一种混合流条件下智能网联车主动协调避撞方法

1.本发明涉及智能交通技术领域，特别涉及一种混合流条件下智能网联车主动协调避撞方法。


背景技术：

2.随着智能交通技术的发展，智能交通系统更加的完善，交通系统中的人、车、路配合更加的协调、密切，进一步保障了安全，提高了交通效率。其中，车辆控制与安全系统是智能交通系统的核心部分，其以车辆为研究对象，开发协助驾驶员对车辆进行控制的各种辅助驾驶技术，用来提高汽车的安全性与高效性。而在现代的车辆控制与安全系统中，基于智能网联车辆(cav)的主动避撞技术已经逐渐成为一个热门课题。能否解决智能网联车辆主动避撞问题既关系到未来网联车的发展，也关系车辆控制与安全系统的运行，从而影响到智能交通系统效能的发挥。
3.当前的避撞的方法都是涉事车辆进行避撞操作，缺少多车协同避撞的研究。同时，当前的避撞方法不能在保障避撞车辆安全的前提下减少对周围车辆的干扰，无法将事件对周围车辆交通效率的影响降到最小。其次，当前的技术研究较为单一，对于智能网联车辆+人工加上车辆(hv)混合流情形下的避撞研究存在较少。


技术实现要素：

4.本发明要解决的技术问题是提供一种更安全、效率更高的混合流条件下智能网联车主动协调避撞方法。
5.为了解决上述问题，本发明提供了一种混合流条件下智能网联车主动协调避撞方法，应用在当前智能网联车辆检测到前方人工驾驶车辆执行紧急制动操作的场景下，其包括：
6.实时检测前方人工驾驶车辆的减速度a，以及当前智能网联车辆与前方人工驾驶车辆之间的距离d；
7.当a大于等于目标减速度，d小于2倍安全距离且大于1倍安全距离时，控制当前智能网联车辆以推荐速度跟车行驶并寻找直接变道机会，当找到直接变道机会时，控制当前智能网联车辆直接变道；如果没有直接变道机会，则判断是否可以通过控制周围的智能网联车辆来为当前智能网联车辆创造出直接变道机会；若是，则控制周围的最优协同变道车辆为当前智能网联车辆创造出直接变道机会，并控制当前智能网联车辆进行变道；否则，控制当前智能网联车辆以推荐速度跟车行驶；
8.当a大于等于目标减速度，d小于等于1倍安全距离时，判定无直接或间接变道机会，控制当前智能网联车辆以最大减速度进行减速避撞；
9.当a小于目标减速度，控制当前智能网联车辆以推荐速度跟车行驶。
10.在本发明的一个实施例中，当满足场景一时，视为存在直接变道机会，可以直接变道；所述场景一如下：
11.条件一：d
front_left
＞d
safe
且d
back_left
＞d
safe
；
12.条件二：d
front_right
＞d
safe
且d
back_right
＞d
safe
；
13.其中，d
front_left
为左前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_left
为左后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
front_right
为右前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_right
为右后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
safe
为安全距离；
14.当至少满足条件一和条件二的其中一条时，判定为满足场景一。
15.在本发明的一个实施例中，当条件一和条件二均满足时，控制当前智能网联车辆优先向左侧变道。
16.在本发明的一个实施例中，当满足场景二时，视为可以通过控制周围的智能网联车辆来为当前智能网联车辆创造出直接变道机会；所述场景二如下：
17.首先，找到满足公式(9)的车辆，记为veh
*
：
18.veh
*
＝arg max
veh
{min{d
front_left
，d
back_left
}，min{d
front_right
，d
back_right
}}(9)
19.其中，d
front_left
为左前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_left
为左后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
