CN115440088A - 一种基于场的智能车辆换道决策方法 - Google Patents

一种基于场的智能车辆换道决策方法 Download PDF

Info

Publication number
CN115440088A
CN115440088A CN202210878817.3A CN202210878817A CN115440088A CN 115440088 A CN115440088 A CN 115440088A CN 202210878817 A CN202210878817 A CN 202210878817A CN 115440088 A CN115440088 A CN 115440088A
Authority
CN
China
Prior art keywords
intelligent vehicle
lane
road section
representing
adjacent
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
CN202210878817.3A
Other languages
English (en)
Other versions
CN115440088B (zh
Inventor
孙棣华
赵敏
潘妍睿
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202210878817.3A priority Critical patent/CN115440088B/zh
Publication of CN115440088A publication Critical patent/CN115440088A/zh
Application granted granted Critical
Publication of CN115440088B publication Critical patent/CN115440088B/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
    • G08G1/01—Detecting movement of traffic to be counted or controlled
    • G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
    • G06F17/13—Differential equations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/065—Traffic control systems for road vehicles by counting the vehicles in a section of the road or in a parking area, i.e. comparing incoming count with outgoing count
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Operations Research (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Traffic Control Systems (AREA)

Abstract

本发明提供了一种基于场的智能车辆换道决策方法，属于智能交通信息技术领域。本发明具体包括以下步骤：1)判断智能车辆是否有换道需求，如果智能车辆有换道需求，则进入步骤2)；2)根据智能车辆行驶车道和相邻车道的车流平均速度及车流密度，分别计算观测路段智能车辆行驶车道和相邻车道的场强；3)根据所述观测路段智能车辆行驶车道和相邻车道的场强，计算智能车辆行驶车道和相邻车道对智能车辆的吸引力的差值；4)根据所述观测路段智能车辆行驶车道的车流密度，计算智能车辆换道决策阈值；5)根据所述智能车辆行驶车道与相邻车道对智能车辆的吸引力差值和智能车辆换道决策阈值，判断智能车辆是否可以进行换道。

