本发明涉及智能汽车纵向控制技术，尤其是一种基于交通流时空动态特性的自动驾驶纵向控制参数调整系统。
背景技术：
随着汽车保有量的不断增长，交通拥堵成为当前面临的主要疑难问题。道路交通拥堵通常需要协调城市道路规划、交叉口信号配时控制、非轨道车辆路径诱导等措施，以此缓解交通压力提高车辆道路的利用率。其中，城市道路规划与交叉口信号配时是解决交通拥堵的主要措施。通过对各时段交叉口统计交通流来动态调整红绿灯信号周期、绿信比等参量，实现信号配时根据交通流来动态调整。
目前，自适应巡航控制(adaptivecruisecontrol,acc)系统可以通过人机交互界面(humanmachineinterface,hmi)，由驾驶员设定车速和调节车间时距的方式实现跟驰过程中车辆行车间距的调整。acc作为目前广泛应用的智能驾驶辅助系统(advanceddriverassistantsystem,adas)，可以实现较低等级的部分自动驾驶功能。由此，可以作为自动驾驶车辆通过交通流状态实现行车间距自适应调整的理论依据。
交通流具有时空动态特性，时间上体现为同一路段的不同时间段(高峰/平峰)存在显著差异，空间上体现为同一时间段的不同路段(或交叉口各进口车道)交通流分布存在差异。主要依据体现在以下两个方面。其一，交通流时空动态特性决定了同一路段不同时间段、同一时间段不同路段均存在明显差异。由于在一段时间内又呈现一定的规律性，因此可以利用这种规律使车辆依据当前交通流状态下调节适应的车间时距。其二，可变车间时距调节的acc车辆考虑了不同驾驶员驾驶风格差异具有不同跟驰行为特性，允许驾驶员在行驶过程中通过调节车间时距即可实现对行车间距的调整。假定驾驶员的驾驶风格比较“保守”，即跟驰过程与前车保持较大的行车间距，一定程度上也会造成人为的交通拥堵现象。同时这种调节会受到交通流动态特性的制约，即交通流处于畅通状态时允许驾驶员手动调节参数，而交通流状态处于拥堵状态时应该通过外部介入纠正驾驶员的跟驰行为。由此，提出一种可以根据交通流状态动态调节车辆行车间距的纵向控制参数调整方法，实现行车间距依据实时交通流状态的自适应调整。该设计基于云平台实时采集交通流参数并自动识别交通流动态特性，根据当前车辆所处“时空点”的交通流状态实现对行车间距的自适应调整，有效缓解交通拥堵，提高交通出行效率。
技术实现要素：
本发明的目的在于解决城市路段交通拥堵问题，提出一种可以根据交通流状态动态调节车辆行车间距的纵向控制参数调整系统，实现行车间距依据实时交通流状态的自适应调整，基于云平台实时采集交通流参数并自动识别交通流动态特性，根据当前车辆所处“时空点”的交通流状态实现对行车间距的自适应调整，有效缓解交通拥堵，提高交通出行效率。
本发明解决上述问题所采用的技术方案是：
一种基于交通流动态特性的自动驾驶纵向控制参数调整系统，包括交通流信息采集模块、交通云平台模块、交通流状态云识别模块、车辆纵向参数模糊决策模块以及车辆纵向控制模块；
交通流信息采集模块通过视频检测提取道路交通流参数并上传至交通云平台；
交通云平台将一定采样周期内由交通流信息采集模块采集的各交叉口、车道信息进行整合，形成特定区域内的交通流数据集用于该区域交通状态识别；
交通流状态云识别模块依据车辆当前所处路段调取交通流数据集并通过模糊c-均值聚类算法实现对当前交通流状态的辨识，将识别状态发送至车辆纵向参数模糊决策模块；
模糊控制模块包含模糊控制器，模糊控制器以当前交通流状态和交通流状态变化量控制输入，通过模糊规则集决策出当前交通流状态下的期望车间时距；
