CN116009549A - 非联网汇入车辆的车辆队列动态重组方法及装置 - Google Patents
非联网汇入车辆的车辆队列动态重组方法及装置 Download PDFInfo
- Publication number
- CN116009549A CN116009549A CN202310019950.8A CN202310019950A CN116009549A CN 116009549 A CN116009549 A CN 116009549A CN 202310019950 A CN202310019950 A CN 202310019950A CN 116009549 A CN116009549 A CN 116009549A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- loss function
- incoming
- time
- vehicles
- 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 95
- 230000008521 reorganization Effects 0.000 title claims abstract description 33
- 230000006870 function Effects 0.000 claims abstract description 67
- 230000008569 process Effects 0.000 claims abstract description 43
- 230000001133 acceleration Effects 0.000 claims abstract description 29
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000009825 accumulation Methods 0.000 claims abstract description 8
- 230000009471 action Effects 0.000 claims abstract description 7
- 230000008676 import Effects 0.000 claims description 26
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 15
- 238000010276 construction Methods 0.000 claims description 12
- 230000003993 interaction Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 4
- 230000006399 behavior Effects 0.000 abstract description 5
- 239000013598 vector Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 230000006855 networking Effects 0.000 description 8
- 241000282414 Homo sapiens Species 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005290 field theory Methods 0.000 description 4
- 238000005096 rolling process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000007704 transition 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
Abstract
本申请涉及一种非联网汇入车辆的车辆队列动态重组方法及装置，其中，方法包括：获取至少一个汇入车辆的速度信息、位置信息和航向角信息；根据速度信息、位置信息和航向角信息预测至少一个汇入车辆的汇入轨迹；基于汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解时序堆积换道风险损失函数；将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。本申请实施例可以构建并求解车辆汇入过程中的时序堆积换道风险损失函数，将求解结果输入至下位控制器中，以实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，保证车队不出现非必要的急加速、急减速行为，优化匝道口全过程的通行效率。
Description
技术领域
本申请涉及智能网联汽车决策、控制技术领域，特别涉及一种非联网汇入车辆的车辆队列动态重组方法。
背景技术
近年来，智能网联汽车发展迅速，包含车-车协同、车-路协同、车-云协同的V2X(Vehicle to Everything，车用无线通信技术)技术不断进步，车辆编队行驶在目前有着广泛的应用场景，例如高速公路上的货车车队，而若能将车队智能化、网联化，则可以让编队更好的发挥作用，达到更强的性能。
相关技术中，智能网联车队对汇入车辆做出智能化、网联化的假设，在匝道口的算法中，可以通过求解一些数学问题，得到匝道汇入车辆的预期汇入点，并对主路上的车队车辆和匝道上的汇入车辆进行联合的控制，实现汇入的全过程。
然而，相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率，亟待解决。
发明内容
本申请提供一种非联网汇入车辆的车辆队列动态重组方法及装置，以解决相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率等问题。
