CN115762233A - 多驾驶模式的泊位分配及规划控制方法 - Google Patents

多驾驶模式的泊位分配及规划控制方法 Download PDF

Info

Publication number
CN115762233A
CN115762233A CN202211575967.3A CN202211575967A CN115762233A CN 115762233 A CN115762233 A CN 115762233A CN 202211575967 A CN202211575967 A CN 202211575967A CN 115762233 A CN115762233 A CN 115762233A
Authority
CN
China
Prior art keywords
parking
cost
vehicle
parked
allocation
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
CN202211575967.3A
Other languages
English (en)
Other versions
CN115762233B (zh
Inventor
曾德全
刘年风
胡一明
刘登程
李毅帅
何战慧
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.)
Nanchang Intelligent New Energy Vehicle Research Institute
Original Assignee
Nanchang Intelligent New Energy Vehicle Research Institute
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 Nanchang Intelligent New Energy Vehicle Research Institute filed Critical Nanchang Intelligent New Energy Vehicle Research Institute
Priority to CN202211575967.3A priority Critical patent/CN115762233B/zh
Publication of CN115762233A publication Critical patent/CN115762233A/zh
Application granted granted Critical
Publication of CN115762233B publication Critical patent/CN115762233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Traffic Control Systems (AREA)

Abstract

本发明提供一种多驾驶模式的泊位分配及规划控制方法,包括:基于待泊车辆的驾驶模式分别构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型;基于驾驶模式及用户的心理成本系数分别构建用户行走成本模型及用户心理成本模型,并基于驾驶模式分别创建泊位分配成本模型,对泊位分配成本模型构建限制性条件,以得到泊车分配模型;基于成本最小条件对泊车分配模型进行成本均衡分摊,并对单车成本模型、单车泊入难度成本模型、用户行走成本模型、用户心理成本模型以及泊车分配模型构造最优化问题;利用禁忌搜索算法以及蚁群算法对最优化问题进行求解,以得到泊位分配方案。

