网联自动驾驶混行车流动态控制方法、系统、装置及介质与流程

1.本发明涉及自动驾驶领域，尤其是涉及一种网联自动驾驶混行车流动态控制方法、系统、装置及介质。


背景技术：

2.瓶颈点的交通拥堵一直是困扰交通管理者的难题。当上游流量超过瓶颈的容量时，不仅会造成车速震荡、加剧排队和延误，还会引发容量下降。3％～18％的容量下降可能会导致最大队列长度增加78％，总延迟时间增加135％。因此，瓶颈点上游的主动交通需求管控必不可少，即通过主动调控上游交通需求以使瓶颈点保持在适当的交通拥堵水平来防止道路崩溃。其中，可变限速控制(variable speed limits,vsl)是典型的主动交通管控手段，基于交通流基本图的路段流量、密度、速度关系，通过引导车辆速度来改变路段流量，使其适配下游瓶颈点通行能力。然而，现有技术主要依靠驾驶员的遵从率，通常效果不理想。
3.随着无线通信和车辆自动化技术的发展，网联自动驾驶车辆和人类驾驶车辆混行逐渐成为重要的道路交通研究场景。然而，现有的大多数研究，网联自动驾驶车辆仅仅是用于改善交通状态估计和提供预测信息，同时目前大部分研究者聚焦于静态的道路容量分析，难以体现混合车流状态随网联自动驾驶状态的动态变化规律，从而无法对网联自动驾驶车辆和人类驾驶车辆混行车流进行准确地交通管控。


技术实现要素：

4.本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种网联自动驾驶混行车流动态控制方法、系统、装置及介质，改变以往交通控制系统的开环性与被动性，避免了传统可变限速交通流管控高度依赖人类驾驶车辆遵从率的局限性，提高了交通流管控精度。
5.本发明的目的可以通过以下技术方案来实现：
6.一种网联自动驾驶混行车流动态控制方法，包括：
7.获取上游路段目标流量q1以及上游路段实际流量q2，计算目标流量改变量δq，计算公式为：
8.δq＝q1‑
q29.根据δq，通过混合车流动态变化模型求得上游路段的网联自动驾驶车辆的目标速度；
10.控制上游路段的网联自动驾驶车辆以目标速度行驶；
11.其中，所述的混合车流动态变化模型为：
[0012][0013][0014]
其中，为网联自动驾驶车辆在时间段[t,t δt]的目标速度，δψ为驾驶速度改变量，为路段j在时间段[t
‑
δt,t]的平均密度，v
f
为路段畅行速度，ξ
j
为路段j的网联自动驾驶车辆的渗透率，为路段上所有车辆的平均长度，t
lc
为路段上车辆换道的平均持续时间，为路段j在时间段[t
‑
δt,t]的空间平均速度，l为路段长度，k
jam
为路段阻塞密度；
[0015]
混合车流动态变化模型量化了网联自动驾驶车辆降速的阻碍效应和对人类驾驶车辆换道的影响，将微观车辆行为和宏观交通流状态联系起来，准确体现了网联自动驾驶车辆速度变化对路段流量的影响，根据目标流量改变量，通过混合车流动态变化模型求得网联自动驾驶车辆的目标速度，所述的网联自动驾驶车辆能够接收并100％执行目标速度，混行车流中，以网联自动驾驶车辆作为控制抓手，通过车车间的相互影响，可以间接调控人类驾驶车辆的速度，从而更精准地调控上游路段流量，改变以往交通控制系统的开环性与被动性，避免了传统可变限速交通流管控高度依赖人类驾驶车辆遵从率的局限性，提高了交通流管控精度，考虑了个体与群体利益协调，实现群体效益与个体最优之间的平衡。
[0016]
进一步地，所述的上游路段目标流量q1的获取过程包括：
[0017]
根据下游路段最大通行流量q3计算上游路段目标流量q1，计算公式为：
[0018]
q3＝λq2[0019]
其中，λ为设定比例，0＜λ＜1。
[0020]
进一步地，通过前馈控制方式控制网联自动驾驶车辆变速行驶。
[0021]
进一步地，通过反馈控制方式控制网联自动驾驶车辆变速行驶。
[0022]