本申请第一方面实施例提供一种非联网汇入车辆的车辆队列动态重组方法，包括以下步骤：获取至少一个汇入车辆的速度信息、位置信息和航向角信息；根据所述速度信息、所述位置信息和所述航向角信息预测所述至少一个汇入车辆的汇入轨迹；基于所述汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解所述时序堆积换道风险损失函数；以及将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
可选地，在本申请的一个实施例中，所述构建车辆汇入过程中的损失函数，包括：基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标；基于所述量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息；根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
可选地，在本申请的一个实施例中，在预测所述至少一个汇入车辆的汇入轨迹之后，还包括：根据所述至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在所述实际意图为汇入意图时进行车队控制。
可选地，在本申请的一个实施例中，所述求解所述时序堆积换道风险损失函数，包括：求解在预测时长内所述车辆车队中每辆车在确定所述汇入轨迹时采用的最优解；基于所述最优解，将所述每辆车采用第一个时间步的控制量输入至所述下位控制器中进行控制。
可选地，在本申请的一个实施例中，所述时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
本申请第二方面实施例提供一种非联网汇入车辆的车辆队列动态重组装置，包括：获取模块，用于获取至少一个汇入车辆的速度信息、位置信息和航向角信息；预测模块，用于根据所述速度信息、所述位置信息和所述航向角信息预测所述至少一个汇入车辆的汇入轨迹；构建模块，用于基于所述汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解所述时序堆积换道风险损失函数；以及生成模块，用于将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
可选地，在本申请的一个实施例中，所述构建模块包括：构建单元，用于基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标；更新单元，用于基于所述量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息；构造单元，用于根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
可选地，在本申请的一个实施例中，还包括：控制模块，用于在预测所述至少一个汇入车辆的汇入轨迹之后，根据所述至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在所述实际意图为汇入意图时进行车队控制。
可选地，在本申请的一个实施例中，所述构建模块包括：求解单元，用于求解在预测时长内所述车辆车队中每辆车在确定所述汇入轨迹时采用的最优解；输入单元，用于基于所述最优解，将所述每辆车采用第一个时间步的控制量输入至所述下位控制器中进行控制。
可选地，在本申请的一个实施例中，所述时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
本申请第三方面实施例提供一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如上述实施例所述的非联网汇入车辆的车辆队列动态重组方法。
本申请第四方面实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储计算机程序，该程序被处理器执行时实现如上的非联网汇入车辆的车辆队列动态重组方法。
本申请实施例可以构建并求解车辆汇入过程中的时序堆积换道风险损失函数，将求解结果输入至下位控制器中，以实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，保证车队不出现非必要的急加速、急减速行为，优化匝道口全过程的通行效率。由此，解决了相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率等问题。
本申请附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本申请实施例提供的一种非联网汇入车辆的车辆队列动态重组方法的流程图；
图2为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的流程图；
图3为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的原理示意图；
图4为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的原理示意图；
图5为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的原理示意图；
图6为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的原理示意图；
图7为根据本申请一个具体实施例的非联网汇入车辆的车辆队列动态重组方法的原理示意图；
图8为根据本申请实施例提供的一种非联网汇入车辆的车辆队列动态重组装置的结构示意图；
图9为根据本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本申请，而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的非联网汇入车辆的车辆队列动态重组方法及装置。针对上述背景技术中心提到的相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率的问题，本申请提供了一种非联网汇入车辆的车辆队列动态重组方法，在该方法中，可以构建并求解车辆汇入过程中的时序堆积换道风险损失函数，将求解结果输入至下位控制器中，以实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，保证车队不出现非必要的急加速、急减速行为，优化匝道口全过程的通行效率由此，解决了相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率等问题。
