一种基于队列长度预测的交叉口生态驾驶优化方法技术

本发明专利技术公开了一种基于队列长度预测的交叉口生态驾驶优化方法。首先，利用车路通信技术获得交通流和信号灯相位信息，基于运动冲击波模型预测队列排队长度；接下来，考虑排队长度，构建燃油最优车辆轨迹优化问题，并将其简化为停车等待和不停车优化问题，以获取实时解；然后，将获取的实时解作为智能汽车的期望加速度，并且为了保证车辆的安全，必要时，将根据智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，以避免碰撞。本发明专利技术方法使得智能汽车利用车路通信技术获得交通流与信号灯信息，以预测车队长度，所设计的生态驾驶算法避免了车辆在交叉口处的剧烈加减速，从而减少智能汽车通过交叉口时的油耗与行驶时间。减少智能汽车通过交叉口时的油耗与行驶时间。减少智能汽车通过交叉口时的油耗与行驶时间。

【技术实现步骤摘要】
一种基于队列长度预测的交叉口生态驾驶优化方法


[0001]本专利技术属于网联环境下生态驾驶
，特别涉及网联环境下交叉口处考虑排队长度的生态驾驶优化方法。

技术介绍

[0002]近年来，汽车普及率的不断提高导致汽车能耗和排放显著增加，交通运输部门已成为温室气体排放和能源消耗的主要部门，约占全球石油消费量的一半。化石燃料在交通部门的广泛使用已经引起了公众对环境变化和能源可持续性的关注。如何有效降低运输带来的燃油消耗，提高燃油效率是目前迫切需要解决的问题。目前，已经有一些研究通过改进车辆技术和优化交通灯信号来降低油耗。研究表明，司机的驾驶习惯也会影响车辆油耗。生态驾驶技术可以帮助司机最大限度地减少十字路口的加速、减速和怠速，以降低油耗。
[0003]目前大多数交叉口的生态驾驶策略只考虑交通灯的信息，旨在减少加速、减速和停车等待产生的怠速时间。在实际的交通环境中，当车辆在红灯到达路口时，必须减速停车等待，会在交通流中产生向上游扩散的排队冲击波，阻碍车辆通行。受排队长度的影响，即使采用生态驾驶策略，也会为了避免碰撞而发生减速停车的情况。然而，很少有研究考虑车辆排队长度对主干道生态行驶的影响，可能导致速度轨迹次优解。其次，考虑到目前很少使用车
‑
车通信，车路通信技术采用车辆和道路基础设施通信的方式进行传递信息目前的应用范围更广，可以在更大范围内优化车辆轨迹。

