CN117496762A - 适于多维尺度的协同感知环境的实时车道选择方法及系统 - Google Patents
适于多维尺度的协同感知环境的实时车道选择方法及系统 Download PDFInfo
- Publication number
- CN117496762A CN117496762A CN202311849587.9A CN202311849587A CN117496762A CN 117496762 A CN117496762 A CN 117496762A CN 202311849587 A CN202311849587 A CN 202311849587A CN 117496762 A CN117496762 A CN 117496762A
- Authority
- CN
- China
- Prior art keywords
- lane
- vehicle
- road
- time
- traffic
- 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
- 238000010187 selection method Methods 0.000 title claims abstract description 26
- 230000008859 change Effects 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000004891 communication Methods 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 7
- 230000006399 behavior Effects 0.000 claims description 6
- 230000006698 induction Effects 0.000 claims description 5
- 230000001133 acceleration Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000033228 biological regulation Effects 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001627 detrimental effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000000007 visual 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
- 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
- G08G1/096708—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control
- G08G1/096725—Systems involving transmission of highway information, e.g. weather, speed limits where the received information might be used to generate an automatic action on the vehicle control where the received information generates an automatic action on the vehicle control
-
- 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
- G08G1/096766—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission
- G08G1/096783—Systems involving transmission of highway information, e.g. weather, speed limits where the system is characterised by the origin of the information transmission where the origin of the information is a roadside individual element
Abstract
