一种V2X环境下高速公路交通事件路段车辆协同强制换道控制方法

一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法
【技术领域】
1.本发明属于智能交通系统技术领域，涉及车联网技术、传感器技术、自动控制技术等技术领域，具体涉及一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，是一种检测出交通事件路段后，在交通事件路段中控制车辆纵向运动并使车辆完成强制换道过程的车辆协同强制换道控制方法。


背景技术：

2.近年来v2x技术在车辆协同控制方面的应用取得了不错的进展，通过v2x技术可以使车辆感知更大范围、更多元的信息，为车辆协同控制提供了丰富的数据基础，使车辆实现更安全、高效、经济地行驶在高速公路上提供了条件，并且还能减少交通事件的发生以及改善交通事件所在路段车辆行驶状况，提升交通事件影响路段的通行能力与运行效率。
3.由于高速公路中随时出现交通事件的发生，同时智慧路灯中的路侧单元的算力有限，需要检测出路网中的重点路段，以便将算力资源进行集中解决重点路段的道路交通问题，交通事件导致有效通行能力减少的瓶颈路段是重点路段之一，因而有必要对道路有效通行能力进行检测。随着人工智能算法的发展，其应用的领域越来越广泛，其中bp神经网络(back propagation neural network，bpnn)算法广泛应用于交通事件检测算法中，能一定程度上检测交通事件的发生，但bp神经网络的权值与阈值是随机选取的，容易陷入局部最优解。
4.在高速公路交通事件路段上，由于出现部分车道不可通行的情况，在该车道中的车辆不得不进行强制换道，才能使车辆换道到可通行的车道上，并且因此而导致更多车辆进行强制换道，导致交通流紊乱，车辆行驶安全性以及通行效率下降。通过利用v2x技术获取邻车的车头间距、车辆轨迹、车辆排队长度等信息，通过构建换道模型和换道决策点选择方法可以引导或控制交织区等瓶颈场景中进行换道，并且使道路车辆能以合理的安全间距行驶避免碰撞事件的发生。但应用场景通常为正常运行的高速公路场景，对高速公路发生交通事件的路段场景鲜有研究应用。


技术实现要素：

5.本发明提供了一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，也是一种v2x环境下高速公路交通事件路段车辆协同强制换道控制系统。
6.本发明的工作原理包括道路有效通行能力检测模块、车辆信息采集处理模块、车辆纵向运动控制模块、车辆强制换道合并序列优化模块、强制换道可行点计算模块，其逻辑关系如图1所示。
7.本发明的目的通过以下技术方案实现：
8.一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，包括道路有效通行能力检测模块、车辆信息采集处理模块、车辆纵向运动控制模块、车辆强制换道合并
序列优化模块、强制换道可行点计算模块；
9.为发现路网中的交通事件路段，利用道路有效通行能力检测模块中的基于秃鹰搜索算法的bp神经网络(bes-bp神经网络)计算得出有效通行能力，从而更准去地检测到出现的交通事件路段；
10.为了检测出导致车道封闭的交通事件所在路段，利用道路有效通行能力检测模块识别路网中道路有效通行能力下降的现象，从而找到路网中因交通事件导致的瓶颈路段；
11.为避免在交通事件路段中车辆碰撞事件的发生，精确地检测出各个车辆位置显得十分重要，利用车辆信息采集处理模块中的拓展卡尔曼滤波处理不同源的车辆状态数据，得到高精度的各个车辆的位置信息；
12.为了解决交通事件路段中车辆无序强制换道导致交通流紊乱，进而导致车辆通行效率低、安全隐患大的问题，需要对车辆强制换道的行为进行规范与控制，利用车辆纵向运动控制模块中考虑换道检测因数以及车辆前方需要避撞位置得到纵向加速度控制车辆，完成车辆纵向运动控制使交通流平稳，并为换道车辆换道提供换道空间；
