一种智能网联车辆队列的关键控制节点识别方法、装置及存储介质

技术领域

本发明涉及一种智能网联车辆队列的关键控制节点识别方法、装置及存储介质，属于智能交通控制、车路协同自动驾驶技术领域。

背景技术

随着交通运输、汽车工业、信息通信等行业的交叉融合发展，智能网联环境下交通管理与控制的研究与应用开始加速。在先进的感知、计算与通信技术的支撑下，智能网联汽车能够实时获取交通流中的动态与静态信息并进行计算分析，实现实时的数据驱动的交通管理与控制，克服传统交通流中模型驱动的交通管理与控制方法的效果差、时延长的缺陷，成为未来保障交通运行效率与安全水平的关键技术之一。

智能网联交通技术的发展是一个长期积累的过程，当前还处在智能网联交通技术发展的初级阶段，感知、计算与通信等技术都还有待进一步的完善提升。实现完全的智能网联环境还有很多的技术难题有待解决，在很长一段时间内，由智能网联汽车、人工驾驶汽车共同组成的混合交通流，与低级别的智能网联环境将在交通系统内广泛存在。

在交通系统的运行中，对所有车辆实施实时的单车控制受到技术限制，容易导致对计算、通信资源的浪费，控制的稳定性与安全性无法得到保障，缺乏可行性。智能网联环境下，对交通流实时智能交通控制的一种可行的方法是针对智能网联车辆队列，分析其运动过程运动参数的变化趋势，由此识别出车辆队列中潜在的，容易产生运动状态连续波动，对于给交通流引入交通干扰引起交通运行效率或交通安全性下降的车辆，对其施加有针对性的控制，以实现智能网联车辆队列的协同优化控制。该控制方法的关键问题就是要对车辆队列中的关键控制节点进行准确的识别，已有研究中通常对该问题简化处理，采取均匀分布的方法识别关键控制节点，或者仅考虑单因素(如距离)完成关键控制节点的识别，忽略了车辆队列中不同车辆在运行过程中驾驶风格的不同与动力学参数变化方面的异质性，导致关键控制节点的识别无法与车辆队列的运行情况相匹配，不利于优化控制的实施。

发明内容

本发明的目的在于提供一种智能网联车辆队列的关键控制节点识别方法、装置及存储介质，综合考虑智能网联车辆队列中所有车辆在运动过程中的车辆自身运动参数与车间相对运动参数，识别智能网联车辆队列的关键控制节点，为智能网联车辆队列的优化控制提供基础。

