CN116476828A - 一种考虑前车影响和红绿灯信息的车速规划方法和系统 - Google Patents

Abstract

本发明公开了一种一种考虑前车影响和红绿灯信息的车速规划方法及系统，包括：A建立交通地图模型，获取行驶数据；B预测前车速度；C计算本车未来允许达到的最大车速；D计算本车在允许车速下能否在绿灯窗口期内通过下一个路口，若能则提速至允许的最大车速，若不能则减速以保证在下一个绿灯到来时通过该路口。规划系统包括离线和在线两部分，离线部分用于执行步骤B，在线部分用于执行步骤C和步骤D。综合考虑了前车的影响和红绿灯信息，在基于红绿灯信息规划目标车速时，将前车的限制也考虑了进去，在车速规划的时候把间距也考虑了进去，更加符合实际情况；优化后的预测模型，训练时间更短，预测更加精确，运行所需时间减少。

Description

一种考虑前车影响和红绿灯信息的车速规划方法和系统

技术领域

本发明涉及一种车速规划方法和系统。

背景技术

汽车的网联化是未来的发展方向之一，目前，已经有一部分学者将交通信息考虑进汽车的能量管理和速度规划中，在车辆行驶过程中，通过智能网联技术，获取前方的交通信息，提前对前方的工况做出响应，提高车辆的动力性和燃油经济性。

在现有的研究中，多是针对车队展开研究。但在实际行驶中，由于红绿灯、其他车辆插队等原因，车辆队列很难保持。且多数研究主要运用交通信息规划最优车速，没有考虑前车的影响，在车辆实际行驶过程中，车速除了受到驾驶员和工况的影响，很大程度还受到前车的限制。

中国专利CN 113104023 B公开了分布式MPC的网联混合动力汽车能量管理系统及方法，在该专利文献公开了建立特定城市工况下交通路网模型，获取实时数据，包括前方车辆信息和交通信息，为工况预测提供数据支持；需设置交通场景，提取前方车辆信息和交通信息，本车工况预测时，需由前车信息和本车信息综合预测。其考虑前方车辆和未来交通信息(交通信号灯状态)，基于交通路网模型获取测试工况数据，采用贝叶斯网络对车速进行短期预测通过连续变量包括前车速度和首车距红绿灯距离，离散变量为红绿灯状态。但是该文献并未给出具体的车速规划策略，不能给出车辆通过红绿灯路口的最佳车速规划，不能提高红路灯路口的通行效率或节能规划，另外在该方案中未考虑本车和前车之间的间距控制，虽然在该专利技术中将前车和红绿灯都作为工况预测的决策变量之一，但是其并没有引入各个决策变量之间的关系，整个预测过程是混沌的，需要经过长时间大量的训练才能收敛。

发明内容

针对现有技术现有技术预测过程混沌且未能给出红绿灯路口通行车速规划策略的问题，本申请提供了一种，提出一种综合考虑前车影响和红绿灯信息的车速规划方法和系统，使车辆尽量避免通过红绿灯路口前停车等待。

本发明的技术方案：

一种考虑前车影响和红绿灯信息的车速规划方法，包括：

A建立交通地图模型，获取行驶数据；

B预测前车速度；

C计算本车未来允许达到的最大车速；

D计算本车在允许车速下能否在绿灯窗口期内通过下一个路口，若能则提速至允许的最大车速，若不能则减速以保证在下一个绿灯到来时通过该路口。

在步骤A中，根据实际交通地图，绘制各路段并连接路段，然后根据实际交通信息，配置各路段红绿灯时间，在各路段上放置红绿灯，通过车辆搭载的传感器或V2X设备获取到前车速度、跟车距离。

在步骤B中，将采集到的前车速度输入神经网络模型，预测前车未来的车速。

在步骤B中，采用径向基神经网络作为预测器，基于采集到速度数据，构建RBF神经网络预测模型，设定前车历史速度为神经网络输入，前车未来速度为神经网络输出，数据集80％作为训练集，20％作为测试集，对RBF进行训练，采用均方根误差作为评价指标。

