优先路权条件下混合车辆群体的协同控制系统及其方法

1.本发明涉及智能交通控制技术领域，尤其是涉及一种优先路权条件下混合车辆群体的协同控制系统及其方法。


背景技术：

2.近年来，随着网联化、自动化与智能化等技术的蓬勃发展，车路协同已经成为交通领域的前沿技术和和必然趋势。在车路协同技术的助力下，交通主体的形态也将发生巨大的革新，即从单一的人类驾驶交通群体向人类驾驶车辆和网联自动驾驶车辆混合的新型混合交通群体过渡，最终目标是整个交通群体都实现高水平的网联自动化。因此，由人类驾驶车辆和网联自动驾驶车辆共同组成的新型混合交通群体将是目前长期存在的一种交通群体形态。
3.而对于新型混合交通群体，如何保证特殊车辆(即网联自动驾驶车辆)绝对优先条件、同时最大化社会车辆的效益，是当前车路协同亟需解决的问题。


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优先路权条件下混合车辆群体的协同控制系统及其方法，通过混合车辆群体车载ecu(electronic control unit，电子控制单元)分布式计算，以实现网联自动驾驶车辆与人类驾驶车辆之间的协作驾驶，从而在保证特殊车辆绝对优先的条件下，最大化社会车辆的效益。
5.本发明的目的可以通过以下技术方案来实现：一种优先路权条件下混合车辆群体的协同控制系统，包括状态信息获取模块，所述状态信息获取模块分别连接至路侧集中式计算模块和车载ecu分布式计算模块，所述车载ecu分布式计算模块布置在各网联自动驾驶车辆上，所述路侧集中式计算模块与车载ecu分布式计算模块相互连接，所述车载ecu分布式计算模块连接有控制执行模块，所述状态信息获取模块用于获取车辆状态信息以及信号灯状态信息；
6.所述路侧集中式计算模块根据车辆状态信息以及信号灯状态信息，计算输出得到群体决策命令；
7.所述车载ecu分布式计算模块根据车辆状态信息、信号灯状态信息以及群体决策命令，计算输出得到网联自动驾驶车辆对应的控制指令；
8.所述控制执行模块用于将控制指令应用于对应的网联自动驾驶车辆，使受控的网联自动驾驶车辆按照设定的轨迹方案行驶。
9.进一步地，所述路侧集中式计算模块包括依次连接的优先路权需求响应单元和集中式决策单元，所述优先路权需求响应单元用于接收并响应特殊车辆路权优先的请求，当特殊车辆进入控制区域，能够为特殊车辆提供信号优先，并引导特殊车辆无障碍、高效通过交叉口；
10.所述集中式决策单元用于决策网联自动驾驶车辆的路权，即网联自动驾驶车辆对
车道的占用以及通过交叉口的时间范围。
11.进一步地，所述车载ecu分布式计算模块包括到达时间预测单元、前车轨迹预测单元和车载ecu分布控制器，所述到达时间预测单元用于预测混合交通群体中车辆到达信号交叉口的时间；
12.所述前车轨迹预测单元用于预测混合交通群体中受控车辆的前方车辆的运行轨迹；
13.所述车载ecu分布控制器用于对混合交通群体中网联自动驾驶车辆进行轨迹控制。
14.一种优先路权条件下混合车辆群体的协同控制方法，包括以下步骤：
15.s1、状态信息获取模块实时采集车辆状态信息以及信号灯状态信息，并分别传输给路侧集中式计算模块、车载ecu分布式计算模块；
16.s2、根据车辆状态信息以及信号灯状态信息，路侧集中式计算模块通过接收并响应特殊车辆路权优先的请求、对车辆占用车道以及通过交叉口的时间范围进行决策，以得到群体决策命令，并输出给车载ecu分布式计算模块；
17.s3、根据车辆状态信息、信号灯状态信息以及群体决策指令，车载ecu分布式计算模块对受控的网联自动驾驶车辆依次进行到达时间预测、前车轨迹预测和车载ecu分布式控制，以输出得到受控网联自动驾驶车辆的控制轨迹数据、并发送给控制执行模块；