车辆纵向控制模块以车辆纵向参数模糊决策模块的模糊控制器输出的期望车间时距输入决策层，决策出车辆适应当前交通流状态的期望纵向加速度，继而通过控制层实现相应的驱动与制动控制策略。
同传统acc通过驾驶员手动调节车间时距控制辆车行车间距的方法相比，本发明优势在于：系统不需要驾驶员介入即可实现行车间距根据当前交通流状态自行调整；根据交通流动态特性，系统可以通过自动调节车间时距的方法适应不同时段、不同路段的交通流。此外，利用模糊识别与模糊控制结合的方法，避免了实际问题复杂的建模过程。在一定程度上能有效缓解交通拥堵，减少尾气排放，提高交通出行效率。
附图说明
图1为基于交通流动态特性的自动驾驶车辆行车间距自适应参数调整系统框架
图2为车辆行车间距参数自适应调整模糊控制算法
具体实施方式
以下结合附图，详细介绍本发明的技术方案：
如图1所示，一种基于交通流动态特性的自动驾驶纵向控制参数调整系统，包括交通流信息采集模块、交通云平台模块、交通流状态云识别模块、车辆纵向参数模糊决策模块以及车辆纵向控制模块四部分。
交通流信息采集模块通过视频检测技术提取道路交通流参数，实现对交通动态信息的采集并上传至交通云平台。交通云平台将一定采样周期内由交通流信息采集模块采集的各交叉口、车道信息进行整合，形成特定区域内的交通流数据集用于该区域交通状态识别。交通流状态云识别模块依据车辆当前所处路段调取交通流数据集并通过模糊c-均值聚类算法实现对当前交通流状态的辨识，将识别状态发送至车辆纵向参数模糊决策模块。模糊控制模块的核心是模糊控制器，模糊控制器以当前交通流状态和其变化趋势为控制输入，借助建立的模糊规则集决策出当前交通流状态下的期望车间时距。车辆纵向控制模块以车辆纵向参数模糊决策模块的模糊控制器输出的期望车间时距输入决策层，决策出车辆适应当前交通流状态的期望纵向加速度，继而通过控制层实现相应的驱动与制动控制策略，即确定节气门开度和制动管路压力值。
当前，交通流信息的采集方式呈现多样化，主要包括环形线圈感应式采集技术、视频采集检测技术、微波采集检测技术以及其他交通信息检测技术。本发明采用在交叉口布设的摄像头，通过视频采集技术对各车道交通流信息进行采集。交通流参数按固定的采样周期采集，采样周期ts取5min。
视频采集虽然直观的提供了道路车辆运行的原始图像信息，但内部隐含了多种交通流参数，必须通过对视频图像进行处理才能提取出能够表征交通流状态的特征参数。交通流参数的选择是正确划分交通流状态的前提和基础，因此需要选择合理的特征参数建立交通流参数与交通流状态的映射关系。首先，参数的选择需要综合考虑：1.是否能够被人所直观感知并作为判断依据；2.是否能通过视频图像直接获取而减少前期工作量；3.是否能通过参数的在采样周期短时间内的变化较快反映交通状态的改变。遵循以上原则，选用车速、车流量、占有率作为交通流状态判别的特征参数。
交通流状态的识别属于模式识别的范畴，实际上就是根据样本特征按照相关算法对其进行分类的过程。本发明采用速度v、车流量q、占有率o作为交通流状态判定指标参数，将交通流状态划分为五个阶段，分别为畅通、正常、拥堵、阻塞、严重阻塞。利用大数据样本通过模糊c-均值聚类(fuzzyc-means,fcm)算法按照分类数求解各类别的聚类中心，对道路交通状态指标阈值进行标定作为状态识别的依据。标定方法按照两相邻聚类中心求均值，作为两种交通流状态的临界值。
fcm算法实现如下：1.令x＝{x1,x2,…,xn}，xi＝{vi,qi,oi}，xi∈r3。其中，xi是第i周期统计参数集合，x是对大数据样本n次采样构成的集合。
