法律状态公告日
法律状态信息
法律状态
2022-07-22
公开
发明专利申请公布
技术领域
本发明涉及网联车辆控制方法领域,具体是一种建筑群间无信号灯十字路口多车协同换道控制方法。
背景技术
路口通行是指车辆驶入路口区域并安全驶离路口的运动行为。车辆在路口区域的缓行是造成城市交通拥堵的最重要原因之一。一些早期研究通过调整信号灯配时方案来缓解拥堵现象。近年来许多研究结合车辆网联化(CAV)的发展趋势,在不使用信号灯控制的条件下考虑路口高效管理方案。本质上来讲,无信号灯控制的交叉路口是CAV车辆轨迹高度冲突的典型场景,在如此复杂的交通场景中实现网联车辆CAV的高质量多车协同行驶,是未来智慧交通系统“智慧”属性的重要体现。因此,研究交叉口场景中的车辆运动规划问题具有前瞻意义。
交叉路口有多种类型,其中平面十字交叉路口是最常见和普遍的场景。与直行道路场景相比,十字交叉路口场景中CAV车辆的行驶行为更加复杂,路径冲突情况更加严重,潜在的危险可能发生于CAV车辆的各个方向上。
在对十字交叉路口通行任务建模时,现有技术主要的网络级或车道级方法限制了多CAV团队的协作潜力,其原因有以下几点:1)为规范人类驾驶员而颁布的传统交通法规阻碍了CAV充分发挥其能力;2)禁止换道或仅允许在交叉路口的离散点换道;3)CAV的路径是固定的或者被限制为预定的模式;4)运动规划能力较弱,多车辆的协作潜力没有达到最大化。
发明内容
本发明的目的是提供一种建筑群间无信号灯十字路口多车协同换道控制方法,以解决现有技术CAV协同方案存在的局限性较大的问题。
为了达到上述目的,本发明所采用的技术方案为:
建筑群间无信号灯十字路口多车协同换道控制方法,设十字路口的所有车辆均为CAV,将面向十字路口的多车协同通行问题定义为受车辆运动学约束、碰撞约束、空间约束和边值约束的集中最优控制问题,由此建立控制策略,包括以下步骤:
步骤1、根据车辆的运动信息,建立车辆运动学约束条件,如公式(1)、(2)所示:
公式(1)、(2)中,t为时间;t
步骤2、根据车辆自身几何信息,以及十字路口四周建筑群几何信息,建立碰撞约束条件,所述碰撞约束条件包括车辆之间的碰撞约束条件、车辆与周边建筑群的碰撞约束条件,其中:
采用单圆描述车辆轮廓,并由此建立车辆之间的碰撞约束条件如公式(4)所示:
(x
i,j=1,···,N
公式(4)中,t为时间;(x
采用单圆描述十字路口四周每个方向区域的建筑群,结合单圆描述的车辆,由此建立车辆与十字路口周边建筑群的碰撞约束条件如公式(5)所示:
公式(5)中,t为时间;(x
步骤3、设十字路口四个方向分别为A、B、C、D,将十字路口各个方向的车辆分为12类,分别为:A1、B1、C1、D1分别表示来自四个不同方向,目的是向左转弯的车辆;A2、B2、C2、D2分别表示来自四个不同方向,以直线行驶为目标的车辆;A3、B3、C3、D3分别表示来自四个不同方向,目的是向右转的车辆;根据每个方向的道路上各类车辆实际能够行驶的区域,建立12类车辆容许行驶区域的空间约束条件如公式(6a)、(6b)、(6c)、(6d)、所示:
公式(6a)、(6b)、(6c)、(6d)中,(x
步骤4、根据车辆间紧急避撞、终止运动和在十字路口的到达目标区域,建立边值约束条件如公式(10)所示:
公式(10)中,(x
步骤5、考虑建筑群间十字路口通行任务希望每个车辆尽早完成行驶任务、在[t
公式(11)中,J为性能指标;t
由此,将车辆在无信号灯十字路口通行的运动规划任务描述为如公式(12)所示的控制策略,公式(12)如下所示:
公式(12)中,J为性能指标;t
进一步的,步骤2中采用单圆描述车辆轮廓时,以车辆中心为单圆圆心,且单圆完全覆盖车辆本体区域。
进一步的,步骤2中采用单圆描述十字路口四周每个方向区域的建筑群时,将每个方向区域的建筑群的单圆分为四等分的扇形区域,并采用若干内切圆近似靠近交叉口位置的扇形区域。
进一步的,还包括:
步骤6、对公式(12)求取数值解,基于数值解得到每个车辆的控制参数。
进一步的,步骤6中,将公式(12)离散为NLP问题,并使用IPM对NLP问题进行求取数值解。
进一步的,将公式(12)离散为NLP问题时,对车辆进行优先级排序,设先离开路口的车辆优先级高,稍后时刻离开路口的车辆优先级低,基于x-y-timeA
进一步的,使用IPM对NLP问题进行求取数值解时,先去除所有车辆之间的碰撞约束条件,然后在求解过程中逐步将所述碰撞约束条件添加回来。
本发明重新定义了与信号和车道有关的传统交通规则,取消了接近交叉路口的车道保持规定,将路口通行任务描述为集中式最优控制问题,在该问题中,车辆可以自由换道,灵活调整速度,从而获得最优的路口通行轨迹,使道路空间得到充分利用。
附图说明
图1是本发明CAV轮廓模型示意图。
图2是本发明无信号十字路口场景示意图。
图3是本发明简化建筑群区域示意图。
图4是本发明十字路口场景及CAV种类示意图。
图5是本发明A1,A2和A3的可行驶区域示意图。
图6是本发明A1,A2和A3的可行驶轨迹示意图。
图7是本发明CAV的终端区域示意图。
图8是本发明最优协同轨迹图,其中(a)为Case#1下的最优协同轨迹图,(b)为Case#20下的最优协同轨迹图。
图9是本发明特殊标记下的最优协同轨迹图,其中(a)为Case#1下的最优协同轨迹图,(b)为Case#20下的最优协同轨迹图。
图10是算法2的可行驶区域。
图11是本发明不同算法下Case#50的最优协同轨迹图,其中(a)本发明所提算法下Case#50的最优协同轨迹图,(b)为算法2下Case#50的最优协同轨迹图。
具体实施方式
下面结合附图和实施例对本发明进一步说明。
本发明将面向建筑群间十字路口的多车协同通行问题定义为受车辆动力学约束、避撞约束、空间约束和边值约束的集中最优控制问题,以使十字路口的延误最小化。本发明所有的车辆都定义为CAV车辆。
步骤1、根据车辆的运动学信息,建立车辆运动学约束条件如公式(1)和(2)所示:
公式(1)、(2)中,t为时间;t
步骤2、建立车辆之间的碰撞约束条件以及车辆与建筑群的碰撞约束条件。
车辆通过路口过程中,在整个运动时域[t
公式(3)中,(x
在这种简化下,只要在整个轨迹中满足以下约束,就可以避免车辆之间的相互碰撞,由此可建立车辆间碰撞约束条件如公式(4)所示:
公式(4)中,t为时间;(x
车辆之间除了避免碰撞外,还应避免车辆与周边建筑群相撞。如图2所示,建立二维坐标系表示交叉口,x轴和y轴表示交叉口的中心线,以中心线交点为坐标系原点o。假设每个建筑群半径足够大,记为R
这里,要求每个CAV不与此x-y坐标中定义的建筑群发生碰撞,即保证圆形车辆和环境中的圆形建筑群之间不发生重叠现象。实际中,越靠近交叉口,碰撞的可能性越大,为保证安全,以Buildings1为例,如图3所示,将其区域四等分,使用几个内切圆来近似靠近交叉口的扇形区域。其中,内切圆的半径构成一个公比为0.5几何级数,所以,内切圆的圆心可以很容易确定。在这样的近似下,车辆i和Buildings1之间的避撞约束变成圆形车辆不与环境中的任何圆重叠。据此,可建立车辆与周边建筑群的避撞约束条件如公式(5)所示:
公式(5)中,t为时间;(x
步骤3、建立空间约束条件。
每个CAV只允许在整个十字路口空间的指定区域内行驶,设十字路口四个方向分别为A、B、C、D。如图4所示,车辆可从4个方向驶入路口,并以以下三种方式之一离开:左转弯,直走,右转弯。因此,根据车辆进入方向和退出方向,将路口所有车辆分为12类,具体为:A1、B1、C1、D1分别表示来自四个不同方向,目的是向左转弯的车辆;A2、B2、C2、D2代表以直线行驶为目标的车辆;A3、B3、C3、D3表示打算右转的车辆。
每个CAV类别的允许区域可能是由x轴、y轴及路边建筑群限制。例如,在整个运动时域[t
公式(6a)中,(x
类似地,其余9类CAV的容许行驶区域依次定义如下:
公式(6b)中,(x
公式(6c)中,(x
公式(6d)中,(x
步骤4、建立边值约束条件。
在初始时刻t=t
[v
公式(7)中,t
公式(8)中,θ
可知,即使相邻两辆车之间的间隙很小,公式(7)依然可以保证一个可行的初始状态。
有了初始时刻运动状态平稳性约束的基础,出于同样的考虑,本发明应建立终止时刻运动状态平稳性约束条件。在运动规划问题中,不仅要保证运动时域[t
[v
公式(9)中,t
此外,每个CAV在终点时刻t
公式(10)中,t
步骤5、确定控制策略。
一般地,路口通行任务希望CAV尽早完成行驶任务、在[t
公式(11)中,J为性能指标;t
至此,完整的网联自动驾驶车辆在无信号灯十字路口通行的运动规划任务可描述为以下最优控制策略:
公式(12)中,J为性能指标;t
本发明中,建立的模型中对路口通行的中间过程没有过多干预,车辆不必拘泥于沿某一具体车道行驶,这些设置使得车辆行驶灵活度增大,有更多潜在机会实现高效率的路口通行。
本发明中,建立的模型虽基于平面十字交叉路口场景而建立,但经过参数化调整,也适用于T形、Y形、X形以及环形交叉路口场景。
本发明中,在公式(12)中,第一项要求路口通行过程尽早结束,第三项要求车辆在t
步骤6、多车协同路口通行优化求解
由于公式(12)的解析解不可获得,本发明的目标是找到一个数值解。具体来说,本发明采用OCDT将公式(12)离散为一个NLP问题,然后使用IPM对NLP问题进行求解。
通常,NLP问题的求解过程很大程度上依赖于迭代开始时的初始猜测。因此,为提升NLP问题优化收敛效率,本发明提出一种初始猜测产生方法。
6.1、初始猜测生成
在NLP问题求解中,初始猜测是指NLP迭代优化的起始解,接近最优甚至接近可行的初始猜测可以极大地缓解NLP的求解困难,而较差的初始猜测可能会导致收敛失败。
本发明中,初始猜测由N
x-y-timeA
首先,将连续的x-y-time空间在每个维度上统一抽象,形成栅格图G,其中每个栅格称为一个节点。标记出移动/静态障碍物所占用的节点,指定初始节点和目标节点。将从初始节点到节点的实际代价函数表示为g(·),将从节点到目标节点最优路径的估计代价函数表示为h(·),则从初始节点经由节点到目标节点的估价函数为f(·)=g(·)+h(·),曼哈顿距离函数表示为L(;·)。另外,x-y-timeA
表1伪代码表
6.2、NLP求解优化方法
NLP的求解过程从x-y-timeA
本发明仿真实验与分析如下。
一、仿真场景及参数设置
