基于ACP方法的平行智能车控制系统与流程

本发明涉及智能车领域，具体涉及一种基于acp方法的平行智能车控制系统。

背景技术：

无人驾驶能够带来更加安全、高效、舒适的驾驶体验，已经成为全球范围内业界的共识。因此，英国、美国、德国、日本和中国等多个国家已经在积极进行无人驾驶车辆的研发工作。

但是，目前无人驾驶车辆面临两大主要问题：

一、安全性和可靠性较差

当无人驾驶系统无法识别复杂环境时，会导致交通事故和人员伤亡。安全性主要受制于算法不完善及系统灵敏度低，可靠性主要由设备故障，系统宕机及感知系统误检引起。

二、价格昂贵

无人驾驶车辆对传感器的要求很高，需要配置高精度传感器。如多线激光测距仪、微波雷达、高精度gps等。

无人驾驶车辆昂贵的价格及安全性限制了其广泛应用。传统的解决方案一般是通过使用高精度设备和复杂的传感器感知技术来得到安全性的提高，但同时提高了车辆成本；若采用普通设备及简单技术，虽然降低了车辆成本，其可靠性却不能保证。

现有发明cn105489053a(发明名称：一种基于acp方法的平行停车系统构建方法，公布日：2016.04.13)acp指的是人工系统(artificialsystems)、计算实验(computationalexperiments)和平行执行(parallelexecution)。该发明以平行执行的方式建立人工停车系统和实际停车系统之间的滚动优化过程，利用人工停车系统为实际停车系统的建立提供指导方案，使现有的停车资源得到最大效率的使用。该发明仅用于停车指导，未提出对道路上行驶的车辆的指导策略，特别是未提出对无人车安全可靠行驶的解决方案，且没有提出降低无人车车辆成本的方法。

技术实现要素：

为了解决现有技术中的上述问题，本发明提出了一种基于acp方法的平行智能车控制系统，不仅大大降低了车辆成本，并且有效解决了无人驾驶车辆的安全性问题，提高了通行效率及整体协同程度。

本发明提出一种基于acp方法的平行智能车控制系统，包括：平行控制中心和实际车路系统；

所述平行控制中心，包括：计算控制中心和人工车路系统；

所述计算控制中心，配置为：根据所述实际车路系统采集的行车参数和路况信息，计算多种行车控制策略，在人工车路系统中进行实验；根据实验结果选择控制策略，在人工车路系统与实际车路系统中平行执行；

所述人工车路系统，为基于大型计算机的虚拟系统，根据所述实际车路系统采集的行车参数和路况信息构建而成；配置为：根据所述计算控制中心提供的指令执行，并向所述计算控制中心发送执行过程中的相关数据。

优选地，所述实际车路系统，为无人车实际运行的道路环境系统，配置为：采集无人车的行车参数和路况信息，传送到所述计算控制中心；并执行计算控制中心的指令，控制无人车在道路上行驶。

优选地，所述行车参数为无人车内车载传感器采集到的参数，包括：速度、加速度、方向盘转角、油门刹车信息；

优选地，所述路况信息为路侧设备采集的信息，包括：路侧交通灯信息、摄像头拍摄的信息、雷达测距信息。

优选地，在平行执行过程中，按预设的时间周期采集无人车的行车参数和路况信息，并对所述人工车路系统进行修正。

优选地，所述人工车路系统，包括虚拟的静态模型和动态模型；

所述静态模型，包括实际交通环境中的建筑物、树木、道路安全设施、标志牌、信号灯、路面交通标志线；

所述动态模型，包括：智能车辆模型以及自身决策规划模型、随机产生的道路上行驶的非智能车辆、非机动车、行人模型以及它们的运动状态模型、整体调度配置模型。

优选地，所述实际车路系统还采集无人车的环境感知传感器数据，包括：车载单线激光雷达数据、车载摄像头数据。

优选地，所述计算控制中心，计算控制策略时，还利用互联网信息；所述互联网信息，包括：道路环境、交通事故、天气状况、交通管制。

优选地，所述控制策略，包括：对无人车的路径规划、行车参数控制。

优选地，所述平行控制中心，还配置为：模拟各种交通场景，并计算相应的控制策略，根据所述人工车路系统的实验结果，为所述实际车路系统提供改进方案，包括：增加道路的智能性、降低智能车辆成本；

