CN115601954B - 一种智能网联车队的换道判断方法、装置、设备及介质 - Google Patents
一种智能网联车队的换道判断方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115601954B CN115601954B CN202211592559.9A CN202211592559A CN115601954B CN 115601954 B CN115601954 B CN 115601954B CN 202211592559 A CN202211592559 A CN 202211592559A CN 115601954 B CN115601954 B CN 115601954B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target vehicle
- target
- lane
- lane change
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims abstract description 30
- 230000008450 motivation Effects 0.000 claims abstract description 26
- 230000035699 permeability Effects 0.000 claims abstract description 26
- 238000004590 computer program Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000006855 networking Effects 0.000 claims description 3
- 230000015572 biosynthetic process Effects 0.000 claims 2
- 238000004891 communication Methods 0.000 description 9
- 230000006399 behavior Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 230000001413 cellular effect Effects 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 230000009977 dual effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035484 reaction time Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/22—Platooning, i.e. convoy of communicating vehicles
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明提供了一种智能网联车队的换道判断方法、装置、设备及介质，涉及交通工程技术领域，包括获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆是否发生换道；计算得到目标车辆更新后的位置和速度。本发明用于解决现有技术中未考虑智能网联车辆横向换道行为的复杂性以及车队行驶行为带来的换道动机的变化，对交通拥堵疏通的无实际的参考价值。
Description
技术领域
本发明涉及交通工程技术领域，具体而言，涉及一种智能网联车队的换道判断方法、装置、设备及介质。
背景技术
与人工驾驶车辆相比，智能网联车辆能够更准确的感知环境变化并实现协同驾驶。据相关研究报道，智能网联车辆的引入能够显著提高交通流的安全性和稳定性、提高道路通行能力。然而，智能网联车辆在现实中的全面普及仍需要较长的周期，这意味着在未来很长一段时间内，道路上将存在人工驾驶车辆和智能网联车辆并存的混合交通流，因此对于智能网联环境下混合交通流的研究具有重要意义。目前，现有研究主要是针对车辆在纵向跟驰过程中的车队行驶行为，并未考虑智能网联车辆横向换道行为的复杂性以及车队行驶行为带来的换道动机的变化，对交通拥堵疏通的无实际的参考价值。
发明内容
本发明的目的在于提供一种智能网联车队的换道判断方法、装置、设备及介质，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：
第一方面，本申请提供了一种智能网联车队的换道判断方法，包括：
获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况；
利用所述车辆总数、所述智能网联车辆渗透率、所述目标车辆当前时刻的位置和速度、所述目标车辆的换道情况计算得到目标车辆更新后的位置和速度。
进一步地，所述判断目标车辆的跟驰模式，具体包括：
若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式；
若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式，所述第一车辆为目标车辆当前所在车道的前车；
若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式。
进一步地，所述获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆是否发生换道，具体包括：
若目标车辆的跟驰模式为人工跟驰模式，则依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
