CN116588123A - 基于安全势场模型的风险感知的预警策略方法 - Google Patents
基于安全势场模型的风险感知的预警策略方法 Download PDFInfo
- Publication number
- CN116588123A CN116588123A CN202310562807.3A CN202310562807A CN116588123A CN 116588123 A CN116588123 A CN 116588123A CN 202310562807 A CN202310562807 A CN 202310562807A CN 116588123 A CN116588123 A CN 116588123A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- field
- road
- potential
- potential field
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000008447 perception Effects 0.000 title claims abstract description 8
- 238000005381 potential energy Methods 0.000 claims abstract description 34
- 238000011217 control strategy Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000008859 change Effects 0.000 claims description 17
- 230000001133 acceleration Effects 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 10
- 230000014509 gene expression Effects 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000013459 approach Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 description 20
- 230000006399 behavior Effects 0.000 description 6
- 238000005290 field theory Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
- B60W50/00—Details of control systems for road vehicle drive control not related to the control of a particular sub-unit, e.g. process diagnostic or vehicle driver interfaces
- B60W2050/0001—Details of the control system
- B60W2050/0002—Automatic control, details of type of controller or control system architecture
- B60W2050/0004—In digital systems, e.g. discrete-time systems involving sampling
- B60W2050/0005—Processor details or data handling, e.g. memory registers or chip architecture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于安全势场模型的风险感知的预警策略方法,包含以下步骤:S1:计算安全势场的强度;S2:计算安全势场的场力;S3:计算安全势场的势能;S4:构建道路交通安全风险指标PFI;S5:基于PFI指标确定驾驶控制策略。本发明提出的一种新型道路安全风险指标PFI,能够很好的评估智能网联环境下的道路交通安全风险,同时,以该指标为基础研发的一种安全驾驶控制策略可以辅助智能网联汽车实现安全驾驶。
Description
技术领域
本发明涉及风险感知和预警策略方法,尤其涉及一种基于安全势场模型的风险感知的预警策略方法。
背景技术