一种网联自动驾驶混行车流动态控制系统，包括：
[0023]
流量获取模块，用于获取上游路段目标流量q1以及上游路段实际流量q2；
[0024]
流量计算模块，用于计算目标流量改变量δq，计算公式为：
[0025]
δq＝q1‑
q2[0026]
速度计算模块，用于根据δq，通过混合车流动态变化模型求得上游路段的网联自动驾驶车辆的目标速度；
[0027]
速度控制模块，用于控制上游路段的网联自动驾驶车辆以目标速度行驶；
[0028]
其中，所述的混合车流动态变化模型为：
[0029][0030][0031]
其中，为网联自动驾驶车辆在时间段[t,t δt]的目标速度，δψ为驾驶速度改变量，为路段j在时间段[t
‑
δt,t]的平均密度，v
f
为路段畅行速度，ξ
j
为路段j的网联自动驾驶车辆的渗透率，为路段上所有车辆的平均长度，t
lc
为路段上车辆换道的平均持续时间，为路段j在时间段[t
‑
δt,t]的空间平均速度，l为路段长度，k
jam
为路段阻塞密度。
[0032]
进一步地，所述的上游路段目标流量q1的获取过程包括：
[0033]
所述的流量获取模块根据下游路段最大通行流量q3计算上游路段目标流量q1，计
算公式为：
[0034]
q3＝λq2[0035]
其中，λ为设定比例，0＜λ＜1。
[0036]
进一步地，所述的速度控制模块通过前馈控制方式控制网联自动驾驶车辆变速行驶。
[0037]
进一步地，所述的速度控制模块通过反馈控制方式控制网联自动驾驶车辆变速行驶。
[0038]
一种网联自动驾驶混行车流动态控制装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述程序指令能够执行任一所述的控制方法。
[0039]
一种计算机可读存储介质，包括计算机程序，所述计算机程序能够被处理器执行以实现任一所述的控制方法。
[0040]
与现有技术相比，本发明具有以如下有益效果：
[0041]
本发明混合车流动态变化模型量化了网联自动驾驶车辆降速的阻碍效应和对人类驾驶车辆换道的影响，将微观车辆行为和宏观交通流状态联系起来，准确体现了网联自动驾驶车辆速度变化对路段流量的影响，根据目标流量改变量，通过混合车流动态变化模型求得网联自动驾驶车辆的目标速度，网联自动驾驶车辆能够接收并100％执行目标速度，混行车流中，以网联自动驾驶车辆作为控制抓手，通过车车间的相互影响，可以间接调控人类驾驶车辆的速度，从而更精准地调控上游路段流量，改变以往交通控制系统的开环性与被动性，避免了传统可变限速交通流管控高度依赖人类驾驶车辆遵从率的局限性，提高了交通流管控精度，考虑了个体与群体利益协调，实现群体效益与个体最优之间的平衡。
附图说明
[0042]
图1为本发明的方法流程示意图；
[0043]
图2为前馈控制方式示意图；
[0044]
图3为反馈控制方式示意图。
具体实施方式
[0045]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0046]
混合车流包括网联自动驾驶车辆(connected automated vehicles，cavs)和人类驾驶车辆(human
‑
driven vehicles，hvs)，一辆减速的cavs对hvs的影响包括：
[0047]
增加跟车hvs的旅行时间，导致跟车hvs换至其他车道。通过计算cavs速度降低引发的路段旅行时间增加比率和增加的换道数量，可量化cavs对混合车流环境造成的扰动。
[0048]
cavs速度降低引发的路段旅行时间增加比率的计算公式为：
[0049]
[0050][0051]
其中，ξ
j
为路段j的cavs的渗透率，为路段j在时间段[t
‑
δt,t]的空间平均速度，为cavs在时间段[t,t δt]的目标速度，即所有cavs的期望平均速度，δt为cavs速度改变指令的时间间隔。
