CN116011765A - 面向共享出行的自动驾驶与手动驾驶双模式方法及车辆 - Google Patents

Abstract

本发明公开了一种面向共享出行的自动驾驶与手动驾驶双模式方法及系统，其包括：步骤1，云平台服务器接收用户订单信息；步骤2，云平台服务器根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，通过向指定车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置；步骤3，云平台服务器接收指定车辆发送的切换到手动驾驶模式的确认信息；步骤4，云平台服务器接收指定车辆到达用户订单的终点位置的通知信息。

Description

面向共享出行的自动驾驶与手动驾驶双模式方法及车辆

技术领域

本发明涉及自动驾驶、共享出行领域，特别是关于一种面向共享出行的自动驾驶与手动驾驶双模式方法及车辆。

背景技术

城市交通的拥堵问题日益严重，基于私家车的出行模式将会造成小范围剧烈拥堵、停车资源浪费、上下班交通流高峰等严重问题。共享出行是解决这一问题的新思路，尤其是在自动驾驶技术火热发展的背景下，基于自动驾驶的共享出行技术有望为城市交通带来新的活力和解决思路。然而当前自动驾驶技术在复杂环境、较高车速下仍然存在较多技术难点和不确定性。

发明内容

本发明的目的在于提供一种面向共享出行的自动驾驶与手动驾驶双模式方法及车辆来克服或至少减轻现有技术的上述缺陷中的至少一个。

为实现上述目的，本发明提供一种面向共享出行的自动驾驶与手动驾驶双模式方法，其包括：

步骤1，云平台服务器接收用户订单信息；

步骤2，云平台服务器根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，通过向指定车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置；

步骤3，云平台服务器接收指定车辆发送的切换到手动驾驶模式的确认信息；

步骤4，云平台服务器接收指定车辆到达用户订单的终点位置的通知信息。

进一步地，步骤2中调度匹配方法具体包括：

步骤21，结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令；

步骤22，根据接收到的下一个用户订单，返回步骤21。

进一步地，步骤21中，任务调度模式分为如下类型：

Type1，多车与多订单任务调度模式：调度多辆候选车辆分别执行多个订单，每辆候选车至多执行一个订单；

Type1，多车、多阶段任务联合调度模式：调度多辆候选车辆分别执行多个订单，且每辆候选车能够连续执行多个订单任务。

进一步地，Type1情形下获取最优分配方案的方法具体包括：

步骤21a，构建所有可供调度的车辆与用户订单的代价矩阵：行元素或列元素为候选辆i与所有用户订单的分配代价，另一相对元素为第j行的元素为用户订单j与所有车辆的分配代价，该分配代价采用车辆的当前位置与用户订单的起始位置之间的直线距离、曼哈顿距离和预计行驶路程中的一种元素或一种以上元素的加权求和获得；

步骤22a，根据步骤21a构建的代价矩阵，设置描述后选车和用户订单的分配关系的分配矩阵

若第i行、第j列元素a_i,j为1，则表示候选车i被分配至用户订单j；若a_i,j为0，则表示候选车i未被分配至用户订单j，再通过下式(1)描述的优化问题获取最优分配方案：

式中，N表示候选车和用户订单的数量。

进一步地，Type2情形下获取最优分配方案的方法具体包括：

步骤21b，根据估计得到的候选车用自动驾驶模式下前往用户订单的起始位置所需要的时间、以及历史行驶数据估计得到的特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表；

其中，二维任务调度表包括候选车对应的纵轴以及每一车辆的时间轴所对应的横轴，时间轴的正向表示每辆候选车随时间变化所对应的调度任务，调度任务的类别包括自动驾驶、手动驾驶和停车等待，每一个新产生的用户订单对应预估的手动驾驶时间，候选车与用户订单的分配关系确定后，从而得到车辆预估到达订单起始位置的时刻；

步骤22b，根据步骤21b构建的二维任务调度表，将每一辆候选车的调度任务按时间轴从前向后进行排布，当同一时刻有多个用户订单需要安排时，则从当前候选车中选择能够覆盖当前时刻所有用户订单需求的车辆，并逐步向后推进时间轴，直到所有用户订单都被车辆认领。

