基于孪生车道的大规模无人驾驶车辆换道的云调度方法

本发明属于无人驾驶，主要涉及一种基于孪生车道的大规模无人驾驶车辆换道的云调度方法。

背景技术：

1、近年来，在云计算和人工智能等新兴技术的推动下，汽车产业正在不断深化变革，自动驾驶技术正从l3有条件自动驾驶向l5完全自动驾驶发展，大规模的无人驾驶将成为未来交通系统中的主流出行方式。车辆换道作为无人驾驶汽车最基本的决策行为，对车辆本身及道路交通系统的安全和性能有着至关重要的影响，如何实现复杂交通流下大规模车辆安全高效的换道调度一直是无人驾驶领域和智能交通系统的关键性问题。

2、然而现阶段的无人驾驶汽车换道调度方法存在以下问题：在决策主体方面，大多数无人驾驶汽车换道决策主体局限于车辆本身，车辆基于v2v通信获取的外界信息做出换道决策，由于其自身的感知和计算能力有限，难以大规模应用；在道路交通系统协作控制方面，缺乏统一的车辆变道动态协同规划机制，在大规模快速强制变道的复杂交通场景下车辆的变道需求、安全换道性能以及实时交通效率无法同时得到有效保障。因此，如何建立高安全、高效率的大规模无人驾驶车辆换道调度方法成为一个急需解决的问题，对未来智能交通系统的建设具有重要意义。

技术实现思路

1、本发明是为了解决上述现有技术存在的不足之处，提出一种基于孪生车道的大规模无人驾驶车辆换道的云调度方法，以期提高复杂交通流下大规模无人驾驶车辆换道调度的安全性与高效性，从而为车辆的安全驾驶、智能交通系统的开发建设提供理论支撑。

2、本发明为解决技术问题采用如下技术方案：

3、本发明一种基于孪生车道的大规模无人驾驶车辆换道的云调度方法的特点在于，是按如下步骤进行：

4、步骤1、建立云服务器的孪生车道区段模型；

5、所述云服务器调用高精地图获取孪生车道表征参数，从而建立孪生车道表征集合dl＝{dln|n＝1,2,…,n}，其中，dln表示第n个孪生车道的表征矩阵，且dln＝(al,n,ar,n,bn,hn,en,gn)，al,n和ar,n分别为第n个孪生车道左、右边界线的特征向量，bn为第n个孪生车道的宽度，hn为第n个孪生车道的高度，en为第n个孪生车道基本交通标识的特征向量，gn为第n个孪生车道的几何特征向量；n为孪生车道的总数；

6、所述云服务器将每个孪生车道均划分为联合换道的m个区段，任意一个联合换道区段的编号记为m，且m∈[1,m]；

7、定义tm为第m个联合换道区段车辆换道调度的起始时刻，δtm为第m个联合换道区段的车辆换道所需时间；

8、所述云服务器建立第m个联合换道区段在tm时刻下的换道车辆集合其中，表示第m个联合换道区段在tm时刻下的第s辆换道车辆，s为第m个联合换道区段在tm时刻下具有换道需求的车辆总数；

9、所述云服务器建立第m个联合换道区段在tm时刻下的车辆换道信息集合其中，为第m个联合换道区段在tm时刻下第s辆换道车辆所在的车道，为第m个联合换道区段在tm时刻下中第s辆换道车辆的目标车道；

10、所述云服务器建立第m个联合换道区段在tm时刻下第s辆换道车辆的换道车辆环境集合其中，表示的周围车辆，若e＝tf，则表示目标车道的前方车辆，若e＝tr，则表示目标车道的后方车辆，若e＝cf，则表示当前车道的前方车辆，若e＝cr，则表示当前车道的后方车辆；

11、所述云服务器建立第m个联合换道区段在tm时刻下第s辆换道车辆的换道车辆环境集合中的车辆信息集合其中，表示的车辆信息，且表示的车速，表示的加速度，表示的车身长度，表示的车身宽度，表示的车辆信息，且表示的车速，表示的加速度，表示的车身长度，表示的车身宽度；

12、所述云服务器以车道编号n＝1的左边界线与联合换道区段编号m＝1的左边界线交点为坐标原点，以车道编号递增方向为x轴正方向，以联合换道区段编号递增方向为y轴正方向，建立孪生车道坐标系oxy；