[0052]
cavs速度降低引发增加的换道概率的计算公式为：
[0053][0054]
其中，v
f
为路段畅行速度，为路段j在时间段[t
‑
δt1,t]的平均密度，l为路段长度，为路段上所有车辆的平均长度；
[0055]
路段换道车辆数采用来统计，cavs降速增加的换道数量为：
[0056][0057]
结合公式(3)和公式(4)，
[0058]
cavs速度降低引发增加的换道数量的计算公式为：
[0059][0060]
对于跟车的hvs，路段旅行时间的增加可看作同一时间下该车辆车身被拉长，而换道的车辆则会同时占据两个车道，相当于两辆幽灵车，cavs降速后增加的幽灵车辆数的计算公式为：
[0061][0062]
其中，t
lc
为路段上车辆换道的平均持续时间，可通过观测统计得到。
[0063]
计算路段密度的时空占有率，计算公式为：
[0064][0065][0066]
其中，为路段j在时间段[t
‑
δt,t]的平均密度，为路段j在时间段[t,t δt1]
的平均密度，为时间段[t
‑
δt,t]内路段j上第i辆车的旅行时间，为时间段[t
‑
δt,t]内路段j上所有车辆数量；
[0067]
cavs速度控制前后路段密度间的解析关系为：
[0068][0069]
基于green shields密度
‑
流量基本图或三角形基本图关系，得到cavs速度变化与路段流量的关系：
[0070][0071]
建立以cavs速度为控制量，路段流量为状态量的混合车流动态变化模型，混合车流动态变化模型具体为：
[0072][0073]
其中，δq为流量改变量，k
jam
为路段阻塞密度，δψ为cavs速度改变量，若路段换道车辆数采用流量来统计，则cavs降速引发增加的换道数量为：
[0074][0075]
则混合车流动态变化模型，即公式(11)可写为如下形式：
[0076][0077]
实施例1
[0078]
一种网联自动驾驶混行车流动态控制方法，如图1，包括：
[0079]
1)获取上游路段目标流量q1以及上游路段实际流量q2，计算目标流量改变量δq，计算公式为：
[0080]
δq＝q1‑
q2[0081]
2)根据δq，通过混合车流动态变化模型，即公式(13)，求得上游路段的网联自动驾驶车辆的目标速度；
[0082]
3)控制上游路段的网联自动驾驶车辆cavs以目标速度行驶。
[0083]
混合车流动态变化模型量化了网联自动驾驶车辆cavs降速的阻碍效应和对人类驾驶车辆hvs换道的影响，将微观车辆行为和宏观交通流状态联系起来，准确体现了cavs速度变化对路段流量的影响，根据目标流量改变量，通过混合车流动态变化模型求得网联自动驾驶车辆的目标速度，cavs能够接收并100％执行目标速度，混行车流中，以cavs作为控制抓手，通过车车间的相互影响，可以间接调控hvs的速度，从而更精准地调控上游路段流量，改变以往交通控制系统的开环性与被动性，避免了传统可变限速交通流管控高度依赖hvs遵从率的局限性，提高了交通流管控精度，考虑了个体与群体利益协调，实现群体效益与个体最优之间的平衡。
[0084]
上游路段目标流量q1的获取过程包括：
[0085]
根据下游路段最大通行流量q3计算上游路段目标流量q1，计算公式为：
[0086]
q3＝λq2[0087]
其中，λ为设定比例，0＜λ＜1。
[0088]
如图2，步骤3)通过前馈控制方式控制cavs变速行驶，提前在上游路段进行流量控
制，通过混合车流动态变化模型求得cavs目标速度，通过路侧通讯设备将变速指令发送给混合车流中的cavs，来实现上游流量的调控，匹配下游的通行能力，避免交通拥堵，从而减少停车延误。
[0089]
实施例2
[0090]