在汽车科学技术高速发展下,交通事故仍然频发,人们对于交通问题的首要关注点仍然是交通安全问题。在复杂交通环境下,如果能够对车辆周围交通环境的安全状态情况进行精准的评估,不仅可以大大降低道路交通事故的发生,而且还可以在一定程度上提升道路通行效率。目前所建立的基于势场理论的交通流模型不适合智能网联环境,并且在安全势场模型的构建中所考虑的因素较少,如没有考虑加速度以及转向角等因素,无法反映出真实的势场变化情况。在此背景下,本发明的目的是通过构建出一种考虑加速度因素的描述复杂交通环境下的动态安全势场模型,并造能够表征道路交通安全状态的风险指标。
发明内容
发明目的:本发明以势场理论为基础,构建符合车辆运行安全特征的安全势场模型,以该安全势场模型为基础,构造能够表征道路交通安全状态的风险指标,该方法不仅可以大大降低道路交通事故的发生,而且还可以在一定程度上提升道路通行效率。
技术方案:本发明的基于安全势场模型的风险感知的预警策略方法,包括如下步骤:
S1,计算安全势场的强度:
在结构相对简单的道路环境下,仅考虑道路与车辆安全势场可以主要分为三类:道路线场、道路边界场以及车辆势场。黑色实线表示的是道路边界线;灰色虚线表示的是车道分界线,该线允许车辆跨线换道;两条紧密相隔的黄色实线表示双黄线,该线不允许车辆跨线换道。安全总势场的势场强度计算公式如下:
|Etotal|=ωL|EL|+ωB|EB|+ωV|EV|
式中,Etotal表示安全总势场的势场强度,EL为道路线场的势场强度;EB为道路边界场的势场强度,EV为车辆势场的势场强度,ωL,ωB,ωV分别对应为道路线场的势场强度,道路边界场的势场强度以及车辆势场的势场强度所占的权重。
其中EL计算公式如下:
式中,EL表示道路线场的势场强度,Ai表示的是不同道路标线类型i产生的不同势场强度系数,该系数决定了道路线场的最高峰值,例如车道分界线势场强度系数为A1,双黄线为A2,则有A2>A1的关系存在,表示车辆A指向道路线的距离矢量,yA为车辆A的y轴坐标,yl,j为道路线场j的y轴坐标;σ决定了当车辆逐步靠近或远离道路线时,势场强度值上升或下降的速度。
EB计算公式如下:
式中,EB表示道路边界场的势场强度,和/>分别表示车辆A指向道路左、右边界线的距离矢量,yA为车辆A的y轴坐标,yleft和yleft分别表示道路左、右边界线的y轴坐标,η为道路边界场系数。
EV算公式如下:
Mi=mi·(1.566×10-14·v6.687+0.3345)
式中,EV表示车辆势场的势场强度,Mi表示目标车辆i的等效质量,l′表示伪距离,可以更好的描述当车辆从不同角度接近目标车辆时所面临风险程度的变化,e是自然对数函数的底数,λ,β1,ζ为待定系数,θ为目标车辆周围某点到该车辆质心所在空间坐标(x0,y0)的夹角,mi为目标车辆i的实际质量,v为车辆行驶速度,τ为安全距离的临界阈值,α为与速度相关的待定参数,(x,y)为空间内任意点的坐标,a为目标车辆当前运动状态的加速度。
S2,计算安全势场的场力:
跟驰场景,该场景中,能够计算出作用于后车B的场力该场力由车辆运动势场(由前车A产生),该场力的计算公式如下:
式中,表示车A作用于后车B的场力,/>表示车辆势场的势场强度(由车辆A产生),mB为后车B的实际质量,vB为后车B的速度,β2为待定系数,φ为目标车辆的转向角。
基于上述理论,绘制了车辆B受到多重场力的情况。其中包括:来自于前方车辆A的场力;来自于后方车辆C的场力/>;来自于左、右车道线的场力/>和/>以及来自于左、右道路边界线的场力/>和/>。
各个场力大小的计算公式能够类比上述,根据不同场强的计算公式得到,具体如下所示:
其中,表示车辆势场的势场强度(由车辆C产生),/>和/>分别表示车辆B左、右道路线场的势场强度,/>和/>分别表示车辆B左、右道路边界场的势场强度,φ为目标车辆的转向角。
S3,计算安全势场的势能:
本发明使用安全势场的势能SPFE(SPFE,Safety Potential Field Energy)来表征道路安全风险,将k类型的势场所产生的势能记为SPFEk,其具有如下的一般性表达:
式中,SPFEk表示k类型的势场所产生的势能,为作用于车辆j的场力,rij为场源i与车辆j之间的理论距离。
对于不同类型的安全势场,场力的表达式和理论距离的设定值不同。因此,基于上式中的一般性表达,可计算得到针对道路线场、道路边界场以及车辆运动势场的势能,分别记为具体计算公式如下所示:
式中,表示道路线场所产生的势能,该势能对车辆j造成影响,其中/>为道路线场所产生的场力,该场力由第k条道路线产生,/>为车辆j与第k条道路线之间的距离;表示道路边界场所产生的势能,该势能同样对车辆j造成影响,场力/>和/>分别为左、右道路边界场形成的场力,/>和/>分别为车辆j至道左、右边界之间的距离;/>表示车辆运动势场所产生的势能,该势能源于由车辆i的运动势场,作用于车辆j,li′j为车辆i与j之间的伪距离。
