1.一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法,其特征在于:包括以下步骤:S1、将乘客的乘坐偏好程度转化为判断矩阵,并将判断矩阵映射为乘客偏好权重向量;
乘客的乘坐偏好程度包括:乘坐舒适性偏好程度、安全性偏好程度和高效性偏好程度;
将乘坐舒适性偏好程度、安全性偏好程度和高效性偏好程度按照3×3的矩阵形式组成判断矩阵A;其中,第i(i=1,2,3)行第j(j=1,2,3)列的元素Aij表示乘客认为乘坐舒适性、安全性和高效性之间的交互结果;
S2、建立二次映射法,通过乘客偏好权重向量得到乘客偏好因子;
所述二次映射法包括:三角隶属度函数和高斯隶属度函数;
所述建立二次映射法,通过乘客偏好权重向量得到乘客偏好因子的步骤如下:S2.1、定义三角隶属度函数:
式中,a表示三角隶属度函数中三角形的左端点,b表示三角隶属度函数中三角形的右端点,而c表示三角隶属度函数中三角形的峰值点,x表示三角隶属度函数的输入即乘客偏好权重向量P中的各权重值,μT(x)表示输入为x的三角隶属度函数;
S2.2、定义高斯隶属度函数,用于定义模糊性:
式中,μ和σ分别表示高斯分布的均值和标准差,y表示三角隶属度函数的输出值,μG(y)表示输入为y的高斯隶属度函数;
S2.3、将乘客偏好权重向量P中的各个权重值输入至三角隶属度函数后再经过高斯隶属度函数,即可通过求和计算得到最终的乘客偏好因子f;表达式如下:式中,乘客偏好因子f∈[-1,1],该因子直接反映了乘客的类型,包括:激进型、普通型和保守型,分别对应乘客偏好因子f=-1、f=0和f=1;
S3、通过三层个性化换道决策模型,建立乘客可接受碰撞时间和乘客需求因子之间的映射关系,生成自车的换道轨迹规划决策;
所述三层个性化换道决策模型包括:风险评估层、全局收益评估层和个性化评估层;
S4、通过建立基于多维坐标空间的轨迹生成模型,将自车的换道轨迹规划决策问题转化为求解换道轨迹多元线性方程组;
S5、针对换道轨迹多元线性方程组的未知量进行优化求解,以完成自车的换道。
2.根据权利要求1所述的一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法,其特征在于:乘客偏好权重向量求解的方法为层次分析法,具体步骤包括:S1.1、计算判断矩阵的每列的和;表达式如下:
式中,Sj表示判断矩阵A中第j列元素的和;Aij表示判断矩阵A中第i行第j列的元素,表示对第j列的元素进行求和;
S1.2、标准化判断矩阵A中的每个元素;表达式如下:
式中,A'ij表示标准化后的判断矩阵元素;
S1.3、计算乘客偏好权重向量中的每个权重值;表达式如下:
式中,P表示乘客偏好权重向量;Pk表示乘客偏好权重向量中的第k个元素;
S1.4、通过对客偏好权重向量进行一致性检验,确保判断矩阵的合理性;具体步骤如下:S1.4.1、计算最大特征值;表达式如下:
式中,λmax为判断矩阵A的最大特征值,(A·P)k表示判断矩阵A与乘客偏好权重向量P乘积的第k个元素,表示各因素的综合评分;
S1.4.2、计算一致性指标;表达式如下:
式中,CI表示一致性指标值,n表示矩阵维度。
3.根据权利要求1所述的一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法,其特征在于:所述通过三层个性化换道决策模型,建立乘客可接受碰撞时间和乘客需求因子之间的映射关系,生成自车的换道轨迹规划决策的步骤如下:S3.1、在风险评估层中,引入人工势能场理论,计算每一条车道的风险值,计算公式如下:式中,表示第o条车道的势能场大小;r表示第o条车道上所有障碍车的数量;te表示换道持续时长;ηobs为车道权重;Aμ是第μ辆障碍车的纵向截面积,用于表征车辆的大小,μ∈(1,+∞);为第t时刻自车与第μ辆障碍车之间的欧几里得距离;Q表示车辆的势能场影响范围,即当某障碍车与自车之间的欧几里得距离超过Q则不计算该车在当前车道上的势能;表示自车与第μ辆障碍车在第t时刻的相对速度,由于10Hz规划频率的限制,t与t+1时刻之间间隔为0.1s;此外,o与r均是在区间范围内取整数;上述过程当且仅当大于差距阈值ξ时,自车产生换道意图;
