CN117406751B - 道路网络上网联自动驾驶汽车轨迹优化方法及系统 - Google Patents
道路网络上网联自动驾驶汽车轨迹优化方法及系统 Download PDFInfo
- Publication number
- CN117406751B CN117406751B CN202311601541.5A CN202311601541A CN117406751B CN 117406751 B CN117406751 B CN 117406751B CN 202311601541 A CN202311601541 A CN 202311601541A CN 117406751 B CN117406751 B CN 117406751B
- Authority
- CN
- China
- Prior art keywords
- vehicle
- track
- target vehicle
- target
- road section
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 62
- 239000000446 fuel Substances 0.000 claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims description 42
- 238000006073 displacement reaction Methods 0.000 claims description 35
- 230000008859 change Effects 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 16
- 238000003860 storage Methods 0.000 claims description 6
- 230000006854 communication Effects 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 description 21
- 238000004364 calculation method Methods 0.000 description 17
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 9
- 238000012937 correction Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000013461 design Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000009469 supplementation Effects 0.000 description 2
- 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 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001934 delay Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 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
- 239000003208 petroleum Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明提供一种道路网络上网联自动驾驶汽车轨迹优化方法及系统,属于交通运营管理技术领域,在车辆到达每条路段时,求出车辆的最优路径;依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整新的理想优化轨迹,同时满足跟驰约束与信号灯约束;在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。本发明准确得到车辆在路网上行驶的整体轨迹,提升了通行效率和燃油经济性。
Description
技术领域
本发明涉及交通运营管理技术领域,具体涉及一种道路网络上网联自动驾驶汽车轨迹优化方法及系统。
背景技术
随着汽车数量的增加,总体的燃油消耗量也不可避免的增加,汽车燃料在总体的石油消耗中占比较高,降低汽车使用过程中的燃油消耗对于能源的节约意义重大。车辆在畅通的高速公路以及城市快速路上行驶时,不仅能够快捷到达目的地,而且有着更好的燃油经济性。但是,车辆在密集的城市道路网络上行驶时,单位油耗会明显的上升。其中一个重要的原因是,传统车辆在城市道路上行驶时,由于自身无法实时获取到道路车辆的行驶状态以及交叉口信号的时间,并且无法精确控制车辆的运动过程,从而无法完全避免在交叉口排队的情况。车辆会经历制动-排队-起动的过程,相比于平顺通过交叉口,这一过程中燃料无法充分燃烧,导致油耗量明显增加。同时,制动-排队-起动这一过程不仅会增加汽车的油耗量,还会降低汽车的通行效率。相比汽车能够以最大速度通过交叉口的情景,制动和起动的过程会增加汽车的延误。单一车辆的延误,又会降低路网疏散车辆的能力,从而影响到整个路网上车辆的通行效率。
网联自动驾驶车辆的问世,为解决上述的交通问题提供了一种新的视角。相比于传统的人工驾驶车辆,网联自动驾驶车辆的主要优势体现在两个方面:第一是车辆能够迅速获取到周边车辆乃至控制中心覆盖道路网络的所有车辆运行状态,并向控制中心上传自身在一定时间范围内的运行状态;第二是车辆的轨迹可以用表示车辆动作的变量序列精确描述,车辆也将严格按这一动作序列行驶。上述优势使得,当网联自动驾驶车辆的市场占有率达到很高的水平,甚至是100%时,道路交通系统将由无序、复杂以及难以预测的状态逐渐向有组织的可控状态转变。
网联自动驾驶汽车发挥优势的重要途径是对其进行轨迹优化,当前,网联自动驾驶车辆轨迹优化问题的主要研究场景是连接下游交叉口的单一路段,或者多条路段依次相连的道路干线。相对复杂的道路网络场景研究存在空缺。当车辆在道路网络上行驶时,车辆需要面临潜在的转向行驶。在直行进入交叉口或者左右转进入交叉口的情况下,车辆所需的边界速度是不同的。因此,只有当车辆根据路径选择的结果获取到进入下游交叉口的方向后,才可以确定路段轨迹优化的边界条件。车辆在路网上的轨迹优化问题,需要结合车辆路径选择以及车辆在单一路段上的轨迹优化共同实现。
发明内容