13.在车辆强制换道过程中，不合理的车辆合并序列会导致车辆效率、舒适性以及后随车辆行驶稳定性等方面恶化的现象发生，利用车辆强制换道合并序列优化模块中考虑后随车辆行驶稳定性、车辆行驶时间、舒适性的博弈模型进行优化，使车辆合并序列达到最优；
14.为了使车辆能够保证行驶安全，避免交通事件路段出现二次事故，利用强制换道可行点计算模块判断车辆是否满足换道条件，只有满足换道条件才能执行强制换道行为，保证车辆能够安全通过交通事件路段。
15.进一步的，在对高速公路路网交通事件路段检测时，首先利用秃鹰搜索算法改进bp神经网络，再利用道路有效通行能力检测模块将交通量、速度、车辆占有率等交通流参数作为bes-bp神经网络的输入，以有效通行能力进行输出进而训练bes-bp神经网络，然后再采集相邻位置的交通量、速度、车辆占有率并输入到训练后的bes-bp神经网络，从而实时对有效通行能力进行检测，检测交通事件的发生；
16.若发生交通事件，则通过车辆信息采集处理模块获得来自车辆以及路侧设备检测的车辆行驶信息，利用扩展卡尔曼滤波提高车辆位置信息精度；在交通事件路段中，当车辆接管后，车辆纵向运动控制模块对车辆纵向运动进行规划与控制，同时判别相邻车道是否存在换道车辆，若存在则提供邻车换道空间。在强制换道过程中，利用车辆强制换道合并序列优化模块对换道车辆及其邻车在目标车道上的排序进行优化，得到优化后的目标车道车辆序列；
17.当获得目标车道车辆序列后将换道车辆的换道位置映射到目标车道中，利用强制换道可行点计算模块判断车辆是否满足换道条件，如不满足则利用车辆纵向运动控制模块改变目标车道前后车的行驶状态提供更大的换道空间，如满足换道条件，则进行车辆强制换道行为，最后通过车辆纵向运动控制模块行驶通过交通事件路段。
18.进一步的，为了更好地对路段有效通行能力进行检测，通过bes算法对bp神经网络的初始权值与阈值进行优化，使权值与阈值的最优解空间中找到一些更优的、更小范围的解空间，再使用bp神经网络算法在此解空间中继续搜索最优解，使用bes-bp神经网络可以达到更优的整体效果，并使用交通量、速度、车辆占有率等交通流关键参数作为经训练的
bes-bp神经网络的输入，从而实时对有效通行能力进行检测，发现路网中的瓶颈路段，对该路段车辆进行精确管理与控制；当检测到道路上发生导致车道封闭的交通事件时，利用车辆信息采集处理模块获得精确的车辆位置信息，从而使车辆更安全地进行换道，尽可能避免发生交通事故，为车辆协同强制换道控制提供数据支持。
19.和现有技术相比，本发明具有如下优点：
20.1、本发明所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，针对高速公路交通事件路段中强制换道问题，构建一种v2x环境下高速公路交通事件路段车辆协同强制换道方法，该方法包括道路有效通行能力检测模块、车辆纵向运动控制模块、车辆强制换道合并序列优化模块以及强制换道可行点计算模块，通过该方法可以实现智能网联车辆在高速公路交通事件路段上安全、高效地完成车辆行驶以及完成强制换道行为；由于高速公路区域内车速较快，本发明将交通事件路段的车辆行驶状态从纵向行驶运动以及横向换道运动两个角度分别分析，简化车辆运动模型从而提高求解效率，只有满足换道可行点计算模块计算出的换道条件时，车辆才可以执行横向换道运动，确保智能网联车辆在行驶中的安全性，提高车辆通行效率以及车辆舒适度，使路段交通流趋于平稳。
21.2、本发明所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，利用改进的bes-bp神经网络对高速公路的有效通行能力进行实时检测，提高了高速公路有效通行能力的检测效果，同时能检测出交通事件的发生，发现路网中的瓶颈路段；本发明所述的信息采集处理模块利用从车载传感器以及路侧传感器采集的车辆行驶信息，以车辆位置、方位角、速度构建状态预测方程，以车辆与路侧传感器的相对距离以及相对方位为观察值，利用扩展卡尔曼滤波融合，得到更精准的车辆位置，为车辆换道提供更为精确的信息。