为解决上述技术问题，本发明是采用下述技术方案实现的：

一方面，本发明提供一种智能网联车辆队列的关键控制节点识别方法，其包括：

获取智能网联车辆队列的运动轨迹信息，处理得到其中所有车辆在运动过程中的动力学参数，所述动力学参数包括车辆自身运动参数与车间相对运动参数；

根据智能网联车辆的分布建立队列的图结构表征；

根据所述车辆自身运动参数与车间相对运动参数，构建车辆动力学参数的特征参数矩阵及相似度矩阵；

基于所述图结构表征以及所述特征参数矩阵及相似度矩阵，构建智能网联车辆队列的图拉普拉斯矩阵；

基于所述智能网联车辆队列的拉普拉斯矩阵，执行特征分解，按照预设的最优化聚类簇数，进行智能网联车辆队列的谱聚类操作；

根据聚类结果提取各聚类簇中的关键控制车辆，作为智能网联车辆队列的关键控制节点识别结果，输出至智能网联车辆队列。

可选的，所述所述动力学参数中，所述车辆自身运动参数包括第i辆车在第t时刻的所处位置

所述车间相对运动参数包括第i辆车与其前车(第i-1辆车)在第t时刻的车辆间距

可选的，所述根据智能网联车辆的分布建立队列的图结构表征，包括：将智能网联车辆中的各车辆作为节点，根据车辆之间的通信连接关系构建邻接矩阵，表示为：

其中，w

构建度矩阵，表示为：

可选的，所述车辆动力学参数的特征参数矩阵表示为：

其中，p

对于车辆自身运动参数，动力学参数的特征值按照下式计算：

对于车间相对运动参数，动力学参数的特征值按照下式计算：

所述相似度矩阵表示为；

其中，

s

可选的，所述基于图结构表征以及所述特征参数矩阵及相似度矩阵，构建智能网联车辆队列的图拉普拉斯矩阵，包括：

基于所述特征参数矩阵及相似度矩阵，构建综合相似性矩阵，表示为：

其中，ω

根据所述图结构表征以及所述综合相似性矩阵，构建图拉普拉斯矩阵L，表示为：

式中，f表示特征向量，f

可选的，所述基于智能网联车辆队列的拉普拉斯矩阵，执行特征分解，按照预设的最优化聚类簇数，进行智能网联车辆队列的谱聚类操作，包括：

构建标准化后的拉普拉斯矩阵D

计算D

将特征矩阵T按照行划分为n个l维样本；

采用聚类方法，设置聚类簇数为g∈[g

选取最优聚类指标值对应的对应簇数g

可选的，以上所述计算每一个聚类簇数对应的聚类结果的聚类指标值，具体为计算每一个聚类簇数对应的聚类结果的Davies-Bouldin指数值；

所述最佳聚类结果为Davies-Bouldin指数值最小的聚类结果。

可选的，所述根据聚类结果提取各聚类簇中的关键控制车辆，作为智能网联车辆队列的关键控制节点识别结果，包括：

将聚类结果中每一个聚类簇C

智能网联车辆队列的关键控制节点识别结果表示为关键控制节点集

第二方面，本发明提供一种智能网联车辆队列的关键控制节点识别方法，其包括：

运动轨迹信息获取模块，被配置用于，获取智能网联车辆队列的运动轨迹信息，处理得到其中所有车辆在运动过程中的动力学参数，所述动力学参数包括车辆自身运动参数与车间相对运动参数；

图结构表征构建模块，被配置用于，根据智能网联车辆的分布建立队列的图结构表征；

特征相似度分析模块，被配置用于，根据所述车辆自身运动参数与车间相对运动参数，构建车辆动力学参数的特征参数矩阵及相似度矩阵；

图拉普拉斯矩阵构建模块，被配置用于，基于所述图结构表征以及所述特征参数矩阵及相似度矩阵，构建智能网联车辆队列的图拉普拉斯矩阵；

特征聚类模块，被配置用于，基于所述智能网联车辆队列的拉普拉斯矩阵，执行特征分解，按照预设的最优化聚类簇数，进行智能网联车辆队列的谱聚类操作；

以及，关键控制节点识别模块，被配置用于，根据聚类结果提取各聚类簇中的关键控制车辆，作为智能网联车辆队列的关键控制节点识别结果，输出至智能网联车辆队列。

第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时，执行如第一方面所述智能网联车辆队列的关键控制节点识别方法的步骤。

有益效果

与现有技术相比，本发明所达到的有益效果：

(1)本发明的关键控制节点识别方法综合考虑了智能网联车辆队列运行过程中，队列内每个车辆自身的运动参数与相邻车辆之间的相对运动参数，覆盖了车辆队列运行一致性目标下需要满足的多方因素，进而能够准确识别智能网联车辆队列中需要施加控制的关键节点，为提高交通安全性和运行效率提供保障；

试验证明，基于本发明关键控制节点识别结果对智能网联车辆队列施加控制，能够降低智能网联车辆队列中车辆速度的波动，提高车辆队列的稳定性，且控制效果明显优于基于其他关键控制节点的控制效果；

(2)基于本发明可有效利用智能网联环境下智能网联车辆与智能网联道路的感知、计算、通信技术，实现智能网联车辆队列关键控制节点的识别，对当前交通系统下智能网联交通管理与控制技术的应用提供了一种高效的方法；