若有换道动机，则获取目标车道的安全距离；
判断所述第三车距是否大于所述安全距离：
若是，则目标车辆发生换道，并进行标记；否则，不发生换道。
进一步地，所述获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况，具体包括：
若目标车辆的跟驰模式为协同自适应巡航模式、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道。
第二方面，本申请还提供了一种智能网联车队的换道判断装置，包括：
获取模块：用于获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
第一判断模块：用于判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
第二判断模块：用于获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆是否发生换道；
计算模块：用于利用所述车辆总数、所述智能网联车辆渗透率、所述目标车辆当前时刻的位置和速度、所述目标车辆的换道情况计算得到目标车辆更新后的位置和速度。
进一步地，所述第一判断模块包括：
第一判断单元：若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式；
第二判断单元：若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式，所述第一车辆为目标车辆当前所在车道的前车；
第三判断单元：若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式。
进一步地，所述第二判断模块包括：
第一计算单元：若目标车辆的跟驰模式为人工跟驰模式，则依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
第四判断单元：基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
获取单元：若有换道动机，则获取目标车道的安全距离；
第五判断单元：判断所述第三车距是否大于所述安全距离：
若是，则目标车辆发生换道，并进行标记；否则，不发生换道。
进一步地，所述第二判断模块包括：
第六判断单元：若目标车辆的跟驰模式为协同自适应巡航模式、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道。
第三方面，本申请还提供了一种智能网联车队的换道判断设备，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现所述智能网联车队的换道判断方法的步骤。
第四方面，本申请还提供了一种可读存储介质，所述可读存储介质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上述基于智能网联车队的换道判断方法的步骤。
本发明的有益效果为：
本发明在元胞自动机的基础上，考虑到智能网联车辆横向换道行为的复杂性以及车队行驶行为带来的换道动机的变化，提出了一种基于智能网联车队的换道判断方法，该方法更符合未来道路交通流的发展。通过在Matlab软件中对本方法进行实现，验证了该中换道判断方法可更加有效的缓解交通拥堵，使交通流的运行状况得到提升。同时，通过提前在Matlab软件中对交通流进行仿真模拟，可以协助交通工程师更好地分析智能网联混合交通流系统的特性，为智能网联车辆的规划建设提供决策支持。
本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为本发明实施例中所述的智能网联车队的换道判断方法流程示意图;
图 2为本发明的混合交通流车辆跟驰模式示意图；
图 3为本发明的目标车辆与相邻车辆的位置关系示意图；
图 4为本发明的ACC模式中第四车辆为人工驾驶车辆时换道动机示意图；
图 5为本发明的ACC模式中第四车辆为智能网联车辆且目标车辆未形成稳定车队时换道动机示意图；
图 6为本发明的ACC模式中第四车辆为智能网联车辆且目标车辆已形成稳定车队时换道动机示意图；
图 7为本发明的一个实施例中不同智能网联车辆渗透率下单车道与双车道速度对比图；
图8为本发明的一个实施例中车队规模对道路通行能力影响示意图；
图9为本发明实施例中所述的智能网联车队的换道判断装置结构示意图；
图10为本发明实施例中所述的智能网联车队的换道判断设备结构示意图。
图中标记：
1、获取模块；2、第一判断模块；21、；22、；23、；3、第二判断模块；31、第一计算单元；32、第四判断单元；33、获取单元；34、第五判断单元；35、第六判断单元；4、计算模块；800、智能网联车队的换道判断设备；801、处理器；802、存储器；803、多媒体组件；804、I/O接口；805、通信组件。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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一部分实施例，而不是全部的实施例。通常在此处附图中描述和表示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
实施例1：
元胞自动机作为微观交通流中的重要模型，可对复杂的交通现象进行模拟并具有较好的仿真效果。将其应用于智能网联环境交通流的研究中，通过元胞自动机模型实现对智能网联车辆驾驶行为的仿真。、
目前，智能网联环境下混合交通流的元胞自动机模型可划分为单车道和多车道两种类型。对于多车道交通流特性的研究，随着智能网联车辆渗透率的不断增加，智能网联车辆之间可以组成车队，实现车辆驾驶状态的协同驾驶。在智能网联车队中，智能网联车辆间可以保持更小的车头时距，能够极大地提高通行效率，降低油耗排放等。