本发明公开了一种适于多维尺度的协同感知环境的实时车道选择方法及系统，涉及辅助驾驶道路选择技术领域，包括路端配置传感器，并进行路段划分，采集数据并计算车道流量、车流流速以及车流密度；路端侧通过I2V进行数据传输传送至车辆端；车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。本发明通过实时的路端数据和车端数据协同进行数据联动辅助驾驶，在不影响交通管理者的状态下，辅助车辆进行变道操作实现车道级别调控。通过路端数据发送至车辆端，解决了车辆视距短的问题，显著提升安全性。设定N和N+1道路双重判断，提升不同状态下车辆的应变能力，适用性更强，并且可以提升道路通行效率。
Description
技术领域
本发明涉及辅助驾驶道路选择技术领域，具体为适于多维尺度的协同感知环境的实时车道选择方法及系统。
背景技术
目前感知道路交通信息的方式可分为两类，一种是路端感知，将传感器布置在交通信号杆上或路面以下，对交通信息进行收集并监测，这种感知技术通常具有较远的感知范围和持续观察某一路段交通状态的能力，有利于交通管理者实时观察某一路段的交通状况，进而采取对应的管理措施改善交通状况；另一种是车端感知，将传感器布置在车辆周围，这些传感器可以捕捉车身四周的交通状况，为驾驶者或行车电脑提供交通信息，辅助车辆规避行驶过程中的风险。
常用的路端感知技术手段包括路侧摄像机、环形感应线圈、雷达检测器等，通常安装于道路上方或埋藏于路面以下，在不影响车辆正常通行的条件下可实现对较长路段的长时间观测。所收集的数据包括该路段某一时段内的交通量、车流密度和车流流速，能够反映出该路段内的交通状况。此外，还可通过摄像机对路面情况进行监测，当发生交通事故时能够第一时间发现并采取措施。但这些数据往往由交通管理部门掌握，需要在技术人员分析后制定相应管理措施，且多用于宏观调控，无法精细化到车道级的调控。
常用的车端感知技术手段包括车载激光雷达、毫米波雷达、超声波雷达、视觉摄像头等，这些传感器具有较高的精度，结合相应的深度学习算法，能够满足车辆在一般场景下的感知需求，目前使用这些传感器能够支持车辆在道路上实现L4级的自动驾驶。但由于车身高度和宽度的限制，即使将传感器安装于车辆顶部也无法获得较远距离的交通信息，甚至会出现传感器被遮挡而无法感知的状况，因此车端感知技术在“视距”方面存在着局限性。对于未来的智能车辆来说，仅使用车端感知技术不利于车辆选择当前路段的最优车道。
随着通信技术的提升，车路协同技术也随之得到快速发展，车辆可以实现车与车、车与交通基础设施之间的通信，从而获得更多的交通信息。特别是在5G技术应用后，路端设备与车端设备可实现低延时的通信，这能够进一步提升车辆行驶安全、提高道路通行效率。当车辆获取到当前路段详细的交通信息后，结合车载感知技术，可以实现车道级的路径选择，提高车辆在当前路段的通行效率。
发明内容
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：现有的实时车道选择方法存在视距受车辆形态影响，感知分析层级过高以及如何实现保证安全性的前提下实现通行效率提升的问题。
为解决上述技术问题，本发明提供如下技术方案：一种适于多维尺度的协同感知环境的实时车道选择方法，包括路端配置传感器，并进行路段划分，采集数据并计算车道流量、车流流速以及车流密度；路端侧通过I2V进行数据传输传送至车辆端；车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述路端配置传感器包括在道路的同一断面处每条车道配置交通信息检测器，交通信息检测器包括环形感应线圈、雷达检测器、视频检测器，检测数据包括横截面处车辆经过时的速度和时间，一时间段内通过车道横截面处的车辆数，以交通信息检测器为节点，将道路分为路段，路段N进口处的检测器为N，出口处的检测器为N+1。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述计算车道流量、车流流速以及车流密度包括车道流量计算单位时间内通过车道横截面的车辆数，表示为Q，单位为辆/10分钟；车流流速计算，计算车道上车流向前行驶的速度，表示为V，单位为千米/小时，在单位时间内检测车辆通过检测器横截面时的速度，并计算平均值作为车流的流速；车流密度计算，计算车道上单位长度内的车辆数，表示为K，单位为辆/千米，根据测得的车道流量Q和车流流速V，计算出车流密度K=Q/V。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述数据传输包括在每条路段设置路端通讯模块接收当前路段信息以及下一路段信息，通过I2V技术，路端通讯模块通过发射射频信号将数据发布出去，当车辆处于通讯范围内，接收当前位置路段以及下一路段的交通状态信息，车端感知模块检测交通信息，车端感知模块包含GPS、激光雷达和摄像头，其中GPS定位的经纬度坐标用于确定车辆在道路上的位置，激光雷产生的点云数据达用于检测当前车辆与周围车辆的间距，摄像头产生的视频数据用于检测车道线，判断车辆是否具有换道权限。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述判断最优行驶车道包括路段N最优行驶车道判断将经纬度坐标和路段N数据作为输入数据，输出路段N的最优行驶车道，通过经纬度坐标判断车辆当前车道以及位置，根据位置计算在当前路段剩余行驶路程，通过路段N的车道车流流速计算车辆在各车道的剩余行驶时间/>，若车辆沿着当前车道继续行驶，则表示为/>，表示为：