(3)本发明对未来研究智能网联环境下复杂场景的交通管理与控制方法具有重要意义，能够为智能网联车辆群体的关键控制节点识别提供的理论与方法基础。

附图说明

图1所示为本发明智能网联车辆队列的关键控制节点识别方法的一种实施例流程示意图；

图2所示为本发明一种实施例中智能网联车辆队列的关键控制节点识别详细流程示意图；

图3所示为智能网联车辆队列仿真实验场景示意图；

图4所示为不对关键控制节点施加控制下的速度变化图；

图5所示为基于靠前分布法的关键控制节点结果的控制下的速度变化图；

图6所示为基于介数中心性法的关键控制节点结果的控制下的速度变化图；

图7所示为基于控制秩法的关键控制节点结果的控制下的速度变化图；

图8所示为基于均匀分布法的关键控制节点结果的控制下的速度变化图；

图9所示为基于本发明的关键控制节点识别结果进行控制下的速度变化图。

具体实施方式

以下结合附图和具体实施例进一步介绍本发明。

技术构思

在实现完全智能网联交通管理与控制之前，对所有车辆实施实时的单车控制受到技术限制，为了解决当前智能网联环境下难以通过完全控制的方法实现交通流优化控制的问题，本发明旨在提出一种用于智能网联车辆队列的关键控制节点识别方法，考虑智能网联车辆队列中不同车辆在运行过程中驾驶风格的不同与动力学参数变化方面的异质性，克服已有研究中采取均匀分布的方法识别关键控制节点，或者仅考虑单因素(如距离)完成关键控制节点的识别，忽略驾驶异质性的不足，针对智能网联车辆队列，分析其运动过程运动参数的变化趋势，由此识别出车辆队列中潜在的，容易产生运动状态连续波动，对交通流引入交通干扰引起交通运行效率或交通安全性下降的车辆，并对其施加有针对性的控制，以实现智能网联车辆队列的协同优化控制。

实施例1

参考图1，本实施例介绍一种智能网联车辆队列的关键控制节点识别方法，其包括：

获取智能网联车辆队列的运动轨迹信息，处理得到其中所有车辆在运动过程中的动力学参数，所述动力学参数包括车辆自身运动参数与车间相对运动参数；

根据智能网联车辆的分布建立队列的图结构表征；

根据所述车辆自身运动参数与车间相对运动参数，构建车辆动力学参数的特征参数矩阵及相似度矩阵；

基于所述图结构表征以及所述特征参数矩阵及相似度矩阵，构建智能网联车辆队列的图拉普拉斯矩阵；

基于所述智能网联车辆队列的拉普拉斯矩阵，执行特征分解，按照预设的最优化聚类簇数，进行智能网联车辆队列的谱聚类操作；

根据聚类结果提取各聚类簇中的关键控制车辆，作为智能网联车辆队列的关键控制节点识别结果，输出至智能网联车辆队列。

本实施例通过考虑车辆自身运动参数与车间相对运动参数，对智能网联车辆队列中关键控制节点的识别有助于保障智能网联交通下道路交通运行效率、安全性、稳定性的提高。

实施例2

参考图2，本实施例具体介绍一种智能网联车辆队列的关键控制节点识别方法的实现过程。本实施例的方法可由智能网联道路服务端或任意终端实现，其得到关键控制节点识别结果后输出至智能网联车辆队列中具有控制权限的节点，或者根据关键控制节点识别结果进行后续的控制策略分析及执行。

方法实现过程具体包括以下内容。

一、获取智能网联车辆队列运动轨迹信息，处理轨迹信息并提取出队列中所有车辆在运动过程中的动力学参数。

在本实施例中，所提取的车辆动力学参数包括车辆自身运动参数与车间相对运动参数；其中，所述车辆自身运动参数包括第i辆车在第t时刻的所处位置

二、根据智能网联车辆的分布建立队列的图结构表征。

本实施例中，图结构通过邻接矩阵进行表征，其表示为：

其中，w

度矩阵的构建为：

其中，

三、根据车辆自身运动参数与车间交互运动参数完成队列特征参数的计算与相似度矩阵的构建。

这部分内容中，首先根据车辆动力学参数计算动力学参数的特征参数，具体的，以k

以车辆速度、加速度两种车辆自身运动参数为例，p

以车辆间距、速度差、加速度差三种车辆相对运动参数为例，p

则特征参数矩阵表示为：

其中，p

基于特征参数矩阵的相似度矩阵表示为：

其中，s

四、推导基于智能网联车辆队列图结构与特征矩阵的拉普拉斯矩阵。

基于不同特征相似度矩阵的综合相似性矩阵表示为：

其中ω

基于车辆动力学的智能网联车辆队列的图拉普拉斯矩阵推导为：

五、根据智能网联车辆队列的拉普拉斯矩阵，执行特征分解，确定最优化聚类簇数，并执行智能网联车辆队列的谱聚类操作。

基于上述图拉普拉斯矩阵，构建标准化后的拉普拉斯矩阵D

计算D

将特征矩阵T按照行划分为n个l维样本，采用聚类方法，设置聚类簇数为g∈[g

选取最优聚类指标值对应的对应簇数g

本实施例在选择最佳聚类簇数和最佳聚类结果时，计算每一个聚类簇数对应的聚类结果的Davies-Bouldin指数值，将Davies-Bouldin指数值最小的聚类结果作为所述最佳聚类结果。