具体而言，图1为本申请实施例所提供的一种非联网汇入车辆的车辆队列动态重组方法的流程示意图。
如图1所示，该非联网汇入车辆的车辆队列动态重组方法包括以下步骤：
在步骤S101中，获取至少一个汇入车辆的速度信息、位置信息和航向角信息。
在实际执行过程中，本申请实施例可以获取至少一个汇入车辆的速度信息、位置信息和航向信息，如通过路侧设备感知车辆的速度信息、位置信息和航向信息等车辆信息，输出车辆在道路上的坐标等信息，并通过车路协同系统发送给车队，将车辆的速度信息、位置信息和航向信息等车辆信息作为算法的输入，从而保证车辆可以安全汇入，提高车队的通行效率。
在步骤S102中，根据速度信息、位置信息和航向角信息预测至少一个汇入车辆的汇入轨迹。
在实际执行过程中，本申请实施例可以对汇入车辆进行轨迹预测，可采用深度学习方法，根据车辆速度信息、位置信息和航向角信息，将目标车辆和周围车辆的历史轨迹作为输入，经过神经网络，输出至少一个汇入车辆的预测汇入轨迹。
进一步地，本申请实施例可以采用较为简洁且预测表现较好的神经网络结构，其中，神经网络结构由长短期记忆网络LSTM与卷积神经网络CNN组成，包括：输入层：输入目标车辆和相邻车辆的历史轨迹；编码器结构：利用长短期记忆网络，对目标车辆和其相邻车辆的历史轨迹进行编码，形成特征向量；卷积层：以目标车辆为中心，考虑当前车道与左右车道上一定空间范围内的车辆，将当前车道与左右车道上一定空间分为若干小格，形成占用栅格，将特征向量填入到对应的格子中，进行卷积、池化操作，以表征空间的相对位置信息；解码器结构：利用长短期记忆网络，对前面步骤得到的特征向量进行解码，得到轨迹信息；输出层，输出未来一段时间内的预测轨迹。本申请实施例中的神经网络结构十分适用于高速公路这一场景，在仿真测试中，其预测误差始终小于0.5m，能够准确地识别到汇入车辆的意图，保证车辆汇入的安全性和较高的汇入成功率。
可选地，在本申请的一个实施例中，在预测至少一个汇入车辆的汇入轨迹之后，还包括：根据至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在实际意图为汇入意图时进行车队控制。
在实际执行过程中，本申请实施例可以在预测至少一个汇入车辆的汇入轨迹之后，根据至少一个汇入车辆的汇入轨迹，识别每个汇入车辆的实际意图，当预测轨迹进入主路时，表示汇入车辆具有汇入的意图，当实际意图为汇入意图时，可以进行车队控制，从而优化车队在高速公路匝道口汇入车辆时的通行效率。
在步骤S103中，基于汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解时序堆积换道风险损失函数。
在一些实施例中，可以根据车辆的汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，可以首先构建量化指标，如行车风险场，本申请实施例中的行车风险场可以利用场论的方式进行风险量化，行车风险场具有客观性、普遍性、可变性和可测性。因此，行车风险可用场论的方式进行量化，并表征车辆之间的交互关系。
进一步地，本申请实施例可以迭代更新车队车辆的位置信息和速度信息，根据运动学关系迭代更新未来每个时刻车队各个车辆的位置信息和速度信息，在构建量化指标和迭代更新车队车辆的位置信息和速度信息后，可以构建时序堆积换道风险损失函数，分别得到汇入车辆的预测信息和车队中各个车辆的状态信息，基于车辆的预测信息和车队中各个车辆的状态信息数据，参照构建的基于行车风险场的风险量化指标，可以构造出汇入过程中的损失函数。
本申请实施例可以首先考虑最小风险，考虑每个时间点，在预测阶段得到了匝道汇入车辆的预测轨迹，将预测轨迹视为未来每个时间点中汇入车辆将要到达的真实位置，并计算未来每个时间点的速度：
其中，x(k+1)为k+1时刻车辆的坐标向量，x(k)为k时刻车辆的坐标向量，Ts为采样周期。
本申请实施例构造的时序堆积换道风险损失函数如下：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
本申请实施例可以通过序列二次规划算法等方法求解时序堆积换道风险损失函数的非线性规划问题，从而实现对预测轨迹以及控制量进行滚动更新，以实现较好的实时性，保证车辆汇入的安全性，提高车辆汇入的成功率。
可选地，在本申请的一个实施例中，求解时序堆积换道风险损失函数，包括：求解在预测时长内车辆车队中每辆车在确定汇入轨迹时采用的最优解；基于最优解，将每辆车采用第一个时间步的控制量输入至下位控制器中进行控制。
在实际执行过程中，本申请实施例可以求解在预测时长内车辆车队中每辆车在确定汇入轨迹时采用的最优解，基于最优解，将每辆车采用第一个时间步的控制量输入至下位控制器中进行控制，对于本申请实施例中的非线性规划问题，可以通过序列二次规划算法等方法来进行求解，求解后会得到一个如下式所示的向量：
u＝(u1(1)，...，u1(Np)，...，usum(1)，...，usum(Np))
其中，u表示在预测时长内，车队中每辆车在给定汇入车辆预测轨迹时可以采用的最优解，每辆车采用第一个时间步的控制量ui(1)，输入到车辆的下位控制器中进行控制，当进入下一个时间步时，重复以上所有步骤，类似于模型预测控制，对预测轨迹以及控制量进行滚动更新，以实现较好的实时性，优化了车队在高速公路的通行效率。
可选地，在本申请的一个实施例中，时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
可以理解的是，本申请实施例可以构造时序堆积换道风险损失函数，利用状态方程滚动更新，得到未来每个时间点车队中各个车辆的状态，通过构造汇入车辆所产生的动能场，计算每一个时间点的风险值，将每一个时间点的风险值求和，便可得到未来一段内总的风险值。
在实际执行过程中，本申请实施例可以构造时序堆积换道风险损失函数，采用欧式距离：