；
其中，表示在当前路段剩余的行驶路程，/>表示当前车道的车流流速；若车辆换道行驶，则剩余行驶时间表示为/>，表示为：
；
其中，表示目标车道的车流流速，/>为换道损失系数，表示为：
；
其中，表示车辆当前车速，/>表示车辆的加速性能，/>和/>分别表示当前车道和目标车道的车流密度，/>和/>分别表示当前车道和目标车道的车流流量，/>和分别表示速度权重系数和车流密度权重系数；剩余路程行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道；路段N+1最优行驶车道判断，根据路段N+1车道的车流流速计算车辆在车道的预行驶时间，表示为：
；
其中，表示路段N+1的行驶路程，/>表示目标车道的车流流速，行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道，确定最优行驶车道后进行换道权限判断。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述换道权限判断包括采集视频数据，通过机器学习的方法判断车辆两侧车道线，若车道线为虚线，则车辆可以向虚线方向换道，若车道线为实线，则车辆不具备换道权限，若车道线为虚实线，则判断当前车道内侧是否为虚线，若为虚线，则车辆可以向虚线方向变道，否则不具备换道权限；当车辆确认具有换道权限时进行碰撞预警，通过激光雷达监测车辆与周围车辆的间距，若纵向距离小于纵向最小安全间距或横向距离小于横向最小安全距离，则判断为有换道风险，停止换道。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择方法的一种优选方案，其中：所述车道状况评估包括判断当前最优车道与下一路段最优车道是否一致，若一致则保持当前车道行驶，若不一致，则确定目标车道并计算当前路段所处车道至下一路段最优车道的换道次数和换道时机，换道时机表示为：
；
其中，表示换道位置距离下一路段起始位置的长度，/>为计算的换道次数，表示当前车道车流流速，/>表示换道等待时间，确定换道时机后进行换道，直至当前车道与下一路段最优车道一致。
本发明的另外一个目的是提供一种适于多维尺度的协同感知环境的实时车道选择系统，其能通过实时的路端数据和车端数据协同进行数据联动辅助驾驶，在不影响交通管理者的状态下，辅助车辆进行变道操作，解决了目前的车辆道路管理数据往往由交通管理部门掌握，需要在技术人员分析后制定相应管理措施，且多用于宏观调控，无法精细化到车道级的调控的问题。
作为本发明所述的适于多维尺度的协同感知环境的实时车道选择系统的一种优选方案，其中：包括数据采集模块，数据传输模块，行为规划模块；所述数据采集模块通过路端配置传感器，采集数据并计算车道流量、车流流速以及车流密度；所述数据传输模块路端侧继进行数据传输传送至车辆端；所述行为规划模块通过车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序是实现适于多维尺度的协同感知环境的实时车道选择方法的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现适于多维尺度的协同感知环境的实时车道选择方法的步骤。
本发明的有益效果：本发明提供的适于多维尺度的协同感知环境的实时车道选择方法，本发明通过实时的路端数据和车端数据协同进行数据联动辅助驾驶，在不影响交通管理者的状态下，辅助车辆进行变道操作实现车道级别调控。通过路端数据发送至车辆端，解决了车辆视距短的问题，显著提升安全性。设定N和N+1道路双重判断，提升不同状态下车辆的应变能力，适用性更强，并且可以提升道路通行效率。本发明在控制层级、安全性和通行效率方面都取得更加良好的效果。
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它的附图。
图1为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择方法的整体流程图。
图2为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择方法的另一流程图。
图3为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择方法的车载计算模块流程图。
