CN117485366A - 基于风险势场的网联自主车辆换道决策方法 - Google Patents
基于风险势场的网联自主车辆换道决策方法 Download PDFInfo
- Publication number
- CN117485366A CN117485366A CN202311414961.2A CN202311414961A CN117485366A CN 117485366 A CN117485366 A CN 117485366A CN 202311414961 A CN202311414961 A CN 202311414961A CN 117485366 A CN117485366 A CN 117485366A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- lane change
- lane
- distance
- risk potential
- 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.)
- Granted
Links
- 230000008859 change Effects 0.000 title claims abstract description 152
- 238000000034 method Methods 0.000 title claims abstract description 20
- 230000001133 acceleration Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 abstract description 6
- 230000006399 behavior Effects 0.000 description 20
- 238000011160 research Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005290 field theory Methods 0.000 description 2
- 238000005381 potential energy Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000008447 perception Effects 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
- B60W60/00—Drive control systems specially adapted for autonomous road vehicles
- B60W60/001—Planning or execution of driving tasks
-
- 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
- B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
- B60W30/18—Propelling the vehicle
- B60W30/18009—Propelling the vehicle related to particular drive situations
- B60W30/18163—Lane change; Overtaking manoeuvres
-
- 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
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Human Computer Interaction (AREA)
- Control Of Driving Devices And Active Controlling Of Vehicle (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开基于风险势场的网联自主车辆换道决策方法,属于车辆换道技术领域,用于网联车辆下的换道决策,包括判断车辆是否产生换道意图,建立风险势场模型;判断车辆TV与同车道前车FV之间的最小安全换道距离,判断车辆TV与目标车道后车RV之间的最小安全换道距离,产生换道决策结果。本发明通过势场强度反映不同运动状态的车辆所面临的风险大小,为网联自主车辆安全驾驶奠定基础;对车辆间的距离进行修正,能够动态反应不同运动状态的车辆进行换道时所需要的安全距离的大小;对建立的车辆安全换道距离模型进行数值仿真,结果显示本车道及目标车道上车辆的运动状态直接影响换道时所需安全距离的大小。
