CN115440031B - 一种考虑路侧感知性能的车路协同混合车辆队列控制方法 - Google Patents

Abstract

本发明涉及智能交通信息技术领域，具体涉及一种考虑路侧感知性能的车路协同混合车辆队列控制方法，包括根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息；使用滤波法的感知数据修复算法对实时运动状态信息进行修复，得到修复结果；基于修复结果建立基于多前车信息的控制方法；基于控制方法对网联自动车围观驾驶行为进行控制，直至网联自动车对应的混合车辆队列达到预设效果，本发明通过使用滤波法的感知数据修复算法对实时运动状态信息进行修复后建立基于多前车信息的控制方法，提高了对车辆队列的控制效果，解决了现有的考虑路侧感知性能的车路协同混合车辆队列控制方法对车辆队列的控制效果较差的问题。

Description

一种考虑路侧感知性能的车路协同混合车辆队列控制方法

技术领域

本发明涉及智能交通信息技术领域，尤其涉及一种考虑路侧感知性能的车路协同混合车辆队列控制方法。

背景技术

车路协同下网联自动驾驶汽车(Connected-Automated Vehicle,CAV)对实时交通环境的全范围、全精度感知，能有效提高新型混合交通系统的控制效果，对提高交通效率，保障交通安全具有重要意义。

路侧感知设备由于自身精度有限、感知距离有限，其感知结果会出现数据精度降低和丢失等问题，影响交通控制效果。因此，在路侧感知设备性能受限条件下，探索混合车辆群体的控制方案，对于构建车路协同下混合交通系统的管控体系及技术具有重要意义。基于S_G滤波理论，通过考虑路侧设备感知数据的时空特性，建立一种基于时间窗的传感器感知数据异常修复算法，在此基础上考虑混合车辆队列系统历史控制输入，建立一种考虑路侧感知性能的车路协同混合车辆队列控制方法，使得混合车辆队列在路侧感知设备性能受限下的安全、稳定运行成为可能。

在针对混合车辆队列控制的研究中，提出了一种基于双向信息流的自适应滑模控制方案，在该研究中，将传感器受限带来的不准确信息看作是一系列不确定参数，设计了一种自适应率来对其进行处理，数值实验显示，该方案确实能够保证队列在一定的随机干扰和不确定性参数条件下的稳定运行，但是文中仍然没有考虑感知距离和感知精度之间的规律，从而也没有考虑人驾车辆脱离CAV感知范围这一情况，导致对车辆队列的控制效果较差。

发明内容

本发明的目的在于提供一种考虑路侧感知性能的车路协同混合车辆队列控制方法，旨在解决现有的考虑路侧感知性能的车路协同混合车辆队列控制方法对车辆队列的控制效果较差的问题。

为实现上述目的，本发明提供了一种考虑路侧感知性能的车路协同混合车辆队列控制方法，包括以下步骤：

根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息；

使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果；

基于所述修复结果建立基于多前车信息的控制方法；

基于所述控制方法对网联自动车围观驾驶行为进行控制，直至所述网联自动车对应的混合车辆队列达到预设效果。

其中，所述根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息的具体方式为：

为网联自动车搭载路侧传感器；

搭建通信拓扑结构；

特化所述网联自动车于前方队列的通信连接情况；

基于特化后的所述通信连接情况和所述通信拓扑结构搭建混合车队通信拓扑状态；

所述路侧传感器通过所述混合车队通信拓扑状态获取自身和预设范围内的车辆的运动状态信息。

其中，所述路侧传感器包括高清摄像头、毫米波雷达、高精度差分GPS和激光雷达。

其中，所述使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果的具体方式为：

初始化感知数据修复算法的拟合时间窗口、迭代阈值和精度检验窗口，确定初始时间，选定精度阈值；

记录所述初始时间到目标时间的实时运动状态信息，得到向量；

对所述向量进行多次拟合，直至拟合的结果小于所述迭代阈值，得到拟合数据；

从所述拟合数据中取所述拟合时间窗口的最后一个值进行时空特性分析，得到感知数据估计值，并基于所述感知数据估计值计算所述目标时刻的输入量；

使用时空特性反向计算所述目标时刻的测量值，并对所述测量值进行精度校验，得到校验结果；

基于所述校验结果对所述输入量进行修正，得到修复结果。

其中，所述基于所述修复结果建立基于多前车信息的控制方法的具体方式为：

利用多前车信息对协同自适应巡航控制系统进行改进，得到改进网联自动车跟驰模型；

定义混合交通流中的车辆类型确定矩阵；

建立人驾车模型；

将所述改进网联自动车跟驰模型与所述人驾车模型相耦合，并结合所述车辆类型确定矩阵，得到混合车辆队列控制器；

将所述修复结果传输所述混合车辆队列控制器，得到多前车信息的控制方法。

本发明的一种考虑路侧感知性能的车路协同混合车辆队列控制方法，通过根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息；使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果；基于所述修复结果建立基于多前车信息的控制方法；基于所述控制方法对网联自动车围观驾驶行为进行控制，直至所述网联自动车对应的混合车辆队列达到预设效果，本发明通过使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复后建立基于多前车信息的控制方法，提高了对车辆队列的控制效果，解决了现有的考虑路侧感知性能的车路协同混合车辆队列控制方法对车辆队列的控制效果较差的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种考虑路侧感知性能的车路协同混合车辆队列控制方法的步骤图。