进一步地，步骤3还包括：

步骤31，在车辆由自动驾驶模式到达用户期望的订单起点后，云平台服务器向指定车辆发送自动驾驶模式切换到人工手动驾驶模式的指令；

步骤32，云平台服务器接收到用户的确认上车信息后，向用户发送提醒用户在车内操作硬件机械按钮，手动将自动驾驶模式确认切换至手动驾驶模式的提示；

步骤33，车辆在收到上述软件、硬件的双重切换驾驶模式的指令后，切换至手动驾驶模式，并向云平台服务器反馈当前的模式切换状态及结果，云平台服务器收到软硬件双重确认信息后，为用户实时提供路线和速度建议。

本发明还提供一种面向共享出行的自动驾驶与手动驾驶双模式系统，其包括云平台服务器，其具有：

车辆状态收集模块，其用于采集车辆状态信息、车辆发送的手动驾驶通知信息和车辆到达用户订单的终点位置的通知信息；

订单收集模块，其用于接收用户订单信息；

集中调度分配模块，其用于根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，生成任务指令；

任务指令下发模块，其用于通过向车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置。

进一步地，集中调度分配模块的调度匹配方法具体包括：

步骤21，结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令；

步骤22，根据接收到的下一个用户订单，返回步骤21。

进一步地，任务调度模式为多车与多订单任务调度模式情形下获取最优分配方案的方法具体包括：

步骤21a，构建所有可供调度的车辆与用户订单的代价矩阵：行元素或列元素为候选辆i与所有用户订单的分配代价，另一相对元素为第j行的元素为用户订单j与所有车辆的分配代价，该分配代价采用车辆的当前位置与用户订单的起始位置之间的直线距离、曼哈顿距离和预计行驶路程中的一种元素或一种以上元素的加权求和获得；

步骤22a，根据步骤21a构建的代价矩阵，设置描述后选车和用户订单的分配关系的分配矩阵

若第i行、第j列元素a_i,j为1，则表示候选车i被分配至用户订单j；若a_i,j为0，则表示候选车i未被分配至用户订单j，再通过下式(1)描述的优化问题获取最优分配方案：

式中，N表示候选车和用户订单的数量；

多车与多订单任务调度模式：调度多辆候选车辆分别执行多个订单，每辆候选车至多执行一个订单。

进一步地，任务调度模式为多车、多阶段任务联合调度模式情形下获取最优分配方案的方法具体包括：

步骤21b，根据估计得到的候选车用自动驾驶模式下前往用户订单的起始位置所需要的时间、以及历史行驶数据估计得到的特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表；

其中，二维任务调度表包括候选车对应的纵轴以及每一车辆的时间轴所对应的横轴，时间轴的正向表示每辆候选车随时间变化所对应的调度任务，调度任务的类别包括自动驾驶、手动驾驶和停车等待，每一个新产生的用户订单对应预估的手动驾驶时间，候选车与用户订单的分配关系确定后，从而得到车辆预估到达订单起始位置的时刻；

步骤22b，根据步骤21b构建的二维任务调度表，将每一辆候选车的调度任务按时间轴从前向后进行排布，当同一时刻有多个用户订单需要安排时，则从当前候选车中选择能够覆盖当前时刻所有用户订单需求的车辆，并逐步向后推进时间轴，直到所有用户订单都被车辆认领；

