CN116933632B - 基于多车道元胞自动机的熵权模糊多属性换道决策方法 - Google Patents
基于多车道元胞自动机的熵权模糊多属性换道决策方法 Download PDFInfo
- Publication number
- CN116933632B CN116933632B CN202310889455.2A CN202310889455A CN116933632B CN 116933632 B CN116933632 B CN 116933632B CN 202310889455 A CN202310889455 A CN 202310889455A CN 116933632 B CN116933632 B CN 116933632B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane
- lane change
- attribute
- formula
- 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 145
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000001413 cellular effect Effects 0.000 title claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 19
- 238000000926 separation method Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 13
- 230000008450 motivation Effects 0.000 claims description 5
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000002474 experimental method Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000007935 neutral effect Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000006399 behavior Effects 0.000 abstract description 7
- 238000011161 development Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 230000019771 cognition Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/16—Anti-collision systems
- G08G1/167—Driving aids for lane monitoring, lane changing, e.g. blind spot detection
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
- G06N7/023—Learning or tuning the parameters of a fuzzy system
-
- 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
- G08G1/0125—Traffic data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Automation & Control Theory (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Artificial Intelligence (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computational Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于多车道元胞自动机的熵权模糊多属性换道决策方法,为再现实际交通场景中驾驶员的换道决策过程,对熵权多属性换道模型中的决策属性依据驾驶风格的差异设计了不同的模糊区间函数,提出将换道行为用熵权模糊多属性换道决策模型进行决策,来准确地模仿驾驶员实际决策的过程,为智能驾驶的换道决策提供理论依据;通过熵权模糊多属性决策,可以进一步提升换道决策模型的预测准确率;且本模型的可移植性强,可以方便的嵌入各种交通分析软件中,便于仿真实际交通流,也可用于自动驾驶车辆换道虚拟仿真实验平台开发等。
Description
技术领域
本发明涉及一种基于多车道元胞自动机的熵权模糊多属性换道决策方法,属于智能交通技术领域。
背景技术
构建虚拟仿真平台以揭示日趋复杂的交通流特征,已成为我国智能汽车创新发展战略的重点。由于车辆换道行为的复杂性,交通流仿真中驾驶员的换道决策建模近年也受到了广泛的关注。