其中RBF输入层为10，输出层为5，RBF训练函数采用MATLAB自带函数，该函数调用格式为：net＝newrb(P，T，goal，spread，MN，DF)

式中：P为输入矩阵；T为目标矩阵；goal为均方根误差；spread为径向基拓展系数；MN为最大神经元数目；DF为所添加神经元数；采用DBO优化算法来对参数spread进行寻优。

在步骤C中两车之间的车辆间距可以表示为：

S_des＝t_hv+S₀

式中，S_des是期望车间距，t_h为车间时距，S₀为当前车间距，v为本车当前车速。

其中，车间时距t_h可以表示为：

t_h＝t₀-c_Vv_rel-c_aa_p

v_rel＝v_q-v

式中，t₀为初始车间时距，c_v为大于零的相关系数，c_a为大于零的常数，a_p是前车未来时刻的加速度，v_rel是相对车速，v_q是当前时刻前车速度，设置期望车间距S_des，进而可以求得期望的车间时距t_h，再进一步根据预测得到的前车未来车速，求出本车未来的车速。

步骤D中，当车辆通过红绿灯路口的时候，根据红绿灯状态可以分为以下几种情况：当前为红灯，则车辆根据红灯剩余时间重新规划车速，提前减速，等到绿灯亮起通过路口；当前为绿灯，若在绿灯剩余时间内，车辆按照当前车速行驶可以通过路口，则车辆保持当前车速通过路口；若在绿灯剩余时间内，车辆按照当前车速不能通过路口，但计算后得到可以通过路口的车速，且计算得到的车速小于等于条件所允许的最大车速，则调整车速为计算出的车速；若在绿灯剩余时间内，车辆按照当前车速不能通过路口，且条件所允许的最大车速也不能使车辆通过路口，则按照下一次绿灯通过路口计算新的速度，提前降低车速，使车辆在下一个绿灯的时候通过路口。

当下一个路口是绿灯并且车辆最高行驶车速满足绿灯内通过路口的要求时，汽车则加速至所允许的最大车速从而保证车辆在红灯来临之前经过该路口，规划车速的计算公式如下：

t_cycle＝t_R+t_G

v_max＝min(v_R，v_p)

式中：k为当前时刻，v_tar为目标车速；d_a为车辆与红绿灯之间的距离；t_R为红灯持续时间，t_G为绿灯持续时间；为简化计算，将黄灯时间计入t_R内；t_cycle为一个信号灯的周期时间；mod(·)为取余函数；T描述交通灯循环次数，当k＝t_cycle时，T增加1；v_R为道路限速速度；v_p为上述根据预测的前车速度和车间间距计算出的本车下一时刻的车速。

一种考虑前车影响和红绿灯信息的车速规划系统，包括离线和在线两部分，用于执行上述车速规划方法，离线部分用于执行步骤B，对采集到的数据进行滤波处理，并将数据划分为训练网络所需的格式；然后使用处理好的数据训练神经网络，神经网络训练完毕后，就可以进行在线测试；在线部分用于执行步骤C和步骤D，根据车辆获取到的前车速度信息，调用训练好的神经网络模型对前车未来的车速进行预测，然后根据预测的前车速度和当前的跟车间距，调整规划本车的速度；通过红绿灯路口时，根据红绿灯当前的状态，在保证车辆跟车间距的情况下，重新规划车辆的速度。

采用VISSIM软件模拟网联汽车实际行驶情况，根据实际交通地图，绘制各路段并连接路段，然后根据实际交通信息，配置各路段红绿灯时间，在各路段上放置红绿灯；根据实际交通流量，设置各路段的车辆输入数量和车辆类型，并根据车流比例在各路口设置路径决策；在路网信息设置完成后，进行仿真，收集仿真数据并整理；通过车辆搭载的传感器或V2X设备可以获取到前车速度和距离。