本方法在实施之前，为简化换道模型且较为真实的模拟不同跟驰模式车辆的换道倾向性，本实施例对车辆做出如下假设：
1）与跟驰在人工驾驶车辆之后相比，智能网联车辆更倾向于跟驰在智能网联车辆之后，且更倾向于以车队形式行驶。
2）不考虑智能网联车辆车间的通信延迟。
3）不考虑不同车辆类型的几何尺寸差异，即智能网联车辆和人工驾驶车辆两类车车型尺寸相同。
4）以CACC模式跟驰的车辆主动换道倾向性较小。
本实施例提供了一种智能网联车队的换道判断方法。
参见图1，图中示出了本方法包括：
S1.获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
S2.判断目标车辆的跟驰模式，在相同道路条件下，不同跟驰模式的车辆将会做出不同的换道决策。所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
具体的，请参阅图2，图中，CAV表示智能网联车辆，HDV表示人工驾驶车辆，所述判断目标车辆的跟驰模式包括：
若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式—HDV；
若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式—ACC，所述第一车辆为目标车辆当前所在车道的前车；
若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式—CACC。
对车辆跟驰模式进行定义，如下式（1）——（4）所示：
其中，
，
，
分别是判断车辆跟驰模式是否为HDV、ACC和CACC的布尔变
量。
S3.获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况，其中换道情况包括换道和保持当前车道；
具体的，若目标车辆的跟驰模式为人工跟驰模式（HDV），车辆换道规则具体如下：
请参阅图3，S31.依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
S32.基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机，所述换道动机即目标车道相较于目标车辆当前所在车道具有更加良好的行驶条件；
式中，n为目标车辆，
为第一车距；
为第二车距；
为时间步长；
为
常规加速度；
为预设最大行驶速度；
为目标车辆在当前车道t时刻的速度。
S33.若有换道动机，即目标车辆满足公式（5），则获取目标车道的安全距离，所述安全距离即目标车辆换道时需确保目标车辆本身和第三车距的安全；
S34.判断所述第三车距是否大于所述安全距离：
其中，
为第三车距，
为安全距离。
若满足公式（6），则目标车辆发生换道，标记为“1”；否则，不发生换道，标记为“0”。
S35.获取发生换道的目标车辆的数量和预设换道概率；
S36.计算最终发生换道的目标车辆。
其中，
为获取到的发生换道的目标车辆的数量，
为预设换道概率，
为最
终发生换道的目标车辆。
基于另一实施例，若目标车辆的跟驰模式为自适应巡航模式（ACC），ACC跟驰模式需根据第四车辆的车辆类型以及目标车辆是否形成车队分为三种情况进行考虑，所述第四车辆为目标车辆当前所在车道的后车：
情况一：
请参阅图4，若目标车辆的跟驰模式为自适应巡航模式且第四车辆为人工驾驶车
辆，即
，其中，
表示第四车辆；
S31.依次计算第一车距、第二车距、第三车距；
S32.获取第二车辆的车辆类型；
S33.基于所述第二车辆的车辆类型、所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
具体地，换道动机分为两类：
第Ⅰ类与跟驰模式为HDV的车辆相同，即需要满足公式（5）则目标车辆具有换道动机；
第Ⅱ类要求第二车辆为智能网联车辆，即
，则表示目标车辆具有换
道动机。
S34.若有换道动机，则获取目标车道的安全距离；
其中，
为第三车辆在时刻t的速度。
S35.判断第三车距是否大于所述安全距离：
若是，则目标车辆发生换道；否则，不发生换道。
情况二：
请参阅图5，若目标车辆的跟驰模式为自适应巡航模式、第四车辆为智能网联车辆、目标车辆未形成车队，即：
其中，
表示第四车辆为智能网联车辆，
表示目标车辆未
形成车队。
S31.依次计算第二车距、第三车距和第四车距；
S32.获取第二车辆的车辆类型；
S33.当第二车辆为智能网联车辆且第二车距小于第四车距时，所述车辆具有换道动机；
其中，
表示第二车辆为智能网联车辆，
表示第二车距，
表示第四车距。
S34.获取目标车道的安全距离；
S35.判断第三车距是否大于所述安全距离，即判断是否满足公式（10）；
若是，则目标车辆发生换道；否则，不发生换道。
情况三：
请参阅图6，若目标车辆的跟驰模式为自适应巡航模式、第四车辆为智能网联车
辆: 
；目标车辆形成车队
；
S31.依次计算第一车距、第二车距、第三车距；
S32.基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
具体的，由于目标车辆已经以车队形式稳定行驶，因此目标车辆将不再轻易进行换道，只有当目标车道行驶条件优于当前车道时，车辆才可能会进行换道。因此，本实施例中的换道动机与跟驰模式为HDV的车辆相同，即需要满足公式（5）时目标车辆才具有换道动机。
S33.若有换道动机，获取目标车道的安全距离和车队长度；
S34.判断第三车距是否大于所述安全距离与车队长度之和，即：
其中，
为车队长度，
表示安全距离，可采用公式（9）求得所述安全距离。
若大于，则目标车辆发生换道；否则，不发生换道。