多车、多阶段任务联合调度模式：调度多辆候选车辆分别执行多个订单，且每辆候选车能够连续执行多个订单任务。

本发明能够将自动驾驶技术与人工手动驾驶技术进行有机结合，充分发挥二者优势，可以更好地服务于共享出行。

附图说明

图1为本发明实施例提供的面向共享出行的自动驾驶与手动驾驶双模式的框架图；

图2为本发明实施例提供的车辆与订单分配问题的建模示意图；

图3为本发明实施例提供的多车多阶段任务的二维任务调度表示意图；

图4为本发明实施例提供的面向共享出行的自动驾驶与手动驾驶双模式的流程示意图。

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。

图1示出的是本发明用于实现面向共享出行的自动驾驶与手动驾驶双模式的系统架构图。如图1所示，系统由车端、云端两个部分构成，其中车端包括多种类型、多种个体的自动驾驶与手动驾驶双模式车辆，每辆车都安装有传感器及智能计算设备，用于获取自车周围行驶环境信息，并进行自主自动驾驶规划、决策、控制。所有车辆均可通过4G或5G无线通信形式和云平台服务器进行通信。云平台服务器负责进行车辆状态收集、用户订单信息收集、集中式任务调度分配、任务指令格式化及打包下发等任务。车辆通过无线通信形式将自身的实时状态发送至云平台服务器，云平台服务器则将每辆车的任务指令下发至车辆执行。

本架构图中并未提及路侧系统的作用，但在实际场景中，路侧系统可以提供车辆感知范围以外的更大范围的感知信息，并可以作为中间通信节点、边缘计算节点，完成路侧辅助感知、路侧辅助定位、盲区感知预警、边缘计算等额外服务，并与车端和云平台服务器组成车路云一体化融合控制系统，提供感知、计算能力更加强大的共享出行服务。

鉴于此，本发明实施例欲保护的面向共享出行的自动驾驶与手动驾驶双模式系统包括云平台服务器，云平台服务器具有车辆状态收集模块、订单收集模块、集中调度分配模块和任务指令下发模块，其中：

车辆状态收集模块用于采集车辆状态信息、车辆发送的切换到手动驾驶模式的确认信息和车辆到达用户订单的终点位置的通知信息。其中，车辆状态信息车辆包括车辆的位置坐标、电量或油量状态、当前订单执行状态、准载人数等，任务指令包括指派给该车辆的订单编号及信息、期望的载客起点、用户期望开始时间等。

订单收集模块用于接收用户订单信息。

集中调度分配模块用于根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，生成任务指令。

任务指令下发模块用于通过向车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置。

在一个实施例中，集中调度分配模块的调度匹配方法具体包括：

结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令。

在一个实施例中，面向共享出行的自动驾驶与手动驾驶双模式方法包括：

步骤1，云平台服务器接收用户订单信息。

步骤2，云平台服务器根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，通过向指定车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置。

步骤3，云平台服务器接收指定车辆发送的切换到手动驾驶模式的确认信息。

步骤4，云平台服务器接收指定车辆到达用户订单的终点位置的通知信息。

在一个实施例中，步骤2中调度匹配方法具体包括：

步骤21，结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令。

步骤22，根据接收到的下一个用户订单，返回步骤21。

在一个实施例中，步骤21中，任务调度模式分为如下类型：

Type1，多车与多订单任务调度模式：调度多辆候选车辆分别执行多个订单，每辆候选车至多执行一个订单。

Type1，多车、多阶段任务联合调度模式：调度多辆候选车辆分别执行多个订单，且每辆候选车能够连续执行多个订单任务。

在一个实施例中，Type1情形下的获取最优分配方案的方法具体包括：

步骤21a，构建所有可供调度的车辆与用户订单的代价矩阵：行元素或列元素为候选辆i与所有用户订单的分配代价，另一相对元素为第j行的元素为用户订单j与所有车辆的分配代价，该分配代价采用车辆的当前位置与用户订单的起始位置之间的直线距离、曼哈顿距离和预计行驶路程中的一种元素或一种以上元素的加权求和获得。在运用现有的加权方法的时候，权值可以根据分配结果的敏感性确定，敏感性越大，则权重可以相应设置大些。

图2是计算车辆与用户订单的分配代价的一个例子。如图2所示，其中车辆1、2为当前可以进行调度的共享出行车辆，订单1和2的起始位置不同，如图2所示，且车辆1、2和订单1、2各自的起始位置的距离分别标记为代价1-1、代价1-2、代价2-1、代价2-2。需要说明的是，本示例中直接使用直线距离作为代价，在实际状况中，也可以使用曼哈顿距离、车辆累积行驶路程等值，作为车辆与用户订单的分配代价。在定义代价后，即可计算出代价矩阵，如下所示：

