[發(fā)明專利]一種車路協(xié)同自主代客泊車停泊誘導(dǎo)方法

有效

• 申請?zhí)枺?/td>: 202210204137.3
• 申請日: 2022-03-03
• 公開（公告）號: CN114495570B
• 公開（公告）日: 2023-04-07
• 發(fā)明（設(shè)計）人: 曾德全;胡一明;陳齊平;熊璐;鄧振文;劉登程
• 申請（專利權(quán)）人: 南昌智能新能源汽車研究院
• 主分類號: G08G1/14
• 分類號: G08G1/14;G08G1/0968;G07B15/02;G06F30/27;G06N3/006
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種車路協(xié)同自主代客泊車停泊誘導(dǎo)方法，其特征在于，包括以下步驟：

S1：單個車輛停泊的客觀成本建模；

所述的步驟S1中，靜態(tài)場景下，待泊車輛i誘導(dǎo)泊入停車場j的單個車輛停泊的客觀成本g_i,j建模為g_i,j＝(w_fs_i,j+p_j)x_i,j，其中，待泊車輛序號i＝1,…,n，n為待泊車輛總數(shù)；停車場序號j＝1,…,m，m為停車場總數(shù)；w_f為單位里程油耗折算的價格系數(shù)；s_i,j為停泊行車里程，表示從放下用戶目的地到目標(biāo)停車場的停泊行車里程；p_j為在停車場j的停泊費用；x_i,j＝{0,1}是一個布爾量，為1表示車輛i停泊到停車場j，為0表示車輛i不停泊到停車場j；

所述的步驟S1中，動態(tài)場景下，對于第k個誘導(dǎo)時刻，待泊車輛i誘導(dǎo)泊入停車場j的單個車輛停泊的客觀成本g_i,j,k建模為g_i,j,k＝(w_fs_i,j,k+p_j)x_i,j,k，其中，s_i,j,k為第k個誘導(dǎo)時刻的停泊行車里程，表示從放下用戶目的地到目標(biāo)停車場的停泊行車里程；p_j為在停車場j的停泊費用；x_i,j,k＝{0,1}是一個布爾量，為1表示車輛i在第k個誘導(dǎo)時刻停泊到停車場j，為0表示車輛i在第k個誘導(dǎo)時刻不停泊到停車場j；

S2：單個車輛停泊的主觀成本建模，包含靜態(tài)場景和動態(tài)場景；

所述靜態(tài)場景下，待泊車輛i停泊的主觀成本h_i建模為其中，w_s,i,j為考慮停泊油耗的用戶停泊意愿系數(shù)；w_p,j為考慮停泊費用的用戶停泊意愿系數(shù)；r≥0為待泊車輛i未分配到停車場導(dǎo)致原地等待的用戶停泊意愿參數(shù)；考慮停泊油耗的用戶停泊意愿系數(shù)w_s,i,j設(shè)計為其中，c_s≥0為當(dāng)?shù)鼐用裣M水平對應(yīng)的油耗心理承受系數(shù)，取值為1；s_max為居民可接受的最大停泊行車里程；考慮停泊費用的用戶停泊意愿系數(shù)w_p,j設(shè)計為建模為其中，c_p≥0為當(dāng)?shù)鼐用裣M水平對應(yīng)的停泊費用心理承受系數(shù)，取值為1；p_max為居民可接受的最大停泊費用；

所述的步驟S2中，動態(tài)場景下，對于第k個誘導(dǎo)時刻，待泊車輛i停泊的主觀成本h_i,k建模為其中，w_s,i,j,k為考慮停泊油耗的用戶停泊意愿系數(shù)；ρ1為心理意愿增強系數(shù)，值越大，表明心理意愿越強大；k_i,0為第i輛車首次進行停泊誘導(dǎo)的時刻；對于第k個誘導(dǎo)時刻，考慮停泊油耗的用戶停泊意愿系數(shù)w_s,i,j,k設(shè)計為

