CN117608298A - 一种基于图论和安全势场理论的车辆编队优化方法 - Google Patents
一种基于图论和安全势场理论的车辆编队优化方法 Download PDFInfo
- Publication number
- CN117608298A CN117608298A CN202311604492.0A CN202311604492A CN117608298A CN 117608298 A CN117608298 A CN 117608298A CN 202311604492 A CN202311604492 A CN 202311604492A CN 117608298 A CN117608298 A CN 117608298A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- vehicles
- distance
- speed
- theory
- 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.)
- Pending
Links
- 230000015572 biosynthetic process Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 22
- 238000005290 field theory Methods 0.000 title claims abstract description 15
- 238000004891 communication Methods 0.000 claims abstract description 26
- 230000033001 locomotion Effects 0.000 claims abstract description 18
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000001133 acceleration Effects 0.000 claims description 27
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000005540 biological transmission Effects 0.000 claims description 10
- 230000006399 behavior Effects 0.000 claims description 7
- 230000014509 gene expression Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000013459 approach Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract 1
- 241000725585 Chicken anemia virus Species 0.000 description 7
- 230000000875 corresponding effect Effects 0.000 description 6
- 238000011217 control strategy Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000002079 cooperative effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于图论和安全势场理论的车辆编队优化方法，该发明在排的形成过程中增加了对复杂驾驶环境的考虑，保证了车辆在自动驾驶环境下的行驶安全。具体如下：首先，识别可能形成车队的车辆，使用车头时距、车速和通信距离等指标进行初始筛选。其次，确定车队的领先车辆，通常是第一辆车或行驶方向上的第一辆车。接着，基于车辆排中的信息传递拓扑理论及图论，通过考虑实际距离、所需距离以及车辆运动属性的限制，初步构建车队排列。最后，在车队行驶中动态优化车辆的驾驶策略，以提高横向跟车性能和纵向车道保持性能，通过安全势场分布的动态变化来增加行驶安全性和交通效率。该方法旨在实现在自动驾驶环境下车队的高效、安全编队运行。
Description
技术领域
本发明涉及网联自动驾驶汽车的车辆编队优化方法，具体涉及一种基于图论和安全势场理论(Graph Theory and Safety Potential Field,G-SPF)的网联自动驾驶车辆(Connected andAutonomous Vehicles，CAVs)编队优化方法。
技术背景
