CN115018353B 一种异质交通流下的智能网联汽车决策规划方法 （芜湖辛巴网络科技有限公司）

新技术产业开发区科技产业园7号楼一种异质交通流下的智能网联汽车决策规本发明公开了一种异质交通流下的智能网再根据临近车道的通行效率和换道至临近车道用路侧基站精准的获取部分具有网联能力的车2(1)智能网联车辆接收道路上路侧基站发送的校验信息流，对局部路段上其他车辆的所述步骤(2)中采用多元化方法获取道路上其他车辆未来一段时间内运动状态的步骤(21)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于自动驾驶状态，则直接利用网联通信获取其他车辆的未来运动状态并结合路侧基站信息对获取的信息进行校(22)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于手动驾驶状态，则利(23)若步骤(1)中识别结果为其他车辆是非智能网联类车辆，则利用车载感知传感器ReliefF算法对数据集中包含的所有参数的权重进行更新，并将所有参数的权重进行排序以筛选出最能够反映驾驶员换道意图的特征参数，对任意一项参数A的权重W(A)计算方法j)表示样本R和样本Hj在参数A上的差，p(C)为C≠class(R)类所占的3σ为sigmoid函数；co[h,x,]+b:)(6)C,=f•c-+ti•⃞,(7)所述步骤(22)中车辆未来运动状态的预测步(224)建立短时域低速运动学预测模型，预测车辆低速行驶时的未来运动状态，记为4(225)建立短时域高速动力学预测模型，预测车辆高速行驶时的未来运动状态，记为式中，m为车辆的整车质量；和分别为车辆坐标系下车辆纵向速度和加速度；j和j分别为车辆坐标系下车辆横向速度和加速度；和分别为车辆的横摆角速度和角加速f拟合以生成未来长时域内的车辆运动状态信息，记为SL-[X,Y,P,]:所述步骤(3)中的全向碰撞风险评估模型建立步式中，OR为自车与其他车辆质心处的直线距离；ΔOV为自车与其他车辆的相对速度；5述步骤(1)中对局部路段上其他车辆的智能网联状态进行识别步骤为：路侧基站发送校验回的信息判断该车辆处于自动或手动驾驶状态；若路侧基站未收到车辆返回的校验信息i为第i车道的平均车流密度。yL6(41)智能网联车辆实时计算当前所处位置的行车风险并接收路侧基站发送的各车道(42)若当前智能网联车辆所处位置行驶风险ξ大于风险阈值ξmax且大于风险变化率阈(44)若步骤(43)最终未能求解的出最优换道轨迹，则在ξ>ξmax且>aw时进行紧急制c<Qn时进行制动减速跟随前车操作。7能网联程度的高度复杂的异质交通流在道路上混8[0008](1)智能网联车辆接收道路上路侧基站发送的校验信息流，对局部路段上其他车[0011](4)根据智能网联车辆所处车道和临近车道的通行能力、行车风险及行车风险变[0012]进一步地，所述步骤(1)中对局部路段上其他车辆的智能网联状态进行识别步骤[0016]进一步地，所述步骤(2)中采用多元化方法获取道路上其他车辆未来一段时间内[0017](21)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于自动驾驶状态，则直接利用网联通信获取其他车辆的未来运动状态并结合路侧基站信息对获取的信息进[0018](22)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于手动驾驶状态，[0019](23)若步骤(1)中识别结果为其他车辆是非智能网联类车辆，则利用车载感知传[0022](222)将步骤(221)建立的数据集中每一组数据对应的驾采用ReliefF算法对数据集中包含的所有参数的权重进行更新，并将所有参数的权重进行排序以筛选出最能够反映驾驶员换道意图的特征参数，对任意一项参数A的权重W(A)计算9σ为sigmoid函数；Xt+1为t+1时刻车辆的纵向位置；Yt为t时刻车辆的横向位置，Yt+1为t+1时刻车辆的横向位和分别为车辆坐标系下车辆横向速度和加速度；和分别为车辆的横摆角速度和角加项式拟合以生成未来长时域内的车辆运动状态信息，记为SL-[X,Y,P,]:目标优化的方法，在获取驾驶意图后，采用五次多项式生成一系列候选轨迹tra＝[L1,max为允许的最大轨迹长度；ΔL为候选轨迹与前0[0070](41)智能网联车辆实时计算当前所处位置的行车风险并接收路侧基站发送的各[0071](42)若当前智能网联车辆所处位置行驶风险ξ大于风险阈值ξmax且大于风险变化即ξ>ξmax且专>,或当前行驶车道的平均流量Qc小于临近车道平均流量Qn，即[0073](44)若步骤(43)最终未能求解的出最优换道轨迹，则在ξ>ξmax且$>u时进行紧c<Qn时进行制动减速跟随前车操作。[0075]1、本发明考虑了未来道路上行驶车辆的异质(智能化水平不同)特性对智能网联[0081](1)智能网联车辆接收道路上路侧基站发送的校验信息流，对局部路段上其他车[0087]其中，采用多元化方法获取道路上其他车辆未来一段时间内运动状态的步骤如[0088](21)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于自动驾驶状态，则直接利用网联通信获取其他车辆的未来运动状态并结合路侧基站信息对获取的信息进[0089](22)若步骤(1)中识别结果为其他车辆是智能网联类车辆且处于手动驾驶状态，[0090](23)若步骤(1)中识别结果为其他车辆是非智能网联类车辆，则利用车载感知传[0093](222)将步骤(221)建立的数据集中每一组数据对应的驾采用ReliefF算法对数据集中包含的所有参数的权重进行更新，并将所有参数的权重进行排序以筛选出最能够反映驾驶员换道意图的特征参数，对任意一项参数A的权重W(A)计算σ为sigmoid函数；Xt+1为t+1时刻车辆的纵向位置；Yt为t时刻车辆的横向位置，Yt+1为t+1时刻车辆的横向位和分别为车辆坐标系下车辆横向速度和加速度；和分别为车辆的横摆角速度和角加项式拟合以生成未来长时域内的车辆运动状态信息，记为SL-[X,Y,P,]:[0125]所述步骤(23)中车辆的未来运动状态预测方法采用五次多项式结合多目标优化max为允许的最大轨迹长度；ΔL为候选轨迹与前0[0141](4)根据智能网联车辆所处车道和临近车道的通行能力、行车风险及行车风险变[0142](41)智能网联车辆实时计算当前所处位置的行车风险并接收路侧基站发送的各[0143](42)若当前智能网联车辆所处位置行驶风险ξ大于风险阈值ξm