Description

多驾驶模式的泊位分配及规划控制方法
技术领域
本发明涉及泊位分配技术领域,特别涉及一种多驾驶模式的泊位分配及规划控制方法。
背景技术
随着科技的进步,无人驾驶汽车已经逐渐渗入人民的日常生活当中。这种新兴的汽车产品目前还处于一个萌芽期,因此,现有的停车库内会存在有人驾驶车辆、无人驾驶车辆以及有人驾驶与无人驾驶的混行状态的现状。
由于无人车泊车技术有望能有效解决日趋严峻的泊车难的问题,所以,无人车泊车技术成为各大高校和企业的研究重点和热点。但是,现有的研究和产品还停留在解决单车泊车的层面,群车泊车层面的研发处在一个空白期。由于需要协调资源,实现宏观系统收益的最大化和微观个体成本的最小化,群车泊车相比单车泊车在技术上将更为复杂,也是日后无人车泊车部署后必须面对的挑战。
另外,针对于有人驾驶与无人驾驶的混行状态下,如何有效的实现双方的协同驾驶,将是保证交通系统的有序稳定的前提。特别是在狭窄的停车库场景下,如果出现有人驾驶车辆和无人驾驶车辆同时竞争同一个泊位,将会不可避免的带来交通拥堵,甚至于碰撞等严重交通事故。
发明内容
基于此,本发明的目的是提供一种多驾驶模式的泊位分配及规划控制方法,以至少解决上述技术中的不足。
本发明提出一种多驾驶模式的泊位分配及规划控制方法,包括:
基于待泊车辆的驾驶模式分别构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型;
基于所述驾驶模式以及用户的心理成本系数分别构建用户行走成本模型以及用户心理成本模型,并基于所述驾驶模式分别创建泊位分配成本模型,对所述泊位分配成本模型构建限制性条件,以得到泊车分配模型;
基于成本最小条件对所述泊车分配模型进行成本均衡分摊,并对所述单车成本模型、所述单车泊入难度成本模型、所述用户行走成本模型、所述用户心理成本模型以及所述泊车分配模型构造最优化问题;
利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解,以得到泊位分配方案。
进一步的,所述驾驶模式包括有人驾驶和无人驾驶,所述基于待泊车辆的驾驶模式分别构建单车成本模型的步骤包括:
对于有人驾驶的待泊车辆i分配到泊位j时,基于泊车行程构建第一单车泊车行程成本模型;
对于无人驾驶的待泊车辆k分配到泊位j时,基于泊车行程或泊车时间构建第二单车泊车行程成本模型或第一单车泊车时间成本模型。
进一步的,所述第一单车泊车行程成本模型的表达式为:
Figure 503115DEST_PATH_IMAGE001
式中,S为有人驾驶的待泊车辆i到泊位j要经过的路段总数,
Figure 238989DEST_PATH_IMAGE002
为泊车行程成 本系数,l s 为第S段路的里程,v s 为停车库的允许车速,
Figure 296944DEST_PATH_IMAGE003
为受前车泊入影响的成本系 数,
Figure 700244DEST_PATH_IMAGE004
为受前车泊入影响的附加成本,该成本的值为受前车泊入影响的阻塞时间,
Figure 428028DEST_PATH_IMAGE005
为路段S上弯道影响的成本系数,
Figure 916778DEST_PATH_IMAGE006
为受弯道影响的附加成本;
所述第二单车泊车行程成本模型的表达式为:
Figure 279889DEST_PATH_IMAGE007
其中,当有人驾驶的待泊车辆i或无人驾驶的待泊车辆k经过第S段路的里程的过 程中,路段S上存在正在泊入的车辆,则受前车泊入影响的成本系数
Figure 537695DEST_PATH_IMAGE003
为1,当有人驾驶 的待泊车辆i或无人驾驶的待泊车辆k经过第S段路的里程的过程中,路段S上不存在正在泊 入的车辆,则受前车泊入影响的成本系数
Figure 436381DEST_PATH_IMAGE003
为0。
进一步的,所述第一单车泊车时间成本模型的表达式为:
Figure 412427DEST_PATH_IMAGE008
式中,其中,k=1,…,n为无人驾驶的待泊车辆序号,k的值越小代表无人驾驶的待 泊车辆越早到达停车场,n为无人驾驶的待泊车辆总数,m为停车场可用泊位总数,
Figure 812184DEST_PATH_IMAGE009
为无人 驾驶的待泊车辆k到达停车库的时间成本,
Figure 924497DEST_PATH_IMAGE010
为无人驾驶的待泊车辆k到泊位j的空间距离 折算的行驶时间成本,
Figure 259663DEST_PATH_IMAGE011
为无人驾驶的待泊车辆k到泊位j的阻塞等待时间成本,
Figure 457426DEST_PATH_IMAGE012
为无 人驾驶的待泊车辆k到泊位j受弯道影响的附加时间成本,x k,j ={0, 1}是一个布尔变量,当x k,j =0时,表示无人驾驶的待泊车辆k没有分配到泊位j,当x k,j =1时,表示无人驾驶的待泊车 辆k分配到泊位j
进一步的,基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型的步骤包括:
根据待泊车辆的尺寸以及泊位类型分别构建第一单车泊入难度成本模型以及第二单车泊入难度成本模型,其中,所述第一单车泊入难度成本模型的表达式为:
Figure 660875DEST_PATH_IMAGE013
Figure 627694DEST_PATH_IMAGE014
式中,
Figure 133761DEST_PATH_IMAGE015
为受有人驾驶的待泊车辆i影响的成本系数,
Figure 818821DEST_PATH_IMAGE016
为受分配泊位j泊位特 性影响的成本系数,r p 为常规泊入成本,
Figure 560380DEST_PATH_IMAGE017
为受无人驾驶的待泊车辆k影响的成本系数,其 中,受有人驾驶的待泊车辆i长度影响的成本系数
Figure 647285DEST_PATH_IMAGE015
的计算公式为:
Figure 324254DEST_PATH_IMAGE018
式中,
Figure 496610DEST_PATH_IMAGE019
为有人驾驶的待泊车辆i的长度,
Figure 543325DEST_PATH_IMAGE020
为分配泊位j的长度;
受无人驾驶的待泊车辆k影响的成本系数
Figure 484736DEST_PATH_IMAGE017
的计算公式为:
Figure 332607DEST_PATH_IMAGE021
式中,
Figure 992258DEST_PATH_IMAGE022
为无人驾驶的待泊车辆k的长度;
所述第二单车泊入难度成本模型的表达式为:
Figure 75621DEST_PATH_IMAGE023
式中,t p 为常规泊入时间成本。
进一步的,基于所述驾驶模式以及用户的心理成本系数分别构建用户行走成本模型的步骤包括:
对于有人驾驶的待泊车辆i的用户行走成本模型的表达式为:
Figure 137118DEST_PATH_IMAGE024
式中,
Figure 890310DEST_PATH_IMAGE025
为有人驾驶的待泊车辆i的用户走出停车库的行走成本系数,
Figure 37257DEST_PATH_IMAGE026
为有 人驾驶的待泊车辆i的用户从泊位j走出停车库的行走成本,该成本的值为停车库内的行走 时间,
