1.一种基于图像识别的自动驾驶识别方法,其特征在于,首先获取交通监控数据,通过视频图像技术识别车辆的跟驰行为指标和换道行为指标;基于跟驰行为指标计算车辆的跟驰得分,如果跟驰得分大于设定的跟驰阈值,则判断车辆为自动驾驶车辆;
如果跟驰得分小于或者等于跟驰阈值,则基于换道行为指标计算车辆的换道得分;换道得分大于设定的换道阈值,则判断车辆为自动驾驶车辆;反之,则判断车辆为人工驾驶车辆。
2.如权利要求1所述的基于图像识别的自动驾驶识别方法,其特征在于,跟驰行为指标包括:平均车间距、跟车距离标准差、加速度波动率和碰撞时间均值;换道行为指标包括:换道前转向灯使用率、横向加速度峰值、换道安全距离比和换道冲突次数。
3.如权利要求2所述的基于图像识别的自动驾驶识别方法,其特征在于,基于跟驰行为指标计算车辆的跟驰得分的方式为:首先对各跟驰行为指标进行归一化处理,然后对各跟驰行为指标归一化值进行加权求和;
基于换道行为指标计算车辆的换道得分的方式为:对各换道行为指标进行归一化处理,然后对各换道行为指标归一化值进行加权求和。
4.如权利要求3所述的基于图像识别的自动驾驶识别方法,其特征在于,跟驰指标归一化处理方式如下:各跟驰行为指标的归一化公式如下:
其中,、、和分别为平均车间距、跟车距离标准差、加速度波动率和碰撞时间均值的归一化值;为车辆行驶安全距离,为设置的跟车距离标准差阈值,为加速度波动率阈值;为观测车辆当前速度,为车辆驾驶的反应时间;为车辆减速的最大加速度,为前车的速度,、和均为经验常数。
5.如权利要求3所述的基于图像识别的自动驾驶识别方法,其特征在于,各换道行为指标的归一化公式如下:其中,、、和分别为换道前转向灯使用率、横向加速度峰值、换道安全距离比和换道冲突次数的归一化值;
为横向加速度的基准值;为冲突敏感性系数;、和均为经验常数。
6.一种采用如权利要求1-5任一项所述的基于图像识别的自动驾驶识别方法的信号机配时方法,其特征在于,首先采用如权利要求1-5任一项所述的基于图像识别的自动驾驶识别方法识别自动驾驶车辆,并在检测到自动驾驶车辆时,将信号灯配时机制由非混合交通流配时机制切换到混合交通流配时机制;
混合交通流配时机制通过最小化最大等待时间的平方和,同时最大化车辆速度来构建目标函数,并根据实际安全条件和物理条件设置约束,结合约束求解目标函数,得到信号灯控制信号和自动驾驶车辆加速度指令。
7.如权利要求6所述的信号机配时方法,其特征在于,目标函数J为:
其中,N为预测时间步长度,i为预测时间步,为车辆u在预测时刻i|k的速度,k为采样时间点,预测时刻i|k为k时刻往后时间步i的时刻;为时间步i上信号灯j处的车辆;表示时间步i上所有车辆中的最大等待时间;和为设定的权重系数;
约束包括:
队列判断约束:
;
其中,表示车辆u在预测时刻i|k上距离停车线的距离,M和m分别为的上下界,为设定的微小正数;为车辆u在预测时刻i|k的排队状态;=0表示不用排队,反之表示要排队;
车辆碰撞约束:如果观测车辆和后车都为自动驾驶车辆,两车均设置恒定减速,使得两车在停车位置不发生碰撞;如果观测车辆和后车至少有一辆为人工驾驶车辆,约束公式为:;
表示车辆u的后车,、分别为车辆在预测时刻N|k上距离停车线的距离和车速;T为采样时间间隔;、分别为车辆u在预测时刻N|k上距离停车线的距离和车速;为车辆u的车长;
启动延迟约束:
同一车道相邻两辆车中,后一辆车的加速度在接下来的人工驾驶车辆重启动延时秒内保持为零;
观测车辆u与后车f(u)均为人工驾驶,则在时刻l=i,i+1,…,min{i+-1,N}上,观测车辆u加速度保持为0。
8.如权利要求7所述的信号机配时方法,其特征在于,目标函数的求解包括以下步骤:St51、将未来N步的车辆状态和信号灯状态表示为决策变量,包括:、、和;、和分别为表示预测时刻i|k上信号灯j的绿灯状态、黄灯状态和红灯状态的二值数,1表示亮起,0表示不亮;为二值数,在预测时刻上的车辆u与后车的预测状态均为停止,则=0,反之则=1;
St52、将目标函数和约束构成的原优化问题转化为标准的混合整数二次规划问题,然后使用MIQP求解器求解得到所有的预测值和状态量;预测值包括i|k状态下的速度、加速度、停车线距离;状态量包括:、、和;
St53、提取信号灯控制解、和以及自动驾驶车辆的加速度指令并执行。
9.一种基于自动驾驶识别的信号机配时系统,其特征在于,包括存储器和处理器,存储器中存储有计算机程序,处理器用于执行所述计算机程序,以实现如权利要求6或7或8所述的信号机配时方法。
10.一种采用如权利要求1-5任一项所述的基于图像识别的自动驾驶识别方法的高速公路匝道控制方法,其特征在于,用于控制高速公路上自动驾驶车辆的转向动作;所述方法执行时,首先采用如权利要求1-5任一项所述的基于图像识别的自动驾驶识别方法识别交通网络下的自动驾驶车辆;然后以自动驾驶车辆为智能体,采用机器学习算法训练智能体,用于生成自动驾驶车辆的转向动作。