front_right
为右前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_right
为右后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
safe
为安全距离；
20.然后，判断当前veh
*
是否为智能网联车辆；若是，则将当前veh
*
作为最优的协同变道车辆；否则，将其与当前智能网联车辆保险杠之间的纵向距离从公式(9)中删除，并重新计算公式(9)，直至找到veh
*
为智能网联车辆，判断为满足场景二。
21.在本发明的一个实施例中，所述控制周围的最优协同变道车辆为当前智能网联车辆创造出直接变道机会，包括：
22.当最优协同变道车辆为左后车或右后车时，控制最优协同变道车辆在下一个时刻以安全距离的约束下的最大减速度进行减速，直至为当前智能网联车辆创造出直接变道机会；
23.当最优协同变道车辆为左前车或右前车时，控制最优协同变道车辆在下一个时刻以安全距离的约束下的最大加速度进行加速，直至为当前智能网联车辆创造出直接变道机会。
24.在本发明的一个实施例中，所述推荐速度的计算公式如下：
[0025]vrec
＝min{vf，v
max
，v
limit_max
}
[0026][0027]
其中，vf是根据实时检测的前方人工驾驶车辆速度推算出的能够完成紧急避撞的车速；v
max
是当前智能网联车辆检测下一时刻所能达到的最大速度，v
limit_max
为道路最高限速；a
dcc
是当前智能网联车辆检测最大减速度，d0为当前智能网联车辆和前方人工驾驶车辆以最大减速度减速为0的最小安全间距；v
l
为前方人工驾驶车辆速度。
[0028]
在本发明的一个实施例中，所述安全距离的计算公式如下：
[0029]dsafe
＝d
f-d
l
+d0[0030]
其中，d
safe
为安全距离；d0为当前智能网联车辆和前方人工驾驶车辆以最大减速度
减速为0的最小安全间距；df为当前智能网联车辆刹车过程中行驶的距离，d
l
为前方人工驾驶车辆刹车过程中行驶的距离。
[0031]
在本发明的一个实施例中，所述目标减速度为2m/s。
[0032]
本发明还提供了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实现上述任意一项所述方法的步骤。
[0033]
本发明还提供一种智能网联车辆，其搭载有协同自适应巡航控制系统，所述协同自适应巡航控制系统用于执行上述任一所述的混合流条件下智能网联车主动协调避撞方法。
[0034]
本发明的有益效果：
[0035]
本发明混合流条件下智能网联车主动协调避撞方法通过实时检测前方人工驾驶车辆的减速度，以及当前智能网联车辆与前方人工驾驶车辆之间的距离，根据情况可控制当前智能网联车辆直接变道，或者控制周围的智能网联车辆为当前的智能网联车辆创造出直接变道机会，亦或是减速避撞或跟车行驶。可以为智能网联车辆提供最优的行驶方案，提升了智能网联车辆的安全性、稳定性和避撞效率。
[0036]
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。
附图说明
[0037]
图1是本发明实施例中混合流条件下智能网联车主动协调避撞方法的流程图；
[0038]
图2是本发明实施例中的安全距离模型；
[0039]
图3是本发明实施例中场景一的示意图；
[0040]
图4是本发明实施例中sumo仿真示意图；
[0041]
图5是本发明实施例中避撞模型与传统cacc模型的仿真数据对比；
[0042]
图6是本发明实施例中避撞模型与传统cacc模型下发生的冲突数。
具体实施方式
[0043]
下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
[0044]
实施例一
[0045]
如图1所示，本实施例公开了一种混合流条件下智能网联车主动协调避撞方法，应用在当前智能网联车辆检测到前方人工驾驶车辆执行紧急制动操作的场景下，其包括以下步骤：
[0046]
步骤s1、实时检测前方人工驾驶车辆的减速度a，以及当前智能网联车辆与前方人工驾驶车辆之间的距离d。
