CN116805445B - 车辆换道行驶控制方法及系统 - Google Patents
车辆换道行驶控制方法及系统 Download PDFInfo
- Publication number
- CN116805445B CN116805445B CN202310907611.3A CN202310907611A CN116805445B CN 116805445 B CN116805445 B CN 116805445B CN 202310907611 A CN202310907611 A CN 202310907611A CN 116805445 B CN116805445 B CN 116805445B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- target
- lane change
- lane
- running
- 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.)
- Active
Links
- 230000008859 change Effects 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012216 screening Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 39
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 14
- 230000006399 behavior Effects 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 7
- 208000037262 Hepatitis delta Diseases 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 208000029570 hepatitis D virus infection Diseases 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000011144 upstream manufacturing Methods 0.000 description 4
- 241000725585 Chicken anemia virus Species 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 241000724709 Hepatitis delta virus Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011217 control strategy Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000013486 operation strategy Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/0104—Measuring and analyzing of parameters relative to traffic conditions
- G08G1/0137—Measuring and analyzing of parameters relative to traffic conditions for specific applications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/04—Detecting movement of traffic to be counted or controlled using optical or ultrasonic detectors
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/052—Detecting movement of traffic to be counted or controlled with provision for determining speed or overspeed
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
- G08G1/0962—Arrangements for giving variable traffic instructions having an indicator mounted inside the vehicle, e.g. giving voice messages
- G08G1/0967—Systems involving transmission of highway information, e.g. weather, speed limits
Abstract
本发明提供了一种车辆换道行驶控制方法及系统，该方法包括：获取目标公路的分流区内各车辆当前的运动状态信息；基于运动状态信息对分流区内的各车辆进行状态预测，得到各车辆在预设未来时域内的运动状态预测结果；基于各车辆的运动状态预测结果确定目标车辆驶离目标公路的换道行驶策略；其中，目标车辆为分流区内任意需要驶离目标公路的智能车辆；从换道行驶策略中筛选出分流区的交通流运行效率取最大值时对应的最优换道行驶策略，控制目标车辆按照最优换道行驶策略行驶。本发明充分考虑到了目标车辆的换道行驶对整体交通流的影响，兼顾了换道车辆的运行效率，提升了交通流整体运行效率。
Description
技术领域
本发明涉及智慧交通技术领域，尤其是涉及一种车辆换道行驶控制方法及系统。
背景技术
高速公路分流区通常是指到达高速公路出口前的行车区域。高速公路分流区是高速公路行车安全和运行效率的高影响区域，在该区域内，部分车辆由于出行起讫点的原因需要进入最外侧车道，并经由出口匝道驶离高速公路。车辆在高速公路干线主路行驶时，通常会选择设计时速较快的最内侧车道，在分流区内，驶离车辆一般需要经历多次换道到达最外侧车道，以便从出口驶离高速公路，因此，分流区的换道行为是容易造成车辆冲突、交通事故多发及运行效率下降的主要原因。
随着智能车辆及自动驾驶技术的发展，智能车辆逐步具备了运行环境感知、规划决策、智能辅助驾驶等多种服务功能，但受限于传感器性能及成本等限制，仅依靠智能车辆本身难以完全满足新一代智能化交通控制系统的需求。车辆与路侧智能交通设备的交互成为车路协同的主要发展路线，路侧智能交通设备具备一定的检测、计算及通信能力，可向特定车辆发送必要的信息，辅助车辆完成智能驾驶决策。