技术实现思路

[0004]本专利技术的目的是提供一种基于队列预测的交叉口生态驾驶优化方法，利用了车路通信技术，使得智能汽车能够获取交通信息以及实时队列长度的预测，从而在通过交叉口时能够最大限度的减小燃油消耗和通行时间。
[0005]以上目的通过以下的技术方案实现：
[0006]一种基于队列长度预测的交叉口生态驾驶优化方法，包括如下步骤：
[0007]步骤1、实时预测队列长度：
[0008]智能汽车进入算法预定优化区间时，根据智能汽车与交叉口基础设施通信后获得的交通流信息与信号灯时间，获得排队冲击波、消散冲击波和驶离冲击波速度，基于运动学冲击波模型给出队列长度预测算法，来实时预测交叉口车辆排队长度，进而预测车辆到达交叉口前的最大排队长度。所述的交通流信息包括每个周期车流量和车辆平均驶入速度。
[0009]步骤2、构建燃油最优车辆轨迹优化问题：
[0010]将燃油最优问题简化为不停车优化子问题和停车等待优化问题，先求解并采用不停车优化问题的解，若不停车优化问题无解，再求解并采用停车等待优化问题的解。
[0011]步骤3、考虑预测排队长度的生态驾驶算法：
[0012]将燃油最优车辆轨迹优化问题的解作为智能汽车的期望加速度，并且为了保证车辆的安全，当智能汽车与前车距离小于安全行驶距离时，将智能驾驶员模型所得的安全加
速度作为智能汽车的期望加速度，从而避免发生碰撞。
[0013]步骤1中运动学冲击波模型的排队冲击波速度消散冲击波速度和驶离冲击波速度分别为：
[0014][0015][0016][0017]其中，q
m
和k
m
表示饱和的流量和密度，和表示第n个定时周期内的平均到达流量和平均密度，k
j
为堵塞密度。
[0018]所述的队列长度预测算法为：
[0019][0020]其中，s
p
(t)为预测的实时队列长度,v0为车辆自由驾驶的平均速度，为第n个定时周期中红灯开始时间，为第n个定时周期中排队长度最大的时间，为第n个定时周期中队列完全消散的时间，为第n+1个定时周期中红灯开始时间。
[0021]当和相遇的时候，车辆前方达到最大排队长度。
[0022]步骤2中所述的燃油最优车辆轨迹优化问题为：
[0023][0024]其中Fuel(v(t),a(t),θ(t))为燃油消耗模型：
[0025][0026]其中α0，α1，α2由智能汽车类型决定的系数，P(t)是智能汽车输出功率，v(t),a(t),θ(t)分别为速度，加速度，道路坡度。
[0027]将该最优问题优化为两个问题：
[0028]1、停车等待优化问题：
[0029]智能汽车在时间t0以速度v0进入交叉口的控制路段后，先以恒定加速度a1减速，然后以恒定的速度行驶，最后以恒定加速度a
min
减速停止。当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度a
s
加速到饱和交通流速度v
m
，行驶通过交叉口。停车等待优化子问题表示为：
[0030][0031]其中的约束为：
[0032][0033]θ(t)＝β
[0034][0035]a
min
≤a1≤0
[0036]0≤a
s
≤a
max
[0037]其中，t1为以a1匀减速结束的时间，t2为开始以a
min
减速的时间，t
q
为车辆减速到0的时间，t
d
为开始加速的时间，t
a
为加速到饱和流速的时间，t
l
为驶出交叉口的时间，a
min
为最大减速度，a
max
为最大加速度。
[0038]2、不停车优化问题：
[0039]智能汽车在时间t0以速度v0进入交叉口控制路段后，先以恒定加速度a2减速，然后以恒定速度行驶至时间当检测到前方队列驶离，智能汽车则以恒定加速度a3加速到v
m
，通过交叉口。不停车优化问题表示为：
[0040][0041]其中的约束为：
[0042][0043]θ(t)＝β
[0044]a
min
≤a2≤0
[0045]a
min
≤a3≤a
max
[0046]其中，t'1和t'
a
分别为以a2匀减速结束和以a3加速度至v
m
的时间。
[0047]步骤3中所述的考虑队列长度预测的生态驾驶算法如下：
[0048]1、如果智能汽车能够以其初始速度v0通过停车线，而不撞上车队或遇到红灯，则不会对其采取任何控制措施。
[0049]2、如果智能汽车在前车车队到达步骤一预测的排队最大长度之前到达交叉口，则
优先采用不停车优化问题的解来控制车辆；若不停车优化问题无解，则采用停车等待优化问题的解来控制车辆。当智能车辆与前方车辆的距离小于安全距离时，将切换到智能驾驶员跟驰模型继续行驶。
[0050]3、如果智能汽车在队列驶离时到达交叉口，车辆首先保持v0速度行驶，然后以恒加速度减速到跟随前方队列通过交叉口。
[0051]控制车辆与前车的安全距离：
[0052][0053]其中d
min
为最小安全距离，H
t
为车头时距，v
p
为前车本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，包括如下步骤：步骤1、实时预测队列长度：智能汽车进入算法预定优化区间时，根据智能汽车与交叉口基础设施通信后获得的交通流信息与信号灯时间，获得排队冲击波、消散冲击波和驶离冲击波速度，基于运动学冲击波模型给出队列长度预测算法，来实时预测交叉口车辆排队长度，进而预测车辆到达交叉口前的最大排队长度；所述的交通流信息包括每个周期车流量和车辆平均驶入速度；步骤2、构建燃油最优车辆轨迹优化问题：将燃油最优问题简化为不停车优化子问题和停车等待优化问题，先求解并采用不停车优化问题的解，若不停车优化问题无解，再求解并采用停车等待优化问题的解；步骤3、考虑预测排队长度的生态驾驶算法：将燃油最优车辆轨迹优化问题的解作为智能汽车的期望加速度，并且为了保证车辆的安全，当智能汽车与前车距离小于安全行驶距离时，将智能驾驶员模型所得的安全加速度作为智能汽车的期望加速度，从而避免发生碰撞。2.根据权利要求1所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤1中运动学冲击波模型的排队冲击波速度消散冲击波速度和驶离冲击波速度分别为：分别为：分别为：其中，q
m
和k
m
表示饱和的流量和密度，和表示第n个定时周期内的平均到达流量和平均密度，k
j
为堵塞密度；所述的队列长度预测算法为：其中，s
p
(t)为预测的实时队列长度，v0为车辆自由驾驶的平均速度，为第n个定时周期中红灯开始时间，为第n个定时周期中排队长度最大的时间，为第n个定时周期中队列完全消散的时间，为第n+1个定时周期中红灯开始时间；当和相遇的时候，车辆前方达到最大排队长度。3.根据权利要求2所述的一种基于队列长度预测的交叉口生态驾驶优化方法，其特征在于，步骤2中所述的燃油最优车辆轨迹优化问题为：
其中Fuel(v(t)，a(t)，θ(t))为燃油消耗模型：其中α0，α1，α2由智能汽车类型决定的系数，P(t)是智能汽车输出功率，v(t)，a(t)，θ(t)分别为速度，加速度，道路坡度；将该最优问题优化为两个问题：1、停车等待优化问题：智能汽车在时间t0以速度v0进入交叉口的控制路段后，先以恒定加速度a1减速，然后以恒定的速度行驶，最后以恒定加速度a
min
减速停止；当消散冲击波传播到该智能汽车处，智能汽车开始以恒定加速度a
s
加速到饱和交通流速度v
m
，行驶通过交叉口；停车等待优化子问题表示为：其中的约束为：θ(t)＝βa
min
≤a1≤00≤a
s
≤a
max
其中，t1为以a1匀减速结束的时间，t2为开始以a
min
减速的时间，t
q
为车辆减速到0的时间，t
d
为开始加速的时间，t
a
为加速到饱和流速的时间，t<...

【专利技术属性】
技术研发人员：翟春杰，杨祥宇，杨建，颜成钢，孙垚棋，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：