22.3、本发明所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，所述的车辆强制换道合并序列优化模块针对车辆在强制换道过程中无序换道引起的行驶时间、后随车辆行驶状态不稳定，以及舒适性不佳的问题，利用博弈论构建考虑后随车辆行驶稳定性、车辆行驶时间以及舒适度的收益值函数进行分析求解得到最优的车辆强制换道后目标车道的车辆序列，结合高速公路交通事件路段中强制换道的特性，构建保证车辆通行效率的车辆纵向运动模型、以及保证车辆安全行驶的强制换道可行点生成模块对车辆强制换道行为进行规范与控制。
【附图说明】
23.图1为本发明所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法的交通事件路段车辆强制换道控制逻辑图；
24.图2为本发明所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法的基于bes的bp神经网络算法流程图。
【具体实施方式】
25.以下结合实施例对本发明的具体实施方式做进一步说明。以下实施例旨在说明本发明而不是对本发明的进一步限定。实验例中未注明具体条件者，均可按照常规方法进行。
26.实施例：
27.一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，包括道路有效通行能力检测模块、车辆信息采集处理模块、车辆纵向运动控制模块、车辆强制换道合并序列优化模块、强制换道可行点计算模块，其逻辑关系如图1所示；
28.道路有效通行能力检测模块利用改进的bes-bp神经网络通过输入两个相邻点的交通量、速度以及车辆占有率来监测有效通行能力的变化；此bes-bp神经网络需要预训练，经训练后可以实时对有效通行能力进行检测；秃鹰搜素算法有三个过程，分别为选择狩猎区域、环绕搜索猎物、俯冲捕抓猎物，对俯冲捕捉猎物过程中引入自适应权重因子来增强算法的搜索能力，其表达式如下：
29.p
i,new
＝rand*p
best
+ω*(x1(i)*(p
i-c1*p
mean
)+y1(i)*(p
i-c2*p
best
)) (1)
[0030][0031][0032][0033]
xr(i)＝r(i)*sinh[θ(i)] (5)
[0034]
yr(i)＝r(i)*cosh[θ(i)] (6)
[0035]
θ(i)＝b*π*rand (7)
[0036]
r(i)＝θ(i) (8)
[0037]
其中：c1和c2为增加秃鹰前往最优点与中心点运动强度的参数，其取值范围在1到2之间；t为当前迭代的次数；t_max为最大迭代次数；p
i,new
为更新后秃鹰的位置；p
best
为当前秃鹰最佳狩猎区域的位置；p
mean
为已搜索狩猎空间位置的平均数；pi为第i只秃鹰的位置；b为极坐标中决定搜索点角度的参数，其取值范围在5到10之间；rand为0到1之间的随机数。
[0038]
通过改进的秃鹰搜索算法，对bpnn算法进一步改进，其流程为(图2基于bes的bp神经网络算法流程)：
[0039]
在bes-bp神经网络中，输入层有6个神经元，分别代表6个交通特征值(上下游的车辆速度、车流量、车辆占有率)，输出层拥有1个神经元，为有效通行能力值，从而形成交通事件路段有效通行能力的检测方法，对高速公路的有效通行能力进行实时监测，并检测是否有导致车道不可通行的交通事件的发生；
[0040]
在信息采集处理模块中，在v2x环境下，利用车载设备获取车辆位置、方位角、速度等数据，路侧的传感器设备感知车辆与智慧路灯的相对距离以及相对方位；通过车辆位置、方位角、速度构建状态预测方程，以车辆与路侧传感器的相对距离以及相对方位为观察值，其中车载传感器以及路侧的传感器所检测的误差由具体传感器型号确定，利用扩展卡尔曼滤波形成高精度的车辆位置监测方法，从而得到更高精度的车辆位置信息；
[0041]
