本发明专利技术公开了一种车路协同环境下的智能网联车辆的跟驰方法，包括以下步骤：步骤1、构建基于车路协同的安全速度模型；步骤2、构建基于考虑道路条件的可变车头间距模型；步骤3、预测跟驰车预瞄时刻的最优速度；步骤4、计算跟驰车预瞄时刻的加速度。有益效果：本发明专利技术基于道路状况和多前车运动状态提出了跟驰车最优速度预测函数，综合考虑了车路协同环境下道路因素和多前车信息对微观跟驰行为的影响，本发明专利技术考虑道路因素和多前车信息的跟驰模型能够有效解释车路协同环境下智能网联车辆跟驰行为；本发明专利技术能够以较高的精度拟合跟驰过程，且与FVD等模型相比，能够很好的刻画车辆在不同道路条件下的跟驰特性。路条件下的跟驰特性。路条件下的跟驰特性。
【技术实现步骤摘要】
一种车路协同环境下的智能网联车辆的跟驰方法
[0001]本专利技术涉及一种车辆的跟驰方法，特别提供了一种车路协同环境下的智能网联车辆的跟驰方法，属于智能交通安全领域。
技术介绍
[0002]近年来，随着我国汽车产业及运输业的快速发展，我国道路交通安全面临着严峻的挑战。追尾事故占高速公路交通事故总数的35％左右，是高速公路交通事故的主要类型。而车辆跟驰模型可以揭示车辆跟驰的机理，分析各交通主体间的相互作用规律，同时也能为自适应巡航控制系统和自动驾驶系统的车辆跟驰系统提供理论基础和算法支持，避免追尾事故。因此，很多研究学者对车辆跟驰模型进行了一系列的研究。
[0003]1950年，Reuschel率先提出车辆跟驰的概念。1953年，Pipes提出了一种考虑前后车辆安全间距的微观交通流模型，用来刻画车辆的动态特性与前车运动状态的关系。该模型假设驾驶人通过控制车辆的速度与前车保持一个期望的相对距离，并假定该期望距离与后随车的速度成线性关系。在此之后，Chandler等人提出了一种建立在驾驶人直觉驾驶基础上的刺激
‑
反应车辆跟驰模型，模型把两车的相对速度作为唯一的刺激量。上述跟驰模型忽视了车辆速度和车间距离两个因素的综合影响，因此Gazis等人把刺激参数从单一的相对速度延伸到速度、相对速度和相对车间距，提出了著名的GHR模型。随后，有一系列的学者对GHR模型进行了调整和优化。同时，随着刺激－反应理论的发展，1995年Bando等人又从另一个刺激角度提出了一个最优速度(Optimal Velocity,OV)模型，模型认为驾驶员会根据两车间距确定一个优化的速度目标，进而调整车速。Helbing和Tilch在OV模型的基础上考虑了两车的速度差，提出了广义力(Generalized Force,GF)跟车模型。针对GF模型中加减速速率不合理的情况，2001年Jiang等人在OV模型和GF模型的基础之上考虑了正负速度差，提出了经典的全速差(Full Velocity Difference，FVD)模型，该模型能够有效结合OV模型和GJ模型的优点，比较全面的描述传统交通环境下车辆的跟驰行为，因此得到了后来学者的广泛扩展。
[0004]然而，随着车路协同系统(Cooperative Vehicle Infrastructure System,CVIS)逐渐成熟并落地，道路交通系统中的各交通主体间的相互作用方式发生了显著变化。车路协同交通环境为智能网联车辆提供了丰富的道路和周围车辆信息，导致车辆的跟驰行为与传统交通环境中有明显不同。尽管现有一些模型在单独考虑道路因素和多前车信息方面已有相关研究涉及，但这些模型没有综合考虑道路因素和多前车信息的协同影响，难以适应更为复杂的车路协同道路交通环境。
技术实现思路
[0005]专利技术目的：针对现有技术中存在的不足，本专利技术提供了一种能够综合道路因素和多前车信息对跟驰车辆行为影响的车路协同环境下的智能网联车辆的跟驰方法。本专利技术首先基于车路协同的安全速度模型，确定了跟驰车在跟驰过程中的最大行驶速度，同时基于
考虑道路条件的可变车头间距模型，得到了车辆在跟驰过程中的安全车头间距，随后提出了跟驰车的最优速度预测函数，进而构建了一种车路协同环境下的智能网联车辆跟驰方法。
[0006]技术方案：一种车路协同环境下的智能网联车辆的跟驰方法，包括以下步骤：
[0007]步骤1、构建基于车路协同的安全速度模型，结合道路状况确定跟驰车在当前道路情况下跟驰过程中的最大行驶速度；
[0008]步骤2、构建基于考虑道路条件的可变车头间距模型，结合道路状况和当前跟驰车速度确定跟驰车在该道路情况下跟驰过程中的安全车头间距；
[0009]步骤3、基于紧邻前车、次邻前车以及跟驰车的当前位置和通过步骤1获得的最大行驶速度和步骤2获得的安全车头间距预测跟驰车预瞄时刻的最优速度；