Description

一种基于场的智能车辆换道决策方法
技术领域
本发明属于智能交通信息技术领域，具体涉及一种基于场的智能车辆换道决策方法。
背景技术
智能车辆换道与交通安全息息相关，尤其在高速行驶条件下更是一种具有潜在风险的驾驶行为。智能车辆换道决策的目的是使道路交通环境全局最优，基于此种目的对瓶颈路段的智能车辆进行换道引导，可以起到缓解交通压力，平滑交通流的作用。考虑车道场强影响因素，在对智能车辆换道需求判断后进行适当的提前换道引导控制，提供车辆更加安全的换道决策可避免通行能力下降现象。
换道模型是道路通行能力仿真的难点，在微观交通流模型中占有重要地位。传统的换道模型考虑因素较简单，一般仅考虑换道车辆与相邻车道前后方车辆之间的最小换道安全距离和车辆速度之间的关系，并且主要是基于驾驶员的思维方式建立的，这类模型的缺点是将驾驶员的驾驶行为固定化，未考虑驾驶员在驾驶过程中的一些潜在决策思维，无法模拟驾驶员在各种环境影响因素下的不确定性。
现有技术CN108983771A提供了一种车辆换道决策方法及装置，在考虑城市道路的复杂性与动态性的基础上，对综合换道构造函数进行计算，完成智能车辆换道时的决策。但是对于实际交通，交通流的演化态势与交通车辆个体的利益息息相关。估计车辆综合换道收益必须充分考虑每个车道当前的交通状态以及未来的变化趋势，在上述方法中，对于该因素的考虑较少。
发明内容
有鉴于此，本发明的目的在于提供一种基于场的智能车辆换道决策方法解决上述问题。
为实现上述目的，本发明是这样设置的：一种基于场的智能车辆换道决策方法，具体包括以下步骤：
1)根据获取的智能车辆的行驶速度和加速度，判断智能车辆是否有换道需求，如果智能车辆有换道需求，则进入步骤2)；
2)根据获取的观测路段的车辆速度和数量确定智能车辆行驶车道和相邻车道的车流平均速度及车流密度，分别计算观测路段智能车辆行驶车道和相邻车道的场强；所述智能车辆相邻车道包括智能车辆左侧相邻车道或智能车辆右侧相邻车道中的至少一个；
3)根据所述观测路段智能车辆行驶车道和相邻车道的场强，分别计算智能车辆行驶车道和相邻车道对智能车辆的吸引力，并计算智能车辆行驶车道和相邻车道对智能车辆的吸引力的差值；
4)根据所述观测路段智能车辆行驶车道的车流密度，计算智能车辆换道决策阈值；
5)根据所述智能车辆行驶车道与相邻车道对智能车辆的吸引力差值和智能车辆换道决策阈值，判断智能车辆是否可以进行换道。
进一步的，所述步骤1)具体包括以下步骤：
S1.1获取智能车辆的行驶速度v，将智能车辆的行驶速度v与智能车辆期望行驶速度vexp进行比较，若v≥vexp，则说明智能车辆无换道需求；若v<vexp，则进行S1.2；
S1.2获取智能车辆的行驶加速度a，若a>0，则说明智能车辆无换道需求；若a≤0，则说明智能车辆有换道需求，进行步骤2)。
进一步的，所述观测路段智能车辆行驶车道和相邻车道的场强，具体计算公式如下：
Figure BDA0003763355270000021
式中，
Ec表示测路段智能车辆行驶车道的场强；
El表示测路段智能车辆左侧相邻车道的场强；
Er表示测路段智能车辆右侧相邻车道的场强；
Figure BDA0003763355270000022
表示观测路段智能车辆行驶车道的车流平均车速；
Figure BDA0003763355270000023
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure BDA0003763355270000024
表示观测路段智能车辆右侧相邻车道的车流平均车速；
vc(max)表示观测路段智能车辆行驶车道的最大允许速度；
vl(max)表示观测路段智能车辆左侧相邻车道的最大允许速度；
vr(max)表示观测路段智能车辆右侧相邻车道的最大允许速度；
ρc表示观测路段智能车辆行驶车道的车流密度；
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
ρc(max)表示观测路段智能车辆行驶车道的最大允许车流密度；
ρl(max)表示观测路段智能车辆左侧相邻车道的最大允许车流密度；
ρr(max)表示观测路段智能车辆右侧相邻车道的最大允许车流密度；
ωc1表示观测路段智能车辆行驶车道的车流平均车速的影响权重；
ωl1表示观测路段智能车辆左侧车道的车流平均车速的影响权重；