S4,构建道路交通安全风险指标PFI:
本发明采用加权的方法来表征车辆所面临的综合风险,并将该加权之后的综合取值设定为表征道路安全风险的描述性指标PFI(PFI,Potential Field Indicator)。该指标计算公式如下:
式中,PFIj表示车辆j的道路安全风险指标,分别表示道路线场、道路边界场以及车辆运动势场所产生的势能,ωL,ωB,ωV分别对应为道路线场的势场强度,道路边界场的势场强度以及车辆势场的势场强度所占的权重。
S5,基于PFI指标确定驾驶控制策略:
本发明提出一种基于PFI指标的安全驾驶控制策略,即一种辅助驾驶策略,该策略首先评价道路交通安全风险等级,然后根据实时的风险等级为车辆输出符合车辆安全需求的驾驶策略建议,具体实施步骤如下:
S5.1:策略需要对目标车辆的运动进行预测,其预测结果主要分为跟驰与换道两种。如果目标车辆持续跟驰行为,那么在数据收集过程中将主要针对目标车辆所在车道前后车辆的运动信息(包括前后车辆的速度、加速度、转向角度、间距等);如果目标车辆有换道的意图,则需要收集除本车道前后车辆以外目标车道上相对位置前后车辆的运动信息。
S5.2:根据所收集得到的信息对道路交通上分布的安全势场进行绘制并计算对应位置的势场强度;之后,结合所计算的安全势场强度计算不同驾驶状态下的道路安全风险指标PFI的取值。
S5.3:当车辆在跟驰状态下的只需结合PFI阈值来对跟驰状态下的速度进行优化;当车辆在换道状态下时,这里需要计算两种情况下的PFI取值,即目前车道下的PFI以及相同运动状态下目标车道的PFI;接着对两个PFI取值进行对比,如果目标车道的PFI大于或等于当前车道的PFI,那么将不建议车辆进行换道行为,并根据PFI的阈值来对车辆的速度进行优化;如果目标车道的PFI小于当前车道的PFI,那么此时车辆将建议进行换道行为,并结合PFI的阈值来优化车辆完成换道过程后的速度。
本发明与现有技术相比,其显著效果如下:
1、本发明以势场理论为基础构建了一种能够表征道路交通安全风险的安全势场模型,该模型能够动态表示车辆不同运动状态下对周围空间的安全风险分布;
2、提出了一种新型道路安全风险指标PFI,该指标基于安全势场模型的势能角度构建,能够很好的评估智能网联环境下的道路交通安全风险;
3、以道路安全风险指标PFI为基础,研发了一种安全驾驶控制策略,可以辅助智能网联汽车实现安全驾驶。
附图说明
图1为本发明方法流程图;
图2为道路环境组成示意图。
图3为简单跟驰场景下的场力描述图。
图4为作用于车辆B的多重场力示意图。
图5为基于PFI指标的控制策略流程图。
图6为速度与潜在交通风险对比图。
具体实施方式
下面结合具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
本发明设计了一种基于安全势场模型的风险感知的预警策略方法,如图1所示,包括以下步骤:
S1,计算安全势场的强度:
在结构相对简单的道路环境下,仅考虑道路与车辆安全势场可以主要分为三类:道路线场、道路边界场以及车辆势场。如图2所示,黑色实线表示的是道路边界线;灰色虚线表示的是车道分界线,该线允许车辆跨线换道;两条紧密相隔的黄色实线表示双黄线,该线不允许车辆跨线换道。安全总势场的势场强度计算公式如下:
|Etotal|=ωL|EL|+ωB|EB|+ωV|EV|
式中,Etotal表示安全总势场的势场强度,EL为道路线场的势场强度;EB为道路边界场的势场强度,EV为车辆势场的势场强度,ωL,ωB,ωV分别对应为道路线场的势场强度,道路边界场的势场强度以及车辆势场的势场强度所占的权重。
其中EL计算公式如下:
式中,EL表示道路线场的势场强度,Ai表示的是不同道路标线类型i产生的不同势场强度系数,该系数决定了道路线场的最高峰值,例如车道分界线势场强度系数为A1,双黄线为A2,则有A2>A1的关系存在,表示车辆A指向道路线的距离矢量,yA为车辆A的y轴坐标,yl,j为道路线场j的y轴坐标;σ决定了当车辆逐步靠近或远离道路线时,势场强度值上升或下降的速度。
EB计算公式如下:
式中,EB表示道路边界场的势场强度,和/>分别表示车辆A指向道路左、右边界线的距离矢量,yA为车辆A的y轴坐标,yleft和yleft分别表示道路左、右边界线的y轴坐标,η为道路边界场系数。
EV算公式如下:
Mi=mi·(1.566×10-14.v6.687+0.3345)
式中,EV表示车辆势场的势场强度,Mi表示目标车辆i的等效质量,l′表示伪距离,可以更好的描述当车辆从不同角度接近目标车辆时所面临风险程度的变化,e是自然对数函数的底数,λ,β1,ζ为待定系数,θ为目标车辆周围某点到该车辆质心所在空间坐标(x0,y0)的夹角,mi为目标车辆i的实际质量,v为车辆行驶速度,τ为安全距离的临界阈值,α为与速度相关的待定参数,(x,y)为空间内任意点的坐标,a为目标车辆当前运动状态的加速度。
