本发明属于智能交通领域，涉及车联网和自动驾驶汽车相关技术，为智能网联汽车在无信号交叉口的通行控制提供策略。
背景技术：
智能网联汽车是近几年才提出的概念，其核心技术是智能互联技术和自动驾驶技术。智能互联技术指的是基于先进的通信技术实现车车通信、车路通信和路路通信，从而构成信息共享的车联网环境。自动驾驶技术目前受到国内外学术界和工业界的重点关注，包括谷歌、特斯拉、百度在内等全球知名企业都投入了大量资金进行研发，并屡有相关产品问世，力图在未来的5到10年实现真正自动驾驶汽车的全面落地应用。通过结合智能互联和自动驾驶两方面的技术，使得在交通路网中行驶的智能网联汽车具有信息感知、智能决策和执行控制的功能，不仅能保证行驶安全性，而且能合理规划线路选择、行驶轨迹，提升道路交通的服务水平。
信号配时控制方法是目前国内外主流的交叉口通行方式。信号配时控制方法是以传统的人为驾驶汽车为对象，通过设置不同颜色的信号灯，对交叉口不同进口的车流进行通行引导，从而大大降低由于人为主观性造成的通行次序混乱和交通事故的发生。然而，信号配时控制方法控制方式不灵活，不同信号时间分配难以随着交叉口流量变化实时调整，并不适用于具有智能性和客观性特征的智能网联汽车，因此，对于智能网联汽车在交叉口的通行控制需要采用无信号自组织的通行策略。
目前，智能网联汽车在交叉口的通行控制策略也有不少人进行研究，但现有的研究大多是针对少车流、少通行方向的退化交叉口的场景，主要是通过对冲突车辆的运动参数进行调整来规避碰撞，对于车辆通行次序和大规模车流的运动控制模型鲜有研究。
技术实现要素：
本发明面向智能网联汽车在交叉口的出行场景，提出一种无信号自组织的通行控制方法。通过合理数学语言对交叉口环境的物理特性进行表达，将有效信息传递给到达区域的车辆，为制定通行控制策略提供基本信息。考虑到达区域的所有车辆，采用基于蒙特卡洛决策树的方法优化车辆的通行次序。最后，计算出已决策的车辆运行轨迹，主要包括规划车辆的加速度、速度和位置随时间变化情况。
本发明的技术方案包括以下内容：
(1)交叉口环境数据表达
交叉口的物理特征包括交叉口的进口数、各进口车道数、道路的尺寸参数信息。为提高智能网联汽车交叉口的通行效率，需保证车辆的行驶速度，减少停车和低速行驶。在车辆到达交叉口停车线之前就需要提前决策。这里将交叉口区域划分为决策区、执行区和冲突区。其中决策区和执行区是在停车线之前的区域，区域的具体长度需通过仿真实验来确定，冲突区域则包含不同行驶方向车流所有的冲突点。采用二维时空矩阵来表示车辆通过交叉口所遇到的所有冲突点的车辆占有时间序列，提高二维时空矩阵的占有密度即为提高交叉口区域的时空资源利用率。
(2)基于蒙特卡洛决策树的通行次序决策
车辆的通行次序制约着交叉口的通行效率，合理安排车辆通行次序是提高交叉口通行效率的关键。实际上，车辆的通行次序是对决策区内所有车辆的排列组合，组合数随着决策区域车辆数的增多而增大。蒙特卡洛决策树是一种高效的启发式搜索算法，结合了随机模拟的通用性和树搜索的准确性。算法思路是：通过蒙特卡洛方法产生通行次序样本，设计合理的价值函数(这里即为通行延误)来评判每个通行次序的优劣性；搭建决策树结构，是对于通行次序所有情况的完整表示，然后每次迭代通过通行次序的优劣性来更新决策树中的节点权重，根据权重可确定在该节点下次被优先选中的概率(这里可采用首位选择法或“轮盘赌”法)。在通行次序的样本空间有限的情况，蒙特卡洛决策树的方法总能搜索到最优的通行次序。
(3)车辆运动控制模型
本发明的方法采用提前决策，让车辆在交叉口停车线之间通过加减速，控制车辆到达停车线的时间，之后车辆可以按照最佳速度通过交叉口区域。当车辆到达决策区与执行区的交界处，需要确定车辆的运动轨迹，根据当前的通行次序和该车辆要经过的所有冲突点的时间序列，计算出车辆到达停车线的时间，然后以匀速行驶-减速-停车-加速的模式来控制车速，保证到达停车线时达到最佳速度。最后，更新冲突时空矩阵的数值。这里，最佳速度指的是车辆的自由流行驶速度。
附图说明
图1方法流程图
图2为交叉口区域示意图
图3为交叉口区域划分情况
图4为蒙特卡洛决策树操作流程
图5为车辆运动轨迹示意图
图中标号：101为交叉口冲突区域；102为车流方向；103为交叉口冲突点。201为决策区域；202为执行区域。
