CN115456392A - 一种高速多车多驾驶行为冲突协同决策方法及装置 - Google Patents

一种高速多车多驾驶行为冲突协同决策方法及装置 Download PDF

Info

Publication number
CN115456392A
CN115456392A CN202211084503.2A CN202211084503A CN115456392A CN 115456392 A CN115456392 A CN 115456392A CN 202211084503 A CN202211084503 A CN 202211084503A CN 115456392 A CN115456392 A CN 115456392A
Authority
CN
China
Prior art keywords
vehicle
driving behavior
driving
lane
speed
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
CN202211084503.2A
Other languages
English (en)
Other versions
CN115456392B (zh
Inventor
张新锋
吴�琳
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.)
Changan University
Original Assignee
Changan 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 Changan University filed Critical Changan University
Priority to CN202211084503.2A priority Critical patent/CN115456392B/zh
Publication of CN115456392A publication Critical patent/CN115456392A/zh
Application granted granted Critical
Publication of CN115456392B publication Critical patent/CN115456392B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/40—Business processes related to the transportation industry
    • G—PHYSICS
    • G08—SIGNALLING
    • G08G—TRAFFIC CONTROL SYSTEMS
    • G08G1/00—Traffic control systems for road vehicles
    • G08G1/16—Anti-collision systems
    • G08G1/166—Anti-collision systems for active traffic, e.g. moving vehicles, pedestrians, bikes

Landscapes

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

Abstract

本发明提供了一种高速多车多驾驶行为冲突协同决策方法及装置，属于自动驾驶领域，包括采集车辆驾驶信息和静态交通信息；创建车辆初始候选驾驶行为集合
Figure DDA0003834934760000011
基于采集的信息对车辆初始候选驾驶行为集合
Figure DDA0003834934760000012
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure DDA0003834934760000013
基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure DDA0003834934760000014
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure DDA0003834934760000015
将车辆潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure DDA0003834934760000016
中，得到候选驾驶行为集合
Figure DDA0003834934760000017
基于KM算法对多车的
Figure DDA0003834934760000018
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为。该方法避免了单车行为决策冲突的发生，有利于保证道路交通安全，提高通行效率。

