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 PDFInfo
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000005457 optimization Methods 0.000 claims abstract description 26
- 238000010845 search algorithm Methods 0.000 claims abstract description 13
- 150000001875 compounds Chemical class 0.000 claims description 31
- 230000000903 blocking effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005200 bud stage Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- Y—GENERAL 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine 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
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:
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,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,为受前车泊入影响的成本系
数,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,
为路段S上弯道影响的成本系数,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:
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:
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,为无人
驾驶的待泊车辆k到达停车库的时间成本,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,为无人驾驶的待泊车辆k到泊位j的阻塞等待时间成本,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:
式中,为受有人驾驶的待泊车辆i影响的成本系数,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,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的计算公式为:
所述第二单车泊入难度成本模型的表达式为:
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:
式中,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,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,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,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:
进一步的,所述泊位分配成本模型的表达式为:
式中,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,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i,x i,j =1表示泊位j分配给有人驾驶的待泊车辆i,x 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k,x 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:
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:
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:
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:
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:
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:
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,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,为受前车泊入影响的成本系
数,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,
为路段S上弯道影响的成本系数,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:
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:
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,为无人
驾驶的待泊车辆k到达停车库的时间成本,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,为无人驾驶的待泊车辆k到泊位j的阻塞等待时间成本,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
式中,为受有人驾驶的待泊车辆i影响的成本系数,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,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的计算公式为:
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:
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:
式中,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,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,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,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;
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:
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:
式中,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,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i,x i,j =1表示泊位j分配给有人驾驶的待泊车辆i,x 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k,x 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:
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:
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:
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:。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:。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:
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。
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:
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:
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:
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:;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:;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:。
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:
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,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;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;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。
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;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;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。
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:
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,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
为和,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,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:
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,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,为受前车泊入影响的成本系数,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,为
路段S上弯道影响的成本系数,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:
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:
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:
式中,为受有人驾驶的待泊车辆i影响的成本系数,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,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的计算公式为:
所述第二单车泊入难度成本模型的表达式为:
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:
式中,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,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,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,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:
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:
式中,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,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i,x i,j =1表示泊位j分配给有人驾驶的待泊车辆i,x 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k,x 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:
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:
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。
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)
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 |
-
2022
- 2022-12-09 CN CN202211575967.3A patent/CN115762233B/zh active Active
Patent Citations (7)
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)
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 |