一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法技术

本发明专利技术公开了一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，包括：1)获取交通基础数据：车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；2)采集周围车辆的运动轨迹构建换道样本，利用模糊C聚类算法提取周围车辆运动特征；3)基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；4)建立换道条件安全判别模型，利用停车距离指标推导车辆运行瞬时风险指标；5)以瞬时风险最小化为目标函数，分别利用梯形加速度法与遗传算法规划车辆横纵向运动轨迹；6)通过计算机编程实现车辆换道轨迹规划功能。本发明专利技术可提前识别换道安全性，并规划车辆换道轨迹，为车辆换道轨迹规划系统提供理论参考与技术支持。

【技术实现步骤摘要】
一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法
本专利技术涉及智能车辆换道风险评估与换道轨迹最优性的
，尤其是指一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法。
技术介绍
跟车行为与换道行为是车辆在高速公路上行驶时最常见的两种驾驶行为，当驾驶员意图执行换道行为时，驾驶员需要根据周围车辆的间距、运行状态、道路线形、道路使用情况以及交通限速管理等一系列的交通环境因素，对是否执行换道、何时换道以及如何换道等问题做出合理的分析和判断。一旦驾驶员对安全换道的可行性做出错误的判断，极易引发交通事故。据高速公路和快速路交通事故数据统计，与换道过程有关的交通事故占60％以上。由此可见，如何有效提高车辆在高速公路上的换道安全性是一项重要的研究内容。随着计算机技术与传感器技术的快速发展，智能网联汽车逐渐普及。有研究学者表明，自动驾驶技术在降低延误、减少交通事故和提高道路通行能力等方面具有巨大潜在研究价值。当自动驾驶技术发展成熟时，其技术应用可有效帮助驾驶员提升驾驶安全性、舒适性，避免因人为错误操作引发的交通事故。同时，随着5G通讯技术的发展，车辆与交通环境之间的通讯能力得到进一步提高，为自动驾驶技术的应用创造了良好的通讯环境，从而使智能网联汽车得到了加快推广。综上所述，通过电子传感器技术和通信技术实时获取周围环境的交通状态信息，为智能车辆规划安全、可靠、舒适、高效的换道轨迹已成为当今自动驾驶技术的研究热点，解决因行驶环境随机性和复杂性导致的换道轨迹规划安全难题。目前，应用于无人驾驶车辆的换道轨迹规划模型种类繁多，主要包含多项式轨迹、回旋曲线、正反梯形横向加速度轨迹和圆弧轨迹等，各种轨迹模型各有侧重，性能存在较大差异。尽管换道轨迹建模已取得一定成果，但尚存部分亟待优化、改进之处。经归纳，不足之处主要表现在：①大部分模型仅考虑当前交通环境的安全性，难以提前评估即将遭遇的换道风险；②多数模型注重研究换道轨迹本身的性能，较少考虑换道车辆与周围车辆的博弈关系及其交互影响。因此，有必要实时提取周围车辆的运动特征，对其运动轨迹进行预测，从而判别智能车辆在未来短时间内的换道风险，并基于此规划换道轨迹。本专利技术考虑了智能车辆与周围车辆之间的交互作用，可对智能车辆换道风险进行提前识别，并基于未来交通环境与换道瞬时风险规划换道轨迹，从而提高智能车辆在实际应用中的换道安全性。鉴于此，本专利技术基于当前交通条件信息，利用模糊C聚类算法提取周围车辆的运动特征，预测t时刻的周围车辆运动工况。其次，采用停车视距(Stoppingsightdistance，SSD)实时判别目标车辆在t时刻的换道冲突可能性，并利用停车距离指标(Stoppingdistanceindex,SDI)得到车辆运行瞬时风险评估指标。最后，以车辆运行瞬时风险最小化为目标函数，设置最大速度、最大加速度以及最大瞬时风险等约束条件，利用梯形加速度法规划车辆横向运动轨迹，采用遗传算法优化车辆纵向运动轨迹，进而组合得到车辆换道运动轨迹。本专利技术能够有效提取周围车辆运动模式特征，提前评估目标车辆在t时刻的瞬时风险，并综合考虑了车辆在换道过程中的安全性与舒适性，实时规划车辆换道轨迹，从而为车辆换道轨迹规划系统、自动驾驶车辆换道控制提供理论参考与技术支持。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，提出了一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，通过采集交通基础数据，利用模糊C聚类算法提取周围车辆运动特征，预测周围车辆运动工况。同时，基于SSD判断换道条件是否安全，利用SDI评估车辆运行瞬时风险，并以瞬时风险最小化为目标函数，分别采用梯形加速度法与遗传算法规划车辆横纵向运动轨迹，输出安全、可靠、舒适的车辆换道轨迹方案。为实现上述目的，本专利技术所提供的技术方案为：一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，包括以下步骤：1)获取交通基础数据，包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；2)周围车辆运动特征提取：采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征；3)预测周围车辆未来运动工况：基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；4)评估车辆运行瞬时风险：基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t时刻的风险系数；5)构建瞬时风险最小化目标函数，规划车辆横纵向运动轨迹：以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹；6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。在步骤1)中，所述车辆运动数据包括目标车辆与周围车辆的速度与加速度，能够通过智能车辆的车载传感器或路侧监控设备获取车辆实时运动数据；所述车辆相对位置信息包括目标车辆分别与当前车道前车、后车的车辆间距及目标车辆与当前车道前车、后车的车辆间距，能够从智能车辆的车载传感器以及路侧监控设备获取；所述车辆几何参数包括车辆长度和车辆宽度，能够通过读取车身电子标签信息或视频识别获取；所述道路几何条件包括车道数、车道宽度和坡度，能够通过车载导航地图或路侧视频设备识别获取；所述路面摩擦系数包括不同天气情况下的路面摩擦系数，能够通过专家法或相关标准设定。所述步骤2)包括以下步骤：2.1)定义目标车辆的周围车辆目标车辆的周围车辆分布状况由实际情况而定，其数量设为n，则有0≤n≤4，即周围车辆最少为0辆车，最多为4辆车；当n＝4时，周围车辆包括目标车辆所在当前车道的后车与前车及目标车辆意图到达目标车道的后车与前车；2.2)定义模糊C聚类算法的Hausdorff距离已知目标车辆与周围车辆的运动轨迹，利用模糊C聚类算法将具有相似运动特征的车辆轨迹聚为同一类，以区分车辆的运动模式；选择Hausdorff距离来度量车辆轨迹的相似性，定义数据采样周期为c，轨迹时间长度为T，T为整数，车辆运动轨迹数为N，则两辆车的运动特征的Hausdorff距离为：H(Fi,Fj)＝max{h(Fi,Fj),h(Fj,Fi)}其中，式中，i＝1,2,…,N；j＝1,2,…,N；N为车辆运动轨迹数；l与k均为时间变量；H(Fi,Fj)表示轨迹Fi与轨迹Fj之间的Hausdorff距离；轨迹Fi＝(fi1,fi2,…,fiT)，轨迹Fj＝(fj1,fj2,…,fjT)；h(Fi,Fj)表示轨迹Fi到轨迹Fj的前向Hausdorff距离；h(Fj,Fi)表示轨迹Fj到轨迹Fi的后向Hausdorff距离；fik表示车辆i在k时刻的位置坐标(xik,yik),fjl表示车辆j在l时刻的位置坐标(xjl,yjl)；d(fik,fjl)表示位置坐标fik与fjl之间的欧氏距离，即2.3)基于模糊C聚类算法的车辆运动特征本文档来自技高网...