车辆纵向运动控制模块中，为了使车辆能够安全、高效地行驶以及进行协同换道，利用计算得出的加速度来对车辆纵向行驶进行控制，交通事件路段车辆纵向加速度计算是在idm模型基础上改进的，其第i车在t时刻的车辆控制加速度表达式如下：
[0042]
[0043]
xc(t)＝min(x
i+1
(t),xk(t)) (10)
[0044][0045][0046]
其中ci(t)为换道监测因数，监测自车相邻车道150m范围内是否有强制换道需求车辆，其取值为0或1，取值为0代表相邻车道没有强制换道需求车辆，取值为1代表相邻车道有强制换道需求车辆；ar为保证车辆安全行驶且当存在换道车辆时自车的加速度取值，其取值为0；a
a,i
(t)为根据idm模型计算得到的第i车在t时刻的加速度；xi(t)为第i车在t时刻的位置与交通事件控制区起点间的距离，k指的是换道车辆原车道的换道车辆编号；xc(t)为车辆前方需要避撞位置，为第i车前方车辆的位置或者换道车辆在目标车道映射出的位置的最小值；d
s,i
(t)为第i车的安全距离；a
max
为车辆的最大加速度；vf为该路段自由流速度；α为速度幂系数；s
i*
(t)为第i车在t时刻的期望车头间距；s0为车辆最小停车安全距离；th为此路段中车辆的车头时距；a
com
为该路段舒适的车辆加速度；
[0047]
式(9)到式(12)表示车辆在交通事件路段行驶中，为确保车辆实行安全，使车辆在跟驰状态下或者当自车与换道车辆不满足安全距离时以idm模型的加速度进行控制；当自车感知到相邻车道存在换道车辆时，为了使邻车能够顺利完成强制换道，因此将加速度调整至0m/s2使车辆匀速行驶，在此过程中车辆利用强制换道可行点计算模型计算换道后车辆的顺序；当确定换道后车辆顺序时，目标车辆将映射换道车辆的预测位置，在此位置的车辆通过idm模型进行减速操作；
[0048]
此外，车辆位置以及车辆速度的表达式如下：
[0049][0050]
vi(t+t
ξ
)＝vi(t)+ai(t)t
ξ (14)
[0051]
0≤vi(t)≤v
i,max (15)
[0052]ai,min
≤ai(t)≤a
i,max (16)
[0053][0054]
其中xi(t)为第i辆车在t时刻距离交通事件控制区起点的纵向位移；t
ξ
为时间间隔；vi(t)为第i车在t时刻的速度；ai(t)为车辆在t时刻的加速度；v
i,max
分别代表此车道中第i车辆的最大速度；a
i,min
和a
i,max
分别代表此车道中第i车的最大加速度以及最小加速度；
[0055]
式(13)与式(14)分别表示车辆在行驶过程中位移与速度的车辆规划状态迭代；式(15)到式(16)分别代表车辆在行驶过程中的速度限制、加速度限制以及时间取值限制，其中加速度的上下限分别由车辆的驱动性能以及制动性能决定；
[0056]
在强制换道合并序列优化模块中，当目标车道识别到交通事件车道有车辆时，进行车辆强制换道规划计算车辆顺序；利用车辆强制换道合并序列优化方法来决定车辆换道过程中所涉及到的车辆在目标车道的顺序，使用博弈论分析并求解车辆在目标车道的序列，即决定车辆成为前车还是后车；
[0057]
车辆强制换道合并序列优化方法的博弈收益矩阵如下：
[0058][0059]
表中，b为碰撞风险值，如果碰撞风险值越高，参与者采取的策略就越危险；q1、q2、p1、p2为对应策略的收益值，分别表示参与者在采取不同策略后所获得的收益值；
[0060]
通过对博弈换道模型求解，收益函数如下：
[0061]
若玩家1和玩家2均同时选择成为前车或后车，那么将会发生碰撞风险，碰撞风险值b表达式如下：
[0062][0063]
其中，t0表示开始的时刻，||*||表示一个二范数，用于求解两个状态函数θi(t)之间的距离；由此可知当两者的初始状态愈趋同则距离越近，发生碰撞的概率愈大，碰撞风险对应的收益将减小，反之发生碰撞的概率则愈小，即碰撞风险对应的收益将增加；
[0064]