Description
技术领域
本发明公开基于风险势场的网联自主车辆换道决策方法,属于车辆换道技术领域。
背景技术
近年来,信息技术与汽车工程的深度融合,智能网联驾驶技术迅猛发展。随着网联自主车辆的不断推广,网联驾驶技术成为交通领域的重点研究内容。对比跟车和换道这两种车辆在道路上行驶的基本决策,换道行为需要考虑的因素更加复杂。车辆的换道行为对交通安全及道路利用效率等方面具有显著影响,因此,对车辆换道行为决策的研究一直备受关注。中现有技术对车辆换道行为的研究中所考虑的大多是传统的或者半智能化的交通环境,不能很好的贴合未来的智能网联环境下自主驾驶车辆的换道行为决策。因此,基于网联自主车辆能够识别周围环境信息及通过实时通讯功能获取周围车辆的运动状态的特点,构建车辆动态风险势场,并以该风险势场为基础建立网联自主车辆换道行为模型。
发明内容
本发明的目的在于提供基于风险势场的网联自主车辆换道决策方法,以解决现有技术中,车辆换道行为决策未通过通讯手段获得周围车辆的运动状态的问题。
基于风险势场的网联自主车辆换道决策方法,包括:
S1.判断车辆是否产生换道意图;
S2.建立风险势场模型;
S3.判断车辆TV与同车道前车FV之间的最小安全换道距离;
S4.判断车辆TV与目标车道后车RV之间的最小安全换道距离;
S5.产生换道决策结果。
S1包括:
以车头时距TH将换道意图的产生进行量化:
式中,d为目标车辆与前方车辆之间的相对距离,ve为目标车辆的期望速度,车头时距指同车道前后两辆车的车头通过同一断面的时间差。
S1包括:
取THmin=2s;
式中,THmin为TH的最小值;
PH<2s时,当前车道无法满足车辆驾驶需求,产生换道意图;
PH<2s时,当前车道满足车辆的驾驶需求,不产生换道意图,继续在本车道行驶。
S2包括:
考虑车辆自身属性及其运动状态参数构建风险势场模型:
式中,Uv为车辆风险势场,μ、β、k均为不为0的待定系数,θ′为任意一点到目标车辆与车辆速度方向的夹角,exp(β·v·cosθ′)表示任意物体所受到的场力的大小,随着速度和接近方向的不同而发生改变,r′为两点之间的矢量距离,表示任意物体所受到的场力的大小,以任意物体到目标车辆的距离的幂函数的形式发生变化,Mj为目标车辆j的虚拟质量,|b′|为修正后的距离。
S2包括:
mj为目标车辆j的实际质量,Tj为目标车辆j的类型参数,vj为目标车辆j的当前行驶速度。
S2包括:
式中,α1和α2为目标车辆长和宽的相关系数,τ为与加速度相关的系数,σ为与速度相关的系数,v为当前目标车辆的速度,目标车辆的质心坐标为(x0,y0),空间内任意一点为(x,y)。
S3包括:
在目标车辆TV与前车FV的换道中,车辆TV换道成功条件为:
式中,D0为换道前车辆TV与车辆FV之间的车头间距,D1为进行换道时车辆TV和前车FV的车头间距,ST为车辆TV在换道准备阶段所行驶的距离,SF为车辆FV在换道准备阶段所行驶的距离,LFV和LTV为车辆TV和FV的车身长度,θ为车辆TV的速度方向与X轴方向的夹角,SFV为前车FV车尾方向风险势场的范围,STV为车辆TV车头方向风险势场的范围;
车辆TV与车辆FV之间的最小安全换道距离为满足以下条件的D0:
S4包括:
在车辆TV与目标车道后方车辆RV的换道中,车辆TV换道成功条件为:
式中,D0为车辆TV换道前与后车RV之间的车头间距,SR为换道结束时车辆RV行驶的距离,ST为换道完成后车辆TV所行使的纵向距离,D1为换道完成时车辆RV和车辆TV的车头间距,LRV和LTV分别是车辆RV和TV的车身长度,SRV为车辆RV车头方向风险势场的范围,STV-R为车辆TV车尾方向的风险势场的范围;
车辆TV与后车RV之间的最小安全换道距离为满足以下条件的D0:
S5包括:
当车辆对当前的驾驶环境不满意时,车辆通过检测设备和通讯设备收集周围车辆的运动状态及其空间位置,根据自身的实际情况判断是否进行换道;
当前场景不允许换道时,车辆继续保持跟车状态,并再次收集周围车辆信息;
如果车辆进行换道,则进一步收集本车道及目标车道上的车辆信息及其分布情况,并判断是否满足最小安全换道距离的要求,满足换道要求时车辆进行换道操作,反之,则继续保持跟车状态。