本发明的目的在于提供一种用于为网联自动驾驶汽车在路网上指定起终点之间行驶过程输出完整的纵向轨迹的道路网络上网联自动驾驶汽车轨迹优化方法及系统,融合了车辆在路网层的路径选择问题以及车辆在路段层的轨迹优化问题,可以输出车辆在路网上行驶的整体轨迹,提升了通行效率和燃油经济性,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供一种道路网络上网联自动驾驶汽车轨迹优化方法,包括:
在目标车辆到达路段后,产生最优路径;
在每条路段上,生成目标车辆换道区域轨迹;
依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;
判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;
若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;
若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;
在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
进一步的,生成目标车辆最优路径,包括:
车辆在进入路段时,路网控制中心获取当前各路段的密度,然后结合本发明提出的直行诱导方法,在调整拓扑结构后的路网上,计算各节点之间路段的实际阻抗,利用Floyd算法求解车辆的最优路径,并确定车辆驶离本路段的行驶方向,进而确定车辆在本路段的边界速度。
进一步的,生成目标车辆换道区域轨迹,包括:
车辆在进入路段后,首先会进入换道区域行驶;在换道区域内,车辆首先需要根据动态更新后的最优路径选择,确定行驶方向,并行驶至目标方向的车道;当车辆进入路段时的速度小于最大速度时,需要在到达轨迹优化区域前匀加速行驶至最大速度,再保持匀速运动,直至车辆驶离换道区域。
进一步的,生成理想优化轨迹,包括:
确定期望通行时间:车辆理想优化轨迹的产生只与车辆预计通过路段轨迹优化区域的时间有关,即期望通行时间T;车辆在自由行驶的状态下,先以最大速度匀速直线行驶;当驶离交叉口的速度上限小于最大速度时,车辆在到达交叉口前以固定减速度减速行驶至路段终点,同时使得终点速度为目标方向的速度上限,行驶时长为最小通行时间tmin,在同一路段上,选择同一行驶方向的所有车辆的最小通行时间都是一致的,期望通行时长的最小值也是tmin,当期望通行时长T=tmin时,无需对车辆进行轨迹优化;
理想优化轨迹模型建立:在确定车辆的期望通行时间后,以减小车辆在行驶中的时间延误以及燃油消耗和保障乘客的舒适度为目标,建立理想优化轨迹模型。
进一步的,进入轨迹优化区域后,若目标车辆是所在车道的首车时,T的大小只与目标车辆进入时的信号灯状态有关;当车辆能够以自由行驶的方式在绿灯时通过交叉口时,则T=tmin;反之,T值将会增加,从而保证车辆在下一周期绿灯亮起时以目标方向限制的最大速度进入交叉口;
当目标车辆并非车道首车时,以目标车辆与前车到达轨迹优化区域的时间间隔差值gap来判断前车轨迹是否会影响到目标车辆的轨迹;当目标车辆以自由行驶进入交叉口,且与前车的车头时距能够达到期望车头时距hd,此时的到达时间间隔差达到临界值
进一步的,调整理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束,包括:当目标车辆与前车的时间差小于临界值时,对比目标车辆理想优化轨迹产生的各时间步位移与前车实际轨迹中各时间步位移的大小关系;当某一时间步k开始前车的位移与目标车辆的位移差值小于安全间隙时,目标车辆在第k-1时间步之前可以按照理想优化轨迹行驶,从第k-1步开始需要跟驰前车;
当前车驶离路段后,在路段的终点会创造一个虚拟的目标,该目标以前车终点速度为起始速度,在固定加速度as下做匀加速直线运动,待速度达到上限δvm后做匀速直线运动,目标车辆将以自身的运动状态和虚拟目标的运动状态,通过IDM跟驰模型来确定纵向加速度的值,并不断更新自身运动状态,直至驶离所在路段。
进一步的,当车辆跟驰前车无法在绿灯时通过交叉口时,则需要再次调整轨迹;假设目标车辆从j时间步开始跟驰前车,对比其j时间步后的位移序列与前车的位移序列,计算二者在各时间步的车头间距;当车头间距满足当某一时间步j开始前车的位移与目标车辆的位移差值小于安全间隙时,目标车辆停止跟驰,从这一时间步开始,产生二次优化轨迹,在下一次绿灯亮起时作为首车离开路段。
第二方面,本发明提供一种道路网络上网联自动驾驶汽车轨迹优化系统,包括:
生成模块,用于在目标车辆到达路段时,生成最优路径;在每条路段上,生成目标车辆换道区域轨迹;依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;
判断模块,用于判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;
更新模块,用于若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;其中,若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;
整合模块,用于在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
第三方面,本发明提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的道路网络上网联自动驾驶汽车轨迹优化方法。
第四方面,本发明提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的道路网络上网联自动驾驶汽车轨迹优化方法。
第五方面,本发明提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的道路网络上网联自动驾驶汽车轨迹优化方法的指令。
本发明有益效果:融合了车辆在路网层的路径选择问题以及车辆在路段层的轨迹优化问题,可以输出车辆在路网上行驶的整体轨迹,提升了通行效率和燃油经济性。
本发明附加方面的优点,将在下述的描述部分中更加明显的给出,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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,还可以根据这些附图获得其他的附图。
图1为本发明实施例所述的道路网络拓扑结构转化示意图。
图2为本发明实施例所述的车辆路段轨迹生成流程图。
图3为本发明实施例所述的网联自动驾驶车辆所选路径轨迹输出图。
图4为本发明实施例所述的人工驾驶车辆所选路径轨迹输出图。