其中，C即为代价矩阵，C中第i行的元素代表第i辆车与所有订单的分配代价，第j行的元素代表第j个订单与所有车辆的分配代价。可以使用匈牙利算法、单纯型算法等数学算法对这个代价矩阵进行变换，并将车辆与订单的分配问题构建为指派问题(任务分配问题)，进而转化为0-1整数规划问题，并进行实时求解，即可得到车辆与订单的匹配关系。

需要说明的是，这里将车辆与订单的匹配进行了一定程度的简化，进设计了单项分配代价，在实际操作中，可以将代价设计为多种因素的加权求和结果，比如车辆剩余电量、车辆的破损折旧程度、车辆距离订单起点的累积路程、车辆到达订单起点需要经过的路口数量等多种因素，进而求得考虑因素更为完善的任务调度分配结果。

步骤22a，根据步骤21a构建的代价矩阵，设置描述后选车和用户订单的分配关系的分配矩阵

若第i行、第j列元素a_i,j为1，则表示候选车i被分配至用户订单j；若a_i,j为0，则表示候选车i未被分配至用户订单j，再利用匈牙利算法或单纯型算法对指派调度问题进行求解，例如通过下式(1)描述的优化问题，获取最优分配方案：

式中，N表示候选车和用户订单的数量，c_i,j表示候选车i与用户订单j的分配代价，即代价矩阵中的取值。

例如计算每一候选车的调度起始位置，与每一个订车用户的期望起点位置的距离，将这些距离的计算结果放入一个M*N矩阵中，用以描述M个用户和N辆车辆之间的调度代价。进而使用数学方法，将这一问题建模为0-1整数规划问题，对代价矩阵进行变形化简，最终求解得到总分配代价和最小的分配方案。

因用户需求和车辆状态实时变化，故在每一次完成当前时刻的调度任务计算后，在下一个用车订单产生时，需要重新根据那时的实时用户需求和车辆状态，进行实时调度，以应对不断变化的分配代价。

在一个实施例中，Type2情形下的获取最优分配方案的方法具体包括：

步骤21b，根据估计得到的候选车用自动驾驶模式下前往用户订单的起始位置所需要的时间、以及历史行驶数据估计得到的特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表。

其中，二维任务调度表包括候选车对应的纵轴以及每一车辆的时间轴所对应的横轴，时间轴的正向表示每辆候选车随时间变化所对应的调度任务，调度任务的类别包括自动驾驶、手动驾驶和停车等待，每一个新产生的用户订单对应预估的手动驾驶时间，候选车与用户订单的分配关系确定后，从而得到车辆预估到达订单起始位置的时刻。

上述的估计车辆自动驾驶模式下到达订单起始位置的方法，可以采用预估路程除以预估速度的形式，预估路程可以使用包括A*算法、迪杰斯特拉算法、弗洛伊德算法等全局路径规划算法获得，预估速度则根据各车自身情况，综合考虑电量、车况等，给出预估速度，再由预估路程除以预估速度即可得到预估行驶时间。

上述的每一个新产生的用户订单对应预估的手动驾驶时间可以根据云平台服务器记录的该用户的历史订单信息中的平均行驶速度，以及由A*算法、迪杰斯特拉算法、弗洛伊德算法等全局路径规划算法计算的预估路程，计算得出。

上述的历史行驶数据可以理解为当某一个老顾客再次用车时，结合该老顾客的个体特征和历史行驶数据，对即将发生的用户订单做出更精确的预测。那么，上述的特定驾驶员指的则是老顾客。

步骤22b，根据步骤21b构建的二维任务调度表，选择例如深度优先树搜索算法、广度优先树搜索算法、作业调度算法等数学方法，作为二维任务调度方案的计算方法。以广度优先树搜索算法为例，将每一辆候选车的调度任务按时间轴从前向后进行排布，当同一时刻有多个用户订单需要安排时，则从当前候选车中选择能够覆盖当前时刻所有用户订单需求的车辆，并逐步向后推进时间轴，直到所有用户订单都被车辆认领。