所述增加道路的智能性，包括：安装v2x通信设备、路侧摄像头、微波雷达、路边处理器、地下感应装置、智能信号灯控制器；

所述降低智能车辆成本，包括：采用车载单线激光雷达代替车载64线激光雷达、将部分由车载设备采集和处理的数据转移到路侧设备来采集或处理。

优选地，所述智能信号灯控制器，将路侧信号机的信号直接发送给无人车和/或平行控制中心。

优选地，所述车载摄像头数据，经过所述路边处理器压缩处理后传输到所述计算控制中心。

本发明提出的基于acp方法的平行智能车控制系统，采集实际车路系统中的行车参数和路况信息，构建虚拟的人工车路系统；计算控制中心经过计算后，得出控制策略，在人工车路系统中进行实验；根据实验结果，选择合适的控制策略在实际车路系统和人工车路系统中平行执行；在执行过程中，根据实际车路系统中的行车参数和路况信息对人工车路系统进行实时修正，对控制策略进行实时调整。有效解决了无人驾驶车辆的安全性问题、提高了通行效率及整体协同程度，对于有人驾驶的智能车，利用此系统，也可以减少因疲劳驾驶等原因导致的交通事故。本发明还可以根据人工车路系统的运行情况，对实际车路系统提出改造建议，提高路侧设备的智能化，并大大降低了智能车上车载设备的成本。

附图说明

图1是本实施例中，平行智能车控制系统各部分间通讯示意图；

图2是本实施例中，构建人工车路系统时所需要素的示意图；

图3是本实施例中，实际车路系统示意图。

具体实施方式

下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是，这些实施方式仅仅用于解释本发明的技术原理，并非旨在限制本发明的保护范围。

本发明提出一种基于acp方法的平行智能车控制系统，充分利用acp的优势，来实现行车可靠性和车辆成本的平衡。不仅可大大降低车辆成本，并可有效解决现阶段智能车的安全性问题，提高通行效率及整体协同程度，减少因疲劳驾驶等原因导致的交通事故。未来的每一部智能车都会有形影不离的“i车”相随，将是虚实互联、互通、互动的平行智能车，即平行智能车＝车+i车(虚拟车)。该方法不仅可以适用于无人驾驶的智能车，对于有人驾驶的智能车，也可以提供快速及时的行车指导、监督、辅助驾驶。

要达到车内简单、远端智能的目标，就需要各种各样的信号，不能只依靠传统车载传感器，更要依靠道路的智能化。将车载传感器和路侧传感器的物理信号、人的信号、以及各种各样的开源信息(社会信号)都要嵌入到系统中，形成能够同时处理三个空间(cyber-social-physical，物理、社会、信息)的无人自主驾驶车辆，把物理、精神、人工、社会、经验等因素都整合在一起，将单车智能迅速扩展到车联网的协同智能上，变成车与车(vehicletovehicle)、车与路(vehicletoroadsideunits)、车与人(vehicletohuman)的网络化发展。

针对实际系统中车/路/人等大数据的统计学习、机器学习、数据挖掘等大数据分析处理；根据基于人工车路系统的实验结果，来实现对实际车路系统的有效指导和预测。同时对实际车和道路进行改造，降低智能车辆成本，实现“车内简单，远端智能，车路互动，多车协同，平行操控，安全旅程”，从而实现智能车的更高安全性，降低单车成本，使之更快投入市场。