2.将x划分为5个子集s1,s2,…,s5，用v＝{a1,a2,…,a5}表示该五个子集的聚类中心，uij表示元素xj对状态si的隶属度。
3.建立fcm算法优化目标函数：
最终，由交通流参数通过该算法识别当前交通流状态，状态值以阿拉伯数字1、2、3、4、5的形式传送至模糊控制器，分别表示畅通、正常、拥堵、阻塞、严重阻塞。
如图2所示，当采集的交通流参数通过交通流状态云识别模块辨识出当前交通流状态，车辆纵向参数模糊决策模块中的模糊控制器以交通流状态和变化趋势作为控制输入，通过模糊控制器的模糊控制规则进行模糊推理，决策出下一时刻路网车辆的期望车间时距(决策输出控制量作为纵向控制决策层的输入)。特别的，该发明对于车辆行车间距的调节是有触发条件的，即仅当计算交通流状态变化量于零时触发。而对于小于或等于零的情况，认为当前交通流状态值小于或与前一阶段(采样周期)交通流状态值保持一致，此时不需要外界介入干预。
为了从最初提取的交通流特征参数获取道路车辆适应当前交通流状态的行车间距，本发明采用双层结构：第一层是基于模式识别通过交通流参数对交通流状态的识别；第二层在原经典二维模糊控制器的基础上对控制器输入做了改进，通过交通流状态和其变化趋势运用专家知识建立模糊规则集来确定当前交通流状态下车辆运行的期望车间时距。首先，我们的初衷是想通过交通流的动态特性在不同时段或不同路段使自动驾驶车辆运行状态适应当前交通流，通过这种行车间距自适应的方式代替驾驶员手动调节有效缓解交通拥堵。具有可变车间时距的acc车辆相比于固定时距的车辆来说，充分考虑了不同驾驶员跟驰行为特性的差异，可以实现驾驶员自定义。但是，这种自定义也要受到交通流动态特性的制约，即交通流状态呈现正常或顺畅时驾驶员可以实现自动调节，而一旦出现拥堵就需要外界介入使车辆执行较小行车间距；另一方面，跟驰行为较“保守”驾驶员常以较大的行车间距行驶，一定程度上造成以人为因素的拥堵。显然，驾驶过程中行车间距可通过车间时距调节，于是模糊控制器的输出应该与车辆纵向控制模块决策层输入一致。此时模糊控制器仅有一个控制输入，即当前(采样周期)交通流状态，而仅由当前交通流状态去决策期望车间时距和车速是不合理的，因此引入交通流状态变化的趋势作进一步说明。在已知当前交通流状态和其变化趋势的情况下，运用专家知识建立合理的模糊规则从而进行决策。
以下是基于模糊控制器控制决策的设计部分：
通过上述分析，确定了模糊控制器的控制输入：交通流状态、交通流状态的变化趋势；控制输出：车间时距。其中，交通流状态是第一层模式识别的输出，按照对交通流参数的采样周期识别当前周期交通流状态；交通流状态的变化趋势定义为，第i个采样周期的状态值与第i-1个采样周期状态值的差值。
在经典二维模糊控制器的基础上以当前交通流状态和变化趋势作为控制器输入，借助专家的经验知识建立模糊推理决策算法确定控制器输出车间时距的期望值。设计任务主要包括：输入、输出变量确立、变量的模糊语言描述、隶属度函数选取和模糊推理决策算法四部分。
选取改进后的二维模糊控制器，记当前交通流状态为s(i)、交通流状态变化量为δs(i)、车间时距为tg。依据前述对交通流状态变化量定义，交通流状态变化量记作δs(i)＝s(i)-s(i-1)。将车间时距作为输出控制量u1，且u1＝ku1·u1。其中，ku1是控制输出的比例因子。