图5为本发明实施例所述的道路网络上网联自动驾驶汽车轨迹优化方法设计框架图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式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。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本实施例1中,首先提供了一种道路网络上网联自动驾驶汽车轨迹优化系统,包括:生成模块,用于在目标车辆到达路段时,生成最优路径;在每条路段上,生成目标车辆换道区域轨迹;依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;判断模块,用于判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;更新模块,用于若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;其中,若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;整合模块,用于在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
本实施例中,利用上述系统实现了道路网络上网联自动驾驶汽车轨迹优化方法,包括:在目标车辆到达一条路段时,生成最优路径;在每条路段上,生成目标车辆换道区域轨迹;依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
生成目标车辆最优路径,包括:
车辆在进入路段时,路网会收集各路段的密度,先计算出原始路网上每条路段的阻抗。为了区分车辆选择不同方向行驶时的道路阻抗,路网按照图1所示的方法实现拓扑结构的变换,再利用下式计算出变换后网络各路段的道路阻抗。最后,根据变换后路网上各路段的实际阻抗,利用Floyd算法求解出目标车辆从当前路段起点到达目标终点的最优路径,即对于路段的选择,并根据最优路径来确定车辆驶离当前路段的行驶方向,从而获取到车辆在当前路段的边界速度限制。变换后路网的道路阻抗计算公式如下所示:
上式中,I为路段阻抗,k为路段的平均交通密度,kj为路段阻塞密度,在此处取最小车头间隔的倒数,a和b为常数。,Ic表示路段的修正阻抗值,γl表示左转修正系数,γr表示右转修正系数,tmin,l表示在路段上左转的最小通行时长,tmin,s表示在路段上直行的最小通行时长,tmin,r表示在路段上右转的最小通行时长。
生成目标车辆换道区域轨迹,包括:
车辆在进入路段后,首先会进入换道区域行驶。在这一区域内,车辆首先需要根据动态更新后的最优路径选择,确定行驶方向,并行驶至目标方向的车道。其次,当车辆进入路段时的速度小于最大速度时,需要在到达轨迹优化区域前匀加速行驶至最大速度,再保持匀速运动,直至车辆驶离换道区域。在本实施例中,只产生车辆的纵向行驶轨迹,不考虑车辆的具体换道方式以及换道轨迹。车辆的纵向加速度轨迹如下式所示。
上式中,v′0为车辆进入路段的初始速度,t′1为车辆匀加速行驶的时间,t′2为车辆匀速行驶的时间,LC为换道区域的长度。当t′1=0时,t′2的值是换道区域的最小通行时长。
生成理想优化轨迹,包括:
期望通行时间的确立:车辆理想优化轨迹的产生只与车辆预计通过路段轨迹优化区域的时间有关。这一时间在本发明中被定义为期望通行时间T。对于任意车辆而言,最理想的行驶状态是不受到交叉口信号灯约束以及前车交互影响的自由行驶。车辆在自由行驶的状态下,先以最大速度匀速直线行驶。当驶离交叉口的速度上限小于最大速度时,车辆在到达交叉口前以固定减速度减速行驶至路段终点,同时使得终点速度为目标方向的速度上限。车辆按照这一过程行驶,行驶时长为最小通行时间tmin,计算方式如下所示。需要注意的是,在同一路段上,选择同一行驶方向的所有车辆的最小通行时间都是一致的。期望通行时长的最小值也是tmin,当期望通行时长T=tmin时,无需对车辆进行轨迹优化,直接产生自由行驶轨迹即可。
tmin=t1+t2
上式中,t1表示车辆匀速行驶的时间,t2表示车辆匀减速行驶的时间,vm表示车辆的最大速度,δ表示不同方向的速度上限修正系数,LO表示轨迹优化区域的长度,as表示固定减速度的绝对值大小,bm表示车辆最大侧向加速度的绝对值大小,Rr表示最小右转半径,Rl表示最小左转半径。
进入轨迹优化区域后,若目标车辆是所在车道的首车时,T的大小只与目标车辆进入时的信号灯状态有关。当车辆能够以自由行驶的方式在绿灯时通过交叉口时,则T=tmin。反之,T值将会增加,从而保证车辆在下一周期绿灯亮起时以目标方向限制的最大速度进入交叉口。T的具体计算如下所示。
上式中,tg和tr分别表示车辆进入路段轨迹优化区域时的绿灯时间和红灯时间,二者其中之一为0;C表示信号周期时长,r表示绿灯时长在周期中的占比,Δt表示一个离散时间步的长度。
当目标车辆并非车道首车时,以目标车辆与前车到达轨迹优化区域的时间间隔差值gap来判断前车轨迹是否会影响到目标车辆的轨迹。当目标车辆以自由行驶进入交叉口,且与前车的车头时距能够达到期望车头时距hd,此时的到达时间间隔差达到临界值表达式如下公式所示。
上式中,Tl为前车的实际通行时长,在前车轨迹生成后,Tl相继可以被获取。当时,目标车辆可以被视为不受前车影响,其期望通行时间T可以结合到达时的信号灯状态。反之,目标车辆需要在进入交叉口时与前车的车头时距达到hd。综上,目标车辆并非首车时,期望通行时间的计算如下所示。
T=max(tmin,Tl-gap+hd)
理想优化轨迹模型建立:在确定车辆的期望通行时间后,建立了下述模型来描述最优的车辆理想轨迹。在这一轨迹优化问题中,最终的目标是减小车辆在行驶中的时间延误以及燃油消耗,并尽可能保障乘客的舒适度。这一综合目标的实现需要轨迹比较平顺,尽量避免急加速和急减速的出现,即整个行驶过程中的纵向加速度绝对值的累积值应当尽可能小。因此,将轨迹离散化,以各时间步的纵向加速度为决策变量,建立目标函数如下所示:
上式中,N为离散时间步的个数,通过车辆的期望通行时间T计算得到。
由于优化轨迹描述的是单一车辆在不会受到前方车辆限制情况下独立行驶的过程,约束条件主要包括车辆运动学约束、路段的边界条件约束以及变量取值范围约束。车辆在行驶过程中,每个离散时间步的运动可以视作匀变速直线运动,因此运动学约束如下公式所示:
vn+1=vn+anΔtn=0,1,2,…,N-1
上式中,n表示离散时间步的编号,vn表示第n时间步车辆的速度,an表示第n时间步车辆的加速度,sn表示车辆在第n时间步相对轨迹优化区域起始线的位移。