Figure 924311DEST_PATH_IMAGE027
为有人驾驶的待泊车辆i的用户从停车库外到目的地的行走成本系数,
Figure 840314DEST_PATH_IMAGE028
为 有人驾驶的待泊车辆i的用户从停车库外到目的地的行走成本,该成本的值为从停车库外 到目的地的行走时间;
对于有人驾驶的待泊车辆i的用户心理成本模型的表达式为:
Figure 29987DEST_PATH_IMAGE029
式中,
Figure 398652DEST_PATH_IMAGE030
为有人驾驶的待泊车辆i的用户从泊位j走出停车库的心理成本系数,
Figure 823817DEST_PATH_IMAGE031
为有人驾驶的待泊车辆i的用户从停车库外到目的地的心理成本系数,其中,用户走 出停车库的心理成本系数
Figure 859906DEST_PATH_IMAGE032
的表达式为:
Figure 220480DEST_PATH_IMAGE033
式中,
Figure 76441DEST_PATH_IMAGE034
≥1.0为调节系数,
Figure 806762DEST_PATH_IMAGE035
为用户可接受的从泊位j走出停车库的最大成 本;
用户走到目的地的心理成本系数
Figure 697357DEST_PATH_IMAGE031
的表达式为:
Figure 228833DEST_PATH_IMAGE036
式中,
Figure 572089DEST_PATH_IMAGE037
≥1.0为调节系数,
Figure 339057DEST_PATH_IMAGE038
为用户可接受的从停车库外到目的地的最大 成本。
进一步的,所述泊位分配成本模型的表达式为:
Figure 84159DEST_PATH_IMAGE039
式中,
Figure 786536DEST_PATH_IMAGE040
为有人驾驶的待泊车辆i分配到泊位j的单车泊位分配成本,
Figure 617089DEST_PATH_IMAGE041
为无人驾 驶的待泊车辆k分配到泊位j的单车泊位分配成本,I为有人驾驶的待泊车辆i总数,K为无人 驾驶的待泊车辆k总数,x i,j ={0, 1}是一个二值型变量,x i,j =0表示泊位j不分配给有人驾驶 的待泊车辆ix i,j =1表示泊位j分配给有人驾驶的待泊车辆ix k,j ={0, 1}是一个二值型变 量,x k,j =0表示泊位j不分配给无人驾驶的待泊车辆kx k,j =1表示泊位j分配给无人驾驶的待 泊车辆k
其中,对于有人驾驶的待泊车辆i分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 187747DEST_PATH_IMAGE042
对于无人驾驶车辆k分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 787356DEST_PATH_IMAGE043
进一步的,基于成本最小条件对所述泊车分配模型进行成本均衡分摊的步骤包括:
对于无人驾驶的待泊车辆k分配到泊位j时,成本最小的单车泊车库位分配成本模型的表达式为:
Figure 660634DEST_PATH_IMAGE044
对于无人驾驶的待泊车辆k,成本最小的单车泊车库位分配总成本模型的表达式为:
Figure 978483DEST_PATH_IMAGE045
根据所述成本最小的单车泊车库位分配成本模型和所述成本最小的单车泊车库位分配总成本模型按照以下公式得到成本最小的泊车库位分配总成本模型:
Figure 87253DEST_PATH_IMAGE046
进一步的,利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解的步骤之前,所述方法还包括:
基于先到先分配的规则依次构建先到先分配的单车行驶成本模型、先到先分配的单车泊入难度成本模型、先到先分配的单车泊车库位分配成本模型以及先到先分配的单车泊车库位分配总成本模型;
基于所述先到先分配的单车行驶成本模型、所述先到先分配的单车泊入难度成本模型、所述先到先分配的单车泊车库位分配成本模型以及所述先到先分配的单车泊车库位分配总成本模型构建先到先分配的最优化问题。
进一步的,利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解,以得到泊位分配方案的步骤包括:
利用禁忌搜索算法以及蚁群算法对所述最优化问题以及所述先到先分配的最优化问题求解,并将最优解作为泊位分配方案的参考数值构建泊位分配方案。
本发明当中的多驾驶模式的泊位分配及规划控制方法,基于待泊车辆的驾驶模式构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型,利用用户的行走成本模型、心理成本模型以及总成本最小的泊车库位分配总成本模型和先到先分配的泊车库位分配模型,在考虑行驶成本、无人驾驶模式以及有人驾驶模式的同时,又考虑了泊入难度成本,可以形象的描述多无人车泊车库位分配问题以及混行车辆的泊位分配问题,基于禁忌搜索算法对混行车辆的泊位分配问题进行求解,以实现快速的混行车辆泊位分配,并基于蚁群算法对多无人车泊车库位分配问题进行求解,以实现快速的车辆泊位分配。
附图说明
图1为本发明实施例中多驾驶模式的泊位分配及规划控制方法的流程图;
图2为图1中步骤S101的详细流程图;
图3为本发明实施例中有人驾驶和无人驾驶的混合驾驶模式下混行车辆的泊位分配场景示意图;
图4为本发明实施例中无人驾驶模式下的车辆的泊位分配场景示意图;
图5为本发明实施例中分配泊位的泊位类型为分配泊位的两侧空闲的示意图;
图6为本发明实施例中分配泊位的泊位类型为分配泊位的一侧有车的示意图;
图7为本发明实施例中分配泊位的泊位类型为分配泊位的另一侧有车的示意图;
图8为本发明实施例中分配泊位的泊位类型为分配泊位的一侧有支撑物的示意图;
图9为本发明实施例中分配泊位的泊位类型为分配泊位的另一侧有支撑物的示意图;
图10为本发明实施例中分配泊位的泊位类型为分配泊位的两侧有车的示意图;
图11为本发明实施例中分配泊位的泊位类型为分配泊位的两侧有支撑物的示意图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明,下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是,本发明可以以许多不同的形式来实现,并不限于本文所描述的实施例。相反地,提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
需要说明的是,当元件被称为“固设于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
请参阅图1,所示为本发明实施例中的多驾驶模式的泊位分配及规划控制方法,所述多驾驶模式的泊位分配及规划控制方法具体包括步骤S101至S104:
S101,基于待泊车辆的驾驶模式分别构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型;
进一步的,请参阅图2,所述驾驶模式包括有人驾驶和无人驾驶,所述步骤S101具体包括步骤S1011~S1012:
S1011,对于有人驾驶的待泊车辆i分配到泊位j时,基于泊车行程构建第一单车泊车行程成本模型;