为了降低高速公路分流区的事故发生率，对于智能网联车辆(Connected andAutonomous Vehicles，CAVs)和人工驾驶车辆(Human Driving Vehicles，HDVs)构成的混合交通流的换道行驶控制研究是十分必要的。目前，混合交通流下的换道控制策略，通常侧重于研究设计车辆运行规则，控制主路车辆在分流区上游提前减速，以便为待驶离车辆创造可供换道的间隙；或者，侧重于研究控制车辆换道，控制车辆提前进行车道变更，降低对待驶离车辆的影响。但是，目前的混合交通流下的换道控制策略，并未考虑换道车辆与其他车辆构成的交通流整体效果，交通流整体运行效率较低。
发明内容
有鉴于此，本发明的目的在于提供一种车辆换道行驶控制方法及系统，能够充分考虑到目标车辆的换道行驶对整体交通流的影响，兼顾了换道车辆的运行效率，提升了交通流整体运行效率。
为了实现上述目的，本发明实施例采用的技术方案如下：
第一方面，本发明实施例提供了一种车辆换道行驶控制方法，包括：获取目标公路的分流区内各车辆当前的运动状态信息；基于所述运动状态信息对所述分流区内的各所述车辆进行状态预测，得到各所述车辆在预设未来时域内的运动状态预测结果；基于各所述车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略；其中，所述目标车辆为所述分流区内任意需要驶离所述目标公路的智能车辆；从所述换道行驶策略中筛选出所述分流区的交通流运行效率取最大值时对应的最优换道行驶策略，控制所述目标车辆按照所述最优换道行驶策略行驶。
进一步，本发明实施例提供了第一方面的第一种可能的实施方式，其中，所述运行状态信息包括所述车辆在所述分流区的纵向位置及车辆加速度；所述基于所述运动状态信息对所述分流区内的各所述车辆进行状态预测，得到各所述车辆在预设未来时域内的运动状态预测结果的步骤，包括：基于所述纵向位置及所述车辆加速度对各所述车辆在所述预设未来时域内的纵向位置、运行速度及加速度进行状态预测，得到各所述车辆的纵向位置预测结果、速度预测结果及加速度预测结果。
进一步，本发明实施例提供了第一方面的第二种可能的实施方式，其中，所述基于各所述车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略的步骤，包括：获取所述目标车辆与待换车道间隙前车满足安全换道要求的第一安全距离，及所述目标车辆与待换车道间隙后车满足安全换道要求的第二安全距离；基于所述运动状态预测结果、所述第一安全距离和所述第二安全距离确定所述分流区在所述预设未来时域内的间隙状态矩阵；其中，所述间隙状态矩阵中包括所述目标车辆的可插入间隙和不可插入间隙；基于所述间隙状态矩阵确定所述目标车辆切换至所述目标公路出口对应的最外侧车道的全部换道行驶策略。
进一步，本发明实施例提供了第一方面的第三种可能的实施方式，其中，所述从所述换道行驶策略中筛选出所述分流区的交通流运行效率取最大值时对应的最优换道行驶策略的步骤，包括：构建评价指标函数；其中，所述评价指标函数与所述目标车辆在各行驶策略下的换道行驶时间及交通流运行效率相关；基于所述评价指标函数确定所述换道行驶策略中各行驶策略对应的评价指标值中的最大值对应的行驶策略，得到最优换道行驶策略。
进一步，本发明实施例提供了第一方面的第四种可能的实施方式，其中，所述评价指标函数为：
J＝ξ1JSV+ξ2Jflow
πopt＝argπ∈PmaxJ(π)
其中，T(fh)为所述行驶策略fh对应的换道行驶时间，ξ1和ξ2为权重值，JSV为所述分流区的交通流运行效率，X(sSV(k)，Gramp)为当前位置sSV(k)与所述目标公路出口匝道起始点Gramp之间的距离，为分流区内车道l上所有车辆的平均速度，πopt为最优换道行驶策略。
进一步，本发明实施例提供了第一方面的第五种可能的实施方式，其中，所述状态预测的预测模型为：
其中，x(k)为k时刻车辆的纵向位置，τ为时间步长，x(k+τ|k)为一个所述时间步长后车辆的纵向位置，为k时刻车辆的运行速度，B(k)为控制加权因子矩阵，C(k)为误差加权因子矩阵，u(k)为预测输入，a(k)为k时刻车辆的加速度。
进一步，本发明实施例提供了第一方面的第六种可能的实施方式，其中，所述车辆换道行驶控制方法还包括：
S71，在所述最优换道行驶策略执行第二预设时域后，获取所述目标车辆的运动状态信息的当前检测值，基于所述当前检测值计算所述第二预设时域内产生的预测偏差；
S72，基于所述预测偏差更新所述控制加权因子矩阵和所述误差加权因子矩阵；
S73，判断所述预测偏差是否小于等于预设偏差阈值，若所述预测偏差小于等于预设偏差阈值，控制所述目标车辆继续按照所述最优换道行驶策略行驶。
进一步，本发明实施例提供了第一方面的第七种可能的实施方式，其中，所述车辆换道行驶控制方法还包括：若所述预测偏差大于所述预设偏差阈值，基于所述当前检测值重新对所述目标车辆进行状态预测，并更新所述目标车辆驶离所述目标公路的最优换道行驶策略，控制所述目标车辆按照更新后的所述最优换道行驶策略行驶。
进一步，本发明实施例提供了第一方面的第八种可能的实施方式，其中，所述车辆换道行驶控制方法还包括：重复执行所述S71～S73，直至所述目标车辆行驶至所述分流区出口匝道。
第二方面，本发明实施例还提供了一种车辆换道行驶控制系统，包括：传感器和控制器；所述传感器用于检测车辆状态信息；所述控制器用于执行如第一方面任一项所述的车辆换道行驶控制方法。
本发明实施例提供了一种车辆换道行驶控制方法及系统，该方法包括：获取目标公路的分流区内各车辆当前的运动状态信息；基于运动状态信息对分流区内的各车辆进行状态预测，得到各车辆在预设未来时域内的运动状态预测结果；基于各车辆的运动状态预测结果确定目标车辆驶离目标公路的换道行驶策略；其中，目标车辆为分流区内任意需要驶离目标公路的智能车辆；从换道行驶策略中筛选出分流区的交通流运行效率取最大值时对应的最优换道行驶策略，控制目标车辆按照最优换道行驶策略行驶。本发明通过基于目标公路上车辆当前的运动状态信息对每辆车辆进行状态预测，预测各车辆在未来时域内的运动状态信息，可以对目标公路的整体交通流起到预测作用，通过根据各车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略，并筛选及执行最优换道行驶策略，充分考虑到了目标车辆的换道行驶对整体交通流的影响，兼顾了换道车辆的运行效率，提升了交通流整体运行效率。
本发明实施例的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明实施例的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出了本发明实施例所提供的一种车辆换道行驶控制方法流程图；