相对比现有技术,本发明具有以下有益效果:将场域理论引入网联自主车辆的微观驾驶行为的研究中,建立的车辆风险势场模型将网联自主车辆的运动状态及通过通讯系统获得的信息进行融合,通过势场强度反映不同运动状态的车辆所面临的风险大小,为网联自主车辆安全驾驶奠定基础。以车辆风险势场模型为基础,建立了车辆安全换道距离模型,该模型将车辆速度、加速度、质量、转向角及周围车辆的运动状态和空间位置等参数融合,对车辆间的距离进行修正,能够动态反应不同运动状态的车辆进行换道时所需要的安全距离的大小。对建立的车辆安全换道距离模型进行数值仿真,结果显示本车道及目标车道上车辆的运动状态直接影响换道时所需安全距离的大小。
附图说明
图1是本发明的换道决策流程图。
图2是当前车道前车FV匀速行驶时的情况图。
图3是当前车道前车FV加速度时的情况图。
图4是当前车道前车FV加速度时的情况图。
图5是目标车道后车RV匀速行驶时的情况图。
图6是目标车道后车RV加速度时的情况图。
图7是目标车道后车RV加速度时的情况图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通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。
基于风险势场的网联自主车辆换道决策方法,包括:
S1.判断车辆是否产生换道意图;
S2.建立风险势场模型;
S3.判断车辆TV与同车道前车FV之间的最小安全换道距离;
S4.判断车辆TV与目标车道后车RV之间的最小安全换道距离;
S5.产生换道决策结果。
S1包括:
以车头时距TH将换道意图的产生进行量化:
式中,d为目标车辆与前方车辆之间的相对距离,ve为目标车辆的期望速度,车头时距指同车道前后两辆车的车头通过同一断面的时间差。
S1包括:
取THmin=2s;
式中,THmin为TH的最小值;
PH<2s时,当前车道无法满足车辆驾驶需求,产生换道意图;
PH>2s时,当前车道满足车辆的驾驶需求,不产生换道意图,继续在本车道行驶。
S2包括:
考虑车辆自身属性及其运动状态参数构建风险势场模型:
式中,Uv为车辆风险势场,μ、β、k均为不为0的待定系数,θ′为任意一点到目标车辆与车辆速度方向的夹角,exp(β·v·cosθ′)表示任意物体所受到的场力的大小,随着速度和接近方向的不同而发生改变,r′为两点之间的矢量距离,表示任意物体所受到的场力的大小,以任意物体到目标车辆的距离的幂函数的形式发生变化,Mj为目标车辆j的虚拟质量,|b′|为修正后的距离。
S2包括:
mj为目标车辆j的实际质量,Tj为目标车辆j的类型参数,vj为目标车辆j的当前行驶速度。
S2包括:
式中,α1和α2为目标车辆长和宽的相关系数,τ为与加速度相关的系数,σ为与速度相关的系数,v为当前目标车辆的速度,目标车辆的质心坐标为(x0,y0),空间内任意一点为(x,y)。
S3包括:
在目标车辆TV与前车FV的换道中,车辆TV换道成功条件为:
式中,D0为换道前车辆TV与车辆FV之间的车头间距,D1为进行换道时车辆TV和前车FV的车头间距,ST为车辆TV在换道准备阶段所行驶的距离,SF为车辆FV在换道准备阶段所行驶的距离,LFV和LTV为车辆TV和FV的车身长度,θ为车辆TV的速度方向与X轴方向的夹角,SFV为前车FV车尾方向风险势场的范围,STV为车辆TV车头方向风险势场的范围;
车辆TV与车辆FV之间的最小安全换道距离为满足以下条件的D0:
S4包括:
在车辆TV与目标车道后方车辆RV的换道中,车辆TV换道成功条件为:
式中,D0为车辆TV换道前与后车RV之间的车头间距,SR为换道结束时车辆RV行驶的距离,ST为换道完成后车辆TV所行使的纵向距离,D1为换道完成时车辆RV和车辆TV的车头间距,LRV和LTV分别是车辆RV和TV的车身长度,SRV为车辆RV车头方向风险势场的范围,STV-R为车辆TV车尾方向的风险势场的范围;
车辆TV与后车RV之间的最小安全换道距离为满足以下条件的D0:
S5包括:
当车辆对当前的驾驶环境不满意时,车辆通过检测设备和通讯设备收集周围车辆的运动状态及其空间位置,根据自身的实际情况判断是否进行换道;
当前场景不允许换道时,车辆继续保持跟车状态,并再次收集周围车辆信息;
如果车辆进行换道,则进一步收集本车道及目标车道上的车辆信息及其分布情况,并判断是否满足最小安全换道距离的要求,满足换道要求时车辆进行换道操作,反之,则继续保持跟车状态。
