【技术实现步骤摘要】
本专利技术涉及一种交通信号交叉口网络管理方法，尤其涉及一种考虑自动驾驶汽车的混行交叉口网络管理方法。
技术介绍
1、交叉口是造成城市交通延误的主要瓶颈，目前，交叉口管理主要利用交通信号控制为交通量较大的车辆和行人分配合适的绿灯时间，将相互冲突的车辆和行人进行时间上的分离，有效提升交叉口运行效率。但现有交通信号控制方法缺乏对交通状态的动态感知和评估，多属于基于历史数据的固定信号控制，而自适应信号控制系统,例如，scoot、scats和rhodes虽然可以根据实时交通需求，灵活调整不同方向车流和人流的信号激活时间，并减少交叉口处的延误，但因为实时交通数据难以获取，不仅始终没有达到自适应控制的预期效果，更无法适用于未来包含自动驾驶汽车在内的复杂混行交通环境。
2、而自动交叉口管理(aim)控制算法通过协调每辆自动驾驶汽车的运动轨迹来解决自动驾驶汽车在交叉口内部的冲突问题。每辆自动驾驶汽车按照优化后的运动轨迹移动，以此避免彼此间的碰撞，而不再完全依赖交通信号控制。但它无法控制行人和人驾车辆，且只考虑单个交叉口的管理，因此，一些研究开始考虑结合最大压强控制算法(mpc)和aim控制算法对交叉口自动驾驶汽车和行人进行管理，因为行人和自动驾驶汽车可以利用交通信号进行完全分离，分离后，自动驾驶汽车依旧可以利用aim控制算法高效控制。
3、虽然联合mpc方法和aim控制方法能够初步实现对自动驾驶汽车和行人混行交叉口网络的协同管理，但上述两种方法中所涉及的车辆都仅包含自动驾驶汽车，因为aim控制方法需要精确控制每辆车的运动才
4、由上可见，现有交通信号交叉口网络管理方法存在的主要问题如下：
5、(1)虽然目前自动交叉口管理方法能够帮助自动驾驶汽车进行运动规划，但是，该方法是依据交叉口自动驾驶汽车位置和速度信息进行优化控制的，并未考虑行人和人驾车辆，因此，优化后的自动驾驶汽车运动轨迹仅适用于没有行人和人驾车辆的情况，现有方法无法帮助交叉口对自动驾驶汽车、行人和人驾车辆进行管理。
6、(2)mpc控制算法的关键输入变量为交叉口各进口道的车流排队长度，该参数只有在纯自动驾驶环境下才可以根据车辆的共享信息得到，而在自动驾驶汽车、人驾车辆和行人共存的混行交叉口，各人行横道行人的排队长度和各进口道混合车流的排队长度均难以直接获取。
7、(3)mpc方法的研究也忽视了另外一个关键问题，虽然它能为交叉口各股车流的提供最优的释放顺序和信号时长，但如何处理各股车流进入交叉口内部以后的行为选择过程并未涉及，例如，交叉口内部自动驾驶汽车与人驾车辆如何进行行为选择避免冲突和保证效率。
技术实现思路
1、本专利技术所要解决的技术问题是提供一种考虑自动驾驶汽车的混行交叉口网络管理方法，允许同时激活人行横道和非冲突车流运动，有效提升了混行交叉口网络的运行安全和效率，降低了自动驾驶汽车、人驾车辆和行人的排队长度与延误，大大提升自动驾驶汽车、人驾车辆和行人混行条件下多交叉口网络的管理水平和运行效率。
2、本专利技术为解决上述技术问题而采用的技术方案是提供一种考虑自动驾驶汽车的混行交叉口网络管理方法，包括如下步骤：s1)基于概率分布和贝叶斯定理计算自动驾驶汽车和人驾车辆混合交通流排队长度，将结果作为最大压强控制方法的输入参数；s2)计算行人排队长度，将结果作为最大压强控制方法的第二个输入参数；s3)确定交叉口网络加权总压强；s4)采用最大压强控制方法计算最优混行交叉口网络信号控制方案；s5)选择自动驾驶汽车和人驾车辆行为。
3、进一步地，所述步骤s1将存在自动驾驶车辆的队列设为可观测队列，不存在自动驾驶车辆的队列设为不可观测队列，所述可观测队列分为显队列和隐队列，从离停车线最远的自动驾驶汽车到停车线之间的混合队列为显队列，最后一辆自动驾驶汽车到队尾之间的人驾车辆队列为隐队列。
4、进一步地，所述步骤s1先按显队列对可观测队列排队长度进行如下粗略估计：
5、
6、
7、oi′m′n′(t)表示队列的排队长度，vc(t)为自动驾驶车辆的平均速度，di′m′n′j′(t)为t时刻队列中自动驾驶车辆到停车线的距离；di′m′n′(t)为t时刻队列中离停车线最远的自动驾驶车辆到停车线的距离；表示t时刻队列中自动驾驶车辆的数量；
8、再针对隐队列按如下队尾误差函数进行修正：
9、
10、λ表示车道数；p″(t)表示人驾车辆的比例。
11、进一步地，所述步骤s1中不可观测队列排队长度估计如下：
12、
13、n′(oi′m′n′(t)＝l)表示调查周期内获取的数据中排队长度为l的队列数量，渗透率p′(t)为混合队列中每一辆车为自动驾驶车辆的概率。
14、进一步地，所述步骤s1中对于交叉口i′第m′个周期来说，车道n′的渗透率p′i′m′n′(t)公式如下：
15、
16、在估计开始，每个交叉口的动态渗透率未知，利用上述公式，交叉口i′第m′个周期所有车道自动驾驶车辆数量已知，初次迭代时，利用每个周期最后一辆自动驾驶车辆的位置统计队列长度，此队列长度作为上述公式的分母代入，得到初始估计渗透率，上限取为；此过程反复迭代，从0迭代到p′i′m′n′(t)的上限，直至上述公式两边的误差小于预设阈值后停止迭代计算，得到渗透率p′i′m′n′(t)的估计值；所有交叉口以此类推，获取各进口道动态渗透率。