图2示出了本发明实施例所提供的一种目标公路的分流区场景示意图；
图3示出了本发明实施例所提供的一种换道过程中目标车辆与间隙后车避撞示意图；
图4示出了本发明实施例所提供的一种换道过程中目标车辆与间隙前车避撞示意图；
图5示出了本发明实施例所提供的一种智能车辆动态换道行驶流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。
目前，基于车路协同环境，可以直接控制单个车辆变道轨迹，从而实现换道策略优化，现有的智能车辆换道控制技术可分为基于策略和基于优化两种方向。
在基于策略的控制技术中，主要侧重于设计车辆运行规则，以创造相对理想的换道环境条件，实现相对安全高效的换道操作。从控制对象来看，一些研究要求主路车辆在分流影响区域上游提前减速，以便为待驶离车辆创造可供换道的间隙；还有一些研究着重控制换道车辆，建议其提前进行车道变换，降低影响。上述研究经证实都取得了较好的控制效果，说明车辆间协作可以增强分流过程目标车辆中的安全性，提高运行效率。但总体来看，基于策略的控制技术重点在于车辆间的运动配合方式，较少考虑换道车辆与其余车辆构成的交通流整体效果，在对换道车辆运行效率与交通流整体运行效率的评估方面存在不足。
基于优化的控制技术中，主要侧重于结合优化目标函数和必要的约束条件，完成车辆换道轨迹的优化。例如，将换道过程中的碰撞检测映射进参数空间，并结合多项式轨迹曲线生成安全、简单、平滑的车道变换轨迹。此外，现有一些研究提出了基于预测控制的优化模型，系统地对车辆轨迹进行预先优化，以实现安全、节能、高效等目标。但综合来看，上述研究考虑条件不够全面。一些研究基于实时数据对所有进入控制区域的车辆进行轨迹优化，但对信息处理速度要求过高，在当前实际场景中难以实现；一些研究在换道过程中仅考虑了目标车辆和主路间隙前后几辆车的轨迹，一定程度上忽略了换道过程对于分流区整体交通流的影响。
为改善上述问题，本发明实施例提供的一种车辆换道行驶控制方法及系统，以下对本发明实施例进行详细介绍。
本实施例提供了一种车辆换道行驶控制方法，该方法可以应用于车辆换道行驶控制系统，该系统包括传感器及控制器，参见图1所示的车辆换道行驶控制方法流程图，该方法主要包括以下步骤：
步骤S102，获取目标公路的分流区内各车辆当前的运动状态信息。
基于传感器实时检测分流区内各个车辆当前的运动状态信息，该运动状态信息可以包括各个车辆当前的纵向位置、车辆速度及车辆加速度，该纵向位置可以是车辆相对于分流区的起点或终点的距离，上述传感器可以设置于目标公路的两侧，诸如可以包括激光雷达、摄像头、路侧单元(Road Side Unit，RSU)及边缘计算中心。
在一种实施方式中，为了实现车辆换道行驶控制，上述目标公路上可以包括能够远程控制的智能车辆，诸如可以是一定比例的智能网联车辆(Connected and AutonomousVehicles，CAVs)和人工驾驶车辆(Human Driving Vehicles，HDVs)构成的混合交通流，上述车辆换道行驶控制方法可以应用于对混合交通流下具有驶离需求的智能联网CAV车辆的行驶控制。
参见如图2所示的目标公路的分流区场景示意图，分流区P3(L1，L3)的起点为L1位置，终点为目标公路的出口处L3，该分流区可以包括自由换道区域和强制换道区域，自由换道区域可以根据目标公路的实际行驶数据确定，以分流区以分流区主路干线车道上游出现换道行为的地点L1为起点，加速车道(即目标公路的出口对应的车道)起点L2为终点，即为区域P1(L1，L2)，该区域内车辆可根据行驶策略进行自由换道。如图2所示，强制换道区域可以是分流区加速车道的起点L2至终点L3，即P2(L2，L3)，在强制换道区域内若目标车辆存在可插入间隙，则立即进行换道以驶离目标公路。
步骤S104，基于运动状态信息对分流区内的各车辆进行状态预测，得到各车辆在预设未来时域内的运动状态预测结果。
根据目标公路上分流区内每辆车辆当前的运动状态信息，预测预设未来时域内每辆车辆的运行状态，通过对车辆的运行状态进行预测，可以得到分流区每条车道上每辆车辆在控制时域内每个时间步长的运行状态，包括车辆的速度、加速度和纵向位置等信息，以便确定满足安全避撞条件的车辆可插入间隙。
在一种实施方式中，可以构建车辆运行的状态方程，根据状态方程预测车辆在未来时域内的运行状态，或者，将车辆的当前运行状态输入预先训练得到的神经网络预测模型，基于模型预测车辆在未来时域内的运行状态。
步骤S106，基于各车辆的运动状态预测结果确定目标车辆驶离目标公路的换道行驶策略。
基于分流区内每辆车辆在未来时域内的运动状态预测结果，可以确定每个车道上前后两辆车之间的间隙，筛选出满足安全避撞条件的可插入间隙，根据目标车辆周围的各个可插入间隙制定目标车辆换道至最外侧车道驶离分流区的所有可行的换道行驶策略。
在一种具体的实施方式中，如图2所示，设目标公路包括车道1、车道2和车道3，其中，车道1为最内侧车道，车道2为中间车道，车道3为最外侧车道，制定目标车辆由当前所在车道切换至最外侧车道3，进而切换至目标公路的出口对应的加速车道驶离目标公路的换道行驶策略。
上述目标车辆为分流区内任意需要驶离目标公路的智能车辆，该目标车辆可以通过车用无线通信技术(vehicle to X，V2X)与目标公路两侧的传感器设备进行信息交互，以检测周围环境。
步骤S108，从换道行驶策略中筛选出分流区的交通流运行效率取最大值时对应的最优换道行驶策略，控制目标车辆按照最优换道行驶策略行驶。
为了避免目标车辆换道过程中影响目标公路整体的交通流运行效率，从目标车辆的多个换道行驶策略中筛选出换道行驶时间最短且能够使目标公路的交通流运行效率达到最大的行驶策略，记为最优换道行驶策略，控制目标车辆按照该最优换道行驶策略进行换道行驶。本实施例充分考虑了周边交通流的整体运行状况，弥补了现有技术中完全以目标智能车辆自身运行效率为评价指标而导致的分流区整体交通运行效率下降的不足，降低了目标车道驶离分流区过程中对主路干线交通流的不良影响。
本实施例提供的上述车辆换道行驶控制方法，通过基于目标公路上车辆当前的运动状态信息对每辆车辆进行状态预测，预测各车辆在未来时域内的运动状态信息，可以对目标公路的整体交通流起到预测作用，通过根据各车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略，并筛选及执行最优换道行驶策略，充分考虑到了目标车辆的换道行驶对整体交通流的影响，兼顾了换道车辆的运行效率，提升了交通流整体运行效率。
在一种实施方式中，为了方便对车辆运行状态的预测，对分流区的主线车流运行规则和通信条件做出如下假设：