车辆在规划区域起点和终点的状态变量应当满足的边界约束条件为:
v0=vm
vN=δvm
s0=0
sN=LO
上式中,δ是一个与方向相关的速度上限修正系数,车辆的方向判断来源于步骤2产生的最优路径中下一路段的选择。
路段上车辆的速度和加速度取值范围如下所示:
-amax≤an≤amax,n=0,1,2,…,N-1
0≤vn≤vm,n=0,1,2,…,N
上式中,amax表示车辆加速时的最大加速度。
实施例2
本实施例2中,提供了一种网联自动驾驶汽车在单向路网上行驶的纵向轨迹优化方法。如图5所示,该方法整体设计的主要框架可以分为两层。框架上层是车辆路径选择更新问题。车辆在进入每条路段时都可以获取到实时的最优路径,并确定在当前路段的行驶方向。框架的下层是车辆在路段上的轨迹优化问题。结合上层确定的行驶方向,车辆在所在路段上行驶的边界条件可以被求出。车辆能够沿着一条平顺的轨迹以较高速度进入交叉口,避免停车排队以及制动起动的过程,从而达到减少燃油消耗和提升通行效率的目的。
步骤1.定义基本假设条件
本实施例需要在如下描述的假设条件下实现:
(1)中心控制器可以通过V2X系统实时获取路网上所有车辆的运动状态信息以及路网上各路段和交叉口信号灯的状态,并向车辆发布控制信息。车辆能够通过V2X系统准确获取到来自中心控制器的控制信息,并完全按照其行驶。整个通信过程的时间消耗被忽略不计。
(2)路网上各交叉口的信号灯均被设置为双相位,信号周期和绿信比相同,不存在相位差。位于纵向路段的车辆在相位1可以进入交叉口,位于横向路段的车辆在相位2可以进入交叉口。
(3)车辆在交叉口以及换道区域内行驶时,纵(切)向行驶轨迹被简化为固定加速度的匀加速行驶轨迹和匀速行驶轨迹的组合。
(4)车辆进入路段轨迹优化区域的速度固定为路段限制的最高速度。在不受前方车辆影响的前提下,车辆驶离路段时的速度固定为所选行驶方向的最高速度,其计算方式参考步骤3.2。
步骤2.路网层设计
路网层设计的主要目的是,根据道路网络中各路段的阻抗,在车辆每次到达一条新的路段时,为其选择到达终点的最优路径。车辆将根据选定的最优路径,确定在当前路段上的行驶方向,并得到路段终点的速度上限,用于指导路段层产生满足这一边界约束的优化轨迹。在本实施例中,路段阻抗与其交通密度呈线性关系,关系式如公式(1)所示。
在上式中,I为路段阻抗,k为路段的平均交通密度,kj为路段阻塞密度,在此处取最小车头间隔的倒数,a和b为常数。
在通常的设计中,车辆要最小化出行成本,应当选择路段累积阻抗最小的路径。然而,在车辆在转向的过程中,最大速度会受到侧向加速度和转向半径的限制,通常小于直行通过交叉口能达到的最大速度。当车辆选择的路径中需要多次转向时,自身通行效率也会因此下降。因此,本实施中增加了直行诱导的方法。对于同一路段,当车辆选择转向时,路段实际阻抗需要在公式(1)计算结果的基础上进行方向修正,如公式(2)-(4)所示。
上式中,Ic表示路段的修正阻抗值,γl表示左转修正系数,γr表示右转修正系数,tmin,l表示在路段上左转的最小通行时长,tmin,s表示在路段上直行的最小通行时长,tmin,r表示在路段上右转的最小通行时长。最小通行时长的含义与计算方法在步骤3中会具体介绍。
在引入直行诱导的方法后,路段的阻抗成为了一个与车辆行驶方向相关的变量。传统最短路算法求解的基础是路段阻抗已知且固定,无法直接运用于寻找满足直行诱导条件的最短路。因此,本实施例在使用最短路算法时,首先需要对路网的拓扑结构进行一定的调整,如图1所示。单个节点被拆分为等效的两个节点,独立连接两个方向的下游节点。原本任意两个节点之间的一条路段,也被拆分为两条路段,每条路段上车辆的行驶方向是确定的,因此阻抗也可以被确定。最短路算法可以在调整后的路网拓扑图上应用,从而求解出包含直行诱导的最优路径。
本实施例选用的最短路算法时Floyd算法。该算法的核心思路是:在已知所有节点之间直达距离(节点之间无路段连接的情况下直达距离视为无穷大)的前提下,创建阻抗矩阵,各元素表示任意两个节点之间的最短路径,创建节点矩阵,各元素表示两个节点之间的中间节点。每一轮迭代中,一个节点被选取为中间节点,并判断两个节点之间增加这一中间节点后的路径距离是否缩短,如公式(5)所示。如果距离缩短,则在两个节点之间的路径上增加这一中间节点,并更新阻抗矩阵和节点矩阵,本轮迭代结束,按照编号顺序选择下一个节点重复这一过程。当所有节点都被选取后,迭代结束,所有点之间的最短路可以通过节点矩阵获知。
上式中,表示在第k轮迭代中,节点i和j之间的最短距离,k既是节点编号,也是迭代轮次。
步骤3.路段层设计
路段层设计的主要目的是,产生车辆实际行驶过程中的纵向加速度随时间变化的曲线图,并依此计算出车辆的纵向速度与位移的曲线。在本实施例中,为了方便计算和展示,车辆连续的行驶过程被离散化为多个时间步行驶状态的组合。在每个小的时间步内,车辆的运动可以被看作是匀变速运动。车辆在路段上的纵向轨迹分为两个部分。第一部分是换道区域的纵向轨迹,这一部分的轨迹参照假设条件(3)的描述,计算方式将在步骤3.3中给出。第二部分是轨迹优化区域的纵向轨迹,在这一部分中,车辆首先会产生只和行驶时间有关的优化轨迹,参考步骤3.1的描述。其次,车辆将根据获取到的所在车道上前一车辆的实际行驶轨迹,修正自身的理想优化轨迹,使其同时满足安全约束与信号灯约束,参考步骤3.2的描述。最后,车辆会根据在路段上行驶的终端速度,产生在下游交叉口行驶的纵向轨迹,参考步骤3.4的描述。
步骤3.1理想优化轨迹的生成
步骤3.1.1期望通行时间
车辆理想优化轨迹的产生只与车辆预计通过路段轨迹优化区域的时间有关。这一时间在本实施例中被定义为期望通行时间T。对于任意车辆而言,最理想的行驶状态是不受到交叉口信号灯约束以及前车交互影响的自由行驶。车辆在自由行驶的状态下,先以最大速度匀速直线行驶。当驶离交叉口的速度上限小于最大速度时,车辆在到达交叉口前以固定减速度减速行驶至路段终点,同时使得终点速度为目标方向的速度上限。车辆按照这一过程行驶,行驶时长为最小通行时间tmin,计算方式如公式(6)-(9)所示。需要注意的是,在同一路段上,选择同一行驶方向的所有车辆的最小通行时间都是一致的。期望通行时长的最小值也是tmin,当期望通行时长T=tmin时,无需对车辆进行轨迹优化,直接产生自由行驶轨迹即可。
tmin=t1+t2 (6)
/>
上式中,t1表示车辆匀速行驶的时间,t2表示车辆匀减速行驶的时间,vm表示车辆的最大速度,δ表示不同方向的速度上限修正系数,LO表示轨迹优化区域的长度,as表示固定减速度的绝对值大小,bm表示车辆最大侧向加速度的绝对值大小,Rr表示最小右转半径,Rl表示最小左转半径。