S2,计算安全势场的场力:
图3展示了一个简单的跟驰场景,该场景中,能够计算出作用于后车B的场力该场力由车辆运动势场/>(由前车A产生),该场力的计算公式如下:
式中,表示车A作用于后车B的场力,/>表示车辆运动势场的势场强度,由车辆A产生,mB为后车B的实际质量,vB为后车B的速度,β2为待定系数,φ为目标车辆B的转向角;
图4绘制了车辆B受到多重场力的情况。其中包括:来自于前方车辆A的场力;来自于后方车辆C的场力/>来自于左、右车道线的场力/>和/>以及来自于左、右道路边界线的场力/>和/>。
各个场力大小的根据不同场强的计算公式得到,具体如下所示:
其中,表示车辆势场的势场强度(由车辆A产生),/>表示车辆势场的势场强度(由车辆c产生),/>和/>分别表示车辆B左、右道路线场的势场强度,/>和/>分别表示车辆B左、右道路边界场的势场强度,mB为后车B的实际质量,vB为后车B的速度,β2为待定系数,φ为目标车辆的转向角。
S3,计算安全势场的势能:
本发明使用安全势场的势能SPFE(SPFE,Safety Potential Field Energy)来表征道路安全风险,将k类型的势场所产生的势能记为SPFEk,其具有如下的一般性表达:
式中,SPFEk表示k类型的势场所产生的势能,为作用于车辆j的场力,rij为场源i与车辆j之间的理论距离。
对于不同类型的安全势场,场力的表达式和理论距离的设定值不同。因此,基于上式中的一般性表达,可计算得到针对道路线场、道路边界场以及车辆运动势场的势能,分别记为,具体计算公式如下所示:
式中,表示道路线场所产生的势能,该势能对车辆j造成影响,其中/>为道路线场所产生的场力,该场力由第k条道路线产生,/>为车辆j与第k条道路线之间的距离;表示道路边界场所产生的势能,该势能同样对车辆j造成影响,场力/>和/>分别为左、右道路边界场形成的场力,/>和/>分别为车辆j至道左、右边界之间的距离;/>表示车辆运动势场所产生的势能,该势能源于由车辆i的运动势场,作用于车辆j,li′j为车辆i与J之间的伪距离。
S4,构建道路交通安全风险指标PFI:
本发明采用加权的方法来表征车辆所面临的综合风险,并将该加权之后的综合取值设定为表征道路安全风险的描述性指标PFI(PFI,Potential Field Indicator)。该指标计算公式如下:
式中,PFIj表示车辆j的道路安全风险指标,分别表示道路线场、道路边界场以及车辆运动势场所产生的势能,ωL,ωB,ωV分别对应为道路线场的势场强度,道路边界场的势场强度以及车辆势场的势场强度所占的权重。
S5,基于PFI指标确定驾驶控制策略:
本发明提出一种基于PFI指标的安全驾驶控制策略,即一种辅助驾驶策略,该策略首先评价道路交通安全风险等级,然后根据实时的风险等级为车辆输出符合车辆安全需求的驾驶策略建议,具体流程如图5所示,具体实施步骤如下:
S5.1:策略需要对目标车辆的运动进行预测,其预测结果主要分为跟驰与换道两种。如果目标车辆持续跟驰行为,那么在数据收集过程中将主要针对目标车辆所在车道前后车辆的运动信息(包括前后车辆的速度、加速度、转向角度、间距等);如果目标车辆有换道的意图,则需要收集除本车道前后车辆以外目标车道上相对位置前后车辆的运动信息。
S5.2:根据所收集得到的信息对道路交通上分布的安全势场进行绘制并计算对应位置的势场强度;之后,结合所计算的安全势场强度计算不同驾驶状态下的道路安全风险指标PFI的取值。
S5.3:当车辆在跟驰状态下的只需结合PFI阈值来对跟驰状态下的速度进行优化;当车辆在换道状态下时,这里需要计算两种情况下的PFI取值,即目前车道下的PFI以及相同运动状态下目标车道的PFI;接着对两个PFI取值进行对比,如果目标车道的PFI大于或等于当前车道的PFI,那么将不建议车辆进行换道行为,并根据PFI的阈值来对车辆的速度进行优化;如果目标车道的PFI小于当前车道的PFI,那么此时车辆将建议进行换道行为,并结合PFI的阈值来优化车辆完成换道过程后的速度。
为了验证本发明提出模型及判断指标的有效性,下面采用仿真试验进一步说明本发明,仿真采用SUMO(Simulation of Urban MObility)仿真软件来对仿真环境进行搭建。
仿真道路为一条单向双车道的高速公路主干道,模拟长度设定为1500m,并在1000m处设置障碍导致右侧车道堵塞,堵塞长度为10m。在仿真过程中将所有车辆的限速设定为120km/h。根据SUMO内的设定,采用IDM跟驰模型来模拟车辆的微观驾驶行为。
本仿真仅用来验证所提安全仿真指标以及对应控制策略的有效性,不涉及具体车辆微观行为的研究,因此使用的模型参数均为SUMO软件中原有的标准参数,不需要进行额外的更改。