Description

一种高速多车多驾驶行为冲突协同决策方法及装置
技术领域
本发明属于自动驾驶技术领域，具体涉及一种高速多车多驾驶行为冲突协同决策方法及装置。
背景技术
行为决策系统是自动驾驶汽车的关键技术，作为自动驾驶技术的核心，其智能水平直接决定了车辆行车的安全性和可靠性，以及在复杂多变的实时交通环境下的适应性。
目前自动驾驶行为决策方法的研究主要分为三类：基于规则的行为决策方法；基于学习的行为决策方法；基于效用函数的行为决策方法。
(1)基于规则的行为决策模型：该方法通过选定判断条件，根据当前的情形判断是否满足条件来选择最终的驾驶行为，常用方法有状态机和决策树。
(2)基于学习的行为决策方法：该方法利用大量数据进行模型训练模拟真实驾驶环境，通过模型完成驾驶行为选择，常用方法有：部分观测马尔可夫决策过程、卷积神经网络等。
(3)基于效用函数的行为决策方法:该方法使用效用函数评估驾驶动作的优劣程度，从而在多个备选方案中选取最优的驾驶策略。
现有决策方法主要针对单车驾驶行为决策进行研究，决策过程中采取自车利益优先策略。当驾驶环境中出现两个及两个以上车辆时，这种以自车利益优先的单车驾驶行为决策，会导致车辆潜在空间位置发生冲突，且该冲突会随着车道和车辆数目的增加而不断加剧，不利于道路交通的全局高效安全运行。
发明内容
为解决高速公路场景下多车道、多车自动驾驶行为决策时，因自车利益优先策略导致车辆潜在空间位置发生冲突的问题，本发明实施提供了一种高速多车多驾驶行为冲突协同决策方法及装置。
为了实现上述目的，本发明提供如下技术方案：
一种高速多车多驾驶行为冲突协同决策方法，包括：
采集车辆驾驶信息和静态交通信息，并通过车辆驾驶信息计算得到车辆车头和车尾的潜在位置信息；
创建车辆初始候选驾驶行为集合
Figure BDA0003834934740000021
基于静态交通信息对车辆初始候选驾驶行为集合
Figure BDA0003834934740000022
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000023
基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000024
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure BDA0003834934740000025
将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure BDA0003834934740000026
中，得到包含车辆潜在位置信息的候选驾驶行为集合
Figure BDA0003834934740000027
基于KM算法对多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000028
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为。
优选地，车辆行驶速度的行为与车辆行驶方向的行为两两组合构成车辆的驾驶行为；
所述车辆行驶速度的行为分为：保持车速、加速和减速；
所述车辆行驶方向的行为分为：保持车道和换道。
优选地，对于车辆V1而言最多具有9种候选驾驶行为，构造车辆V1的初始候选驾驶行为集合
Figure BDA0003834934740000029
Figure BDA00038349347400000210
其中，
Figure BDA00038349347400000211
为候选驾驶行为集合未经任何处理，为车辆V1的初始候选驾驶行为集合；m1、m2、m3分别表示保持车道、向左换道和向右换道；n1、n2、n3分别表示保持车速、加速、减速。
优选地，所述基于静态交通信息对车辆初始候选驾驶行为集合
Figure BDA0003834934740000031
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000032
具体包括以下步骤：
step1：若车辆当前车道左侧车道在道路边界范围内，且车辆初始速度满足左侧车道限速要求，则允许车辆保持车速向左换道，若车辆加速或减速后车速满足左侧车道限速要求，则允许车辆加速或减速向左换道；
step2：若车辆当前车道右侧车道在道路边界范围内，且车辆初始速度满足右侧车道限速要求，则允许车辆保持车速向右换道，若车辆加速或减速后车速满足右侧车道限速要求，则允许车辆加速或减速向右换道；
step3：若车辆加速或减速后车速满足当前车道限速要求，则允许车辆在当前车道加速或减速，始终允许车辆在当前车道保持车速行驶；
最终筛选得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000033
Figure BDA0003834934740000034
其中，j∈{1,2,3}，k∈{1,2,3}。
优选地，所述效用函数为：
fall＝αvfv+αnfn+αsfs+αufu+αdfd (3)
其中，fall表示驾驶行为效用值，fv、fn、fs、fu、fd分别表示车道平均车速、车辆密度、行进空间、行进空间和TTC、行驶负担评价指标，αv、αn、αs、αu、αd表示各项评价指标的权重。
优选地，速度评价指标fv为：