【技术保护点】
1.一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，包括以下步骤：/n1)获取交通基础数据，包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；/n2)周围车辆运动特征提取：采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征；/n3)预测周围车辆未来运动工况：基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；/n4)评估车辆运行瞬时风险：基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t时刻的风险系数；/n5)构建瞬时风险最小化目标函数，规划车辆横纵向运动轨迹：以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹；/n6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。/n

【技术特征摘要】
1.一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，包括以下步骤：
1)获取交通基础数据，包括车辆运动数据、车辆相对位置信息、车辆几何参数、道路几何条件和路面摩擦系数；
2)周围车辆运动特征提取：采集目标车辆换道过程中周围车辆的运动轨迹历史数据以构建换道样本，利用模糊C聚类算法提取换道样本中周围车辆的运动特征；
3)预测周围车辆未来运动工况：基于周围车辆的运动特征，预测周围车辆在t时刻的车辆运动状态及车辆间距；
4)评估车辆运行瞬时风险：基于停车视距建立换道条件安全判别模型，利用SDI获得车辆运行瞬时风险指标，以实时评估t时刻的风险系数；
5)构建瞬时风险最小化目标函数，规划车辆横纵向运动轨迹：以车辆运行瞬时风险最小化为目标函数，设置约束条件，包括最大速度、最大加速度以及最大瞬时风险，利用梯形加速度法与遗传算法规划车辆横纵向运动加速度，进而得到车辆换道轨迹；
6)通过计算机编程实现车辆运行瞬时风险评估功能，并输出车辆换道加速度方案。