对于一个简单的跟驰场景,该场景中包含前后两辆车,通过设置前车在某一时刻突然制动观察后车可能运动行为。在仿真设定中,假设前后两车的距离间隔为50m并同时以20m/s的速度匀速行驶,在仿真时刻第10s时给定前车一个-1m/s的减速度,并使该减速度持续10s直至在20s时前车完全停止运动。
在仿真过程中,分别设置两组对照仿真,第一组仿真中,不对后车施加任何控制策略;第二组仿真中,对后车施加了基于PFI指标的驾驶控制策略。具体仿真步骤如下:
S1:对目标车辆的运动进行预测。
S2:数据收集。在本次仿真中,目标车辆只有持续的跟驰行为,在数据收集过程中将主要针对目标车辆所在车道前后车辆的运动信息(包括前后车辆的速度、加速度、转向角度、间距等)。
S3:计算安全势场强度。据所收集得到的信息,按照本发明提及的势场强度、场力以及势能的计算公式,对道路交通上分布的安全势场进行绘制并计算对应位置的势场强度
S4:计算PFI取值。结合所计算的安全势场强度计算不同驾驶状态下的道路安全风险指标PFI的取值。
S5:比较计算得到的PFI取值与PFI阈值,对跟驰状态下的速度进行优化,之后回到S1,进入下一个时间步长内的仿真。
根据上述步骤,得到随时间变化下,车辆速度以及PFI取值的变化情况,两组仿真结果如图6所示。
通过对图6(a)的结果进行分析可以发现,后车的速度震荡变化较为明显,这是因为后方车辆无法接收到前车的运动信息,仅根据后车自身感知得到的与前方车辆之间的距离进行速度控制,因此无法在第一时间做出准确的控制优化。与此同时,还可以发现道路潜在的交通风险随着后车减速至零的过程中持续增加。
当后方车辆在实施驾驶控制策略后,后车能够根据得到的信息迅速做出相应的反馈响应,并且能够使车辆的速度变化更为平滑。为了突出在该建模过程综合考虑加速度参数的优势,我们对是否包含加速度参数的模型进行了分别的仿真。如图6(b)中所示,图中下标v和a分别表示考虑和未考虑加速度参数的情况。通过两者的对比不难发现,在考虑加速度参数的情况下,车辆能够更加灵敏的做出驾驶反馈响应,并且在考虑了加速度的建模以及其对应的控制策略情况中,潜在的安全风险也将进一步得到有效控制。
另外,本技术领域的普通技术人员应当认识到,以上的实施例仅是用来说明本申请,而并非用作为对本申请的限定,只要在本申请的实质精神范围之内,对以上实施例所作的适当改变和变化都落在本申请的公开范围之内。
Claims (6)
1.一种基于安全势场模型的风险感知的预警策略方法,其特征在于,包括以下步骤:
S1,计算安全势场的强度;
安全总势场的势场强度计算公式如下:
|Etotal|=ωL|EL|+ωB|EB|+ωV|EV|
式中,Etotal表示安全总势场的势场强度;EL为道路线场的势场强度;EB为道路边界场的势场强度;EV为车辆运动势场的势场强度;ωL,ωB,ωV分别对应为道路线场的势场强度,道路边界场的势场强度以及车辆运动势场的势场强度所占的权重;
S2,计算安全势场的场力;
跟驰场景中,计算出前车A作用于后车B的场力该场力的计算公式如下:
式中,表示车A作用于后车B的场力,/>表示车辆运动势场的势场强度,由车辆A产生,mB为后车B的实际质量,vB为后车B的速度,β2为待定系数,φ为目标车辆B的转向角;
车辆B受到多重场力的情况包括:来自于前方车辆A的场力来自于后方车辆C的场力来自于左、右车道线的场力/>和/>以及来自于左、右道路边界线的场力/>和/>
计算公式如下所示:
其中,表示车辆运动势场的势场强度,由车辆C产生,/>和/>分别表示车辆B左、右道路线场的势场强度,/>和/>分别表示车辆B左、右道路边界场的势场强度,φ为目标车辆的转向角;
S3,计算安全势场的势能;
使用安全势场的势能SPFE来表征道路安全风险,将k类型的势场所产生的势能记为SPFEk,其具有如下的一般性表达:
式中,SPFEk表示k类型的势场所产生的势能,为作用于车辆j的场力,rij为场源i与车辆j之间的理论距离;
基于上式中的一般性表达,计算得到针对道路线场、道路边界场以及车辆运动势场的势能,分别记为
S4:构建道路交通安全风险指标PFI;
采用加权的方法来表征车辆所面临的综合风险,并将该加权之后的综合取值设定为表征道路安全风险的描述性指标PFI,该指标计算公式如下:
式中,PFIj表示车辆j的道路安全风险指标,分别表示道路线场、道路边界场以及车辆运动势场所产生的势能,ωL,ωB,ωV分别对应为道路线场的势场强度、道路边界场的势场强度以及车辆运动势场的势场强度所占的权重;
S5:基于PFI指标确定驾驶控制策略。
2.根据权利要求1所述的一种基于安全势场模型的风险感知的预警策略方法,其特征在于,步骤S1中所述道路线场的强度EL计算公式如下:
式中,EL表示道路线场的势场强度;Ai表示的是不同道路标线类型i产生的不同势场强度系数,该系数决定了道路线场的最高峰值;表示车辆A指向道路线的距离矢量,yA为车辆A的y轴坐标,yl,j为道路线场j的y轴坐标;σ决定了当车辆逐步靠近或远离道路线时,势场强度值上升或下降的速度。
3.根据权利要求1所述的一种基于安全势场模型的风险感知的预警策略方法,其特征在于,步骤S1中所述道路边界场的强度EB计算公式如下:
式中,EB表示道路边界场的势场强度;和/>分别表示车辆A指向道路左、右边界线的距离矢量,yA为车辆A的y轴坐标,yleft和yright分别为道路左、右边界线的y轴坐标;η为道路边界场系数。
4.根据权利要求1所述的一种基于安全势场模型的风险感知的预警策略方法,其特征在于,步骤S1中所述车辆运动势场的强度EV计算公式如下:
Mi=mi·(1.566×10-14·v6.687+0.3345)
式中,EV表示车辆运动势场的势场强度;Mi表示目标车辆i的等效质量;l′表示伪距离;e为自然对数函数的底数,λ、β1和ζ为待定系数,θ为目标车辆周围某点到该车辆质心所在空间坐标(x0,y0)的夹角,mi为目标车辆i的实际质量,v为车辆行驶速度,τ为安全距离的临界阈值,α为与速度相关的待定参数,(x,y)为空间内任意点的坐标,a为目标车辆当前运动状态的加速度。
5.根据权利要求1所述的一种基于安全势场模型的风险感知的预警策略方法,其特征在于,步骤S3中所述道路线场、道路边界场以及车辆运动势场所产生的势能计算公式如下:
式中,表示道路线场所产生的势能,该势能对车辆j造成影响,其中/>为道路线场所产生的场力,该场力由第k条道路线产生,/>为车辆j与第k条道路线之间的距离;/>表示道路边界场所产生的势能,该势能对车辆j造成影响,场力/>和/>分别为左、右道路边界场形成的场力,/>和/>分别为车辆j至道路左、右边界之间的距离;/>表示车辆运动势场所产生的势能,该势能源于由车辆i的运动势场,作用于车辆j,l′ij为车辆i与j之间的伪距离。
6.根据权利要求1所述的一种基于安全势场模型的风险感知的预警策略方法,其特征在于,步骤S5所述基于PFI指标的安全驾驶控制策略具体步骤如下:
S5.1:对目标车辆的运动进行预测,其预测结果主要分为跟驰与换道;如果目标车辆的预测结果为跟驰,在数据收集过程中将主要针对目标车辆所在车道前后车辆的运动信息;如果目标车辆的预测结果为换道,则收集除本车道前后车辆以外目标车道上相对位置前后车辆的运动信息;
S5.2:根据所收集得到的信息对道路交通上分布的安全势场进行绘制并计算对应位置的势场强度;之后,结合所计算的安全势场强度计算不同驾驶状态下的道路安全风险指标PFI的取值;
S5.3:当车辆在跟驰状态下时,结合PFI阈值对跟驰状态下的速度进行优化;当车辆在换道状态下时,计算目前车道下的PFI以及相同运动状态下目标车道的PFI;接着对两个PFI取值进行对比,如果目标车道的PFI大于或等于当前车道的PFI,那么将不建议车辆进行换道行为,并根据PFI的阈值对车辆速度进行优化;如果目标车道的PFI小于当前车道的PFI,那么此时将建议车辆进行换道行为,并结合PFI的阈值来优化车辆完成换道过程后的速度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562807.3A CN116588123A (zh) | 2023-05-18 | 2023-05-18 | 基于安全势场模型的风险感知的预警策略方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310562807.3A CN116588123A (zh) | 2023-05-18 | 2023-05-18 | 基于安全势场模型的风险感知的预警策略方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116588123A true CN116588123A (zh) | 2023-08-15 |
Family
ID=87589287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310562807.3A Pending CN116588123A (zh) | 2023-05-18 | 2023-05-18 | 基于安全势场模型的风险感知的预警策略方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116588123A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117485366A (zh) * | 2023-10-30 | 2024-02-02 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