Figure BDA0003834934740000035
其中，vlane表示所评估车道内N个车辆的平均车速，vlimit为道路最大限速；
车辆密度评价指标fn为：
Figure BDA0003834934740000036
其中，Ni表示所评估目标车道i的车辆密度，Nmax表示最大车辆密度；
行进空间评价指标fs为：
Figure BDA0003834934740000041
其中，Si表示所评估目标车道i上自车前方行进空间，在前方没有车辆时设置fs＝1；Smax为驾驶行为决策系统考虑的车辆前方最大行进空间；
TTC评价指标fu为：
Figure BDA0003834934740000042
其中，TTCi为本车与目标车道i后方车辆的碰撞时间，标准TTCstd为ISO标准按照两车相对接近速度对TTC标准值进行划分；
行驶负担评价指标fd为：
Figure BDA0003834934740000043
其中，dmax和dmin分别表示车辆实施候选驾驶行为所有可能横向距离的最大值和最小值，d表示所评价驾驶行为的横向距离。
优选地，所述包含效用信息的候选驾驶行为集合
Figure BDA0003834934740000044
为：
Figure BDA0003834934740000045
其中，
Figure BDA00038349347400000410
候选驾驶行为集合在
Figure BDA0003834934740000046
集合基础上增加了驾驶行为效用值；fnum表示编号为num的驾驶行为的效用值。
优选地，所述包含车辆潜在位置信息的候选驾驶行为集合
Figure BDA0003834934740000047
的获取具体包括：
将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure BDA0003834934740000048
中，得到包含车辆驾驶行为、驾驶行为效用值、目标车道编号和车头车尾潜在位置信息的车载端输出结果：
Figure BDA0003834934740000049
其中，f、i、x、x+l分别表示驾驶行为的效用值、目标车道编号、车尾和车头纵向位置，其总数目为num，与车辆当前所处道路环境下可行的驾驶行为数目相同。
优选地，所述基于KM算法对多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000051
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为，具体包括以下步骤：
step1：遍历接收的多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000052
得到车辆集合V＝{V1,V2,…,VN}，遍历潜在位置信息并进行处理，得到潜在位置区间信息，对潜在位置区间进行编号，不同车辆之间冲突的潜在位置区间使用同一个编号，最终得到目标集合T＝{T1,T2,…,TW}，车辆和潜在位置之间的效用值作为KM算法之间的权值；
step2：对V集合中的每个点设置顶标为该顶点关联的最大权值，即车辆对应的最大效用值，T集合的顶标设置为0；
step3：从V集合的每个顶点出发，找出相等子图并使用匈牙利搜索算法搜索最大匹配；
step4：判断最大匹配是否为原图的完备匹配，若是完备匹配，则该匹配为所求最优匹配，若不是完备匹配，则修改可行顶标。顶标修改方法：将从V集合出发到T集合结束的交替路径上每个属于V集合的顶标都减去一个d值，属于T集合的顶标加上一个值d，其中d为该交错路径上，边的端点顶标之和与边权之差的最小值；
step5：重复step2～3直到找到最优匹配，按照匹配的结果，取出对应车辆和潜在位置并将潜在位置对应的车辆驾驶行为，下发自动驾驶车辆执行。
本发明的另一目的在于提供一种高速多车多驾驶行为冲突协同装置，包括：
数据采集模块，用于采集车辆驾驶信息和静态交通信息；
第一候选驾驶行为构建模块，用于创建车辆初始候选驾驶行为集合
Figure BDA0003834934740000053
第二候选驾驶行为构建模块，用于基于静态交通信息对车辆初始候选驾驶行为集合
Figure BDA0003834934740000061
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000062
驾驶行为评价模块，基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000063
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure BDA0003834934740000064
车辆潜在位置预测模块，用于将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure BDA0003834934740000065
中，得到包含车辆潜在位置信息的候选驾驶行为集合
Figure BDA0003834934740000066
车辆驾驶行为匹配模块，用于基于KM算法对多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000067
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行。