本发明的S5即换道决策流程如图1所示。在物理学中将场定义为在具有某种性质的物体对一定范围内的不相接触的物体产生的一种相互作用力,该力随着物体间相对位置的改变而呈现不同的大小。两物体之间存在相互作用力也就具有了受相对位置影响的势能场,该势能场具有可测性,可变性,普遍性,客观性。从交通流理论来看,车辆的微观驾驶行为与风险势场理论存在共同点,微观驾驶行为包括跟驰行为和换道行为。以换道行为为例,车辆产生换道意图进行换道决策,能否成功换道的决定因素不在于换道车辆自身,而是由与周围车辆的相对位置及他们的运动状态决定。在换道过程中换道车辆与周围车辆之间不存在实质性接触,而其运动状态却随着周围车辆的位置坐标和运动状态发生改变。根据牛顿定律“任何物体都要保持匀速直线运动或者静止状态,直到外力迫使它改变运动为止”,换道车辆与其周围车辆之间存在一个虚拟的外力作用在换道车辆上使其改变自身的运动状态,该力由周围车辆产生,大小由空间位置和运动状态决定,因此,可以将该力称为场力,将风险势场作为反应交通安全性的物理场。
车辆的风险势场由道路上行驶的车辆产生,任意选取一辆车作为目标车辆,目标车辆的自身属性和运动状态影响其自身所产生的风险势场的范围的大小。虚拟质量随着目标车辆速度的提高而增大,即同种类且质量相同的车辆其速度越大,虚拟质量就越大,其行驶过程中所面临的风险程度越大。在车辆风险势场的范围内,任一点的势场强度与到目标车辆的距离有关。目标车辆不同的运动状态会对其产生的风险势场造成不同的影响,目标车辆的当前行驶速度,加速度是影响风险势场的主要因素。车辆行驶过程中在前进方向上的垂直方向不产生速度分量,因此,任意车辆从前方和后方靠近行驶中的目标车辆的风险程度要远大于从两侧方向靠近目标车辆,而速度的变化会导致车辆风险势场呈前后倾斜状态,为更好的描述从不同方向靠近目标车辆的行车风险,对距离|b|进行修正。
构建车辆风险势场的目的是为了让车辆根据所受到的风险势场的影响,采取相应的驾驶策略,与其他车辆保持一定的安全距离。只有当其他车辆与目标车辆在一定范围之内时,彼此之间才会受到势场的影响。
风险势场模型能够量化车辆在不同状态下的势场分布,表征其周围区域的潜在风险。
当车辆速度和加速度均为0时,车辆处于静止状态,其风险势场分布类似于圆形,在距离相同的情况下,其他车辆无论从哪个角度接近该车辆,所面临的风险程度基本一致。
当车辆沿X轴方向以v=10m·s-1的恒定速度移动时,X轴方向的势场范围随着速度的增大而扩大,由于Y轴方向上的速度分量为0,所以Y轴方向的势场范围基本保持不变,此时车辆的风险势场分布情况类似于椭圆形。
当车辆以一定的速度行驶,且加速度不为0时,车辆处于加速或者减速状态,与匀速行驶时相比,处于加速状态的车辆的风险势场分布出现前倾状态,此时车辆前方的风险程度要大于车辆后方,而处于减速运动状态的车辆的风险势场分布则出现后倾状态,车辆后方的风险程度要大于车辆前方。
换道行为传统上根据驾驶员换道时的动机被分为强制换道(Mandatory LaneChanging,MLC)和自由换道两种(Free Lane changing,FLC)。强制换道指前方道路上存在障碍物或者为抵达行驶计划中的目的地,车辆具有确定的目标车道,必须在一定的范围的道路上进行换道。自由换道指驾驶员为获得更快的驾驶速度,更舒适的驾驶环境或者是更短的队列而进行的换道行为,由驾驶员主观判断,具有较强的随意性,大多数情况由于外部环境等因素而放弃换道。当前车道上的车辆TV由于前方车辆FV的约束得不到满意的驾驶速度,从而产生换道意图,向目标车道进行换道。但是在换道过程中存在与目标车道上的车辆RV碰撞的风险,不得不放弃换道。因此,自由换道是随意性的和非必要性的。本发明研究的是网联自主车辆的自由换道行为,即路面所有车辆之间都通过网联进行关联的场景,所有车辆数据共享。
车辆行驶时都希望以期望速度行驶,如果在当前驾驶环境车辆达不到期望速度,则会产生换道意图。换道意图的产生与期望速度的大小、目标车辆和前方车辆的相对位置有关。
网联自主车辆具有环境检测和交互感知能力,能够实时掌握当下交通环境中各车辆的行驶状态。因此,各车辆的驾驶状态对周围车辆的影响用风险势场表示,所建立的换道场景中,车辆换道过程中的主要风险来源于同车道的前车FV及目标车道的后车RV。出于安全考虑,目标车辆要成功换道,需与周围车辆保持一定的安全距离。以风险势场模型为依据,车辆可以通过调整自身的运动参数改变所产生的风险势场的大小,不同的运动状态会产生不同的风险势场,将车辆风险势场与换道场景相结合,用椭圆形代替车辆风险势场建立换道模型。
实施例中,风险势场模型分析了车辆在不同的运动状态下的风险势场分布情况,并根据其特性构建了最小安全换道距离模型,现运用实例对车辆进行数值仿真加以验证。驾驶过程中,车辆加速度的大小不同会对驾驶员产生不同的冲击度。考虑道驾驶安全性及舒适度,车辆的加速度不宜过大,因此在此次数值模拟过程中车辆的加速度取a=1~3m·s-2。模型中参数取值如表1所示。