具体可参考:基于换道决策机理的多车道元胞自动机模型,[期刊名称]《交通运输系统工程与信息》,[年(卷)期]2018(018)003,[总页数]6页(P68-73),[作者]邓建华;冯焕焕,[作者单位]苏州科技大学土木工程学院。
以及,基于换道概率分布的多车道交织区元胞自动机模型,[期刊名称]《交通运输系统工程与信息》,[年(卷)期]2022(22)3,[总页数]10页(P276-285),[作者]谢济铭;博秦雅琴,[作者单位]昆明理工大学;重庆交通大学。
换道是指车辆从一条车道换到另一条车道的驾驶行为,换道决策模型是这一过程的抽象化过程。现有换道模型考虑了换道目标车道上的可接受空当的大小、本车道上紧邻前车与后车的空当大小、紧邻前车、后车相对速度及车道分隔方式等决策属性对换道决策的影响。然而,在这类模型中,决策属性都是通过模型演化直接计算获得一个精确值,这明显与驾驶员通常仅能对决策属性判断形成一个模糊区间值的实际情况相悖。
发明内容
针对上述存在的技术问题,本发明的目的是:提出了一种基于多车道元胞自动机的熵权模糊多属性换道决策方法,通过再现实际交通场景中驾驶员的换道决策过程,对熵权多属性换道模型(Entropy Weighted Multi-attributes Lane-changing DecisionModel,EMLDM)中的决策属性依据驾驶风格的差异设计了不同的模糊区间函数,提出将换道行为用熵权模糊多属性换道决策模型(Entropy Weighted Fuzzy Multi-attributesLane-changing Decision Model,EFMLDM)进行决策,来准确地模仿驾驶员实际决策的过程,为智能驾驶的换道决策提供理论依据。
本发明的技术解决方案是这样实现的:基于多车道元胞自动机的熵权模糊多属性换道决策方法,包含以下步骤:
第一步,建立多车道元胞自动机框架:
设目标车辆i在时刻t时,在元胞空间中的实际空间位置为[xi,yi],速度为vi,车身长为li。
设周边紧邻车辆最多6辆:
la为紧邻左前方车辆,其纵向位置为xla、速度为vla、车身长度为lla;sa为紧邻正前方车辆,其纵向位置为xsa、速度为vsa、车身长度为lsa;ra为紧邻右前方车辆,其纵向位置为xra、速度为vra、车身长度为lra;lb为紧邻左后方车辆,其纵向位置为xlb、速度为vlb;sb为紧邻正后方车辆,其纵向位置为xsb、速度为vsb;rb为紧邻右后方车辆,其纵向位置为xrb、速度为vrb。
第二步,判断驾驶员换道动机
条件一,判断相对速度:处于同一车道的紧邻前车速度较小,驾驶员在较长时间达不到心理期望速度。
条件二,判断间隔距离:处于同一车道的紧邻前车制动使车辆间距缩短过快,本车驾驶员感知到存在与其发生追尾碰撞的危险。
条件一和条件二只要满足其中之一,车辆就会产生换道动机,具有换道动机的车辆会进行换道决策。
第三步,模拟驾驶员对换道决策属性的模糊化过程:
3.1设目标车辆i与紧邻前车间距为dna,i,可得公式(1):
dna,i=xna-xi-lna,na∈{la,sa,ra} (1)
在模糊空间,紧邻前车间距论域Dna,i(dna,i)内,设dsafe为最小可换道安全间距,其值为目标车辆i的车身长加上最小安全净距。
当dna,i≤dsafe时,驾驶员普遍认为不满足安全换道条件,此时该属性的隶属度为0;dna,i>dsafe时,表示换道目标位置的空挡条件满足基本换道要求。
在驾驶员类型论域P={激进型、机敏型、保守型}中,对应的换道偏好值取hf=(h1,h2,h3)=(0.8,0.5,0.2),f=1,2,3分别对应激进、机敏、保守三种类型驾驶员;驾驶员对紧邻前车间距的换道临界容忍值记为lrf=(lr1,lr2,lr3)。
设车辆每更新步最大可能行驶的距离为dmax=vmax×t0,其中t0表示每更新步的时长;则保守型驾驶员对紧邻前车间距的换道临界容忍值可设为lr3=dmax+dsafe,即此时其隶属度为1。
其他类型驾驶员对紧邻前车间距的换道临界容忍值采用公式(2):
lrf=dsafe+(lr3-dsafe)×(h3/hf) (2)
根据换道偏好值hf及公式(2),不同驾驶风格的驾驶员对紧邻前车间距的隶属函数分别为公式(3a)、公式(3b)和公式(3c):
激进型:
机敏型:
保守型:
3.2设目标车辆i与紧邻后车间距为公式(4):
di,nb=xi-xnb-li,nb∈{lb,sb,rb} (4)
设紧邻后车间距的论域为Di,nb(di,nb),不同驾驶风格的驾驶员对紧邻后车间距的隶属函数形式与公式(3)相同。
3.3设目标车辆i与紧邻前车的相对速度为公式(5):
Δvna,i=vna-vi,na∈{la,sa,ra} (5)
在模糊空间,紧邻前车相对速度的论域ΔVna,i(Δvna,i)内,当ΔVna,i(Δvna,i)≤0时,驾驶员认为不满足安全换道条件,此时,该属性的隶属度为0。
不同类型驾驶员对紧邻前车相对速度的临界容忍值记为vrf=(vr1,vr2,vr3);当保守型驾驶员对该属性的临界容忍值为vr3=(dsafe+dmax)/t0,即该属性的隶属度为1时,其他类型驾驶员对紧邻前车相对速度的换道临界容忍值计算(6)公式如下:
vrf=(h3/hf)×vr3 (6)
根据换道偏好值hf及公式(6),不同驾驶风格的驾驶员对紧邻前车相对速度的隶属函数分别为公式(7a)、公式(7b)和公式(7c):
激进型:
机敏型:
保守型:
3.4设目标车辆i与紧邻后车的相对速度为公式(8):
Δvi,nb=vi-vnb,nb∈{lb,sb,rb} (8)
在论域ΔVna,i(Δvna,i)内,紧邻后车相对速度的隶属函数与紧邻前车相对速度的相同。
3.5车道分隔方式:
车道分隔方式对车辆换道的制约性用约束程度表示,其论域表示为:C={无约束、弱约束、虚线侧弱约束、实线侧较强约束、强约束、极强约束},分别对应于无标线、虚线、虚实线、实虚线、实线、护栏六种车道分隔方式。
则设约束度值bm=(b1,b2,…,b6)=(0,0.2,0.4,0.6,0.8,1.0)(m=1,2,…,6);An(bm,hf)(n=l,s,r;m=1,2,…,6;f=1,2,3)表示不同驾驶风格的驾驶员对车道分隔方式理解的隶属函数,其表达式如公式(9):
其中l、s、r分别表示向左侧、车道保持、向右侧。
第四步,建立熵权模糊多属性换道决策模型:
对于多车道,当目标车辆i的驾驶员产生换道动机时,最多存在3个可能的换道决策方案,记为Xn={Xl,Xs,Xr},n∈{l,s,r},Xl表示向左侧换道,Xs表示车道保持,Xr表示向右侧换道。
根据前述的换道决策属性值,建立模糊关系矩阵R5×3,如公式(10):
驾驶员决策属性权向量记为w,w=(w1,w2,…,w5),通过信息熵描述驾驶员评估各换道决策属性的重要性,决策属性熵ep计算公式(11)如下:
式中:k为调节系数,k=1/ln3。
利用信息熵计算决策属性的权值为公式(12):
则换道决策方案为公式(13):
根据生成的换道决策公式(13),即可模拟现实交通流中驾驶员的换道决策属性。
作为一种优选方式,在仿真时以设计车速为60km/h的三车道,分隔方式为虚线的路段为实验对象,横向设三个单位元胞代表三个车道,元胞空间采用周期性边界条件;设单位元胞长Lcell=0.55m,则周长L=10000Lcell,输入车型为小型车,车身长设为5.5m,相当于10Lcell,车辆的最大行驶速度为16.67m/s,即一次更新最大能行驶30Lcell的距离。
作为一种优选方式,还包含第五步,仿真分析及模型验证:
设空间占有率D表示为公式(14):
式中:lk为第k辆车的长度,Lanes为车道数;
将D区间划分为20等份,输入对应的车辆数进行多次实验;每次模型运行100000s,取尾端3600s输出进行数据统计;通过对输出数据对比分析EFMLDM和EMLDM现有的仿真的平均换道动机概率APM、平均换道成功概率APS及平均速度AV的差异;
差异率DR定义为公式(15):
式中:VALEF、VALE分别表示EFMLDM、EMLDM仿真的APM、APS、AV;
经仿真分别获得EFMLDM的曲线图和EMLDM的曲线图,然后分别进行APM差异分析、APS差异分析、交通流的影响差异分析。
由于上述技术方案的运用,本发明与现有技术相比具有下列优点:
本发明的基于多车道元胞自动机的熵权模糊多属性换道决策方法,依据驾驶风格对换道决策属性模糊化过程,能够充分模拟现实交通流中驾驶员的换道时对换道决策属性的认知,通过熵权模糊多属性决策,可以进一步提升换道决策模型的预测准确率;通过本方法形成的模型的可移植性强,可以方便的嵌入各种交通分析软件中,便于仿真实际交通流,也可用于自动驾驶车辆换道虚拟仿真实验平台开发等。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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,还可以根据本发明实施例的内容和这些附图获得其他的附图。
附图1为多车道元胞自动机中车辆位置关系示意图;
附图2为EFMLDM仿真的平均换道动机概率图;
附图3为EMLDM仿真的平均换道动机概率图;
附图4为EFMLDM与EMLDM的平均换道动机概率差异图;
附图5为EFMLDM仿真的平均换道成功概率图;
附图6为EMLDM仿真的平均换道成功概率图;
附图7为EFMLDM与EMLDM的平均换道成功概率差异图;
附图8为EFMLDM仿真的平均速度图;
附图9为EMLDM仿真的平均速度图;
附图10为EFMLDM与EMLDM的平均速度差异图;
附图11为熵权模糊多属性换道决策过程的原理图。
具体实施方式
为使本发明解决的技术问题、采用的技术方案和达到的技术效果更加清楚,下面将结合附图对本发明实施例的技术方案作进一步的详细描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
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”仅用于描述目的,而不能理解为指示或暗示相对重要性。其中,术语“第一位置”和“第二位置”为两个不同的位置。