ωr1表示观测路段智能车辆右侧车道的车流平均车速的影响权重；
ωc2表示观测路段智能车辆行驶车道的车流密度的影响权重；
ωl2表示观测路段智能车辆左侧相邻车道的车流密度的影响权重；
ωr2表示观测路段智能车辆右侧相邻车道的车流密度的影响权重。
进一步的，所述智能车辆行驶车道和相邻车道对智能车辆的吸引力，具体计算公式如下：
Figure BDA0003763355270000031
其中，△v＝vr-vexp，
式中，
Fc表示观测路段智能车辆行驶车道对智能车辆的吸引力；
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
Ec表示观测路段智能车辆行驶车道的场强；
El表示观测路段智能车辆左侧相邻车道的场强；
Er表示观测路段智能车辆右侧相邻车道的场强；
vr表示智能车辆的行驶速度；
vexp表示智能车辆的期望行驶速度；
△v表示智能车辆行驶速度与期望行驶速度的速度差。
进一步的，所述观测路段智能车辆行驶车道与相邻车道对智能车辆的吸引力的差值，具体计算公式如下：
△F＝Fl-Fc或△F＝Fr-Fc，
式中，
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
Fc表示观测路段智能车辆行驶车道对智能车辆的吸引力。
进一步的，所述智能车辆换道决策阈值Fexp，具体计算公式如下：
Figure BDA0003763355270000041
式中，
μ、λ1和λ2均为预设值；
γ为第一换道风险系数；
A为第二换道风险系数；
ρc表示观测路段智能车辆行驶车道的车流密度；
Figure BDA0003763355270000042
表示车道车流密度对时间的微分。
进一步的，所述判断智能车辆是否换道包括以下步骤：在△F>0的情况下，预设时间段内始终有△F>Fexp，则当智能车辆相邻车道上，智能车辆对应位置的相邻前后行驶车辆的行驶车距大于安全跟车间距时，智能车辆可以进行安全换道；反之，智能车辆不能进行换道。
有益效果
本发明提供的一种基于场的智能车辆换道决策方法,在现有通行能力仿真中的换道模型的基础上，为了便于仿真，意图通过最少的微观行为描述，以描述重现宏观行为，进一步简化了可行性检测与换道实施描述，更加注重换道需求判断。
附图说明
图1是本实施例中的换道意图示意图；
图2是本实施例中基于场的智能车辆换道决策方法的流程图。
具体实施方式
为使本发明的技术方案、优点和目的更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的前提下所获得的所有其他实施例，都属于本申请的保护范围。
下面结合附图和实施例对本发明作进一步说明。
实施例
如图2所示，本实施例提供了一种基于场的智能车辆换道决策方法，具体包括以下步骤：
步骤1：通过智能车辆在观测路段的运动状态，判断智能车辆是否有换道需求。
具体包括以下步骤：
S1.1获取智能车辆的行驶速度v，将智能车辆的行驶速度v与智能车辆期望行驶速度vexp进行比较，判断智能车辆是否有换道需求；
若v≥vexp，则说明智能车辆无换道需求；若v<vexp，则进行S1.2继续判断智能车辆是否有换道需求。
S1.2获取智能车辆的行驶加速度a，判断智能车辆是否有换道需求；
若a>0，则说明智能车辆无换道需求；若a≤0，则说明智能车辆有换道需求，则进入步骤2。
步骤2：通过观测路段智能车辆行驶车道和相邻车道的车流平均速度及车流密度，分别计算观测路段智能车辆行驶车道和智能车辆相邻车道的场强。
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或智能车辆右侧相邻车道。
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和智能车辆右侧相邻车道。
具体包括以下步骤：
S2.1分别计算观测路段智能车辆行驶车道和相邻车道的车流平均车速。
所述观测路段智能车辆行驶车道的车流平均车速，具体计算公式如下：
Figure BDA0003763355270000061
式中，
Figure BDA0003763355270000062
表示观测路段智能车辆行驶车道的车流平均车速；
Nc表示观测路段智能车辆行驶车道的车辆总数；