S1012,对于无人驾驶的待泊车辆k分配到泊位j时,基于泊车行程或泊车时间构建第二单车泊车行程成本模型或第一单车泊车时间成本模型。
需要说明的是,本实施例提出一种多驾驶模式的泊位分配及规划控制方法,多驾驶模式为有人驾驶模式、无人驾驶模式以及有人驾驶和无人驾驶的混合驾驶模式,其中,请参阅图3,所示为有人驾驶和无人驾驶的混合驾驶模式下车辆的泊位分配场景示意图,针对有人驾驶以及混合驾驶模式下车辆的泊位分配中,对于有人驾驶的待泊车辆i分配到泊位j时,第一单车泊车行程成本模型为:
Figure 541368DEST_PATH_IMAGE001
式中,S为有人驾驶的待泊车辆i到泊位j要经过的路段总数,
Figure 585548DEST_PATH_IMAGE002
为泊车行程成 本系数,l s 为第S段路的里程,v s 为停车库的允许车速,
Figure 16791DEST_PATH_IMAGE003
为受前车泊入影响的成本系 数,
Figure 804619DEST_PATH_IMAGE004
为受前车泊入影响的附加成本,该成本的值为受前车泊入影响的阻塞时间,
Figure 378819DEST_PATH_IMAGE047
为路段S上弯道影响的成本系数,
Figure 593900DEST_PATH_IMAGE006
为受弯道影响的附加成本;
请参阅图4,针对无人驾驶模式下的泊位分配中,对于无人驾驶的待泊车辆k分配到泊位j时,基于泊车行程构建的第二单车泊车行程成本模型为:
Figure 10975DEST_PATH_IMAGE007
上述公式中,当有人驾驶的待泊车辆i或无人驾驶的待泊车辆k经过第S段路的里 程的过程中,路段S上存在正在泊入的车辆,则受前车泊入影响的成本系数
Figure 336914DEST_PATH_IMAGE003
为1,当有 人驾驶的待泊车辆i或无人驾驶的待泊车辆k经过第S段路的里程的过程中,路段S上不存在 正在泊入的车辆,则受前车泊入影响的成本系数
Figure 31201DEST_PATH_IMAGE003
为0。
进一步的,对于无人驾驶的待泊车辆k分配到泊位j时,基于泊车时间构建的第一单车泊车时间成本模型为:
Figure 682762DEST_PATH_IMAGE008
式中,其中,k=1,…,n为无人驾驶的待泊车辆序号,k的值越小代表无人驾驶的待 泊车辆越早到达停车场,n为无人驾驶的待泊车辆总数,m为停车场可用泊位总数,
Figure 196920DEST_PATH_IMAGE009
为无人 驾驶的待泊车辆k到达停车库的时间成本,
Figure 451184DEST_PATH_IMAGE010
为无人驾驶的待泊车辆k到泊位j的空间距离 折算的行驶时间成本,
Figure 999977DEST_PATH_IMAGE048
为无人驾驶的待泊车辆k到泊位j的阻塞等待时间成本,
Figure 556860DEST_PATH_IMAGE012
为无 人驾驶的待泊车辆k到泊位j受弯道影响的附加时间成本,x k,j ={0, 1}是一个布尔变量,当x k,j =0时,表示无人驾驶的待泊车辆k没有分配到泊位j,当x k,j =1时,表示无人驾驶的待泊车 辆k分配到泊位j
具体的,针对有人驾驶或混行驾驶模式下,根据待泊车辆的尺寸以及泊位类型分别构建第一单车泊入难度成本模型,其中,所述第一单车泊入难度成本模型的表达式为
Figure 417368DEST_PATH_IMAGE013
Figure 350689DEST_PATH_IMAGE014
式中,
Figure 753989DEST_PATH_IMAGE015
为受有人驾驶的待泊车辆i影响的成本系数,
Figure 481773DEST_PATH_IMAGE016
为受分配泊位j泊位特 性影响的成本系数,r p 为常规泊入成本,
Figure 596622DEST_PATH_IMAGE017
为受无人驾驶的待泊车辆k影响的成本系数,其 中,受有人驾驶的待泊车辆i长度影响的成本系数
Figure 68055DEST_PATH_IMAGE015
的计算公式为:
Figure 325861DEST_PATH_IMAGE049
式中,
Figure 490126DEST_PATH_IMAGE019
为有人驾驶的待泊车辆i的长度,
Figure 590806DEST_PATH_IMAGE020
为分配泊位j的长度;
受无人驾驶的待泊车辆k影响的成本系数
Figure 600350DEST_PATH_IMAGE017
的计算公式为:
Figure 978242DEST_PATH_IMAGE050
式中,
Figure 47829DEST_PATH_IMAGE022
为无人驾驶的待泊车辆k的长度;
针对有人驾驶或混行驾驶模式下,分配泊位j的泊位类型分为五类:分配泊位的两 侧空闲(如图5所示);分配泊位的一侧有车(如图6至图7所示);分配泊位的一侧有支撑物 (如图8至图9所示);分配泊位的两侧有车(如图10所示);分配泊位的两侧有支撑物(如图11 所示),上述五种类型的分配泊位难度的成本系数
Figure 635805DEST_PATH_IMAGE016
依次递增,在本实施例中,分别设置为 0.8,0.9,1.0,1.1,1.2。
进一步的,针对无人驾驶模式下,根据待泊车辆的尺寸以及泊位类型分别构建第二单车泊入难度成本模型,其中,所述第二单车泊入难度成本模型的表达式为:
Figure 449041DEST_PATH_IMAGE051
式中,t p 为常规泊入时间成本。
针对无人驾驶模式下,分配泊位j的泊位类型分为三种:两侧均空闲(如图5所示),一侧空闲一侧占用(如图6至图9所示),两侧均占用(如图10至图11所示)。这三种不同类型的泊入难度成本系数a j 依次增大,在本实施例中,分别设置为1.0,1.1,1.2。
S102,基于所述驾驶模式以及用户的心理成本系数分别构建用户行走成本模型以及用户心理成本模型,并基于所述驾驶模式分别创建泊位分配成本模型,对所述泊位分配成本模型构建限制性条件,以得到泊车分配模型;
在具体实施时,由于有人驾驶的情况下,用户将待泊车辆泊入分配泊位后,还需要步行离开停车场,前往目的地,因此,在针对有人驾驶以及混行驾驶模式下,对于有人驾驶的待泊车辆i的用户行走成本模型为:
Figure 681439DEST_PATH_IMAGE024
式中,
Figure 187507DEST_PATH_IMAGE025
为有人驾驶的待泊车辆i的用户走出停车库的行走成本系数,
Figure 997200DEST_PATH_IMAGE026
为有 人驾驶的待泊车辆i的用户从泊位j走出停车库的行走成本,该成本的值为停车库内的行走 时间,
Figure 614126DEST_PATH_IMAGE027
为有人驾驶的待泊车辆i的用户从停车库外到目的地的行走成本系数,
Figure 701030DEST_PATH_IMAGE028
为 有人驾驶的待泊车辆i的用户从停车库外到目的地的行走成本,该成本的值为从停车库外 到目的地的行走时间;
由于无人驾驶模式下,用户能够在目的地下车,并以无人驾驶的模式自行泊入分 配泊位,因此,无人驾驶模式下待泊车辆k的用户,其用户行走成本模型为
Figure 377999DEST_PATH_IMAGE052
进一步的,对于有人驾驶的待泊车辆i的用户心理成本模型的表达式为:
Figure 176453DEST_PATH_IMAGE029
式中,
Figure 331491DEST_PATH_IMAGE030
为有人驾驶的待泊车辆i的用户从泊位j走出停车库的心理成本系数,
Figure 538482DEST_PATH_IMAGE031
为有人驾驶的待泊车辆i的用户从停车库外到目的地的心理成本系数,其中,用户走出 停车库的心理成本系数
Figure 386352DEST_PATH_IMAGE032
的表达式为:
Figure 170637DEST_PATH_IMAGE033
式中,
Figure 129366DEST_PATH_IMAGE034
≥1.0为调节系数,
Figure 925284DEST_PATH_IMAGE035
为用户可接受的从泊位j走出停车库的最大成本;
用户走到目的地的心理成本系数
Figure 944055DEST_PATH_IMAGE031
的表达式为:
Figure 215637DEST_PATH_IMAGE036
式中,
Figure 978056DEST_PATH_IMAGE037
≥1.0为调节系数,
Figure 894060DEST_PATH_IMAGE038
为用户可接受的从停车库外到目的地的最大 成本。
同样的,由于无人驾驶模式下,用户能够在目的地下车,并以无人驾驶的模式自行 泊入分配泊位,因此,无人驾驶模式下待泊车辆k的用户,用户心理成本模型为
Figure 818153DEST_PATH_IMAGE053
进一步的,针对有人驾驶以及混行驾驶模式下,泊车分配成本模型为:
Figure 577031DEST_PATH_IMAGE054
式中,
Figure 877562DEST_PATH_IMAGE040
为有人驾驶的待泊车辆i分配到泊位j的单车泊位分配成本,
Figure 913651DEST_PATH_IMAGE041
为无人驾 驶的待泊车辆k分配到泊位j的单车泊位分配成本,I为有人驾驶的待泊车辆i总数,K为无人 驾驶的待泊车辆k总数,x i,j ={0, 1}是一个二值型变量,x i,j =0表示泊位j不分配给有人驾驶 的待泊车辆ix i,j =1表示泊位j分配给有人驾驶的待泊车辆ix k,j ={0, 1}是一个二值型变 量,x k,j =0表示泊位j不分配给无人驾驶的待泊车辆kx k,j =1表示泊位j分配给无人驾驶的待 泊车辆k
其中,对于有人驾驶的待泊车辆i分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 8646DEST_PATH_IMAGE055
对于无人驾驶车辆k分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 756285DEST_PATH_IMAGE043
具体的,基于有人驾驶以及混行驾驶模式下,车辆的泊位分配系统总成本模型为:
Figure 860507DEST_PATH_IMAGE056
式中,m为停车库内最大的可分配泊位数量。
根据有人驾驶以及混行驾驶模式下,车辆的泊位分配限制条件进行建模,考虑到1 个泊位最多允许分配给1辆车,有人驾驶以及混行驾驶模式下的泊位分配限制性条件:
Figure 219944DEST_PATH_IMAGE057
。考虑1辆车最多占用1个泊位,混行车辆的泊位分配限 制性条件:
Figure 876053DEST_PATH_IMAGE058
。考虑到1个泊位最多允许分配给1辆车和1辆车最多占用1个 泊位,有人驾驶以及混行驾驶模式下泊位分配限制性条件为:
Figure 219310DEST_PATH_IMAGE059
S103,基于成本最小条件对所述泊车分配模型进行成本均衡分摊,并对所述单车成本模型、所述单车泊入难度成本模型、所述用户行走成本模型、所述用户心理成本模型以及所述泊车分配模型构造最优化问题;
在具体实施时,根据上述步骤S102中,有人驾驶以及混行驾驶的车辆的泊位分配问题的模型以泊位分配系统的总成本R最小为目标函数,同时,将上述步骤S102中有人驾驶以及混行驾驶模式下的限制性条件为约束,构造最优化问题。最优化问题如公式(1)所示。
公式(1):
Figure 127223DEST_PATH_IMAGE060
进一步的,针对无人驾驶模式下,对于无人驾驶的待泊车辆k分配到泊位j时,成本最小的单车泊车库位分配成本模型的表达式为:
Figure 872325DEST_PATH_IMAGE061
对于无人驾驶的待泊车辆k,成本最小的单车泊车库位分配总成本模型的表达式为:
Figure 699336DEST_PATH_IMAGE045
根据所述成本最小的单车泊车库位分配成本模型和所述成本最小的单车泊车库位分配总成本模型按照以下公式得到成本最小的泊车库位分配总成本模型:
Figure 529888DEST_PATH_IMAGE062
具体的,基于无人驾驶模式下,考虑到1个库位最多可以分配1辆车,系统总成本最 小的泊车库位分配约束为:
Figure 975913DEST_PATH_IMAGE063
;考虑到1辆车最多可以分配1个库位,系统总成本 最小的泊车库位分配约束为:
Figure 575522DEST_PATH_IMAGE064
;考虑到停车场可用库位总数限制,系统总成本 最小的泊车库位分配约束为:
Figure 573434DEST_PATH_IMAGE065
在具体实施时,无人驾驶的车辆的系统总成本最小的泊车库位分配问题的模型以 系统总成本最小的泊车库位分配总成本
Figure 891283DEST_PATH_IMAGE066
最小为目标函数,同时,将上述无人驾驶模式下 的限制性条件为约束,构造最优化问题。最优化问题如公式(2)所示:
公式(2):
Figure 875419DEST_PATH_IMAGE067
进一步的,基于先到先分配的规则依次构建先到先分配的单车行驶成本模型、先到先分配的单车泊入难度成本模型、先到先分配的单车泊车库位分配成本模型以及先到先分配的单车泊车库位分配总成本模型;
基于所述先到先分配的单车行驶成本模型、所述先到先分配的单车泊入难度成本模型、所述先到先分配的单车泊车库位分配成本模型以及所述先到先分配的单车泊车库位分配总成本模型构建先到先分配的最优化问题。
在具体实施时,对于无人驾驶模式下,车辆以先到先分配的原则,因此,对于无人 驾驶的待泊车辆k分配到泊位j时,先到先分配的单车行驶成本模型为
Figure 595113DEST_PATH_IMAGE068
,其中,y k,j ={0, 1}是一个布尔变量,当y k,j =0时,表示无 人驾驶的待泊车辆k没有分配到泊位j,反之,当y k,j =1时,表示无人驾驶的待泊车辆k分配到 泊位j
由于分配泊位j的泊位种类和无人驾驶的待泊车辆k的尺寸,先到先分配的单车泊 入难度成本模型为
Figure 253673DEST_PATH_IMAGE069
;对于无人驾驶的待泊车辆k分配到泊位j时, 先到先分配的单车泊车库位分配成本模型为
Figure 793238DEST_PATH_IMAGE070
;对于无人驾驶的待泊 车辆k,先到先分配的单车泊车库位分配总成本建模为
Figure 581066DEST_PATH_IMAGE071
具体的,基于无人驾驶模式下,考虑到1个库位最多可以分配1辆车,先到先分配的 泊车库位分配约束为
Figure 279900DEST_PATH_IMAGE072