本发明的有益效果是：

本发明提出一种综合考虑前车影响和红绿灯信息的车速规划方法和系统。在获取到前车的速度之后，对前车未来的速度进行预测，然后根据预测的速度和当前的跟车间距规划本车的车速；在经过红绿灯路口的时候，将基于网联技术获取到SPAT信息也考虑进去，规划车辆在前车的限制下，可以通过红绿灯路口的速度。该车速规划方法可以使车辆对前车未来的车速变化提前做出响应，合理地调整跟车距离，提高车辆行驶安全性；在经过红绿灯路口时，可以使车辆尽量避免停车的通过红绿灯路口，提高车辆的通行效率。

当下一个路口是绿灯并且车辆在最高行驶车速下满足绿灯内通过路口的要求时，汽车则加速至所允许的最大车速或者是保持能够通过的速度，从而保证车辆在红灯来临之前经过该路口。当下一个路口是红灯时，汽车须提前减速以保证在下一个绿灯到来时通过该路口。这样可以避免在路口等待，提高出行效率；对于混合动力汽车，可以优化能量分配方式，减少能源的启停次数。

综合考虑了前车的影响和红绿灯信息，在基于红绿灯信息规划目标车速时，将前车的限制也考虑了进去，在车速规划的时候把间距也考虑了进去，更加符合实际情况；优化后的预测模型，训练时间更短，预测更加精确，运行所需时间减少。

附图说明

图1为离线部分流程图。

图2为在线部分流程图。

图3为采集的速度数据示意图。

图4是RBF神经网络结构图。

图5是速度预测效果图。

图6是速度规划原理。

图7速度规划方法效果图。

具体实施方式

实施例1：

本发明提出一种考虑前车影响和红绿灯信息的车速规划方法和系统，主要包括离线和在线两部分。离线部分流程如图1，在线部分流程如图2。首先需要收集跟车行驶时的工况数据，包括：前车的速度、与前车的车距、车辆距红绿灯的距离、红绿灯时间灯信息；然后对采集到的数据进行滤波处理，并将数据划分为训练网络所需的格式；然后使用处理好的数据训练神经网络，神经网络训练完毕后，就可以进行在线测试。在线部分，根据车辆获取到的前车速度信息，调用训练好的神经网络模型对前车未来的车速进行预测，然后根据预测的前车速度和当前的跟车间距，调整规划本车的速度；通过红绿灯路口时，根据红绿灯当前的状态，在保证车辆跟车间距的情况下，重新规划车辆的速度。

1.数据的采集和处理

通过车辆搭载的传感器或V2X设备，可以获取到前车速度、跟车距离等信息。本例采用VISSIM软件模拟网联汽车实际行驶情况，根据实际交通地图，绘制各路段并连接路段，然后根据实际交通信息，配置各路段红绿灯时间，在各路段上放置红绿灯；根据实际交通流量，设置各路段的车辆输入数量和车辆类型，并根据车流比例在各路口设置路径决策。在路网信息设置完成后，进行仿真，收集仿真数据并整理。为了收集尽可能多的车速特征，调整车辆的期望车速、车辆加速度和减速度，进行多次仿真。收集到的数据如图3所示。

2.DBO-RBF神经网络预测模型构建

本发明采用径向基神经网络作为预测器，基于采集到速度数据，构建RBF神经网络预测模型。设定前车历史速度为神经网络输入，前车未来速度为神经网络输出。数据集80％作为训练集，20％作为测试集，对RBF进行训练，其中RBF输入层为10，输出层为5，即通过前10秒的车速预测后5秒的车速。采用均方根误差(RMSE)作为评价指标，公式如下：

其中：RMSE(k)是第k个采样点预测时域内均方根误差；n为采样点个数；t_p为预测时间长度。当模型RMSE达到预设训练目标或训练达到最大迭代次数后，训练停止，RBF神经网络构建完成。

RBF训练函数采用MATLAB自带函数，该函数调用格式为：

net＝newrb(P，T，goal，spread，MN，DF)

式中：P为输入矩阵；T为目标矩阵；goal为均方根误差；spread为径向基拓展系数；MN为最大神经元数目；DF为所添加神经元数目。其中，spread与函数逼近效果息息相关。spread越大，函数逼近越平滑，但spread太大，则需要大量的神经元来适应快速变化的函数；太小则需要大量神经元来拟合平滑的函数，并且网络可能不能很好的概括，因此，本发明采用DBO优化算法来对该参数进行寻优。