车辆i的运行状态函数θi(t)，用于描述车辆时刻t的运行状态，具体是：
[0065]
θi(t)＝{xi(t),vi(t),ai(t)} (17)
[0066]
其中，xi(t)为时刻t车辆i的位置；vi(t)为时刻t车辆i的速度；ai(t)为时刻t车辆i的加速度；设定车辆i在交通事件控制区的起点时刻为离开监测控制区的时刻为那么可以得到车辆i在监测控制区起点的运行状态记作表达如下：
[0067][0068]
其对应的分量为：
[0069][0070][0071][0072]
因为车辆采取的策略与换道目标车道的前后车辆初始状态直接相关，记车辆平行映射到换道目标车道的序列为fi，记提出的博弈方法所得的序列记为gi，且gi的类型有两者，分别是成为前车或成为后车，分别记作并且将车辆定义为k1、k2则收益值p1、p2、q1、q2可表示为：
[0073]
[0074][0075][0076][0077][0078]
在第一项中，通过对各个换道车辆后随车加速度的平方进行累加计算，可以得到后随车辆行驶稳定性的评价；
[0079]
在第二项中，其中行程时间的定义为，ti由在车辆i进入交通事件路段的时间和离开交通事件路段的时间之间的关系所确立，关系如等式(25)所示：
[0080][0081]
在第三项中，加加速度ji(t)为加速度的导数，影响乘坐舒适性的最重要因素之一，加加速度越小，车辆人员的舒适性越高，加加速度的计算为：
[0082][0083]
在换道可行点计算模块中，利用换道可行点生成模型可以保证换道车辆的换道位置是合理、安全的，具体如下：
[0084]
p
ks
＝{p
y,k
|xi(t
f,k
)+d
s,i-δxk≤p
y,k
≤x
i+1
(t
f,k
)+d
s,k-δxk} (27)
[0085]
p
y,k
＝xk(t
f,k
) (28)
[0086]ds,k
(t)＝thvk(t
f,k
) (39)
[0087][0088]
xk(t
f,k
)＜p
incident (31)
[0089]
式中：xi(t)为第i车在t时刻的位置与交通事件控制区起点间的距离，k指的是相邻车道的需要换道车辆编号；p
y,k
为车辆换道点与交通事件路段起点的纵向距离；t
f,k
为第i车到达目标车道完成换道的时刻；d
s,k
(t)为第k车在t时刻的安全距离；th为此路段中车辆的车头时距；δxk为第k车在换道过程中行驶的纵向位移；v
y,k
为第k车在换道可行点y位置的速度；δtk为第k车在换道过程中所花费的时间；p
incident
为该路段交通事件发生点距离交通事件路段起点的距离；
[0090]
通过换道可行点计算模型判断车辆是否满足换道条件，若满足，车辆执行换道并利用车辆纵向运动控制模块行驶通过交通事件路段；若不满足，将继续利用车辆纵向运动
控制模块更新车辆行驶状态规划信息并利用换道可行点计算模块计算进行判断，直至车辆满足强制换道条件，从而进行强制换道，通过交通事件路段。
[0091]
以上所述仅为本发明的优选实施方式，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提下，做出若干改进和变化，这些都属于本发明的保护范围。

技术特征：
1.一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，其特征在于：包括道路有效通行能力检测模块、车辆信息采集处理模块、车辆纵向运动控制模块、车辆强制换道合并序列优化模块、强制换道可行点计算模块；为发现路网中的交通事件路段，利用道路有效通行能力检测模块中的基于秃鹰搜索算法的bp神经网络，即bes-bp神经网络，计算得出有效通行能力，从而更准去地检测到出现的交通事件路段；为避免在交通事件路段中车辆碰撞事件的发生，精确地检测出各个车辆位置显得十分重要，利用车辆信息采集处理模块中的拓展卡尔曼滤波处理不同源的车辆状态数据，得到高精度的各个车辆的位置信息；为了解决交通事件路段中车辆无序强制换道导致交通流紊乱，进而导致车