST_PATH_IMAGE132
Figure 32334DEST_PATH_IMAGE133
指运行方案的能耗上限;
S64.收敛判断:选用平均相对误差作为收敛标准,若连续2次迭代结果的相对误差小于0.15,中止求解,否则继续求解。
8.一种电子设备,其特征在于,包括存储器和处理器,存储器存储有计算机程序,所述的处理器执行所述计算机程序时实现权利要求1-7任一项所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7任一项所述的一种低能耗的自动驾驶电动汽车车道级运行方案规划方法。
CN202211354086.9A 2022-11-01 2022-11-01 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法 Active CN115402358B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211354086.9A CN115402358B (zh) 2022-11-01 2022-11-01 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211354086.9A CN115402358B (zh) 2022-11-01 2022-11-01 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法

Publications (2)

Publication Number Publication Date
CN115402358A true CN115402358A (zh) 2022-11-29
CN115402358B CN115402358B (zh) 2023-04-07

Family

ID=84167657

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211354086.9A Active CN115402358B (zh) 2022-11-01 2022-11-01 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法

Country Status (1)

Country Link
CN (1) CN115402358B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857104A (zh) * 2019-01-25 2019-06-07 北京交通大学 一种基于公路虚拟轨道化的无人驾驶技术
CN113593228A (zh) * 2021-07-26 2021-11-02 广东工业大学 一种高速公路瓶颈区域自动驾驶协同控制方法
CN114993335A (zh) * 2022-06-30 2022-09-02 重庆长安汽车股份有限公司 一种自动驾驶路径规划方法、装置、电子设备及存储介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109857104A (zh) * 2019-01-25 2019-06-07 北京交通大学 一种基于公路虚拟轨道化的无人驾驶技术
CN113593228A (zh) * 2021-07-26 2021-11-02 广东工业大学 一种高速公路瓶颈区域自动驾驶协同控制方法
CN114993335A (zh) * 2022-06-30 2022-09-02 重庆长安汽车股份有限公司 一种自动驾驶路径规划方法、装置、电子设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马建等: "中国交通工程学术研究综述?2016", 《中国公路学报》 *

Also Published As

Publication number Publication date
CN115402358B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN111768637B (zh) 一种信号交叉口交通信号灯和车辆轨迹控制方法
CN109733378B (zh) 一种线下优化线上预测的转矩分配方法
CN113044064A (zh) 基于元强化学习的车辆自适应的自动驾驶决策方法及系统
WO2023240919A1 (zh) 车辆行驶工况确定方法、设备和存储介质
CN106683442A (zh) 基于多指标的交叉口信号配时方案评价方法
CN111145068B (zh) 一种长距离高时效经济性巡航车速规划方法
CN115402358B (zh) 一种低能耗的自动驾驶电动汽车车道级运行方案规划方法
Zhang et al. Dynamic control cycle speed limit strategy for improving traffic operation at freeway bottlenecks
CN113479187A (zh) 一种插电式混合动力汽车分层异步长能量管理方法
CN113753082A (zh) 无人车轨迹更新方法及装置、控制方法及电子设备
CN116968767A (zh) 基于多维数据融合的新能源汽车充电路径规划方法及系统
Zhang et al. Stability and safety analysis of mixed traffic flow considering network function degradation and platoon driving on the road with a slope
US20230264578A1 (en) Method for predicting energy consumption-recovery ratio of new energy vehicle, and energy saving control method and system for new energy vehicle
CN115062202A (zh) 驾驶行为意图及轨迹的预测方法、装置、设备及存储介质
KR102346507B1 (ko) 다중 교차로 환경에서의 강화학습 기반의 분산 교통 신호 제어 방법 및 장치
CN113788007A (zh) 一种分层式实时能量管理方法和系统
CN107798428A (zh) 一种机车自动驾驶控制预测模型机器学习方法
CN113902209A (zh) 出行路线推荐方法、边缘服务器、云服务器、设备及介质
CN102221385A (zh) 燃料消耗的确定方法及导航系统
CN112669609A (zh) 基于大数据和边缘计算的数据处理方法及大数据服务器
CN106530689B (zh) 一种基于遗传算法和行驶数据的公交车到站时间实时预估方法
KR102346506B1 (ko) 강화학습 기반의 교통 신호 시간 제어 방법 및 장치
CN115713860B (zh) 一种基于强化学习的高速公路交通管控方法
RU2765268C1 (ru) Устройство формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по автомагистрали
RU2764741C1 (ru) Система формирования энергоэффективного трека эксплуатируемого транспортного средства при движении эксплуатируемого транспортного средства по автомагистрали

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