需要说明的是，情况三种的目标车辆已经形成车队，且目标车辆作为车队的领航车辆，只有当第三车辆与目标车辆的距离能满足其引领的整个车队一同进行换道时，车辆才会进行换道。
基于另一实施例，若目标车辆的跟驰模式为协同自适应巡航模式-CACC、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道，即换道动机为：
式中，
表示目标车辆形成车队，
表示第一车辆进行换道。
综上，三种换道模式的换道规则如表1所示：
表1
S4.利用所述车辆总数、所述智能网联车辆渗透率、所述目标车辆当前时刻的位置和速度、所述目标车辆的换道情况计算得到目标车辆更新后的位置和速度。
具体的，利用Matlab软件开发一个双车道高速公路混合交通流仿真环境用于计算目标车辆更新后的位置和速度，以对交通流进行仿真 。
在仿真环境中设置模型参数，模型参数取值如表2所示：
表2
表中，
和
分别为人工驾驶车辆和智能网联车辆的反应时间，
为
常规加速度，
为随机减速度。
令道路中车辆总数为H，目标车辆当前时刻的速度为
，位置为
，
将上述信息和步骤S3中得到的换道信息代入仿真环境中计算可得所有目标车辆更新后的
位置和速度。
同时，表3展示了在改变智能网联车辆渗透率的情况下，单车道、双车道的道路通行能力相较于纯人工驾驶车辆的增加倍数。
表 3
由表 3可知，在智能网联车辆渗透率为20%、40%、60%、80%的情况下双车道道路通行能力增加倍数均高于单车道，且随着渗透率的增加，两者差值增大。这表示，在双车道环境下，智能网联车辆的持续投入对道路通行能力的优化效果相较于单车道更加显著。
实施例2
本实施例中，通过采用实施例1提供的一种智能网联车队的换道判断方法对交通流中的车辆进行换道仿真模拟，得到以下结果：
请参阅图7，图中展示了在密度为70辆/千米时，单车道与双车道在不同渗透率下的速度对比图，其中双车道的速度为两车道的平均值。由图7可知，在不同渗透率下单车道和双车道的速度变化趋势相同，验证了所提出的换道规则的合理性。
为了进一步评估车队规模对智能网联车辆的换道行为的影响，分别将车队规模限制设置为2、4、6、8辆，进行敏感性分析。不同车队规模及渗透率下的道路通行能力如图8所示。结果显示在不同渗透率下，当车队规模达到一定值后道路通行能力不再随其增加而有所增长。这表示存在最优车队规模使道路通行能力最大且稳定性最优，其值与智能网联车辆渗透率有关，且随渗透率的增加而增大。
实施例3：
如图9所示，本实施例提供了一种智能网联车队的换道判断装置，所述装置包括：
获取模块1：用于获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
第一判断模块2：用于判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
第二判断模块3：用于获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆是否发生换道；
计算模块4：用于利用所述车辆总数、所述智能网联车辆渗透率、所述当目标车辆当前时刻的位置和速度、所述车辆的换道信息计算得到目标车辆更新后的位置和速度。
基于以上实施例，所述第一判断模块2包括：
第一判断单元21：若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式；
第二判断单元22：若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式，所述第一车辆为目标车辆当前所在车道的前车；
第三判断单元23：若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式。
基于以上实施例，所述第二判断模块3包括：
第一计算单元31：若目标车辆的跟驰模式为人工跟驰模式，则依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
第四判断单元32：基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
获取单元33：若有换道动机，则获取目标车道的安全距离；
第五判断单元34：判断所述第三车距是否大于所述安全距离：
若是，则发生换道，并进行标记；否则，不发生换道。
基于以上实施例，所述第二判断模块包括：
第六判断单元35：若目标车辆的跟驰模式为协同自适应巡航模式、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道。
需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
实施例4：
相应于上面的方法实施例，本实施例中还提供了一种智能网联车队的换道判断设备，下文描述的一种智能网联车队的换道判断设备与上文描述的一种智能网联车队的换道判断方法可相互对应参照。
图10是根据示例性实施例示出的一种智能网联车队的换道判断设备800的框图。如图10所示，该智能网联车队的换道判断设备800可以包括：处理器801，存储器802。该智能网联车队的换道判断设备800还可以包括多媒体组件803， I/O接口804，以及通信组件805中的一者或多者。