18.s4、根据接收的控制轨迹数据，控制执行模块控制受控网联自动驾驶车辆按照控制轨迹数据行驶。
19.进一步地，所述车辆状态信息包括受控区域内所有车辆在当前时刻t的占用车道、纵向位置、速度；
20.所述信号灯状态信息包括信号方案、当前时刻t在信号周期中的相对位置，所述信号方案包括信号周期、绿灯时长以及红灯时长。
21.进一步地，所述步骤s3具体包括以下步骤：
22.s31、按照设定的间隔时间，车载ecu分布式计算模块对受控车辆到达信号交叉口的时间进行预测；
23.s32、车载ecu分布式计算模块进一步对受控车辆的前方车辆轨迹进行预测；
24.s33、以混合交通车辆群体通过交叉口的通行效率、油耗和交通延误作为控制目标函数，结合设定的控制约束条件，由车载ecu分布式计算模块求解得到受控车辆的控制轨迹数据、并发送给控制执行模块。
25.进一步地，所述受控车辆到达信号交叉口的预测时间具体为：
[0026][0027][0028]
[0029]
其中，为车辆n初始预测到达交叉口的时刻，它由前车到达交叉口时刻加上一个安全的车头时距th和该车最早到达交叉口的时刻共同决定，t0为当前时刻，l是控制区域的长度，为车辆n当前时间步的速度，v
max
和a
max
分别为最大限速和最大加速度，为当车辆n根据信号灯周期修正后的预测到达时间，r和g分别为在一个信号周期内红灯时长和绿灯时长，为信号灯的绿灯时间集合。
[0030]
进一步地，所述受控车辆的前方车辆的预测轨迹具体为：
[0031]
若前方车辆为网联自动驾驶车辆，则以该网联自动驾驶车辆对应的控制轨迹作为预测轨迹；
[0032]
若前方车辆为人类驾驶车辆，则利用驾驶员模型对该人类驾驶车辆轨迹进行预测：
[0033][0034][0035][0036][0037][0038]
其中，ao为当人类驾驶车辆能够和前方车辆在同一个绿灯信号相位通过交叉口时的预测加速度，a
l
为人类驾驶车辆无法和前方车辆在同一个绿灯信号相位通过交叉口的预测加速度，为目标预测人类驾驶车辆k和前方车辆n的期望最小间距，表示车辆无法同前方车辆在相同相位通过而遇到红灯停车时的间隔距离，s0为车辆间最小的安全车距，为目标车辆在当前时间步t的速度，th为车辆的安全车头时距，为目标车辆与前车的速度差，ad为车辆期望减速度，tr为红灯启亮时间，为车辆c在时间步t内的加速度。
[0039]
进一步地，所述控制目标函数具体为：
[0040][0041]
其中，x，v，a分别为车辆位置、速度和加速度变量集合，τc、分别为车辆c从进入控制区域到通过交叉口的行程时间和车辆c在时间步t的加速度，和分别为车辆c在规划时间步结束时通过交叉口的位置和速度，l是控制区域的长度，α、β和μ分别为控制目标
函数内的三个权重系数项。
[0042]
进一步地，所述设定的控制约束条件包括运动学约束、安全避撞约束和信号灯约束。
[0043]
进一步地，所述运动学约束具体为：
[0044][0045][0046][0047][0048]
其中，分别为车辆c在时间步t的位置、速度和加速度，v
min
、v
max
、a
min
、a
max
分别为车辆的最小速度、最大速度、最小加速度以及最大加速度，nc为网联自动驾驶车辆集合；
[0049]
所述安全避撞约束具体为：
[0050][0051][0052]
其中，为目标车辆c所在前方车辆的位置，s0和τ0分别为车辆安全间隔和制动反应时间，ln和lb分别为普通社会车辆的车长和公交车辆的车长，n为所有车辆群体集合，b为公交车辆集合；
[0053]