所述差距阈值ξ计算过程如下:
获得自车与障碍车不发生碰撞的最小制动距离;表达式如下:
式中,abmax表示自车的最大制动减速度,s表示自车与障碍车不发生碰撞的最小制动距离,此时可以得到:即可以将第o条车道的势能场大小看作是关于最小制动距离s的函数,其中s∈(0,+∞),该函数在定义域内是一个凸函数,当最小制动距离s取何值时能够使得第o条车道的势能场最小,即求解以下方程:式中,表示第o条车道的势能场对于自车与障碍车不发生碰撞的最小制动距离s的微分,方程的解为差距阈值ξ;
S3.2、在全局评估层中,通过纯策略博弈方法,在自车与目标车道后车之间产生出一组最优策略,能够最大限度降低对整体交通运行情况的影响;得到最优策略的步骤如下:S3.2.1、通过使用纯策略博弈方法在自车与目标车道后车之间产生出一组效益最高的策略,并做出换道决策;
全局效益函数表达式为:
式中,UVC(t)和UVT(t)分别表示自车当前所在车道和目标车道在第t时刻的效益值,U(t)是第t时刻的局部交通系统总效益;Γ表示自车当前所在车道前方所有障碍车的数量;p和q分别为以自车为视角的目标车道前方和后方所有障碍车的数量;ωt为第t时刻的时间权重值;V(t)、和表示自车、当前车道前方的第γ辆障碍车、目标车道前方的第ρ辆障碍车以及目标车道后方的第辆障碍车在第t时刻的速度;其中,Γ∈[0,+∞),p∈[0,+∞),q∈[0,+∞),γ∈[0,+∞),ρ∈[0,+∞),具体的取值取决于车辆的感知极限,因此,Γ、p和q的取值是一个动态变化的过程;
所有的策略组合包括:“自车换道且目标车道后车接受”和“自车不换道且目标车道后车接受”;基于上述全局效益函数计算每一种策略组合的全局效益值,通过找到最优效益组合即完成评估;
S3.3、当前两层均做出换道的策略,则进一步对乘客的需求进行评估,通过比较自车与目标车道后车之间的碰撞时长来判断是否满足乘客的个性化需求;步骤如下:S3.3.1、预定预测碰撞时长;预测碰撞时长表达式如下:
式中,TA表示所预测的碰撞时长;DTF为自车与目标车道后车之间的欧几里得距离;|v-vTF|表示自车与目标车道后车之间的速度绝对差值;v表示自车的速度;vTF为目标车道后车的速度;
S3.3.2、建立乘客可接受碰撞时间和乘客需求因子f之间的映射关系,表达式如下:TP=TS-ηT·f
式中,TP表示乘客可接受的碰撞时长;TS为一个时间常量,取3秒;ηT表示放缩权重,取值为0.3;
S3.3.3、通过预测碰撞时长和映射关系得到最终输出;
所述最终输出即当TA>TP时,与目标车道后车的预测碰撞时间满足乘客的需求,即最终输出允许执行换道的决策;反之表明乘客拒绝了换道决策,则不执行换道的决策。
4.根据权利要求1所述的一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法,其特征在于:所述换道轨迹多元线性方程组的表达式如下:其中,以及分别表示为自车在换道初始时刻ts目标车道道路中心线上的投影路程、初始速度、初始加速度、初始平面横坐标、初始平面纵坐标以及初始时刻路径点的斜率;以及分别表示自车在换道结束时刻目标车道道路中心线上的投影路程、结束时刻的速度、结束时刻的加速度、结束时刻的平面横坐标、结束时刻的平面纵坐标以及结束时刻te的路径点的斜率;为了便于计算,将上述状态量合并为初始状态向量以及结束状态向量当上述两个状态向量被确定时,轨迹多项式系数向量α以及β也能够被通过求解多元线性方程组的形式被确定;
由于初始状态向量中的所有状态量均能通过车载传感器获取得到,因此需要进一步计算结束状态向量中的状态量;
当目标车道中心线是一条离散点序列,通过欧几里德距离搜索到与最近的点,并通过其前一个点和后一个点之间的线性插值,即可求解出除了结束时刻te、结束时刻的速度以及加速度的所有状态量。
5.根据权利要求1所述的一种考虑乘客个性化乘坐需求的智能网联汽车换道轨迹规划方法,其特征在于:所述优化求解的步骤如下:S5.1、根据乘客偏好建立考虑安全性、舒适性和高效性的多目标代价函数,包括以下步骤:S5.1.1、引入车道级势能场作为安全性约束,综合考虑了相对速度、加速度和车辆沿y方向的纵向截面积;