本实施例中，基于acp方法的平行智能车控制系统如图1所示，包括：平行控制中心和实际车路系统。

所述平行控制中心，包括：计算控制中心和人工车路系统。

所述计算控制中心，配置为：根据所述实际车路系统采集的行车参数和路况信息，然后经过人工智能、神经网络、机器学习等算法，计算多种行车控制策略，在人工车路系统中进行实验；根据实验结果选择最优的控制策略，在人工车路系统与实际车路系统中平行执行。计算控制策略时还可以利用互联网信息，包括：道路环境、交通事故、天气状况、交通管制等。所述控制策略，包括：对无人车的路径规划、行车参数控制。在平行执行过程中，按预设的时间周期采集无人车的行车参数和路况信息，并对所述人工车路系统进行即时修正，使之与实际车路系统尽可能地接近；同时，控制策略也会根据实际情况进行实时调整。

所述人工车路系统，为基于大型计算机的虚拟系统，根据所述实际车路系统采集的行车参数和路况信息构建而成；配置为：根据所述计算控制中心提供的指令执行，并向所述计算控制中心发送执行过程中的相关数据。

本实施例中，所述实际车路系统，为无人车实际运行的道路环境系统，配置为：采集无人车的行车参数和路况信息，传送到所述计算控制中心；并执行计算控制中心的指令，控制无人车在道路上行驶。所述行车参数为无人车内车载传感器采集到的参数，包括：速度、加速度、方向盘转角、油门刹车信息等；所述路况信息为路侧设备采集的信息，包括：交通灯信息、摄像头拍摄的信息、雷达测距设备采集的信息等。

本实施例中，所述人工车路系统，包括虚拟的静态模型和动态模型；

所述静态模型，包括实际交通环境中的建筑物、树木、道路安全设施、标志牌、信号灯、路面交通标志线；

所述动态模型，包括：智能车辆模型以及自身决策规划模型、随机产生的道路上行驶的非智能车辆、非机动车、行人模型以及它们的运动状态模型(包括速度、运动轨迹状态)、整体调度配置模型(防止除智能车外其他车辆和行人发生碰撞，需综合配置和调度)。

本实施例中，为了更准确地掌握车辆的行驶环境，所述实际车路系统还采集无人车的环境感知传感器数据，包括：车载单线激光雷达数据、车载摄像头数据等，这些设备采集无人车的外部环境数据，与路侧设备采集的数据综合起来使用，可实现对路况信息更为准确的判断。

本实施例中，所述计算控制中心，还配置为：根据所述人工车路系统的实验结果，对所述实际车路系统提出改进方案，包括：增加道路的智能性、降低智能车辆成本；

所述增加道路的智能性，包括：安装v2x通信设备、路侧摄像头、微波雷达、路边处理器、地下感应装置、智能信号灯控制器等；

所述降低智能车辆成本，包括：采用车载单线激光雷达代替车载64线激光雷达、将部分由车载设备采集和处理的数据转移到路侧设备来采集或处理，等等。

为了更清楚地阐述本发明的控制系统，下面分别进行人工车路系统的构建、计算实验、平行执行、实际车路改造、具体案例的详细说明：

一、人工车路系统的构建：

基于实际车路系统的行车参数和路况信息构建人工车路系统环境，系统由许多要素构成，包括静态物体、动态物体、季节、天气、光源等。人工车路系统主要是结合所采集的路况信息，包括交通环境的高精度图像、三维激光点云等数据，建立场景模型数据库。场景模型数据库包括动态场景模型和静态场景模型，静态场景模型包括真实交通环境中的建筑物、树木、道路安全设施、标志牌、信号灯、路面交通标线等，动态场景模型为智能车辆模型以及自身决策规划模型、随机产生的道路上行驶的非智能车辆、非机动车、行人模型以及它们的运动状态模型(包括速度、运动轨迹状态)、整体调度配置模型(防止除智能车外其他车辆和行人发生碰撞，需综合配置和调度)。人工车路系统自动生成交通参与者、特殊天气以及环境等要素，在道路场景基础上，模拟更多的交通场景，保证其多样化和高覆盖率。采用通用仿真道路测试场和车辆仿真软件，专用测量设备及硬件接口、平台，根据不同需求，进行mil(模型在环仿真)、sil(软件在环仿真)、hil(硬件在环仿真)和vil(实车在环仿真)等四个层次的模拟仿真来实现人工车路系统。