进入轨迹优化区域后,若目标车辆是所在车道的首车时,T的大小只与目标车辆进入时的信号灯状态有关。当车辆能够以自由行驶的方式在绿灯时通过交叉口时,则T=tmin。反之,T值将会增加,从而保证车辆在下一周期绿灯亮起时以目标方向限制的最大速度进入交叉口。T的具体计算如公式(10)所示。
上式中,tg和tr分别表示车辆进入路段轨迹优化区域时的绿灯时间和红灯时间,二者其中之一为0;C表示信号周期时长,r表示绿灯时长在周期中的占比,Δt表示一个离散时间步的长度。
当目标车辆并非车道首车时,本实施例中以目标车辆与前车到达轨迹优化区域的时间间隔差值gap来判断前车轨迹是否会影响到目标车辆的轨迹。当目标车辆以自由行驶进入交叉口,且与前车的车头时距能够达到期望车头时距hd,此时的到达时间间隔差达到临界值表达式如公式(11)所示。
上式中,Tl为前车的实际通行时长,在前车轨迹生成后,Tl相继可以被获取。当时,目标车辆可以被视为不受前车影响,其期望通行时间T可以结合到达时的信号灯状态,采用公式(10)确定。反之,目标车辆需要在进入交叉口时与前车的车头时距达到hd。综上,目标车辆并非首车时,期望通行时间的计算如公式(12)所示。
T=max(tmin,Tl-gap+hd) (12)
步骤3.1.2理想优化轨迹模型建立
在确定车辆的期望通行时间后,建立了下述模型来描述最优的车辆理想轨迹。在这一轨迹优化问题中,最终的目标是减小车辆在行驶中的时间延误以及燃油消耗,并尽可能保障乘客的舒适度。这一综合目标的实现需要轨迹比较平顺,尽量避免急加速和急减速的出现,即整个行驶过程中的纵向加速度绝对值的累积值应当尽可能小。因此,本实施例中,将轨迹离散化,以各时间步的纵向加速度为决策变量,建立目标函数如公式(13)-(14)所示:
上式中,N为离散时间步的个数,通过车辆的期望通行时间T计算得到。
由于优化轨迹描述的是单一车辆在不会受到前方车辆限制情况下独立行驶的过程,约束条件主要包括车辆运动学约束、路段的边界条件约束以及变量取值范围约束。车辆在行驶过程中,每个离散时间步的运动可以视作匀变速直线运动,因此运动学约束如公式(15)-(16)所示:
vn+1=vn+anΔtn=0,1,2,…,N-1 (15)
上式中,n表示离散时间步的编号,vn表示第n时间步车辆的速度,an表示第n时间步车辆的加速度,sn表示车辆在第n时间步相对轨迹优化区域起始线的位移。
车辆在规划区域起点和终点的状态变量应当满足的边界约束条件如公式(17)-(20)所示:
v0=vm (17)
vN=δvm (18)
s0=0 (19)
sN=LO (20)
上式中,δ是一个与方向相关的速度上限修正系数,车辆的方向判断来源于步骤2产生的最优路径中下一路段的选择,其计算方式如公式(9)所示。
路段上车辆的速度和加速度取值范围如公式(21)-(22)所示:
-amax≤an≤amax,n=0,1,2,…,N-1 (21)
0≤vn≤vm,n=0,1,2,…,N (22)
上式中,amax表示车辆加速时的最大加速度。
步骤3.2车辆实际轨迹生成
在获得车辆的理想优化轨迹后,需要对其进行调整,使得目标车辆的实际轨迹能够满足与前车的安全约束,并且沿轨迹行驶至终点时信号灯恰好是绿灯。当目标车辆是车道首车,或者目标车辆与前车的到达时间差时,前车的交互影响不存在,期望通行时间可以满足信号灯约束,因此车辆的理想优化轨迹无需进行调整。
当目标车辆与前车的时间差小于临界值时,需要对比目标车辆理想优化轨迹产生的各时间步位移与前车实际轨迹中各时间步位移的大小关系。当某一时间步k开始前车的位移与目标车辆的位移差值小于安全间隙时,如公式(23)所示,目标车辆在第k-1时间步之前可以按照理想优化轨迹行驶,从第k-1步开始需要跟驰前车。本实施例中,选用IDM跟驰模型,如公式(24)-(25)所示,目标车辆根据前车在一个时间步的速度和位移,以及自身在这一时间步的速度和位移,确定当前时间步的加速度,从而改变下一时刻的状态。
上式中,表示在目标车辆到达k个时间步后时前车的位置,/>表示目标车辆在到达k个时间步后的位置,/>表示目标车辆在第k时间步的纵向速度,hmin表示路段上两车之间最小的安全车头时距,ssafe为两车之间最小的安全车头间距,通常由前车长度与安全停车间隙的和组成。
上式中,η为常数,l为前车的长度,Δvn表示第n个时间步目标车辆与前车的速度差值,Δsn表示第n个时间步目标车辆与前车之间的车头距离,其中,n的取值范围从k-1时间步开始至前车纵向加速度序列的终点
当前车驶离路段后,在路段的终点会创造一个虚拟的目标,该目标以前车终点速度为起始速度,在固定加速度as下做匀加速直线运动,待速度达到上限δvm后做匀速直线运动,目标车辆将以自身的运动状态和虚拟目标的运动状态,通过IDM跟驰模型来确定纵向加速度的值,并不断更新自身运动状态,直至驶离所在路段。
车辆根据上述过程产生的行驶轨迹,还需要再检验是否满足信号灯约束。当车辆跟驰前车无法在绿灯时通过交叉口时,则需要再次调整轨迹。假设目标车辆从j时间步开始跟驰前车,对比其j时间步后的位移序列与前车的位移序列,计算二者在各时间步的车头间距。当车头间距满足公式(26)时,目标车辆停止跟驰,从这一时间步开始,根据步骤3.1所述,产生二次优化轨迹,在下一次绿灯亮起时作为首车离开路段。在这一次优化中,公式(17)所示的初始速度约束可以删去,公式(19)所示的初始位移约束需要将初始位移调整为当前时间步所在位置与轨迹优化区域起始位置的距离。
步骤3.3换道区域纵向轨迹补充
车辆在进入路段后,首先会进入换道区域行驶。在这一区域内,车辆首先需要根据动态更新后的最优路径选择,确定行驶方向,并行驶至目标方向的车道。其次,当车辆进入路段时的速度小于最大速度时,需要在到达轨迹优化区域前匀加速行驶至最大速度,再保持匀速运动,直至车辆驶离换道区域。在本实施例中,只产生车辆的纵向行驶轨迹,不考虑车辆的具体换道方式以及换道轨迹。车辆的纵向加速度轨迹如公式(27)-(29)所示。
上式中,v′0为车辆进入路段的初始速度,t′1为车辆匀加速行驶的时间,t′2为车辆匀速行驶的时间,LC为换道区域的长度。当t′1=0时,t′2的值是换道区域的最小通行时长。
步骤3.4交叉口切向轨迹补充
完整的车辆路径轨迹,不仅包含所选的各路段的轨迹,还包括车辆在交叉口行驶的轨迹。根据假设条件(3),本实施例只考虑车辆在交叉口行驶过程中的纵(切)向运动轨迹。车辆以驶离路段时的速度为这一过程的初始速度,切向加速度固定为as。车辆在交叉口行驶的速度上限与路段边界条件约束的速度上限一致,参考公式(18)。当车辆在加速的过程中达到这一速度上限时,需要开始匀速行驶。交叉口加速度轨迹的计算方式可以借鉴步骤3.3中的公式(27)-(29)。