蜣螂优化算法(Dung beetle optimizer，DBO)，是一种模拟蜣螂生物行为的算法，具有寻优能力强，收敛速度快的特点。在运行过程中，寻优的位置更新表示为：

x_i(t+1)＝x_i(t)+akx_i(t-1)+bΔx #(3)

Δx＝|x_i(t)-X^W| #(4)

式中，t表示当前迭代次数，x_i(t)表示第i只蜣螂在第t次迭代时的位置信息，k∈(0，0.2]表示挠度系数，为定制。b表示属于(0，1)的定值，α为自然系数，赋值为-1或1，X^W表示全局最差位置，Δx用于模拟光强的变化。

如果寻优的方向受到限制，就会重新定位，此时位置更新为：

x_i(t+1)＝x_i(t)+tanθ|x_i(t)-x_i(t+1)| #(5)

式中，θ为挠度角，属于[0，π]。|x_i(t)-x_i(t+1)|表示第i只蜣螂在第t次迭代时的位置与其在t-1次迭代时的位置之差。

寻到局部最优时，会进行标记，局部最优的定义为：

Lb^*＝max(X^*×(1-R)，Lb)

Ub^*＝min(X^*×(1+R)，Ub) #(6)

式中X^*为当前局部最佳位置，Lb^*和Ub^*分别为局部最优区域的下限和上限，R＝1-t/T_max，T_max表示最大迭代次数，Lb和Ub分别表示优化问题的下界和上界。

标记出局部最优之后，会从局部最优继续向全局最优寻优，全局最优的定义为：

Lb^b＝max(X^b×(1-R)，Lb)

Ub^b＝min(X^b×(1+R)，Ub) #(7)

式中，X^b表示全局最优的位置，Lb^b和Ub^b分别表示全局最优区域的下界和上界；该寻优过程的位置更新如下：

x_i(t+1)＝x_i(t)+C₁×(x_i(t)-Lb^b)+C₂×(x_i(t)-Ub^b) #(8)

同时，还会对局部最优进行筛选，在迭代过程中，位置更新信息定义为：

|x_i(t+1)＝X^b+S×g×(|x_i(t)-X^*|+|x_i(t)-X^b|) #(9)

式中，g是一个大小为1×D维的随机向量，服从于正态分布，S表示恒定值。在优化过程中，该位置不断更新，最后输出最佳位置X^b。

DBO算法的计算过程主要包含以下几个步骤：

初始化蜣螂群和DBO算法的参数；

根据目标函数计算出所有目标代理的适应度值；

更新所有蜣螂的位置；

判断每个目标代理是否超出边界；

更新当前最优解及其适应度值；

重复上述步骤，直到t满足终止准则，输出全局最优解及其适应度值；

在本例中，将DBO算法的优化参数设置为RBF神将网络所包含的隐藏单元个数、最大训练周期和径向基拓展系数spread。适应度函数设置为RBF神将网络对训练集和测试集的均方根误差，即：

finteness＝RMSE[predict(train)]+RMSE[predict(test)] #(10)

从测试结果来看，优化前RMSE值为2.2811，优化后RMSE值为1.7648，优化改进后的效果优于改进前的。训练好的RBF神经网络预测模型速度预测效果如图5所示。可以看到，神经网络对速度的预测效果良好。

3.跟车距离控制

跟车距离采用等效车间时距控制。等效车间时距是指，本车与前车的车头通过某一横截面的时间间隔。

两车之间的车辆间距可以表示为：

S_des＝t_hv+S₀ #(11)

式中，S_des是期望车间距，t_h为车间时距，S₀为当前车间距，v为本车当前车速。

其中，车间时距t_h可以表示为：

t_h＝t₀-c_vv_rel-c_aa_p #(12)

v_rel＝v_q-v #(13)