图4为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择方法的车道状况评估模块流程图。
图5为本发明第一个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择方法的换道权限判断图。
图6为本发明第三个实施例提供的一种适于多维尺度的协同感知环境的实时车道选择系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
实施例1
参照图1-图5，为本发明的一个实施例，提供了一种适于多维尺度的协同感知环境的实时车道选择方法，包括：
S1：路端配置传感器，并进行路段划分，采集数据并计算车道流量、车流流速以及车流密度。
更进一步的，路端配置传感器包括在道路的同一断面处每条车道配置交通信息检测器，交通信息检测器包括环形感应线圈、雷达检测器、视频检测器，检测数据包括横截面处车辆经过时的速度和时间，一时间段内通过车道横截面处的车辆数，以交通信息检测器为节点，将道路分为路段，路段N进口处的检测器为N，出口处的检测器为N+1。
应说明的是，车道流量计算。计算单位时间内通过车道横截面的车辆数，表示为Q，单位为“辆/小时”，即1小时内通过该横截面的车辆数。根据检测器的检测，可以直接获取单位时间内通过某一断面处的车辆数，但由于车流量的大小是时刻变化的，1小时内的车流量不能准确描述当前时刻的车流状况，而缩小检测的单位时间可以更准确描述实际的车流状况。例如单位检测时间设定为10分钟，其测算的数据为“辆/10分钟”。
车流流速计算。计算某一车道上车流向前行驶的速度，表示为V，单位为“千米/小时”，即1小时内该车道上的车流可通行的距离。在单位时间内检测车辆通过检测器所处横截面时的速度，并求平均值作为车流的流速。
车流密度计算。计算某一车道上单位长度内的车辆数，表示为K，单位为“辆/千米”，即1千米内该车道上的车辆数，能够反映道路的拥堵状况。根据测得的车道流量Q和车流流速V，可以计算出车流密度K=Q/V。
S2：路端侧通过I2V进行数据传输传送至车辆端。
更进一步的，路端信息传输至路端通讯模块。在每条路段设置路端通讯模块接收当前路段信息以及下一路段信息。例如在路段N处设置的路端通讯模块需要接收检测器N以及检测器N+1的感知数据。路端通讯模块将路端感知数据传输至车载通讯模块。利用I2V技术，路端通讯模块通过发射射频信号将数据发布出去，当车辆处于通讯范围内则可以接收所处路段以及下一路段的交通状态信息。车端感知模块检测交通信息。车端感知模块包含GPS、激光雷达和摄像头，其中GPS定位的经纬度坐标用于确定车辆在道路上的位置；激光雷达产生的点云数据用于检测当前车辆与周围车辆的间距；摄像头产生的视频数据用于检测车道线，判断车辆是否具有换道权限如图5所示。
S3：车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。
更进一步的，判断最优行驶车道包括路段N最优行驶车道判断将经纬度坐标和路段N数据作为输入数据，输出路段N的最优行驶车道，通过经纬度坐标判断车辆当前车道以及位置，根据位置计算在当前路段剩余行驶路程，通过路段N的车道车流流速计算车辆在各车道的剩余行驶时间/>，若车辆沿着当前车道继续行驶，则表示为/>，表示为：
；
其中，表示在当前路段剩余的行驶路程，/>表示当前车道的车流流速；若车辆换道行驶，则剩余行驶时间表示为/>，表示为：
；
其中，表示目标车道的车流流速，/>为换道损失系数，表示为：
；
其中，表示车辆当前车速，/>表示车辆的加速性能，/>和/>分别表示当前车道和目标车道的车流密度，/>和/>分别表示当前车道和目标车道的车流流量，/>和分别表示速度权重系数和车流密度权重系数；剩余路程行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道；路段N+1最优行驶车道判断，根据路段N+1车道的车流流速计算车辆在车道的预行驶时间，表示为：
；
其中，表示路段N+1的行驶路程，/>表示目标车道的车流流速，行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道，确定最优行驶车道后进行换道权限判断。
应说明的是，换道权限判断包括采集视频数据，通过机器学习的方法判断车辆两侧车道线，若车道线为虚线，则车辆可以向虚线方向换道，若车道线为实线，则车辆不具备换道权限，若车道线为虚实线，则判断当前车道内侧是否为虚线，若为虚线，则车辆可以向虚线方向变道，否则不具备换道权限；当车辆确认具有换道权限时进行碰撞预警，通过激光雷达监测车辆与周围车辆的间距，若纵向距离小于纵向最小安全间距或横向距离小于横向最小安全距离，则判断为有换道风险，停止换道。机器学习方法包括但不限于卷积神经网络（CNN）、支持向量机（SVM）、随机森林（Random Forest）、遗传算法（Genetic Algorithm）。