cj表示观测路段智能车辆行驶车道的第cj辆车，其中cj＝1，2，3,…,Nc；
vcj表示观测路段智能车辆行驶车道的第cj辆车的速度；
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或智能车辆右侧相邻车道。所述观测路段智能车辆相邻车道的车流平均车速，具体计算公式如下：
Figure BDA0003763355270000063
或
Figure BDA0003763355270000064
式中：
Figure BDA0003763355270000065
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure BDA0003763355270000066
表示观测路段智能车辆右侧相邻车道的车流平均车速；
Nl表示观测路段智能车辆左侧相邻车道的车辆总数；
Nr表示观测路段智能车辆右侧相邻车道的车辆总数；
lj表示观测路段智能车辆左侧相邻车道的第lj辆车，其中lj＝1，2，3,…,Nl；
rj表示观测路段智能车辆右侧相邻车道的第rj辆车，其中rj＝1，2，3,…,Nr；
vlj表示观测路段智能车辆左侧相邻车道的第lj辆车的速度；
vrj表示观测路段智能车辆右侧相邻车道的第rj辆车的速度。
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和智能车辆右侧相邻车道。所述观测路段智能车辆相邻车道的车流平均车速，具体计算公式如下：
Figure BDA0003763355270000071
式中：
Figure BDA0003763355270000072
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure BDA0003763355270000073
表示观测路段智能车辆右侧相邻车道的车流平均车速；
Nl表示观测路段智能车辆左侧相邻车道的车辆总数；
Nr表示观测路段智能车辆右侧相邻车道的车辆总数；
lj表示观测路段智能车辆左侧相邻车道的第lj辆车，其中lj＝1，2，3,…,Nl；
rj表示观测路段智能车辆右侧相邻车道的第rj辆车，其中rj＝1，2，3,…,Nr；
vlj表示观测路段智能车辆左侧相邻车道的第lj辆车的速度；
vrj表示观测路段智能车辆右侧相邻车道的第rj辆车的速度。
S2.2分别计算所述观测路段智能车辆行驶车道和相邻车道的车流密度。
所述观测路段智能车辆行驶车道的车流密度，具体计算公式如下：
ρc＝Nc/Lc，
式中，
ρc表示观测路段智能车辆行驶车道的车流密度；
Nc表示观测路段智能车辆行驶车道的车辆总数；
Lc表示观测路段智能车辆行驶车道的长度；
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或智能车辆右侧相邻车道。所述观测路段智能车辆相邻车道的车流密度，具体计算公式如下：
ρl＝Nl/Ll或ρr＝Nr/Lr，
式中：
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
Nl表示观测路段智能车辆左侧相邻车道的车辆总数；
Nr表示观测路段智能车辆右侧相邻车道的车辆总数；
Ll表示观测路段智能车辆左侧相邻车道的长度；
Lr表示观测路段智能车辆右侧相邻车道的长度。
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和智能车辆右侧相邻车道。所述观测路段智能车辆相邻车道的车流密度，具体计算公式如下：
Figure BDA0003763355270000081
式中：
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
Nl表示观测路段智能车辆左侧相邻车道的车辆总数；
Nr表示观测路段智能车辆右侧相邻车道的车辆总数；
Ll表示观测路段智能车辆左侧相邻车道的长度；
Lr表示观测路段智能车辆右侧相邻车道的长度。
S2.3分别计算所述观测路段智能车辆行驶车道和相邻车道的场强。
所述观测路段智能车辆行驶车道的场强，具体计算公式如下：
Figure BDA0003763355270000082
式中，
Ec表示测路段智能车辆行驶车道的场强；
Figure BDA0003763355270000083
表示观测路段智能车辆行驶车道的车流平均车速；