随着车辆和通信技术的持续进步，促使车辆能够在更为接近的距离内组织成所谓的车队或车辆排。这种趋势特别显著地在联网和自动驾驶汽车(CAV)环境中体现，车队排列已被广泛认为是一种潜在解决方案，具备优越的潜力，能够提高道路的安全性、增强交通效率，并减少燃料消耗。此外，众多学者认为自动驾驶汽车在未来的多种情境中都具备广泛的应用潜力，包括汽车共享系统、城市交通系统和公共交通系统等。因此，随着自动驾驶汽车市场份额不断扩大，车辆排队的形成方法以及与驾驶优化相关的研究领域将继续引起广泛的学术兴趣。
在车队排队的设计方面，重要考虑因素包括车队的几何布局、车队的巡航速度以及车队内部车辆之间的间距。然而，在实际交通系统中，车辆的智能水平差异以及车辆间信息流的拓扑结构是影响车队形成的关键因素。实际交通系统是一个高度复杂的体系，包括多种交通要素。因此，在车队形成过程中，需要综合考虑实际道路环境信息，如车辆位置信息和道路网络拓扑信息。对车队内部信息流的拓扑结构分析不足，以及仅考虑交通环境变量的局限性，通常会导致车队在交通效率方面表现不佳。因此，本专利提出了一种基于图论和安全势场(G-SPF)理论的车辆编队优化模型，即利用图论和安全势场理论研究车辆组队的有效性势，并提出基于安全势场理论的驾驶优化控制策略。
发明内容
发明目的：本发明的目的是提供基于图论和安全势场(G-SPF)理论，针对不同车辆分布情况下的网联自动驾驶汽车(CAV)的一种新的组队优化模型。
为了实现上述目的，本发明的技术方案如下：一种基于图论和安全势场理论的车辆编队优化方法，包括以下步骤：
S1，根据车辆的随机到达以及初始时相邻车辆之间的距离不确定性，以车头时距、车速，以及信息传输距离为三个关键指标，初步确定哪些车辆可能形成车队；
S2，通过车辆的自然空间位置确定第一排的领先车辆，若排1通信范围外的车辆符合车头时距、车速及信息传输距离三个指标的限制条件，它们将自动形成第二排；
S3，对已考虑车辆之间的实际距离差异、车辆速度限制以及信息流拓扑结构构建的初步的车队编队，使用基于图的控制协议来调整车辆，建立初步的排结构；S4，根据车辆运动状态的动态变化，重点关注横向跟车性能和纵向车道保持性能，通过安全势场分布的动态调整车队中车辆的运动行为，进而确定车队的最佳驾驶策略。本发明的创新之处在于创新性地引入了安全势场的概念，更好地描述了车辆在自动驾驶环境下的实际驾驶风险，保证了车辆的绝对安全，为基于图论的网联自动驾驶车辆编队提供更加安全和智能高效的车辆编队方法。
进一步，步骤S1中识别可能组成一个排的车辆的具体计算步骤包括：
S101根据两个传统的微观交通指标(即车辆车头时距和车速)以及信息流的传输距离来识别可以组成队列的车；
S102，为初步判断车辆是否存在组队的可能性，规定排内车辆应满足下式中的约束：
式中，Hi是为在同一排的相邻两辆车(vehiclei和vehiclei-1)的车距(m)；H0为相邻两车距时距(m)的临界值；Vi是两个相邻车辆(vehiclei和vehicle i-1)的速度的绝对差(m/s)；vi、vi-1分别为车辆i的行驶速度和车辆i-1的行驶速度；V0为相邻两车绝对速度差(m/s)的临界值，该临界值可以保证车辆在排队时产生尽可能少的干扰(由于车辆速度的突然增加或减少)；Dl-i为前导车辆与后导车辆之间的距离(m)，Dmax为前导车辆在队列信息流拓扑中所能传输的最大距离(m)。
进一步，步骤S2中识别和控制排长的具体计算步骤包括：
S201，确定一组车辆可能形成一个队列后，则可以根据车辆的自然空间位置来确定该队列的领先车辆，其中，排正方向的第一辆车被自动识别为领先车辆；
S202，针对部分车辆可以与前车或后车排成一排的特殊情况，选择标准定为行驶方向上的第一辆车作为第一排的领先车辆；
S203，排1通信范围外的车辆与其跟随车辆符合步骤1的判断条件，则自动形成第二排。
进一步，步骤S3中排的初步形成的具体计算步骤包括：
S301，考虑车辆之间的实际距与期望距之间的差异以及车辆运动属性的限制这两方面的因素，对车辆进行初步编队，即在车队中，车辆速的值不能大于期望速的值，并且车辆的加速和减速度不能分别超过最大加速和最大减速度的值；
S302，根据初步车辆编队的决定因素，构造标函数和相应的约束条件：
其中，Si-1(t)-Si(t)为车辆之间的实际距离；ds为车辆之间的期望距离；vi(t)为车辆i的速度；v0为期望速度；ai(t)为车辆i的加速度；bi(t)为车辆i的减速度；amax为最大加速度；bmax为最大减速度；
S303，将车辆的初步编队结果，结合排的信息流拓扑结构，在对前后车辆进行校准的同时，对与排长有信息交互的车辆进行校准；
S304，自动驾驶汽车利用通信技术，例如车对车(V2V)/车对基础设施(V2I)等，实现信息流拓扑结构的构建，帮助自动驾驶汽车获取周围车辆的运动状态信息，同时及时校正自动驾驶汽车与周围车辆的纵向和横向距离，并最终实现对整个车队的控制；
S305，根据自动驾驶汽车之间的通信拓扑结构，典型的基于图的控制协议如下式所示：