式中，t₀为初始车间时距，c_v为大于零的相关系数，c_a为大于零的常数，a_p是前车未来时刻的加速度，可通过上述预测的前车速度计算得出，v_q是当前时刻前车速度。考虑到实际情况，车间时距不能过大，也不能过小，因此，

t_hmin≤t_h≤t_hmax #(14)

本例中，将期望车间距设置为35m，进而可以求得期望的车间时距，再进一步根据预测得到的前车未来车速，求出本车未来的车速v_p(将前车未来车速代入公式13中，用v_p替代v)。

4.基于红绿灯信息的速度规划方法

基于获取到的车辆与红绿灯的距离和红绿灯时间信息，计算车辆是否能够通过下一个路口。速度规划原理如图6所示。

当车辆通过红绿灯路口的时候，根据红绿灯状态可以分为以下几种情况：

当前为红灯

则车辆根据红灯剩余时间重新规划车速，提前减速，等到绿灯亮起通过路口；

当前为绿灯

若在绿灯剩余时间内，车辆按照当前车速行驶可以通过路口，则车辆保持当前车速通过路口；

若在绿灯剩余时间内，车辆按照当前车速不能通过路口，但计算后得到可以通过路口的车速，且计算得到的车速小于等于条件所允许的最大车速，则调整车速为计算出的车速；

若在绿灯剩余时间内，车辆按照当前车速不能通过路口，且条件所允许的最大车速也不能使车辆通过路口，则按照下一次绿灯通过路口计算新的速度，提前降低车速，使车辆在下一个绿灯的时候通过路口。

通过该速度算法的效果如图7所示。可以看到车辆可以提前调整速度通过所有的路口，提高了通行效率和燃油经济性。

实施例2：

在实施例1的基础上，为了提高红绿灯的路口的通行效率，当下一个路口是绿灯并且车辆最高行驶车速满足绿灯内通过路口的要求时，汽车则加速至所允许的最大车速从而保证车辆在红灯来临之前经过该路口。当下一个路口是红灯时，汽车须提前减速以保证在下一个绿灯到来时通过该路口。这样可以避免在路口等待，提高出行效率；对于混合动力汽车，可以优化能量分配方式，减少能源的启停次数。计算公式如下：

t_cycle＝t_R+t_G #(17)

v_max＝min(v_R，v_p) #(19)

式中：k为当前时刻，v_tar为目标车速；d_a为车辆与红绿灯之间的距离；t_R为红灯持续时间，t_G为绿灯持续时间；为简化计算，将黄灯时间计入t_R内；t_cycle为一个信号灯的周期时间；mod(·)为取余函数；T描述交通灯循环次数，

当k＝t_cycle时，T增加1；v_R为道路限速速度；v_p为上述根据预测的前车速度和车间间距计算出的本车下一时刻的车速。

Claims (10)

1.一种考虑前车影响和红绿灯信息的车速规划方法，其特征在于包括：

A建立交通地图模型，获取行驶数据；

B预测前车速度；

C计算本车未来允许达到的最大车速；

D计算本车在允许车速下能否在绿灯窗口期内通过下一个路口，若能则提速至允许的最大车速，若不能则减速以保证在下一个绿灯到来时通过该路口。

2.根据权利要求1所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于：在步骤A中，根据实际交通地图，绘制各路段并连接路段，然后根据实际交通信息，配置各路段红绿灯时间，在各路段上放置红绿灯，通过车辆搭载的传感器或V2X设备获取到前车速度、跟车距离。

3.根据权利要求2所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于：在步骤B中，将采集到的前车速度输入神经网络模型，预测前车未来的车速。

4.根据权利要求1所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于：在步骤B中，采用径向基神经网络作为预测器，基于采集到速度数据，构建RBF神经网络预测模型，设定前车历史速度为神经网络输入，前车未来速度为神经网络输出，数据集80％作为训练集，20％作为测试集，对RBF进行训练，采用均方根误差作为评价指标。

5.根据权利要求4所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于：其中RBF输入层为10，输出层为5，RBF训练函数采用MATLAB自带函数，该函数调用格式为：net＝newrb(P，T，goal，spread，MN，DF)