其中，xi(k)、yi(k)分别表示k时刻第i辆车的x、y坐标，x(k)、y(k)分别表示k时刻汇入车辆的x、y坐标，而cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值，通过向量的内积可以计算得到：
但如果只考虑到汇入过程中的安全性，损失函数的大小与距离成反比，会导致在最小化J1时，车队的决策倾向于与汇入车辆拉大距离，由此计算得到的控制量使得车队车辆出现急加速、急减速等情况，从而影响驾乘的舒适性和车辆在公路上的通行效率，且在长距离行驶中，多次急加、减速操作会增加能耗。因此，本申请实施例可以对损失函数做出修改，使得求解得到的控制量能够让车队中的车辆平稳地行驶，本申请实施例可以对每个时刻相对于上一时刻的加速度变化赋予一定的权重，表达公式如下：
其中，
Δui(k)＝ui(k)-ui(k-1)
最终得到的损失函数为J1和J2加权求和，表达式如下：
J＝J1+λJ2
其中，λ为一个正的参数。
本申请实施例可以当某时刻相对于上一时刻的加速度变化过大时，使得J2的值变大；当加速度变化较小时，J2的值就较小。因此，本申请实施例在风险值J1相近时，系统更倾向于得到加速度变化较小的解，从而保证车辆平稳行驶。
另外，为了保证计算得到的输出量不超出车辆的加速、减速能力，还需要做出下面的约束：
-umin≤u(k)≤umax
其中，umax，umin为正的参数，分别约束了车辆的加速能力和减速能力。
本申请实施例中J1和J2加权求和和输出量不超出车辆的加速、减速能力约束的损失函数为一个完整的损失函数，本申请实施例通过构建完整的损失函数，保证智能车队在匝道口工况下的决策和控制，保证车辆汇入时良好的安全性和较高的汇入成功率，本申请实施例中损失函数的滚动更新求解使算法具有较好的实时性，可以较快地应对各种突发的变化，而损失函数中J2项的加入使得车辆加速度不会发生突变，使得车队的车辆得以平稳、高效地行驶。
可选地，在本申请的一个实施例中，构建车辆汇入过程中的损失函数，包括：基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标；基于量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息；根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
可以理解的是，本申请实施例中为准确描述车与车之间的相互关系，需要一个量化的指标，本申请实施例中描述车与车之间量化关系的函数可以但不限于空间、时间指标，统计学指标和行车风险场等。
在一些实施例中，可以基于空间、时间指标，统计学指标和行车风险场构建表征汇入车辆与车队之间交互关系的量化指标，本申请实施例中的空间指标可以通过计算两车之间的安全距离，进行风险量化，通过设置驾驶员反应时间，静止时的安全车距等超参数，通过动力学方法计算出当前时刻与前车应保持的距离；本申请实施例中的时间指标可以通过计算追赶到前车所需要的时间来量化风险，例如THW，表示本车前部边缘与前车静止状态下碰撞所需的时间，TTC，表示本车在当前状态下与前车碰撞所需的时间，本申请实施例中的空间指标优点为表达式较为简单，可以很好地表征纵向上车与车之间的关系，且容易用于决策和控制，但空间、时间指标不能很好地衡量横向上的风险，而对于匝道汇入这一过程，模型需要有能力充分描述二维行车风险。
进一步地，本申请实施例中的统计学指标可以通过数据驱动，计算得到碰撞概率等风险指标，从而量化行车风险，通过大量数据的标定，可以充分、准确地衡量车辆在纵向、横向上的风险，但相较于空间、时间方法的表达式而言，通过数据驱动构建出的模型较为复杂，计算量大，实时性低，不能很好地用于决策控制，同样不能够很好地适用于高速公路匝道汇入这一实时性要求较高的场景。
本申请实施例中的行车风险场可以利用场论的方式进行风险量化，行车风险与物理场均具有以下四个特征：客观性，即客观存在；普遍性，在生活中普遍存在；可变性，会随影响因素的改变而改变；可测性，具有特定规律，可通过先验判断来测量。因此，行车风险可用场论的方式进行量化。
本申请实施例中的行车风险场可以以一个较为简洁的公式，较为充分地表征车辆之间的交互关系，根据在驾驶过程中的先验知识，物体质量越大，行车风险越大；车辆越靠近物体，行车风险越大，且风险增加越快；车辆在沿物体运动方向的前方风险较大，在沿物体运动方向的后方风险较小。因此，对于车辆之间的交互，行车风险场有如下公式，满足了以上先验知识：
其中，Evij为运动物体i在位置j处产生的动能场场强，Mi为运动物体i的等效质量，rij为运动物体i与j的距离，vi为运动物体速度，θi为运动物体速度方向与rij的夹角，k1、k2、k3均为待定参数。
由于行车风险场既可以很好的量化二维行车风险，其表达式又保证了较小的计算复杂度与较好的实时性，可以很好的用于决策、控制。因此，本申请实施例可以采用行车风险场来进行车与车之间交互关系的量化。
在另一些实施例中，可以基于量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息，为了量化未来一小段时间内匝道口汇入车辆对车队所造成的风险，可以根据运动学关系迭代更新未来每个时刻车队各个车辆的位置、速度信息，以x_i表示车队中第i辆车的状态，表达式如下：
其中，ri为第i辆车的位置，vi为第i辆车的速度，ai为第i辆车的加速度。
本申请实施例可以采用如下所示的一阶惯性系统：
其中，TL为时间常数，K＝1为系统增益。
根据位置、速度、加速度之间的数学关系，可以得到如下所示的递推式：
其中，ui为该时刻第i辆车期望的加速度ades，同时也作为系统的控制量，而矩阵A，B的表达式如下：
本申请实施例可以采用如下所示的前向欧拉法：
其中Ts为采样周期。
本申请实施例可以通过前向欧拉法公式，将根据位置、速度、加速度之间的数学关系得到的递推式转换为离散的形式：
xi(k+1)＝Akxi(k)+Bkui(k)
其中，k为当前时刻，k+l为下一时刻。
本申请实施例中的矩阵Ak，Bk的表达式如下：
迭代更新车队车辆的位置、速度信息：
xi(k+1)＝Akxi(k)+Bkui(k)
xi(k+2)＝Ak 2xi(k)+AkBkui(k)+Bkui(k+1)