所述信号灯约束具体为：
[0054][0055][0056]
其中，t0和分别为分布式控制求解模型优化时域的起始时刻及结束时刻，且恰好为信号周期绿末时刻，ξc分别为二进制辅助变量，当车辆c可以在当前优化时域内通过交叉口时，ξc＝1，反之，ξc＝0。
[0057]
与现有技术相比，本发明通过设置状态信息获取模块，将状态信息获取模块分别连接至路侧集中式计算模块和车载ecu分布式计算模块，利用网联自动驾驶车辆上布置的车载ecu分布式计算模块，一方面能够在车辆实时运行的过程中高效快速地实现优化控制方案的求解，保证车辆轨迹的精确化控制；另一方面能够实现特殊车辆和其他社会车辆的协同优化，在保证特殊车辆优先路权能够得到绝对响应的同时，实现社会车辆运行效益的最大化、提高道路交通资源的利用效率。
[0058]
本发明利用车载ecu分布式计算模块，分别对受控的网联自动驾驶车辆进行到达时间预测、前车轨迹预测以及控制轨迹求解，由此能够充分考虑混合车辆群体中人类驾驶车辆行为的不确定性，保证受控车辆在行驶到停车线处可以不停车通过信号交叉口，从而提高交叉口交通运行效率和降低交通延误；
[0059]
通过前车轨迹预测则能够有效提高后续受控车辆控制轨迹的求解效率；
[0060]
结合控制目标函数以及控制约束进行受控车辆的控制轨迹求解，能够实现网联自动驾驶车辆与人类驾驶车辆之间的协作驾驶，使所有车辆安全通过信号交叉口，能够在保
证交叉口通过量的基础上，最小化车辆出行时间及油耗。
附图说明
[0061]
图1为本发明的系统结构示意图；
[0062]
图2为本发明的方法流程示意图；
[0063]
图3为实施例的应用过程示意图；
[0064]
图中标记说明：1、状态信息获取模块，2、路侧集中式计算模块，3、车载ecu分布式计算模块，4、控制执行模块，201、优先路权需求响应单元，202、集中式决策单元，301、到达时间预测单元，302、前车轨迹预测单元，303、车载ecu分布控制器。
具体实施方式
[0065]
下面结合附图和具体实施例对本发明进行详细说明。
[0066]
实施例
[0067]
如图1所示，一种优先路权条件下混合车辆群体的协同控制系统，包括状态信息获取模块1，状态信息获取模块1分别连接至路侧集中式计算模块2和车载ecu分布式计算模块3，车载ecu分布式计算模块1布置在各网联自动驾驶车辆上，路侧集中式计算模块2与车载ecu分布式计算模块3相互连接，车载ecu分布式计算模块3连接有控制执行模块4，状态信息获取模块1用于获取车辆状态信息以及信号灯状态信息；
[0068]
路侧集中式计算模块2根据车辆状态信息以及信号灯状态信息，计算输出得到群体决策命令；
[0069]
车载ecu分布式计算模块3根据车辆状态信息、信号灯状态信息以及群体决策命令，计算输出得到网联自动驾驶车辆对应的控制指令；
[0070]
控制执行模块4用于将控制指令应用于对应的网联自动驾驶车辆，使受控的网联自动驾驶车辆按照设定的轨迹方案行驶。
[0071]
其中，路侧集中式计算模块2包括依次连接的优先路权需求响应单元201和集中式决策单元202，优先路权需求响应单元201用于接收并响应特殊车辆路权优先的请求，当特殊车辆进入控制区域，能够为特殊车辆提供信号优先，并引导特殊车辆无障碍、高效通过交叉口；
[0072]
集中式决策单元202用于决策网联自动驾驶车辆的路权，即网联自动驾驶车辆对车道的占用以及通过交叉口的时间范围。
[0073]
车载ecu分布式计算模块3包括到达时间预测单元301、前车轨迹预测单元302和车载ecu分布控制器303，到达时间预测单元301用于预测混合交通群体中车辆到达信号交叉口的时间；