其中，ds和dl分别为通过相互通信连接的两辆车之间所需的纵向距离和横向距离；相应地，sa和la分别为两个通信连接车辆之间的实际纵向距离和横向距离；f(ds-sa)和f(dl-la)表示期望距离与实际距离之间的偏差对车辆加速度的影响函数；L为利用度矩阵D和邻接矩阵A构造图的拉普拉斯矩阵；
S306，将表征车辆行驶安全性的势场模型与图论模型相结合，引入基于势场和道路环境总势场函数的基于速度的松弛变量，采用道路环境势场函数来描述道路环境对车辆的控制约束，可以得到：
其中，Ee和E0分别表示实际道路环境的势场强度和虚线道路的势场强度，其余变量的含义同上。
S307，结合相应的基于图的控制协议对车辆进行控制，最终建立初步的排构型。
进一步，步骤S304中所描述的车队控制具体为：在由自动驾驶汽车构成的车辆队列中，如果定义了车辆之间的通信拓扑结构，则可以建立对应的图模型，并利用图的拉普拉斯矩阵来实现期望的距离和速度的车辆编队。具体而言，通过实时通信纠正实际距离与期望距离之间的差异，实现车辆之间纵向和横向距离的安全维持，并使每辆自动驾驶汽车的速度与所需速度一致。
进一步，步骤S4中车队的最佳驾驶策略的具体计算步骤包括：
S401，在效应函数f中引入了一个基于安全势模型的松弛变量SV，以解决最优跟车控制问题，松弛变量是由车辆状态和交通环境等因素引起的车辆的综合速度增益；
S402，考虑松弛变量SV，基于图的控制协议变为如下所示：
其中，SVs、SVl分别为纵向和横向松弛变量分量；其余变量的含义同上；
S403，根据安全势场理论，将队列中任意车辆i的速度控制描述为
其中，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，β是一个待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，k'是伪距离；
S404，对于纵向上基于速度的松弛变量SVl，采用车道标线势场和道路边界势场来描述车道标线和道路边界的约束，以保证车辆在纵向上不产生偏差，从而使车辆保持在车道中心行驶；
S405，根据道路边界和道路线的场力表达式，推导出基于速度的松弛变量SV的综合表达式：
其中，SVs、SVl分别为纵向和横向松弛变量分量，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，β是待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，θ表示几何体的质量中心与物体车辆的运动方向之间任意一点形成的顺时针夹角，k'是伪距离，/>表示从车辆中心到第j条车道标线的距离矢量，σ决定了当车辆接近或远离车道标线时，势场增加或减少的速度，和/>代从车辆中心到左右道路边界的距离矢量；
S406，采用考虑松弛变量SV的控制方法寻找最优驾驶策略。优化主要体现在横向的跟车性能和纵向的车道保持性能上，该方法可以通过安全势场分布的动态变化来调整队列中车辆的运动行为。在这种控制方法下，车队的行驶安全性和交通效率都得到了提高。
本发明与现有技术相比，其显著效果如下：
1、本发明开发了一种基于图论和安全势场理论的车辆编队优化方法，将图论与势场理论相结合，以设计和优化车队的形成和运动。图论用于描述车队中自动驾驶汽车之间的信息拓扑结构，从而实现车队的编队和队列控制。这一融合为自动驾驶车辆的协同运动提供了全新的框架，将车队的形成与车辆间的信息流动和协同行动相结合。
2、本发明在车辆编队过程中引入了安全势场的概念。安全势场用于描述自动驾驶汽车在组队过程中的驾驶风险，考虑了各种因素，如车辆间的距离、速度和动态行为，将安全势场与车辆编队相结合更准确地描述了自动驾驶汽车在实际驾驶环境中的风险，确保了车辆的绝对安全。
3、本发明提出了一种基于G-SPF模型的四步队列优化控制策略。这一策略考虑了复杂的驾驶环境，保证了车辆在自动驾驶环境下的行驶安全。通过动态调整车队中车辆之间的相对位置，自动驾驶车辆能够在不同车道上实现信息聚合，而不会发生碰撞，提供更高的排队稳定性。
4、本发明提出的车辆编队方法，通过综合考虑车头时距、车速和信息传输距离等关键指标，该方法能快速识别适合加入编队的网联自动驾驶车辆(Connected andAutonomous Vehicles，CAVs)车辆，准确排除非CAV车辆，有效解决混合交通流中非CAV车辆的不规律行为和距离不确定性，保证了CAVs能够在复杂的交通环境中迅速响应，形成快速、有效的编队，确保了编队的安全性和效率。
附图说明
图1为本发明方法流程图。
图2为本发明方法的基本架构图。
具体实施方式
下面结合说明书附图和具体实施方式对本发明做进一步详细描述。所述实施例仅为本发明的一部分实施例，而非全部实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动的情况下所获得的任何其他实施例，都在本发明的保护范围内。
实施例：本发明的基于图论和安全势场理论的车辆编队优化方法，包括以下步骤：