xi(k+1)＝Akxi(k)+Bkui(k)
xi(k+2)＝Ak 2xi(k)+AkBkui(k)+Bkui(k+1)
其中，Np为预测步长。
本申请实施例可以通过量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息，迭代可以得到未来Np个时间步之内车队中各个车辆的状态信息，且未来每一时刻的状态，都可以写成控制量u的函数，根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式，保证加速度的平滑过渡，在量化指标当中加入了对加速度变化率的二范数正则化，保证车队不出现非必要的急加速、急减速行为，优化了匝道口全过程的通行效率。
在步骤S104中，将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
在实际执行过程中，可通过数学方法求解损失函数，本申请实施例中的最小化损失函数的过程实际上可以归结为求解一个如下的非线性规划问题：
-umin≤ui(k)≤umax
对于本申请实施例中的非线性规划问题，可以通过序列二次规划算法等方法来进行求解，求解后会得到一个如下式所示的向量：
u＝(u1(1)，...，u1(Np)，...，usum(1)，...，usum(Np))
其中，u表示在预测时长内，车队中每辆车在给定汇入车辆预测轨迹时可以采用的最优解，每辆车采用第一个时间步的控制量ui(1)，输入到车辆的下位控制器中进行控制，当进入下一个时间步时，重复以上所有步骤，类似于模型预测控制，对预测轨迹以及控制量进行滚动更新，以实现较好的实时性。
本申请实施例可以将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制，从而实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，优化匝道口全过程的通行效率。
具体地，结合图2至图7所示，以一个具体实施例对本申请实施例的非联网汇入车辆的车辆队列动态重组方法的工作原理进行详细阐述。
如图2所示，本申请实施例可以包括以下步骤：
步骤S201：感知汇入车辆的位置、速度、航向角信息。
步骤S202：对汇入车辆进行轨迹预测。本申请实施例可以当有汇入意图时，执行步骤S203，当无汇入意图时，执行步骤S201。
步骤S203：构建量化指标，迭代更新状态并构造损失函数。本申请实施例可以当有汇入意图时，构建量化指标，迭代更新状态并构造损失函数。
步骤S204：求解损失函数并进行控制。
步骤S205：判断是否汇入完成？当车辆汇入完成时，结束流程，当车辆汇入未完成时，执行步骤S201，感知汇入车辆的位置、速度、航向角信息。
如图3和图4所示，在实际执行过程中，本申请实施例可以采用较为简洁的且预测表现较好的网络结构，图3中的模型由长短期记忆网络LSTM与卷积神经网络CNN组成，本申请实施例中的输入层：输入目标车辆和相邻车辆的历史轨迹；编码器：利用长短期记忆网络，对目标车辆和其相邻车辆的历史轨迹进行编码，形成特征向量；卷积层：以目标车辆为中心，考虑当前车道与左右车道上一定空间范围内的车辆，将这一空间分为若干小格，形成占用栅格，如图4所示，将特征向量填入到对应的格子中，进行卷积、池化操作，以表征空间的相对位置信息；解码器：利用长短期记忆网络，对特征向量进行解码，得到轨迹信息；输出层，输出未来一段时间内的预测轨迹。
本申请实施例中的神经网络结构十分适用于高速公路这一场景，在仿真测试中，其预测误差始终小于0.5m，能够准确地识别到汇入车辆的意图。
进一步地，如图5所示，本申请实施例中的行车风险场可以以一个较为简洁的公式，较为充分地表征车辆之间的交互关系，根据在驾驶过程中的先验知识，物体质量越大，行车风险越大；车辆越靠近物体，行车风险越大，且风险增加越快；车辆在沿物体运动方向的前方风险较大，在沿物体运动方向的后方风险较小，对于车辆之间的交互，行车风险场公式满足了以上先验知识：
其中，Evij为运动物体i在位置j处产生的动能场场强，Mi为运动物体i的等效质量，rij为运动物体i与j的距离，vi为运动物体速度，θi为运动物体速度方向与rij的夹角，k1、k2、k3均为待定参数。
本申请实施例中的行车风险场既能够很好的量化二维行车风险，其表达式又保证了较小的计算复杂度与较好的实时性，可以很好的用于决策、控制。
接下来，可以通过图6对本申请实施例的非联网汇入车辆的车辆队列动态重组方法进行进一步地详细阐述。
如图6所示，本申请实施例可以构造时序堆积换道风险损失函数，采用欧式距离：
其中，xi(k)、yi(k)分别表示k时刻第i辆车的x、y坐标，x(k)、y(k)分别表示k时刻汇入车辆的x、y坐标。而cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值，通过向量的内积可以计算得到：
但如果只考虑到汇入过程中的安全性，损失函数的大小与距离成反比，会导致在最小化J1时，车队的决策倾向于与汇入车辆拉大距离，由此计算得到的控制量使得车队车辆出现急加速、急减速等情况，从而影响驾乘的舒适性和车辆在公路上的通行效率，且在长距离行驶中，多次急加、减速操作会增加能耗。因此，本申请实施例可以对损失函数做出修改，使得求解得到的控制量能够让车队中的车辆平稳地行驶。
为了实现非联网汇入车辆的车辆队列动态重组方法，可以如图7所示，本申请实施例可以借助轨迹预测算法与行车风险场理论，在Carla仿真平台和沙盘平台上均进行测试，其中，沙盘测试如图7所示，按照本算法所介绍的流程，车队成功实现了面对人类驾驶汇入车辆的编队控制。
根据本申请实施例提出的非联网汇入车辆的车辆队列动态重组方法，本申请实施例可以构建并求解车辆汇入过程中的时序堆积换道风险损失函数，将求解结果输入至下位控制器中，以实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，保证车队不出现非必要的急加速、急减速行为，优化匝道口全过程的通行效率。由此，解决了相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率的问题。
其次参照附图描述根据本申请实施例提出的非联网汇入车辆的车辆队列动态重组装置。