辆通行效率低、安全隐患大的问题，需要对车辆强制换道的行为进行规范与控制，利用车辆纵向运动控制模块中考虑换道检测因数以及车辆前方需要避撞位置得到纵向加速度控制车辆，完成车辆纵向运动控制使交通流平稳，并为换道车辆换道提供换道空间；在车辆强制换道过程中，不合理的车辆合并序列会导致车辆效率、舒适性以及后随车辆行驶稳定性等方面恶化的现象发生，利用车辆强制换道合并序列优化模块中考虑后随车辆行驶稳定性、车辆行驶时间、舒适性的博弈模型进行优化，使车辆合并序列达到最优；为了使车辆能够保证行驶安全，避免交通事件路段出现二次事故，利用强制换道可行点计算模块判断车辆是否满足换道条件，只有满足换道条件才能执行强制换道行为，保证车辆能够安全通过交通事件路段。2.根据权利要求1所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，其特征在于：在对高速公路路网交通事件路段检测时，首先利用秃鹰搜索算法改进bp神经网络，再利用道路有效通行能力检测模块将交通量、速度、车辆占有率等交通流参数作为bes-bp神经网络的输入，以有效通行能力进行输出进而训练bes-bp神经网络，然后再采集相邻位置的交通量、速度、车辆占有率并输入到训练后的bes-bp神经网络，从而实时对有效通行能力进行检测，检测交通事件的发生；若发生交通事件，则通过车辆信息采集处理模块获得来自车辆以及路侧设备检测的车辆行驶信息，利用扩展卡尔曼滤波提高车辆位置信息精度；在交通事件路段中，当车辆接管后，车辆纵向运动控制模块对车辆纵向运动进行规划与控制，同时判别相邻车道是否存在换道车辆，若存在则提供邻车换道空间。在强制换道过程中，利用车辆强制换道合并序列优化模块对换道车辆及其邻车在目标车道上的排序进行优化，得到优化后的目标车道车辆序列；当获得目标车道车辆序列后将换道车辆的换道位置映射到目标车道中，利用强制换道可行点计算模块判断车辆是否满足换道条件，如不满足则利用车辆纵向运动控制模块改变目标车道前后车的行驶状态提供更大的换道空间，如满足换道条件，则进行车辆强制换道行为，最后通过车辆纵向运动控制模块行驶通过交通事件路段。3.根据权利要求1所述的一种v2x环境下高速公路交通事件路段车辆协同强制换道控制方法，其特征在于：为了更好地对路段有效通行能力进行检测，通过bes算法对bp神经网络的初始权值与阈值进行优化，使权值与阈值的最优解空间中找到一些更优的、更小范围的解空间，再使用bp神经网络算法在此解空间中继续搜索最优解，使用bes-bp神经网络可
以达到更优的整体效果，并使用交通量、速度、车辆占有率等交通流关键参数作为经训练的bes-bp神经网络的输入，从而实时对有效通行能力进行检测，发现路网中的瓶颈路段，对该路段车辆进行精确管理与控制；当检测到道路上发生导致车道封闭的交通事件时，利用车辆信息采集处理模块获得精确的车辆位置信息，从而使车辆更安全地进行换道，尽可能避免发生交通事故，为车辆协同强制换道控制提供数据支持。

技术总结
本发明公开了一种V2X环境下高速公路交通事件路段车辆协同强制换道控制方法，该方法也是一种V2X环境下高速公路交通事件路段车辆协同强制换道控制系统。本发明首先提出基于改进神经网络的道路有效通行能力检测方法，检测交通事件路段及运行状态；其次在交通事件路段中基于V2X技术，提出考虑换道检测因数与车辆避撞位置车辆纵向行驶控制方法；再次在需要进行横向强制换道的情况下构建考虑后随车行驶稳定性、行驶时间及舒适性的博弈模型来计算目标车道合并序列，最后通过计算强制换道可行点判别是否满足换道条件，控制车辆完成横向强制换道过程。通过此方法能控制车辆在交通事件路段上安全、高效、平稳地完成车辆横纵向行驶。平稳地完成车辆横纵向行驶。平稳地完成车辆横纵向行驶。


技术研发人员：赵红专 陈建鹏 李文圳 李文勇 王涛 陈文武 周旦 李润润 何水龙 付建胜 廉冠 程瑞
受保护的技术使用者：桂林电子科技大学
技术研发日：2023.04.10
技术公布日：2023/7/6