表1参数取值
参数 | 参数取值 |
σ | 0.5 |
α1 | 1.5 |
α2 | 1 |
β | -0.2 |
μ | 0.05 |
θ | 3 |
k | 1.5 |
。
图2为当前车道前车FV匀速运动,换道车辆TV处于不同加速度时所需要的安全换道距离,由图可知,前车FV匀速行驶时,换道车辆的加速度越大,所需要的安全距离越大。当前后车之间的距离较小时,若目标车辆TV进行换道,则需降低自身的加速度。
图3为当前车道前车FV进行加速运动,换道车辆TV在不同加速度的情况下换道时所需要的安全距离。由图可知,前车FV加速行驶,换道车辆TV的加速度越大,换道时所需要的安全距离越大,但与前车FV匀速行驶的情况相比,安全换道距离有所减小。
图4为当前车道前车FV进行减速运动,换道车辆TV在不同加速度的情况下换道时所需要的安全距离。由图可知,目标车辆FV加速度一定时,前车FV减速行驶时与匀速行驶及加速行驶的情况相比,换道车辆TV所需要的安全换道距离增大,车辆进行协作换道时,前车不适合进行减速操作。
获得车辆TV与车道前车在不同的运动状态下两车之间的安全换道距离仿真结果,前车FV加速行驶时,车辆TV换道时所需要的安全距离减小,减速行驶时车辆TV换道所需要的安全距离增大。车辆TV的加速度越大,换道时需要的安全距离越大。考虑到车辆通行效率及驾驶安全问题,网联自主车辆进行换道操作时可以通过当前车道前车加速行驶、换道车辆匀速行驶的方式进行协作换道。
图5为目标车道后车RV匀速运动,换道车辆TV处于不同加速度时所需要的安全换道距离,由图可知,后车RV匀速行驶时,换道车辆的加速度越大,所需要的安全距离越小。当前后车之间的距离较小时,目标车辆TV可通过增大自身的加速度进行安全换道。
图6为目标车道后车RV加速运动,换道车辆TV处于不同加速度时所需要的安全换道距离,由图可知,后车RV加速行驶时,换道车辆的加速度越大,所需要的安全距离越小,但与后车RV匀速行驶时的情况相比,换道时所需安全距离增大。
获得换道车辆TV与目标车道后车在不同的运动状态下安全换道距离仿真结果,当目标车道后车RV加速行驶时,车辆TV换道时所需要的安全距离增大。车辆RV减速行驶时,车辆TV换道时所需要的安全距离减小。换道车辆TV加速行驶时,换道所需要的安全距离减小。因此,网联自主车辆进行换道操作时可以通过换道车辆加速行驶,目标车道后车减速行驶的方式来保证换道安全性。
目前该模型仅适用于简单的CAV换道场景,而随着交通环境日渐复杂,对CAV的安全驾驶要求将会变得更高,可以进一步对模型进行扩展,考虑复杂交通场景下多种要素对驾驶行为影响,利用风险势场的分布情况对驾驶行为进行实时干涉,进一步提高行车安全性及车辆通行效率,为网联环境下车路协同,多车交互以及车辆优化控制提供理论支撑和方法依据。
以上实施例仅用于说明本发明的技术方案,而非对其限制,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:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换,而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (9)
1.基于风险势场的网联自主车辆换道决策方法,其特征在于,包括:
S1.判断车辆是否产生换道意图;
S2.建立风险势场模型;
S3.判断车辆TV与同车道前车FV之间的最小安全换道距离;
S4.判断车辆TV与目标车道后车RV之间的最小安全换道距离;
S5.产生换道决策结果。
2.根据权利要求1所述的风险势场的网联自主车辆换道决策方法,其特征在于,S1包括:以车头时距TH将换道意图的产生进行量化:
式中,d为目标车辆与前方车辆之间的相对距离,ve为目标车辆的期望速度,车头时距指同车道前后两辆车的车头通过同一断面的时间差。
3.根据权利要求2所述的风险势场的网联自主车辆换道决策方法,其特征在于,S1包括:取THmin=2s;
式中,THmin为TH的最小值;
PH<2s时,当前车道无法满足车辆驾驶需求,产生换道意图;
PH>2s时,当前车道满足车辆的驾驶需求,不产生换道意图,继续在本车道行驶。
4.根据权利要求3所述的风险势场的网联自主车辆换道决策方法,其特征在于,S2包括:
考虑车辆自身属性及其运动状态参数构建风险势场模型:
式中,Uv为车辆风险势场,μ、β、k均为不为0的待定系数,θ′为任意一点到目标车辆与车辆速度方向的夹角,exp(β·v·cosθ′)表示任意物体所受到的场力的大小,随着速度和接近方向的不同而发生改变,r′为两点之间的矢量距离,表示任意物体所受到的场力的大小,以任意物体到目标车辆的距离的幂函数的形式发生变化,Mj为目标车辆j的虚拟质量,|b′|为修正后的距离。
5.根据权利要求4所述的风险势场的网联自主车辆换道决策方法,其特征在于,S2包括:
mj为目标车辆j的实际质量,Tj为目标车辆j的类型参数,vj为目标车辆j的当前行驶速度。
6.根据权利要求5所述的风险势场的网联自主车辆换道决策方法,其特征在于,S2包括:
式中,α1和α2为目标车辆长和宽的相关系数,τ为与加速度相关的系数,σ为与速度相关的系数,v为当前目标车辆的速度,目标车辆的质心坐标为(x0,y0),空间内任意一点为(x,y)。
7.根据权利要求6所述的风险势场的网联自主车辆换道决策方法,其特征在于,S3包括:在目标车辆TV与前车FV的换道中,车辆TV换道成功条件为:
式中,D0为换道前车辆TV与车辆FV之间的车头间距,D1为进行换道时车辆TV和前车FV的车头间距,ST为车辆TV在换道准备阶段所行驶的距离,SF为车辆FV在换道准备阶段所行驶的距离,LFV和LTV为车辆TV和FV的车身长度,θ为车辆TV的速度方向与X轴方向的夹角,SFV为前车FV车尾方向风险势场的范围,STV为车辆TV车头方向风险势场的范围;
车辆TV与车辆FV之间的最小安全换道距离为满足以下条件的D0:
8.根据权利要求7所述的风险势场的网联自主车辆换道决策方法,其特征在于,S4包括:
在车辆TV与目标车道后方车辆RV的换道中,车辆TV换道成功条件为:
式中,D0为车辆TV换道前与后车RV之间的车头间距,SR为换道结束时车辆RV行驶的距离,ST为换道完成后车辆TV所行使的纵向距离,D1为换道完成时车辆RV和车辆TV的车头间距,LRV和LTV分别是车辆RV和TV的车身长度,SRV为车辆RV车头方向风险势场的范围,STV-R为车辆TV车尾方向的风险势场的范围;
车辆TV与后车RV之间的最小安全换道距离为满足以下条件的D0:
9.根据权利要求8所述的风险势场的网联自主车辆换道决策方法,其特征在于,S5包括:
当车辆对当前的驾驶环境不满意时,车辆通过检测设备和通讯设备收集周围车辆的运动状态及其空间位置,根据自身的实际情况判断是否进行换道;
当前场景不允许换道时,车辆继续保持跟车状态,并再次收集周围车辆信息;
如果车辆进行换道,则进一步收集本车道及目标车道上的车辆信息及其分布情况,并判断是否满足最小安全换道距离的要求,满足换道要求时车辆进行换道操作,反之,则继续保持跟车状态。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414961.2A CN117485366B (zh) | 2023-10-30 | 2023-10-30 | 基于风险势场的网联自主车辆换道决策方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311414961.2A CN117485366B (zh) | 2023-10-30 | 2023-10-30 | 基于风险势场的网联自主车辆换道决策方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117485366A true CN117485366A (zh) | 2024-02-02 |
CN117485366B CN117485366B (zh) | 2024-05-28 |
Family
ID=89673627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311414961.2A Active CN117485366B (zh) | 2023-10-30 | 2023-10-30 | 基于风险势场的网联自主车辆换道决策方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117485366B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004258889A (ja) * | 2003-02-25 | 2004-09-16 | Toshiba Corp | 交通流シミュレーションシステム、方法、及びプログラム |