在本发明的描述中,需要说明的是,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;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。
本发明所述的基于多车道元胞自动机的熵权模糊多属性换道决策方法,包含以下步骤:
第一步:建立多车道元胞自动机框架:
如图1所示,设目标车辆i在时刻t时,在元胞空间的实际空间位置为[xi,yi],速度为vi,车身长为li。
设周边紧邻车辆最多6辆:la为紧邻左前方车辆,其纵向位置为xla、速度为vla、车身长度为lla;sa为紧邻正前方车辆,其纵向位置为xsa、速度为vsa、车身长度为lsa;ra为紧邻右前方车辆,其纵向位置为xra、速度为vra、车身长度为lra;lb为紧邻左后方车辆,其纵向位置为xlb、速度为vlb;sb为紧邻正后方车辆,其纵向位置为xsb、速度为vsb;rb为紧邻右后方车辆,其纵向位置为xrb、速度为vrb。
仿真时以设计车速为60km/h的三车道(分隔方式为虚线)路段为实验对象,横向设三个单位元胞代表三个车道,元胞空间采用周期性边界条件,设单位元胞长Lcell=0.55m,则周长L=10000Lcell,输入车型为小型车,车身长设为5.5m,相当于10Lcell,车辆的最大行驶速度为16.67m/s,相当于一次更新最大能行驶30Lcell的距离。
②判断驾驶员换道动机:
条件一,判断相对速度:处于同一车道的紧邻前车速度较小,驾驶员在较长时间达不到心理期望速度。
条件二,判断间隔距离:处于同一车道的紧邻前车制动使车辆间距缩短过快,本车驾驶员感知到存在与其发生追尾碰撞的危险。
以上条件只要满足其中之一,车辆就可能产生换道动机,具有换道动机的车辆才会进行换道决策。换道决策涉及的属性除了涉及交通流内部属性(主要包含待换道车辆与其周边紧邻车辆的运动状态属性)以外,还会涉及到交通流以外的(如:交通标志标线、信号灯、行人、事故车等)特征或状态属性,本发明主要考虑车道分隔方式。
决策属性论域定义如下:
U={紧邻前车间距、紧邻后车间距、紧邻前车相对速度、紧邻后车相对速度、车道分隔方式}。
③模拟驾驶员对换道决策属性的模糊化过程:
3.1设目标车辆i紧邻前车间距为dna,i,可得公式(1):
dna,i=xna-xi-lna,na∈{la,sa,ra} (1)
在模糊空间,紧邻前车间距论域Dna,i(dna,i)内,设dsafe为最小可换道安全间距,其值为目标车辆i的车身长加上最小安全净距。
当dna,i≤dsafe时,驾驶员普遍认为不满足安全换道条件,此时该属性的隶属度为0;dna,i>dsafe时,表示换道目标位置的空挡条件满足基本换道要求,但不同驾驶风格的驾驶员因对的感知与理解的模糊区间不同,因而会产生不同的隶属度。
在驾驶员类型论域P={激进型、机敏型、保守型}中,对应的换道偏好值取hf=(h1,h2,h3)=(0.8,0.5,0.2),f=1,2,3分别对应激进、机敏、保守三种类型驾驶员;驾驶员对紧邻前车间距的换道临界容忍值记为lrf=(lr1,lr2,lr3)。
设车辆每更新步最大可能行驶的距离为dmax=vmax×t0,其中t0表示每更新步的时长,以下同;则保守型驾驶员对紧邻前车间距的换道临界容忍值可设为lr3=dmax+dsafe,即此时其隶属度为1。
其他类型驾驶员对紧邻前车间距的换道临界容忍值采用公式(2):
lrf=dsafe+(lr3-dsafe)×(h3/hf) (2)
根据换道偏好值hf及公式(2),不同驾驶风格的驾驶员对紧邻前车间距的隶属函数分别为公式(3a)、公式(3b)和公式(3c):
激进型:
机敏型:
保守型:
3.2设目标车辆i紧邻后车间距为公式(4):
di,nb=xi-xnb-li,nb∈{lb,sb,rb} (4)
不考虑驾驶员对前、后车间距判断能力上的差异,设紧邻后车间距的论域为Di,nb(di,nb),不同驾驶风格的驾驶员对紧邻后车间距的隶属函数形式与公式(3)相同。
确定这个论域时,把Dna,i(dna,i)换成Di,nb(di,nb),公式里的dna,i换成di,nb。
3.3设目标车辆i与紧邻前车的相对速度为公式(5):
Δvna,i=vna-vi,na∈{la,sa,ra} (5)
在模糊空间,紧邻前车相对速度的论域ΔVna,i(Δvna,i)内,当ΔVna,i(Δvna,i)≤0时,驾驶员普遍认为不满足安全换道条件,此时,该属性的隶属度为0。
不同类型驾驶员对紧邻前车相对速度的临界容忍值记为vrf=(vr1,vr2,vr3);当保守型驾驶员对该属性的临界容忍值为vr3=(dsafe+dmax)/t0,即该属性的隶属度为1时,其他类型驾驶员对紧邻前车相对速度的换道临界容忍值计算(6)公式如下:
vrf=(h3/hf)×vr3 (6)
根据换道偏好值hf及公式(6),不同驾驶风格的驾驶员对紧邻前车相对速度的隶属函数分别为公式(7a)、公式(7b)和公式(7c):
激进型:
机敏型:
保守型:
3.4设目标车辆i与与紧邻后车的相对速度为公式(8):