(1)在分流区，无驶离需求的主线车辆不采取换道行为；
(2)在分流区，主线车辆若不存在驶离需求，则保持正常驾驶行为。如主线车辆邻近车道存在需要驶离目标公路的目标车辆，在目标车辆换道之前不会为其减速以生成可插入间隙，在目标车辆换道完成之后才会改变驾驶行为；
(3)以分流区主路干线车道上游出现换道行为的地点为起点，加速车道终点为终点，即为区域P3(L1，L3)，该区域内交通流由于受到目标车辆换道的影响，导致交通流特性发生改变，为分析交通流效率的区域。
在一个实施例中，为了准确预测车辆的运动状态，本实施例提供了基于运动状态信息对分流区内的各车辆进行状态预测，得到各车辆在预设未来时域内的运动状态预测结果的具体实施方式：
基于车辆在当前时刻k的纵向位置及车辆加速度对各车辆在预设未来时域内的纵向位置、运行速度及加速度进行状态预测，得到各车辆的纵向位置预测结果、速度预测结果及加速度预测结果。
定义n维列向量x(k)：
其中，xi(k)为k时刻车辆i的纵向位置(诸如可以是车辆距离分流区起点的距离)，n为分流区域中可预测车辆总数。
基于预设的预测模型及纵向位置预测各车辆在预设未来时域内的纵向位置，经过一个预测步长τ后的车辆位置可表示为：
其中，x(k)为k时刻车辆的纵向位置，τ为时间步长，x(k+τ|k)为一个时间步长后车辆的纵向位置，为k时刻车辆的运行速度，B(k)为控制加权因子矩阵，表示在k时刻不同车辆对跟驰模型的采纳程度；C(k)为误差加权因子矩阵，表示在k时刻由于系统存在时延而产生的状态误差，该时延包括V2X通信延迟及系统响应延迟，u(k)为预测输入，a(k)为k时刻车辆的加速度，B(k)，C(k)均为n阶对角矩阵。
B(k)＝diag[γ1(k)，γ2(k)，...，γn(k)]
n维列向量为预测输入，则；
其中，αi(·)为车辆i对应的跟驰模型表达式；分别为车辆i在k时刻的运行速度和加速度，γ1(k)，γ2(k)，...，γn(k)为控制加权因子矩阵的对角项值，σ1(k)，σ2(k)，...，σn(k)为误差加权因子矩阵的对角项值。
进一步可推导出车辆在第k+jτ时刻的纵向位置为：
递推得到预设未来时域p内每一时刻车辆的纵向位置：
基于车辆的纵向位置预测结果，可以估计分流区车辆在未来时域p内的运动状态si(j)：
si(k+jτ)＝[xi(k+jτ)，vi(k+jτ)，ai(k+jτ)]T，i＝1，2，…，n，j＝1，2，…，p
其中，xi(k+jτ)为预设未来时域p内车辆的纵向位置，vi(k+jτ)为预设未来时域p内车辆的速度，ai(k+jτ)为预设未来时域p内车辆的加速度。
在一种实施方式中，可以将车辆运行状态预测结果以矩阵形式体现，车道l上车辆的状态矩阵Sl为：
上述车辆状态矩阵可表示全时域内，分流区内每个车道上所有车辆在每一时刻的运动状态，包括车辆的纵向位置、车辆速度和车辆加速度信息。
在目标公路的分流区，目标车辆需要穿过一个或多个间隙完成换道，车辆换道安全性和效率与主路间隙状态和间隙前车及间隙后车的运动状态密切相关。因此，为了确定车辆i对应的跟驰模型，需要准确描述车辆运动，从运动方向看，可以将车辆运动分为与行驶方向一致的纵向运动和垂直于行驶方向的横向运动。
1)车辆纵向运动跟驰模型：
车辆纵向运动主要表现为保持期望速度行驶，与前方车辆保持安全距离的跟驰行为，不同跟驰行为可以采用不同跟驰模型进行表述：诸如可以采用智能驾驶员模型(IDM)表述HDV-HDV、CAV-HDV跟驰行为；采用自适应巡航控制(ACC)模型描述HDV-CAV跟驰行为；采用协同自适应巡航控制(CACC)模型描述CAV-CAV跟驰行为。
IDM模型为：
其中，ai为车辆加速度，vi为车辆速度，am为车辆最大加速度，vd为期望速度，s为与前车期望间距，s*为与前车实际间距，s0为最小安全间距，T为期望车头时距，b为期望减速度，Δy为与前车速度差。
ACC模型为：
其中，Δx为车辆与前车车头的间距，L为车辆长度，e为实际车头间距与期望车头间距的误差，k1为车头间距误差控制参数，k2为车速差控制参数。
CACC模型为：
其中，Δx为车辆与前车车头的间距，L为车辆长度，e为实际车头间距与期望车头间距的误差，k1为车头间距误差控制参数，vp为目标车辆在当前时间步的速度，为车头间距误差e的导数，k3为/>的控制参数。
2)车辆横向运动模型
车辆横向运动主要体现在车辆的换道行为上，换道行为对于智慧高速公路分流区的交通流安全和高效运行有显著影响。可以基于时间的五次多项式轨迹函数表征变道行为，其具有闭合形式、连续三阶导数和平滑曲率的优点，轨迹函数表达式为：
其中，x(t)为t时刻的纵向位置，y(t)为t时刻的横向位置，c0，c1…c5，d0，d1…d5为系数，系数矩阵可定义为：
C＝[c5 c4 c3 c2 c1 c0]
D＝[d5 d4 d3 d2 d1 d0]
根据边界条件可以得到以下等式，用于计算系数c0，c1…c5，d0，d1…d5：
其中，x0为车辆当前的纵向位置，y0为车辆当前的横向位置，为当前的纵向速度，/>为当前的横向速度，/>为当前的纵向加速度，/>为当前的横向加速度，xf为最终纵向位置，yf为最终横向位置，/>为最终纵向速度，/>为最终横向速度，/>为最终纵向加速度，为最终横向加速度。
则车辆的状态矩阵可以表示为：
在一个实施例中，为了确定能够使目标车辆驶离目标公路的全部可行的换道行驶策略，本实施例提供了基于各车辆的运动状态预测结果确定目标车辆驶离目标公路的换道行驶策略的实施方式，具体可参照如下步骤执行：
步骤(1)：获取目标车辆与待换车道间隙前车满足安全换道要求的第一安全距离，及目标车辆与待换车道间隙后车满足安全换道要求的第二安全距离。
在目标车辆驶离主路干线车道(即中间车道和最内侧车道)的过程中，需要经过主路间隙完成换道，因此需要结合车辆信息，计算出目标车辆与待换车道间隙前后的安全换道条件，以保证行车安全。
参见如图3所示的换道过程中目标车辆与间隙后车避撞示意图，图3中的SV为目标车辆，TFV为间隙后车，设目标车辆换道之前t0时刻目标车辆与间隙后车的纵向相对距离为df(t0)，为了使目标车辆与待换车道间隙后车满足安全换道要求，换道过程中t时刻目标车辆与间隙后车的纵向相对距离df(t)需满足：
其中：
df(t0)＝xSV(t0)-xTFV(t0)-LSV
上述LSV为目标车辆的长度，WSV为目标车辆的宽度，Δd(t)为(t0，t)期间目标车辆与间隙后车的纵向相对距离，θ为目标车辆行驶方程与车道线的纵向夹角，s0为最小安全距离，xSV(t0)为目标车辆在t0时刻的纵向位置，xTFV(t0)为间隙后车在t0时刻的纵向位置，为目标车辆在t0时刻的速度，vTFV(t0)为间隙后车在t0时刻的速度，/>为目标车辆的加速度，aTFV(τ)为间隙后车的加速度。
