【技术实现步骤摘要】
本专利技术属于车用无线通信，尤其涉及一种混合稀疏场景下联网车辆变道超车辅助方法。
技术介绍
1、随着智能交通系统(its)的不断发展，多项技术如交通信号控制和先进驾驶辅助系统的创新，极大提高了道路交通的效率和安全性。its的发展也推动了自动驾驶汽车的涌现，为解决现代交通问题和实现智能出行提供了前景。作为提升单车智能的关键技术，车辆到一切(v2x)通信技术主要使配备车载单元(obu)的车辆能够与其整个环境建立连接。v2x通信技术已成为提高道路交通效率的关键驱动因素。然而，由于技术标准、基础设施要求和成本等多重因素，v2x汽车的普及速度相对缓慢。因此，可预见的未来道路将由两类车辆共享：配备obu的联网车辆和没有搭载obu的传统车辆。这种混合带来了挑战，因为它阻碍了这两类车辆之间的直接通信。例如，在反向超车场景中，传统车辆无法与来自相反方向的车辆通信。因此，在存在盲点的情况下变道变得危险，这可能导致碰撞。此外，联网车辆需要遵守交通法规和驾驶习惯。当车辆打算变道时，他们需要向周围车辆发送变道请求(例如激活转向灯)。直到经过一定时间后，才执行实际的变道动作。这种对周围车辆的预先警告可以在一定程度上降低碰撞风险。
2、变道超车是道路上普遍存在的驾驶行为。根据当时的交通状况进行合理的变道行为，可以显著提高驾驶效率，缓解交通拥堵。相反，不耐烦地超车、无视附近车辆和频繁变道被认为是不合理的变道行为，会导致交通混乱，并对整体交通流稳定性产生负面影响。因此，辅助联网车辆执行适当的变道行为对于维护道路交通的畅通和安全至关重要。联网车辆在向周
3、现有的相关公知技术主要将其分为车辆未来状态的预测和变道超车。在预测车辆未来状态的公知技术中，主要集中于对车辆未来位置(即轨迹)的预测。hou等人在《interactive trajectory prediction of surrounding road users for autonomousdriving using structural-lstm network》中引入了一种分层多序列学习网络，通过结构化长短期记忆(lstm)网络自动捕获多个相互作用车辆之间的复杂依赖关系，以准确预测周围车辆的未来轨迹。messaoud等人在《attention based vehicle trajectoryprediction》中采用一种基于车辆交互模型的方法，借鉴人类推理思想，并引入注意力机制来强调周围车辆对未来状态的关键影响，解决了自动驾驶在高速公路上的轨迹预测问题。hou等人在《integrated graphical representation of highway scenarios to improvetrajectory prediction of surrounding vehicles》中提出了一种统一的图形表示方法，该方法综合考虑了不同数量和类型的车辆、道路结构和交通规则等各种因素，以提高轨迹预测的准确性。具体方法包括评估道路和车辆的通过性，定义碰撞风险级别，光栅化场景并生成特征图，最后通过lstm网络进行轨迹预测。除了预测车辆的未来位置外，还有大量研究致力于预测变道行为。wang等人在《an intelligent lane-changing behaviorprediction and decision-making strategy for an autonomous vehicle》中提出了一个预测车辆变道行为的模型。该模型包括基于lstm的基本模型和具有嵌入在基本模型中的自适应决策阈值的自适应模型。贝叶斯推理用于迅速更新阈值。
4、在另一个的变道和超车的公知技术中，变道超车问题是一个极其复杂的决策场景，需要有效管理多辆车之间的相互作用和非线性关系。深度强化学习(drl)具有学习、适应和不断增强决策策略的能力，以适应不同的交通和道路条件。因此，drl经常被用来解决变道和超车的问题。zhang等人在《multi-agent drl-based lane change with right-of-way collaboration awareness》中提出了一种两层变道规划策略，该策略首先使用多智能体drl模型来重新定义变道问题，以便车辆能够更好地合作。其次，将周围车辆的驾驶意图纳入模型，以隐含地协商路权，考虑交通影响，并指导多车辆系统的协调运动。chen等人在《automatic overtaking on two-way roads with vehicle interactions based onproximal policy optimization》中使用了一种近端策略优化方法来制定自动驾驶车辆的超车策略。通过引入道路车辆管理的分层控制框架，该框架在高层监控车辆的行为，在低层管理车辆的移动。优化算法用于生成高级决策策略，并引入自注意力机制来提高算法性能。
5、经分析，相关的公知技术存在几个关键局限性：首先，大多数相关的公知技术专注于改进神经网络模型，以提高未来车辆状态的预测精度，但往往忽略了未来驾驶行为对状态预测的重要影响。其次，现有公知技术专注于全局自动驾驶，假设车辆可以获得准确完整的周围车辆状态信息，并且车辆之间可以无缝通信。但实际情况下，这种假设在多种情况下并不现实。第三，在相关的公知技术中，车辆变道是实时发生的，无需向周围车辆发出变道请求。但在混合场景中，这种方式可能会带来巨大的安全风险。最后，大多数公知技术忽略了车辆前方特定区域的交通流状况，可能导致不必要的车道变更。
6、因此，提出了一种联网车辆变道超车方法，以应对混合驾驶场景带来的挑战，成为亟待解决的问题。
技术实现思路
1、鉴于此，本专利技术公开提供了一种混合稀疏场景下联网车辆变道超车辅助方法，以解决联网车辆在稀疏混合的场景下，如何安全且高效地执行变道超车动作的问题。
2、本专利技术提供了一种混合稀疏场景下联网车辆变道超车辅助方法，包括如下步骤：
3、s1：搭载obus的联网车辆实时感知本文档来自技高网...
【技术保护点】
1.一种混合稀疏场景下联网车辆变道超车辅助方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：S2具体包括如下步骤：
3.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：S3中，车辆之间的相互作用关系的建立方法如下：
4.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于，S3中，预测车辆未来驾驶行为的方法如下：利用车俩间的相互作用关系预测车辆的未来驾驶行为，提出一种基于LSTM的驾驶行为预测模型，每个独立的LSTM模型与联网车辆及其周围相关车辆相关联，通过径向连接将LSTM的隐藏状态和单元状态连接起来，以理解交互车辆之间的高级依赖关系，实现共享隐藏状态，从而预测车辆的未来驾驶行为。
5.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：S3中，预测车辆未来状态的过程如下：
6.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：S4中，变道超车模型的建立包括如下步骤：
<...【技术特征摘要】
1.一种混合稀疏场景下联网车辆变道超车辅助方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：s2具体包括如下步骤：
3.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于：s3中，车辆之间的相互作用关系的建立方法如下：
4.根据权利要求1所述的混合稀疏场景下联网车辆变道超车辅助方法，其特征在于，s3中，预测车辆未来驾驶行为的方法如下：利用车俩间的相互作用关系预测车辆的未来驾驶行为，提出一种基于lstm的驾驶行为预测模型，每个独立的lstm模型与联网车辆及其周围相关车辆相关联，通过径向连接将lstm的隐藏状态和单元状态连接起来，以理解交互车辆之间的高...
【专利技术属性】
技术研发人员：赵亮，钱辉，毛超进，孙云鹤，石峻岭，林娜，
申请(专利权)人：沈阳航空航天大学，
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。