欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021101349185
申请人: 吉林大学
专利类型:发明专利
专利状态:已下证
专利领域: 信号装置
更新日期:2026-11-17
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于不完全信息博弈的智能车换道决策方法,其特征在于,包括以下步骤:步骤一、产生换道意图:采集换道车辆及其周围车辆和环境信息,引入期望车速与期望间距的量化指标,当期望车速或期望间距超出阈值时,则换道车辆产生换道意图;

步骤二、判断换道的可行性:在车辆产生换道意图之后,判断换道车辆与目标车道前后车是否满足换道安全距离,进而判断换道的可行性;

步骤三、建立博弈收益矩阵:建立换道车辆CV与目标车道后车RV的非合作博弈的收益矩阵,该收益矩阵由速度收益、相对时距收益、期望跟车距离收益进行加权组合建立;

步骤四、求解收益矩阵:以全局帕累托最优解为换道策略最优解;以纳什均衡解作为换道策略次优解;若上述解都没有,则继续保持原策略解;

步骤五、对车辆状态进行更新:换道车辆在步骤四求解出当前换道策略解后,执行该策略过程中,通过换道轨迹及纵向轨迹对车辆状态信息进行更新;

步骤六、通过识别他车信息,对他车行为进行预测:针对换道车辆CV,采用NARX神经网络对目标车道后车RV纵向行为进行预测;针对目标车道后车RV,采用连续隐马尔可夫模型对换道车辆CV横向运动进行预测;

步骤七、利用步骤六的预测结果对步骤四的决策进行修正:换道车辆CV及目标车道车辆RV根据步骤六中对他车行为预测结果获得修正概率,对换道决策的执行概率进行修正;

步骤八、循环执行动态博弈决策:换道执行概率没有达到执行阈值时,换道车辆不执行换道,循环执行步骤四至步骤七,重新计算收益矩阵获得换道策略解,并对换道决策的换道执行概率进行修正,直到换道执行概率达到执行阈值或者换道意图消失。

2.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤一包括以下过程:

引入期望车速与期望间距的量化指标:其中,VS(k)为当前步长的期望车速不满意度量化指标;Vdes为车辆期望车速;V为车辆实际车速;Ts为采样时间;d0min为换道车辆CV与同车道前车PV的最小安全跟车距离;vCV和vPV分别为换道车辆CV与同车道前车PV的车速;τreaction为驾驶员和车辆制动系统的反应时间总和;aCVdec为换道车辆CV的最大减速度;τsafe为最小安全跟车时间;

若满足以下条件之一:

VS(k)≥VSthr

d0≤d0min

则产生换道意图,即欲通过换道决策实现更大的行驶速度或跟车距离。

3.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤二包括以下过程:

需同时满足以下两个条件,才能保证换道车辆CV换道的安全性:其中,d1min为换道车辆CV与目标车道后车RV之间的最小换道安全距离;d2min为换道车辆CV与目标车道前车FV之间的最小换道安全距离。

4.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤三包括以下过程:

收益矩阵形式为:

其中,P代表换道车辆CV的收益,Q代表目标车道后车RV的收益,各自的两种行为组成四种策略组合;

P、Q的计算包含三部分:

(1)速度收益:

其中,Part1为速度收益部分,vfront为车辆前车的车速,vself为自车车速;

(2)相对时距收益:

其中,Part2为碰撞时距,vRV和vCV分别为目标车道后车RV和换道车辆CV车速,d1为目标车道后车RV和换道车辆CV的纵向间距,dc为换道车辆的换道纵向距离;

(3)期望跟车距离收益:

其中,Part3为期望跟车距离收益,yfront和yrear分别为前后两辆车纵向间距,dgap为车辆之间的间距,ddes为车辆期望间距;

2

ddes=0.0029*(v*3.6) +0.3049*(v*3.6)+dmin式中,v表示车辆车速,ddes为所求的期望跟车间距,dmin为静止最小安全距离;

(4)总的收益矩阵计算:

P11=α*Part1(vFV,vCV)+β*Part2(vRV,vCV)+γ*Part3(dCVdes)P12=α*Part1(vFV,vCV)‑β*Part2(vRV,vCV)+γ*Part3(dCVdes)P21=α*Part1(vPV,vCV)+γ*Part3(dCVdes)P22=α*Part1(vPV,vCV)‑β*Part2(vRV,vCV)+γ*Part3(dCVdes)Q11=α*Part1(vCV,vRV)‑β*Part2(vRV,vCV)+γ*Part3(dRVdes)Q12=α*Part1(vFV,vRV)+β*Part2(vRV,vCV)+γ*Part3(dRVdes)Q21=α*Part1(vCV,vRV)+γ*Part3(dCVdes)Q22=α*Part1(vFV,vRV)‑β*Part2(vRV,vCV)+γ*Part3(dRVdes)其中,α,β,γ为加权系数;dCVdes,dRVdes分别为CV和RV的期望跟车距离。

5.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤五包括以下过程:

(1)换道轨迹

换道车辆在横向上采用X‑Sin函数对换道轨迹进行建模描述:其中,x,y分别表示纵向、横向位移,d表示车道宽,L表示换道纵向总距离,amax为横向最大加速度,v表示换道车辆车速;

该换道轨迹模型中,换道车辆车速作为变量,决定换道纵向距离,然后将参数带入X‑Sin换道模型中,可以获得换道轨迹;

(2)纵向轨迹

车辆在纵向行驶时,选择基于加速度的智能驾驶员模型:其中,公式下标n表示车辆编号, 是该车辆最大的加速度,bn是加速状态下期望的减速度, 是车辆在自由流下的期望速度,δ为车辆加速度指数,Δvn=vn‑vn‑1是车辆n与前车的速度差,sn=xn‑1‑xn‑ln‑1为车辆间距,x,l分别为车辆纵向位置和车辆长度, 为静止最小安全距离,Tn为反应时间。

6.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤六包括以下过程:

换道车辆CV关注目标车道后车RV的纵向行为,采用NARX神经网络对RV纵向行为预测,选择特征数据速度和加速度{v,a}作为一个步长的数据,其数学模型为:out(t)=f(out(t‑1),out(t‑2),…,out(t‑m),in1(t‑1),in1(t‑2),…,in1(t‑n),…,ink(t‑1),ink(t‑2),…,ink(t‑n))目标车道后车RV作为换道冲突车辆,其关注换道车辆CV的横向运动,采用CHMM来对换道车辆CV的横向运动进行预测,分别选择S={左换道,右换道,车道保持}三种行为作为隐变量可能状态,选择车辆相对车道中心线的侧向偏移和侧向偏移速度作为观测变量,即:给定观测序列Ο=Ο1Ο2…ΟT,计算在各个时刻t车辆的状态取值S={左换道,右换道,车道保持}的概率分布,即:

Γt(i)=p(qt=si|Ο,λ),i∈[1,N],t∈[1,T]其中,N=3,λ表示给定的模型,p表示概率,Γt(i)表示t时刻第i个状态值的概率。

7.如权利要求1所述的一种基于不完全信息博弈的智能车换道决策方法,其特征在于,所述步骤七包括以下过程:

定义换道车辆CV换道概率为p,(1‑p)为不换道概率;目标车道后车RV加速概率为q,(1‑q)为减速概率,并且能获得每种决策的收益,同时根据收益矩阵会获得最优的决策;

计算收益矩阵获得最优策略执行的概率p1*,q1*:p1*=F1(P,Q)

q1*=F2(P,Q)

其中,P,Q为换道车辆CV及目标车道后车RV的收益值,F为对应的转化关系式;

换道车辆CV及目标车道车辆RV会根据对他车预测结果获得一个修正概率p2*,q2*:p2*=F2(in,out)

q2*=F2(in,out)

最终的决策执行概率,由两部分加权组合而成,且在换道的执行概率达到换道决策阈值时,执行换道,完成决策,公式表述如下:p*(k)=η·p1*(k‑1)+μ·p2*(k‑1)q*(k)=η·q1*(k‑1)+μ·q2*(k‑1)p*≥pthr

其中,η,μ为权重系数。