参见如图4所示的换道过程中目标车辆与间隙前车避撞示意图，图4中的SV为目标车辆，TPV为间隙前车，设目标车辆换道之前t0时刻目标车辆与间隙前车的纵向相对距离为dp(t0)，为了使目标车辆与间隙前车满足安全换道要求，换道过程中t时刻目标车辆与间隙前车的纵向相对距离dP(t)需满足：
dp(t0)＝xTPV(t0)-xSV(t0)-LTPV
其中，Δd(t)为(t0，t)期间目标车辆与间隙前车的纵向相对距离，xTPV(t0)为间隙前车在t0时刻的纵向位置，vTPV(t0)为间隙前车在t0时刻的速度，aTPV(τ)为间隙前车的加速度。
因此，换道过程中目标车辆与间隙后车及间隙前车的最小可插入间隙需满足以下条件：
其中，为目标车辆与间隙后车的最小可插入间隙，/>为目标车辆与间隙前车的最小可插入间隙。因此，可以将/>作为目标车辆与待换车道间隙前车满足安全换道要求的第一安全距离，将/>作为目标车辆与待换车道间隙后车满足安全换道要求的第二安全距离。
此外，车辆行驶过程中的横向加速度过大会影响驾驶人的舒适性，因此需要保证换道过程中横向加速度|al|≤ayc，ayc为人体舒适横向加速度阈值，al的计算方法如下：
步骤(2)：基于运动状态预测结果、第一安全距离和第二安全距离确定分流区在预设未来时域内的间隙状态矩阵。
间隙状态矩阵中包括目标车辆的可插入间隙和不可插入间隙。为了生成行驶策略，首先需要对可插入间隙完成判定，根据上述状态矩阵Sl中各车辆的纵向位置，可以确定各车辆之间的间距，进而可以得到各间隙距离，判断目标车辆与相邻车道的前车在不同时刻下是否大于等于第一安全距离，且与相连车道的后车在不同时刻下是否大于等于第二安全距离，将满足该条件的时刻的间隙作为可插入间隙，将可插入间隙用1表示，不可插入间隙用0表示，可以得到(nl-1)行(p)列的间隙状态矩阵用以表示车道l上间隙i在第j时刻的状态：
当且仅当下式成立时：
Gij＝1，否则Gij＝0。为一个0-1矩阵，当元素取值为1时，表明该间隙在该时刻满足与目标车辆的安全距离条件，为可插入间隙。
步骤(3)：基于间隙状态矩阵确定目标车辆切换至目标公路出口对应的最外侧车道的全部换道行驶策略。
根据间隙状态矩阵中各时刻下目标车辆可插入间隙的位置，可以确定目标车辆在各时刻下的可变车道及换道位置，由于目标车辆周围的可插入间隙在不同的时刻下可能存在多个，可以根据目标车辆的当前所在车道设置多个换道至最外侧车道的换道行驶策略。
设目标公路为3车道道路，将间隙矩阵扩展到多车道范围，则：
设l＝3为距离分流区匝道最近的车道，目标车辆SV为了驶离目标公路需要在换道完成后到达定义目标车辆位于车道1，车道2，车道3时的车道变换策略如下：
其中，为目标车辆从/>换道至/>采取的换道行驶策略，该策略可以采用上述五次多项式作为换道模型，包括目标车辆的从状态/>至状态/>的所有加速、减速及换道的信息：
基于上述换道行驶策略，可以制定车辆在整个分流区内的行驶策略设如下所示：
|al(t)|≤ayc
vmin≤vfN(t)≤vmax
amin≤afN(t)≤amax
d(SV，PV)＜v(t)T+s0
d(SV，FV)＜v(t)T+s0
其中，N为换道次数；al(t)为纵向的加速度；ayc为舒适加速度；vmin为目标车道上的车辆最小速度，vmax为目标车道上的车辆最大速度，amin为车辆最小加速度，amax为车辆最大加速度，d(SV，PV)为目标车辆SV与前车PV的相对距离，d(SV，FV)为目标车辆SV与后车FV的相对距离，为第N次换道时的速度，/>为第N次换道时的加速度，v(t)为目标车辆在t时刻的速度，上述约束可以有效保证换道行驶过程中车辆的安全性和舒适性。计算得到目标车辆驶离分流区的全部换道行驶策略P为：
P＝[π1，π2，…，πw]
在一个实施例中，为了提升目标公路的整体交通流运行效率，本实施例提供了从换道行驶策略中筛选出分流区的交通流运行效率取最大值时对应的最优换道行驶策略的具体实施方式：构建评价指标函数；其中，评价指标函数与目标车辆在各行驶策略下的换道行驶时间及交通流运行效率相关；基于评价指标函数确定换道行驶策略中各行驶策略对应的评价指标值中的最大值对应的行驶策略，得到最优换道行驶策略。
上述评价指标函数与各个行驶策略下的换道行驶时间及交通流运行效率相关，该评价指标函数可以与交通流运行效率呈正相关，与换道行驶时间呈反相关，当行驶策略的交通流运行效率越大时，评价指标函数的值越大，当行驶策略的换道行驶时间越小时，评价指标函数的值越大。
在一种具体的实施方式中，上述评价指标函数为：
J＝ξ1JSV+ξ2Jflow
πopt＝argπ∈PmaxJ(π)
其中，T(fh)为行驶策略fh对应的换道行驶时间，ξ1和ξ2为权重值，JSV为分流区的交通流运行效率，X(sSV(k)，Gramp)为当前位置sSV(k)与目标公路出口匝道起始点Gramp之间的距离，为分流区内车道l上所有车辆的平均速度，vdes为车辆期望运行速度，πopt为最优换道行驶策略。
本实施例提供的在全控制时域内保持最优效率的最优换道行驶策略，充分考虑到了换道行驶策略的行驶效率，同时考虑到了车辆换道对主路车辆产生的干扰，与现有的车辆换道控制技术相比，没有仅仅以目标车辆换道效率为唯一评价指标，兼顾了分流区内整体交通流的运行效率。
在一个实施例中，为了保证目标车辆顺利换道至分流区匝道，本实施例提供的方法还包括以下步骤：
步骤S71，在最优换道行驶策略执行第二预设时域后，获取目标车辆的运动状态信息的当前检测值，基于当前检测值计算第二预设时域内产生的预测偏差。
筛选出最优换道行驶策略πopt后，未来时域m内，车辆将按照该策略行驶。但由于行驶策略中的加速减速换道信息均来源于车辆运动状态预测数据，因此预测偏差z可能会随时间累积，严重时会产生安全风险，导致行驶策略失效，驶离失败。因此，需要在策略执行的m时域后，计算该时域内产生的预测偏差。
计算策略执行的m时域内系统的预测偏差z：
其中，zi为车辆i的预测偏差，x(k+jτ)为目标车辆的实际纵向位置，x(k+jτ|k)为目标车辆的纵向位置预测结果，znm为车辆n在m时刻的预测偏差。
步骤S72，基于预测偏差更新控制加权因子矩阵和误差加权因子矩阵；
基于计算得到的预测偏差对车辆运动状态预测的预测模型中的控制加权因子矩阵B(k)和误差加权因子矩阵C(k)进行更新，以便将预测偏差始终控制在合理范围内，确保系统始终执行最优策略。
γi(k+jτ)∈B(k)
步骤S73，判断预测偏差是否小于等于预设偏差阈值，若预测偏差小于等于预设偏差阈值，控制目标车辆继续按照最优换道行驶策略行驶。
当系统产生的预测偏差满足以下条件时，继续执行当前的最优换道行驶策略：
zij≤η,zij∈z
