1.一种面向智能网联车辆的多车道时空轨迹优化方法,其特征在于,该方法包含如下步骤:
步骤(1)换道冲突检测
1)检查当前换道环境内是否拥有主威胁车辆及次威胁车辆;
2)检查发起换道的车辆当前是否处在协同换道状态;
3)检查主威胁车辆是否处在发起换道状态或协同换道状态;
4)检查次威胁车辆的是否处在发起换道状态;
步骤(2)换道间隙及目标协同车辆确定通过步骤(1)换道冲突检测后对目标车道发起换道请求,若目标车道无主威胁车和次威胁车则根据车载传感器收集的车辆环境信息直接换道;若目标车道存在主威胁车或次威胁车,则基于换道发起车的车辆环境信息确定换道间隙及目标协同车辆;
换道间隙及目标协同车辆的决定主要是基于主车Cmn及目标车道(m‑1)主威胁车辆C(m+1)n,C(m+1)(n‑1)和C(m+1)(n+1)的车速进行判断,若目标车道车流速度大于主车速度,则选择水平位置的主威胁车辆C(m+1)n的后方间隙作为目标换道间隙,同时后车C(m+1)(n+1)作为目标协同车辆;若目标车道车流速度小于或等于主车速度,则选择水平位置的主威胁车辆C(m+1)n的前方间隙作为目标换道间隙,同时车辆C(m+1)n作为目标协同车辆;若无水平位置主威胁车辆,则选择水平位置后车作为目标协同车辆,其前方间隙作为目标间隙;
步骤(3)时空轨迹更新
1)主车Cmn向目标换道间隙后的目标协同换道车辆C(m+1)n发起换道请求;
2)目标协同换道车辆C(m+1)n及后车C(m+1)(n+1)等调整车速为发起换道请求的车辆Cmn提供安全换道间隙;
3)主车匀速或变速驶入目标车道,更新主车时空轨迹;
4)更新原主车车道后方车辆及目标车道换道间隙后方车辆的时空轨迹;
步骤(3)中采用如下时空轨迹优化算法:所述时空轨迹优化算法包含计算两个不同输入的内容:(1)时空轨迹的优化,以车辆当前位置、速度及目标驶出车道、时段为输入,车辆加速度的集合为输出,(2)多车道协同换道的优化,以车辆当前位置、速度及目标车道威胁车位置、速度为输入,车辆加速度集合为输出;
步骤1车辆的状态向量计算
定义编号为Cmn的车辆状态向量为xmn(t)如公式(1)所示;
T
xmn(t)=[xmn(t),ymn(t),vmn(t),vmn′(t)] (1)式中xmn(t),ymn(t)为车辆Cmn在t时刻所在的位置(m),其坐标原点为车辆上游起点处,x轴坐标正方向为车流行驶方向,y轴坐标正方向为车流路段由外车道至内车道方向;vmn(t)为车辆Cmn在t时刻的车辆当前行驶速度大小(m/s),坐标正方向为车流行驶方向;vmn′(t)为车辆Cmn在t时刻的车辆当前横向速度大小(m/s),坐标正方向为车流路段由外车道至内车道方向;
系统控制输入为当前车辆方向加速度umn(t),如公式(2)所示;
T
umn(t)=[umn(t),umn′(t)] (2)2
式中,umn(t)为车辆Cmn在t时刻的车辆当前纵向加速度大小(m/s),坐标正方向为车流2
行驶方向;umn′(t)为车辆Cmn在t时刻的车辆当前横向加速度大小(m/s),坐标正方向为车流路段由外车道至内车道方向;
为了更好定义车辆在车路协同环境下轨迹的优化策略,车辆目标车道信号配时信息以及相邻车道m+1和m‑1交通流信息Im+1(t)和Im‑1(t);如公式(3)、公式(4)和公式(5)所示;
式中, 为车辆Cmn的当前时刻目标相位状态, 为 相位剩余时间;Rm为车道m的红灯时长;Gm为车道m的绿灯时长; 和 为内测车道m+1和外侧车道m‑1的平均交通流速度;km+1(t)和km‑1(t)为内测车道m+1和外侧车道m‑1的平均交通流密度;平均交通流速度 和平均交通流密度km+1(t)可有公式(6)和公式(7)所示;
式中,N为车辆编号; 为车道m内车辆编号中最大编号; 为车道m内车辆编号中最小编号;L是路段长度;
系统状态方程如公式(8)所示;
步骤2成本函数计算
为了保证车辆可以准确的沿着系统设计的行驶轨迹,考虑到车辆从上游行驶至下游的过程中包含了固定成本和可变成本两部分,定义成本函数如公式(9)所示;
式中, 是车辆Cmn驶出路段的时刻; 是车辆Cmn驶入路段的时刻; 是该过程得固定成本; 是该过程的可变成本;
步骤3时空轨迹的约束条件确定网联汽车在路段中行驶的过程控制问题除了尽量缩小上述成本函数值,还需要满足包含以下5类约束条件:初始车辆状态、车间距、速度、加速度及加加速度等影响安全及舒适度的因素;
步骤4基于最小值原理的求解方法基于V2X的车辆时空轨迹优化的控制问题可通过最小值原理进行求解计算,并建立该问题的汉密尔顿函数,如公式(28)所示;
T
H(x,u,λ,t)=λ·f(x,u,t)+h(x,u,t) (28)式中,λ被定义为向量x的协状态向量,表示由向量x的微小变化 导致的J的变化的额外成本;
设车辆多车道时空轨迹优化过程的状态向量满足:系统的下一状态st+1只与当前的状态st有关,与前序状态无直接关联P[st+1|st]=P[st+1|s1,s2,s3...st]式中,P为各状态之间转移的概率矩阵;
计算值函数vπ(s)
式中,Eπ为累计回报值得数学期望,S为包含车辆当前状态及路段内交通流状态集合,R为奖励函数,γ为计算值函数时vπ(s)的折扣因子;
计算动作值函数qπ(s,a)A为车辆控制输出的横向纵向加速度的集合;
计算最优状态值函数v*(s)和最优动作值函数q*(s)式中,s′和a′分别为下一时刻的状态和动作;
最大化q*(s,a)可得到最优策略用后继状态估计当前值函数对最优动作函数进行更新式中,N(a)表示动作的总共个数;ε‑greedy表示以1‑ε的概率选取算法的最优动作。