掌桥专利:专业的专利平台
掌桥专利
首页

一种面向自动驾驶专用相位的轨迹规划与信号优化方法

文献发布时间:2023-06-19 18:35:48


一种面向自动驾驶专用相位的轨迹规划与信号优化方法

技术领域

本发明属于智能交通控制领域,具体涉及一种面向自动驾驶专用相位的轨迹规划与信号优化方法。

背景技术

城市交通拥堵90%集中在交叉口,而自动驾驶技术是未来提高城市交通运行效率,缓解城市交通拥堵的关键手段。由于自动驾驶车辆间的跟车反应时间能大幅降低,研究学者指出自动驾驶车队的车头时距能降低至0.6秒,其通行能力是人工驾驶交通流的3倍。然而,自动驾驶车辆在不断商业化的过程中,同时受到舆论、经济、法律等多方面的压力,使得自动驾驶车辆短期内将无法完全代替人工驾驶车辆。与此同时,不少研究学者也指出自动驾驶车辆的普及率在可预见的时间内很难达到100%,预计在未来20-30年内交通流将仍以混行交通流(人工驾驶和自动驾驶车辆混行)为主。因此,混行交通流交通控制的研究具有重要意义。

现有针对混行交通流交通控制的研究可大致分为三类:一是基于车辆轨迹数据,优化信号配时;二是基于定时信号控制方案,优化车辆轨迹;三是在统一框架中同时优化车辆轨迹和信号配时方案。在第一类研究中,往往将自动驾驶车辆视为浮动车,用于采集车辆轨迹数据,并识别出人工驾驶车辆的位置和速度,设计实时自适应信号相位分配算法,优化获得最佳相位相序和绿灯持续时间。在第二类研究中,基于原有的定时信号控制方案,对自动驾驶车辆实施车速引导、通行次序优化、轨迹规划等手段,以自动驾驶车辆引导人工驾驶车辆通过交叉口的模式,实现混行交通流交叉口通行效率的提高。而在第三类研究中,主要基于自动驾驶车辆数据预测交通流状态,如通过交叉口车辆数、到达交叉口时间或车辆行驶轨迹等,以车辆平均行程时间最小、延误最小为目标优化交叉口信号配时,然后考虑以车辆油耗最小、最大驶入交叉口速度等性能指标优化自动驾驶车辆轨迹。

基于上述分析,目前针对混行交叉口交通控制的研究主要存在的不足是:第一,以自动驾驶车辆和人工驾驶车辆的混行车队为研究对象,两者共享进口车道和绿灯时间,并将自动驾驶车辆的通行效率等同于人工驾驶车辆,未能较好体现自动驾驶车辆的通行效率优势;第二,大多基于交通流的预测交通状态,优化交叉口信号配时,然后制定不同的性能指标优化车辆轨迹,未能较好考虑实时信号状态与车辆轨迹间的相互影响。

针对上述问题,本发明基于自动驾驶专用车道,设计自动驾驶专用相位,采取自动驾驶车辆穿插式通行模式,从通行时间和空间上分离自动驾驶车辆与人工驾驶车辆,更好地发挥自动驾驶车辆的通行效率;其次,考虑实时信号状态与车辆轨迹的相互影响,构建基于实时信号状态、时间离散的车辆轨迹规划模型,设计面向自动驾驶专用相位的轨迹规划与信号优化算法,提高混行交通流下交叉口的通行能力。

发明内容

技术问题:针对城市交叉口混行交通流的交通控制问题,本发明提供一种面向自动驾驶专用相位的轨迹规划与信号优化方法。

技术方案:为解决上述技术问题,本发明的一种面向自动驾驶专用相位的轨迹规划与信号优化方法,具体步骤如下:

步骤1:采集交叉口物理参数,包括进口车道数、出口车道数以及车道布局;采集人工驾驶车辆和自动驾驶车辆信息,包括车辆当前所在位置、速度和自动驾驶车辆转向;

步骤2:将交叉口进口车道划分为普通车道和自动驾驶专用车道,其中自动驾驶专用车道仅限自动驾驶车辆行驶;基于自动驾驶专用车道,设计自动驾驶专用相位,采取自动驾驶车辆穿插式通行模式;