输入、输出变量的模糊语言描述包括了语言变量论域的设计和语言变量值的定义。在模糊控制器的设计中，通常把语言变量的论域定义为有限整数的离散论域。模糊控制器量化因子、比例因子的一般计算方法：
假定s(i)的论域定义为{-m,-m+1,...,-1,0,1,...,m-1,m}；δs(i)的论域定义为{-n,-n+1,...,-1,0,1,...,n-1,n}；u1的论域定义为{-p,-p+1,...,-1,0,1,...,p-1,p}；假设在实际情况下，基本论域s(i)＝[s_min,s_max]，则量化因子ks＝2m/(s_max-s_min)。同理，kδs＝2n/(δs_max-δs_min)，控制量u1的比例因子ku1为ku1＝(ku1_max-ku1_min)/2p。最终，s(i)＝<ks·[s-(s_max+s_min)>，δs＝<kδs·[δs-(δs_max+δs_min)>。其中，<>表示取整运算。模糊控制器的输出u可通过公式转换为实际的输出u：u＝ku·u+(u_max+u_min)/2。
特别的，由交通流状态云识别模块对交通状态的划分，可知交通流状态的基本论域为{1,2,3,4,5}。经过第一阶段模糊识别已确定了交通流具体状态，所以作为模糊控制器输入时不再需要判断其隶属于哪种状态的程度。解决方法是在simulink建立模糊控制器时将隶属函数类型选为“trapmf”，然后把nb、ns、zo、ps、pb的参数分别调节为[111.251.5]、[1.51.752.252.5]、[2.52.753.253.5]、[3.53.754.254.5]、[4.54.7555]。即保证输入为“1”时仅nb隶属度为1，其余均为零，且量化因子ks＝1。交通流状态变化量的基本论域为{-4,-3,-2,-1,0,1,2,3,4}，模糊子集δs(i)＝{nb,ns,zo,ps,pb}，隶属度函数选择三角型隶属度函数。控制器的输出车间时距u1的基本论域确定为{1,1.2,1.4,1.6,1.8}，即可执行车间时距为1s,1.2s,1.4s,1.6s,1.8s。输出语言变量的语言值均分为五级，分别为负大(nb)、负小(ns)、零(zo)、正小(ps)、正大(pb)。
完成各语言变量的论域、语言值确定及隶属度函数的选择后，需建立控制器的核心，即模糊推理决策算法。它依据人类专家的控制经验建立规则库，规则库由若干条控制规则构成，其一般表达形式为“ifsis...andδsis...,thenuis...”。为了方便描述和分析控制规则，假定控制规则rule1：ifsiszoandδsispb,thenuisns。对该规则的解释如下：1.s＝zo说明当前交通流状态s(i)为拥堵交通流；2.δs＝pb说明变化趋势δs(i)＝kδs·[s(i)-s(i-1)]中s(i)-s(i-1)>0(kδs>0)，s(i)>s(i-1)。即第i个采样周期的交通流状态较上个采样周期比较，正以最大变化率由拥挤交通流向阻塞交通流过渡。显然，该阶段应该处于早晚高峰初期。3.上述1、2部分实现了当前时刻交通流状态及其变化趋势的判别。控制输出u＝ns是指当前在拥挤交通流状态下且逐渐向阻塞交通流状态过渡的情况下，车辆应该以较小车速和车间时距行驶。具体执行量按照类似的专家知识和经验，建立合理的模糊规则表。
本发明基于传统acc具有车头时距可调的控制系统，利用模糊识别对当前交通流状态进辨识并判断其变化趋势，并借助模糊控制器建立的模糊规则表将决策车间时距输入车辆纵向控制决策层。通过代替传统acc由驾驶员手动控制的方式，实现了自动驾驶车辆基于交通流状态的行车间距自适应调整。