步骤一，根据车辆的随机到达以及初始时相邻车辆之间的距离不确定性，以车头时距、车速，以及信息传输距离为三个关键指标，初步确定哪些车辆可能形成车队；
步骤二，通过车辆的自然空间位置确定第一排的领先车辆，若排1通信范围外的车辆符合车头时距、车速及信息传输距离三个指标的限制条件，它们将自动形成第二排；
步骤三，对已考虑车辆之间的实际距离差异、车辆速度限制以及信息流拓扑结构构建的初步的车队编队，使用基于图的控制协议来调整车辆，建立初步的排结构；
步骤四，根据车辆运动状态的动态变化，重点关注横向跟车性能和纵向车道保持性能，通过安全势场分布的动态调整车队中车辆的运动行为，进而确定车队的最佳驾驶策略。
进一步，步骤S1中识别可能组成一个排的车辆的具体计算步骤包括：
S101根据两个传统的微观交通指标(即车辆车头时距和车速)以及信息流的传输距离来识别可以组成队列的车；
S102，为初步判断车辆是否存在组队的可能性，规定排内车辆应满足下式中的约束：
式中，Hi是为在同一排的相邻两辆车(vehiclei和vehiclei-1)的车距(m)；H0为相邻两车距时距(m)的临界值；Vi是两个相邻车辆(vehiclei和vehicle i-1)的速度的绝对差(m/s)；vi、vi-1分别为车辆i的行驶速度和车辆i-1的行驶速度；V0为相邻两车绝对速度差(m/s)的临界值，该临界值可以保证车辆在排队时产生尽可能少的干扰(由于车辆速度的突然增加或减少)；Dl-i为前导车辆与后导车辆之间的距离(m)，Dmax为前导车辆在队列信息流拓扑中所能传输的最大距离(m)。
进一步，步骤S2中识别和控制排长的具体计算步骤包括：
S201，确定一组车辆可能形成一个队列后，则可以根据车辆的自然空间位置来确定该队列的领先车辆，其中，排正方向的第一辆车被自动识别为领先车辆；
S202，针对部分车辆可以与前车或后车排成一排的特殊情况，选择标准定为行驶方向上的第一辆车作为第一排的领先车辆；
S203，排1通信范围外的车辆与其跟随车辆符合步骤1的判断条件，则自动形成第二排。
进一步，步骤S3中排的初步形成的具体计算步骤包括：
S301，考虑车辆之间的实际距与期望距之间的差异以及车辆运动属性的限制这两方面的因素，对车辆进行初步编队，即在车队中，车辆速的值不能大于期望速的值，并且车辆的加速和减速度不能分别超过最大加速和最大减速度的值；
S302，根据初步车辆编队的决定因素，构造标函数和相应的约束条件：
其中，Si-1(t)-Si(t)为车辆之间的实际距离；ds为车辆之间的期望距离；vi(t)为车辆i的速度；v0为期望速度；ai(t)为车辆i的加速度；bi(t)为车辆i的减速度；amax为最大加速度；bmax为最大减速度；
S303，将车辆的初步编队结果，结合排的信息流拓扑结构，在对前后车辆进行校准的同时，对与排长有信息交互的车辆进行校准；
S304，自动驾驶汽车利用通信技术，例如车对车(V2V)/车对基础设施(V2I)等，实现信息流拓扑结构的构建，帮助自动驾驶汽车获取周围车辆的运动状态信息，同时及时校正自动驾驶汽车与周围车辆的纵向和横向距离，并最终实现对整个车队的控制；
S305，根据自动驾驶汽车之间的通信拓扑结构，典型的基于图的控制协议如下式所示：
其中，ds和dl分别为通过相互通信连接的两辆车之间所需的纵向距离和横向距离；相应地，sa和la分别为两个通信连接车辆之间的实际纵向距离和横向距离；f(ds-sa)和f(dl-la)表示期望距离与实际距离之间的偏差对车辆加速度的影响函数；L为利用度矩阵D和邻接矩阵A构造图的拉普拉斯矩阵；
S306，将表征车辆行驶安全性的势场模型与图论模型相结合，引入基于势场和道路环境总势场函数的基于速度的松弛变量，采用道路环境势场函数来描述道路环境对车辆的控制约束，可以得到：
其中，Ee和E0分别表示实际道路环境的势场强度和虚线道路的势场强度，其余变量的含义同上。
S307，结合相应的基于图的控制协议对车辆进行控制，最终建立初步的排构型。
进一步，步骤S304中所描述的车队控制具体为：在由自动驾驶汽车构成的车辆队列中，如果定义了车辆之间的通信拓扑结构，则可以建立对应的图模型，并利用图的拉普拉斯矩阵来实现期望的距离和速度的车辆编队。具体而言，通过实时通信纠正实际距离与期望距离之间的差异，实现车辆之间纵向和横向距离的安全维持，并使每辆自动驾驶汽车的速度与所需速度一致。
进一步，步骤S4中车队的最佳驾驶策略的具体计算步骤包括：
S401，在效应函数f中引入了一个基于安全势模型的松弛变量SV，以解决最优跟车控制问题，松弛变量是由车辆状态和交通环境等因素引起的车辆的综合速度增益；
S402，考虑松弛变量SV，基于图的控制协议变为如下所示：
其中，SVs、SVl分别为纵向和横向松弛变量分量；其余变量的含义同上；
S403，根据安全势场理论，将队列中任意车辆i的速度控制描述为
其中，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，β是一个待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，k'是伪距离；