-
2023
- 2023-05-18 CN CN202310562807.3A patent/CN116588123A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117485366A (zh) * | 2023-10-30 | 2024-02-02 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
CN117485366B (zh) * | 2023-10-30 | 2024-05-28 | 青岛理工大学 | 基于风险势场的网联自主车辆换道决策方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111081065B (zh) | 路段混行条件下的智能车辆协同换道决策模型 | |
CN110362910B (zh) | 基于博弈论的自动驾驶车辆换道冲突协调模型建立方法 | |
CN106874597B (zh) | 一种应用于自动驾驶车辆的高速公路超车行为决策方法 | |
Tang et al. | A hierarchical prediction model for lane-changes based on combination of fuzzy C-means and adaptive neural network | |
CN107229973B (zh) | 一种用于车辆自动驾驶的策略网络模型的生成方法及装置 | |
CN112242059B (zh) | 基于动机与风险评估的无人驾驶车辆智能决策方法 | |
Khayyam et al. | Adaptive cruise control look-ahead system for energy management of vehicles | |
CN110298122A (zh) | 基于冲突消解的无人驾驶车辆城市交叉口左转决策方法 | |
WO2021008605A1 (zh) | 一种确定车速的方法和装置 | |
CN110796856A (zh) | 车辆变道意图预测方法及变道意图预测网络的训练方法 | |
CN114312830B (zh) | 一种考虑危险驾驶工况的智能车耦合决策模型及方法 | |
CN110562258A (zh) | 一种车辆自动换道决策的方法、车载设备和存储介质 | |
JP2020059497A (ja) | 「機知獲得」モデルを導入した自動運転の制御方法、装置及びそれによって構成されるプログラム | |
Rodrigues et al. | Autonomous navigation in interaction-based environments—A case of non-signalized roundabouts | |
CN110182217A (zh) | 一种面向复杂超车场景的行驶任务复杂度量化评估方法 | |
Huang et al. | An integrated architecture for intelligence evaluation of automated vehicles | |
CN116588123A (zh) | 基于安全势场模型的风险感知的预警策略方法 | |
CN116758765A (zh) | 一种适用多模式交通的多目标信号控制优化方法 | |
Wu et al. | Trajectory prediction based on planning method considering collision risk | |
Cong et al. | An automatic vehicle avoidance control model for dangerous lane-changing behavior | |
JP2020061156A (ja) | 自動運転「機械意識」モデルの構成方法、その装置、又はプログラム | |
Bi et al. | Inferring driver intentions using a driver model based on queuing network | |
CN113033902A (zh) | 一种基于改进深度学习的自动驾驶换道轨迹规划方法 | |
CN113635900B (zh) | 一种预测巡航过程中基于能量管理的换道决策控制方法 | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections |
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 |