还应说明的是，车道状况评估包括判断当前最优车道与下一路段最优车道是否一致，若一致则保持当前车道行驶，若不一致，则确定目标车道并计算当前路段所处车道至下一路段最优车道的换道次数和换道时机，换道时机表示为：
；
其中，表示换道位置距离下一路段起始位置的长度，/>为计算的换道次数，/>表示当前车道车流流速，/>表示换道等待时间，确定换道时机后进行换道，直至当前车道与下一路段最优车道一致。
更进一步的，根据最优车道信息，可以语音提醒驾驶员换道时机，特别在需要多次换道的情况下，推荐驾驶员提前换道，避免连续换道。
实施例2
本发明的一个实施例，提供了一种适于多维尺度的协同感知环境的实时车道选择方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
首先，设车辆位于三车道的高速公路上行驶，每条车道每隔一千米处设置交通信息检测器，检测器可以是环形感应线圈、雷达检测器、视频检测器等，检测数据检测的数据有某一车道的某一横截面处车辆经过时的速度和时间，也可以检测在某一时间段内通过某一车道的某一横截面处的车辆数。以交通信息检测器为节点，将道路分为多个路段，路段N进口处的检测器为N，出口处的检测器为N+1，即路段N+1的进口。
当车辆处于路段1处时，将接收到路段1和路段2的路端感知数据，路端感知数据包括车道流量、车流流速和车流密度，这三种数据的计算方式如下：
车道流量计算：计算单位时间内通过车道横截面的车辆数，表示为Q，单位为“辆/小时”，即1小时内通过该横截面的车辆数。根据检测器的检测，可以直接获取单位时间内通过某一横截面处的车辆数，但由于车流量的大小是时刻变化的，1小时内的车流量不能准确描述当前时刻的车流状况，而缩小检测的单位时间可以更准确描述实际的车流状况。例如单位检测时间设定为5分钟，其测算的数据为“辆/5分钟”。假设路段1中车道1的车流量为75辆/5分钟，车道2的车流量为80辆/5分钟，车道3的车流量为85辆/5分钟；路段2中车道1的车流量为80辆/5分钟，车道2的车流量为85辆/5分钟，车道3的车流量为75辆/5分钟。
车流流速计算：计算某一车道上车流向前行驶的速度，表示为V，单位为“千米/小时”，即1小时内该车道上的车流可通行的距离。在单位时间内检测车辆通过检测器所处横截面时的速度，并求平均值作为车流的流速。假设路段1中车道1的车流流速为70千米/小时，车道2的车流流速为80千米/小时，车道3的车流流速为90千米/小时；路段2中车道1的车流流速为70千米/小时，车道2的车流流速为80千米/小时，车道3的车流流速为90千米/小时。
车流密度计算：车流密度计算。计算某一车道上单位长度内的车辆数，表示为K，单位为“辆/千米”，即1千米内该车道上的车辆数，能够反映道路的拥堵状况。根据测得的车道流量Q和车流流速V，可以计算出车流密度K=Q/V。根据上述公式计算，路段1中车道1的车流密度为12.86辆/千米，车道2的车流密度为12辆/千米，车道3的车流密度为11.33辆/千米；路段2中车道1的车流密度为13.71辆/千米，车道2的车流密度为12.75辆/千米，车道3的车流密度为10辆/千米。路段N最优行驶车道判断：将经纬度坐标和路段N数据作为输入数据，输出路段N的最优行驶车道。首先通过经纬度坐标判断车辆所在车道以及位置，根据位置计算在当前路段剩余行驶路程L，再通过路段N的各车道车流流速计算车辆在各车道的剩余行驶时间，行驶时间最短的车道判断为最优车道，若行驶时间相等，则车流密度最小的车道为最优车道。假设车辆位于路段1车道1的500米处，则在路段1中剩余行驶路程为500米，若车辆沿着当前车道继续行驶，则表示为，计算方法如下式所示：
；
式中表示在路段1剩余的行驶路程；/>表示车道1的车流流速。
若车辆换道行驶，则剩余行驶时间表示为，计算方法如下式所示：
；
式中表示在路段1剩余的行驶路程；/>表示目标车道的车流流速；/>为换道损失系数，单位为秒，如下式所示：
；
式中表示车辆当前车速，设为70千米/小时；/>表示目标车道的车流流速；/>表示车辆的加速性能，设为2m/s2；/>和/>分别表示车道1和目标车道的车流密度；/>和分别表示车道1和目标车道的车流流量；/>和/>分别表示速度权重系数和车流密度权重系数，均设为0.5。
根据以上公式计算得出车辆在路段1中各车道的行驶时间，在车道1的行驶时间为25.72秒，在车道2的行驶时间为22.91秒，在车道3的行驶时间为20.80秒。则最优车道为车道3。
路段N+1最优行驶车道判断：根据路段N+1各车道的车流流速计算车辆在各车道的预行驶时间，假设路段2的长度为1千米，则计算方法如下式所示：