在一种实施方式中，若预测偏差大于预设偏差阈值，基于当前检测值重新对目标车辆进行状态预测，并更新目标车辆驶离目标公路的最优换道行驶策略，控制目标车辆按照更新后的最优换道行驶策略行驶。
若上述预测偏差不满足上述条件，返回执行上述步骤S104，基于目标车辆运行状态的当前检测值对目标车辆未来时域的运行状态进行重新预测，重新计算可行的换道行驶策略，并重新筛选及执行最优换道行驶策略。
重复执行上述步骤S71～S73，直至目标车辆行驶至分流区出口匝道。
本实施例提供的上述车辆换道行驶控制方法，通过预测全时域内的车辆运行状态，并将预测车辆由现有技术中的目标车道间隙前后车辆拓展至多个车道的车辆，可以得到全时域全交通流范围内的效率最优换道行驶策略，充分考虑了周边交通流的整体运行状况，弥补了现有研究中完全以目标智能车辆自身效率为评价指标而导致的分流区整体交通运行效率下降的不足，降低了目标车道驶离分流区过程中对主路干线交通流的不良影响，同时，还可以根据目标车辆的预测偏差自动更新预测模型参数，当预测偏差较大时，可以根据实时检测数据校正目标车辆的运动状态预测值，重新计算并执行最优换道行驶策略，保证了车辆换道行驶控制的有效性，提高了分流区的运行效率和行车安全性，可以促进智慧高速公路建设，并进一步推动车路协同和自动驾驶相关技术落地应用。
在前述实施例的基础上，本实施例提供了一种应用前述车辆换道行驶控制方法对智慧高速公路分流区的智能车辆动态换道行驶进行控制的示例，具体可参照如下步骤执行：
步骤1，对车辆的运动状态进行动态预测。
设当前时间为k，初始化参数P、m、n、τ、B(k)和C(k)，参见如图5所示的智能车辆动态换道行驶流程图，在对车辆的运动状态进行预测时，可以先接收传感器发送的车辆信息检测结果x(k)，计算预测输入值计算k时刻的车辆纵向位置的预测值x(k+jτ|k)，判断是否预测完成未来时域P的运动状态预测，如果是，输出车辆状态矩阵Sl。
步骤2，生成可驶离目标公路的换道行驶策略。
定义间隙状态矩阵判断间隙是否满足目标车辆与间隙后车的距离大于最小可插入间隙/>且目标车辆与间隙前车的距离大于最小可插入间隙/>当间隙满足/>目/>时，/>否则/>基于车辆状态矩阵Sl输出间隙状态矩阵Gl，计算可驶离目标公路的换道行驶策略P＝[π1，π2，...，πw]。
步骤3，执行换道行驶策略
如图5所示，先建立评价指标函数J，计算最优换道行驶策略πopt＝argπ∈PmaxJ(π)，在时域m内执行最优换道行驶策略πopt，计算预测偏差z并更新B(k)和C(k)，判断预测偏差z是否小于等于预设偏差阈值η，当预测偏差满足zij≤η，zij∈z时，在下一时域m内执行最优换道行驶策略，直至目标车辆驶入目标公路的出口匝道，当预测偏差不满足zij≤η，zij∈z时，返回执行步骤1对车辆的运动状态重新进行动态预测。
对应于上述实施例所提供的车辆换道行驶控制方法，本发明实施例提供了一种车辆换道行驶控制系统，该系统包括：传感器和控制器；传感器用于检测车辆状态信息；控制器用于执行上述实施例提供的车辆换道行驶控制方法。
上述传感器可以设置于目标公路的两侧，诸如可以包括激光雷达、摄像头、路侧单元(Road Side Unit，RSU)及边缘计算中心。
本实施例所提供的系统，其实现原理及产生的技术效果和前述实施例相同，为简要描述，系统实施例部分未提及之处，可参考前述方法实施例中相应内容。
本发明实施例提供了一种计算机可读介质，其中，所述计算机可读介质存储有计算机可执行指令，所述计算机可执行指令在被处理器调用和执行时，所述计算机可执行指令促使所述处理器实现上述实施例所述的方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统具体工作过程，可以参考前述实施例中的对应过程，在此不再赘述。
本发明实施例所提供的车辆换道行驶控制方法及系统的计算机程序产品，包括存储了程序代码的计算机可读存储介质，所述程序代码包括的指令可用于执行前面方法实施例中所述的方法，具体实现可参见方法实施例，在此不再赘述。
另外，在本发明实施例的描述中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明的描述中，需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种车辆换道行驶控制方法，其特征在于，包括：
获取目标公路的分流区内各车辆当前的运动状态信息；
基于所述运动状态信息对所述分流区内的各所述车辆进行状态预测，得到各所述车辆在预设未来时域内的运动状态预测结果；
基于各所述车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略；其中，所述目标车辆为所述分流区内任意需要驶离所述目标公路的智能车辆；
从所述换道行驶策略中筛选出所述分流区的交通流运行效率取最大值时对应的最优换道行驶策略，控制所述目标车辆按照所述最优换道行驶策略行驶；
所述基于各所述车辆的运动状态预测结果确定目标车辆驶离所述目标公路的换道行驶策略的步骤，包括：
获取所述目标车辆与待换车道间隙前车满足安全换道要求的第一安全距离，及所述目标车辆与待换车道间隙后车满足安全换道要求的第二安全距离；
基于所述运动状态预测结果、所述第一安全距离和所述第二安全距离确定所述分流区在所述预设未来时域内的间隙状态矩阵；其中，所述间隙状态矩阵中包括所述目标车辆的可插入间隙和不可插入间隙；
基于所述间隙状态矩阵确定所述目标车辆切换至所述目标公路出口对应的最外侧车道的全部换道行驶策略；
所述从所述换道行驶策略中筛选出所述分流区的交通流运行效率取最大值时对应的最优换道行驶策略的步骤，包括：
构建评价指标函数；其中，所述评价指标函数与所述目标车辆在各行驶策略下的换道行驶时间及交通流运行效率相关；
基于所述评价指标函数确定所述换道行驶策略中各行驶策略对应的评价指标值中的最大值对应的行驶策略，得到最优换道行驶策略；
所述评价指标函数为：
其中，为所述行驶策略/>对应的换道行驶时间，/>和/>为权重值，/>为所述分流区的交通流运行效率，/>为当前位置/>与所述目标公路出口匝道起始点/>之间的距离，/>为分流区内车道/>上所有车辆的平均速度，/>为最优换道行驶策略，/>为车辆期望运行速度，/>为分流区域中可预测车辆总数。
2.根据权利要求1所述的方法，其特征在于，所述运动状态信息包括所述车辆在所述分流区的纵向位置及车辆加速度；所述基于所述运动状态信息对所述分流区内的各所述车辆进行状态预测，得到各所述车辆在预设未来时域内的运动状态预测结果的步骤，包括：
基于所述纵向位置及所述车辆加速度对各所述车辆在所述预设未来时域内的纵向位置、运行速度及加速度进行状态预测，得到各所述车辆的纵向位置预测结果、速度预测结果及加速度预测结果。