图8是本申请实施例的非联网汇入车辆的车辆队列动态重组装置的方框示意图。
如图8所示，该非联网汇入车辆的车辆队列动态重组装置10包括：获取模块100、预测模块200、构建模块300和生成模块400。
具体地，获取模块100，用于获取至少一个汇入车辆的速度信息、位置信息和航向角信息。
预测模块200，用于根据速度信息、位置信息和航向角信息预测至少一个汇入车辆的汇入轨迹。
构建模块300，用于基于汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解时序堆积换道风险损失函数。
生成模块400，用于将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
可选地，在本申请的一个实施例中，构建模块300包括：构建单元、更新单元和构造单元。
其中，构建单元，用于基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标。
更新单元，用于基于量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息。
构造单元，用于根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
可选地，在本申请的一个实施例中，非联网汇入车辆的车辆队列动态重组装置10还包括：控制模块。
其中，控制模块，用于在预测至少一个汇入车辆的汇入轨迹之后，根据至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在实际意图为汇入意图时进行车队控制。
可选地，在本申请的一个实施例中，构建模块300包括：求解单元和输入单元。
其中，求解单元，用于求解在预测时长内车辆车队中每辆车在确定汇入轨迹时采用的最优解。
输入单元，用于基于最优解，将每辆车采用第一个时间步的控制量输入至下位控制器中进行控制。
可选地，在本申请的一个实施例中，时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
需要说明的是，前述对非联网汇入车辆的车辆队列动态重组方法实施例的解释说明也适用于该实施例的非联网汇入车辆的车辆队列动态重组装置，此处不再赘述。
根据本申请实施例提出的非联网汇入车辆的车辆队列动态重组装置，本申请实施例可以构建并求解车辆汇入过程中的时序堆积换道风险损失函数，将求解结果输入至下位控制器中，以实现对车辆队列的控制，从而保证车辆汇入的安全性，提高车辆汇入的成功率，保证车队不出现非必要的急加速、急减速行为，优化匝道口全过程的通行效率。由此，解决了相关技术中，忽略绝大多数车辆仍为非智能网联和由人类驾驶的自由车辆，难以实现对车队车辆的协同控制，降低了车辆汇入的安全性和成功率，无法优化匝道口全过程的通行效率的问题。
图9为本申请实施例提供的电子设备的结构示意图。该电子设备可以包括：
存储器901、处理器902及存储在存储器901上并可在处理器902上运行的计算机程序。
处理器902执行程序时实现上述实施例中提供的非联网汇入车辆的车辆队列动态重组方法。
进一步地，电子设备还包括：
通信接口903，用于存储器901和处理器902之间的通信。
存储器901，用于存放可在处理器902上运行的计算机程序。
存储器901可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
如果存储器901、处理器902和通信接口903独立实现，则通信接口903、存储器901和处理器902可以通过总线相互连接并完成相互间的通信。总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(PeripheralComponent，简称为PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，简称为EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选地，在具体实现上，如果存储器901、处理器902及通信接口903，集成在一块芯片上实现，则存储器901、处理器902及通信接口903可以通过内部接口完成相互间的通信。
处理器902可能是一个中央处理器(Central Processing Unit，简称为CPU)，或者是特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路。
本实施例还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上的非联网汇入车辆的车辆队列动态重组方法。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“N个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，″计算机可读介质″可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或N个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如，如果用硬件来实现和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
此外，在本申请各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本申请的限制，本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (12)
1.一种非联网汇入车辆的车辆队列动态重组方法，其特征在于，包括以下步骤：
获取至少一个汇入车辆的速度信息、位置信息和航向角信息；
根据所述速度信息、所述位置信息和所述航向角信息预测所述至少一个汇入车辆的汇入轨迹；
基于所述汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解所述时序堆积换道风险损失函数；以及
将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