；
式中表示路段2的行驶路程；/>表示目标车道的车流流速。
根据以上公式计算得出车辆在路段2中各车道的行驶时间，在车道1的行驶时间为51.43秒，在车道2的行驶时间为45秒，在车道3的行驶时间为40秒。则最优车道为车道3。
当前最优车道与下一路段最优车道不一致时，需要计算车辆在当前路段内的换道时机，使车辆行驶至下一路段时换道至最优车道。假设路段1最优车道为1且车辆行驶在车道1上，路段2最优车道为3，则车辆需要换道2次，车辆第一次换道时机由下式得出：
；
式中表示换道位置距离下一路段起始位置的长度；/>表示换道等待时间，一般设置为3秒。
当车辆由车道1换道至车道2时，车辆第二次换道时机由下式得出：
；
车辆当前行驶车道与下一路段最优车道一致时，则停止换道。
由此可知，我方发明在进行变道处理时具有显著的优势。
实施例3
参照图6，为本发明的一个实施例，提供了一种适于多维尺度的协同感知环境的实时车道选择系统，包括数据采集模块，数据传输模块，行为规划模块.
其中，数据采集模块通过路端配置传感器，采集数据并计算车道流量、车流流速以及车流密度；数据传输模块路端侧继续进行数据传输传送至车辆端；行为规划模块通过车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。
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 AccessMemory）、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置）、便携式计算机盘盒（磁装置）、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编辑只读存储器（EPROM或闪速存储器）、光纤装置以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种适于多维尺度的协同感知环境的实时车道选择方法，其特征在于，包括：
路端配置传感器，并进行路段划分，采集数据并计算车道流量、车流流速以及车流密度；
路端侧通过I2V进行数据传输传送至车辆端；
车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道；
所述路端配置传感器包括在道路的同一断面处每条车道配置交通信息检测器，交通信息检测器包括环形感应线圈、雷达检测器、视频检测器，检测数据包括横截面处车辆经过时的速度和时间，一时间段内通过车道横截面处的车辆数，以交通信息检测器为节点，将道路分为路段，路段N进口处的检测器为N，出口处的检测器为N+1。
2.如权利要求1所述的适于多维尺度的协同感知环境的实时车道选择方法，其特征在于：所述计算车道流量、车流流速以及车流密度包括车道流量计算单位时间内通过车道横截面的车辆数，表示为Q，单位为辆/10分钟；
车流流速计算，计算车道上车流向前行驶的速度，表示为V，单位为千米/小时，在单位时间内检测车辆通过检测器横截面时的速度，并计算平均值作为车流的流速；
车流密度计算，计算车道上单位长度内的车辆数，表示为K，单位为辆/千米，根据测得的车道流量Q和车流流速V，计算出车流密度K=Q/V。
3.如权利要求2所述的适于多维尺度的协同感知环境的实时车道选择方法，其特征在于：所述数据传输包括在每条路段设置路端通讯模块接收当前路段信息以及下一路段信息，通过I2V技术，路端通讯模块通过发射射频信号将数据发布出去，当车辆处于通讯范围内，接收当前位置路段以及下一路段的交通状态信息，车端感知模块检测交通信息，车端感知模块包含GPS、激光雷达和摄像头，其中GPS定位的经纬度坐标用于确定车辆在道路上的位置，激光雷产生的点云数据达用于检测当前车辆与周围车辆的间距，摄像头产生的视频数据用于检测车道线，判断车辆是否具有换道权限。
4.如权利要求3所述的适于多维尺度的协同感知环境的实时车道选择方法，其特征在于：所述判断最优行驶车道包括路段N最优行驶车道判断将经纬度坐标和路段N数据作为输入数据，输出路段N的最优行驶车道，通过经纬度坐标判断车辆当前车道以及位置，根据位置计算在当前路段剩余行驶路程 ，通过路段N的车道车流流速计算车辆在各车道的剩余行驶时间/>，若车辆沿着当前车道继续行驶，则表示为/>，表示为：
；
其中，表示在当前路段剩余的行驶路程，/>表示当前车道的车流流速；
若车辆换道行驶，则剩余行驶时间表示为，表示为：
；
其中，表示目标车道的车流流速，/>为换道损失系数，表示为：
；
其中，表示车辆当前车速，/>表示车辆的加速性能，/>和/>分别表示当前车道和目标车道的车流密度，/>和/>分别表示当前车道和目标车道的车流流量，/>和/>分别表示速度权重系数和车流密度权重系数；
剩余路程行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道；