vc(max)表示观测路段智能车辆行驶车道的最大允许速度；
ρc表示观测路段智能车辆行驶车道的车流密度；
ρc(max)表示观测路段智能车辆行驶车道的最大允许车流密度；
ωc1表示观测路段智能车辆行驶车道的车流平均车速的影响权重；
ωc2表示观测路段智能车辆行驶车道的车流密度的影响权重；
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或智能车辆右侧相邻车道。所述观测路段智能车辆相邻车道的场强，具体计算公式如下：
Figure BDA0003763355270000091
或
Figure BDA0003763355270000092
式中，
El表示测路段智能车辆左侧相邻车道的场强；
Er表示测路段智能车辆右侧相邻车道的场强；
Figure BDA0003763355270000093
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure BDA0003763355270000094
表示观测路段智能车辆右侧相邻车道的车流平均车速；
vl(max)表示观测路段智能车辆左侧相邻车道的最大允许速度；
vr(max)表示观测路段智能车辆右侧相邻车道的最大允许速度；
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
ρl(max)表示观测路段智能车辆左侧相邻车道的最大允许车流密度；
ρr(max)表示观测路段智能车辆右侧相邻车道的最大允许车流密度；
ωl1表示观测路段智能车辆左侧车道的车流平均车速的影响权重；
ωr1表示观测路段智能车辆右侧车道的车流平均车速的影响权重；
ωl2表示观测路段智能车辆左侧相邻车道的车流密度的影响权重；
ωr2表示观测路段智能车辆右侧相邻车道的车流密度的影响权重。
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和右侧相邻车道。所述观测路段智能车辆相邻车道的场强，具体计算公式如下：
Figure BDA0003763355270000101
式中，
El表示测路段智能车辆左侧相邻车道的场强；
Er表示测路段智能车辆右侧相邻车道的场强；
Figure BDA0003763355270000102
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure BDA0003763355270000103
表示观测路段智能车辆右侧相邻车道的车流平均车速；
vl(max)表示观测路段智能车辆左侧相邻车道的最大允许速度；
vr(max)表示观测路段智能车辆右侧相邻车道的最大允许速度；
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
ρl(max)表示观测路段智能车辆左侧相邻车道的最大允许车流密度；
ρr(max)表示观测路段智能车辆右侧相邻车道的最大允许车流密度；
ωl1表示观测路段智能车辆左侧车道的车流平均车速的影响权重；
ωr1表示观测路段智能车辆右侧车道的车流平均车速的影响权重；
ωl2表示观测路段智能车辆左侧相邻车道的车流密度的影响权重；
ωr2表示观测路段智能车辆右侧相邻车道的车流密度的影响权重。
步骤3：根据所述观测路段智能车辆行驶车道和相邻车道的场强，分别计算智能车辆行驶车道和相邻车道对智能车辆的吸引力，并对智能车辆行驶车道和相邻车道对智能车辆的吸引力进行比较。
具体包括以下步骤：
S3.1计算智能车辆行驶速度与期望行驶速度的速度差△v，具体计算公式如下：
△v＝vr-vexp，
式中，
vr表示智能车辆的行驶速度；
vexp表示智能车辆的期望行驶速度；
△v表示智能车辆行驶速度与期望行驶速度的速度差。
S3.2分别计算智能车辆行驶车道与相邻车道对智能车辆的吸引力。
所述智能车辆行驶车道对智能车辆的吸引力，具体计算公式如下：
Fc＝△vEc，
式中，
Fc表示观测路段智能车辆行驶车道对智能车辆的吸引力；
Ec表示观测路段智能车辆行驶车道的场强。
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或右侧相邻车道。所述智能车辆相邻车道对智能车辆的吸引力，具体计算公式如下：
Fl＝△vEl或Fr＝△vEr，