[0047]
参照图2，在安全距离模型中，后车以vf的速度跟随速度为v
l
的前车行驶，突然前车以最大减速度刹车直至停止，后车能实时获取前车信息，也以最大减速度刹车直至停止，计算方式如公式(4)所示：
[0048]dsafe
＝d
f-d
l
+d0ꢀꢀꢀ
(4)
[0049]
其中，d
safe
为安全距离；d0为当前智能网联车辆和前方人工驾驶车辆以最大减速度减速为0的最小安全间距；df为当前智能网联车辆刹车过程中行驶的距离，d
l
为前方人工驾驶车辆刹车过程中行驶的距离。
[0050]
其中，因此，安全距离需要注意地是，d
safe
是有关前后车速度的动态值，会随着两车行驶状态而变化。
[0051]
步骤s2、当a大于等于目标减速度，d小于2倍安全距离且大于1倍安全距离时，控制当前智能网联车辆以推荐速度跟车行驶并寻找直接变道机会，当找到直接变道机会时，控制当前智能网联车辆直接变道；如果没有直接变道机会，则判断是否可以通过控制周围的智能网联车辆来为当前智能网联车辆创造出直接变道机会；若是，则控制周围的最优协同变道车辆为当前智能网联车辆创造出直接变道机会，并控制当前智能网联车辆进行变道；否则，控制当前智能网联车辆以推荐速度跟车行驶。可选地，所述目标减速度为2m/s。
[0052]
在其中一实施例中，所述推荐速度的计算公式如下：
[0053]vrec
＝min{vf，v
max
，v
limit_max
}
ꢀꢀꢀ
(5)
[0054][0055]
其中，vf是根据实时检测的前方人工驾驶车辆速度推算出的能够完成紧急避撞的车速；v
max
是当前智能网联车辆检测下一时刻所能达到的最大速度，v
limit_max
为道路最高限速；a
dcc
是当前智能网联车辆检测最大减速度，d0为当前智能网联车辆和前方人工驾驶车辆以最大减速度减速为0的最小安全间距；v
l
为前方人工驾驶车辆速度。
[0056]
当满足场景一时，视为存在直接变道机会，可以直接变道；所述场景一如下：
[0057]
条件一：d
front_left
＞d
safe
且d
back_left
＞d
safe
；
[0058]
条件二：d
front_righ t
＞d
safe
且d
back_righ t
＞d
safe
；
[0059]
其中，d
front_left
为左前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_left
为左后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
front_right
为右前车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
back_right
为右后车保险杠与当前智能网联车辆保险杠之间的纵向距离；d
safe
为安全距离；
[0060]
当至少满足条件一和条件二的其中一条时，判定为满足场景一。参照图3。可选地，当条件一和条件二均满足时，控制当前智能网联车辆优先向左侧变道。
[0061]
当满足场景二时，视为可以通过控制周围的智能网联车辆来为当前智能网联车辆创造出直接变道机会；所述场景二如下：
[0062]
首先，找到满足公式(9)的车辆，记为veh
*
：
[0063]
veh
*
＝arg max
veh
{min{d
front_left
，d
back_left
}，min{d
front_right
，d
back_right
}}(9)
[0064]
然后，判断当前veh
*
是否为智能网联车辆；若是，则将当前veh
*
作为最优的协同变道车辆；否则，将其与当前智能网联车辆保险杠之间的纵向距离从公式(9)中删除，并重新计算公式(9)，直至找到veh
*
为智能网联车辆，判定为满足场景二。
[0065]
其中，所述控制周围的最优协同变道车辆为当前智能网联车辆创造出直接变道机会，包括：
[0066]
当最优协同变道车辆为左后车或右后车时，控制最优协同变道车辆在下一个时刻
以安全距离的约束下的最大减速度进行减速，直至为当前智能网联车辆创造出直接变道机会；
[0067]