路段N+1最优行驶车道判断，根据路段N+1车道的车流流速计算车辆在车道的预行驶时间，表示为：
；
其中，表示路段N+1的行驶路程，/>表示目标车道的车流流速，行驶时间最短的车道判断为最优车道，若所有车道行驶时间相等，则车流密度最小的车道为最优车道，确定最优行驶车道后进行换道权限判断。
5.如权利要求4所述的适于多维尺度的协同感知环境的实时车道选择方法，其特征在于：所述换道权限判断包括采集视频数据，通过机器学习的方法判断车辆两侧车道线，若车道线为虚线，则车辆可以向虚线方向换道，若车道线为实线，则车辆不具备换道权限，若车道线为虚实线，则判断当前车道内侧是否为虚线，若为虚线，则车辆可以向虚线方向变道，否则不具备换道权限；
当车辆确认具有换道权限时进行碰撞预警，通过激光雷达监测车辆与周围车辆的间距，若纵向距离小于纵向最小安全间距或横向距离小于横向最小安全距离，则判断为有换道风险，停止换道。
6.如权利要求5所述的适于多维尺度的协同感知环境的实时车道选择方法，其特征在于：所述车道状况评估包括判断当前最优车道与下一路段最优车道是否一致，若一致则保持当前车道行驶，若不一致，则确定目标车道并计算当前路段所处车道至下一路段最优车道的换道次数和换道时机，换道时机表示为：
；
其中，表示换道位置距离下一路段起始位置的长度，/>为计算的换道次数，/>表示当前车道车流流速，/>表示换道等待时间，确定换道时机后进行换道，直至当前车道与下一路段最优车道一致。
7.一种采用如权利要求1~6任一所述的适于多维尺度的协同感知环境的实时车道选择方法的系统，其特征在于：包括数据采集模块，数据传输模块，行为规划模块；
所述数据采集模块通过路端配置传感器，采集数据并计算车道流量、车流流速以及车流密度；
所述数据传输模块路端侧继进行数据传输传送至车辆端；
所述行为规划模块通过车载计算模块判断最优行驶车道并进行车道状况评估，进行辅助换道。
8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的适于多维尺度的协同感知环境的实时车道选择方法的步骤。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的适于多维尺度的协同感知环境的实时车道选择方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849587.9A CN117496762B (zh) | 2023-12-29 | 适于多维尺度的协同感知环境的实时车道选择方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311849587.9A CN117496762B (zh) | 2023-12-29 | 适于多维尺度的协同感知环境的实时车道选择方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117496762A true CN117496762A (zh) | 2024-02-02 |
| CN117496762B CN117496762B (zh) | 2024-05-10 |
Family
ID=
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190311616A1 (en) * | 2018-04-10 | 2019-10-10 | Cavh Llc | Connected and automated vehicle systems and methods for the entire roadway network |
| CN113347254A (zh) * | 2021-06-02 | 2021-09-03 | 安徽工程大学 | 基于v2x的智能交通控制车联网系统及其控制方法 |
| CN114360269A (zh) * | 2020-10-12 | 2022-04-15 | 上海丰豹商务咨询有限公司 | 一种智能网联道路支持下的自动驾驶协同控制系统和方法 |
| CN114758519A (zh) * | 2022-04-19 | 2022-07-15 | 常熟利众智慧城市科技有限公司 | 一种基于5g与v2x智慧灯杆的车路协同自动驾驶系统 |
| CN116373904A (zh) * | 2022-03-07 | 2023-07-04 | 河南职业技术学院 | 一种基于环境感知和多车协同的车载智能控制系统 |
| CN116895163A (zh) * | 2023-06-01 | 2023-10-17 | 苏州观瑞汽车技术有限公司 | 基于信号灯主动通信的多车协同控制方法和系统 |