Δvi,nb=vi-vnb,nb∈{lb,sb,rb} (8)
不考虑驾驶员对前、后车相对速度判断能力上的差异,设紧邻后车的相对速度的论域为ΔVi,nb(Δvi,nb),不同驾驶风格的驾驶员对邻后车的相对速度的隶属函数形式与公式(7)相同。
确定这个论域时,把ΔVna,i(Δvna,i)换成ΔVi,nb(Δvi,nb),公式里的Δvna,i换成Δvi,nb。
3.5车道分隔方式:
车道分隔方式对车辆换道的制约性用约束程度表示,其论域表示为:C={无约束、弱约束、虚线侧弱约束、实线侧较强约束、强约束、极强约束},分别对应于无标线、虚线、虚实线、实虚线、实线、护栏(分隔带)六种车道分隔方式。
则设约束度值bm=(b1,b2,…,b6)=(0,0.2,0.4,0.6,0.8,1.0)(m=1,2,…,6);An(bm,hf)(n=l,s,r;m=1,2,…,6;f=1,2,3)表示不同驾驶风格的驾驶员对车道分隔方式理解的隶属函数,其表达式如公式(9):
其中l、s、r分别表示向左侧、车道保持、向右侧。
第四步,建立熵权模糊多属性换道决策模型:
对于多车道,当目标车辆i的驾驶员产生换道动机时,最多存在3个可能的换道决策方案,记为Xn={Xl,Xs,Xr},n∈{l,s,r},Xl表示向左侧换道,Xs表示车道保持,Xr表示向右侧换道。
根据前述的换道决策属性值,建立模糊关系矩阵R5×3,如公式(10):
驾驶员决策属性权向量记为w,w=(w1,w2,…,w5),通过信息熵描述驾驶员评估各换道决策属性的重要性,决策属性熵ep计算公式(11)如下:
式中:k为调节系数,k=1/ln3。
利用信息熵计算决策属性的权值为公式(12):
得出换道决策方案为公式(13):
根据生成的换道决策公式(13),即可模拟现实交通流中驾驶员的换道决策属性。
第五步,仿真分析及模型验证:
设空间占有率D表示为公式(14):
式中:lk为第k辆车的长度,Lanes为车道数;
将D区间划分为20等份,输入对应的车辆数进行多次实验;每次模型运行100000s,取尾端3600s输出进行数据统计;通过对输出数据对比分析EFMLDM和EMLDM现有的仿真的平均换道动机概率APM、平均换道成功概率APS及平均速度AV的差异;
差异率DR定义为公式(15):
式中:VALEF、VALE分别表示EFMLDM、EMLDM仿真的APM、APS、AV。
5.1APM差异分析:
经仿真获得EFMLDM的D—APM曲线如图2所示,与EMLDM的D—APM曲线图3相比,在D轴上的分布基本形态相同,但不同驾驶风格的APM值不尽相同。
从图4可以看出:平均换道动机差异较为明显的区间为D∈[0.15,0.80]。激进型、机敏型驾驶员在EFMLDM中更易产生换道动机,且DR值以D=0.35呈现偏正态分布,说明激进型、机敏型驾驶员在模糊环境下的换道意愿容易被放大,且驾驶风格越激进其放大值越明显;保守型驾驶员在EFMLDM中具有更低的换道意愿,DR值随着D的增加有明显增大的趋势,这表明保守型驾驶员因不能获得精确的决策属性值而对换道意愿的态度更趋谨慎,且D值越大换道意愿越被抑制。
5.2APS差异分析:
EFMLDM的D—APS曲线如图5所示,当D∈(0.0,0.3]时,APS值接近于0,虽然图2显示D∈[0.15,0.3]时有较大的换道动机,但此时车辆基本处于自由行驶状态,最终实施换道的仍然很少;当D∈[0.80,1.0]时,因车辆间距很小,满足换道基本条件的情况很少,导致APS值很低。因此,EFMLDM仿真的交通流中,APS较大的区间为D∈(0.3,0.80),这与图6中的EMLDM的D—APS曲线形态是基本一致的。
从图7中可以看出:当D∈[0.15,0.80]时,EFMLDM、EMLDM的平均换道成功差异率比较明显。对激进型驾驶员,两种模型的差异率在D轴的上方有两个明显的高峰,结合图5,这两个临界值点恰是APS显著增加和梯度下降的转折点,说明EMLDM决策对驾驶员追求快速而换道的预测的结果十分保守;对机敏型驾驶员,决策模型对APS有较大影响的空间占有率区间为D∈[0.25,0.80],影响程度比激进型弱;对保守型驾驶员,决策模型对APS有较大影响的空间占有率区间为D∈[0.30,0.80],EMLDM对驾驶员谨慎换道预测的结果比较激进。
5.3交通流的影响差异分析:
经仿真获得EFMLDM的D—AV曲线如图8所示,对激进型驾驶员,当D∈(0.30,0.45]时,因APS较大,通过换道获得了比机敏型和保守型驾驶员更高的车速,而当D∈[0.55,0.60]时,因APS增加却导致其交通流平均速度的降低;对保守型驾驶员在D∈[0.45,0.80)时,因谨慎换道,反而获得了比激进型和机敏型驾驶员更高的速度,这也说明了在此空间占有率区间,对交通流的微小扰动就可以导致平均速度降低。图9中EMLDM的D—AV曲线形态与图8大致相同。
从图10中可以看出:当D∈[0.00,0.30]∪[0.80,1.00]时,DR值接近于0,说明EFMLDM、EMLDM的平均速度差异不明显,即换道决策模型对该空间占有率区间的交通流平均速度影响不大。由前述分析可知,这种现象与APS的变化趋势是一致的,虽然图10中,D∈[0.15,0.30]时,EFMLDM、EMLDM的激进型驾驶员的APS差异较大,但是这种差异在该空间占有率区间对交通流的平均流速影响很小。