步骤4.结果输出
(1)车辆在路网上行驶的整体轨迹:在步骤3中,车辆在各路段以及与之相连的下游交叉口的纵向行驶轨迹可以获取到,将其按照顺序依次连接,即可组成车辆在路网上行驶的完整纵向轨迹。
(2)车辆的延误时间:车辆的延误时间指的是车辆在路网上实际行驶的时长与同一路径最小通行时间的差值。当车辆在路径上的所有路段均能够以自由行驶的方式通行,所花费的通行时间即为这一路径上的最小通行时间。
(3)车辆的累积燃油消耗量:车辆的燃油消耗量与车辆在各个时间步的瞬时速度和加速度相关,计算方式如公式(30)所示。
上式中,ck(v,a)表示第k秒的燃油消耗量,a(k)表示第k秒的瞬时加速度,v(k)表示第k秒的瞬时速度,α表示车辆怠速时的单位燃油消耗量,β1为效率参数,β2为能耗-加速效率参数,RT(k)为车辆的牵引力,Ra(k)为空气阻力,Rr(k)为滚动阻力,计算方式如公式(31)-(33)所示。需要注意的是,当车辆的离散时间步长度不为1s时,需要对上述公式的参数进行一定的调整。
RT(k)=Mva(k)+Ra(k)+Rr(k) (31)
上式中,Mv为车辆的质量,ρ为空气密度,CD为阻力系数,Af为平均迎风面积,g为重力加速度。
本实施例中,建立了如图1中左侧所示的单向道路网络,来进行模拟实验。模拟实验的内容为,半个小时内,在节点1连接的路段(1,2)或路段(1,4)的起始处随机产生网联自动驾驶车辆,每辆车将在这一单向路网上,从节点1出发,按照发明内容所述方法产生的路径轨迹,行驶至节点9。车辆的随机产生服从泊松分布,平均到达率为400辆/h。最终,实验将展示被选择最多的一条路径上所有行驶至节点9的车辆的轨迹图,以及所有车辆的平均燃油消耗量和平均延误时间。每条路段和交叉口的参数均相同,如表1所示。每个时间步路网将根据各路段上的车辆数,更新一次所有路段的阻抗。阻抗的计算参考公式(1),其中,a=0.5,b=1。
表1路段基本参数
在模拟实验中,车辆的基本参数如表2所示。对于每一辆车而言,每次到达一条新的路段,会根据当前时间步更新的路段阻抗,寻找从当前路段连接的上游节点,到节点9的最优路径。最优路径的获取采用Floyd算法,参考步骤2,此时需要在图1中右侧所示的扩展路网上来寻找路径。随着迭代轮次更新阻抗矩阵和中转节点矩阵,当所有节点均被作为中转节点更新后,迭代结束,从最终的节点矩阵可以找到起终点之间的最优路径。
表2车辆基本参数
在每条路段上,车辆首先根据步骤3.3描述的方式生成换道区域轨迹,依照这一轨迹行驶到轨迹优化区域后,先按照步骤3.1所述,产生理想优化轨迹。若目标车辆为所在车道上第一辆车,则直接按照这一理想优化轨迹行驶。若目标车辆并非第一辆车,首先根据其与前车的到达时间步差值,按照步骤3.1产生理想优化轨迹,再判断前车是否会对其造成影响。当到达时间步差值大于公式(11)得出的临界差值,车辆可以按照理想优化轨迹行驶。反之,车辆需要根据步骤3.2所述的内容,调整理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束。上述流程可以参考图2展示的流程图。车辆驶离路段后,按照步骤3.4描述的方法产生交叉口的纵(切)向轨迹。
当车辆行驶到终点后,首先按照顺序拼接好车辆在各路段和交叉口行驶的纵向轨迹,形成整体纵向轨迹。其次,根据整体轨迹的时间步总数,可以求出车辆的实际通行时间,与所选路径的最小通行时长作差,求出车辆的延误时间。最后,根据公式(30)-(33)所示,代入表3所示的参数,计算出车辆的平均燃油消耗量。一辆车的完整结果即可产生。道路网络上所有的车辆行驶过程的实现与上述内容完全相同,对半小时内每一辆到达节点1的车辆重复这一过程,即可得到模拟实验所需的结果。
表3燃油消耗量计算公式参数值
此外,本实施例中,还模拟了人工驾驶车辆行驶的场景作为对比。人工驾驶车辆相比网联自动驾驶车辆,首先,只会在出发时根据路网上各路段的阻抗选定最优路径,并按照这一路径行驶,无法在每次到达新的路段后更新路径。其次,人工驾驶车辆在路段的轨迹优化区域行驶时,无法通过优化轨迹使得到达交叉口时信号灯为绿灯。人工驾驶车辆会选择自由行驶或者跟驰前车行驶,在到达交叉口前判断是否能够在绿灯通过,如果无法通过则减速排队,等待下一次绿灯亮起时重新起动通过。在人工驾驶车辆环境的模拟实验中,路网和车辆的参数与网联自动驾驶车辆环境中所设定的参数完全一致。最后,实验同样展示了选择次数最多的路径上所有车辆的轨迹图、平均燃油消耗量以及平均通行延误时间。
网联自动驾驶车辆实验与人工驾驶车辆实验中,被选用最多的路径均为1→2→3→6→9,该路径上二者的轨迹图如图3和图4所示。
最后,对两种模拟实验重复进行100次,并对实验结果取平均值。路网上所有行驶至节点9的车辆的平均延误时间和平均燃油消耗量如表4所示。
表4模拟实验结果展示
根据100次模拟实验的平均结果可知,在路网上对车辆进行动态更新最优路径,在路段上对车辆进行轨迹优化,能够帮助车辆减少19.7%的燃油消耗量,同时还能减少23.0%的延误时间。综上,本实施例中提出的车辆在路网中优化轨迹的方法,对于提升车辆的燃油经济性以及提升车辆的通行效率,均有重大的意义。
实施例3
本实施例3提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如上所述的道路网络上网联自动驾驶汽车轨迹优化方法。
实施例4
本实施例4提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行道路网络上网联自动驾驶汽车轨迹优化方法。
实施例5
本实施例5提供一种电子设备,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如上所述的道路网络上网联自动驾驶汽车轨迹优化方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种道路网络上网联自动驾驶汽车轨迹优化方法,其特征在于,包括:
在车辆到达每条路段时,求出车辆的最优路径;
在每条路段上,生成目标车辆换道区域轨迹;