步骤3:考虑车道和相位的信号状态、车辆跟车、自动驾驶车辆冲突分离、通行权分配等约束条件,以车辆快速驶离交叉口为目标,构建基于实时交通信息、时间离散的车辆轨迹规划模型;

步骤4:建立信号配时方案的约束方程,并将车辆轨迹规划模型划分为两个子模型,分别是以信号状态为参数的轨迹规划模型和以信号状态为决策变量的轨迹规划模型;

步骤5:基于动态周期和相序的信号控制策略,设计面向自动驾驶专用相位的轨迹规划与信号优化算法;

步骤6:采用滚动时间窗方法,确定优化周期时长,设置窗口计算步长和执行步长,运行面向自动驾驶专用相位的轨迹规划与信号优化算法,优化获得车辆轨迹和信号配时方案。

优选地,所述步骤1,包括以下步骤:

步骤1-1:采集交叉口物理参数,用参数O表示进口方向、参数D表示出口方向,参数Ω

步骤1-2:采集人工驾驶车辆和自动驾驶车辆信息,用参数i表示车辆、参数I表示交叉口车辆集合、参数I

优选地,所述步骤2,包括以下步骤:

步骤2-1:将交叉口进口车道划分为普通车道和自动驾驶专用车道,用参数k表示进口车道、参数k

优选地,所述步骤3,包括以下步骤:

步骤3-1:为防止不同方向的交通流同时驶入交叉口发生碰撞,任意时刻交叉口信号相位只能保持一种信号状态—绿灯、黄灯或红灯,如公式(1)所示;任意时刻信号交叉口只有一个相位允许车辆放行状态,如公式(2)所示:

其中,P表示相位集合,N表示周期集合,T表示时间集合;

步骤3-2:交叉口进口车道的信号状态,取决于其对应相位的信号状态,如公式(3)-(6) 所示:

其中,M表示很大的正整数,K表示进口车道集合,

步骤3-3:交叉口各信号相位轮流显示一次绿灯视为一个信号周期,为保证通行权分配的公平性,已显示绿灯的信号相位停止当前周期内的切换,即该相位在当前周期不再显示绿灯,如公式(7)-(8)所示:

其中,

步骤3-4:车辆轨迹根据路程-速度-加速度物理公式,基于车辆加速度的优化,更新车辆行驶轨迹,如公式(9)-(10)所示;车辆的速度不大于车辆最大速度,如公式(11)所示;车辆的加速度不小于车辆最大减速度,且不大于车辆最大加速度,如公式(12)所示:

其中,I表示车辆集合,Δt表示更新步长,

步骤3-5:为防止同一车道上两台相邻的车辆发生追尾,考虑前车的运动状态(如速度和位置),调整后车的跟车加速度,车辆跟车加速度受到的主要影响,具体包括:与前车的速度差、与前车的位置差、最小跟车安全间距以及车辆在紧急反应时间内行驶路程,如公式 (13)所示;车辆未获得通行权时,相当于在进口车道停车线处停放一台“静止的车辆”,其车辆位置等于停车线位置、速度等于零、加速度也等于零,车辆获得通行权时,该“静止的车辆”瞬间获得最大速度并行驶至无穷远处,通过停车线后,车辆加速度不再受停车线影响,如公式(14)-(16)所示:

其中,

步骤3-6:同一车道上任意两台相邻车辆,满足车辆与前车的间距不小于最小跟车安全间距与单位更新步长内车辆行驶路程之和,如公式(17)所示;未获得通行权的车辆需与停车线保持间距,且不小于最小安全间距与单位更新步长内车辆行驶路程的和,如公式(18)所示:

步骤3-7:车辆加速度应不大于最大跟车加速度和最大停车线加速度,如公式(19)-(20) 所示:

步骤3-8:自动驾驶专用相位运行期间,其任意两台自动驾驶车辆到冲突点距离之差的绝对值不小于自动驾驶车辆冲突分离的最小安全间距,如公式(21)-(24)所示;将两台存在潜在冲突的车辆i、j先获得通行权的车辆称为前车,后获得通行权的车辆称为后车,为预防后车追上前车发生碰撞,后车穿插式通行的最大加速度受到与前车的速度差、前车到冲突点距离与后车到冲突点距离之差的影响,如公式(25)所示;自动驾驶车辆的加速度不大于穿插式通行的最大加速度,如公式(26)所示:

其中,

步骤3-9:以下两种情况中车辆通行权和通过停车线状态关系是唯一对应的:①通过停车线的车辆必然获得通行权;②未获得通行权的车辆无法通过停车线,如公式(27)所示;同一车道上行驶的两台车辆,先通过交叉口控制线的车辆优先获得通行权,如公式(28)所示;进口车道信号灯切换至黄灯时,对该进口车道上车辆进行黄灯通行权分配,获得黄灯通行权的车辆允许通过停车线,而未获得黄灯通行权的车辆禁止通过停车线,如公式(29)-(30)所示;进口车道信号灯由切换至红灯时,已通过停车线的车辆继续在交叉口内通行,而未通过停车线的车辆禁止通过停车线,如公式(31)-(32)所示;

其中,

步骤3-10:以车辆安全、快速驶离交叉口为优化目标,具体表现在交叉口所有进口车道上的车辆在优化时间内的每一时刻所在位置与目标出口车道线之差的和最小化,如公式(33) 所示:

其中,F

优选地,所述步骤4,包括以下步骤:

步骤4-1:根据所有相位绿灯状态或黄灯状态之和,确定当前相位信号状态和当前相位,如公式(47)所示;计算信号相位绿灯或黄灯时间,n周期t

其中,p

步骤4-2:根据信号相位绿灯状态作为输入参数或决策变量,将上述车辆轨迹规划模型分为以相位绿灯状态为决策变量的混合整数线性规划模型一和以相位绿灯状态为输入参数的混合整数线性规划模型二;

其中,以相位绿灯状态为决策变量的混合整数线性规划模型一的描述如下:

输入参数:车辆位置

约束条件:公式(1)-(32);

决策变量:相位绿灯状态

目标函数:公式(33);

以相位绿灯状态为输入变量的混合整数线性规划模型二的描述如下:

输入参数:车辆位置

约束条件:公式(1)-(32);

决策变量:车辆加速度

目标函数:公式(33)。

优选地,所述的步骤5,包括以下步骤:

步骤5-1:结合考虑实时信号状态的车辆轨迹规划模型和面向自动驾驶专用相位的信号配时控制条件,面向自动驾驶专用相位的车辆轨迹-信号配时协同优化算法的具体过程如下所示:

第一步:初始化,更新时间t

第二步:采集t

第三步:确定t

第四步:计算n

第五步:判断是否存在危险车辆,计算

第六步:判断获得黄灯通行权的车辆是否全部驶入交叉口,计算

第七步:求解以相位绿灯状态为输入变量的混合整数线性规划模型二,优化输出交叉口车辆加速度

第八步:求解相位绿灯状态为决策变量的混合整数线性规划模型一,优化输出相位绿灯状态

第九步:判断n

优选地,所述的步骤6,包括以下步骤:

步骤6-1:基于滚动时间窗方法,确定优化周期时长为|T|,设置窗口优化步长为m

与现有技术相比,本发明的效益是:本发明方法主要针对混行交通流交叉口交通控制,面向人工驾驶与自动驾驶车辆混行交通流,考虑交叉口实时的信号信息和动态的交通需求,基于自动驾驶专用相位,对交叉口的车辆轨迹与信号配时进行联合优化,同时获得最佳车辆轨迹和信号配时方案。

附图说明

图1为本发明的总体流程图。

具体实施方式

结合附图和实施例,对本发明在实现混行交通流下车辆轨迹与信号配时联合优化方法进行详尽描述,且本发明并不限制于此单一实例;其他任何为背离本发明的精神实质与原理下所做的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围内。

实施例1:

本发明的一种面向自动驾驶专用相位的轨迹规划与信号优化方法,具体包括如下步骤:

步骤1:采集交叉口物理参数,包括进口车道数、出口车道数以及车道布局;采集人工驾驶车辆和自动驾驶车辆信息,包括车辆当前所在位置、速度和自动驾驶车辆转向;

步骤2:将交叉口进口车道划分为普通车道和自动驾驶专用车道,其中自动驾驶专用车道仅限自动驾驶车辆行驶;基于自动驾驶专用车道,设计自动驾驶专用相位,采取自动驾驶车辆穿插式通行模式;