S404，对于纵向上基于速度的松弛变量SVl，采用车道标线势场和道路边界势场来描述车道标线和道路边界的约束，以保证车辆在纵向上不产生偏差，从而使车辆保持在车道中心行驶；
S405，根据道路边界和道路线的场力表达式，推导出基于速度的松弛变量SV的综合表达式：
其中，SVs、SVl分别为纵向和横向松弛变量分量，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，β是待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，θ表示几何体的质量中心与物体车辆的运动方向之间任意一点形成的顺时针夹角，k'是伪距离，/>表示从车辆中心到第j条车道标线的距离矢量，σ决定了当车辆接近或远离车道标线时，势场增加或减少的速度，和/>代从车辆中心到左右道路边界的距离矢量；；
S406，采用考虑松弛变量SV的控制方法寻找最优驾驶策略。优化主要体现在横向的跟车性能和纵向的车道保持性能上，该方法可以通过安全势场分布的动态变化来调整队列中车辆的运动行为。在这种控制方法下，车队的行驶安全性和交通效率都得到了提高。
以上结合附图对本发明的具体实施方式进行了详细说明，但是应该理解的是，这些实施例仅仅是对本发明的原理和应用的示例。应该理解的是，在本领域普通技术人员所具备的知识范围内，还可以对实施例进行做出各种变化和修改，设计出其他布置。
Claims (6)
1.一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，包括以下步骤：
S1，根据车辆的随机到达以及初始时相邻车辆之间的距离不确定性，以车头时距、车速，以及信息传输距离为三个关键指标，初步确定哪些车辆可能形成车队；
S2，通过车辆的自然空间位置确定第一排的领先车辆，若第一排通信范围外的车辆符合车头时距、车速及信息传输距离三个指标的限制条件，它们将自动形成第二排；
S3，对已考虑车辆之间的实际距离差异、车辆速度限制以及信息流拓扑结构构建的初步的车队编队，使用基于图的控制协议来调整车辆，建立初步的排结构；
S4，根据车辆运动状态的动态变化，重点关注横向跟车性能和纵向车道保持性能，通过安全势场分布的动态调整车队中车辆的运动行为，进而确定车队的最佳驾驶策略。
2.根据权利请求1所述的一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，步骤S1中识别组成一个排的车辆的具体计算步骤包括：
S101根据两个传统的微观交通指标(即车辆车头时距和车速)以及信息流的传输距离来识别可以组成队列的车；
S102，为初步判断车辆是否存在组队的可能性，规定排内车辆应满足下式中的约束：
式中，Hi是为在同一排的相邻两辆车(vehiclei和vehiclei-1)的车距(m)；H0为相邻两车距时距(m)的临界值；Vi是两个相邻车辆(vehiclei和vehicle i-1)的速度的绝对差(m/s)；vi、vi-1分别为车辆i的行驶速度和车辆i-1的行驶速度；V0为相邻两车绝对速度差(m/s)的临界值，Dl-i为前导车辆与后导车辆之间的距离(m)，Dmax为前导车辆在队列信息流拓扑中所能传输的最大距离(m)。
3.根据权利请求1所述的一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，步骤S2中识别和控制排长的具体计算步骤包括：
S201，确定一组车辆可能形成一个队列后，则可以根据车辆的自然空间位置来确定该队列的领先车辆，其中，排正方向的第一辆车被自动识别为领先车辆；
S202，针对部分车辆可以与前车或后车排成一排的特殊情况，选择标准定为行驶方向上的第一辆车作为第一排的领先车辆；
S203，第一排通信范围外的车辆与其跟随车辆符合步骤1的判断条件，则自动形成第二排。
4.根据权利请求1所述的一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，步骤S3中排的初步形成的具体计算步骤包括：
S301，考虑车辆之间的实际距与期望距之间的差异以及车辆运动属性的限制这两方面的因素，对车辆进行初步编队，即在车队中，车辆速的值不能大于期望速的值，并且车辆的加速和减速度不能分别超过最大加速和最大减速度的值；
S302，根据初步车辆编队的决定因素，构造标函数和相应的约束条件：
其中，Si-1(t)-Si(t)为车辆之间的实际距离；ds为车辆之间的期望距离；vi(t)为车辆i的速度；v0为期望速度；ai(t)为车辆i的加速度；bi(t)为车辆i的减速度；amax为最大加速度；bmax为最大减速度；
S303，将车辆的初步编队结果，结合排的信息流拓扑结构，在对前后车辆进行校准的同时，对与排长有信息交互的车辆进行校准；