[0010]步骤4、基于紧邻前车、次邻前车以及跟驰车的当前速度和通过步骤3获得的跟驰车预瞄时刻的最优速度计算跟驰车预瞄时刻的加速度。
[0011]优选项，所述步骤1中跟驰过程中的最大行驶速度的计算方法是将当前道路坡度角、曲率半径、横坡度和路面附着系数代入其中：
[0012][0013]式中：v
max
(
·
)为基于车路协同的安全速度模型，为道路坡度角，取
‘‑’
表示上坡，取
‘
+
’
表示下坡，R为道路曲率半径，i为道路横坡度，μ为路面附着系数，为常数，H
c
为车辆的簧载质量质心高度，t
w
为车辆左右两侧轮距，g为重力加速度，v0为车辆可达最大车速。
[0014]优选项，所述步骤2中跟驰过程中的安全车头间距的计算方法是道路坡度角、曲率半径、横坡度、路面附着系数和当前跟驰车速度代入其中：
[0015][0016]式中：h(
·
)为考虑道路条件的可变车头间距模型，v为车辆速度，为道路坡度角，取
‘‑’
表示上坡，取
‘
+
’
表示下坡，R为道路曲率半径，i为道路横坡度，μ为路面附着系数，a
b
为车辆最大减速度，τ为制动反应时间，L为车身长度，为常数，R0(v)为车辆在速度v下的最小转弯半径，H
c
为车辆的簧载质量质心高度，t
w
为车辆左右两侧轮距，g为重力加速度。
[0017]优选项，所述步骤3所述的跟驰车预瞄时刻的最优速度的预测方法包括如下步骤：
[0018]步骤3.1、计算加权车头间距：
[0019][0020]步骤3.2、预测跟驰车预瞄时刻的最优速度：
[0021][0022]式中，T为预瞄的时间长度，p为次邻前车n+2的权重系数，Δx
n
(t)为t时刻紧邻前车n+1与跟驰车n的相对位置，Δx
n+1
(t)为t时刻次邻前车n+2与紧邻前车n+1的相对位置，为当前道路条件下车辆最大行驶速度，为t时刻的加权车头间距，
为当前道路条件下t时刻车辆跟驰过程中的安全车头间距。
[0023]优选项，所述步骤4中跟驰车的预瞄时刻加速度的计算方法如下：
[0024]a
n
(t+T)＝α[V(t+T)
‑
v
n
(t)]+λ[(1
‑
p)Δv
n
(t)+pΔv
n+1
(t)][0025]式中，T为预瞄的时间长度，α为驾驶员的反应系数，V(t+T)为在t时刻预测跟驰车在t+T时刻的最优速度，v
n
(t)为跟驰车在t时刻的速度，λ为速度差的相关系数，p为次邻前车n+2的权重系数，Δv
n
(t)为t时刻紧邻前车n+1与跟驰车n的相对位置，Δv
n+1
(t)为t时刻次邻前车n+2与紧邻前车n+1的相对位置。<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种车路协同环境下的智能网联车辆的跟驰方法，其特征在于，包括以下步骤：步骤1、构建基于车路协同的安全速度模型，结合道路状况确定跟驰车在当前道路情况下跟驰过程中的最大行驶速度；步骤2、构建基于考虑道路条件的可变车头间距模型，结合道路状况和当前跟驰车速度确定跟驰车在该道路情况下跟驰过程中的安全车头间距；步骤3、基于紧邻前车、次邻前车以及跟驰车的当前位置和通过步骤1获得的最大行驶速度和步骤2获得的安全车头间距预测跟驰车预瞄时刻的最优速度；步骤4、基于紧邻前车、次邻前车以及跟驰车的当前速度和通过步骤3获得的跟驰车预瞄时刻的最优速度计算跟驰车预瞄时刻的加速度。2.根据权利要求1所述的车路协同环境下的智能网联车辆的跟驰方法，其特征在于：所述步骤1中跟驰过程中的最大行驶速度的计算方法是将当前道路坡度角、曲率半径、横坡度和路面附着系数代入其中：式中：v
max
(
·
)为基于车路协同的安全速度模型，为道路坡度角，取
‘‑’
表示上坡，取
‘
+
’
表示下坡，R为道路曲率半径，i为道路横坡度，μ为路面附着系数，为常数，H
c
为车辆的簧载质量质心高度，t
w
为车辆左右两侧轮距，g为重力加速度，v0为车辆可达最大车速。3.根据权利要求1所述的车路协同环境下的智能网联车辆的跟驰方法，其特征在于：所述步骤2中跟驰过程中的安全车头间距的计算方法是道路坡度角、曲率半径、横坡度、路面附着系数和当前跟驰车速度代入其中：式中：h(
·
)为考虑道路条件的可变车头间距模型，v为车辆速度，为道路坡度角，取
‘‑’
表示上坡，取
‘
+
’
表示下坡，R为道路曲率半径，i为道路横坡度，μ为路面附着系数，a
b
为车辆最大减速度，τ为制动反应时间，...
【专利技术属性】
技术研发人员：陈龙，刘孟协，孙晓强，蔡英凤，刘擎超，
申请(专利权)人：江苏大学，
类型：发明
国别省市：
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。