本发明提供的高速多车多驾驶行为冲突协同决策方法具有以下有益效果：
本发明将车辆驾驶信息和静态交通信息相结合，获取多个车辆的总候选驾驶行为集合，最终通过KM算法对多个车辆的总候选驾驶行为集合M中的驾驶行为进行决策，以全局总效用最大为决策目标，为每个车辆匹配最优驾驶行为；当车辆驾驶行为与其它车辆驾驶行为不存在冲突时，为车辆匹配效用值最大的驾驶行为；当车辆驾驶行为存在冲突时，能够解决冲突，为车辆匹配满足决策目标的驾驶行为，实现协同决策，从而避免了单车行为决策冲突的发生，有利于保证道路交通安全，提高通行效率。
附图说明
为了更清楚地说明本发明实施例及其设计方案，下面将对本实施例所需的附图作简单地介绍。下面描述中的附图仅仅是本发明的部分实施例，对于本领域普通技术人员来说，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是本发明实施例提供的高速多车多驾驶行为冲突协同决策方法的整体框架图；
图2是车辆和驾驶行为最优匹配问题的带权二分图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案并能予以实施，下面结合附图和具体实施例对本发明进行详细说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
实施例1
本发明提供了一种高速多车多驾驶行为冲突协同决策方法，基于车路协同环境、高速公路多车道多车场景而实施，所有车辆均为网联自动驾驶车(Connected AutomatedVehicle,CAV)。车辆和路侧设备通过传感技术获取行驶环境有关的各类数据，可以使用先进的通信技术，进行车辆之间(V2V)、车辆与基础设施之间(V2I)的信息交互。车辆可以通过路侧设备获取更加准确可靠的道路交通环境信息，路侧设备也能够以系统最优为目标集中对多车驾驶行为进行协调，从而实现交通群体的协同决策。如图1所示，具体实施步骤如下。
步骤1、采集车辆驾驶信息和静态交通信息。本实施例中静态交通信息指的是道路边界和行车速度规则，通过路侧设备提供；本实施例中的车辆驾驶信息包括车速以及车辆实施驾驶行为的持续时间，其中车速信息通过车载终端采集，车辆实施驾驶行为持续时间通过车辆决策模块进行设置，通过车辆驾驶信息里的车速以及车辆实施驾驶行为的持续时间计算得到车辆车头和车尾的潜在信息。
步骤2、创建车辆初始候选驾驶行为集合
Figure BDA0003834934740000071
该部分内容在车载端实施。将车辆行驶速度的行为分为：保持车速、加速和减速，行驶方向的行为分为保持车道和换道，其中换道包括向左换道和向右换道；行驶速度与行驶方向的行为两两组合构成车辆的驾驶行为。对于车辆V1而言最多具有9种候选驾驶行为，构造车辆V1的初始候选驾驶行为集合
Figure BDA0003834934740000072
Figure BDA0003834934740000081
其中，
Figure BDA0003834934740000082
候选驾驶行为集合未经任何处理，为车辆V1的初始候选驾驶行为集合；m1、m2、m3分别表示保持车道、向左换道和向右换道；n1、n2、n3分别表示保持车速、加速、减速。
车辆V1当前所处车道编号为icur，车道编号最大为imax；初始速度为v0，经过加速或减速后车速变为v1，交通法规要求的车道限制最低车速和最高车速分别为vmin、vmax；初始时刻车辆车尾位置坐标为(x0,y0)，其中x0为纵向位置坐标(沿着车道线方向)，y0为横向位置坐标(垂直于车道线方向)，根据道路边界条件和行车速度规则要求两种静态交通信息建立如步骤3的算法对车辆候选驾驶行为集合中驾驶行为进行筛选。
步骤3、基于静态交通信息对车辆初始候选驾驶行为集合
Figure BDA0003834934740000083
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000084
具体流程如下：
step1：若车辆当前车道左侧车道在道路边界范围内，且车辆初始速度满足左侧车道限速要求，则允许车辆保持车速向左换道，若车辆加速或减速后车速满足左侧车道限速要求，则允许车辆加速或减速向左换道；
step2：若车辆当前车道右侧车道在道路边界范围内，且车辆初始速度满足右侧车道限速要求，则允许车辆保持车速向右换道，若车辆加速或减速后车速满足右侧车道限速要求，则允许车辆加速或减速向右换道；
step3：若车辆加速或减速后车速满足当前车道限速要求，则允许车辆在当前车道加速或减速，始终允许车辆在当前车道保持车速行驶。
从上述流程中可以看出，如果车辆当前车道左侧车道在道路边界范围内，且车辆的初始速度在该车道的限速条件规定内，则车辆可以保持原有车速前往该车道，再对车辆加速或减速后的速度进行判断，若该速度满足车道限速条件则车辆可以加速或减速前往该车道，车辆前往右侧车道判断方法类似。车辆在当前车道保持原有车速行驶被认为是始终可行的，在当前车道加速或减速行驶时需要判断加速或减速后的速度是否满足限速条件，只有当车速满足道路限速要求时车辆方可执行该变速动作，最终筛选得到满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000091
Figure BDA0003834934740000092
其中，
