一种网联条件下多车协同换道方法与流程

本发明涉及车辆控制方法/车辆主动安全技术领域，具体涉及一种网联条件下多车协同换道方法。

背景技术：

相比于跟驰行为，换道考虑的车辆更多，决策过程更复杂，且难以描述。据欧盟数据统计，换道导致的交通事故约占5％，其带来的交通延迟达到10％。与此同时，75％的换道事故是由于驾驶员识别失误，即对自车状态信息及周围环境感知不足。近年来随着传感器技术以及车车通信技术在汽车上的应用，车辆与车辆或道路设施之间的互联正在成为现实。在网联环境下，通过优化车辆之间的跟车距离、车辆行驶速度等参数，同时通过对行驶路段周围车辆信息的获取给予车辆更为优化的换道控制策略，提高车辆驾驶的安全性和舒适性。

然而大多研究主要是基于无人驾驶的环境假设，进行多车协同驾驶系统结构设计，对自车驾驶控制算法构建以及周围车辆协同驾驶控制算法研究相对较少；另外，由于避撞约束的维度和车辆运动学的非线性，优化控制函数通常难以求解。

技术实现要素：

针对现有技术中存在的不足，本发明提供了一种网联条件下多车协同换道方法，通过建立协同换道多目标优化控制函数，实现换道过程的分布式控制，用于提高道路通行能力、车辆换道安全性能以及换道效率。

本发明是通过以下技术手段实现上述技术目的的。

一种网联条件下多车协同换道方法，包括以下步骤：

建立驾驶员期望跟车模型，对自车换道后的车辆状态进行预测；建立换道收益函数模型，根据约束条件判断当前状态是否能协同换道操作；

提出一个两阶段协同换道框架，将换道过程分为纵向距离调整阶段和车道变更阶段，基于模型预测控制建立协同换道多目标优化控制函数，通过滚动优化时域算法求解得出最优控制量；将最优控制量传递给协同车辆，控制多车协同换道操作。

进一步，建立驾驶员期望跟车模型为：

vm(δsn)＝e1+e2tanh[c1(δsn-dc)-c2]

其中，代表车辆换道后各车道上车辆的纵向加速度；

表示自车换道后车辆的加速度；

自车换道后原车道上的车辆加速度；

表示自车换道后目标车道上的车辆加速度；

vm(δsn)为优化速度函数；

vn为车辆的当前速度；

δsn为两车间的车头间距；

dc是包含车身长度的最小安全车距；

r为反应系数；

e1，e2是常数参数；

c1，c2是对应系数。

进一步，建立换道收益函数模型，具体为：

ni＝{j∈si:0≤||xsv-xj||≤l},i＝oort；

其中：g(sv,o,t)表示在协同情况下，sv从o换道到t的总体收益；sv代表自车，o代表当前车道，t代表目标车道；

no代表在通信车道范围内，当前车道上的后续车辆的集合；nt代表在通信车道范围内，目标车道中的后续车辆的集合；l代表左侧车道，r代表右侧车道；

礼貌因子η表征换道操作对目标车道中后续车辆的影响；

礼貌因子μ表示当前车道上的后续车辆因自车换道获得的速度优势；

asv表示自车当前状态下的加速度，表示自车换道后车辆的加速度；at表示目标车道车辆加速度，表示自车换道后目标车道上的车辆加速度；a0表示原车道车辆加速度，自车换道后原车道上的车辆加速度；和通过驾驶员期望跟车模型得出；

xsv为自车位置；xj为i车道上的后续车辆j位置；l为通信范围；si表示车道i上的车辆集；i表示当前车道或目标车道；||·||为欧几里得范数。

进一步，所述换道收益函数模型的约束条件为：

其中：q为候选的目标车道，即选择集合中具有最大效益g(sv,o,t)的t作为目标车道；

δath是切换阈值，即当前交通条件下车道变换行为优于车道保持行为；

asafe表示安全加速度。

进一步，所述纵向距离调整阶段具体为：在换道开始前，调整换道车辆与前后车之间的纵向间距，使车辆间距离足够稀疏，建立纵向距离调整阶段的目标函数，如下：

约束条件如下：

其中，n表示预测时域；θ＝{sv,lv,afv,alv}；ωμ是权重因子；(h+p+1|h)表示基于h时刻的信息对h+p+1时刻的值进行预测；amin为驾驶员可接受的最小舒适加速度；amax为驾驶员可接受的最大舒适加速度；