;考虑到1辆车最多可以分配1个库位,先到先分配的泊车 库位分配约束为
Figure 494981DEST_PATH_IMAGE073
;考虑到停车库可用库位总数限制,先到先分配的泊车库位分 配约束为
Figure 521843DEST_PATH_IMAGE074
进一步的,先到先分配的泊车库位分配问题的模型以先来后到顺序分配库位为目标函数,同时,将上述无人驾驶模式下先到先分配的限制性条件为约束,构造最优化问题。最优化问题如公式(3)所示:
公式(3):
Figure 113361DEST_PATH_IMAGE075
S104,利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解,以得到泊位分配方案。
在得到上述的最优化问题后,对有人驾驶以及混行驾驶下,车辆泊位分配问题的 适配值函数进行设计,车辆泊位分配问题的适配值函数J设计为
Figure 666702DEST_PATH_IMAGE076
,并利用禁忌搜索算 法求解车辆泊位分配问题,以解决有人驾驶以及混行驾驶模式下的车辆泊位问题,得到对 应的泊位分配方案。
对无人驾驶下,采用蚁群算法分别求解公式(2)和公式(3)的最优解,最优解分别 为
Figure 52684DEST_PATH_IMAGE077
Figure 566842DEST_PATH_IMAGE078
,以系统总成本最小为目标的成本进行均衡分摊,进而得到每一 辆车的最终成本为
Figure 821106DEST_PATH_IMAGE079
,以解决无人驾驶模式下的车辆泊位问题,得到对应 的泊位分配方案。
综上,本发明上述实施例中的多驾驶模式的泊位分配及规划控制方法,基于待泊车辆的驾驶模式构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型,利用用户的行走成本模型、心理成本模型以及总成本最小的泊车库位分配总成本模型和先到先分配的泊车库位分配模型,在考虑行驶成本、无人驾驶模式以及有人驾驶模式的同时,又考虑了泊入难度成本,可以形象的描述多无人车泊车库位分配问题以及混行车辆的泊位分配问题,基于禁忌搜索算法对混行车辆的泊位分配问题进行求解,以实现快速的混行车辆泊位分配,并基于蚁群算法对多无人车泊车库位分配问题进行求解,以实现快速的车辆泊位分配。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种多驾驶模式的泊位分配及规划控制方法,其特征在于,包括:
基于待泊车辆的驾驶模式分别构建单车成本模型,并基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型;
基于所述驾驶模式以及用户的心理成本系数分别构建用户行走成本模型以及用户心理成本模型,并基于所述驾驶模式分别创建泊位分配成本模型,对所述泊位分配成本模型构建限制性条件,以得到泊车分配模型;
基于成本最小条件对所述泊车分配模型进行成本均衡分摊,并对所述单车成本模型、所述单车泊入难度成本模型、所述用户行走成本模型、所述用户心理成本模型以及所述泊车分配模型构造最优化问题;
利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解,以得到泊位分配方案。
2.根据权利要求1所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,所述驾驶模式包括有人驾驶和无人驾驶,所述基于待泊车辆的驾驶模式分别构建单车成本模型的步骤包括:
对于有人驾驶的待泊车辆i分配到泊位j时,基于泊车行程构建第一单车泊车行程成本模型;
对于无人驾驶的待泊车辆k分配到泊位j时,基于泊车行程或泊车时间构建第二单车泊车行程成本模型或第一单车泊车时间成本模型。
3.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,所述第一单车泊车行程成本模型的表达式为:
Figure 384669DEST_PATH_IMAGE001
式中,S为有人驾驶的待泊车辆i到泊位j要经过的路段总数,
Figure 463483DEST_PATH_IMAGE002
为泊车行程成本系 数,l s 为第S段路的里程,v s 为停车库的允许车速,
Figure 695881DEST_PATH_IMAGE003
为受前车泊入影响的成本系数,
Figure 936370DEST_PATH_IMAGE004
为受前车泊入影响的附加成本,该成本的值为受前车泊入影响的阻塞时间,
Figure 247528DEST_PATH_IMAGE005
为 路段S上弯道影响的成本系数,
Figure 864454DEST_PATH_IMAGE006
为受弯道影响的附加成本;
所述第二单车泊车行程成本模型的表达式为:
Figure 216938DEST_PATH_IMAGE007
其中,当有人驾驶的待泊车辆i或无人驾驶的待泊车辆k经过第S段路的里程的过程中, 路段S上存在正在泊入的车辆,则受前车泊入影响的成本系数
Figure 487382DEST_PATH_IMAGE003
为1,当有人驾驶的待泊 车辆i或无人驾驶的待泊车辆k经过第S段路的里程的过程中,路段S上不存在正在泊入的车 辆,则受前车泊入影响的成本系数
Figure 659737DEST_PATH_IMAGE003
为0。
4.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,所述第一单车泊车时间成本模型的表达式为:
Figure 80354DEST_PATH_IMAGE008
式中,其中,k=1,…,n为无人驾驶的待泊车辆序号,k的值越小代表无人驾驶的待泊车 辆越早到达停车场,n为无人驾驶的待泊车辆总数,m为停车场可用泊位总数,
Figure 21766DEST_PATH_IMAGE009
为无人驾驶 的待泊车辆k到达停车库的时间成本,
Figure 994270DEST_PATH_IMAGE010
为无人驾驶的待泊车辆k到泊位j的空间距离折算 的行驶时间成本,
Figure 653921DEST_PATH_IMAGE011
为无人驾驶的待泊车辆k到泊位j的阻塞等待时间成本,
Figure 612650DEST_PATH_IMAGE012
为无人驾 驶的待泊车辆k到泊位j受弯道影响的附加时间成本,x k,j ={0, 1}是一个布尔变量,当x k,j =0 时,表示无人驾驶的待泊车辆k没有分配到泊位j,当x k,j =1时,表示无人驾驶的待泊车辆k分 配到泊位j
5.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,基于待泊车辆的尺寸和泊位类型构建单车泊入难度成本模型的步骤包括:
根据待泊车辆的尺寸以及泊位类型分别构建第一单车泊入难度成本模型以及第二单车泊入难度成本模型,其中,所述第一单车泊入难度成本模型的表达式为:
Figure 674147DEST_PATH_IMAGE013
Figure 817552DEST_PATH_IMAGE014
式中,
Figure 698921DEST_PATH_IMAGE015
为受有人驾驶的待泊车辆i影响的成本系数,
Figure 461340DEST_PATH_IMAGE016