图2是基于S_G滤波的路侧传感器感知数据修复算法的示意图。

图3是基于S_G滤波的路侧传感器感知数据修复算法的流程图。

图4是多前车信息对当前车辆的权重转移示意图。

图5是本发明提供的一种考虑路侧感知性能的车路协同混合车辆队列控制方法的流程图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

请参阅图1至图5，本发明提供一种考虑路侧感知性能的车路协同混合车辆队列控制方法，包括以下步骤：

S1根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息；

具体方式为：

S11为网联自动车搭载路侧传感器；

具体的，所述路侧传感器包括高清摄像头、毫米波雷达、高精度差分GPS和激光雷达。

S12搭建通信拓扑结构；

具体的，在车路协同混合车辆队列中，网联自动车通过搭载高清摄像头、毫米波雷达、高精度差分GPS和激光雷达等传感器，可以实时获取自身和周围车辆的运动状态信息，同时基于其自身搭载的如DSRC等V2X通信设备，可以实现车与路、车与车之间的信息共享，获取道路结构信息及更大范围内的车辆状态信息，因此定义车辆队列空间分布为R＝[m₀...m_j...m_N]^T，其中m_j＝0表示第j辆车为传统人驾车，m_j＝1则表示第j辆车为网联自动车，因此第j辆车和其他车辆在t时刻的通信情况可以表征为R^* _j(t)＝[m*_0,j(t)...m*_i,j(t)...m*_j,j(t)...m*_N,j(t)]^T，其中m*_i,j(t)＝1表示第j辆车可以获得第i辆车的运动状态信息，m*_i,j(t)＝0则表示第j辆车不可以获得第i辆车的运动状态信息。当第j辆车为网联自动车而第i辆车为人驾车时，人驾车的信息虽然也能够借助车载传感器或路侧传感器加V2X的方式实现信息从HV到CAV的单向流动，但是这种通信连接并不稳定，考虑到路侧传感器和车载传感器感知距离的限制，这种通信连接在时空上会存在时断时续的情况，进一步的，将交通流中的所有车辆和其他车辆的通信连接情况进行耦合，可以得到t时刻整个交通流的通信连接表征矩阵：

当通讯环境良好时，在确定时刻，混合交通中车辆间的通信拓扑结构相对固定，此时，网联自动车获取的信息来源则取决于所选择的通信拓扑类型，双前导-领导-跟随者拓扑结构(two-predecessor-leader following topology,TPLF)是一种常见的通信拓扑类型，如图所示它表示目标车辆的信息来源为跟驰前车和次前车以及队列头车。其连接矩阵可表示为：

S13特化所述网联自动车于前方队列的通信连接情况；

具体的，本文在这种通信拓扑结构下，考虑到目标车辆的前方车辆可能是人驾车，其通信连接稳定性受路侧感知单元和车辆相对位置等时空约束影响较大，且目标车辆的信息来源完全为其前方队列，因此，特化研究目标车辆与其前方队列的通信连接情况，将第j辆车与其前车的通信连接情况表示为R^* _j(t)＝[m*_0,j(t)...m*_j-n,j(t)...m*_j,j(t)]^T，其中表示第j-n辆车的信息可以被第j辆车获取到，/>则表示第j辆车无法获得第j-n辆车的信息。

S14基于特化后的所述通信连接情况和所述通信拓扑结构搭建混合车队通信拓扑状态；

具体的，因此，在t时刻，新型混合车队的通信拓扑状态可以表征为：

S15所述路侧传感器通过所述混合车队通信拓扑状态获取自身和预设范围内的车辆的运动状态信息。

具体的，根据当前的新型混合车辆队列的通信拓扑状态，队列中的CAV可以得到相应的人驾车的实时运动状态信息，包括加速度、速度和位置信息。

S2使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果；

根据路侧传感器的检测结果，利用基于S_G滤波法的感知数据修复算法进行修复。考虑自动驾驶汽车的控制周期与传感器检测周期之间的差异性，对传感器的最终检测输出和自动驾驶汽车控制输入进行了时间上的同步。同时，考虑到路侧传感器的空间分布和精度的耦合关系，目标车辆在相邻路侧传感器之间的行驶过程中，路侧传感器对其信息的感知过程将经历精准-不精准-精准的变化。因此算法定义了精度检验窗口，用以判断人驾车位于何种精度的感知区域，并基于精度检验结果对拟合值进行修正。具体方式为：