3.根据权利要求2所述的方法，其特征在于，所述状态预测的预测模型为：
其中，为/>时刻车辆的纵向位置，/>为时间步长，/>为一个所述时间步长后车辆的纵向位置，/>为/>时刻车辆的运行速度，/>为控制加权因子矩阵，/>为误差加权因子矩阵，/>为预测输入，/>为/>时刻车辆的加速度。
4.根据权利要求3所述的方法，其特征在于，还包括：
S71，在所述最优换道行驶策略执行第二预设时域后，获取所述目标车辆的运动状态信息的当前检测值，基于所述当前检测值计算所述第二预设时域内产生的预测偏差；
S72，基于所述预测偏差更新所述控制加权因子矩阵和所述误差加权因子矩阵；
S73，判断所述预测偏差是否小于等于预设偏差阈值，若所述预测偏差小于等于预设偏差阈值，控制所述目标车辆继续按照所述最优换道行驶策略行驶。
5.根据权利要求4所述的方法，其特征在于，还包括：
若所述预测偏差大于所述预设偏差阈值，基于所述当前检测值重新对所述目标车辆进行状态预测，并更新所述目标车辆驶离所述目标公路的最优换道行驶策略，控制所述目标车辆按照更新后的所述最优换道行驶策略行驶。
6.根据权利要求4或5所述的方法，其特征在于，还包括：
重复执行所述S71~S73，直至所述目标车辆行驶至所述分流区出口匝道。
7.一种车辆换道行驶控制系统，其特征在于，包括：传感器和控制器；
所述传感器用于检测车辆状态信息；
所述控制器用于执行如权利要求1-6任一项所述的车辆换道行驶控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907611.3A CN116805445B (zh) | 2023-07-21 | 2023-07-21 | 车辆换道行驶控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310907611.3A CN116805445B (zh) | 2023-07-21 | 2023-07-21 | 车辆换道行驶控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116805445A CN116805445A (zh) | 2023-09-26 |
| CN116805445B true CN116805445B (zh) | 2024-04-02 |
Family
ID=88080776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310907611.3A Active CN116805445B (zh) | 2023-07-21 | 2023-07-21 | 车辆换道行驶控制方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116805445B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083153A (zh) * | 2019-04-12 | 2019-08-02 | 杭州飞步科技有限公司 | 无人车辆行驶路线获取方法及装置 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
| CN110782707A (zh) * | 2020-01-02 | 2020-02-11 | 中智行科技有限公司 | 汽车变道控制方法和装置、汽车、存储介质 |
| CN113635900A (zh) * | 2021-08-10 | 2021-11-12 | 吉林大学 | 一种预测巡航过程中基于能量管理的换道决策控制方法 |
| CN114148330A (zh) * | 2021-11-29 | 2022-03-08 | 哈尔滨工业大学 | 一种考虑多车博弈的车辆交互换道方法 |
| CN114582122A (zh) * | 2022-02-18 | 2022-06-03 | 西安长安大学工程设计研究院有限公司 | 一种多车道高速公路分流影响区通行能力分析方法 |
| CN115158319A (zh) * | 2022-07-22 | 2022-10-11 | 阿波罗智能技术(北京)有限公司 | 车辆变道方法、装置、电子设备和存储介质 |
| CN116092308A (zh) * | 2022-11-28 | 2023-05-09 | 合肥工业大学 | 网联环境下道路瓶颈路段上下游的车辆协同换道控制方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102012214979A1 (de) * | 2012-08-23 | 2014-02-27 | Robert Bosch Gmbh | Spurwahlassistent zur Optimierung des Verkehrsflusses (Verkehrsflussassistent) |
| EP3208786B1 (en) * | 2016-02-22 | 2023-06-07 | Volvo Car Corporation | Method and system for evaluating inter-vehicle traffic gaps and time instances to perform a lane change manoeuvre |
| US11027736B2 (en) * | 2018-04-27 | 2021-06-08 | Honda Motor Co., Ltd. | Systems and methods for anticipatory lane change |
-
2023
- 2023-07-21 CN CN202310907611.3A patent/CN116805445B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110083153A (zh) * | 2019-04-12 | 2019-08-02 | 杭州飞步科技有限公司 | 无人车辆行驶路线获取方法及装置 |
| CN110362096A (zh) * | 2019-08-13 | 2019-10-22 | 东北大学 | 一种基于局部最优性的无人驾驶车辆动态轨迹规划方法 |
| CN110782707A (zh) * | 2020-01-02 | 2020-02-11 | 中智行科技有限公司 | 汽车变道控制方法和装置、汽车、存储介质 |
| CN113635900A (zh) * | 2021-08-10 | 2021-11-12 | 吉林大学 | 一种预测巡航过程中基于能量管理的换道决策控制方法 |