为受分配泊位j泊位特性影 响的成本系数,r p 为常规泊入成本,
Figure 737863DEST_PATH_IMAGE017
为受无人驾驶的待泊车辆k影响的成本系数,其中, 受有人驾驶的待泊车辆i长度影响的成本系数
Figure 927536DEST_PATH_IMAGE015
的计算公式为:
Figure 561780DEST_PATH_IMAGE018
式中,
Figure 862311DEST_PATH_IMAGE019
为有人驾驶的待泊车辆i的长度,
Figure 757455DEST_PATH_IMAGE020
为分配泊位j的长度;
受无人驾驶的待泊车辆k影响的成本系数
Figure 118029DEST_PATH_IMAGE021
的计算公式为:
Figure 973989DEST_PATH_IMAGE022
式中,
Figure 78212DEST_PATH_IMAGE023
为无人驾驶的待泊车辆k的长度;
所述第二单车泊入难度成本模型的表达式为:
Figure 93441DEST_PATH_IMAGE024
式中,t p 为常规泊入时间成本。
6.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,基于所述驾驶模式以及用户的心理成本系数分别构建用户行走成本模型的步骤包括:
对于有人驾驶的待泊车辆i的用户行走成本模型的表达式为:
Figure 624916DEST_PATH_IMAGE025
式中,
Figure 968173DEST_PATH_IMAGE026
为有人驾驶的待泊车辆i的用户走出停车库的行走成本系数,
Figure 610507DEST_PATH_IMAGE027
为有人驾驶 的待泊车辆i的用户从泊位j走出停车库的行走成本,该成本的值为停车库内的行走时间,
Figure 480243DEST_PATH_IMAGE028
为有人驾驶的待泊车辆i的用户从停车库外到目的地的行走成本系数,
Figure 182620DEST_PATH_IMAGE029
为有人 驾驶的待泊车辆i的用户从停车库外到目的地的行走成本,该成本的值为从停车库外到目 的地的行走时间;
对于有人驾驶的待泊车辆i的用户心理成本模型的表达式为:
Figure 13172DEST_PATH_IMAGE030
式中,
Figure 459197DEST_PATH_IMAGE031
为有人驾驶的待泊车辆i的用户从泊位j走出停车库的心理成本系数,
Figure 950484DEST_PATH_IMAGE032
为有人驾驶的待泊车辆i的用户从停车库外到目的地的心理成本系数,其中,用户走出停车 库的心理成本系数
Figure 823762DEST_PATH_IMAGE033
的表达式为:
Figure 876031DEST_PATH_IMAGE034
式中,
Figure 125747DEST_PATH_IMAGE035
≥1.0为调节系数,
Figure 970075DEST_PATH_IMAGE036
为用户可接受的从泊位j走出停车库的最大成本;
用户走到目的地的心理成本系数
Figure 14255DEST_PATH_IMAGE032
的表达式为:
Figure 553820DEST_PATH_IMAGE037
式中,
Figure 341648DEST_PATH_IMAGE038
≥1.0为调节系数,
Figure 40482DEST_PATH_IMAGE039
为用户可接受的从停车库外到目的地的最大成本。
7.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,所述泊位分配成本模型的表达式为:
Figure 255563DEST_PATH_IMAGE040
式中,
Figure 548004DEST_PATH_IMAGE041
为有人驾驶的待泊车辆i分配到泊位j的单车泊位分配成本,
Figure 873943DEST_PATH_IMAGE042
为无人驾驶的 待泊车辆k分配到泊位j的单车泊位分配成本,I为有人驾驶的待泊车辆i总数,K为无人驾驶 的待泊车辆k总数,x i,j ={0, 1}是一个二值型变量,x i,j =0表示泊位j不分配给有人驾驶的待 泊车辆ix i,j =1表示泊位j分配给有人驾驶的待泊车辆ix k,j ={0, 1}是一个二值型变量,x k,j =0表示泊位j不分配给无人驾驶的待泊车辆kx k,j =1表示泊位j分配给无人驾驶的待泊 车辆k
其中,对于有人驾驶的待泊车辆i分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 692864DEST_PATH_IMAGE043
对于无人驾驶车辆k分配到泊位j,其单车泊位分配成本模型的表达式为:
Figure 78846DEST_PATH_IMAGE044
8.根据权利要求2所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,基于成本最小条件对所述泊车分配模型进行成本均衡分摊的步骤包括:
对于无人驾驶的待泊车辆k分配到泊位j时,成本最小的单车泊车库位分配成本模型的表达式为:
Figure 593004DEST_PATH_IMAGE045
对于无人驾驶的待泊车辆k,成本最小的单车泊车库位分配总成本模型的表达式为:
Figure 83153DEST_PATH_IMAGE046
根据所述成本最小的单车泊车库位分配成本模型和所述成本最小的单车泊车库位分配总成本模型按照以下公式得到成本最小的泊车库位分配总成本模型:
Figure 631946DEST_PATH_IMAGE047
9.根据权利要求8所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解的步骤之前,所述方法还包括:
基于先到先分配的规则依次构建先到先分配的单车行驶成本模型、先到先分配的单车泊入难度成本模型、先到先分配的单车泊车库位分配成本模型以及先到先分配的单车泊车库位分配总成本模型;
基于所述先到先分配的单车行驶成本模型、所述先到先分配的单车泊入难度成本模型、所述先到先分配的单车泊车库位分配成本模型以及所述先到先分配的单车泊车库位分配总成本模型构建先到先分配的最优化问题。
10.根据权利要求9所述的多驾驶模式的泊位分配及规划控制方法,其特征在于,利用禁忌搜索算法以及蚁群算法对所述最优化问题进行求解,以得到泊位分配方案的步骤包括:
利用禁忌搜索算法以及蚁群算法对所述最优化问题以及所述先到先分配的最优化问题求解,并将最优解作为泊位分配方案的参考数值构建泊位分配方案。
CN202211575967.3A 2022-12-09 2022-12-09 多驾驶模式的泊位分配及规划控制方法 Active CN115762233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211575967.3A CN115762233B (zh) 2022-12-09 2022-12-09 多驾驶模式的泊位分配及规划控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211575967.3A CN115762233B (zh) 2022-12-09 2022-12-09 多驾驶模式的泊位分配及规划控制方法