‖a′sv‖是换道车辆的加速度变化率，a′sv＝asv(h+p+1|h)-asv(h+p|h)；

‖a′lv‖是当前车道前车的加速度变化率，a′lv＝alv(h+p+1|h)-alv(h+p|h)；

‖a′alv‖是目标车道前车的加速度变化率，a′alv＝aalv(h+p+1|h)-aalv(h+p|h)；

‖a′afv‖是目标车道后车的加速度变化率，a′afv＝aafv(h+p+1|h)-aafv(h+p|h)；

δ为驾驶员可接受的最大舒适纵向加速度率；

dh表示h时刻两车之间的实际距离；

dsafe为安全车间距。

进一步，所述车道变更阶段具体为：

在sv换道过程，纵向加速度随期望的控制输入量而变化，采用正弦函数表达横向加速度：

其中，τ为整个换道过程横向移动持续时间，w为道路宽度；

对换道横向加速度积分两次即可得到横向位移的变化：

假设当换道车辆的横向位移达到一个路宽w时，建立所述车道变更阶段的目标函数如下所示：

约束条件如下：

其中，n表示预测时域；β＝{sv,afv,alv}；λβ和是各项的权重因子；目标函数中，代表自车及周围车辆的加速度优化，表征换道过程中的舒适性代价；代表自车与周围车辆的跟车车距误差，表征其跟踪性代价；δaβ(h+p+1|h)代表从时刻h到h+p+1时刻加速度的变化，δsβ(h+p+1|h)代表从时刻h到h+p+1时刻跟车距离的变化。

进一步，所述纵向距离调整阶段的目标函数和所述车道变更阶段的目标函数分别通过滚动优化时域算法对优化控制问题逐步动态求解，在滚动的有限时间区间内反复对每一时刻的偏差进行优化计算，得到纵向距离调整阶段各车的期望输入。

本发明的有益效果在于：

1.本发明所述的网联条件下多车协同换道方法，构建对自车驾驶控制算法以及周围车辆协同驾驶控制算法。

2.目前研究主要集中在合流区和十字路口，不能满足实际情况下复杂的交通环境，本发明研究场景为实际高速公路，更符合实际交通环境。

3.由于避撞约束的维度和车辆运动学的非线性，优化控制函数通常难以求解。本发明所述的网联条件下多车协同换道方法，采用滚动优化时域算法对优化控制问题逐步动态求解。

附图说明

图1为本发明所述的网联条件下多车协同换道方法的流程图。

图2为本发明所述的多车协同换道场景图。

图3为本发明所述的sv换道过程示意图。

具体实施方式

下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。

如图1所示，本发明所述的网联条件下多车协同换道方法，包括如下步骤：建立驾驶员期望跟车模型，对自车换道后的车辆状态进行预测；建立换道收益函数模型，根据约束条件判断当前状态是否能协同换道操作；即判断当前状况下车道变更行为是否优于车道保持行为。提出一个两阶段协同换道框架，将换道过程分为纵向距离调整阶段和车道变更阶段，基于模型预测控制建立协同换道多目标优化控制函数，通过滚动优化时域算法求解，实时获取各车的期望控制输入量即得出最优控制量；将最优控制量传递给协同车辆，控制多车协同换道操作，实现换道过程的分布式控制。

步骤一、建立驾驶员期望跟车模型，对自车换道后的车辆状态进行预测，即由驾驶员期望跟车模型计算得到；

建立驾驶员期望跟车模型为：

vm(δsn)＝e1+e2tanh[c1(δsn-dc)-c2]

其中，代表车辆换道后各车道上车辆的纵向加速度；

表示自车换道后车辆的加速度；

自车换道后原车道上的车辆加速度；

表示自车换道后目标车道上的车辆加速度；

vm(δsn)为优化速度函数；

vn为车辆的当前速度；

δsn为两车间的车头间距；

dc是包含车身长度的最小安全车距；

r为反应系数；

e1，e2是常数参数；

c1，c2是对应系数。

如图2所示,换道场景为快速道路环境，换道过程为sv车(自车)从原车道变换至目标车道，alv车和afv车分别表示目标车道上的前、后车辆，lv车表示同车道上前车。sv车从当前车道换道至目标车道的前车和后车之间。其中，通过车联网环境实现换道过程中信息交互。获取的车辆状态参数均以自车为参照物。

由于换道行为对原车道及目标车道的上、下游车辆都会造成影响，因此必须容纳来自多个周边车辆的信息进行换道可行性判断。为了对协同换道集中决策行为进行建模，定义换道收益函数判断换道操作的获益程度。