2.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，在步骤1)中，所述车辆运动数据包括目标车辆与周围车辆的速度与加速度，能够通过智能车辆的车载传感器或路侧监控设备获取车辆实时运动数据；所述车辆相对位置信息包括目标车辆分别与当前车道前车、后车的车辆间距及目标车辆与当前车道前车、后车的车辆间距，能够从智能车辆的车载传感器以及路侧监控设备获取；所述车辆几何参数包括车辆长度和车辆宽度，能够通过读取车身电子标签信息或视频识别获取；所述道路几何条件包括车道数、车道宽度和坡度，能够通过车载导航地图或路侧视频设备识别获取；所述路面摩擦系数包括不同天气情况下的路面摩擦系数，能够通过专家法或相关标准设定。


3.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤2)包括以下步骤：
2.1)定义目标车辆的周围车辆
目标车辆的周围车辆分布状况由实际情况而定，其数量设为n，则有0≤n≤4，即周围车辆最少为0辆车，最多为4辆车；当n＝4时，周围车辆包括目标车辆所在当前车道的后车与前车及目标车辆意图到达目标车道的后车与前车；
2.2)定义模糊C聚类算法的Hausdorff距离
已知目标车辆与周围车辆的运动轨迹，利用模糊C聚类算法将具有相似运动特征的车辆轨迹聚为同一类，以区分车辆的运动模式；选择Hausdorff距离来度量车辆轨迹的相似性，定义数据采样周期为c，轨迹时间长度为T，T为整数，车辆运动轨迹数为N，则两辆车的运动特征的Hausdorff距离为：
H(Fi,Fj)＝max{h(Fi,Fj),h(Fj,Fi)}
其中，






式中，i＝1,2,…,N；j＝1,2,…,N；N为车辆运动轨迹数；l与k均为时间变量；H(Fi,Fj)表示轨迹Fi与轨迹Fj之间的Hausdorff距离；轨迹Fi＝(fi1,fi2,…,fiT)，轨迹Fj＝(fj1,fj2,…,fjT)；h(Fi,Fj)表示轨迹Fi到轨迹Fj的前向Hausdorff距离；h(Fj,Fi)表示轨迹Fj到轨迹Fi的后向Hausdorff距离；fik表示车辆i在k时刻的位置坐标(xik,yik),fjl表示车辆j在l时刻的位置坐标(xjl,yjl)；d(fik,fjl)表示位置坐标fik与fjl之间的欧氏距离，即
2.3)基于模糊C聚类算法的车辆运动特征聚类
选择模糊C聚类算法实现轨迹聚类，模糊C聚类采用模糊思想，设计思路符合实际，有更好的鲁棒性和适用性，模糊C聚类算法实现车辆运动轨迹聚类的算法步骤如下：
Step1:随机初始化K个轨迹聚类中心；
Step2:计算每条车辆运动轨迹Fi分别到K个轨迹中心θk的Hausdorff距离，即：
H(Fi,θk)＝max{h(Fi,θk),h(θk,Fi)}
式中，H(Fi,θk)表示轨迹Fi与轨迹中心θk之间的Hausdorff距离；i＝1,2,3,…,N,N为车辆运动轨迹数；k＝1,2,…,K，K为轨迹中心的数量；h(Fi,θk)表示轨迹Fi到轨迹中心θk的前向Hausdorff距离；h(θk,Fi)表示轨迹中心θk到轨迹Fi的后向Hausdorff距离；
Step3:计算每条车辆运动轨迹Fi分别到K个轨迹中心θk的隶属度μi,k：



式中，μi,k为轨迹Fi到轨迹中心θk的隶属度；K为轨迹中心的数量；N为车辆运动轨迹数；θk为第k个轨迹中心；Fi表示第i条轨迹；H(Fi,θk)表示轨迹Fi与轨迹中心θk之间的Hausdorff距离；
Step4:根据每条车辆运动轨迹的隶属度更新K个轨迹中心θk：



式中，θk为第k个轨迹中心；Fi表示第i条轨迹；μi,k为轨迹Fi到轨迹中心θk的隶属度；N为车辆运动轨迹数；
Step5:根据下式判断K个聚类中心是否收敛，若收敛结束循环，否则执行Step2；