式中，
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
El表示观测路段智能车辆左侧相邻车道的场强；
Er表示观测路段智能车辆右侧相邻车道的场强；
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和右侧相邻车道。所述智能车辆相邻车道对智能车辆的吸引力，具体计算公式如下：
Figure BDA0003763355270000111
式中，
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
El表示观测路段智能车辆左侧相邻车道的场强；
Er表示观测路段智能车辆右侧相邻车道的场强。
S3.3计算智能车辆相邻车道与智能车辆行驶车道对智能车辆的吸引力的差值。
在一些实施例中，所述智能车辆相邻车道只有一条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道或智能车辆右侧相邻车道。
智能车辆相邻车道与智能车辆行驶车道对智能车辆的吸引力的差值△F，具体计算公式如下：
△F＝Fl-Fc或△F＝Fr-Fc，
式中，
Fl表示智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示智能车辆右侧相邻车道对智能车辆的吸引力；
Fc表示智能车辆行驶车道对智能车辆的吸引力。
当△F>0时，则智能车辆相邻车道为智能车辆的最优行驶车道；当△F<0时，则智能车辆行驶车道为智能车辆的最优行驶车道；当△F＝0时，则智能车辆行驶车道与相邻车道均为智能车辆的最优行驶车道。
在一些实施例中，所述智能车辆相邻车道有两条，此时，所述智能车辆相邻车道为智能车辆左侧相邻车道和智能车辆右侧相邻车道，智能车辆相邻车道与智能车辆行驶车道对智能车辆的吸引力的差值△F，具体计算公式如下：
Figure BDA0003763355270000121
式中，
Fl表示智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示智能车辆右侧相邻车道对智能车辆的吸引力；
Fc表示智能车辆行驶车道对智能车辆的吸引力。
当所述智能车辆相邻车道有两条时，所述智能车辆相邻车道与智能车辆行驶车道对智能车辆的吸引力的差值△F为△F1与△F2中值较大的一个。
当△F>0时，则所述智能车辆左侧相邻车道或右侧相邻车道为智能车辆的最优行驶车道；当△F<0时，则所述智能车辆行驶车道为智能车辆的最优行驶车道；当△F＝0时，则所述智能车辆行驶车道与相邻车道均为智能车辆的最优行驶车道。
步骤4：根据观测路段智能车辆行驶车道的车流密度计算智能车辆换道决策阈值Fexp，具体计算公式如下：
Figure BDA0003763355270000131
式中，
μ、λ1和λ2均为预设值，其取值可根据具体情况进行修改；
γ为第一换道风险系数；
A为第二换道风险系数；
ρc表示观测路段智能车辆行驶车道的车流密度；
Figure BDA0003763355270000132
表示车道车流密度对时间的微分。
步骤5：通过所述智能车辆相邻车道与智能车辆行驶车道对智能车辆的吸引力差值和智能车辆换道决策阈值，判断车辆是否可以进行换道。
在△F>0的情况下，预设时间段内始终有△F>Fexp，则当智能车辆相邻车道上，智能车辆对应位置的相邻前后行驶车辆的行驶车距大于安全跟车间距时，智能车辆可以进行安全换道；反之，智能车辆不能进行换道。所述预设时间段可以为任意时间段。
如图1所示，当观测路段只有两条行车车道时，智能车辆行驶车道有车辆A1、A2和A3，智能车辆相邻车道有车辆B1、B2和B3。若智能车辆A2有换道需求，在△F>0的情况下，预设时间段内始终有△F>Fexp，则当智能车辆相邻车道的车辆B1和B2或车辆B2和B3的行驶车距大于安全跟车间距时，智能车辆A2可以进行安全换道。
综上所述，本发明提供的一种基于场的智能车辆换道决策方法,在现有通行能力仿真中的换道模型的基础上，为了便于仿真，意图通过最少的微观行为描述，以描述重现宏观行为，进一步简化了可行性检测与换道实施描述，更加注重换道需求判断。
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的保护范围当中。