S21初始化感知数据修复算法的拟合时间窗口、迭代阈值和精度检验窗口，确定初始时间，选定精度阈值；

具体的，初始化拟合时间窗口N_c、迭代阈值c₀和精度检验窗口N_j，确定初始时间t₀，选定精度阈值c₁。

S22记录所述初始时间到目标时间的实时运动状态信息，得到向量；

具体的，假设t为自动驾驶汽车控制周期的下一时刻，记录t₀到t时刻的N个传感器检测数据，记为向量Y。记录前x个周期的自动驾驶汽车来自路侧传感器的控制输入量，记为向量X。

S23对所述向量进行多次拟合，直至拟合的结果小于所述迭代阈值，得到拟合数据；

具体的，对Y进行拟合，得到估计值集合G，并计算出估计值G_i与其对应的Y_i之差和Y_i的比值，即：

进一步的，将Δ_i＜2.5/ln(Y_i+e)的数据记为异常数据，并用G_i替换对应的Y_i。

根据新得到的Y重新进行拟合，计算当/>时，重复步骤S23直至

S24从所述拟合数据中取所述拟合时间窗口的最后一个值进行时空特性分析，得到感知数据估计值，并基于所述感知数据估计值计算所述目标时刻的输入量；

具体的，取离t时刻最近的传感器感知数据，即拟合时间窗的最后一个值G_N，根据4.2.2中分析的传感器数据的时空特性，得到t时刻的感知数据估计值G_N′，并计算得出此时的控制输入量X_x+1。

S25使用时空特性反向计算所述目标时刻的测量值，并对所述测量值进行精度校验，得到校验结果；

具体的，初始化x＝1，将t时刻后第一个感知周期的测量值记为Y_N+1,x，根据时空特性反向得到t时刻的测量值Y′_N+1,x，并进行精度校验。具体的校验方法为：取精度检验窗口内的所有自动驾驶汽车来自路侧传感器的控制输入量X_j，将其与各自对应的测量值Y′_N+1,j之差再除以Y′_N+1,j，得到：

当时，判断车辆行驶在精准感知区域内，反之则是行驶在非精准感知区域。

S26基于所述校验结果对所述输入量进行修正，得到修复结果。

具体的，根据前一时刻的感知精度校验结果，对X_x+1进行修正，修正公式为：

其中x表示当前精度检验窗口大小，当时，表示此时传感器的感知精度较高，根据测量数据拟合出的结果可作为最终的估计结果。而当/>时，表示此时传感器精度较低，补偿方法为根据前一控制周期的估计结果，将这一周期内的检测目标车辆的加速度近似看作恒值，推导出其在当前时刻的车辆运行状态的近似估计值/>将其与X_x+1进行加权平均来得到最终的估计结果X′_x+1；

进入下一控制周期，若x小于设定的精准校验窗口，将x+1，重复算法，得到修复结果。

S3基于所述修复结果建立基于多前车信息的控制方法；

依据第二步的修复结果，建立基于多前车信息的CAV控制方法，实现对CAV微观驾驶行为的控制。具体方式为：

S31利用多前车信息对协同自适应巡航控制系统进行改进，得到改进网联自动车跟驰模型；

具体的，利用多前车信息对加州伯克利大学PATH实验室所提出的协同自适应巡航控制系统进行了进一步的改进，改进后：

其中：

式中，C_j,j-n表示当前车与队列中不同前车的信息共享状态；β_j,j-n代表第j-n辆前导车对目标车辆的影响程度；k₁,k₂,k₃是常数，t_g是设定的车头时距a_j-n，Δx_j,j-n，Δv_j,j-n是前方对应车辆的加速度，速度差和位置差，l是车长，S₀为最小安全距离。

参数β_j,j-n的表达式为：

S32定义混合交通流中的车辆类型确定矩阵；

具体的，定义混合交通流中的车辆类型确定矩阵：

其中，当Q_j＝1时表示当前车辆为CAV，当Q_j＝0时表示当前车辆为人驾车。

S33建立人驾车模型；

具体的，对于人驾车模型，模型表达式为：

其中，v_j(t)和p_j是当前车辆的实时速度和位置；v_j-1(t)和p_j-1(t)是当前时刻，其跟驰前车的速度和位置；T是驾驶员的反应时间；S₀是静止状态下的安全距离；v_max是自由流状态下车辆的期望速度；a和b为常量参数。