依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;生成理想优化轨迹,包括:确定期望通行时间:车辆理想优化轨迹的产生只与车辆预计通过路段轨迹优化区域的时间有关,即期望通行时间T;车辆在自由行驶的状态下,先以最大速度匀速直线行驶;当驶离交叉口的速度上限小于最大速度时,车辆在到达交叉口前以固定减速度减速行驶至路段终点,同时使得终点速度为目标方向的速度上限,行驶时长为最小通行时间,在同一路段上,选择同一行驶方向的所有车辆的最小通行时间都是一致的,期望通行时长的最小值也是/>,当期望通行时长T=/>时,无需对车辆进行轨迹优化;理想优化轨迹模型建立:在确定车辆的期望通行时间后,以减小车辆在行驶中的时间延误以及燃油消耗和保障乘客的舒适度为目标,建立理想优化轨迹模型;进入轨迹优化区域后,若目标车辆是所在车道的首车时,T的大小只与目标车辆进入时的信号灯状态有关;当车辆能够以自由行驶的方式在绿灯时通过交叉口时,则T = />;反之,T值将会增加,从而保证车辆在下一周期绿灯亮起时以目标方向限制的最大速度进入交叉口;
当目标车辆并非车道首车时,以目标车辆与前车到达轨迹优化区域的时间间隔差值gap来判断前车轨迹是否会影响到目标车辆的轨迹;当目标车辆以自由行驶进入交叉口,且与前车的车头时距能够达到期望车头时距,此时的到达时间间隔差达到临界值/>;
判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;
若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;
若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;调整理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束,包括:当目标车辆与前车的时间差小于临界值时,对比目标车辆理想优化轨迹产生的各时间步位移与前车实际轨迹中各时间步位移的大小关系;当某一时间步k开始前车的位移与目标车辆的位移差值小于安全间隙时,目标车辆在第k-1时间步之前可以按照理想优化轨迹行驶,从第k-1步开始需要跟驰前车;当前车驶离路段后,在路段的终点会创造一个虚拟的目标,该目标以前车终点速度为起始速度,在固定加速度下做匀加速直线运动,待速度达到上限/>后做匀速直线运动,目标车辆将以自身的运动状态和虚拟目标的运动状态,通过IDM跟驰模型来确定纵向加速度的值,并不断更新自身运动状态,直至驶离所在路段;
在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
2.根据权利要求1所述的道路网络上网联自动驾驶汽车轨迹优化方法,其特征在于,生成目标车辆换道区域轨迹,包括:车辆在进入路段后,首先会进入换道区域行驶;在换道区域内,车辆首先需要根据动态更新后的最优路径选择,确定行驶方向,并行驶至目标方向的车道;当车辆进入路段时的速度小于最大速度时,需要在到达轨迹优化区域前匀加速行驶至最大速度,再保持匀速运动,直至车辆驶离换道区域。
3.根据权利要求1所述的道路网络上网联自动驾驶汽车轨迹优化方法,其特征在于,当车辆跟驰前车无法在绿灯时通过交叉口时,则需要再次调整轨迹;假设目标车辆从j时间步开始跟驰前车,对比其j时间步后的位移序列与前车的位移序列,计算二者在各时间步的车头间距;当车头间距满足当某一时间步j开始前车的位移与目标车辆的位移差值小于安全间隙时,目标车辆停止跟驰,从这一时间步开始,产生二次优化轨迹,在下一次绿灯亮起时作为首车离开路段。
4.一种道路网络上网联自动驾驶汽车轨迹优化系统,其特征在于,包括:
生成模块,用于在车辆到达每条路段时,求出车辆的最优路径;在每条路段上,生成目标车辆换道区域轨迹;依照目标车辆换道区域轨迹,产生轨迹优化区域中的理想优化轨迹;生成理想优化轨迹,包括:确定期望通行时间:车辆理想优化轨迹的产生只与车辆预计通过路段轨迹优化区域的时间有关,即期望通行时间T;车辆在自由行驶的状态下,先以最大速度匀速直线行驶;当驶离交叉口的速度上限小于最大速度时,车辆在到达交叉口前以固定减速度减速行驶至路段终点,同时使得终点速度为目标方向的速度上限,行驶时长为最小通行时间,在同一路段上,选择同一行驶方向的所有车辆的最小通行时间都是一致的,期望通行时长的最小值也是/>,当期望通行时长T=/>时,无需对车辆进行轨迹优化;理想优化轨迹模型建立:在确定车辆的期望通行时间后,以减小车辆在行驶中的时间延误以及燃油消耗和保障乘客的舒适度为目标,建立理想优化轨迹模型;进入轨迹优化区域后,若目标车辆是所在车道的首车时,T的大小只与目标车辆进入时的信号灯状态有关;当车辆能够以自由行驶的方式在绿灯时通过交叉口时,则T = />;反之,T值将会增加,从而保证车辆在下一周期绿灯亮起时以目标方向限制的最大速度进入交叉口;
当目标车辆并非车道首车时,以目标车辆与前车到达轨迹优化区域的时间间隔差值gap来判断前车轨迹是否会影响到目标车辆的轨迹;当目标车辆以自由行驶进入交叉口,且与前车的车头时距能够达到期望车头时距,此时的到达时间间隔差达到临界值/>;
判断模块,用于判断目标车辆是否为所在车道上的第一辆车;若目标车辆为所在车道上第一辆车,则按照理想优化轨迹行驶;
更新模块,用于若目标车辆并非第一辆车,则根据其与前车的到达时间步差值,产生新的理想优化轨迹;其中,若到达时间步差值大于临界差值,则目标车辆按照新的理想优化轨迹行驶;否则,调整所述新的理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束;调整理想优化轨迹,使其能够同时满足跟驰约束与信号灯约束,包括:当目标车辆与前车的时间差小于临界值时,对比目标车辆理想优化轨迹产生的各时间步位移与前车实际轨迹中各时间步位移的大小关系;当某一时间步k开始前车的位移与目标车辆的位移差值小于安全间隙时,目标车辆在第k-1时间步之前可以按照理想优化轨迹行驶,从第k-1步开始需要跟驰前车;当前车驶离路段后,在路段的终点会创造一个虚拟的目标,该目标以前车终点速度为起始速度,在固定加速度下做匀加速直线运动,待速度达到上限/>后做匀速直线运动,目标车辆将以自身的运动状态和虚拟目标的运动状态,通过IDM跟驰模型来确定纵向加速度的值,并不断更新自身运动状态,直至驶离所在路段;
整合模块,用于在目标车辆驶离路段后,结合调整后的新的理想优化轨迹,得到交叉口的纵向轨迹和切向轨迹。
5.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质用于存储计算机指令,所述计算机指令被处理器执行时,实现如权利要求1-3任一项所述的道路网络上网联自动驾驶汽车轨迹优化方法。
6.一种计算机设备,其特征在于,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用如权利要求1-3任一项所述的道路网络上网联自动驾驶汽车轨迹优化方法。