Publications (2)

Publication Number Publication Date
CN115762233A true CN115762233A (zh) 2023-03-07
CN115762233B CN115762233B (zh) 2023-11-14

Family

ID=85344842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211575967.3A Active CN115762233B (zh) 2022-12-09 2022-12-09 多驾驶模式的泊位分配及规划控制方法

Country Status (1)

Country Link
CN (1) CN115762233B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN206513076U (zh) * 2017-02-07 2017-09-22 合肥工业大学 一种基于驾驶人生理特性和gps的最优停车位选取系统
DE102016208796A1 (de) * 2016-05-20 2017-11-23 Zf Friedrichshafen Ag Verfahren zur Bereitstellung einer Parkstrategie, System und Fahrzeug
CN111597495A (zh) * 2020-05-14 2020-08-28 杭州师范大学钱江学院 一种基于模糊判断选择最佳泊位的停车诱导方法
CN111785073A (zh) * 2020-07-07 2020-10-16 河南理工大学 一种基于人因因素的停车场诱导系统
CN114444400A (zh) * 2022-03-03 2022-05-06 南昌智能新能源汽车研究院 一种自主代客泊车群车库位分配方法
CN114495570A (zh) * 2022-03-03 2022-05-13 南昌智能新能源汽车研究院 一种车路协同自主代客泊车停泊诱导方法
CN115204433A (zh) * 2022-07-07 2022-10-18 北京交通大学 一种面向自动驾驶汽车的共享泊位预约匹配方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102016208796A1 (de) * 2016-05-20 2017-11-23 Zf Friedrichshafen Ag Verfahren zur Bereitstellung einer Parkstrategie, System und Fahrzeug
CN206513076U (zh) * 2017-02-07 2017-09-22 合肥工业大学 一种基于驾驶人生理特性和gps的最优停车位选取系统
CN111597495A (zh) * 2020-05-14 2020-08-28 杭州师范大学钱江学院 一种基于模糊判断选择最佳泊位的停车诱导方法
CN111785073A (zh) * 2020-07-07 2020-10-16 河南理工大学 一种基于人因因素的停车场诱导系统
CN114444400A (zh) * 2022-03-03 2022-05-06 南昌智能新能源汽车研究院 一种自主代客泊车群车库位分配方法
CN114495570A (zh) * 2022-03-03 2022-05-13 南昌智能新能源汽车研究院 一种车路协同自主代客泊车停泊诱导方法
CN115204433A (zh) * 2022-07-07 2022-10-18 北京交通大学 一种面向自动驾驶汽车的共享泊位预约匹配方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ZENG, DEQUAN 等: "Parking Slots Allocation for Multiple Autonomous Valet Parking Vehicles", SAE TECHNICAL PAPERS *
何胜学: "自动代客泊车背景下的共享停车供需匹配模型及对应禁忌搜索算法", 计算机应用研究, no. 009 *
季彦婕 等: "停车场内部泊车行为特性分析及最优泊位选择模型", 东南大学学报(自然科学版), no. 02 *

Also Published As

Publication number Publication date
CN115762233B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Mounce et al. On the potential for one-way electric vehicle car-sharing in future mobility systems
CN110450825B (zh) 城市轨道交通列车运行控制方法
CN108877268B (zh) 一种面向无人驾驶的无红绿灯十字路口智能调度方法
CN102568237B (zh) 具有适应性车辆的无轨交通系统
EP2768693B1 (en) Method, system and charging station for charging electric vehicles
CN107610448A (zh) 一种无人驾驶车辆及其调度方法和调度系统
CN103116808A (zh) 一种快速路短时交通流实时预测的方法
CN109559499B (zh) 车辆队列行驶管理平台、控制方法和车载终端
CN110435655A (zh) 一种考虑再生制动的电动汽车车队自适应巡航优化方法
Hars Autonomous cars: The next revolution looms
CN115620536A (zh) 自动驾驶环境下基于危险度的交叉口通行效率提升方法
Yantao et al. SAV operations on a bus line corridor: travel demand, service frequency, and vehicle size
CN109515480A (zh) 基于主辅车概念以使轨道交通列车的运力倍增的调度方法
KR101923046B1 (ko) 전기자동차를 위한 효율적 차등 충전 시스템
CN113627814A (zh) 基于电动汽车动态充电请求的移动并行充电系统
CN115762233A (zh) 多驾驶模式的泊位分配及规划控制方法
CN103226666B (zh) 复杂功能互通立体交叉系统功效评价方法
CN116631217A (zh) 基于A-Star算法的超大型智慧停车场停取车动态诱导方法
CN111785065B (zh) 基于用户出行成本与出行效率的智能远程自主泊车方法
CN113409567B (zh) 一种公交与自动驾驶车辆混行车道的交通评估方法和系统
JP7180065B2 (ja) 車両用制御装置
Hosney Radwan et al. Autonomous vehicles and changing the future of cities: Technical and urban perspectives
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
CN114741891B (zh) 一种基于超细观仿真的港湾式公交站效率评估方法
CN117252323B (zh) 一种基于用户偏好的多模式出行路径规划方法

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