Figure BDA0003834934740000093
候选驾驶行为集合已经进行筛选，为满足静态交通信息的候选驾驶行为集合；j∈{1,2,3}；k∈{1,2,3}。
步骤4、基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure BDA0003834934740000094
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure BDA0003834934740000095
该部分内容在车载端实施。车辆改变驾驶行为的目的是为了提高驾驶效率和改善驾驶安全。不同驾驶行为之间的过渡条件本质上是驾驶行为预期利益的反映。因此，可以通过评估不同驾驶行为来量化预期利益。效用在驾驶行为决策中能够用于衡量车辆不同驾驶行为的预期利益，效用函数可以对某个驾驶行为预期利益进行定量评价。
构造效用函数时，明确车道平均车速和车辆密度反映车辆驾驶行为决策时选取不同目标车道的通行效率，行进空间和TTC(Time To Collision)反映执行不同驾驶行为的驾驶空间效益以及驾驶空间安全性，行驶负担用于权衡车辆执行换道行为获取的行驶效率与执行换道行为的操作负担。最终选取车道平均车速、车辆密度、行进空间、TTC(Time ToCollision)、行驶负担五个评价指标建立效用函数来对车辆驾驶行为进行定量评价：
fall＝αvfv+αnfn+αsfs+αufu+αdfd (3)
其中，fall表示驾驶行为效用值，fv、fn、fs、fu、fd分别表示车道平均车速、车辆密度、行进空间、TTC、行驶负担评价指标，αv、αn、αs、αu、αd表示各项评价指标的权重。
(1)速度评价指标fv
车辆行驶过程中通常选择在能够保证安全的前提下提升速度以提高行驶效率，采用车道平均车速作为车辆实施驾驶行为时选择不同目标车道(目标车道为车辆实施驾驶行为结束时刻所在车道)的速度评价指标：
Figure BDA0003834934740000101
其中，vlane表示所评估车道内N个车辆的平均车速；vr表示车道内N个车辆各自的行驶车速；r表示每个车辆的编号，最大为N。
在道路最大限速vlimit下，对平均车速进行归一化处理，得到速度评价指标fv：
Figure BDA0003834934740000102
(2)车辆密度评价指标fn
当车道内车辆密度过大时，会影响车道平均车速，降低车道通行效率，因此车辆行驶时通常会选择车辆密度较小的车道。设置决策系统考虑的车道内的最大车辆密度为Nmax，则车辆密度评价指标fn通过归一化处理如下：
Figure BDA0003834934740000103
其中，Ni表示所评估目标车道i的车辆密度。
(3)行进空间评价指标fs
行进空间表示车辆行驶前方未被其他车辆占据的道路空间，为保证行车安全以及获取更高的行驶自由度，车辆行驶时通常会倾向于换道到行进空间更大的车道上。设驾驶行为决策系统考虑的车辆前方最大行进空间为Smax，则行进空间评价指标fs通过归一化处理如下：
Figure BDA0003834934740000104
其中，Si表示所评估目标车道i上自车前方行进空间，在前方没有车辆时设置fs＝1。
(4)TTC评价指标fu
当车辆行驶时与后车没有留出充分的空间，会与后车之间产生潜在的碰撞风险。采用TTC来度量该潜在风险，TTC表示两辆车相撞前的剩余时间长度，根据ISO标准按照两车相对接近速度对TTC标准值进行划分，当相对速度小于等于10m·s-1时，标准TTCstd为2.5s；当相对速度为10至15m·s-1时，标准TTCstd值为3s；当相对速度为15至20m·s-1时，标准TTCstd为3.5s。根据标准TTCstd，车辆的TTC评价指标fu通过归一化处理如下：
Figure BDA0003834934740000111
其中，TTCi为本车与目标车道i后方车辆的碰撞时间，标准TTCstd为ISO标准按照两车相对接近速度对TTC标准值进行划分。
(5)行驶负担评价指标fd
车辆执行换道行为有时能够提高行驶效率，但也会对车辆带来一定的操作负担，并且换道行为与保持车道行为相比行车风险增加，这种风险会随着车辆横向位移的增加而加剧。采用行驶负担评价指标来体现这种特性，行驶负担评价指标fd通过归一化处理如下：
Figure BDA0003834934740000112
其中，dmax和dmin分别表示车辆实施候选驾驶行为所有可能横向距离的最大值和最小值，d表示所评价驾驶行为的横向距离。
通过驾驶行为评价效用函数计算出车辆候选驾驶行为集合
Figure BDA0003834934740000113
中驾驶行为的效用值，最终得到包含效用信息的候选驾驶行为集合
Figure BDA0003834934740000114
Figure BDA0003834934740000115
其中，
Figure BDA0003834934740000116
候选驾驶行为集合在
Figure BDA0003834934740000117
集合基础上增加了驾驶行为效用值；fnum表示编号为num的驾驶行为的效用值，已经通过静态交通信息对初始候选驾驶行为集合进行筛选，故候选驾驶行为和其效用值总数量(num)小于等于9。
步骤5、车辆潜在位置预测：具体为将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure BDA0003834934740000118