综上,EFMLDM模拟的保守型驾驶员的不轻易换道特质会使交通流产生稳定效应,获得了较高的平均速度,激进型、机敏型驾驶员更频繁的换道行为对交通流会产生更明显的干扰。这与现实交通流中不同类型驾驶员的换道行为后果非常吻合。
本发明的熵权模糊多属性换道决策过程原理可以参考图11,通过该过程,解决了以往换道决策模型中在模拟驾驶员换道决策时,仅将决策属性通过模型演化直接换算为一个精确值,而忽略驾驶风格不同的驾驶员对决策属性的不确定性,导致与真实的换道驾驶行为形成较大的偏差,使换道决策模型失去精度的问题。本发明依据驾驶风格对换道决策属性模糊化过程,能够充分模拟现实交通流中驾驶员的换道时对换道决策属性的认知,通过熵权模糊多属性决策,可以进一步提升换道决策模型的预测准确率。
上述实施例只为说明本发明的技术构思及特点,其目的在于让熟悉此项技术的人士能够了解本发明的内容并加以实施,并不能以此限制本发明的保护范围,凡根据本发明精神实质所作的等效变化或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.基于多车道元胞自动机的熵权模糊多属性换道决策方法,其特征在于,包含以下步骤:
①建立多车道元胞自动机框架:
设目标车辆i在时刻t时,在元胞空间中的实际空间位置为,速度为/>,车身长为/>;
设周边紧邻车辆最多为6辆:
la为紧邻左前方车辆,其纵向位置为、速度为/>、车身长度为/>;
sa为紧邻正前方车辆,其纵向位置为、速度为/>、车身长度为/>;
ra为紧邻右前方车辆,其纵向位置为、速度为/>、车身长度为/>;
lb为紧邻左后方车辆,其纵向位置为、速度为/>;
sb为紧邻正后方车辆,其纵向位置为、速度为/>;
rb为紧邻右后方车辆,其纵向位置为、速度为/>;
②判断驾驶员换道动机:
条件一,判断相对速度:
处于同一车道的紧邻前车速度较小,驾驶员在较长时间达不到心理期望速度;
条件二,判断间隔距离:
处于同一车道的紧邻前车制动使车辆间距缩短过快,本车驾驶员感知到存在与其发生追尾碰撞的危险;
条件一和条件二只要满足其中之一,车辆就会产生换道动机,具有换道动机的车辆会进行换道决策;
③模拟驾驶员对换道决策属性的模糊化过程:
设目标车辆i紧邻前车间距为,可得公式(1):
(1)
在模糊空间,紧邻前车间距论域内,设/>为最小可换道安全间距,其值为目标车辆i的车身长加上最小安全净距;
当时,驾驶员认为不满足安全换道条件,此时该属性的隶属度为0;时,表示换道目标位置的空挡条件满足换道要求;
在驾驶员类型论域P={激进型、机敏型、保守型}中,对应的换道偏好值取,/>分别对应激进、机敏、保守三种类型驾驶员;驾驶员对紧邻前车间距的换道临界容忍值记为/>;
设车辆每更新步最大可能行驶的距离为,其中/>表示每更新步的时长;则保守型驾驶员对紧邻前车间距的换道临界容忍值可设为/>=/>+/>,即此时其隶属度为1;
其他类型驾驶员对紧邻前车间距的换道临界容忍值采用公式(2): (2)
根据换道偏好值及公式(2),不同驾驶风格的驾驶员对紧邻前车间距的隶属函数分别为公式(3a)、公式(3b)和公式(3c):
激进型:(3a)
机敏型:(3b)
保守型:(3c)
设目标车辆i与紧邻后车间距为公式(4):
(4)
设紧邻后车间距的论域为,不同驾驶风格的驾驶员对紧邻后车间距的隶属函数形式与公式(3)相同;
设目标车辆i与紧邻前车的相对速度为公式(5):
(5)
在模糊空间,紧邻前车相对速度的论域内,当/>≤0时,驾驶员认为不满足安全换道条件,此时,该属性的隶属度为0;
不同类型驾驶员对紧邻前车相对速度的临界容忍值记为;当保守型驾驶员对该属性的临界容忍值为/>,即该属性的隶属度为1时,其他类型驾驶员对紧邻前车相对速度的换道临界容忍值计算(6)公式如下:
(6)
根据换道偏好值及公式(6),不同驾驶风格的驾驶员对紧邻前车相对速度的隶属函数分别为公式(7a)、公式(7b)和公式(7c):
激进型:(7a)
机敏型:(7b)
保守型:(7c)
设目标车辆i与紧邻后车的相对速度为公式(8):
(8)
设紧邻后车的相对速度的论域为,不同驾驶风格的驾驶员对邻后车的相对速度的隶属函数形式与公式(7)相同;
车道分隔方式:
车道分隔方式对车辆换道的制约性用约束程度表示,其论域表示为:C={无约束、弱约束、虚线侧弱约束、实线侧较强约束、强约束、极强约束},分别对应于无标线、虚线、虚实线、实虚线、实线、护栏六种车道分隔方式;
则设约束度值 ;/>()表示不同驾驶风格的驾驶员对车道分隔方式理解的隶属函数,其表达式如公式(9):
(9)
其中l、s、r分别表示向左侧、车道保持、向右侧;
④建立熵权模糊多属性换道决策模型:
对于多车道,当目标车辆i的驾驶员产生换道动机时,最多存在3个可能的换道决策方案,记为,/>,/>表示向左侧换道,/>表示车道保持,/>表示向右侧换道;
根据前述的换道决策属性值,建立模糊关系矩阵,如公式(10):
(10)