其中，处理器801用于控制该智能网联车队的换道判断设备800的整体操作，以完成上述的智能网联车队的换道判断方法中的全部或部分步骤。存储器802用于存储各种类型的数据以支持在该智能网联车队的换道判断设备800的操作，这些数据例如可以包括用于在该智能网联车队的换道判断设备800上操作的任何应用程序或方法的指令，以及应用程序相关的数据，例如联系人数据、收发的消息、图片、音频、视频等等。该存储器802可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-Only Memory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。多媒体组件803可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏，音频组件用于输出和/或输入音频信号。例如，音频组件可以包括一个麦克风，麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器802或通过通信组件805发送。音频组件还包括至少一个扬声器，用于输出音频信号。I/O接口804为处理器801和其他接口模块之间提供接口，上述其他接口模块可以是键盘，鼠标，按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件805用于该智能网联车队的换道判断设备800与其他设备之间进行有线或无线通信。无线通信，例如Wi-Fi，蓝牙，近场通信(Near FieldCommunication，简称NFC)，2G、3G或4G，或它们中的一种或几种的组合，因此相应的该通信组件805可以包括：Wi-Fi模块，蓝牙模块，NFC模块。
在一示例性实施例中，智能网联车队的换道判断设备800可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit，简称ASIC)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal ProcessingDevice，简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的智能网联车队的换道判断方法。
在另一示例性实施例中，还提供了一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现上述的智能网联车队的换道判断方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器802，上述程序指令可由智能网联车队的换道判断设备800的处理器801执行以完成上述的智能网联车队的换道判断方法。
实施例5：
相应于上面的方法实施例，本实施例中还提供了一种可读存储介质，下文描述的一种可读存储介质与上文描述的一种智能网联车队的换道判断方法可相互对应参照。
一种可读存储介质，可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例的智能网联车队的换道判断方法的步骤。
该可读存储介质具体可以为U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可存储程序代码的可读存储介质。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种智能网联车队的换道判断方法，其特征在于，包括：
获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况，具体包括：
若目标车辆的跟驰模式为自适应巡航模式：
当αn+1＝1，α'n-1＝0时；
或当αn+1＝1，[dn<min(vn(t)+aΔt,Vmax)·Δt]and d'n>dn时；
或当αn+1＝0且
α'n-1＝0and d'n<dn+1时；
或当αn+1＝0且
[dn<min(vn(t)+aΔt,Vmax)·Δt]and d'n>dn时，目标车辆有换道动机；
式中，αn+1＝1表示当前车道的后车为人工驾驶车辆，α'n-1＝0表示目标车道的前车为智能网联车辆，a为常规加速度，Vmax为预设最大行驶速度，vn(t)为目标车辆在t时刻的速度，Δt为时间步长，d'n表示目标车辆与目标车道前车的车距，dn表示目标车辆与当前车道前车的车距，
表示目标车辆未形成车队，/>
表示目标车辆形成车队，dn+1表示第四车距，即目标车辆与当前车道后车的车距；
若目标车辆的跟驰模式为协同自适应巡航模式：
当
ψn-1＝1时，目标车辆有换道动机；
式中，ψn-1＝1表示当前车道前车进行换道；
判断目标车辆是否发生换道；
利用所述车辆总数、所述智能网联车辆渗透率、所述目标车辆当前时刻的位置和速度、所述目标车辆的换道情况计算得到目标车辆更新后的位置和速度。
2.根据权利要求1所述的智能网联车队的换道判断方法，其特征在于,所述判断目标车辆的跟驰模式，具体包括：
若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式；
若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式，所述第一车辆为目标车辆当前所在车道的前车；
若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式。
3.根据权利要求1所述的智能网联车队的换道判断方法，其特征在于,所述获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆是否发生换道，具体包括：
若目标车辆的跟驰模式为人工跟驰模式，则依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
若有换道动机，则获取目标车道的安全距离；
判断所述第三车距是否大于所述安全距离：
若是，则目标车辆发生换道，并进行标记；否则，不发生换道。
4.根据权利要求1所述的智能网联车队的换道判断方法，其特征在于,所述获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况，具体包括：