13、基于所述孪生车道坐标系oxy建立换道车辆环境集合中的车辆坐标集合其中，表示在tm时刻下的坐标，表示在tm时刻下的坐标；

14、步骤2、云服务器预测车辆间的时变距离；

15、步骤2.1、所述云服务器在tm时刻下预测tm+i时刻换道车辆环境集合中各车辆在i时间段内的坐标变换量，且i＜δtm；

16、步骤2.1.1、利用式(1)预测tm+i时刻下在i时间段内的横坐标变换量

17、

18、式(1)中，为tm时刻下所在车道的宽度，为tm时刻下的目标车道的宽度；

19、步骤2.1.2、利用式(2)预测tm+i时刻下在i时间段内的纵坐标变换量

20、

21、式(2)中，τ为车辆换道激励因子；

22、步骤2.1.3、利用式(3)预测tm+i时刻下在i时间段内的横坐标变换量

23、

24、式(3)中，为tm时刻下所在车道的宽度，为tm时刻下的目标车道的宽度，e∈{tf,tr,cf,cr}；

25、步骤2.1.4、利用式(4)预测tm+i时刻下在i时间段内的的纵坐标变换量

26、

27、式(4)中，τ为车辆换道激励因子，e∈{tf,tr,cf,cr}；

28、步骤2.2、所述云服务器在tm时刻下利用式(5)预测tm+i时刻下与的时变距离其中，e∈{tf,tr,cf,cr}；

29、

30、式(5)中，为tm+i时刻下的第一车身边缘航偏量，并有：

31、

32、式(6)中，为的车身长度，为tm+i时刻下的航偏角，为tm+i时刻下车身边缘点的纵坐标；

33、式(5)中，为tm+i时刻下的第二车身边缘航偏量，并有：

34、

35、式(7)中，η为车辆环境系数，若e∈{tf,tr}，令η＝1，若e∈{cf,cr}，令η＝-1，为tm+i时刻下的航偏角，为tm+i时刻下车身边缘点的纵坐标；

36、步骤3、云服务器计算车辆联合换道调度优先级：

37、步骤3.1、所述云服务器在tm时刻下利用式(8)预测tm+i时刻下与周围车辆的换道相似度

38、

39、式(8)中，为tm+i时刻下与周围车辆的距离相似度，并由式(9)得到；为tm+i时刻下与周围四车的航偏角相似度，并由式(10)得到；

40、

41、

42、式(9)～式(10)中，为tm时刻下与周围车辆的实际纵向距离；

43、步骤3.2、所述云服务器利用式(11)计算tm时刻下的换道紧迫度

44、

45、式(11)中，为tm时刻下的换道需求次数，并有：

46、

47、步骤3.3、所述云服务器利用式(13)计算tm时刻下的单车优先级

48、

49、式(13)中，ω1和ω2为两个换道因素权重；

50、步骤3.4、利用式(14)计算第m个联合换道区段在tm时刻下第s辆换道车辆与第k辆换道车辆的车间相关度其中，

51、

52、式(14)中，若表示tm时刻下与的换道行为相互独立，能进行联合换道；若表示tm时刻下与的换道行为会互相影响，不能进行联合换道，为tm时刻下与的换道信息集合，且其中，分别为tm时刻下与所在的车道，分别为tm时刻下与的目标车道；为tm时刻下与的联合换道约束集合，并有：

53、

54、式(15)中，p1表示联合换道车辆所在车道约束集合，p2表示联合换道车辆目标车道约束集合；

55、步骤4、云服务器执行车辆联合换道调度：

56、步骤4.1、建立第m个联合换道区段在tm时刻下的并行调度任务队列并初始化

57、步骤4.2、利用式(13)分别计算s辆换道车辆的单车优先级，排序得到tm时刻下最高单车优先级的换道车辆并将加入并行调度任务队列

58、利用式(14)计算s辆换道车辆中任意两车的车间相关度，并将与车间相关度为0且相互之间车间相关度为0的换道车辆加入并行调度任务队列

59、步骤4.3、所述云服务器下发无人驾驶车辆调度指令给并行调度任务队列中的各个换道车辆，以实现第m个联合换道区段的车辆联合换道调度。

60、本发明一种电子设备，包括存储器以及处理器的特点在于，所述存储器用于存储支持处理器执行所述云调度方法的程序，所述处理器被配置为用于执行所述存储器中存储的程序。

61、本发明一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序的特点在于，所述计算机程序被处理器运行时执行所述云调度方法的步骤。

62、与已有技术相比，本发明的有益效果在：

63、1、本发明设计了一种基于云服务器孪生车道区段模型的车辆时变距离预测方法，通过对孪生车道进行特征向量参数表征并划分联合换道区段建立孪生车道区段模型，云服务器获取车辆物理定位，基于孪生车道坐标系实现车辆定位孪生映射，从而实现了任意时刻换道主车与周围车辆时变距离的预测，对保证车辆换道的安全性具有重要意义。

64、2、本发明设计了一种时空协同的车辆联合换道调度优先级计算方法，空间上考虑影响单车瞬时决策的距离相似度和航偏角相似度，时间上衡量单车变道效率的换道紧迫度，以此评估换道车辆单车优先级，并结合换道车辆车间相关度建立多车联合换道调度优先级度量体系，极大地提高了车辆换道决策的准确性。

65、3、本发明将大规模无人驾驶车辆的换道决策与调度执行云端化，区别于传统的车辆自感知决策，利用云服务器的强大算力进行区段换道车辆调度优先级评估并实现多车统一联合调度，能够实现无人驾驶交通系统的安全高效运行，有利用缓解交通道路拥堵、安全事故频发等道路交通问题。