[0074]
前车轨迹预测单元302用于预测混合交通群体中受控车辆的前方车辆的运行轨迹；
[0075]
车载ecu分布控制器303用于对混合交通群体中网联自动驾驶车辆进行轨迹控制。
[0076]
将上述系统应用于实际，以实现一种优先路权条件下混合车辆群体的协同控制方法，如图2所示，包括以下步骤：
[0077]
s1、状态信息获取模块实时采集车辆状态信息(包括受控区域内所有车辆在当前
时刻t的占用车道、纵向位置、速度)以及信号灯状态信息(信号方案、当前时刻t在信号周期中的相对位置，信号方案包括信号周期、绿灯时长以及红灯时长)，并分别传输给路侧集中式计算模块、车载ecu分布式计算模块；
[0078]
s2、根据车辆状态信息以及信号灯状态信息，路侧集中式计算模块通过接收并响应特殊车辆路权优先的请求、对车辆占用车道以及通过交叉口的时间范围进行决策，以得到群体决策命令，并输出给车载ecu分布式计算模块；
[0079]
s3、根据车辆状态信息、信号灯状态信息以及群体决策指令，车载ecu分布式计算模块对受控的网联自动驾驶车辆依次进行到达时间预测、前车轨迹预测和车载ecu分布式控制，以输出得到受控网联自动驾驶车辆的控制轨迹数据(包括车辆的横纵向位置、车辆速度和车辆加速度)、并发送给控制执行模块，具体的：
[0080]
首先按照设定的间隔时间，车载ecu分布式计算模块对受控车辆到达信号交叉口的时间进行预测；
[0081]
之后车载ecu分布式计算模块进一步对受控车辆的前方车辆轨迹进行预测；
[0082]
再以混合交通车辆群体通过交叉口的通行效率、油耗和交通延误作为控制目标函数，结合设定的控制约束条件，由车载ecu分布式计算模块求解得到受控车辆的控制轨迹数据、并发送给控制执行模块；
[0083]
s4、根据接收的控制轨迹数据，控制执行模块控制受控网联自动驾驶车辆按照控制轨迹数据行驶。
[0084]
本实施例应用上述技术方案，如图3所示，优先路权条件下混合车辆群体车载ecu分布式控制计算框架由四个模块组成：状态信息获取模块、路侧集中式计算模块、车载ecu分布式计算模块以及控制执行模块。
[0085]
一、状态信息获取模块
[0086]
状态信息获取模块为路侧集中式计算及车载ecu分布式计算提供基础数据输入，该模块可采用检测器和传感器的方式，该模块获取的信息包括车辆状态信息以及信号灯状态信息。其中，车辆状态信息是指受控区域内所有车辆在当前时刻t的占用车道、纵向位置、速度等，信号灯状态信息包括了信号方案(周期、绿灯时长、红灯时长)、当前时刻t在信号周期中的相对位置等。
[0087]
二、路侧集中式计算模块
[0088]
路侧集中式计算模块主要用于优先路权的确定及混合交通群体的行为决策，即对特殊车辆优先需求响应和车辆是否需要换道进行决策。该模块会接收车辆状态、信号灯状态等信息，并输出群体决策命令到车载分布式计算模块。它包含两个子模块：特殊车辆的优先路权需求响应、混合交通群体集中式决策。特殊车辆的优先路权需求响应子模块主要用于接收并响应特殊车辆路权优先的请求，当特殊车辆进入控制区域，路侧单元可以为特殊车辆提供信号优先，并引导特殊车辆无障碍、高效通过交叉口。混合交通群体集中式决策子模块主要用于决策网联自动驾驶车辆的路权，即车辆对车道的占用以及通过交叉口的时间范围。该决策指令将发送至车载ecu分布式计算模块。
[0089]
三、车载ecu分布式计算模块
[0090]
车载ecu分布式计算模块为受控的网联自动驾驶车提供控制指令。该模块将迭代每一辆网联自动驾驶车，并执行每辆车自带的车载ecu分布式控制子模块。该子模块计算得