S304，自动驾驶汽车利用通信技术，实现信息流拓扑结构的构建，帮助自动驾驶汽车获取周围车辆的运动状态信息，同时及时校正自动驾驶汽车与周围车辆的纵向和横向距离，并最终实现对整个车队的控制；
S305，根据自动驾驶汽车之间的通信拓扑结构，基于图的控制协议如下式所示：
其中，ds和dl分别为通过相互通信连接的两辆车之间所需的纵向距离和横向距离；相应地，sa和la分别为两个通信连接车辆之间的实际纵向距离和横向距离；f(ds-sa)和f(dl-la)表示期望距离与实际距离之间的偏差对车辆加速度的影响函数；L为利用度矩阵D和邻接矩阵A构造图的拉普拉斯矩阵；
S306，将表征车辆行驶安全性的势场模型与图论模型相结合，引入基于势场和道路环境总势场函数的基于速度的松弛变量，采用道路环境势场函数来描述道路环境对车辆的控制约束，得到：
其中，Ee和E0分别表示实际道路环境的势场强度和虚线道路的势场强度，其余变量的含义同上；
S307，结合相应的基于图的控制协议对车辆进行控制，最终建立初步的排构型。
5.根据权利请求1所述的一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，步骤S304中所描述的车队控制具体为：在由自动驾驶汽车构成的车辆队列中，如果定义了车辆之间的通信拓扑结构，则建立对应的图模型，并利用图的拉普拉斯矩阵来实现期望的距离和速度的车辆编队，具体而言，通过实时通信纠正实际距离与期望距离之间的差异，实现车辆之间纵向和横向距离的安全维持，并使每辆自动驾驶汽车的速度与所需速度一致。
6.根据权利请求1所述的一种基于图论和安全势场理论的车辆编队优化方法，其特征在于，步骤S4中车队的最佳驾驶策略的具体计算步骤包括：
S401，在效应函数f中引入了一个基于安全势模型的松弛变量SV，以解决最优跟车控制问题，松弛变量是由车辆状态和交通环境等因素引起的车辆的综合速度增益；
S402，考虑松弛变量SV，基于图的控制协议变为如下所示：
其中，SVs、SVl分别为纵向和横向松弛变量分量；其余变量的含义同上；
S403，根据安全势场理论，将队列中任意车辆i的速度控制描述为
其中，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，δ、β是待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，k'是伪距离；
S404，对于纵向上基于速度的松弛变量SVl，采用车道标线势场和道路边界势场来描述车道标线和道路边界的约束，以保证车辆在纵向上不产生偏差，从而使车辆保持在车道中心行驶；
S405，根据道路边界和道路线的场力表达式，推导出基于速度的松弛变量SV的综合表达式：
其中，SVs、SVl分别为纵向和横向松弛变量分量，amax代表车辆的最大允许加速，afree表示当车辆i和前车(vehiclej)之间的距离足够长时，车辆的加速度；代表是车辆行驶的期望速度，vi(t)是车辆在时间t是的行驶速度，Mj是物体车辆j的等效质量，β是待定系数，φ是车辆行驶速度方向与X轴的夹角(逆时针方向)，θ表示几何体的质量中心与物体车辆的运动方向之间任意一点形成的顺时针夹角，k'是伪距离，/>表示从车辆中心到第j条车道标线的距离矢量，σ决定了当车辆接近或远离车道标线时，势场增加或减少的速度，/>和/>代从车辆中心到左右道路边界的距离矢量；
S406，采用考虑松弛变量SV的控制方法寻找最优驾驶策略，优化主要体现在横向的跟车性能和纵向的车道保持性能上，该方法可以通过安全势场分布的动态变化来调整队列中车辆的运动行为，在这种控制方法下，车队的行驶安全性和交通效率都得到了提高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604492.0A CN117608298A (zh) | 2023-11-28 | 2023-11-28 | 一种基于图论和安全势场理论的车辆编队优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311604492.0A CN117608298A (zh) | 2023-11-28 | 2023-11-28 | 一种基于图论和安全势场理论的车辆编队优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117608298A true CN117608298A (zh) | 2024-02-27 |
Family
ID=89951074
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311604492.0A Pending CN117608298A (zh) | 2023-11-28 | 2023-11-28 | 一种基于图论和安全势场理论的车辆编队优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117608298A (zh) |