式中：P为输入矩阵；T为目标矩阵；goal为均方根误差；spread为径向基拓展系数；MN为最大神经元数目；DF为所添加神经元数；采用DBO优化算法来对参数spread进行寻优。

6.根据权利要求1-5任一项所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于：在步骤C中两车之间的车辆间距可以表示为：

S_des＝t_hv+S₀

式中，S_des是期望车间距，t_h为车间时距，S₀为当前车间距，v为本车当前车速。

其中，车间时距t_h可以表示为：t_h＝t₀-c_vv_rel-c_aa_p

v_rel＝v_q-v

式中，t₀为初始车间时距，c_v为大于零的相关系数，c_a为大于零的常数，a_p是前车未来时刻的加速度，v_rel是相对车速，v_q是当前时刻前车速度，设置期望车间距S_des，进而可以求得期望的车间时距t_h，再进一步根据预测得到的前车未来车速，求出本车未来的车速。

7.根据权利要求6所述考虑前车影响和红绿灯信息的车速规划方法，其特征在于步骤D中，当车辆通过红绿灯路口的时候，根据红绿灯状态可以分为以下几种情况：当前为红灯，则车辆根据红灯剩余时间重新规划车速，提前减速，等到绿灯亮起通过路口；当前为绿灯，若在绿灯剩余时间内，车辆按照当前车速行驶可以通过路口，则车辆保持当前车速通过路口；若在绿灯剩余时间内，车辆按照当前车速不能通过路口，但计算后得到可以通过路口的车速，且计算得到的车速小于等于条件所允许的最大车速，则调整车速为计算出的车速；若在绿灯剩余时间内，车辆按照当前车速不能通过路口，且条件所允许的最大车速也不能使车辆通过路口，则按照下一次绿灯通过路口计算新的速度，提前降低车速，使车辆在下一个绿灯的时候通过路口。

8.根据权利要求7所述其特征在于：当下一个路口是绿灯并且车辆最高行驶车速满足绿灯内通过路口的要求时，汽车则加速至所允许的最大车速从而保证车辆在红灯来临之前经过该路口，规划车速的计算公式如下：

t_cycle＝t_R+t_G

v_max＝min(v_R，v_p)

式中：k为当前时刻，v_tar为目标车速；d_a为车辆与红绿灯之间的距离；t_R为红灯持续时间，t_G为绿灯持续时间；为简化计算，将黄灯时间计入t_R内；t_cycle为一个信号灯的周期时间；mod(·)为取余函数；T描述交通灯循环次数，当k＝t_cycle时，T增加1；v_R为道路限速速度；v_p为上述根据预测的前车速度和车间间距计算出的本车下一时刻的车速。

9.一种考虑前车影响和红绿灯信息的车速规划系统，包括离线和在线两部分，用于执行权利要求7所述的车速规划方法，其特征在于：离线部分用于执行步骤B，对采集到的数据进行滤波处理，并将数据划分为训练网络所需的格式；然后使用处理好的数据训练神经网络，神经网络训练完毕后，就可以进行在线测试；在线部分用于执行步骤C和步骤D，根据车辆获取到的前车速度信息，调用训练好的神经网络模型对前车未来的车速进行预测，然后根据预测的前车速度和当前的跟车间距，调整规划本车的速度；通过红绿灯路口时，根据红绿灯当前的状态，在保证车辆跟车间距的情况下，重新规划车辆的速度。

10.根据权利要求9所述考虑前车影响和红绿灯信息的车速规划系统，其特征在于：采用VISSIM软件模拟网联汽车实际行驶情况，根据实际交通地图，绘制各路段并连接路段，然后根据实际交通信息，配置各路段红绿灯时间，在各路段上放置红绿灯；根据实际交通流量，设置各路段的车辆输入数量和车辆类型，并根据车流比例在各路口设置路径决策；在路网信息设置完成后，进行仿真，收集仿真数据并整理；通过车辆搭载的传感器或V2X设备可以获取到前车速度和距离。