7.一种电子设备,其特征在于,包括:处理器、存储器以及计算机程序;其中,处理器与存储器连接,计算机程序被存储在存储器中,当电子设备运行时,所述处理器执行所述存储器存储的计算机程序,以使电子设备执行实现如权利要求1-3任一项所述的道路网络上网联自动驾驶汽车轨迹优化方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601541.5A CN117406751B (zh) | 2023-11-28 | 2023-11-28 | 道路网络上网联自动驾驶汽车轨迹优化方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311601541.5A CN117406751B (zh) | 2023-11-28 | 2023-11-28 | 道路网络上网联自动驾驶汽车轨迹优化方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117406751A CN117406751A (zh) | 2024-01-16 |
CN117406751B true CN117406751B (zh) | 2024-04-16 |
Family
ID=89494634
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311601541.5A Active CN117406751B (zh) | 2023-11-28 | 2023-11-28 | 道路网络上网联自动驾驶汽车轨迹优化方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117406751B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768637A (zh) * | 2020-05-14 | 2020-10-13 | 同济大学 | 一种信号交叉口交通信号灯和车辆轨迹控制方法 |
CN112373472A (zh) * | 2021-01-14 | 2021-02-19 | 长沙理工大学 | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 |
CN115273500A (zh) * | 2022-07-12 | 2022-11-01 | 苏州大学 | 一种信号交叉口网联车辆轨迹优化引导方法及系统 |
-
2023
- 2023-11-28 CN CN202311601541.5A patent/CN117406751B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111768637A (zh) * | 2020-05-14 | 2020-10-13 | 同济大学 | 一种信号交叉口交通信号灯和车辆轨迹控制方法 |
CN112373472A (zh) * | 2021-01-14 | 2021-02-19 | 长沙理工大学 | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 |
CN115273500A (zh) * | 2022-07-12 | 2022-11-01 | 苏州大学 | 一种信号交叉口网联车辆轨迹优化引导方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117406751A (zh) | 2024-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110597245B (zh) | 基于二次型规划和神经网络的自动驾驶换道轨迹规划方法 | |
CN112373472B (zh) | 一种自动驾驶交叉口车辆进入时刻与行驶轨迹控制方法 | |
CN110473404B (zh) | 一种城市十字交叉口混合交通流协同优化底层控制方法 | |
CN108475465B (zh) | 用于移动、特别是控制或者调整车队的方法 | |
CN107577234B (zh) | 一种驾驶员在环的汽车燃油经济性控制方法 | |
CN112258875B (zh) | 基于车路协同与自动驾驶的交叉口智能管控方法 | |
CN113312732B (zh) | 一种结合预先决策与动态调整的无信控交叉口仿真控制方法及装置 | |
CN113763723B (zh) | 基于强化学习与动态配时的交通信号灯控制系统及方法 | |
CN107730931A (zh) | 一种车路协同环境下车辆编队控制及其信号优化方法 | |
CN113412458B (zh) | 辅助系统的轨迹规划方法 | |
CN111081069B (zh) | 一种高速公路瓶颈区域的车辆轨迹控制方法 | |
CN112693447A (zh) | 用于提供自动驾驶车辆的速度曲线的系统和方法 | |
CN115641717B (zh) | 基于混合交通流的高速公路主线-匝道车辆协同合流控制方法、设备及存储介质 | |
CN109398426B (zh) | 一种定时条件下基于离散蚁群算法的节能驾驶策略寻优方法 | |
CN113312752A (zh) | 一种主路优先控制交叉口交通仿真方法及装置 | |
CN116895163A (zh) | 基于信号灯主动通信的多车协同控制方法和系统 | |
CN114999152A (zh) | 面向混合车流的匝道合流边缘云管控方法 | |
CN111899509A (zh) | 一种基于车路信息耦合的智能网联汽车状态向量计算方法 | |
Du et al. | A fuel efficient control strategy for connected vehicles in multiple-lane urban roads | |
CN117406751B (zh) | 道路网络上网联自动驾驶汽车轨迹优化方法及系统 | |
CN113823076A (zh) | 一种基于联网车辆协调控制的即停即走路段缓堵方法 | |
CN112258864B (zh) | 基于顺序选择的自动驾驶车辆路口调度方法及系统 | |
CN115171386B (zh) | 一种基于蒙特卡洛树搜索的分布式协同驾驶方法 | |
CN116756916A (zh) | 基于ddpg的智能网联公交车车重自适应全局车速规划方法 | |
CN114489067A (zh) | 智能网联车辆队列协同驾驶模型预测控制方法 |
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 |