[發明專利]一種基于瞬時風險評估的智能車輛換道軌跡協同規劃方法

有效

• 申請號: 202010840942.6
• 申請日: 2020-08-20
• 公開（公告）號: CN112071059B
• 公開（公告）日: 2021-07-16
• 發明（設計）人: 溫惠英;吳嘉彬
• 申請（專利權）人: 華南理工大學
• 主分類號: G08G1/01
• 分類號: G08G1/01;G08G1/16
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 馮炳輝

1.一種基于瞬時風險評估的智能車輛換道軌跡協同規劃方法，其特征在于，包括以下步驟：

1)獲取交通基礎數據，包括車輛運動數據、車輛相對位置信息、車輛幾何參數、道路幾何條件和路面摩擦系數；

2)周圍車輛運動特征提?。翰杉繕塑囕v換道過程中周圍車輛的運動軌跡歷史數據以構建換道樣本，利用模糊C聚類算法提取換道樣本中周圍車輛的運動特征；

3)預測周圍車輛未來運動工況：基于周圍車輛的運動特征，預測周圍車輛在t時刻的車輛運動狀態及車輛間距；

4)評估車輛運行瞬時風險：基于停車視距建立換道條件安全判別模型，利用停車距離指標SDI獲得車輛運行瞬時風險指標，以實時評估t時刻的風險系數；

5)構建瞬時風險最小化目標函數，規劃車輛橫縱向運動軌跡：以車輛運行瞬時風險最小化為目標函數，設置約束條件，包括最大速度、最大加速度以及最大瞬時風險，利用梯形加速度法與遺傳算法規劃車輛橫縱向運動加速度，進而得到車輛換道軌跡；

6)通過計算機編程實現車輛運行瞬時風險評估功能，并輸出車輛換道加速度方案。

2.根據權利要求1所述的一種基于瞬時風險評估的智能車輛換道軌跡協同規劃方法，其特征在于，在步驟1)中，所述車輛運動數據包括目標車輛與周圍車輛的速度與加速度，能夠通過智能車輛的車載傳感器或路側監控設備獲取車輛實時運動數據；所述車輛相對位置信息包括目標車輛分別與當前車道前車、后車的車輛間距及目標車輛與當前車道前車、后車的車輛間距，能夠從智能車輛的車載傳感器以及路側監控設備獲取；所述車輛幾何參數包括車輛長度和車輛寬度，能夠通過讀取車身電子標簽信息或視頻識別獲??；所述道路幾何條件包括車道數、車道寬度和坡度，能夠通過車載導航地圖或路側視頻設備識別獲??；所述路面摩擦系數包括不同天氣情況下的路面摩擦系數，能夠通過專家法或相關標準設定。

3.根據權利要求1所述的一種基于瞬時風險評估的智能車輛換道軌跡協同規劃方法，其特征在于，所述步驟2)包括以下步驟：

2.1)定義目標車輛的周圍車輛

目標車輛的周圍車輛分布狀況由實際情況而定，其數量設為n，則有0≤n≤4，即周圍車輛最少為0輛車，最多為4輛車；當n＝4時，周圍車輛包括目標車輛所在當前車道的后車與前車及目標車輛意圖到達目標車道的后車與前車；

2.2)定義模糊C聚類算法的Hausdorff距離

已知目標車輛與周圍車輛的運動軌跡，利用模糊C聚類算法將具有相似運動特征的車輛軌跡聚為同一類，以區分車輛的運動模式；選擇Hausdorff距離來度量車輛軌跡的相似性，定義數據采樣周期為c，軌跡時間長度為T，T為整數，車輛運動軌跡數為N，則兩輛車的運動特征的Hausdorff距離為：

H(F_i,F_j)＝max{h(F_i,F_j),h(F_j,F_i)}

其中，

式中，i＝1,2,…,N；j＝1,2,…,N；N為車輛運動軌跡數；l與k均為時間變量；H(F_i,F_j)表示軌跡F_i與軌跡F_j之間的Hausdorff距離；軌跡F_i＝(f_i¹,f_i²,…,f_i^T)，軌跡F_j＝(f_j¹,f_j²,…,f_j^T)；h(F_i,F_j)表示軌跡F_i到軌跡F_j的前向Hausdorff距離；h(F_j,F_i)表示軌跡F_j到軌跡F_i的后向Hausdorff距離；f_i^k表示車輛i在k時刻的位置坐標(x_i^k,y_i^k),f_j^l表示車輛j在l時刻的位置坐標(x_j^l,y_j^l)；d(f_i^k,f_j^l)表示位置坐標f_i^k與f_j^l之間的歐氏距離，即

2.3)基于模糊C聚類算法的車輛運動特征聚類

選擇模糊C聚類算法實現軌跡聚類，模糊C聚類采用模糊思想，設計思路符合實際，有更好的魯棒性和適用性，模糊C聚類算法實現車輛運動軌跡聚類的算法步驟如下：

Step1:隨機初始化K個軌跡聚類中心；

Step2:計算每條車輛運動軌跡F_i分別到K個軌跡中心θ_k的Hausdorff距離，即：

H(F_i,θ_k)＝max{h(F_i,θ_k),h(θ_k,F_i)}

式中，H(F_i,θ_k)表示軌跡F_i與軌跡中心θ_k之間的Hausdorff距離；i＝1,2,3,…,N,N為車輛運動軌跡數；k＝1,2,…,K，K為軌跡中心的數量；h(F_i,θ_k)表示軌跡F_i到軌跡中心θ_k的前向Hausdorff距離；h(θ_k,F_i)表示軌跡中心θ_k到軌跡F_i的后向Hausdorff距離；

Step3:計算每條車輛運動軌跡F_i分別到K個軌跡中心θ_k的隸屬度μ_i,k：

式中，μ_i,k為軌跡F_i到軌跡中心θ_k的隸屬度；K為軌跡中心的數量；N為車輛運動軌跡數；θ_k為第k個軌跡中心；F_i表示第i條軌跡；H(F_i,θ_k)表示軌跡F_i與軌跡中心θ_k之間的Hausdorff距離；

Step4:根據每條車輛運動軌跡的隸屬度更新K個軌跡中心θ_k：

式中，θ_k為第k個軌跡中心；F_i表示第i條軌跡；μ_i,k為軌跡F_i到軌跡中心θ_k的隸屬度；N為車輛運動軌跡數；

Step5:根據下式判斷K個聚類中心是否收斂，若收斂結束循環，否則執行Step2；

式中，K為軌跡中心的數量；r為迭代次數；θ_k(r)為第r次迭代的第k個軌跡中心；θ_k(r+1)為第r+1次迭代的第k個軌跡中心；ε為收斂上界；

模糊C聚類算法運行結束后，能夠得到K個車輛運動軌跡中心θ_k，即其中為車輛運動軌跡中心θ_k在T時刻的位置坐標。