若目标车辆的跟驰模式为协同自适应巡航模式、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道。
5.一种智能网联车队的换道判断装置，其特征在于，包括：
获取模块：用于获取交通流中的车辆总数、智能网联车辆渗透率以及目标车辆当前时刻的位置和速度；
第一判断模块：用于判断目标车辆的跟驰模式，所述跟驰模式包括人工跟驰模式、自适应巡航模式和协同自适应巡航模式；
第二判断模块：用于获取目标车辆的相邻车辆的信息，基于所述相邻车辆的信息、所述目标车辆当前时刻的位置和速度判断目标车辆的换道情况，具体包括：
若目标车辆的跟驰模式为自适应巡航模式：
当αn+1＝1，α'n-1＝0时；
或当αn+1＝1，[dn<min(vn(t)+aΔt,Vmax)·Δt]and d'n>dn时；
或当αn+1＝0且
α'n-1＝0and d'n<dn+1时；
或当αn+1＝0且
[dn<min(vn(t)+aΔt,Vmax)·Δt]and d'n>dn时，目标车辆有换道动机；
式中，αn+1＝1表示当前车道的后车为人工驾驶车辆，α'n-1＝0表示目标车道的前车为智能网联车辆，a为常规加速度，Vmax为预设最大行驶速度，vn(t)为目标车辆在t时刻的速度，Δt为时间步长，d'n表示目标车辆与目标车道前车的车距，dn表示目标车辆与当前车道前车的车距，
表示目标车辆未形成车队，/>
表示目标车辆形成车队，dn+1表示第四车距，即目标车辆与当前车道后车的车距；
若目标车辆的跟驰模式为协同自适应巡航模式：
当
ψn-1＝1时，目标车辆有换道动机；
式中，ψn-1＝1表示当前车道前车进行换道；
判断目标车辆是否发生换道；
计算模块：用于利用所述车辆总数、所述智能网联车辆渗透率、所述目标车辆当前时刻的位置和速度、所述目标车辆的换道情况计算得到目标车辆更新后的位置和速度。
6.根据权利要求5所述的智能网联车队的换道判断装置，其特征在于，所述第一判断模块包括：
第一判断单元：若目标车辆为人工驾驶车辆，则目标车辆的跟驰模式为人工跟驰模式；
第二判断单元：若目标车辆为智能网联车辆且第一车辆为人工车辆，则目标车辆的跟驰模式为自适应巡航模式，所述第一车辆为目标车辆当前所在车道的前车；
第三判断单元：若目标车辆为智能网联车辆且第一车辆为智能网联车辆，则目标车辆的跟驰模式为协同自适应巡航模式。
7.根据权利要求5所述的智能网联车队的换道判断装置，其特征在于，所述第二判断模块包括：
第一计算单元：若目标车辆的跟驰模式为人工跟驰模式，则依次计算目标车辆与第一车辆的第一车距、目标车辆与第二车辆的第二车距和目标车辆与第三车辆的第三车距，第二车辆为目标车道的前车，第三车辆为目标车道的后车；
第四判断单元：基于所述第一车距、所述第二车距、所述车辆当前时刻的位置和速度和预设最大行驶速度判断目标车辆是否具有换道动机；
获取单元：若有换道动机，则获取目标车道的安全距离；
第五判断单元：判断所述第三车距是否大于所述安全距离：
若是，则目标车辆发生换道，并进行标记；否则，不发生换道。
8.根据权利要求5所述的智能网联车队的换道判断装置，其特征在于，所述第二判断模块包括：
第六判断单元：若目标车辆的跟驰模式为协同自适应巡航模式、目标车辆形成车队且第一车辆进行换道，则目标车辆发生换道。
9.一种智能网联车队的换道判断设备，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至4任一项所述智能网联车队的换道判断方法的步骤。
10.一种可读存储介质，其特征在于：所述可读存储介质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如权利要求1至4任一项所述智能网联车队的换道判断方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592559.9A CN115601954B (zh) | 2022-12-13 | 2022-12-13 | 一种智能网联车队的换道判断方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211592559.9A CN115601954B (zh) | 2022-12-13 | 2022-12-13 | 一种智能网联车队的换道判断方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115601954A CN115601954A (zh) | 2023-01-13 |
| CN115601954B true CN115601954B (zh) | 2023-03-31 |
Family
ID=84853067
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211592559.9A Active CN115601954B (zh) | 2022-12-13 | 2022-12-13 | 一种智能网联车队的换道判断方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115601954B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115830886B (zh) * | 2023-02-09 | 2023-05-12 | 西南交通大学 | 智能网联车辆协同换道时序计算方法、装置、设备及介质 |
| CN117681878B (zh) * | 2024-02-04 | 2024-04-16 | 西南交通大学 | 一种编队感知的智能网联汽车协同变道方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB201804663D0 (en) * | 2018-03-23 | 2018-05-09 | Jaguar Land Rover Ltd | Controlling vehicle platooning |