为验证本发明所提方法的有效性,仿真场景设置为无信号的十字交叉路口,其中,连接该路口的8个支路各包含3个车道。并形成一个包含50个Case的基准集。在每个Case下,CAV的初始配置和行驶意图(左转、直行或右转)都是随机指定的。基本参数设置如表2所示,其中CAV几何参数同第四章设置,此表不再列出。
表2仿真实验基本参数设置
二、有效性分析
首先通过一系列重复性实验来检验本章所提算法的性能。具体来说,利用容许范围内随机生成24辆CAV的初始位置,所属道路、车道以及行驶意图,通过Matlab仿真平台,对50个Case逐一求解。据统计,平均求解耗时为0.4s,方差为0.01s,最小值为0.38s,最大值为0.56s,中位数为0.4s。且在50个基准Case问题中,车辆都能安全完成换道、通行等驾驶行为。说明本章所提算法是一种稳定的运动规划方法,有进一步提高时间效率和通行安全的潜力。
而且,本发明采用的渐进约束动态优化算法可以有效地缓解计算困难。据统计,在求解过程中,利用此算法安全丢弃了6.5%的避碰约束。相比之下,如果不用渐进约束动态优化算法,那么解决基准问题的成功率将会下降。因此,使用更好的处理器,CPU时间会进一步减少。随着更好处理器的发展,将N
随机选取24车协同换道问题Case#1和Case#20,以进一步说明本发明所提算法的有效性。Case#1和Case#20的最优协同轨迹如图9所示。
从图8(a)和图8(b)可以看出,所制定的最优控制问题在两种随机配置下均能实现无碰撞的运行轨迹,且运行过程相对平稳。
为方便分析,本发明对图8(a)和图8(b)中部分车辆的运行轨迹做特殊标记,如图9(a)和9(b)所示。可以观察到部分CAV在驶入路口前以及驶出路口后均可借用对向道路行驶,灵活换道,使潜在冲突的车辆之间恰好躲避碰撞,总体上呈现复杂但有秩序的路口通行行为。仿真结果表明,本发明所提算法在保障行车安全、减少拥堵、提升行车舒适感的同时,对提高通行能力和建设智慧城市体系等方面具有重要意义。
三、相关方法对比
如图5所示,在最优控制问题中,本发明扩展了左转、直行和右转车辆的可行驶区域。为了考察扩展可行驶区域对提升通行效率的影响,本节对可行驶区域进行改造,额外要求左转、直行和右转车辆的可行驶区域按照图10设置,并将其记为算法2。然后使用算法2求解50个基准问题。仿真可得,使用算法2后的平均性能指标函数J从原来的9.54上升至10.31,上涨了8.07%。而平均吞吐量从3.3858秒增加到3.4572秒。这意味着可行驶区域的扩展会带来更好的协同驾驶性能,从而提升通行效率。
图11给出了Case#50的最优协同轨迹图。其中图11(a)为本发明所提算法下的最优协同轨迹,图11(b)为算法2下的最优协同轨迹。对比发现,在整个动态过程中,本发明所提算法下的CAV能够灵活行驶,不需保持在一条车道上,有助于充分利用道路空间,最大化多CAV团队的协作能力。而图11(b)中,对可驾驶区域的改造使得CAV协同能力变弱,车辆通行效率更低。
本发明所述的实施例仅仅是对本发明的优选实施方式进行的描述,并非对本发明构思和范围进行限定,在不脱离本发明设计思想的前提下,本领域中工程技术人员对本发明的技术方案作出的各种变型和改进,均应落入本发明的保护范围,本发明请求保护的技术内容,已经全部记载在权利要求书中。
机译: 机动车混合动力驱动装置的切换方法,涉及控制摩擦联轴器的打滑控制连接,以使驱动力矩无冲击地脱离机动车的从动轮
机译: 预测机动车行驶过程中至少一个交通信号灯切换状态的方法和控制装置,机动车和服务器装置
机译: 通过选择车道和验证来控制自动车的自动换道的方法和装置