17、进一步地，所述步骤s2采用如下公式计算最大行人排队长度：
18、
19、式中：为行人平均到达率；为行人等待时间，pmax为行人排队位置空间分布概率的最大值。
20、进一步地，所述步骤s4包括：s41)计算所有交叉口每个相位的权重；s42)计算所有交叉口控制方案集合s(t)中的每个可行控制矩阵压强；s43)选择所有交叉口压强最大的控制矩阵，对交叉口网络进行联合控制。
21、进一步地，所述步骤s4中最大压强控制方法的目标函数和约束条件如下：
22、
23、
24、
25、
26、
27、
28、
29、
30、
31、
32、式中：表示车辆的移动过程(i,j)是否经过人行横道n，经过否则所有人行横道的集合记为w，表示车辆的移动过程(i,j)是否经过冲突区h′∈{a′,b′,c′,d′}，经过,否则
33、进一步地，所述步骤s5选择影响驾驶员行为本文档来自技高网...
【技术保护点】
1.一种考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，包括如下步骤：
2.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S1将存在自动驾驶车辆的队列设为可观测队列，不存在自动驾驶车辆的队列设为不可观测队列，所述可观测队列分为显队列和隐队列，从离停车线最远的自动驾驶汽车到停车线之间的混合队列为显队列，最后一辆自动驾驶汽车到队尾之间的人驾车辆队列为隐队列。
3.如权利要求2所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S1先按显队列对可观测队列排队长度进行如下粗略估计：
4.如权利要求2所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S1中不可观测队列排队长度估计如下：
5.如权利要求4所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S1中对于交叉口i′第m′个周期来说，车道n′的渗透率p′i′m′n′(t)公式如下：
6.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S2采用如下公式计算
7.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S4包括：
8.如权利要求7所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S4中最大压强控制方法的目标函数和约束条件如下：
9.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S5选择影响驾驶员行为速度差的绝对值Δvα′β′(t)、到达冲突点的距离差Δdα′β′(t)以及到达冲突点的时间差的绝对值Δtα′β′(t))作为模糊逻辑的输入，构建模糊逻辑规则，并将推理结果去模糊化得到驾驶员感知风险值Riskjβ′(t)；所述模糊逻辑规则构建如下：
10.如权利要求9所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤S5先基于感知风险值确定人驾车辆行为选择，再根据人驾车辆行为选择结果，综合考虑信任效用、安全效用和效率，选择效用最大时所对应的行为进行状态更新，作为自动驾驶汽车的行为规划。
...【技术特征摘要】
1.一种考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，包括如下步骤：
2.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤s1将存在自动驾驶车辆的队列设为可观测队列，不存在自动驾驶车辆的队列设为不可观测队列，所述可观测队列分为显队列和隐队列，从离停车线最远的自动驾驶汽车到停车线之间的混合队列为显队列，最后一辆自动驾驶汽车到队尾之间的人驾车辆队列为隐队列。
3.如权利要求2所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤s1先按显队列对可观测队列排队长度进行如下粗略估计：
4.如权利要求2所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤s1中不可观测队列排队长度估计如下：
5.如权利要求4所述的考虑自动驾驶汽车的混行交叉口网络管理方法，其特征在于，所述步骤s1中对于交叉口i′第m′个周期来说，车道n′的渗透率p′i′m′n′(t)公式如下：
6.如权利要求1所述的考虑自动驾驶汽车的混行交叉口网络管理方法...
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。