具体实施方案
下面结合附图和实施方案对本发明进行详细描述，应理解该实例仅用于说明本发明而不用于限制本发明的范围。
图1是方法流程图，具体实施方法按照方法流程图内容依次进行。通过用数学语言对交叉口环境进行表达，进而划分交叉口区域，为通行决策提供基础；采用基于蒙特卡洛决策树的方法来优化车辆通行次序，从而提高交叉口时空资源利用率；根据决策的通行次序，确定车辆的运动轨迹。
如图2所示，本发明的研究对象是平面交叉口环境，图中所示的交叉口是典型的四进口交叉口，每个进口有三个车道，从左往右分别为左转、直行、右转车道。对于每个左转和直行方向，在通过交叉口区域时会与其他车流发生冲突，例如东进口的左转与北进口的左转、南进口的直行、西进口的直行和南进口的左转会发生冲突，东进口的直行会与南进口的直行、北进口的左转、西进口的左转和北进口的直行发生冲突。而各个进口的右转车流不与其他车流发生冲突，都可以自由通行。该图中共有8个冲突点。为了使交叉口区域的时空资源得到充分利用，采用二维矩阵描述交叉口中所有冲突点的占有情况，第一维表示冲突点序列，第二维度表示时刻序列，矩阵中元素“0”表示空闲，“1”表示占有。
如图3所示，对于到达交叉口停车线之前的道路可划分为决策区和执行区。因此，车辆要通过交叉口区域需依次通过决策区、执行区和冲突区。车辆在到达决策区和执行区交界处时，需要确定其之后的运动轨迹，这里考虑所有进口车道的决策区中的车辆。决策区的长度越长，每次决策考虑的车辆就越多，算法的计算复杂度越大。因此，需要权衡算法计算的时效性和有效性，一般来说，决策区的长度在一段时间内可以设置为固定值。执行区的长度是变化的，在初始长度的基础上，随着决策区内车辆数增多，决策区的长度将变长，目的是保证车辆有足够的行驶距离来实现车辆减速到停车，然后加速到最佳速度。
图4是蒙特卡洛决策树的一般操作流程，在确定树结构之后，先按照节点权值依次确定一个次序；在确定次序的过程中，如有新节点则优先选择新节点，即为拓展；按照选择-拓展的逻辑直至达到终止条件，然后计算价值函数的数值；最后，根据价值函数判定，反向传播更新次序所经过的节点权值。应对于本发明涉及到的通行次序决策，具体的的决策过程如下：
(1)获取所有进口车辆决策区车辆的信息(包括位置、速度、加速度)，加入决策集；
(2)构建决策树，决策树第一层的节点数等于决策区车辆数，此后每层递减一个节点，初始化决策树的所有节点的权值为0；
(3)根据决策树的节点权值，权值越小选择概率越大，采用蒙特卡洛法获取一个通行次序；
(4)根据冲突区的时空矩阵，按照选定的通行次序依次更新到一个临时的时空矩阵中；
(5)计算所有决策区车辆通过交叉口的总延误，每个车辆的平均延误等于该条件下的通过时间与以最佳速度行驶的通行时间之差，根据延误更新通行次序所经过的各个决策树节点的权值；
(6)重复步骤(3)～(5)，直至迭代结束，获取迭代过程中的总延误最小时对应的通行次序。
通过上述确定决策车辆的通行次序的过程，获得车辆到达停车线及通过各冲突点的时间，由此可计算出车辆在执行区的运动情况。在不同的交叉口场景下，车辆有多种运动轨迹，如图5所示。a表示车辆先以最佳速度匀速行驶，然后减速至停车，在停车等待之后加速到最佳速度；b表示车辆先以最佳速度匀速行驶，然后减速至低速，之后保持以低速匀速行驶，之后加速到最佳速度；c表示车辆先以最佳速度匀速行驶，然后经历减速-加速过程，之后达到最佳速度；d表示车辆始终以最佳速度匀速行驶。车辆的运动轨迹是与车辆距离停车线距离、车辆到达停车线时间、车辆最佳速度、车辆最大加速度和最大减速度等参数来决定的，图4表示的只是几种简化的运动轨迹示意图。在保证车辆按照既定的时刻到达停车线的前提下，考虑能耗、乘坐舒适性等因素，智能网联汽车可以按照更为复杂的运动轨迹行驶，运动轨迹对交叉口的通行效率不产生影响。
以上详细描述了本发明的实施过程，但是本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，具体的细节是可以改变替换的，如可以只需要通过改变仿真内核中出行者路径选择的规则可以研究不同的问题，在本仿真系统框架下具有较高的普适性，都属于本发明的保护范围之内。