例如，在t时刻，有n个任务需要完成，此时有n+m辆车可以分配，依据总分配代价最小的原则，从n+m辆车中选择n辆车，分别执行者n个任务，还剩余m辆空闲车辆；随着时间推进，即向后推进时间轴，来到了t’时刻，此时原本的n个任务还没有结束，又新增了m项新任务，此时则对剩余的m辆车和m个新任务，依据总分配代价最小的原则进行分配，由此循环往复，知道所有订单都被分配了车辆。若在某一时刻，没有车辆能够执行某一任务，则需要将这一任务的起始时刻延后，直到腾出可以执行该任务的车辆与其进行分配为止。

进行多车、多阶段任务联合调度时，需要构建多车多阶段任务表，其一种示例如图3所示。图中横向表示每辆车随时间推移的任务调度结果，包括自动驾驶模式前往订单目标地点，或完成订单后返回的过程、手动驾驶模式下用户使用车辆完成自身行驶目标的过程、停车等待(充电或原地待命的过程)等任务类别。每一个新产生的订单任务都对应了相应的预估完成时间(手动驾驶的时间长段)，车辆与订单的分配关系确定后，也对应了车辆预估到达订单起始位置的时间。综合考虑所有订单的信息以及左右车辆的状态后，即可构建出待安排的车辆资源和订单状态表，再利用诸如作业调度算法、深度优先搜索算法等数学方法，即可完成综合考虑手动驾驶与自动驾驶的多车多阶段多任务调度。

本实施例在调度云平台服务器上综合考虑当前所有运行中的车辆，以及被执行过程中的订单任务，通过估计车辆自动驾驶前往任务开始地点的用时，以及基于历史行驶数据估计特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表，并根据车辆和订单的变化实时改变任务调度表。在任务调度表中，根据订单需求，安排对应功能的车辆，并综合考虑自动驾驶与手动还是循环切换的驾驶模式，联系完成多阶段共享出行任务。

在一个实施例中，步骤3还包括：

步骤31，在车辆由自动驾驶模式到达用户期望的订单起点后，云平台服务器向指定车辆发送自动驾驶模式切换到人工手动驾驶模式的指令。

步骤32，云平台服务器接收到用户的确认上车信息后，向用户发送提醒用户在车内操作硬件机械按钮，手动将自动驾驶模式确认切换至手动驾驶模式的提示。

步骤33，车辆在收到上述软件、硬件的双重切换驾驶模式的指令后，切换至手动驾驶模式，并向云平台服务器反馈当前的模式切换状态及结果，云平台服务器收到软硬件双重确认信息后，为用户实时提供路线和速度建议。

也就是说，本发明使用时，如图4所示，在指定车辆按照自动驾驶模式，行驶至用户的期望起点后，由云平台服务器发送切换驾驶模式指令，车辆收到指令后即退出自动驾驶模式，进入人工手动驾驶模式。在用户进入车舱后，首先将驾驶面板(中控台)上的手动驾驶模式按钮按下，车辆即通过硬件链接方式，确保自动驾驶程序不会在驾驶员驾驶过程中错误地介入，从而避免事故发生。

在用户驾驶车辆到达期望目的地后，可由用户在下车前手动接触手动驾驶模式按钮，车辆即退出手动驾驶模式，再次进入自动驾驶模式。若用户下车前未手动释放按钮，则默认在其下车离开并完成当前订单后，车辆自动释放手动驾驶模式限制，重新进入自动驾驶模式。

采用软硬件双重确认的自动驾驶与手动驾驶切换方式的优点是，可以从硬件上保障在人工驾驶的过程中，软件不会错误介入控制，从而避免危险。且给用户明确的感官信号，即明确表达当前是手动驾驶模式或是自动驾驶模式，避免用户产生疑惑，或者由此引发其它危险或误会。

在用户叫车时，服务云平台服务器收到用户用车需求，并指派某一特定车辆完成这一出行任务。车辆从停车场充电状态，或上一次任务完成状态出发，使用自动驾驶技术，在指定的运营服务范围内，基于预先采集的GPS地图信息，低速、安全地从车辆当前位置行驶至用户期望的用车位置。这一过程中，车辆按照完全自动驾驶模式运行，由车载传感器实时感知车辆周围环境，并基于自车的高精度定位GPS/IMU装置，实现自车定位和轨迹跟踪、自动控制等功能。