Claims (7)

1.一种基于场的智能车辆换道决策方法，其特征在于：具体包括以下步骤：
1)根据获取的智能车辆的行驶速度和加速度，判断智能车辆是否有换道需求，如果智能车辆有换道需求，则进入步骤2)；
2)根据获取的观测路段的车辆速度和数量确定智能车辆行驶车道和相邻车道的车流平均速度及车流密度，分别计算观测路段智能车辆行驶车道和相邻车道的场强；所述智能车辆相邻车道包括智能车辆左侧相邻车道或右侧相邻车道中的至少一个车道；
3)根据所述观测路段智能车辆行驶车道和相邻车道的场强，分别计算智能车辆行驶车道和相邻车道对智能车辆的吸引力，并计算智能车辆行驶车道和相邻车道对智能车辆的吸引力的差值；
4)根据所述观测路段智能车辆行驶车道的车流密度，计算智能车辆换道决策阈值；
5)根据所述智能车辆行驶车道与相邻车道对智能车辆的吸引力差值和智能车辆换道决策阈值，判断智能车辆是否可以进行换道。
2.根据权利要求1所述的基于场的智能车辆换道决策方法，其特征在于：所述步骤1)具体包括以下步骤：
S1.1获取智能车辆的行驶速度v，将智能车辆的行驶速度v与智能车辆期望行驶速度vexp进行比较，若v≥vexp，则说明智能车辆无换道需求；若v<vexp，则进行S1.2；
S1.2获取智能车辆的行驶加速度a，若a>0，则说明智能车辆无换道需求；若a≤0，则说明智能车辆有换道需求，进行步骤2)。
3.根据权利要求1所述的基于场的智能车辆换道决策方法，其特征在于：所述观测路段智能车辆行驶车道和相邻车道的场强，具体计算公式如下：
Figure FDA0003763355260000011
式中，
Ec表示测路段智能车辆行驶车道的场强；
El表示测路段智能车辆左侧相邻车道的场强；
Er表示测路段智能车辆右侧相邻车道的场强；
Figure FDA0003763355260000021
表示观测路段智能车辆行驶车道的车流平均车速；
Figure FDA0003763355260000022
表示观测路段智能车辆左侧相邻车道的车流平均车速；
Figure FDA0003763355260000023
表示观测路段智能车辆右侧相邻车道的车流平均车速；
vc(max)表示观测路段智能车辆行驶车道的最大允许速度；
vl(max)表示观测路段智能车辆左侧相邻车道的最大允许速度；
vr(max)表示观测路段智能车辆右侧相邻车道的最大允许速度；
ρc表示观测路段智能车辆行驶车道的车流密度；
ρl表示观测路段智能车辆左侧相邻车道的车流密度；
ρr表示观测路段智能车辆右侧相邻车道的车流密度；
ρc(max)表示观测路段智能车辆行驶车道的最大允许车流密度；
ρl(max)表示观测路段智能车辆左侧相邻车道的最大允许车流密度；
ρr(max)表示观测路段智能车辆右侧相邻车道的最大允许车流密度；
ωc1表示观测路段智能车辆行驶车道的车流平均车速的影响权重；
ωl1表示观测路段智能车辆左侧车道的车流平均车速的影响权重；
ωr1表示观测路段智能车辆右侧车道的车流平均车速的影响权重；
ωc2表示观测路段智能车辆行驶车道的车流密度的影响权重；
ωl2表示观测路段智能车辆左侧相邻车道的车流密度的影响权重；
ωr2表示观测路段智能车辆右侧相邻车道的车流密度的影响权重。
4.根据权利要求3所述的基于场的智能车辆换道决策方法，其特征在于：所述智能车辆行驶车道和相邻车道对智能车辆的吸引力，具体计算公式如下：
Figure FDA0003763355260000031
其中，△v＝vr-vexp
式中，
Fc表示观测路段智能车辆行驶车道对智能车辆的吸引力；
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
Ec表示观测路段智能车辆行驶车道的场强；
El表示观测路段智能车辆左侧相邻车道的场强；
Er表示观测路段智能车辆右侧相邻车道的场强；
vr表示智能车辆的行驶速度；
vexp表示智能车辆的期望行驶速度；
△v表示智能车辆行驶速度与期望行驶速度的速度差。
5.根据权利要求4所述的基于场的智能车辆换道决策方法，其特征在于：所述观测路段智能车辆行驶车道与相邻车道对智能车辆的吸引力的差值，具体计算公式如下：
△F＝Fl-Fc或△F＝Fr-Fc
式中，
Fl表示观测路段智能车辆左侧相邻车道对智能车辆的吸引力；
Fr表示观测路段智能车辆右侧相邻车道对智能车辆的吸引力；
Fc表示观测路段智能车辆行驶车道对智能车辆的吸引力。
6.根据权利要求5所述的基于场的智能车辆换道决策方法，其特征在于：所述智能车辆换道决策阈值Fexp，具体计算公式如下：
Figure FDA0003763355260000032
式中，
μ、λ1和λ2均为预设值；
γ为第一换道风险系数；
A为第二换道风险系数；
ρc表示观测路段智能车辆行驶车道的车流密度；
Figure FDA0003763355260000041
表示车道车流密度对时间的微分。
7.根据权利要求6所述的基于场的智能车辆换道决策方法，其特征在于：所述判断智能车辆是否换道包括以下步骤：在△F>0的情况下，预设时间段内始终有△F>Fexp，则当智能车辆相邻车道上，智能车辆对应位置的相邻前后行驶车辆的行驶车距大于安全跟车间距时，智能车辆可以进行安全换道；反之，智能车辆不能进行换道。
CN202210878817.3A 2022-07-25 2022-07-25 一种基于场的智能车辆换道决策方法 Active CN115440088B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210878817.3A CN115440088B (zh) 2022-07-25 2022-07-25 一种基于场的智能车辆换道决策方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210878817.3A CN115440088B (zh) 2022-07-25 2022-07-25 一种基于场的智能车辆换道决策方法