车道级势能场计算表达式如下:
式中,以及分别表示自车、目标车道在自车后方的障碍车、目标车道在自车前方的障碍车以及当前车道在自车前方的障碍车第t时刻在换道目标车道上的投影对应路程值;以及分别表示自车以及目标车道在自车后方的障碍车在第t时刻的速度;和是自车和目标车道在自车后方的障碍车的最大制动减速度;τ为自车规划时间步长;Q为每一辆车的势能影响范围;
S5.1.2、将安全性代价函数通过在每一个轨迹点进行二阶泰勒展开满足二次型形式;表达式如下:式中,Js表示安全性代价函数;X表示高维未知数形式;X0为每一个轨迹点输入;▽为梯度计算;H表示海森矩阵;表示偏微分计算;
S5.1.3、在舒适性和高效性代价函数上,引入自车每一个轨迹点的加速度以及加加速度来表征;表达式如下:式中,Jc和Je分别表示舒适性代价函数以及高效性代价函数;j(t)表示自车在t时刻的加加速度;te表示换道总时长;
S5.1.4、结合安全性、舒适性以及高效性得到多目标代价函数;表达式如下:J=ws·Js+wc·Jc+we·Je
式中,ws、wc以及we为乘客偏好权重向量P中的三个指标权重值;
S5.2、通过鲸鱼优化算法优化长短时记忆神经网络的超参数,得到安全性约束的区间上下限;
具体步骤如下:
S5.2.1、建立基于鲸鱼优化算法优化的长短时记忆神经网络得到预估行驶路程;表达式如下:式中,是自车换道初始时刻的速度、是预估行驶路程、表示目标车道上自车前方障碍车的速度;
S5.2.2、从开源数据集中采集数据集,其中随机抽取70%作为训练集,剩余30%作为测试集;并利用鲸鱼优化算法优化长短时记忆神经网络的超参数,包括:学习率以及最大迭代次数;
通过下损失函数计算损失值,确定鲸鱼优化算法需要搜索当超参数为何值时能够使得损失值最小,进行反向更新模型权重:式中,Λ表示训练样本总数;Tφ和分别表示真实的换道时长和模型预测的换道时长;F表示每一次迭代的预测损失值,即鲸鱼优化算法的适应度函数值;
S5.2.3、引入乘客乘坐偏好因子f,并设计如下的换道时长约束形式:式中,Tmin表示换道时长的下界,Tmax表示换道时长的上界,表示模型输出的预测换道时长;
S5.2.4、在车辆行驶过程引入碰撞约束保证车辆不发生碰撞;
碰撞约束表示为线性化形式;
自车后轴的中点换道初始时刻在目标车道上投影的路程为则可通过几何计算将自车后保险杠左侧点、前保险杠左侧点以及前保险杠右侧点共计3个顶点计算得到,如下:式中,wego是自车的车宽;θt为自车在t时刻的航向角,θt∈(0,2π);lrego表示自车后轴中点到自车后保险杠之间的长度;和分别表示在t时刻自车后保险杠左侧点、前保险杠左侧点和前保险杠右侧点在目标车道中心线上的投影路程值,和的取值范围均为[0,+∞);将和组合成一个向量SΩ,则显然SΩ是自车在目标车道中心线上的路程投影值χ∈{A,B,C}的线性函数;此时,自车安全性线性化约束可以表示为:式中,fcolli和rcolli分别表示自车前方的安全距离阈值和后方的安全距离阈值;s1,t、s2,t和s3,t分别表示目标车道后方障碍车在目标车道上的路程投影值、目标车道前方障碍车在目标车道上的路程投影值和自车当前所在车道前方障碍车在目标车道上的路程投影值;
S5.2.5、规划轨迹需要在换道结束的时候施加运动状态约束;
施加运动状态约束的方式是:引入车辆跟随模型来计算换道终点的运动状态,推导得到换道终点时刻的加速度约束为:式中,表示目标车道上位于自车后方和前方的障碍车的加速度所组成的向量;为自车当前车道前方障碍车在换道终点的速度;Δs*是一个距离常量,取值范围为Δs*∈[1,5];ω1和ω2分别为车距权重值和相对速度权重值,车距权重值取值范围为ω1∈[0,1];相对速度权重值取值范围为ω2∈[0,1];lOV-3以及lego分别表示自车当前车道前方障碍车的长度以及自车的长度;因此,运动状态约束可以被归纳为:式中,表示自车在第t时刻在目标车道中心线上的投影路程;表示自车在第t时刻的速度;
S5.3、将步骤S5.1与步骤S5.2所述的轨迹优化问题整理为非线性规划问题,完整表达式如下:将上述非线性规划问题的表达式带入IPOPT序列二次规划求解器求解即可求解得到个性化规划轨迹。