S3：停泊誘導(dǎo)約束建模，包含靜態(tài)場景和動態(tài)場景；

所述的步驟S3中，靜態(tài)場景下，由于1輛待泊車輛最多能占用1個停車位，有停泊誘導(dǎo)約束為由于1個停車位最多可以服務(wù)1輛待泊車輛，有停泊誘導(dǎo)約束為其中，N_j表示第j個停車場的可用停車位總數(shù)；

所述的步驟S3中，動態(tài)場景下，由于同一個誘導(dǎo)時刻k，1輛待泊車輛最多能占用1個停車位，有停泊誘導(dǎo)約束為動態(tài)場景下，由于同一個誘導(dǎo)時刻k，1個停車位最多可以服務(wù)1輛待泊車輛，有停泊誘導(dǎo)約束為其中，U_k為第k個誘導(dǎo)時刻內(nèi)的待泊車輛總數(shù)；v_j,k≥1為在第k個誘導(dǎo)時刻停車場j的泊位周轉(zhuǎn)率，即某個單位時間段內(nèi)停車場j內(nèi)單個停車位被重復(fù)使用的次數(shù)；NA_j表示第j個停車場總的停車位總數(shù)，T≥0為動態(tài)分配周期；N_j,k表示第k個誘導(dǎo)時刻內(nèi)，第j個停車場的可用停車位總數(shù)；

S4：停泊誘導(dǎo)總成本建模，包含靜態(tài)場景和動態(tài)場景；

所述的步驟S4中，靜態(tài)場景下，對于單個待泊車輛i的停泊誘導(dǎo)成本C_i建模為

停泊誘導(dǎo)總成本C建模為：

動態(tài)場景下，對于第k個誘導(dǎo)時刻，單個待泊車輛i的停泊誘導(dǎo)成本D_i,k建模為

對于第k個誘導(dǎo)時刻，停泊誘導(dǎo)成本D_k建模為

停泊誘導(dǎo)成本D建模為：

，其中，K為總的動態(tài)分配時刻；

S5：停泊誘導(dǎo)問題模型的建立，包含靜態(tài)場景和動態(tài)場景；

所述的步驟S5中，靜態(tài)場景下，停泊誘導(dǎo)問題模型建立為以停泊誘導(dǎo)總成本C最小為目標(biāo)函數(shù)，同時，以和為約束，構(gòu)造最優(yōu)化問題，如公式(1)：

所述的步驟S5中，動態(tài)場景下，停泊誘導(dǎo)問題模型建立為以停泊誘導(dǎo)總成本D最小為目標(biāo)函數(shù)，同時，以和為約束，構(gòu)造最優(yōu)化問題，如公式(2)：

S6：適應(yīng)度函數(shù)設(shè)計，包含靜態(tài)場景和動態(tài)場景；

所述的步驟S6中，靜態(tài)場景下，停泊誘導(dǎo)問題的適應(yīng)度函數(shù)f_C設(shè)計為其中，常數(shù)ε0，設(shè)為0.01；動態(tài)場景下，停泊誘導(dǎo)問題的適應(yīng)度函數(shù)f_D設(shè)計為其中，常數(shù)α0，設(shè)為0.01；

S7：自適應(yīng)蟻群算法求解停泊誘導(dǎo)問題。

2.根據(jù)權(quán)利要求1所述的一種車路協(xié)同自主代客泊車停泊誘導(dǎo)方法，其特征在于，所述的步驟S7中，為克服傳統(tǒng)蟻群算法“早熟”停滯的問題，設(shè)計的自適應(yīng)蟻群算法將信息素蒸發(fā)系數(shù)按一定規(guī)律變化；變化規(guī)律是當(dāng)算法求得的最優(yōu)值在10次迭代循環(huán)內(nèi)的差值小于0.1時，信息素蒸發(fā)系數(shù)γ計算方法如公式(3)所示：

其中，γ_z為當(dāng)前迭代循環(huán)更新的信息素蒸發(fā)系數(shù)，γ_z-1為上一迭代循環(huán)的信息素蒸發(fā)系數(shù)，γ_min為信息素蒸發(fā)系數(shù)最小值，設(shè)置為0.1。