当最优协同变道车辆为左前车或右前车时，控制最优协同变道车辆在下一个时刻以安全距离的约束下的最大加速度进行加速，直至为当前智能网联车辆创造出直接变道机会。
[0068]
需要注意地是，虽然协同控制变道并不一定在下一个时间马上为当前当前智能网联车辆提供变道机会，但是随着时间的推移，当前当前智能网联车辆的直接变道机会将增多，即通过场景二催生更多的场景一。
[0069]
当场景一和场景二均不满足时，视为场景三，此时，当前智能网联车辆无法变道避撞，则控制当前智能网联车辆以推荐速度跟车行驶。
[0070]
步骤s3、当a大于等于目标减速度，d小于等于1倍安全距离时，判定无直接或间接变道机会，控制当前智能网联车辆以最大减速度进行减速避撞。
[0071]
步骤s4、当a小于目标减速度，控制当前智能网联车辆以推荐速度跟车行驶。
[0072]
为了验证本发明的有效性，在其中一实施例中，设所有车辆的最大加速度a
acc
＝3.5m/s2，所有车辆的最大减速度a
dcc
＝4.5m/s2。cav与hv各占车流内车辆的50％。使用cacc模型来模拟cav的驾驶行为，使用w99模型来模拟hv的行为，利用本发明来优化hv发生紧急刹车时的cav避撞操作。将仿真时间定为3600秒，仿真道路为长度2000米的直线三车道高速路，道路限速为60km/h。
[0073]
为了模拟避撞风险核对对比实验，在距起点400至800米的区间内放置9辆hv，模拟hv的事故行为，设置事故开始时间和结束结束。事故车在事故开始时间以最大减速度进行减速，速度减为0后停止在道路上，在事故结束时间以最大加速度进行加速，直到速到到达安全速度。本发明案例分析中事故车的编号及事故起止时间如表1所示。
[0074]
表1事故车编号及事故起止时间
[0075][0076]
在三条道路上分别设置一个e2检测器，用来测量进入车道的车辆数、离开车道的车辆数、平均车速以及运行时间损失。通过比较本发明避撞方法和传统智能驾驶模型(cacc)获取到的数据，来体现本发明避撞模型的效率。
[0077]
本发明融合了传统的开源交通微观仿真软件的基本仿真功能，并对其进行了二次开发。基于此软件，本发明可以将所估算的路径流输入路网进行仿真、反馈和校准。sumo全称是城市交通仿真(simulation of urban mobility,sumo)，是一个开放源代码，高度可移植，微观且连续的交通模拟包，旨在处理大型道路网络。sumo可以模拟由单个车辆组成的给定交通需求的道路网络。sumo车流是纯微观的，其中每辆车都有明确的轨迹，并通过网络单
独移动，sumo包括准备和执行流量模拟所需的所有应用程序(网络和路由导入、dua、仿真平台)，同时sumo也提供了大量工具和开发包，以供使用者进行二次开发。
[0078]
本发明使用cacc的三种模式来控制cav的速度与位置，这三种模式分别为：速度控制模式、间隙控制模式和间隙闭合控制模式。此三种模式可以根据cav的驾驶交通环境进行切换。在cacc中，车头间隙阈值t1和t2(t1＞t2)用于区分cav所处的驾驶交通环境以及决定使用哪种控制模式。
[0079]
速度控制模式的主要目标在消减两个相邻车辆的速度差。在速度控制模式下的cav将会逐渐加速到预定的速度并尽可能地维持此速度。此模式通常在道路车流量比较低的情形下使用，具体的判别条件为车辆车头间隙大于t1。此模式的cav的加速度计算方法如公式(1)所示，其中a
i，t+1
为车辆i在t+1时刻的推荐加速度，vd是期望速度，v
i，t
车辆i在t时刻的速度。此处f1为速度调节偏差，其决定速度的变化范围。
[0080]
α
i，k+1
＝k1(v
d-v
i，k
)，k1＞0(1)
[0081]
在间隙控制模式下，车辆速度在下一时刻的速度将会根据前后车之间的车头间隙变化值动态调整。间隙控制模式一般在车头间距介于t1和t2条件起主要作用。在此模式下的cav速度由公式(2)计算得来。公式(2)式中，v
i，t+1
车辆i在t+1时刻的推荐速度。e
i，t
是车辆i在t时刻的相对匀速行驶的位置偏差，由公式(3)计算而来，td为cacc模式下的期望车头间隙。公式(2)中的是e
i，t
在时间上的变化率
[0082][0083]ei，t
＝x
i-1，t-x
i，t-tdv
i，t
ꢀꢀꢀ
(3)
[0084]