2.根据权利要求1所述的方法，其特征在于，所述构建车辆汇入过程中的损失函数，包括：
基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标；
基于所述量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息；
根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
3.根据权利要求1所述的方法，其特征在于，在预测所述至少一个汇入车辆的汇入轨迹之后，还包括：
根据所述至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在所述实际意图为汇入意图时进行车队控制。
4.根据权利要求1所述的方法，其特征在于，所述求解所述时序堆积换道风险损失函数，包括：
求解在预测时长内所述车辆车队中每辆车在确定所述汇入轨迹时采用的最优解；
基于所述最优解，将所述每辆车采用第一个时间步的控制量输入至所述下位控制器中进行控制。
5.根据权利要求1所述的方法，其特征在于，所述时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
6.一种非联网汇入车辆的车辆队列动态重组装置，其特征在于，包括：
获取模块，用于获取至少一个汇入车辆的速度信息、位置信息和航向角信息；
预测模块，用于根据所述速度信息、所述位置信息和所述航向角信息预测所述至少一个汇入车辆的汇入轨迹；
构建模块，用于基于所述汇入轨迹，构建车辆汇入过程中的时序堆积换道风险损失函数，并求解所述时序堆积换道风险损失函数；以及
生成模块，用于将求解结果输入至下位控制器中，生成目标控制动作，以对车辆队列进行控制。
7.根据权利要求6所述的装置，其特征在于，所述构建模块包括：
构建单元，用于基于空间、时间指标，统计学指标和/或行车风险场构建表征汇入车辆与车队之间交互关系的量化指标；
更新单元，用于基于所述量化指标，利用位置、速度、加速度之间的数学关系，迭代更新当前车队车辆的位置和速度信息；
构造单元，用于根据更新后的当前车队车辆的位置和速度信息构造损失函数的表达式。
8.根据权利要求6所述的装置，其特征在于，还包括：
控制模块，用于在预测所述至少一个汇入车辆的汇入轨迹之后，根据所述至少一个汇入车辆的汇入轨迹识别每个汇入车辆的实际意图，以在所述实际意图为汇入意图时进行车队控制。
9.根据权利要求6所述的装置，其特征在于，所述构建模块包括：
求解单元，用于求解在预测时长内所述车辆车队中每辆车在确定所述汇入轨迹时采用的最优解；
输入单元，用于基于所述最优解，将所述每辆车采用第一个时间步的控制量输入至所述下位控制器中进行控制。
10.根据权利要求6所述的装置，其特征在于，所述时序堆积换道风险损失函数为：
其中，Np为算法的预测时长，sum为车队的总车数，k1、k2、k3为参数，v(k)为汇入车辆在k时刻的速度大小，ri(k)为k时刻车队中第i辆车与汇入车辆的距离，cos(θi(k))为k时刻车队中第i辆车与汇入车辆的连线与汇入车辆行驶方向之间形成夹角的余弦值。
11.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序，以实现如权利要求1-5任一项所述的非联网汇入车辆的车辆队列动态重组方法。
12.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行，以用于实现如权利要求1-5任一项所述的非联网汇入车辆的车辆队列动态重组方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310019950.8A CN116009549B (zh) | 2023-01-06 | 2023-01-06 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310019950.8A CN116009549B (zh) | 2023-01-06 | 2023-01-06 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116009549A true CN116009549A (zh) | 2023-04-25 |
| CN116009549B CN116009549B (zh) | 2023-12-05 |
Family
ID=86029764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310019950.8A Active CN116009549B (zh) | 2023-01-06 | 2023-01-06 | 非联网汇入车辆的车辆队列动态重组方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116009549B (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599772A (zh) * | 2019-09-19 | 2019-12-20 | 西南交通大学 | 一种基于双层规划的混合交通流协同优化控制方法 |
| CN111746539A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种智能网联汽车严格安全换道入队控制方法 |
| WO2022135147A1 (zh) * | 2020-12-24 | 2022-06-30 | 长沙智能驾驶研究院有限公司 | 车辆管理方法、装置、设备及计算机存储介质 |
| CN114684201A (zh) * | 2022-05-13 | 2022-07-01 | 中国第一汽车股份有限公司 | 车辆控制方法和装置 |
| CN114707364A (zh) * | 2022-06-02 | 2022-07-05 | 西南交通大学 | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 |