到控制指令，并将控制指令交由控制执行模块执行。车载ecu分布式控制将在每辆网联自动驾驶车上独自计算实现。
[0091]
本实施例中，路侧集中式计算模块输出的决策信息传输到达车辆的车载ecu端，以进行短时更新地分布式计算，车载ecu端在已知周围车辆状态信息和交叉口信号灯方案信息的条件下，进行周期小于0.1秒的分布式计算，获得精确的轨迹优化控制方案，最后控制网联自动驾驶车辆执行轨迹控制方案。
[0092]
四、控制执行模块
[0093]
控制执行模块是将控制指令应用于每一辆网联自动驾驶车辆上，使得车辆按照预期的轨迹方案行驶，进而间接控制整个混合交通群体的运行。
[0094]
车载ecu分布式计算控制过程是本技术方案的核心，网联自动驾驶车辆可以通过车载ecu分布式计算实现与特殊车辆对道路资源的协同利用，保证在混合群体交通环境下特殊车辆获得优先路权；网联自动驾驶车辆通过及时感知周围车辆状态信息(位置、速度和加速度等)，通过车载ecu端进行泛在分布式计算，从而求解最优的轨迹优化控制方案。
[0095]
本技术方案中，车载ecu分布式计算模块需要在每个时间步内对车辆轨迹控制方案进行迭代求解，其主要分为三个部分：到达时间预测、前车轨迹预测和车载ecu分布式控制器。
[0096]
1)到达时间预测
[0097]
到达时间预测是车载分布式控制方法中首要的环节，其预测结果将影响车辆何时并以何种轨迹通过信号交叉口。在城市道路信号交叉口的场景中，新型混合交通群体的到达时间预测需动态考虑信号周期的绿灯窗，以尽可能保证车辆在行驶到停车线处可以不停车通过信号交叉口，从而提高交叉口交通运行效率和降低交通延误。但由于混合交通群体中的人类驾驶车辆行为具有不确定性，分布式控制方法需在设定间隔时间的时间步(本实施例设定为0.1s)内对到达时间重新进行预测，以保证车载分布式计算的控制方案具有良好的可行性，满足快速路和城市道路多场景下的混合车辆群体协同控制需求，实现控制算法的快速更迭、计算、求解与应用。车辆到达时间预测如下所示：
[0098][0099][0100][0101]
其中，是车辆n初始预测到达交叉口的时刻，它由前车到达交叉口时刻加上一个安全的车头时距th和该车最早到达交叉口的时刻共同决定。t0表示当前时刻，l是控制区域的长度，表示车辆n当前时间步的速度，v
max
和a
max
分别为最大限速和最大加速度。是当车辆n根据信号灯周期修正后的预测到达时间，分为车辆初始预测时间在绿灯时间内以及不在绿灯时间范围内，r和g分别代表在一个信号周期内红灯时长和绿灯时长，
表示信号灯的绿灯时间集合。
[0102]
2)前车轨迹预测
[0103]
前车轨迹预测是车载分布式控制方法中十分关键的步骤。车载分布式计算的个体在进行轨迹方案规划的过程中能够极大提高求解效率并降低算法复杂度甚至避免维度诅咒，其主要原因是目标受控车辆只考虑与其能够产生直接影响作用的相邻车辆轨迹方案。因此，为得到目标受控车辆的轨迹方案，还需建立对前车轨迹的预测。若前车为网联自动驾驶车辆，则以其自身规划的轨迹为预测轨迹；若前车为人类驾驶车辆，则利用驾驶员模型对其轨迹进行预测：
[0104][0105][0106][0107][0108][0109]
其中，ao为当人类驾驶车辆能够和前方车辆在同一个绿灯信号相位通过交叉口时的预测加速度，a
l
为人类驾驶车辆无法和前方车辆在同一个绿灯信号相位通过交叉口的预测加速度。为目标预测人类驾驶车辆k和前方车辆n的期望最小间距，表示车辆无法同前方车辆在相同相位通过而遇到红灯停车时的间隔距离，s0为车辆间最小的安全车距，为目标车辆在当前时间步t的速度，th为车辆的安全车头时距，为目标车辆与前车的速度差，ad为车辆期望减速度，tr为红灯启亮时间，为车辆c在时间步t内的加速度。