-
2023
- 2023-11-28 CN CN202311604492.0A patent/CN117608298A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Distributed conflict resolution for connected autonomous vehicles | |
| CN111445692B (zh) | 一种无信号灯路口智能网联汽车的速度协同优化方法 | |
| CN109035862B (zh) | 一种基于车车通信的多车协同换道控制方法 | |
| CN108564234B (zh) | 一种智能网联汽车的交叉口无信号自组织通行控制方法 | |
| Bashiri et al. | Paim: Platoon-based autonomous intersection management | |
| CN110930697B (zh) | 一种基于规则的智能网联车辆协同汇入控制方法 | |
| CN109410561B (zh) | 一种高速路车辆匀异质编队行驶控制方法 | |
| CN110782650B (zh) | 基于自适应事件触发的车流分布式协同编队控制方法 | |
| CN110379182B (zh) | 一种基于车路广义动力学的匝道合流区协同控制系统 | |
| Ding et al. | Multivehicle coordinated lane change strategy in the roundabout under internet of vehicles based on game theory and cognitive computing | |
| CN113012448B (zh) | 一种解决路口交通拥堵的汽车配发编队智能驾驶系统 | |
| CN113489793B (zh) | 一种混合交通场景下的快速路双车道协同控制方法 | |
| Zhang et al. | A trajectory optimization-based intersection coordination framework for cooperative autonomous vehicles | |
| CN111899509B (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 | |
| CN114373322B (zh) | 用于对车辆进行编队管理的方法及相关产品 | |
| CN115140094A (zh) | 一种基于纵向安全间距模型的实时换道决策方法 | |
| Chen et al. | Optimal control for connected and autonomous vehicles at signal-free intersections | |
| Pan et al. | A hierarchical robust control strategy for decentralized signal-free intersection management | |
| Guo et al. | Self-defensive coordinated maneuvering of an intelligent vehicle platoon in mixed traffic | |
| Du et al. | A fuel efficient control strategy for connected vehicles in multiple-lane urban roads | |
| Shen et al. | Coordination of connected autonomous and human-operated vehicles at the intersection | |
| CN117608298A (zh) | 一种基于图论和安全势场理论的车辆编队优化方法 | |
| Liu et al. | Cooperative platoon control of automated industrial vehicles: A synchronization approach and real-world experiments | |
| Liu et al. | Resource allocation schemes in multi-vehicle cooperation systems | |
| CN114779828B (zh) | 基于异构队形基准点无人机集群拓扑控制与智能防撞方法 |
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 |