| CN114148330A (zh) * | 2021-11-29 | 2022-03-08 | 哈尔滨工业大学 | 一种考虑多车博弈的车辆交互换道方法 |
| CN114582122A (zh) * | 2022-02-18 | 2022-06-03 | 西安长安大学工程设计研究院有限公司 | 一种多车道高速公路分流影响区通行能力分析方法 |
| CN115158319A (zh) * | 2022-07-22 | 2022-10-11 | 阿波罗智能技术(北京)有限公司 | 车辆变道方法、装置、电子设备和存储介质 |
| CN116092308A (zh) * | 2022-11-28 | 2023-05-09 | 合肥工业大学 | 网联环境下道路瓶颈路段上下游的车辆协同换道控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 匝道合流区智能网联车辆控制方案设计及仿真研究;陈润超;《中国优秀硕士学位论文库工程科技Ⅱ辑》;正文22-34页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116805445A (zh) | 2023-09-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110834644B (zh) | 一种车辆控制方法、装置、待控制车辆及存储介质 | |
| EP3579211B1 (en) | Method and vehicle for assisting an operator of an ego-vehicle in controlling the ego-vehicle by determining a future behavior and an associated trajectory for the ego-vehicle | |
| CN110843789B (zh) | 一种基于时序卷积网络的车辆换道意图预测方法 | |
| CN112965476B (zh) | 一种基于多窗口模型的高速无人车轨迹规划系统及方法 | |
| WO2022053026A1 (zh) | 一种自动驾驶会车场景处理方法及其装置、车辆、存储介质 | |
| Tram et al. | Learning when to drive in intersections by combining reinforcement learning and model predictive control | |
| KR102166811B1 (ko) | 심층강화학습과 운전자보조시스템을 이용한 자율주행차량의 제어 방법 및 장치 | |
| Tomar et al. | Safety of Lane Change Maneuver Through A Priori Prediction of Trajectory Using Neural Networks. | |
| JP6924629B2 (ja) | 自動制御装置およびその制御方法 | |
| Pierson et al. | Learning risk level set parameters from data sets for safer driving | |
| Guo et al. | Toward human-like behavior generation in urban environment based on Markov decision process with hybrid potential maps | |
| CN114543827A (zh) | 一种路径规划方法及装置 | |
| Althoff et al. | Stochastic reachable sets of interacting traffic participants | |
| Yan et al. | A multi-vehicle game-theoretic framework for decision making and planning of autonomous vehicles in mixed traffic | |
| Tomar et al. | SVM based trajectory predictions of lane changing vehicles | |
| CN116805445B (zh) | 车辆换道行驶控制方法及系统 | |
| Li et al. | Enhancing cooperation of vehicle merging control in heavy traffic using communication-based soft actor-critic algorithm | |
| Tran et al. | A model predictive control-based lane merging strategy for autonomous vehicles | |
| Sheikh et al. | A collision avoidance model for on-ramp merging of autonomous vehicles | |
| CN112068542A (zh) | 一种基于模糊控制的自动驾驶行为规划方法 | |
| Zidek et al. | Optimal driving policies for autonomous vehicles based on stochastic drift counteraction | |
| CN114475607B (zh) | 自动驾驶车辆的拟人化换道方法、装置、车辆及存储介质 | |
| Trentin et al. | A Comparison of Lateral Intention Models for Interaction-aware Motion Prediction at Highways. | |
| Shiomi et al. | A lane-change maneuver of automated vehicles for improving traffic flow on highways with multiple lanes | |
| Tomar et al. | Collision avoidance warning for safe lane change |
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 |