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190311616A1 (en) * | 2018-04-10 | 2019-10-10 | Cavh Llc | Connected and automated vehicle systems and methods for the entire roadway network |
| CN114360269A (zh) * | 2020-10-12 | 2022-04-15 | 上海丰豹商务咨询有限公司 | 一种智能网联道路支持下的自动驾驶协同控制系统和方法 |
| CN113347254A (zh) * | 2021-06-02 | 2021-09-03 | 安徽工程大学 | 基于v2x的智能交通控制车联网系统及其控制方法 |
| CN116373904A (zh) * | 2022-03-07 | 2023-07-04 | 河南职业技术学院 | 一种基于环境感知和多车协同的车载智能控制系统 |
| CN114758519A (zh) * | 2022-04-19 | 2022-07-15 | 常熟利众智慧城市科技有限公司 | 一种基于5g与v2x智慧灯杆的车路协同自动驾驶系统 |
| CN116895163A (zh) * | 2023-06-01 | 2023-10-17 | 苏州观瑞汽车技术有限公司 | 基于信号灯主动通信的多车协同控制方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10704920B2 (en) | Traffic lane guidance system for vehicle and traffic lane guidance method for vehicle | |
| US11275382B2 (en) | Autonomous driving system | |
| CN109074737B (zh) | 安全驾驶辅助系统、服务器、车辆、以及程序 | |
| CN105608927B (zh) | 警告装置 | |
| JP6380274B2 (ja) | 自動運転車両用ナビゲーション装置 | |
| KR20180078973A (ko) | 목표차량의 운전패턴에 따른 협조 적응 순항 제어 시스템 | |
| KR102005253B1 (ko) | 극도로 빠르게 접근하는 차량들에 응답하는 차선 보조 시스템 | |
| CN103038117B (zh) | 堵车预测方法 | |
| JP5842996B2 (ja) | 不慮予測感度判定装置 | |
| US10369995B2 (en) | Information processing device, information processing method, control device for vehicle, and control method for vehicle | |
| CN105313895A (zh) | 车辆控制装置和车辆控制方法 | |
| WO2012129425A2 (en) | Driver assistance system | |
| CN105121248A (zh) | 驾驶辅助设备以及驾驶辅助方法 | |
| JP5907249B2 (ja) | 不慮予測感度判定装置 | |
| CN106548630B (zh) | 一种驾驶行为的检测方法及装置 | |
| CN113085852A (zh) | 自动驾驶车辆的行为预警方法、装置及云端设备 | |
| CN114898578B (zh) | 一种高速公路的车辆引导方法、装置及系统 | |
| JP2017191368A (ja) | 運転支援システム、運転支援装置及び運転支援プログラム | |
| US20220001874A1 (en) | Driver monitoring system and driver monitoring method | |
| JP6747405B2 (ja) | 自車位置自信度演算装置 | |
| CN117496762B (zh) | 适于多维尺度的协同感知环境的实时车道选择方法及系统 | |
| CN117496762A (zh) | 适于多维尺度的协同感知环境的实时车道选择方法及系统 | |
| JP2006323876A (ja) | 運転者将来状況予測装置 | |
| CN112950995A (zh) | 泊车辅助装置、辅助装置、相应方法及车辆和服务器 | |
| WO2015147766A2 (en) | A safe monitoring system |
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 |