当车辆车头间隙小于t2时，间隙闭合控制模式将被激活。此模式允许cav可以实现变道操作以及实施一个平滑的驾驶轨迹曲线。间隙闭合控制模式也利用公式(2)-(3)进行速度更新。主要的区别在于间隙闭合控制模式使用参数f4和f5替代公式(2)中的f2和f3。此处，f4＜f2且f5＞f3，保障cav在车头间隙变化率是负值的情况下实施减速避撞操作。
[0085]
本发明使用wiedemann99模型来描述hv的跟车行为。
[0086]
wiedemann99模型在高速行驶的高压车辆接近前面较慢的车辆时，一旦达到自身安全感知阈值，就会开始减速。由于驾驶员对前车车速的估计不完善，车速可能会小于前车。由于不同的物理特性，每个hv对安全距离、期望速度和速度差有不同的感知阈值。
[0087]
在使用wiedemann99模型进行跟踪时，在给定速度v下，跟踪间距d＝d0+h*v，要求两个hv之间的期望静止距离d0为1.5m，车头时距h为0.9s。此外，预计hv的纵向振荡为4米，“跟随”状态的速度差在-0.35至0.35之间。
[0088]
图4是sumo仿真中出现的情况，前车为hv，后车为cav。当图中避撞车前方的hv发生事故时，后方的cav将依据避撞模型进行车辆控制。
[0089]
经过sumo仿真后，得到本发明避撞模型和传统cacc模型在仿真的3600秒内进入车道车辆数、离开车道车辆数、平均速度和时间损失。表2为本发明避撞模型下的仿真数据，表3为传统cacc模型下的仿真数据。
[0090]
表2 本发明避撞模型下的仿真数据
[0091][0092]
表3传统cacc模型下的仿真数据
[0093][0094]
由图5可以看出，本发明避撞模型的车辆平均速度大于传统cacc模型，车辆运行平均时间损失小于传统cacc模型。
[0095]
通过sumo为车辆上配置ssm设备，记录车辆与其他交通参与者(目前仅限车辆)的冲突和相应的安全替代措施。ssm设备生成的文件记录了仿真过程中发生的所有冲突，并记录了每个冲突的详细信息。本发明假设被试车与前车的碰撞时间(ttc)小于3秒时记为发生
一次冲突。海沃德等学者将碰撞时间(ttc)定义为：“如果两辆车以当前的速度和路径继续行驶，则发生碰撞需要的时间”。具体来说，当两辆相邻车辆在同一车道行驶时，若前车速度大于后车速度，无碰撞风险；若后车速度大于前车速度，碰撞时间的计算方法如公式(10)所示。
[0096][0097]
d表示前后两车之间的距离，x
l
为前车位置，xf为后车位置，l为车辆长度，vf为后车速度，v
l
为前车速度。在交通冲突技术的研究中，ttc已被证明是衡量交通冲突严重程度和区分关键行为与正常行为的有效手段。一些研究的结果指出直接使用ttc作为交通决策的线索。车辆之间未来相互作用的预测涉及为受试车辆以及所有可能发生相互作用的车辆创建预测轨迹，以查看是否可能发生碰撞。
[0098]
参照图6，根据ssm设备生成的文件记录可知，传统cacc模型在仿真期间产生的冲突总数为817个，本发明避撞模型在仿真期间产生的冲突总数为635个。本发明避撞模型在仿真中产生的冲突数明显小于cacc模型产生的冲突数，可以说明本发明的安全性更高。
[0099]
本发明混合流条件下智能网联车主动协调避撞方法通过实时检测前方人工驾驶车辆的减速度，以及当前智能网联车辆与前方人工驾驶车辆之间的距离，根据情况可控制当前智能网联车辆直接变道，或者控制周围的智能网联车辆为当前的智能网联车辆创造出直接变道机会，亦或是减速避撞或跟车行驶。可以为智能网联车辆提供最优的行驶方案，提升了智能网联车辆的安全性、稳定性和避撞效率。
[0100]
实施例二
[0101]
本实施例公开了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实现上述实施例一中的混合流条件下智能网联车主动协调避撞方法的步骤。
[0102]
实施例三
[0103]
本实施例公开了一种智能网联车辆，其搭载有协同自适应巡航控制系统，所述协同自适应巡航控制系统用于执行实施例一中的混合流条件下智能网联车主动协调避撞方法。
[0104]
以上实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。