【技术实现步骤摘要】
车载联网节能辅助驾驶控制方法与系统
本专利技术属于车辆节能
,具体涉及一种车载联网节能辅助驾驶控制方法与系统。
技术介绍
联网智能汽车技术正在彻底改变汽车工业。特别是,联网车辆具有路径/速度规划、车辆对基础设施(V2I)和车辆对车辆(V2V)通信能力。通过这种方式,车辆可以连接到智能交通系统,与智能交通系统共享海量的交通状况数据和车辆运行数据。这些数据可用于提高车辆的整体性能,包括机动性、安全性和燃油经济性。通过联网通信功能,减少车辆在城市道路信号交叉口处的拥堵或不必要的走走停停行为,进而减少能源消耗,是当前城市道路生态驾驶的重要研究内容。由于自动驾驶技术还未应用在车辆上,而基于联网通信的节能辅助驾驶系统(EADS)是目前较容易推广的一种节能系统。节能辅助驾驶系统不主动干预车辆的动力学控制,而是通过引导驾驶员的操作而减少高耗能的驾驶行为。在城市道路上应用的节能辅助驾驶系统,必须要考虑交通信号对车流的截断的影响。然而,传统节能辅助驾驶系统只考虑交通灯信号的相位和时序问题。而另外两个重要的因素,即车流的排队效应和驾驶员的实际操作误差,却很少被考虑,从而降低了EADS的实际应用性能。车流的排队效应导致联网车辆到达路口时无法顺利通过交叉路口,其可通行的绿灯信号时间窗口被压缩;驾驶员的操作误差导致驾驶员在执行建议速度时与理论建议速度的偏差越来越大,致使车辆无法按照规划顺利通过交叉口。既要考虑车流排队导致的通行时间被限制,又要考虑驾驶员的操作误差,从而提升节能辅助驾驶系统的有效性,是节能驾驶领域中一个亟待解决的重要 ...
【技术保护点】
1.一种车载联网节能辅助驾驶控制方法,其特征在于,包括以下步骤:/nS1:道路交通信息采集步骤,检测道路的历史交通流信息以及前方信号交叉口处的红绿灯信号实时信息;/nS2:车流信息预测步骤,通过收集的所述历史交通流信息预测未来短时交通流信息;/nS3:车流排队预测步骤,根据交叉口处的红绿灯信号实时信息和预测的所述未来短时交通流信息,预测车辆在信号交叉口处的排队行为,计算得到车辆排队信息;/nS4:交叉口状态计算步骤,结合预测的所述车辆排队信息以及所述未来短时交通流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;/nS5:主车行驶状态识别步骤:提供当前车辆的状态信息以及驾驶员历史驾驶行为操作信息;/nS6:第一策略优化步骤,根据所述当前车辆的状态信息以及所述剩余信号灯时间优化求解得到全局能效最优的速度轨迹;/nS7:驾驶员行为误差转移概率步骤,根据所述驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;/nS8:第二策略优化步骤,根据所述全局能效最优的速度轨迹以及所述操作误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;/nS9:车载显示步骤,通过语 ...