中，得到包含车辆潜在位置信息的候选驾驶行为集合
Figure BDA0003834934740000119
该部分内容在车载端实施。车辆潜在位置区间不满足安全距离要求或存在交集时，则表示车辆执行到达该潜在位置的驾驶行为存在冲突。车辆潜在位置可以通过车速以及车辆实施驾驶行为的持续时间计算获得，设车辆实施驾驶行为从开始到结束持续时间低于tm，则采用车辆实施驾驶行为tm时间段后的位置作为其潜在位置。同时设车辆长度为l，初始速度为v0，实施驾驶行为结束时刻车速为v1，车辆车尾初始纵向位置为x0，车辆实施驾驶行为前后始终沿车道中心线行驶。
若车辆驾驶行为是保持车道，则tm时间段后车尾纵向位置x1为：
Figure BDA0003834934740000121
车头纵向位置为x1+l。
若车辆驾驶行为是换道，则x1为：
Figure BDA0003834934740000122
式中，t表示换道时间。
最终将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure BDA0003834934740000126
中，得到包含车辆驾驶行为、驾驶行为效用值、目标车道编号和车头车尾潜在位置信息的车载端输出结果：
Figure BDA0003834934740000123
其中，
Figure BDA0003834934740000124
集合为车载端最终输出的候选驾驶行为集合；f、i、x、x+l分别表示驾驶行为的效用值、目标车道编号、车尾和车头纵向位置，其总数目为num，与车辆当前所处道路环境下可行的驾驶行为数目相同。
步骤6、基于KM算法进行多车驾驶行为决策：具体为基于KM算法对多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000125
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为。
该部分内容在路侧端实施。如图2所示，将求解车辆和驾驶行为的最优匹配问题用带权二分图进行，车辆和其实施驾驶行为后的潜在位置区间看作一个无向图的点集合，车辆和潜在位置区间之间的匹配关系看作无向图的边，车辆驾驶行为效用值看作边的权值，这一问题即为典型的带权二分图最优匹配问题，可用KM算法求得最优解。
路侧端接收观测范围内N个车辆V＝{V1,V2,…,VN}的包含驾驶行为、驾驶行为效用值、目标车道编号、潜在位置信息的多个车辆的总候选驾驶行为集合
Figure BDA0003834934740000131
遍历获取所有车辆车头和车尾潜在位置得到潜在位置区间信息，不同潜在位置区间信息代表车辆不同驾驶行为。同时对所有潜在位置区间进行编号作为目标集合，同一车辆若潜在位置区间存在交集则保留效用值较大的一个，不同车辆潜在位置区间不满足最小安全距离要求或存在交集则使用同一个编号，设最终得到W个目标构成目标集合T＝{T1,T2,…,TW}。车辆驾驶行为效用值作为KM算法中车辆集合和目标集合之间的权值，最终通过KM算法为每个车辆匹配到最优驾驶行为，基于KM算法的多车驾驶行为决策具体流程如下：：
step1：遍历从车载端接收的候选驾驶行为集合得到车辆集合V＝{V1,V2,…,VN}，遍历潜在位置信息并进行处理，得到潜在位置区间信息，对潜在位置区间进行编号，不同车辆之间冲突的潜在位置区间使用同一个编号，最终得到目标集合T＝{T1,T2,…,TW}，车辆和潜在位置之间的效用值作为KM算法之间的权值；
step2：对V集合中的每个点设置顶标为该顶点关联的最大权值，即车辆对应的最大效用值，T集合的顶标设置为0；
step3：从V集合的每个顶点出发，找出相等子图并使用匈牙利搜索算法搜索最大匹配；
step4：判断最大匹配是否为原图的完备匹配，若是完备匹配，则该匹配为所求最优匹配，若不是完备匹配，则修改可行顶标。顶标修改方法：将从V集合出发到T集合结束的交替路径上每个属于V集合的顶标都减去一个d值，属于T集合的顶标加上一个值d，其中d为该交错路径上，边的端点顶标之和与边权之差的最小值；
step5：重复step2～3直到找到最优匹配，按照匹配的结果，取出对应车辆和潜在位置并将潜在位置对应的车辆驾驶行为，下发自动驾驶车辆执行。
最终通过KM算法以全局总效用最大为决策目标，为每个车辆匹配最优驾驶行为；当车辆驾驶行为与其它车辆驾驶行为不存在冲突时，为车辆匹配效用值最大的驾驶行为；当车辆驾驶行为存在冲突时，能够解决冲突，为车辆匹配满足决策目标的驾驶行为。
本发明通过利用车路协同技术，实现一种高速多车多驾驶行为冲突协同决策方法，有效解决了高速多车、多车自动驾驶行为决策冲突的问题。其中车辆和路侧设备可以进行信息交互，车辆可以通过路侧设备获取更加准确可靠的道路环境信息；车载端处理本车驾驶行为决策信息，路侧端处理交通群体决策信息，实现协同决策，决策过程中车辆群体关注共同利益或共同目标，从而避免了单车行为决策冲突的发生，有利于保证道路交通安全，提高通行效率，并且利用以边缘为中心的计算的优势，提供了一个本地分布式计算环境，保证了决策的实时性能。
以上所述实施例仅为本发明较佳的具体实施方式，本发明的保护范围不限于此，任何熟悉本领域的技术人员在本发明披露的技术范围内，可显而易见地得到的技术方案的简单变化或等效替换，均属于本发明的保护范围。