步骤3:考虑车道和相位的信号状态、车辆跟车、自动驾驶车辆冲突分离、通行权分配等约束条件,以车辆快速驶离交叉口为目标,构建基于实时交通信息、时间离散的车辆轨迹规划模型;

步骤4:建立信号配时方案的约束方程,并将车辆轨迹规划模型划分为两个子模型,分别是以信号状态为参数的轨迹规划模型和以信号状态为决策变量的轨迹规划模型;

步骤5:基于动态周期和相序的信号控制策略,设计面向自动驾驶专用相位的轨迹规划与信号优化算法;

步骤6:采用滚动时间窗方法,确定优化周期时长,设置窗口计算步长和执行步长,运行面向自动驾驶专用相位的轨迹规划与信号优化算法,优化获得车辆轨迹和信号配时方案。

实施例2:

在实施例1的基础上,步骤1采集交叉口物理参数,包括进口车道数、出口车道数以及车道布局;采集人工驾驶车辆和自动驾驶车辆信息,包括车辆当前所在位置、速度和自动驾驶车辆转向;包括如下步骤:

步骤11:采集交叉口物理参数,用参数O表示进口方向、参数D表示出口方向,参数Ω

步骤12:采集人工驾驶车辆和自动驾驶车辆信息,用参数i表示车辆、参数I表示交叉口车辆集合、参数I

实施例3:

在实施例2的基础上,步骤2将交叉口进口车道划分为普通车道和自动驾驶专用车道,其中自动驾驶专用车道仅限自动驾驶车辆行驶;基于自动驾驶专用车道,设计自动驾驶专用相位,采取自动驾驶车辆穿插式通行模式,包括如下步骤:

将交叉口进口车道划分为普通车道和自动驾驶专用车道,用参数k表示进口车道、参数 k

实施例4:

在实施例3的基础上,步骤3考虑车道和相位的信号状态、车辆跟车、自动驾驶车辆冲突分离、通行权分配等约束条件,以车辆快速驶离交叉口为目标,构建基于实时交通信息、时间离散的车辆轨迹规划模型,包括如下步骤:

步骤3-1:为防止不同方向的交通流同时驶入交叉口发生碰撞,任意时刻交叉口信号相位只能保持一种信号状态—绿灯、黄灯或红灯,如公式(1)所示;任意时刻信号交叉口只有一个相位允许车辆放行状态,如公式(2)所示:

其中,P表示相位集合,N表示周期集合,T表示时间集合;

步骤3-2:交叉口进口车道的信号状态,取决于其对应相位的信号状态,如公式(3)-(6) 所示:

其中,M表示很大的正整数,K表示进口车道集合,

步骤3-3:交叉口各信号相位轮流显示一次绿灯视为一个信号周期,为保证通行权分配的公平性,已显示绿灯的信号相位停止当前周期内的切换,即该相位在当前周期不再显示绿灯,如公式(7)-(8)所示:

其中,

步骤3-4:车辆轨迹根据路程-速度-加速度物理公式,基于车辆加速度的优化,更新车辆行驶轨迹,如公式(9)-(10)所示;车辆的速度不大于车辆最大速度,如公式(11)所示;车辆的加速度不小于车辆最大减速度,且不大于车辆最大加速度,如公式(12)所示:

其中,I表示车辆集合,Δt表示更新步长,

步骤3-5:为防止同一车道上两台相邻的车辆发生追尾,考虑前车的运动状态(如速度和位置),调整后车的跟车加速度,车辆跟车加速度受到的主要影响,具体包括:与前车的速度差、与前车的位置差、最小跟车安全间距以及车辆在紧急反应时间内行驶路程,如公式 (13)所示;车辆未获得通行权时,相当于在进口车道停车线处停放一台“静止的车辆”,其车辆位置等于停车线位置、速度等于零、加速度也等于零,车辆获得通行权时,该“静止的车辆”瞬间获得最大速度并行驶至无穷远处,通过停车线后,车辆加速度不再受停车线影响,如公式(14)-(16)所示:

其中,

步骤3-6:同一车道上任意两台相邻车辆,满足车辆与前车的间距不小于最小跟车安全间距与单位更新步长内车辆行驶路程之和,如公式(1746)所示;未获得通行权的车辆需与停车线保持间距,且不小于最小安全间距与单位更新步长内车辆行驶路程的和,如公式(18)所示:

步骤3-7:车辆加速度应不大于最大跟车加速度和最大停车线加速度,如公式(19)-(20) 所示:

步骤3-8:自动驾驶专用相位运行期间,其任意两台自动驾驶车辆到冲突点距离之差的绝对值不小于自动驾驶车辆冲突分离的最小安全间距,如公式(21)-(24)所示;将两台存在潜在冲突的车辆i、j先获得通行权的车辆称为前车,后获得通行权的车辆称为后车,为预防后车追上前车发生碰撞,后车穿插式通行的最大加速度受到与前车的速度差、前车到冲突点距离与后车到冲突点距离之差的影响,如公式(25)所示;自动驾驶车辆的加速度不大于穿插式通行的最大加速度,如公式(26)所示:

其中,

步骤3-9:以下两种情况中车辆通行权和通过停车线状态关系是唯一对应的:①通过停车线的车辆必然获得通行权;②未获得通行权的车辆无法通过停车线,如公式(27)所示;同一车道上行驶的两台车辆,先通过交叉口控制线的车辆优先获得通行权,如公式(28)所示;进口车道信号灯切换至黄灯时,对该进口车道上车辆进行黄灯通行权分配,获得黄灯通行权的车辆允许通过停车线,而未获得黄灯通行权的车辆禁止通过停车线,如公式(29)-(30)所示;进口车道信号灯由切换至红灯时,已通过停车线的车辆继续在交叉口内通行,而未通过停车线的车辆禁止通过停车线,如公式(31)-(32)所示;

其中,

步骤3-10:以车辆安全、快速驶离交叉口为优化目标,具体表现在交叉口所有进口车道上的车辆在优化时间内的每一时刻所在位置与目标出口车道线之差的和最小化,如公式(33) 所示:

其中,F

实施例5:

在实施例4的基础上,步骤4建立信号配时方案的约束方程,并将车辆轨迹规划模型划分为两个子模型,分别是以信号状态为参数的轨迹规划模型和以信号状态为决策变量的轨迹规划模型,包括如下步骤:

步骤4-1:根据所有相位绿灯状态或黄灯状态之和,确定当前相位信号状态和当前相位,如公式(47)所示;计算信号相位绿灯或黄灯时间,n周期t

其中,p

步骤4-2:根据信号相位绿灯状态作为输入参数或决策变量,将上述车辆轨迹规划模型分为以相位绿灯状态为决策变量的混合整数线性规划模型一和以相位绿灯状态为输入参数的混合整数线性规划模型二;

其中,以相位绿灯状态为决策变量的混合整数线性规划模型一的描述如下:

输入参数:车辆位置

约束条件:公式(1)-(32);

决策变量:相位绿灯状态

目标函数:公式(33);

以相位绿灯状态为输入变量的混合整数线性规划模型二的描述如下:

输入参数:车辆位置

约束条件:公式(1)-(32);

决策变量:车辆加速度

目标函数:公式(33)。

实施例6:

在实施例5的基础上,步骤5基于动态周期和相序的信号控制策略,设计面向自动驾驶专用相位的轨迹规划与信号优化算法,包括如下步骤:

步骤5-1:结合考虑实时信号状态的车辆轨迹规划模型和面向自动驾驶专用相位的信号配时控制条件,面向自动驾驶专用相位的车辆轨迹-信号配时协同优化算法的具体过程如下所示:

第一步:初始化,更新时间t

第二步:采集t

第三步:确定t

第四步:计算n

第五步:判断是否存在危险车辆,计算

第六步:判断获得黄灯通行权的车辆是否全部驶入交叉口,计算Ut;若Ut=0结束相位黄灯,切换绿灯,执行第八步;若

第七步:求解以相位绿灯状态为输入变量的混合整数线性规划模型二,优化输出交叉口车辆加速度

第八步:求解相位绿灯状态为决策变量的混合整数线性规划模型一,优化输出相位绿灯状态

第九步:判断n

实施例7:

在实施例6的基础上,步骤6采用滚动时间窗方法,确定优化周期时长,设置窗口计算步长和执行步长,运行面向自动驾驶专用相位的轨迹规划与信号优化算法,优化获得车辆轨迹和信号配时方案,包括如下步骤:

步骤6-1:基于滚动时间窗方法,确定优化周期时长为|T|,设置窗口优化步长为m

技术分类

06120115628926