| CN114999152A (zh) * | 2022-05-25 | 2022-09-02 | 清华大学 | 面向混合车流的匝道合流边缘云管控方法 |
-
2023
- 2023-01-06 CN CN202310019950.8A patent/CN116009549B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110599772A (zh) * | 2019-09-19 | 2019-12-20 | 西南交通大学 | 一种基于双层规划的混合交通流协同优化控制方法 |
| CN111746539A (zh) * | 2020-07-02 | 2020-10-09 | 清华大学 | 一种智能网联汽车严格安全换道入队控制方法 |
| WO2022135147A1 (zh) * | 2020-12-24 | 2022-06-30 | 长沙智能驾驶研究院有限公司 | 车辆管理方法、装置、设备及计算机存储介质 |
| CN114684201A (zh) * | 2022-05-13 | 2022-07-01 | 中国第一汽车股份有限公司 | 车辆控制方法和装置 |
| CN114999152A (zh) * | 2022-05-25 | 2022-09-02 | 清华大学 | 面向混合车流的匝道合流边缘云管控方法 |
| CN114707364A (zh) * | 2022-06-02 | 2022-07-05 | 西南交通大学 | 一种匝道车辆汇流仿真方法、装置、设备及可读存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116009549B (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lefkopoulos et al. | Interaction-aware motion prediction for autonomous driving: A multiple model kalman filtering scheme | |
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| CN111898211B (zh) | 基于深度强化学习的智能车速度决策方法及其仿真方法 | |
| CN112099496B (zh) | 一种自动驾驶训练方法、装置、设备及介质 | |
| US8948995B2 (en) | Preceding vehicle state prediction | |
| Chen et al. | Scept: Scene-consistent, policy-based trajectory predictions for planning | |
| CN112292646A (zh) | 车辆的控制系统、用于控制车辆的方法和非暂时性计算机可读存储器 | |
| CN113851006B (zh) | 基于多源数据融合的交叉口实时交通状态估计方法及系统 | |
| Guney et al. | Scheduling-based optimization for motion coordination of autonomous vehicles at multilane intersections | |
| Aradi et al. | Policy gradient based reinforcement learning approach for autonomous highway driving | |
| US20220227391A1 (en) | Systems and methods for scenario dependent trajectory scoring | |
| CN114881339A (zh) | 车辆轨迹预测方法、系统、计算机设备及存储介质 | |
| CN113997954A (zh) | 一种车辆行驶意图预测方法、装置、设备及可读存储介质 | |
| CN116050245A (zh) | 基于复杂网络理论的高速公路自动驾驶商用车轨迹预测与决策方法与系统 | |
| CN114519433A (zh) | 多智能体强化学习、策略执行方法及计算机设备 | |
| CN116009549B (zh) | 非联网汇入车辆的车辆队列动态重组方法及装置 | |
| CN115610435B (zh) | 对象行驶意图的预测方法和装置、存储介质及电子装置 | |
| CN114664094B (zh) | 一种车辆轨迹预测方法、装置、芯片、终端和计算机设备 | |
| Wei et al. | Batch human-like trajectory generation for multi-motion-state NPC-vehicles in autonomous driving virtual simulation testing | |
| CN115416656A (zh) | 基于多目标轨迹规划的自动驾驶换道方法、装置及介质 | |
| Schier et al. | Deep reinforcement learning for autonomous driving using high-level heterogeneous graph representations | |
| JP2023531927A (ja) | 運転意思決定方法および運転意思決定装置ならびにチップ | |
| CN117601904B (zh) | 车辆行驶轨迹的规划方法、装置、车辆及存储介质 | |
| CN114104005B (zh) | 自动驾驶设备的决策方法、装置、设备及可读存储介质 | |
| Xia et al. | Smart: A decision-making framework with multi-modality fusion for autonomous driving based on reinforcement learning |
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 |