如图2所示的实施例中，采集实际车路系统中真实道路的数据(即路况信息)、真实车载数据(即行车参数、环境感知传感器数据)，利用事先生成的无人车模型、车/路/人交互模型以及利用模拟驾驶数据建立的驾驶员行为模型等，搭建出虚拟的三维人工车路系统。

事先生成的模型分为静态模型和动态模型；

所述静态模型，包括实际交通环境中的建筑物、树木、道路安全设施、标志牌、信号灯、路面交通标志线等；

所述动态模型，包括：智能车辆模型以及自身决策规划模型随机产生的道路上行驶的非智能车辆、非机动车、行人模型以及它们的运动状态模型(包括速度、运动轨迹状态)、整体调度配置模型(防止除智能车外其他车辆和行人发生碰撞，需综合配置和调度)。

二、计算实验：

由于车辆行驶过程中，车载传感器收集到的环境数据有限，对环境的感知信息不够全面准确。本发明提出将路侧数据和人的信号、以及各种各样的开源信息(社会信号，如互联网信息)融入到系统中，提高信息来源的全面性，考虑到车载处理器的处理能力有限，且仅靠车辆本身，很难实现大量数据的融合处理及综合分析，只能对某些特征数据进行处理，因此，很难满足车辆对安全性和可靠性的要求。针对此问题，本发明提出将gps数据、can总线数据通过车载网络直接传输到后台的平行控制中心，进行计算和实验，而将车载视频数据经路侧设备处理后传输到平行控制中心进行计算和实验来控制无人车或辅助智能车运行，充分利用当前网络快速发展的优势，通过低时延高速度的网络和强大的后台来实现远端分担车载计算压力和多层规划决策的目的，保证智能车的安全性。同时，融合路侧数据及社会信息等数据作为后台大数据分析及机器学习平台的数据基础，作为进行车辆相关状态及出行规划的预测分析依据，通过机器学习、人工智能、模式识别、深度学习等方法进行分析处理，并根据实际车辆行驶中的具体需求给予控制指令建议或路径规划建议，从而提高车辆行驶的安全性和整体交通通行效率。

三、平行执行：

通过实际车路系统，修正人工车路系统的模型，使其成为实际车路系统的“备用”系统。只有当人工车路系统精确逼近实际车路系统时，通过人工车路系统进行各种学习和分析及计算实验，来实时调整实际车路系统的管理与控制策略，才具有现实意义。人工车路系统和计算实验不仅包含实际车路系统，而且可以生成特殊的交通场景，满足具备复杂多样化的交通环境，能够实现车辆在特殊交通场景的运行。因此，通过平行执行，平行控制中心不仅可以针对交通系统进行全局规划和指导，也可以针对单车改造及车辆运行中的控制制动指令等给出局部分析决策建议。

四、实际车路改造：

智能化的实际车路系统，如图3所示，车与车、车与人、车与路侧设备(包括智能信号灯、摄像头、雷达等)、车与基站、基站与平行控制中心的处理器之间，都有信息交互。基于acp方法的平行智能车系统，增加了道路的智能性，降低了智能车辆成本。

路的改造包括安装v2x(vehicletox)通信设备、路侧摄像头、路边处理器、智能信号灯控制器、微波雷达(高速路段测速装置)等增加道路智能化的设备，实现道路交通感知、气象感知和路面状况感知，具体的包括：交通信息采集、非机动车和行人检测、路面状态及气象环境检测等。部分数据采集和预处理的功能通过路侧设备来实现，举例说明：车载视频数据可以经过路侧设备压缩处理后传输到后台平行控制中心；传统无人车识别信号灯是一般通过车载视频进行检测识别，而本发明是将路侧信号机的信号直接发送给无人车和平行控制中心，不仅减轻无人车的计算量，而且保证准确性。同时路侧可以收集车载传感器收集不到的路况信息，比如：在路口或者建筑物密集的路段，无人车有盲区，突然出现的车和人，无人车无法预知盲区的情况，而在路边的摄像头、埋在路面下的地磁圈等设备可以收集到这些信息，同时将这些信息发送给周围的无人车。智能路侧设备不仅减轻了智能车的计算负担，同时因收集更多的信息传输到平行控制中心，从而使车辆最终获得更多的信息和指导，提高智能车的安全性和稳定性。