驾驶员决策属性权向量记为,/>,通过信息熵描述驾驶员评估各换道决策属性的重要性,决策属性熵/>计算公式(11)如下:
(11)
式中:为调节系数,/>;
利用信息熵计算决策属性的权值为公式(12):
(12)
则换道决策方案为公式(13):
(13)
根据生成的换道决策公式(13),即可模拟现实交通流中驾驶员的换道决策属性。
2.根据权利要求1所述的基于多车道元胞自动机的熵权模糊多属性换道决策方法,其特征在于:仿真时以设计车速为60km/h的三车道,分隔方式为虚线的路段为实验对象,横向设三个单位元胞代表三个车道,元胞空间采用周期性边界条件;设单位元胞长=0.55m,则周长/>10000/>,输入车型为小型车,车身长设为5.5m,相当于10/>,车辆的最大行驶速度为16.67m/s,即一次更新最大能行驶30/>的距离。
3.根据权利要求1所述的基于多车道元胞自动机的熵权模糊多属性换道决策方法,其特征在于,还包含:
步骤⑤仿真分析及模型验证:
设空间占有率D表示为公式(14):
(14)
式中:为第/>辆车的长度,Lanes为车道数;
将D区间划分为20等份,输入对应的车辆数进行多次实验;每次模型运行100000s,取尾端3600s输出进行数据统计;通过对输出数据对比分析EFMLDM和EMLDM现有的仿真的平均换道动机概率APM、平均换道成功概率APS及平均速度AV的差异;
差异率DR定义为公式(15):
(15)
式中:、/>分别表示EFMLDM、EMLDM仿真的APM、APS、AV;
经仿真分别获得EFMLDM的曲线图和EMLDM的曲线图,然后分别进行APM差异分析、APS差异分析、交通流的影响差异分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889455.2A CN116933632B (zh) | 2023-07-19 | 2023-07-19 | 基于多车道元胞自动机的熵权模糊多属性换道决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310889455.2A CN116933632B (zh) | 2023-07-19 | 2023-07-19 | 基于多车道元胞自动机的熵权模糊多属性换道决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116933632A CN116933632A (zh) | 2023-10-24 |
CN116933632B true CN116933632B (zh) | 2024-06-04 |
Family
ID=88383876
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310889455.2A Active CN116933632B (zh) | 2023-07-19 | 2023-07-19 | 基于多车道元胞自动机的熵权模糊多属性换道决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116933632B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
CN111081065A (zh) * | 2019-12-13 | 2020-04-28 | 北京理工大学 | 路段混行条件下的智能车辆协同换道决策模型 |
CN115782880A (zh) * | 2022-11-29 | 2023-03-14 | 清华大学 | 智能汽车换道决策方法、装置、电子设备和存储介质 |
-
2023
- 2023-07-19 CN CN202310889455.2A patent/CN116933632B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101633359A (zh) * | 2008-07-24 | 2010-01-27 | 通用汽车环球科技运作公司 | 具有驾驶风格识别的自适应车辆控制系统 |
WO2016169290A1 (zh) * | 2015-04-21 | 2016-10-27 | 华南理工大学 | 一种面向道路交通事故应急处置的决策支持系统及方法 |
CN109948801A (zh) * | 2019-02-15 | 2019-06-28 | 浙江工业大学 | 基于驾驶员换道心理分析的车辆换道概率输出模型建立方法 |
CN111081065A (zh) * | 2019-12-13 | 2020-04-28 | 北京理工大学 | 路段混行条件下的智能车辆协同换道决策模型 |
CN115782880A (zh) * | 2022-11-29 | 2023-03-14 | 清华大学 | 智能汽车换道决策方法、装置、电子设备和存储介质 |
Non-Patent Citations (4)
Title |
---|