Claims (10)

1.一种高速多车多驾驶行为冲突协同决策方法，其特征在于，包括以下步骤：
采集车辆驾驶信息和静态交通信息，并通过车辆驾驶信息计算得到车辆车头和车尾的潜在位置信息；
创建车辆初始候选驾驶行为集合
Figure FDA0003834934730000011
基于静态交通信息对车辆初始候选驾驶行为集合
Figure FDA0003834934730000012
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000013
基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000014
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure FDA0003834934730000015
将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure FDA0003834934730000016
中，得到包含车辆潜在位置信息的候选驾驶行为集合
Figure FDA0003834934730000017
基于KM算法对多个车辆的总候选驾驶行为集合
Figure FDA0003834934730000018
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为。
2.根据权利要求1所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，车辆行驶速度的行为与车辆行驶方向的行为两两组合构成车辆的驾驶行为；
所述车辆行驶速度的行为分为：保持车速、加速和减速；
所述车辆行驶方向的行为分为：保持车道和换道。
3.根据权利要求2所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，对于车辆V1而言具有9种候选驾驶行为，构造车辆V1的初始候选驾驶行为集合
Figure FDA0003834934730000019
Figure FDA00038349347300000110
其中，
Figure FDA00038349347300000111
为候选驾驶行为集合未经任何处理，为车辆V1的初始候选驾驶行为集合；m1、m2、m3分别表示保持车道、向左换道和向右换道；n1、n2、n3分别表示保持车速、加速、减速。
4.根据权利要求3所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，所述基于静态交通信息对车辆初始候选驾驶行为集合
Figure FDA0003834934730000021
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000022
具体包括以下步骤：
step1：若车辆当前车道左侧车道在道路边界范围内，且车辆初始速度满足左侧车道限速要求，则允许车辆保持车速向左换道，若车辆加速或减速后车速满足左侧车道限速要求，则允许车辆加速或减速向左换道；
step2：若车辆当前车道右侧车道在道路边界范围内，且车辆初始速度满足右侧车道限速要求，则允许车辆保持车速向右换道，若车辆加速或减速后车速满足右侧车道限速要求，则允许车辆加速或减速向右换道；
step3：若车辆加速或减速后车速满足当前车道限速要求，则允许车辆在当前车道加速或减速，始终允许车辆在当前车道保持车速行驶；
最终筛选得到满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000023
Figure FDA0003834934730000024
其中，j∈{1,2,3}，k∈{1,2,3}。
5.根据权利要求1所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，所述效用函数为：
fall＝αvfv+αnfn+αsfs+αufu+αdfd (3)
其中，fall表示驾驶行为效用值，fv、fn、fs、fu、fd分别表示车道平均车速、车辆密度、行进空间、行进空间和TTC、行驶负担评价指标，αv、αn、αs、αu、αd表示各项评价指标的权重。
6.根据权利要求5所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，速度评价指标fv为：
Figure FDA0003834934730000025
其中，vlane表示所评估车道内N个车辆的平均车速，vlimit为道路最大限速；
车辆密度评价指标fn为：
Figure FDA0003834934730000031
其中，Ni表示所评估目标车道i的车辆密度，Nmax表示最大车辆密度；
行进空间评价指标fs为：
Figure FDA0003834934730000032
其中，Si表示所评估目标车道i上自车前方行进空间，在前方没有车辆时设置fs＝1；Smax为驾驶行为决策系统考虑的车辆前方最大行进空间；
TTC评价指标fu为：
Figure FDA0003834934730000033
其中，TTCi为本车与目标车道i后方车辆的碰撞时间，标准TTCstd为ISO标准按照两车相对接近速度对TTC标准值进行划分；
行驶负担评价指标fd为：
Figure FDA0003834934730000034
其中，dmax和dmin分别表示车辆实施候选驾驶行为所有可能横向距离的最大值和最小值，d表示所评价驾驶行为的横向距离。
7.根据权利要求5所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，所述包含效用信息的候选驾驶行为集合
Figure FDA0003834934730000035
为：
Figure FDA0003834934730000036
其中，
Figure FDA0003834934730000037
候选驾驶行为集合在
Figure FDA0003834934730000038
集合基础上增加了驾驶行为效用值；fnum表示编号为num的驾驶行为的效用值。
8.根据权利要求7所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，所述包含车辆潜在位置信息的候选驾驶行为集合
Figure FDA0003834934730000039
的获取具体包括：
将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure FDA0003834934730000041
中，得到包含车辆驾驶行为、驾驶行为效用值、目标车道编号和车头车尾潜在位置信息的车载端输出结果：
Figure FDA0003834934730000042
其中，f、i、x、x+l分别表示驾驶行为的效用值、目标车道编号、车尾和车头纵向位置，其总数目为num，与车辆当前所处道路环境下可行的驾驶行为数目相同。
9.根据权利要求8所述的高速多车多驾驶行为冲突协同决策方法，其特征在于，所述基于KM算法对多个车辆的总候选驾驶行为集合
Figure FDA0003834934730000043
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为，具体包括以下步骤：
step1：遍历接收的多个车辆的总候选驾驶行为集合
Figure FDA0003834934730000044
得到车辆集合V＝{V1,V2,…,VN}，遍历潜在位置信息并进行处理，得到潜在位置区间信息，对潜在位置区间进行编号，不同车辆之间冲突的潜在位置区间使用同一个编号，最终得到目标集合T＝{T1,T2,…,TW}，车辆和潜在位置之间的效用值作为KM算法之间的权值；
step2：对V集合中的每个点设置顶标为该顶点关联的最大权值，即车辆对应的最大效用值，T集合的顶标设置为0；
step3：从V集合的每个顶点出发，找出相等子图并使用匈牙利搜索算法搜索最大匹配；
step4：判断最大匹配是否为原图的完备匹配，若是完备匹配，则该匹配为所求最优匹配，若不是完备匹配，则修改可行顶标；顶标修改方法：将从V集合出发到T集合结束的交替路径上每个属于V集合的顶标都减去一个d值，属于T集合的顶标加上一个值d，其中d为该交错路径上，边的端点顶标之和与边权之差的最小值；
step5：重复step2～3直到找到最优匹配，按照匹配的结果，取出对应车辆和潜在位置并将潜在位置对应的车辆驾驶行为，下发自动驾驶车辆执行。
10.一种高速多车多驾驶行为冲突协同装置，其特征在于，包括：
数据采集模块，用于采集车辆驾驶信息和静态交通信息，并通过车辆驾驶信息计算得到车辆车头和车尾的潜在位置信息；
第一候选驾驶行为构建模块，用于创建车辆初始候选驾驶行为集合
Figure FDA0003834934730000051
第二候选驾驶行为构建模块，用于基于静态交通信息对车辆初始候选驾驶行为集合
Figure FDA0003834934730000052
中驾驶行为进行筛选，得到满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000053
驾驶行为评价模块，基于驾驶行为评价效用函数评价满足静态交通信息的候选驾驶行为集合
Figure FDA0003834934730000054
中的车辆驾驶行为，得到包含效用信息的候选驾驶行为集合
Figure FDA0003834934730000055
车辆潜在位置预测模块，用于将车辆车头和车尾的潜在位置信息，以及每个驾驶行为对应的目标车道编号添加到
Figure FDA0003834934730000056
中，得到包含车辆潜在位置信息的候选驾驶行为集合
Figure FDA0003834934730000058
车辆驾驶行为匹配模块，用于基于KM算法对多个车辆的总候选驾驶行为集合
Figure FDA0003834934730000057
中的驾驶行为进行决策，为每个车辆匹配最优驾驶行为。
CN202211084503.2A 2022-09-06 2022-09-06 一种高速多车多驾驶行为冲突协同决策方法及装置 Active CN115456392B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211084503.2A CN115456392B (zh) 2022-09-06 2022-09-06 一种高速多车多驾驶行为冲突协同决策方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211084503.2A CN115456392B (zh) 2022-09-06 2022-09-06 一种高速多车多驾驶行为冲突协同决策方法及装置