换道收益函数模型，具体为：

ni＝{j∈si:0≤||xsv-xj||≤l},i＝oort；

其中：g(sv,o,t)表示在协同情况下，sv从o换道到t的总体收益；sv代表自车，o代表当前车道，t代表目标车道；

no代表在通信车道范围内，当前车道上的后续车辆的集合；nt代表在通信车道范围内，目标车道中的后续车辆的集合；l代表左侧车道，r代表右侧车道；

礼貌因子η表征换道操作对目标车道中后续车辆的影响；

礼貌因子μ表示当前车道上的后续车辆因自车换道获得的速度优势；

asv表示自车当前状态下的加速度，表示自车换道后车辆的加速度；at表示目标车道车辆加速度，表示自车换道后目标车道上的车辆加速度；a0表示原车道车辆加速度，自车换道后原车道上的车辆加速度；和通过驾驶员期望跟车模型得出；

xsv为自车位置；xj为i车道上的后续车辆j位置；l为通信范围；si表示车道i上的车辆集；i表示当前车道或目标车道；||·||为欧几里得范数。

当且仅当收益函数满足约束条件，g(sv,o,t)大于切换阈值且加速度小于安全加速度时，系统决策为协同换道可行，否则协同换道不可行。所述换道收益函数模型的约束条件为：

其中：q为候选的目标车道，即选择集合中具有最大效益g(sv,o,t)的t作为目标车道；

δath是切换阈值，即当前交通条件下车道变换行为优于车道保持行为；

asafe表示安全加速度。

步骤二、提出一个两阶段协同换道框架，将换道过程分为纵向距离调整阶段和车道变更阶段，建立协同换道多目标优化控制函数，采用滚动优化时域算法对优化控制问题逐步动态求解，实现换道过程的分布式控制。

pro1:纵向距离调整阶段

纵向距离调整阶段在换道开始前，调整换道车辆与前后车之间的纵向间距，使车辆间距离足够稀疏。对自车、原车道前车及目标车道前、后车的加速度误差进行优化，保证其纵向驾驶舒适性。

建立纵向距离调整阶段的目标函数，如下：

约束条件如下：

其中，n表示预测时域；θ＝{sv,lv,afv,alv}；ωμ是权重因子；(h+p+1|h)表示基于h时刻的信息对h+p+1时刻的值进行预测；amin为驾驶员可接受的最小舒适加速度；amax为驾驶员可接受的最大舒适加速度；

‖a′sv‖是换道车辆的加速度变化率，a′sv＝asv(h+p+1|h)-asv(h+p|h)；

‖a′lv‖是当前车道前车的加速度变化率，a′lv＝alv(h+p+1|h)-alv(h+p|h)；

‖a′alv‖是目标车道前车的加速度变化率，a′alv＝aalv(h+p+1|h)-aalv(h+p|h)；

‖a′afv‖是目标车道后车的加速度变化率，a′afv＝aafv(h+p+1|h)-aafv(h+p|h)；

δ为驾驶员可接受的最大舒适纵向加速度率；

dh表示h时刻两车之间的实际距离；

dsafe为安全车间距。

由于纵向距离调整阶段的目标函数为多目标协调优化控制问题，因此采用滚动时域优化算法求解该问题。即随着采样时刻的推进，在滚动的有限时间区间内反复对每一时刻的偏差进行优化计算，得到控制阶段各车的期望输入从而实现主动协作。在系统预测时域内，采用滚动优化时域算法对优化控制问题逐步动态求解，同时采用约束管理法软化硬约束，选择dantizig-wolfe有效集法，得到最优控制变量：

x＝argminu1(h)

提取最优控制量的首个元素x(0)，将其输入车辆模型中，得到期望的最优油门开度c^*thr(0)和最优制动踏板压力c^*brk(0)，实现对车辆驱动和制动的优化控制。

pro2：车道变更阶段。

如图3所示为sv换道过程，纵向加速度随期望的控制输入量而变化，采用正弦函数表达横向加速度：

其中，τ为整个换道过程横向移动持续时间，w为道路宽度；

对换道横向加速度积分两次即可得到横向位移的变化：

假设当换道车辆的横向位移达到一个路宽w时，为实现换道过程的平稳过渡，同时保证安全性，建立所述车道变更阶段的目标函数如下所示：

约束条件如下：

其中，n表示预测时域；β＝{sv,afv,alv}；λβ和是各项的权重因子；目标函数中，代表自车及周围车辆的加速度优化，表征换道过程中的舒适性代价；代表自车与周围车辆的跟车车距误差，表征其跟踪性代价；δaβ(h+p+1|h)代表从时刻h到h+p+1时刻加速度的变化，δsβ(h+p+1|h)代表从时刻h到h+p+1时刻跟车距离的变化。

求解方法参考pro1中的滚动时域优化算法。

步骤3：将模型获得的结果传递给协同车辆；根据车辆控制动力学模型，获得车辆的纵向和横向的期望控制参数，通过控制各车的发动机节气门开度、制动液压及自动变速器，使车辆实现协同换道的控制策略。

所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。