A multilane cellular automaton multi-attribute lane-changing decision model;DENG J H, FENG H H;Physica A: Statistical Mechanics and its Applications;20191231;第529卷(第1期);1-10 * |
基于驾驶员类型的车辆换道模型;许伦辉等;华南理工大学学报(自然科学版);20140831;第42卷(第8期);104- 110 * |
引入驾驶风格的熵权法多属性换道决策模型;冯焕焕;邓建华;葛婷;;交通运输系统工程与信息;20200415(02);139-144 * |
沈瑞豹.交通仿真系统中随机行为的建模与实现.中国优秀硕士学位论文全文数据库信息科技辑.2009,(8),I138-1172. * |
Also Published As
Publication number | Publication date |
---|---|
CN116933632A (zh) | 2023-10-24 |
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 | |
CN113781806B (zh) | 一种用于智能网联环境下的混合交通流通行方法 | |
WO2021077725A1 (zh) | 一种基于驾驶意图的周围车辆运动状态预测系统及方法 | |
CN113291308B (zh) | 一种考虑驾驶行为特性的车辆自学习换道决策系统及方法 | |
Ma et al. | Influence of exclusive lanes for connected and autonomous vehicles on freeway traffic flow | |
Schönauer et al. | Modeling concepts for mixed traffic: Steps toward a microscopic simulation tool for shared space zones | |
CN110304074B (zh) | 一种基于分层状态机的混合式驾驶方法 | |
CN111845754B (zh) | 基于边缘计算和群智算法的自动驾驶车辆的决策预测方法 | |
CN112249008B (zh) | 针对复杂动态环境的无人驾驶汽车预警方法 | |
Yang et al. | A less-disturbed ecological driving strategy for connected and automated vehicles | |
WO2023231569A1 (zh) | 一种基于贝叶斯博弈的自动驾驶车辆换道行为车路协同决策算法 | |
CN108694841A (zh) | 一种基于v2x技术的智能车辆通行路口红绿灯方法 | |
CN113029151B (zh) | 一种智能车辆路径规划方法 | |
CN115601954B (zh) | 一种智能网联车队的换道判断方法、装置、设备及介质 | |
CN114543827A (zh) | 一种路径规划方法及装置 | |
Zhang et al. | A cruise control method for connected vehicle systems considering side vehicles merging behavior | |
Li et al. | A macroscopic model of heterogeneous traffic flow based on the safety potential field theory | |
CN112216148A (zh) | 一种车路协同下双车道车辆换道指引方法 | |
CN116933632B (zh) | 基于多车道元胞自动机的熵权模糊多属性换道决策方法 | |
Wang et al. | Realistic single-shot and long-term collision risk for a human-style safer driving | |
CN115629608A (zh) | 基于深度预测网络和深度强化学习的自动驾驶车辆控制方法 | |
Chen et al. | Platoon separation strategy optimization method based on deep cognition of a driver’s behavior at signalized intersections | |
CN114995138A (zh) | 一种近信号控制区混合车群的分布式协同控制方法 | |
CN113781770A (zh) | 一种模拟双离合式的合流区车路协同控制系统 | |
Zhang et al. | Lane Change Decision Algorithm Based on Deep Q Network for Autonomous Vehicles |
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 |