CN110304074A (zh) * | 2019-06-28 | 2019-10-08 | 电子科技大学 | 一种基于分层状态机的混合式驾驶方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN114355896A (zh) * | 2021-12-14 | 2022-04-15 | 东南大学 | 一种智能网联队列内车辆换道安全间距确定方法 |
CN114537380A (zh) * | 2022-02-17 | 2022-05-27 | 上海应用技术大学 | 网联汽车避障换道轨迹规划方法及系统 |
CN115099002A (zh) * | 2022-05-30 | 2022-09-23 | 东南大学 | 一种面向混合交通环境的交通流微观模型优化方法 |
CN115862329A (zh) * | 2022-11-28 | 2023-03-28 | 上海理工大学 | 一种基于高速公路交通事故下的车辆协同换道引导方法 |
CN115973169A (zh) * | 2023-02-23 | 2023-04-18 | 上海智能网联汽车技术中心有限公司 | 基于风险场模型的驾驶行为决策方法、电子设备及介质 |
CN116588123A (zh) * | 2023-05-18 | 2023-08-15 | 东南大学 | 基于安全势场模型的风险感知的预警策略方法 |
-
2023
- 2023-10-30 CN CN202311414961.2A patent/CN117485366B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004258889A (ja) * | 2003-02-25 | 2004-09-16 | Toshiba Corp | 交通流シミュレーションシステム、方法、及びプログラム |
CN110304074A (zh) * | 2019-06-28 | 2019-10-08 | 电子科技大学 | 一种基于分层状态机的混合式驾驶方法 |
CN113911129A (zh) * | 2021-11-23 | 2022-01-11 | 吉林大学 | 一种基于驾驶行为生成机制的交通车意图识别方法 |
CN114355896A (zh) * | 2021-12-14 | 2022-04-15 | 东南大学 | 一种智能网联队列内车辆换道安全间距确定方法 |
CN114537380A (zh) * | 2022-02-17 | 2022-05-27 | 上海应用技术大学 | 网联汽车避障换道轨迹规划方法及系统 |
CN115099002A (zh) * | 2022-05-30 | 2022-09-23 | 东南大学 | 一种面向混合交通环境的交通流微观模型优化方法 |
CN115862329A (zh) * | 2022-11-28 | 2023-03-28 | 上海理工大学 | 一种基于高速公路交通事故下的车辆协同换道引导方法 |
CN115973169A (zh) * | 2023-02-23 | 2023-04-18 | 上海智能网联汽车技术中心有限公司 | 基于风险场模型的驾驶行为决策方法、电子设备及介质 |
CN116588123A (zh) * | 2023-05-18 | 2023-08-15 | 东南大学 | 基于安全势场模型的风险感知的预警策略方法 |
Non-Patent Citations (1)
Title |
---|
李林恒,甘婧,曲栩,冉斌: "智能网联环境下基于安全势场理论的车辆换道模型", 中国公路学报, vol. 34, no. 6, 30 June 2021 (2021-06-30), pages 184 - 195 * |
Also Published As
Publication number | Publication date |
---|---|
CN117485366B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109501799B (zh) | 一种车联网条件下的动态路径规划方法 | |
CN111338340B (zh) | 基于模型预测的无人驾驶汽车局部路径规划方法 | |
CN109035862B (zh) | 一种基于车车通信的多车协同换道控制方法 | |
CN107792065B (zh) | 道路车辆轨迹规划的方法 | |