如图3，本实施例中，步骤3)通过反馈控制方式控制网联自动驾驶车辆变速行驶，基于混合车流动态变化模型设计反馈控制器，给定上游路段的目标流量，计算cavs目标速度，实施cavs速度控制后，通过实时交通状态检测，对比控制后的交通系统的实际输出流量与目标流量的差值，进行反馈校正下一步的cavs目标速度，通过上游cavs速度控制来调控路段输出流量，从而避免下游瓶颈点的交通拥堵。
[0091]
实施例3
[0092]
一种网联自动驾驶混行车流动态控制系统，包括：
[0093]
流量获取模块，用于获取上游路段目标流量q1以及上游路段实际流量q2；
[0094]
流量计算模块，用于计算目标流量改变量δq，计算公式为：
[0095]
δq＝q1‑
q2[0096]
速度计算模块，用于根据δq，通过混合车流动态变化模型求得上游路段的网联自动驾驶车辆的目标速度；
[0097]
速度控制模块，用于控制上游路段的网联自动驾驶车辆以目标速度行驶；
[0098]
其中，混合车流动态变化模型为：
[0099]
[0100][0101]
其中，为网联自动驾驶车辆在时间段[t,t δt]的目标速度，δψ为驾驶速度改变量，为路段j在时间段[t
‑
δt,t]的平均密度，v
f
为路段畅行速度，ξ
j
为路段j的网联自动驾驶车辆的渗透率，为路段上所有车辆的平均长度，t
lc
为路段上车辆换道的平均持续时间，为路段j在时间段[t
‑
δt,t]的空间平均速度，l为路段长度，k
jam
为路段阻塞密度。
[0102]
混合车流动态变化模型量化了网联自动驾驶车辆cavs降速的阻碍效应和对人类驾驶车辆hvs换道的影响，将微观车辆行为和宏观交通流状态联系起来，准确体现了cavs速度变化对路段流量的影响，根据目标流量改变量，通过混合车流动态变化模型求得网联自动驾驶车辆的目标速度，cavs能够接收并100％执行目标速度，混行车流中，以cavs作为控制抓手，通过车车间的相互影响，可以间接调控hvs的速度，从而更精准地调控上游路段流量，改变以往交通控制系统的开环性与被动性，避免了传统可变限速交通流管控高度依赖hvs遵从率的局限性，提高了交通流管控精度，考虑了个体与群体利益协调，实现群体效益与个体最优之间的平衡。
[0103]
上游路段目标流量q1的获取过程包括：
[0104]
流量获取模块根据下游路段最大通行流量q3计算上游路段目标流量q1，计算公式为：
[0105]
q3＝λq2[0106]
其中，λ为设定比例，0＜λ＜1。
[0107]
速度控制模块通过前馈控制方式或反馈控制方式控制网联自动驾驶车辆变速行驶。
[0108]
实施例4
[0109]
一种网联自动驾驶混行车流动态控制装置，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述程序指令能够执行实施例1所述的控制方法。
[0110]
实施例5
[0111]
一种计算机可读存储介质，包括计算机程序，所述计算机程序能够被处理器执行以实现实施例1所述的控制方法。
[0112]
实施例1、实施例2、实施例3、实施例4和实施例5提出了一种网联自动驾驶混行车流动态控制方法、系统、装置及介质，通过引入幽灵车辆概念，量化网联自动驾驶车辆降速的阻碍效应和对人类驾驶换道的影响，利用基于green shields密度
‑
流量基本图或三角形基本图关系，将微观车辆行为和宏观交通流状态联系起来，建立混合车流动态变化模型，量化了网联自动驾驶车辆cavs降速的阻碍效应和对人类驾驶车辆hvs换道的影响，将微观车辆行为和宏观交通流状态联系起来，准确体现了cavs速度变化对路段流量的影响，从而实现对上游路段混行车流流量进行精准控制。
[0113]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无
需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。