| CN110070707A (zh) * | 2019-05-16 | 2019-07-30 | 吴鼎新 | 一种实现协同式自适应巡航控制车队组队与分离的方法 |
| CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
| CN114187771A (zh) * | 2021-12-09 | 2022-03-15 | 山东大学 | 基于协同式自适应巡航控制的公交车驾驶控制方法及系统 |
| CN114861391A (zh) * | 2022-03-25 | 2022-08-05 | 东南大学 | 协同式自适应巡航控制车辆的微观模拟方法 |
| EP4086871A1 (en) * | 2016-12-30 | 2022-11-09 | Bendix Commercial Vehicle Systems, LLC | V" shaped and wide platoon formations |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107507408B (zh) * | 2017-07-24 | 2020-07-24 | 重庆大学 | 一种考虑前车换道汇入过程的跟驰加速度及跟驰行为建模方法 |
| CN110362910B (zh) * | 2019-07-05 | 2021-07-16 | 西南交通大学 | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 |
| CN112389430B (zh) * | 2020-11-06 | 2024-01-19 | 北京航空航天大学 | 一种基于偏移率的车辆换道切入车队时段的判定方法 |
| CN112907946B (zh) * | 2021-01-04 | 2022-07-08 | 清华大学 | 一种自动驾驶车辆与其他车辆混行的交通控制方法以及系统 |
| CN113066282B (zh) * | 2021-02-26 | 2022-05-27 | 北京航空航天大学合肥创新研究院(北京航空航天大学合肥研究生院) | 一种面向混行环境下车辆跟驰耦合关系建模方法及系统 |
| CN113096416B (zh) * | 2021-03-29 | 2022-02-15 | 长沙理工大学 | 用于高速公路上合流区的自动驾驶专用车道与通用车道可变限速的动态协同管控方法 |
| CN114394092B (zh) * | 2022-01-28 | 2022-11-29 | 华东交通大学 | 基于车车通信的混合车流汽车协同自适应巡航控制方法 |
| CN114611292A (zh) * | 2022-03-12 | 2022-06-10 | 北京工业大学 | 一种基于元胞自动机的混入acc和cacc车辆的交通流特性仿真方法 |
| CN115099002A (zh) * | 2022-05-30 | 2022-09-23 | 东南大学 | 一种面向混合交通环境的交通流微观模型优化方法 |
| CN115116249B (zh) * | 2022-06-06 | 2023-08-01 | 苏州科技大学 | 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 |
-
2022
- 2022-12-13 CN CN202211592559.9A patent/CN115601954B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4086871A1 (en) * | 2016-12-30 | 2022-11-09 | Bendix Commercial Vehicle Systems, LLC | V" shaped and wide platoon formations |
| GB201804663D0 (en) * | 2018-03-23 | 2018-05-09 | Jaguar Land Rover Ltd | Controlling vehicle platooning |
| CN110070707A (zh) * | 2019-05-16 | 2019-07-30 | 吴鼎新 | 一种实现协同式自适应巡航控制车队组队与分离的方法 |
| CN112660124A (zh) * | 2020-11-30 | 2021-04-16 | 吉林大学 | 一种用于换道场景的协同自适应巡航控制方法 |
| CN114187771A (zh) * | 2021-12-09 | 2022-03-15 | 山东大学 | 基于协同式自适应巡航控制的公交车驾驶控制方法及系统 |
| CN114861391A (zh) * | 2022-03-25 | 2022-08-05 | 东南大学 | 协同式自适应巡航控制车辆的微观模拟方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115601954A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115601954B (zh) | 一种智能网联车队的换道判断方法、装置、设备及介质 | |
| Du et al. | Comfortable and energy-efficient speed control of autonomous vehicles on rough pavements using deep reinforcement learning | |