Liao et al. | Decision-making strategy on highway for autonomous vehicles using deep reinforcement learning | |
Lu et al. | Adaptive potential field-based path planning for complex autonomous driving scenarios | |
CN112046484B (zh) | 一种基于q学习的车辆变道超车路径规划方法 | |
Liu et al. | Improved protocols and stability analysis for multivehicle cooperative autonomous systems | |
Luo et al. | Cooperative lane-change maneuver for multiple automated vehicles on a highway | |
Yi et al. | Model predictive trajectory planning for automated driving | |
Liu et al. | Real-time longitudinal and lateral state estimation of preceding vehicle based on moving horizon estimation | |
JP2016215790A (ja) | 車線変更計画生成装置、車線変更計画生成方法 | |
Liu et al. | Research on local dynamic path planning method for intelligent vehicle lane-changing | |
CN114889625A (zh) | 基于安全势场理论的道路弯道处车辆跟驰模型的建立方法 | |
Jeon et al. | Overtaking decision and trajectory planning in highway via hierarchical architecture of conditional state machine and chance constrained model predictive control | |
CN114194215B (zh) | 一种智能车辆避障换道轨迹规划方法及系统 | |
Zhang et al. | Structured road-oriented motion planning and tracking framework for active collision avoidance of autonomous vehicles | |
Wang et al. | Multi-vehicle conflict management with status and intent sharing under time delays | |
CN117485366B (zh) | 基于风险势场的网联自主车辆换道决策方法 | |
Jiang et al. | Dynamic local path planning for intelligent vehicles based on sampling area point discrete and quadratic programming | |
CN112542061A (zh) | 基于车联网的借道超车控制方法、装置、系统及存储介质 | |
CN112002143A (zh) | 基于动态风险势能场的多车环境下车辆运行风险评估系统 | |
Kavas-Torris et al. | A Comprehensive Eco-Driving Strategy for Connected and Autonomous Vehicles (CAVs) with Microscopic Traffic Simulation Testing Evaluation | |
CN115973187A (zh) | 一种自动驾驶车辆变道轨迹规划方法 | |
Liu et al. | A model for safe lane changing of connected vehicles based on quintic polynomial Trajectory planning |
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 |