六、根据聚类结果，提取各聚类簇中的关键车辆，输出智能网联车辆队列的关键控制节点识别结果至智能网联车辆队列。

具体的，这部分即：识别最佳聚类结果CR

输出智能网联车辆队列的关键控制节点集

为了验证本发明提供的智能网联车辆队列的关键控制节点识别方法能够准确识别出智能网联车辆队列中的关键控制节点，并实现优异的控制效果，以下通过试验对设置的仿真场景下的智能网联车辆队列进行关键控制节点的识别并对关键控制节点实施控制，以观察控制效果，具体的：

选取一组真实场景下运行得到的车辆队列轨迹数据，该车辆队列由25辆智能网联车辆构成，以此作为仿真实验的初始状态，设置高速公路单车道车辆队列跟驰场景为实验场景，仿真时长为300s，仿真时间步长为0.1s，实验场景的基本示意如图3所示。基于初始状态的车辆队列轨迹数据提取出车辆运动过程中的车辆自身运动参数与车间相对运动参数；根据智能网联车辆的分布建立队列的图结构表征，根据车辆自身运动参数与车间交互运动参数完成队列特征参数的计算与相似度矩阵的构建，推导基于智能网联车辆队列图结构与特征矩阵的拉普拉斯矩阵；根据智能网联车辆队列的拉普拉斯矩阵，执行特征分解，确定最优化聚类簇数，并执行智能网联车辆队列的谱聚类操作；根据聚类结果，提取各聚类簇中的关键车辆，输出智能网联车辆队列的关键控制节点识别结果。针对输出的关键节点处的车辆实施基于PID控制器的控制，针对其他车辆，根据其运动特性施加基于跟驰模型的控制。为了验证本发明提供的用于智能网联车辆队列的关键控制节点识别方法能够准确识别出智能网联车辆队列中的关键控制节点，选择基于4种常用的关键节点识别方法的控制实验作为对比，4种常用的关键节点识别方法分别为靠前分布法、介数中心性法、控制秩法和均匀分布法。

图4给出了不对关键控制节点施加控制下的速度变化；

图5给出了基于靠前分布法的关键控制节点结果的控制下的速度变化；

图6给出了基于介数中心性法的关键控制节点结果的控制下的速度变化；

图7给出了基于控制秩法的关键控制节点结果的控制下的速度变化；

图8给出了基于均匀分布法的关键控制节点结果的控制下的速度变化；

图9给出了基于本专利的关键控制节点结果的控制下的速度变化。

由图4-9可知，通过利用本发明的关键控制节点识别方法对智能网联车辆队列施加控制，能够降低智能网联车辆队列中车辆速度的波动，提高车辆队列的稳定性，是一种高效的优化控制方法。且基于本专利的关键控制节点的控制效果优于基于其他关键控制节点的控制效果，对智能网联车辆队列稳定性、效率的提升效果更为明显，证明了本发明提供的用于智能网联车辆队列的关键控制节点识别方法能够准确识别出智能网联车辆队列中的关键控制节点。

本发明选取高速公路单车道车辆队列跟驰行驶情景进行分析，其他单车道跟驰场景下与该场景在跟驰控制的关键节点识别方法上可以相同。

实施例3

参考图2，本实施例介绍一种智能网联车辆队列的关键控制节点识别方法，其包括：

运动轨迹信息获取模块，被配置用于，获取智能网联车辆队列的运动轨迹信息，处理得到其中所有车辆在运动过程中的动力学参数，所述动力学参数包括车辆自身运动参数与车间相对运动参数；

图结构表征构建模块，被配置用于，根据智能网联车辆的分布建立队列的图结构表征；

特征相似度分析模块，被配置用于，根据所述车辆自身运动参数与车间相对运动参数，构建车辆动力学参数的特征参数矩阵及相似度矩阵；

图拉普拉斯矩阵构建模块，被配置用于，基于所述图结构表征以及所述特征参数矩阵及相似度矩阵，构建智能网联车辆队列的图拉普拉斯矩阵；

特征聚类模块，被配置用于，基于所述智能网联车辆队列的拉普拉斯矩阵，执行特征分解，按照预设的最优化聚类簇数，进行智能网联车辆队列的谱聚类操作；

以及，关键控制节点识别模块，被配置用于，根据聚类结果提取各聚类簇中的关键控制车辆，作为智能网联车辆队列的关键控制节点识别结果，输出至智能网联车辆队列。

以上各功能模块的具体功能实现参考实施例2方法中的相关内容，不予赘述。

实施例4

本实施例介绍一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时，执行实施例1或2所述方法的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。