车辆改造方面，因车辆可以通过路侧、其它车辆、平行控制中心获取信息和决策等指导，对于智能车本身可以在现有传统无人车设备配置上适当减少昂费的设备。例如：采用4个车载单线激光雷达代替车载64线激光雷达，4个单线激光可以测到车辆周围360度的二维点云信息，同时激光和摄像头数据融合保证无人车的单车安全，不单单是两类传感器感知外界环境，而且是两类传感器感知外界条件后信息互补，就好比我们的两只眼睛，视觉感知到了障碍物，同时激光给出障碍物的距离，另一方面若其中一类传感器感知错误的话，另一类传感器可以进行纠正，车辆除了自身传感器也可以通过v2x设备、路侧设备获取周围环境信息，为车辆感知提供更全面、丰富的信息。智能车车载设备主要包括车载摄像头、gps、激光雷达、车载处理器等。智能车需实现短距离通信和远程通信，从而需要配备车载通信设备。最终实现车车通信、车路通信、车人通信、车后台通信等，最终实现车、路、后台的无缝衔接。

五、具体案例：

系统控制方面，通过平行控制中心针对道路及车辆的突发状况的有效预测，可实时发送提示信息到实际车辆，建议车辆降低车速或者改变路线，从而有效避免道路拥堵或者交通事故等。比如，雨雪天气时，有些区域及路段常有积水现象。另外，针对系统内的所有车辆，通过综合分析行车目的地、乘客需求、车辆状态、道路情况、交通流量情况等因素，统一规划路径，从而实现全局最优，从而满足不同乘客、车辆、及道路等各方面的需求，有效改善车辆舒适度及行车体验。

用户体验方面，例如，社区内可以乘坐专用pave(parallelvehicle)班车到达社区的每个角落。同时，pave垃圾清理车会及时清理社区垃圾，保证小区舒适度。孩子们都可以乘坐专有pave代步车到达他们想去的任何的地方。预定的外卖或者在洗衣店洗好的衣服可经由一款可爱的自动驾驶pave车送达你的门前。你和朋友在酒吧聚会，无论多晚。可以叫一辆无人驾驶的pave车，再也不会有酒后驾车的风险。盲人也可以自己开车上路。pave物流车，将淘汰大部份物流业司机，因为它能降低能耗，驾驶室不用再装空调等设备。另外，中控平台实时监控所有pave车并且所有车都可以实时交流，车与车、车与路、车与后台中心(实际车与i车)之间的实时交流，可避免人为的疲劳驾驶和操作不当等引起的交通事故。当一位老人突然出现，pave车可以迅速躲开，同时后面的pave车就会同时转向，从而避免悲剧的发生。

基于pave车，结合智能道路及平行控制中心，可以实现对车辆状态及操纵的实时指导及预测，整个pave车系统优化部署指导以及全局和局部最优路径规划。另外，可根据驾驶员及乘客需求以及车辆系统本身，量身定制平行驾驶系统及服务，保证行车安全及能效优化。pave平行车充分利用全球数字化及信息化资源，将云端、道路及车辆上的资源无缝衔接，充分考虑安全性、舒适性、敏捷性和智能性等指标，将物理、社会、信息空间打通，从而有效保证车辆行驶的安全，实现最优行车体验，最终实现可靠、舒适、快速的平行驾驶。

pave平行车将综合运用中心控制，无人车感知、决策规划、车辆控制，网络通信，大数据分析，机器学习，人工智能等关键技术，把中心控制台、智能道路及pave车实时互动连接起来，最终实现车路互动、多车协同、平行操控、安全旅程。

本领域技术人员应该能够意识到，结合本文中所公开的实施例描述的各示例的方法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明电子硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以电子硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。