在车辆到达用户的期望用车位置后，车辆停车，并由自动驾驶模式切换至用户人工手动驾驶模式。用户通过订车平台确认上车后，以驾驶员身份，驾驶车辆前往期望目的地。在此过程中，因已经是手动驾驶模式，车辆的行驶速度较自动驾驶时可以更高，但仍需要保持在固定的运营范围内行驶。手动驾驶模式使得车辆在实际接到用户后可以实现比一般的自动驾驶出行模式更高的出行效率，以及更灵活的路线选择。在用户驾驶车辆到达目的地后，用户下车并通过订车平台付费、确认订单完成。此时，车辆再次进入自动驾驶模式，进入下一个订单的执行状态，或前往指定等候或充电区域进行停车等待或充电。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。本领域的普通技术人员应当理解：可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，包括：

步骤1，云平台服务器接收用户订单信息；

步骤2，云平台服务器根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，通过向指定车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置；

步骤3，云平台服务器接收指定车辆发送的切换到手动驾驶模式的确认信息；

步骤4，云平台服务器接收指定车辆到达用户订单的终点位置的通知信息。

2.如权利要求1所述的面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，步骤2中调度匹配方法具体包括：

步骤21，结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令；

步骤22，根据接收到的下一个用户订单，返回步骤21。

3.如权利要求2所述的面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，步骤21中，任务调度模式分为如下类型：

Type1，多车与多订单任务调度模式：调度多辆候选车辆分别执行多个订单，每辆候选车至多执行一个订单；

Type1，多车、多阶段任务联合调度模式：调度多辆候选车辆分别执行多个订单，且每辆候选车能够连续执行多个订单任务。

4.如权利要求3所述的面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，Type1情形下获取最优分配方案的方法具体包括：

步骤21a，构建所有可供调度的车辆与用户订单的代价矩阵：行元素或列元素为候选辆i与所有用户订单的分配代价，另一相对元素为第j行的元素为用户订单j与所有车辆的分配代价，该分配代价采用车辆的当前位置与用户订单的起始位置之间的直线距离、曼哈顿距离和预计行驶路程中的一种元素或一种以上元素的加权求和获得；

步骤22a，根据步骤21a构建的代价矩阵，设置描述后选车和用户订单的分配关系的分配矩阵

若第i行、第j列元素a_i,j为1，则表示候选车i被分配至用户订单j；若a_i,j为0，则表示候选车i未被分配至用户订单j，再通过下式(1)描述的优化问题获取最优分配方案：

式中，N表示候选车和用户订单的数量。

5.如权利要求3所述的面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，Type2情形下获取最优分配方案的方法具体包括：

步骤21b，根据估计得到的候选车用自动驾驶模式下前往用户订单的起始位置所需要的时间、以及历史行驶数据估计得到的特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表；

其中，二维任务调度表包括候选车对应的纵轴以及每一车辆的时间轴所对应的横轴，时间轴的正向表示每辆候选车随时间变化所对应的调度任务，调度任务的类别包括自动驾驶、手动驾驶和停车等待，每一个新产生的用户订单对应预估的手动驾驶时间，候选车与用户订单的分配关系确定后，从而得到车辆预估到达订单起始位置的时刻；

步骤22b，根据步骤21b构建的二维任务调度表，将每一辆候选车的调度任务按时间轴从前向后进行排布，当同一时刻有多个用户订单需要安排时，则从当前候选车中选择能够覆盖当前时刻所有用户订单需求的车辆，并逐步向后推进时间轴，直到所有用户订单都被车辆认领。

6.如权利要求1-5中任一项所述的面向共享出行的自动驾驶与手动驾驶双模式方法，其特征在于，步骤3还包括：

步骤31，在车辆由自动驾驶模式到达用户期望的订单起点后，云平台服务器向指定车辆发送自动驾驶模式切换到人工手动驾驶模式的指令；

步骤32，云平台服务器接收到用户的确认上车信息后，向用户发送提醒用户在车内操作硬件机械按钮，手动将自动驾驶模式确认切换至手动驾驶模式的提示；

步骤33，车辆在收到上述软件、硬件的双重切换驾驶模式的指令后，切换至手动驾驶模式，并向云平台服务器反馈当前的模式切换状态及结果，云平台服务器收到软硬件双重确认信息后，为用户实时提供路线和速度建议。