S34将所述改进网联自动车跟驰模型与所述人驾车模型相耦合，并结合所述车辆类型确定矩阵，得到混合车辆队列控制器；

具体的，将本文所提的改进网联自动车跟驰模型与人驾车模型相耦合，结合车辆类型确定矩阵，得出一种新型的混合车辆队列控制器：

其中，为当前车辆加速度；C_j,j-n表示当前车辆与其前方第n辆车之间的信息连接情况；B_j,j-n表示当前车的前方第n辆车对其的影响权重；/>表示当前车辆前方第n辆车的加速度；p_j-n(t)-p_j(t))表示当前车辆前方第n辆车与本车的位置差；t_g是设定的车头时距；l是车长，S₀为最小安全距离；v_j(t)-v_j-1(t)是当前车辆与其跟驰前车的速度差；p_j-1(t)-p_j(t)表示当前车与其跟驰前车的位置差。

S35将所述修复结果传输所述混合车辆队列控制器，得到多前车信息的控制方法。

具体的，定义传感器的检测周期为T_d，网联自动车的控制周期为T₀，t为路侧传感器在当前控制周期内的最后一个采样点，且满足其中/>表示下一个控制时刻，Γ为算法执行的最长时间。在t时刻选取的传感器数据集合为Y，在迭代拟合完成之后，对数据集合Y的估计值集合为：

G＝A(A^TA)^-1A^TY

此时，取Y的最后值y_last，有g_last＝A(A^TA)^-1A^Ty_last，因此，设在时刻的感知数据估计值为/>因此可得：

将修复后结果传入所述混合车辆队列控制器：

k₁、k₂、k₃为常数系数，C_j,j-n表示当前车辆与其前方第n辆车的连接情况，β_j,j-n为前方第n辆车对当前车的影响权重；分别表示为目标车辆前方第n辆车的运动状态信息对当前车的控制输入量，/>表示该车的加速度、/>表示二者的距离、为速度差。t_g表示设定的车头时距、l为车长、S₀为静止时的安全距离；其中，的值由/>决定。

S4基于所述控制方法对网联自动车围观驾驶行为进行控制，直至所述网联自动车对应的混合车辆队列达到预设效果。

以上所揭露的仅为本发明一种考虑路侧感知性能的车路协同混合车辆队列控制方法较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (2)

1.一种考虑路侧感知性能的车路协同混合车辆队列控制方法，其特征在于，包括以下步骤：

根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息；

所述根据路侧传感器数据获取混合车辆队列中人驾车的实时运动状态信息的具体方式为：

为网联自动车搭载路侧传感器；

搭建通信拓扑结构；

特化所述网联自动车于前方队列的通信连接情况；

基于特化后的所述通信连接情况和所述通信拓扑结构搭建混合车队通信拓扑状态；

所述路侧传感器通过所述混合车队通信拓扑状态获取自身和预设范围内的车辆的运动状态信息；

使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果；

所述使用滤波法的感知数据修复算法对所述实时运动状态信息进行修复，得到修复结果的具体方式为：

初始化感知数据修复算法的拟合时间窗口、迭代阈值和精度检验窗口，确定初始时间，选定精度阈值；

记录所述初始时间到目标时间的实时运动状态信息，得到向量；

对所述向量进行多次拟合，直至拟合的结果小于所述迭代阈值，得到拟合数据；

从所述拟合数据中取所述拟合时间窗口的最后一个值进行时空特性分析，得到感知数据估计值，并基于所述感知数据估计值计算所述目标时间的输入量；

使用时空特性反向计算所述目标时间的测量值，并对所述测量值进行精度校验，得到校验结果；

基于所述校验结果对所述输入量进行修正，得到修复结果；

基于所述修复结果建立基于多前车信息的控制方法；

所述基于所述修复结果建立基于多前车信息的控制方法的具体方式为：

利用多前车信息对协同自适应巡航控制系统进行改进，得到改进网联自动车跟驰模型；

定义混合交通流中的车辆类型确定矩阵；

建立人驾车模型；

将所述改进网联自动车跟驰模型与所述人驾车模型相耦合，并结合所述车辆类型确定矩阵，得到混合车辆队列控制器；

将所述修复结果传输所述混合车辆队列控制器，得到多前车信息的控制方法；

基于所述基于多前车信息的控制方法对网联自动车围观驾驶行为进行控制，直至所述网联自动车对应的混合车辆队列达到预设效果。

2.如权利要求1所述的考虑路侧感知性能的车路协同混合车辆队列控制方法，其特征在于，

所述路侧传感器包括高清摄像头、毫米波雷达、高精度差分GPS和激光雷达。