| Wang et al. | Developing a Distributed Consensus‐Based Cooperative Adaptive Cruise Control System for Heterogeneous Vehicles with Predecessor Following Topology | |
| CN108919795B (zh) | 一种自动驾驶汽车换道决策方法及装置 | |
| Yang et al. | Eco-driving system for connected automated vehicles: Multi-objective trajectory optimization | |
| CN112133089B (zh) | 一种基于周围环境与行为意图的车辆轨迹预测方法、系统及装置 | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN107169567A (zh) | 一种用于车辆自动驾驶的决策网络模型的生成方法及装置 | |
| CN106991251B (zh) | 一种高速公路交通流元胞机仿真方法 | |
| CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
| Hua et al. | Influence of lane policies on freeway traffic mixed with manual and connected and autonomous vehicles | |
| CN113920740A (zh) | 一种联合车辆关联度和博弈论的车路协同驾驶系统及方法 | |
| 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 | |
| CN105448080A (zh) | 考虑次邻近车辆影响交通流时滞跟驰模型稳定性建模方法 | |
| CN118238847B (zh) | 一种自适应不同驾驶风格和路面环境的自主换道决策规划方法和系统 | |
| Hu et al. | Feature analysis on mixed traffic flow of manually driven and autonomous vehicles based on cellular automata | |
| Kou et al. | Dual-objective intelligent vehicle lane changing trajectory planning based on polynomial optimization | |
| Yao et al. | Impact of the heterogeneity and platoon size of connected vehicles on the capacity of mixed traffic flow | |
| Li et al. | Research on lane change prediction model based on GBDT | |
| Yu et al. | Safety impact of cooperative adaptive cruise control vehicles’ degradation under spatial continuous communication interruption | |
| CN110619340A (zh) | 一种自动驾驶汽车换道规则的生成方法 | |
| Hegde et al. | Real-world driving features for identifying intelligent driver model parameters | |
| Islam et al. | Enhancing Longitudinal Velocity Control With Attention Mechanism-Based Deep Deterministic Policy Gradient (DDPG) for Safety and Comfort | |
| CN113781770B (zh) | 一种模拟双离合式的合流区车路协同控制系统 | |
| Ke et al. | Lane-changing decision model for connected and automated vehicle based on back-propagation neural network |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230927 Address after: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China Patentee after: SOUTHWEST JIAOTONG University Patentee after: CHENGDU JIAODA BIG DATA TECHNOLOGY Co.,Ltd. Patentee after: NANNING University Address before: 610031 No. two, section 111, ring road, Chengdu, Sichuan, China Patentee before: SOUTHWEST JIAOTONG University Patentee before: CHENGDU JIAODA BIG DATA TECHNOLOGY Co.,Ltd. |