【技术特征摘要】
1.一种车载联网节能辅助驾驶控制方法,其特征在于,包括以下步骤:
S1:道路交通信息采集步骤,检测道路的历史交通流信息以及前方信号交叉口处的红绿灯信号实时信息;
S2:车流信息预测步骤,通过收集的所述历史交通流信息预测未来短时交通流信息;
S3:车流排队预测步骤,根据交叉口处的红绿灯信号实时信息和预测的所述未来短时交通流信息,预测车辆在信号交叉口处的排队行为,计算得到车辆排队信息;
S4:交叉口状态计算步骤,结合预测的所述车辆排队信息以及所述未来短时交通流信息,计算联网主车到达信号交叉口时的剩余信号灯时间;
S5:主车行驶状态识别步骤:提供当前车辆的状态信息以及驾驶员历史驾驶行为操作信息;
S6:第一策略优化步骤,根据所述当前车辆的状态信息以及所述剩余信号灯时间优化求解得到全局能效最优的速度轨迹;
S7:驾驶员行为误差转移概率步骤,根据所述驾驶员历史驾驶行为操作信息提取得到驾驶员不同行为下的操作误差转移概率矩阵;
S8:第二策略优化步骤,根据所述全局能效最优的速度轨迹以及所述操作误差转移概率矩阵,优化获得考虑操作误差的全局能效最优速度轨迹;
S9:车载显示步骤,通过语音提示以及仪表显示向驾驶员提供当前最佳的考虑操作误差的全局能效最优建议速度。
2.如权利要求1所述的方法,其特征在于,步骤S1道路交通信息采集步骤中采集路基侧联网交通观察器存储的车辆信息和交叉口信号灯相位时间信息,路基侧联网的交通观察器和交叉口信号灯相位时间识别器、车载无线通信信息采集器通过LTE-V或者DSRC方式通信方式与车载无线通信设备交互共享信息,所获得的信息包括车流量、平均车流速、交叉口处的红绿灯信号实时信息、交叉口距离联网主车的距离信息。
3.如权利要求2所述的方法,其特征在于,步骤S2的车流信息预测步骤中,采用非线性自回归或者其他神经网络进行离线或在线训练,并预测未来交叉口道路短时交通流信息;车流信息预测步骤输出短时交通流的预测信息,包括基于时间序列的车流量和平均车流速度,未来短时交通流信息的预测包括两个阶段:第一阶段是通过收集的历史交通流数据片段,以6min的时间区间进行划分截取成数据向量片段,作为训练样本,采用非线性自回归或者其他神经网络进行训练得到预测网络,在计算资源满足不了实时训练应用时,事先离线训练不同应用环境下的车流预测模型,进行在线应用;第二阶段:基于当前最近6min的交通流信息,使用NAR模型预测未来30s的交通状态值,将预测的30s状态值拼接在6min历史交通流时间序列状态值尾部,并剔除历史数据中前30s信息,构造得到新的6min历史交通流数据片段,依次递归循环预测未来交通流信息,得到未来30s的预测值即终止预测,直到下一次重新激活预测行为。
4.如权利要求3所述的方法,其特征在于,步骤S3的车流排队预测步骤中,根据步骤S2预测得到的交通流量q、步骤S1采集得到的平均车流速度vq、以及信号灯红绿完整周期时间T,计算主车到达路口时遇到的前方车流排队长度信息;其中,首先,结合主车规划启动时距离交叉口的距离D,主车到达交叉口期间交通灯的周期变化数j计算为
设λ=(D/vq-T0)/T
式中,INT表示取计算结果的整数部分;MOD表示取计算结果的小数部分;T0为联网主车启动规划时,前方信号灯第一次由红灯转为绿灯的时刻;
进一步,以联网主车启动规划的时刻为0点,将来主车前方第一辆被红色信号灯路拦住的头车车辆起始位置为:
d1=D-vq[T0+(j-1)T+Tg]
式中,Tg为完整信号周期内绿灯的时间,最后,根据d1可以及车道数量L近似得到单车道内主车与头车间隙中存在的车辆总数量:n=qd1/Lvq,假设路口停车时的车辆空间间隔为5米,则得到队列的总长度为dq=5n。
5.如权利要求4所述的方法,其特征在于,步骤S4的交叉口状态计算步骤中,结合预测的车辆排队信息、步骤S1得到的红绿灯信号实时信息以及步骤S1得到的交叉口距离联网主车的距离信息,得到联网主车到达信号交叉口时的信号灯状态模型;其中,假设车辆在交叉口的减速度和加速度w相同,均为:
因此计算得到联网主车到达交叉口时遇到不可通行的绿灯信号时间为Δt=dq/w+dq/vq,构建信号灯...
【专利技术属性】
技术研发人员:张涛,孙晓霞,赵宁,牛丹华,舒成龙,杨立宁,
申请(专利权)人:中国北方车辆研究所,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。