一种基于Newell跟驰模型的车辆轨迹预测方法技术

本发明专利技术公开了一种基于Newell跟驰模型的车辆轨迹预测方法，包括S1、获取网联车辆的轨迹数据；S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。本发明专利技术提出一种可以有效联合宏观交通流参数与微观轨迹的轨迹预测算法，可以较为精确地预测人工驾驶车辆的轨迹；提出的曲线匹配的算法可以自动计算每一辆人工驾驶车辆的跟驰参数，提高轨迹预测算法的精度；能应用于其他场景，为自动驾驶车辆的轨迹规划提供支撑，保证驾驶安全。保证驾驶安全。保证驾驶安全。

【技术实现步骤摘要】
一种基于Newell跟驰模型的车辆轨迹预测方法


[0001]本专利技术属于车辆轨迹预测模型，适用于全网联环境下对人工驾驶车辆的轨迹预测，具体涉及一种基于Newell跟驰模型的车辆轨迹预测方法。

技术介绍

[0002]高速公路以其快速、安全、舒适等特点和优势，在现代综合交通运输体系发挥着重要的作用，截至2020年底，我国高速公路通车里程达16.10万公里。然而高速公路交通拥堵现象时有发生，特别是在节假日交通需求高峰时期，高速公路交通拥堵导致交通系统通行效率降低、出行时间增加、安全水平下降、环境污染加重等问题。当交通需求较高时，高速公路拥堵一般是从匝道口、隧道、车道数突变等瓶颈路段开始蔓延，车辆从瓶颈处开始累积排队，不断向上游蔓延，甚至导致整条高速公路及周边路网陷入瘫痪。高速公路瓶颈一般可分为移动瓶颈(如刚驶入密度较高的交通流中的低速行驶车辆)和固定瓶颈(出入口匝道、道路施工路段、事件发生路段、车道变窄路段、隧道口等)，其中固定瓶颈导致的高速公路交通拥堵将严重降低高速公路运行效率，提高瓶颈通行效率一直是高速公路管控的重点。
[0003]随着车联网和自动驾驶技术的迅猛发展，智能网联车辆(Connected and Autonomous Vehicle，CAV)将化身为“移动检测器”和“移动控制器”，为解决日益突出的交通拥堵和交通安全问题提供了新思路。基于协同自适应巡航控制(Cooperative Adaptive Cruise Control，CACC)的CAV编队运行将是未来公路自动驾驶的主要模式之一，在高速路匝道交织区、车道变窄区、隧道等交通瓶颈的应用将直接提高交通系统的运行效率。在全网联的场景下，建立对人工驾驶的网联车轨迹预测方法，对CACC车队前方的人工驾驶车辆进行轨迹预测，基于轨迹预测结果，对CACC车队轨迹进行规划，进而控制CACC车辆轨迹，以达到减少瓶颈处交通振荡、减缓冲击波、提高瓶颈通行效率的目标。