式中，K为轨迹中心的数量；r为迭代次数；θk(r)为第r次迭代的第k个轨迹中心；θk(r+1)为第r+1次迭代的第k个轨迹中心；ε为收敛上界；
模糊C聚类算法运行结束后，能够得到K个车辆运动轨迹中心θk，即其中(xkT,ykT)为车辆运动轨迹中心θk在T时刻的位置坐标。


4.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤3)包括以下步骤：
3.1)车辆运动模式判断
基于所选取的车辆运动轨迹中心θki推导其轨迹位置对应的加速度向量aki，且aki＝{aki(1),aki(2),…,aki(T)}，aki(T)为车辆运动轨迹中心θki在T时刻的加速度；已知周围车辆i在过去T1秒的运动轨迹数据，根据模糊C聚类算法得到的K个车辆运动轨迹中心结果，分别计算周围车辆i在过去T1秒内的加速度与K个车辆运动轨迹中心在任意T1秒内的加速度之间的方差，通过筛选得到加速度方差最小的车辆运行轨迹中心，即选取与周围车辆i运动模式相似度最高的车辆运动轨迹中心θki，i≤n，n为周围车辆的数量；
3.2)预测周围车辆在t时刻的速度
已知周围车辆i的初始速度Vi(T1)、加速度ai(T1)以及相似度最高的车辆运动轨迹中心加速度向量aki，则周围车辆i在t时刻的速度Vi(t)为：



式中，Vi(t)为周围车辆i在t时刻的速度，单位为m/s；τ为t时间内的任意时间；T1为已经历的时间窗，单位为s；T为轨迹时间长度；aki(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s2；Vi(T1)为周围车辆i的初始速度，单位为m/s；
3.3)计算目标车辆与周围车辆在t时刻的车辆间距
周围车辆i在t时刻的位移Si(t)为：



式中，Si(t)为周围车辆i在t秒后的位移，单位为m；c为采样周期，单位为s；τ为t时间内的任意时间；Vi(τ)为周围车辆i在τ时刻的速度，单位为m/s；T1为已经历的时间窗，单位为s；T为轨迹时间长度；aki(τ)为与周围车辆i运动轨迹点相似度最高的车辆运动轨迹中心在τ时刻的加速度，单位为m/s2；
假设目标车辆在换道过程中周围存在n辆车，且1≤n≤4；已知目标车辆与周围车辆的初始车辆间距di(T1)，且i＝1,2,…,n，则目标车辆与周围车辆i在t时刻的车辆间距di(t)为：
di(t)＝SF(t)-SR(t)+di(T1)
式中：di(t)为目标车辆与周围车辆i在t时刻的纵向车辆间距，单位为m；SF(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的纵向位移，单位为m；SR(t)为目标车辆与周围车辆i两者中处于后方位置的车辆在t时刻的纵向位移，单位为m。


5.根据权利要求1所述的一种基于瞬时风险评估的智能车辆换道轨迹协同规划方法，其特征在于，所述步骤4)包括以下步骤：
4.1)安全换道条件判别
基于目标车辆与周围车辆i在t时刻的速度以及纵向车辆间距，计算目标车辆与周围车辆i之间的停车视距，以判断t时刻的交通条件是否存在换道风险，则各车辆在t时刻的停车视距为Dj(t)：



式中，Dj(t)为车辆j在t时刻的停车视距，单位为m，j＝s,1,2,…,n，j＝s表示目标车辆，j＝1,2,…,n表示周围车辆；Vj(t)为车辆j在t时刻的速度，单位为km/h；f为路面摩擦系数；g为道路坡度；tr为驾驶员反应时间，单位为s；
已知目标车辆与周围车辆i在t时刻的纵向车辆间距以及停车视距，则t时刻目标车辆与周围车辆i之间的停车距离指标SDIi(t)为：
SDIi(t)＝DF(t)-DR(t)+di(t)-lF
式中：SDIi(t)为目标车辆与周围车辆i在t时刻的停车距离指标，i＝1,2,…,n，单位为m；DF(t)为目标车辆与周围车辆i两者中处于前方位置的车辆在t时刻的停车视距，单位为m；DR(t)为目标车辆与周围车辆i两者中处于后方...

【专利技术属性】
技术研发人员：温惠英，吴嘉彬，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东;44