[0110]
3)车载ecu分布控制器
[0111]
分布式控制器是为控制区域内混合交通群体中的网联自动驾驶车辆规划通过城市信号交叉口的轨迹方案，由于分布式控制器可以对混合交通群体中网联自动驾驶车辆进行精准化轨迹级控制，在此基础上，分布式控制器一方面可以通过网联自动驾驶车辆为抓手调控人类驾驶车辆行为，另一方面可以通过轨迹级控制保证网联自动车辆在与特殊车辆共用优先车道时可以满足特殊车辆的优先路权需求响应，进而实现整个混合交通群体的管控。
[0112]
i.控制目标
[0113]
在保证特殊车辆能够获得绝对的路权优先条件下，分布式控制器的控制目标有三个，分别是混合交通群体通过交叉口的通行效率、油耗和交通延误。目标函数如下所示：
[0114][0115]
其中x，v，a分别代表车辆位置、速度和加速度变量集合，τc，分别代表车辆c在从进入控制区域到通过交叉口的行程时间和车辆c在时间步t的加速度，和分别代表车辆c在规划时间步结束时通过交叉口的位置和速度，l是控制区域的长度。α，β和μ是目标函数内的三个不同权重系数项。
[0116]
ii.控制约束
[0117]
1)运动学约束
[0118]
在城市道路上，新型混合交通群体的运行需要满足道路基本安全速度和加速度限制，同时满足基础的车辆运动学约束。其约束形式如下所示：
[0119][0120][0121][0122][0123]
其中分别代表车辆c在时间步t的位置，速度和加速度，v
min
，v
max
，a
min
和a
max
分别代表最小速度，最大速度，最小加速度以及最大加速度，nc为网联自动驾驶车辆集合。
[0124]
2)安全避撞约束
[0125]
新型混合交通群体中的目标网联自动驾驶车辆通过车载分布式控制器计算出的轨迹方案应当与前车的轨迹方案之间满足安全避撞约束。当目标车辆换道至优先车道且后方为特殊车辆时，其通过车载分布式控制器计算出的轨迹方案要与前车和后车都满足安全避撞约束。约束的具体形式如下所示：
[0126][0127][0128]
其中为目标车辆c所在前方车辆的位置，s0和τ0分别为车辆安全间隔和制动反应时间，ln和lb分别为普通社会车辆的车长和公交车辆的车长，n为所有车辆群体集合，b为公交车辆集合。
[0129]
3)信号灯约束
[0130]
在通过城市道路信号交叉口的过程，车辆轨迹方案需要满足信号灯约束，即车辆只能够在绿灯时间内通过交叉口，若无法按照规定轨迹方案在规定周期的绿灯时间内通过交叉口时，经过车载分布式迭代计算的网联自动驾驶车辆讲调整轨迹方案并重新选择之后信号周期内的绿灯时间通过交叉口。当人类驾驶车辆到达交叉口遇到红灯时，则需要进行停车并等待下一个周期信号绿灯启亮后通过交叉口。
[0131][0132]
[0133]
其中，t0和分别为分布式控制求解模型优化时域的起始时刻及结束时刻，且恰好为信号周期绿末时刻。ξc分别为二进制辅助变量，当车辆c可以在当前优化时域内通过交叉口时，ξc＝1，反之，ξc＝0。
[0134]
iii.控制求解
[0135]
车载分布式控制器的求解是以最小化控制目标函数为导向，获得目标车辆从当前位置到通过交叉口过程中的轨迹优化方案。由于所求解的优化模型为典型的混合整数线性规划模型，故可以采用现有的成熟的求解器(如gurobi、cplex等)求解。
[0136]
minj(x，v，a)
[0137]
综上可知，在混合车辆群体交通流环境下，本技术方案能够在保证特殊车辆优先的同时，通过车载ecu的泛在分布式计算实现混合车辆群体的协同控制，从而有效改善大规模混合车辆群体的交通通行效益。