7.一种面向共享出行的自动驾驶与手动驾驶双模式系统，其特征在于，包括云平台服务器，其具有：

车辆状态收集模块，其用于采集车辆状态信息、车辆发送的手动驾驶通知信息和车辆到达用户订单的终点位置的通知信息；

订单收集模块，其用于接收用户订单信息；

集中调度分配模块，其用于根据所有车辆的当前信息和所有用户订单信息，同步更新位于该区域内的所有可使用的车辆信息，进行调度匹配，生成任务指令；

任务指令下发模块，其用于通过向车辆发出的任务指令控制指定车辆进入自动驾驶模式行驶至用户订单的起始位置。

8.如权利要求7所述的面向共享出行的自动驾驶与手动驾驶双模式系统，其特征在于，集中调度分配模块的调度匹配方法具体包括：

步骤21，结合用户可允许的等待时间，以及车辆完成当前行驶任务、充电任务的剩余时间，在设定的可接受等待时间范围内，根据车辆当前任务的完成剩余时间和启用的任务调度模式，计算可供调度的车辆与用户订单的分配代价，依据总分配代价最小的原则获取最优分配方案，生成相应的任务指令；

步骤22，根据接收到的下一个用户订单，返回步骤21。

9.如权利要求8所述的面向共享出行的自动驾驶与手动驾驶双模式系统，其特征在于，任务调度模式为多车与多订单任务调度模式情形下获取最优分配方案的方法具体包括：

步骤21a，构建所有可供调度的车辆与用户订单的代价矩阵：行元素或列元素为候选辆i与所有用户订单的分配代价，另一相对元素为第j行的元素为用户订单j与所有车辆的分配代价，该分配代价采用车辆的当前位置与用户订单的起始位置之间的直线距离、曼哈顿距离和预计行驶路程中的一种元素或一种以上元素的加权求和获得；

步骤22a，根据步骤21a构建的代价矩阵，设置描述后选车和用户订单的分配关系的分配矩阵

若第i行、第j列元素a_i,j为1，则表示候选车i被分配至用户订单j；若a_i,j为0，则表示候选车i未被分配至用户订单j，再通过下式(1)描述的优化问题获取最优分配方案：

式中，N表示候选车和用户订单的数量；

多车与多订单任务调度模式：调度多辆候选车辆分别执行多个订单，每辆候选车至多执行一个订单。

10.如权利要求8所述的面向共享出行的自动驾驶与手动驾驶双模式系统，其特征在于，任务调度模式为多车、多阶段任务联合调度模式情形下获取最优分配方案的方法具体包括：

步骤21b，根据估计得到的候选车用自动驾驶模式下前往用户订单的起始位置所需要的时间、以及历史行驶数据估计得到的特定驾驶员在手动驾驶模式下完成特定驾驶路线的时间，构建多任务、多车辆、多订单的二维任务调度表；

其中，二维任务调度表包括候选车对应的纵轴以及每一车辆的时间轴所对应的横轴，时间轴的正向表示每辆候选车随时间变化所对应的调度任务，调度任务的类别包括自动驾驶、手动驾驶和停车等待，每一个新产生的用户订单对应预估的手动驾驶时间，候选车与用户订单的分配关系确定后，从而得到车辆预估到达订单起始位置的时刻；

步骤22b，根据步骤21b构建的二维任务调度表，将每一辆候选车的调度任务按时间轴从前向后进行排布，当同一时刻有多个用户订单需要安排时，则从当前候选车中选择能够覆盖当前时刻所有用户订单需求的车辆，并逐步向后推进时间轴，直到所有用户订单都被车辆认领；

多车、多阶段任务联合调度模式：调度多辆候选车辆分别执行多个订单，且每辆候选车能够连续执行多个订单任务。

Images