技术实现思路

[0004]针对现有技术中的上述不足，本专利技术提供的基于Newell跟驰模型的车辆轨迹预测方法实现了对人工驾驶的网联车进行轨迹预测以提高瓶颈路段的通行效率。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于Newell跟驰模型的车辆轨迹预测方法，包括以下步骤：
[0006]S1、获取网联车辆的轨迹数据；
[0007]S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；
[0008]S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；
[0009]S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。
[0010]进一步地，所述车辆轨迹预测得到的预测轨迹为车辆在瓶颈路段纵向行驶的预测轨迹，且瓶颈路段的CACC车辆和人工驾驶车辆的跟驰行为的均衡态符合经典一阶宏观模型
LWR。
[0011]进一步地，所述步骤S2具体为：
[0012]S21、确定任意两条人工驾驶车辆能够进行匹配的轨迹曲线；
[0013]S22、对于轨迹曲线上的匹配点，计算其对应的移动向量，进而得到车辆跟驰行为参数。
[0014]进一步地，所述步骤S21中，能够进行匹配的轨迹曲线满足如下条件：
[0015](1)任意轨迹曲线C上的轨迹点p
1,l
到轨迹曲线H上离其最近的轨迹点的距离小于距离阈值D
max
；
[0016](2)轨迹点p
1，l
和p
2，l
在各自轨迹曲线上的斜率夹角小于角度阈值Θ；
[0017]其中，轨迹曲线C上的点p
1，l
到轨迹曲线H的距离d(p
1，l
，C)为：
[0018]d(p
1，l
，C)＝min
l
′
∈{1，...，lH|}
||p
1，l
‑
p
2，l
′
||2[0019]其中，下标l为轨迹曲线上轨迹点的序号，C＝(p
1，l
}，(p
1，l
}为轨迹曲线C上轨迹点的集合，H＝(p
2，l
}，(p
2，l
}为轨迹曲线H上轨迹点的集合，|C|、|H|为轨迹曲线C、H上轨迹点的数量。
[0020]进一步地，所述步骤S22中具体为：
[0021]S22
‑
1、基于当前角度阈值Θ和距离阈值D
max
，对于轨迹曲线C上(p
1，1
}中的每一个轨迹点，在轨迹曲线H上(p
2，l
}中找到对应匹配的轨迹点，得到匹配点对；
[0022]S22
‑
2、对于匹配点对，计算当前移动向量
[0023][0024]式中，K
I
是匹配点对的总数，为匹配点对中轨迹曲线C上第k个轨迹点，为匹配点对中轨迹曲线H上第k个轨迹点，下标k为匹配成功点对的序号；
[0025]S22
‑
3、基于当前移动向量更新轨迹曲线C上的轨迹点；
[0026]S22
‑
4、更新角度阈值Θ和距离阈值D
max
，并重复步骤S22
‑
1～S22
‑
3，直到移动向量小于设定阈值；
[0027]S22
‑
5、计算每次迭代计算得到的移动向量的之和，得到移动向量总量(
‑
τ1，l1)
T
，进而得到多个人工驾驶车辆的车辆跟驰行为参数(τ
i
，l
i
)；
[0028]其中，车辆跟驰行为参数(τ
i
，l
i
)为移动向量总量(
‑
τ1，l1)
T
中第i辆车辆对应的移动向量，τ
i
为反应时间，l
i
为有效车长。
[0029]进一步地，所述步骤S3中的初步预测轨迹中，第1辆车和第n辆车的位置
‑
时间关系式为：
[0030][0031]式中，x
n
(t)为第n辆车的轨迹，为第一辆车的轨迹，为有效车长的总和。
[0032]进一步地，所述步骤S4中对初步预测轨迹进行连续平滑处理的方法为：
[0033]当初步预测轨迹存在轨迹重叠时，对第二段重叠的预测轨迹部分删除，然后将处理后的预测轨迹与前一段预测轨迹首尾相连；
[0034]当初步预测轨迹中存在部分时刻点无轨迹时，将无轨迹时刻点对应的前一段预测轨迹与后一段预测轨迹直接首尾相连。
[0035]进一步地，所述步骤S4中，当人工驾驶车辆的轨迹数据不足时，提取网联车辆的轨迹数据中的交通流参数对连续平滑处理后的预测轨迹进行补充，得到预测车辆轨迹；
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，包括以下步骤：S1、获取网联车辆的轨迹数据；S2、采用曲线匹配算法提取轨迹数据中人工驾驶车辆的车辆跟驰行为参数；S3、基于车辆跟驰行为参数对前车的历史轨迹数据进行轨迹平移，得到初步预测轨迹；S4、对初步预测轨迹进行连续平滑处理，并进行轨迹补充，得到目标人工驾驶车辆的预测轨迹。2.根据权利要求1所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述车辆轨迹预测得到的预测轨迹为车辆在瓶颈路段纵向行驶的预测轨迹，且瓶颈路段的CACC车辆和人工驾驶车辆的跟驰行为的均衡态符合经典一阶宏观模型LWR。3.根据权利要求1所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S2具体为：S21、确定任意两条人工驾驶车辆能够进行匹配的轨迹曲线；S22、对于轨迹曲线上的匹配点，计算其对应的移动向量，进而得到车辆跟驰行为参数。4.根据权利要求3所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S21中，能够进行匹配的轨迹曲线满足如下条件：(1)任意轨迹曲线C上的轨迹点p
1,l
到轨迹曲线H上离其最近的轨迹点的距离小于距离阈值D
max
；(2)轨迹点p
1,l
和p
2,l
在各自轨迹曲线上的斜率夹角小于角度阈值Θ；其中，轨迹曲线C上的点p
1,l
到轨迹曲线H的距离d(p
1,l
,C)为：d(p
1,l
,C)＝min
l
′
∈{1,
…
,|H|}
||p
1,l
‑
p
2,l
′
||2其中，下标l为轨迹曲线上轨迹点的序号，C＝{p
1,l
}，{p
1,l
}为轨迹曲线C上轨迹点的集合，H＝{p
2,l
}，{p
2,l
}为轨迹曲线H上轨迹点的集合，|C|、|H|为轨迹曲线C、H上轨迹点的数量。5.根据权利要求4所述的基于Newell跟驰模型的车辆轨迹预测方法，其特征在于，所述步骤S22中具体为：S22
‑
1、基于当前角度阈值Θ和距离阈值D
max
，对于轨迹曲线C上{p
1,l
}中的每一个轨迹点，在轨迹曲线H上{p
2,l
}中找到对应匹配的轨迹点，得到匹配点对；S22
‑
2、对于匹配点对，计算当前移动向量2、对于匹配点对，计算当前移动向量式中...

【专利技术属性】
技术研发人员：张钊，刘枫，莫磊，张思遥，于滨，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：