Publications (2)

Publication Number Publication Date
CN115440088A true CN115440088A (zh) 2022-12-06
CN115440088B CN115440088B (zh) 2024-05-14

Family

ID=84241571

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210878817.3A Active CN115440088B (zh) 2022-07-25 2022-07-25 一种基于场的智能车辆换道决策方法

Country Status (1)

Country Link
CN (1) CN115440088B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004009085A1 (de) * 2003-02-25 2005-01-20 Kabushiki Kaisha Toshiba Verkehrsfluss-Simulationssystem und Verfahren und Speichermedien
CN111445697A (zh) * 2020-03-22 2020-07-24 华南理工大学 一种智能网联条件下的高速公路协同车辆换道控制方法
US20200310430A1 (en) * 2019-03-28 2020-10-01 Honda Motor Co., Ltd. Vehicle control apparatus, vehicle control method, and storage medium
CN113291324A (zh) * 2021-06-25 2021-08-24 的卢技术有限公司 一种智能汽车个性化换道决策方法、系统及介质
US20210300381A1 (en) * 2018-08-02 2021-09-30 Jeongseok Chemical Corporation Method for Generating Magnetic Field, Method for Detecting Lane by Using Magnetic Field, and Vehicle Using Same
CN113946943A (zh) * 2021-09-26 2022-01-18 清华大学 人-车-路微观交通系统建模及风险辨识方法及装置
CN114200917A (zh) * 2020-08-27 2022-03-18 郑州宇通客车股份有限公司 一种车辆换道控制方法及装置
CN114613142A (zh) * 2022-03-24 2022-06-10 长沙理工大学 一种基于规则的自动驾驶交叉口车辆换道控制方法
CN114613195A (zh) * 2022-03-18 2022-06-10 重庆大学 一种面向混合交通的车辆换道风险评估方法及装置
CN114627647A (zh) * 2022-03-16 2022-06-14 重庆大学 一种基于可变限速与换道结合的混合交通流优化控制方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004009085A1 (de) * 2003-02-25 2005-01-20 Kabushiki Kaisha Toshiba Verkehrsfluss-Simulationssystem und Verfahren und Speichermedien
US20210300381A1 (en) * 2018-08-02 2021-09-30 Jeongseok Chemical Corporation Method for Generating Magnetic Field, Method for Detecting Lane by Using Magnetic Field, and Vehicle Using Same
US20200310430A1 (en) * 2019-03-28 2020-10-01 Honda Motor Co., Ltd. Vehicle control apparatus, vehicle control method, and storage medium
CN111445697A (zh) * 2020-03-22 2020-07-24 华南理工大学 一种智能网联条件下的高速公路协同车辆换道控制方法
CN114200917A (zh) * 2020-08-27 2022-03-18 郑州宇通客车股份有限公司 一种车辆换道控制方法及装置
CN113291324A (zh) * 2021-06-25 2021-08-24 的卢技术有限公司 一种智能汽车个性化换道决策方法、系统及介质
CN113946943A (zh) * 2021-09-26 2022-01-18 清华大学 人-车-路微观交通系统建模及风险辨识方法及装置
CN114627647A (zh) * 2022-03-16 2022-06-14 重庆大学 一种基于可变限速与换道结合的混合交通流优化控制方法
CN114613195A (zh) * 2022-03-18 2022-06-10 重庆大学 一种面向混合交通的车辆换道风险评估方法及装置
CN114613142A (zh) * 2022-03-24 2022-06-10 长沙理工大学 一种基于规则的自动驾驶交叉口车辆换道控制方法

Also Published As

Publication number Publication date
CN115440088B (zh) 2024-05-14

Similar Documents

Publication Publication Date Title
CN110298131B (zh) 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN109976340B (zh) 一种基于深度增强学习的人机协同动态避障方法及系统
US11964655B2 (en) Backward anti-collision driving decision-making method for heavy commercial vehicle
US8258934B2 (en) Vehicle and method of advising a driver therein
CN106874597A (zh) 一种应用于自动驾驶车辆的高速公路超车行为决策方法
CN112249002B (zh) 一种基于td3的启发式串并联混合动力能量管理方法
CN110525428B (zh) 一种基于模糊深度强化学习的自动泊车方法
CN110626339A (zh) 基于驾驶员意图的紧急避障自动驾驶辅助力矩计算方法
CN115056798B (zh) 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法
Bayar et al. Impact of different spacing policies for adaptive cruise control on traffic and energy consumption of electric vehicles
CN110239556B (zh) 一种驾驶员即时操控能力感知方法
CN112896188A (zh) 一种考虑前车遭遇的自动驾驶决策控制的系统
Lu et al. From vehicle stability control to intelligent personal minder: Real-time vehicle handling limit warning and driver style characterization
CN115257789A (zh) 城市低速环境下的营运车辆侧向防撞驾驶决策方法
CN114987538A (zh) 一种网联自动驾驶环境下考虑多目标优化的协同换道方法
CN115116249A (zh) 一种自动驾驶车辆不同渗透率与道路通行能力的估计方法
CN111476491A (zh) 一种城市交通场景中的车辆运动模拟分析方法
Ngo et al. Real-time eco-driving for connected electric vehicles
Li et al. Incorporated vehicle lateral control strategy for stability and enhanced energy saving in distributed drive hybrid bus
CN113033902B (zh) 一种基于改进深度学习的自动驾驶换道轨迹规划方法
CN115440088A (zh) 一种基于场的智能车辆换道决策方法
Lin et al. Adaptive prediction-based control for an ecological cruise control system on curved and hilly roads
CN109760681A (zh) 一种换道控制方法及装置
CN116039672A (zh) 一种面向自动驾驶决策控制功能的数据-模型后端融合方法
CN113793074B (zh) 一种自动驾驶车辆社会合作性评价方法

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