Publications (2)

Publication Number Publication Date
CN115456392A true CN115456392A (zh) 2022-12-09
CN115456392B CN115456392B (zh) 2023-09-05

Family

ID=84302508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211084503.2A Active CN115456392B (zh) 2022-09-06 2022-09-06 一种高速多车多驾驶行为冲突协同决策方法及装置

Country Status (1)

Country Link
CN (1) CN115456392B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160297433A1 (en) * 2015-04-13 2016-10-13 Nec Laboratories America, Inc. Long Term Driving Danger Prediction System
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CA3028692A1 (en) * 2018-12-18 2020-06-18 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for autonomous driving
CN112242071A (zh) * 2020-10-16 2021-01-19 山东摩西网络科技有限公司 基于动态编组重构的道路自动驾驶车辆协同避障方法
CN113619604A (zh) * 2021-08-26 2021-11-09 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN114148330A (zh) * 2021-11-29 2022-03-08 哈尔滨工业大学 一种考虑多车博弈的车辆交互换道方法
CN114506342A (zh) * 2022-03-03 2022-05-17 东风悦享科技有限公司 一种自动驾驶变道决策的方法、系统及车辆
CN114771522A (zh) * 2022-04-15 2022-07-22 河北工业大学 一种人机混驾交通流车辆换道模型构建方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160297433A1 (en) * 2015-04-13 2016-10-13 Nec Laboratories America, Inc. Long Term Driving Danger Prediction System
CA3028692A1 (en) * 2018-12-18 2020-06-18 Beijing Didi Infinity Technology And Development Co., Ltd. Systems and methods for autonomous driving
CN110298131A (zh) * 2019-07-05 2019-10-01 西南交通大学 一种混合驾驶环境下自动驾驶换道决策模型建立方法
CN112242071A (zh) * 2020-10-16 2021-01-19 山东摩西网络科技有限公司 基于动态编组重构的道路自动驾驶车辆协同避障方法
CN113619604A (zh) * 2021-08-26 2021-11-09 清华大学 自动驾驶汽车的集成式决控方法、装置及存储介质
CN114148330A (zh) * 2021-11-29 2022-03-08 哈尔滨工业大学 一种考虑多车博弈的车辆交互换道方法
CN114506342A (zh) * 2022-03-03 2022-05-17 东风悦享科技有限公司 一种自动驾驶变道决策的方法、系统及车辆
CN114771522A (zh) * 2022-04-15 2022-07-22 河北工业大学 一种人机混驾交通流车辆换道模型构建方法

Also Published As

Publication number Publication date
CN115456392B (zh) 2023-09-05

Similar Documents

Publication Publication Date Title
CN111081065B (zh) 路段混行条件下的智能车辆协同换道决策模型
CN110362910B (zh) 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法
CN108595823B (zh) 一种联合驾驶风格和博弈理论的自主车换道策略计算方法
CN111540201B (zh) 基于路侧激光雷达的车辆排队长度实时估计方法及系统
CN109410561B (zh) 一种高速路车辆匀异质编队行驶控制方法
CN114664078A (zh) 基于自动驾驶车辆队列的道路合流区协作汇入控制方法
Ye et al. Development and evaluation of a vehicle platoon guidance strategy at signalized intersections considering fuel savings
CN109835339B (zh) 一种换道决策方法及装置
CN116740945B (zh) 混行环境下快速路合流区多车协同编组交汇方法及系统
CN114973733A (zh) 一种信号交叉口处混合流下网联自动车轨迹优化控制方法
CN110196587A (zh) 车辆自动驾驶控制策略模型生成方法、装置、设备及介质
CN109910880B (zh) 车辆行为规划的方法、装置、存储介质和终端设备
CN112201070B (zh) 基于深度学习的自动驾车高速公路瓶颈路段行为决策方法
CN113312760B (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
CN110619340B (zh) 一种自动驾驶汽车换道规则的生成方法
CN115503756A (zh) 一种智能驾驶决策方法、决策装置以及车辆
CN115795808A (zh) 一种自动驾驶决策危险场景生成方法、系统、设备及介质
CN115456392B (zh) 一种高速多车多驾驶行为冲突协同决策方法及装置
CN116665442A (zh) 一种考虑混合流理论通行能力的智能网联专用车道设计方法
CN112373482B (zh) 一种基于驾驶模拟器的驾驶习惯建模方法
CN114435379A (zh) 车辆经济性驾驶控制方法及装置
CN112927497A (zh) 一种浮动车识别方法、相关方法和装置
Ma et al. A cellular automaton model considering the exclusive lanes of autonomous vehicles on expressway
CN115083177B (zh) 一种三车道及以上道路实现智能车辆串联排列的控制方法
CN114169160B (zh) 复杂路网场景下的自动驾驶车辆混合交通流微观仿真方法

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