[发明专利]一种智能网联汽车协同调度换道方法

说明书

本发明涉及一种智能网联汽车协同调度换道方法，其特征在于，包括以下步骤：1)初始化路段上所有待规划ICV的DQN网络的神经网络参数，以及路段上所有待规划ICV的共享网络参数和换道决策器参数；2)DQN网络对每一时刻待规划ICV本身的环境进行感知决策，得到待规划ICV的状态空间模型；3)DQN网络确定待规划ICV的左换道、右换道或直行决策；4)采用协同调度算法，对待规划ICV进行换道规划，得到存在安全间隙的待规划ICV换道轨迹；5)得到待规划ICV本次换道的用于训练DQN网络的奖励值；6)根据得到的状态空间模型和奖励值，对DQN网络进行训练后，进入步骤2)，完成待规划ICV每一时段的无障碍换道，本发明可以广泛应用于智能网联汽车控制领域中。

技术领域

本发明是关于一种智能网联汽车(ICV)协同调度换道方法，属于智能网联汽车控制领域。

背景技术

驾驶员的主要两种驾驶行为之一就是换道行为，其定义为：由于周围车辆行驶状态或者路况信息影响，驾驶员产生了换道意图，并将车辆由原车道换至目标车道的行为。因此，换道行为可分为两大部分进行研究：一是换道决策的产生，二是如何将车辆在从原车道换至目标车道的轨迹设计问题。第一大部分对应为换道决策模型，其决定驾驶员根据当前环境的反馈是否进行换道的决定；第二大部分对应为轨迹规划模型，以规划驾驶员如何安全的换至目标车道。

目前，现有技术中的换道决策模型大部分是基于规则的换道决策模型，其规则往往采用决策树的方式进行表现。较为经典的是Ahmed提出的分层树状间隙接受模型，该模型中的间隙定义为待换道车辆能够安全汇入目标车道前车和目标车道后车之间的安全间隙。整个分层树状间隙接受模型如图1所示，分层树状间隙模型在每一层均使用相应的概率公式进行计算，以决策当前应该进入哪一个分支。以第一层为例，第一层的MLC(强制性换道mandatory lane change)概率为：

其中，为决定MLC换道行为的特征向量，α、β分别为模型对应的系数，v_n为概率为正态分布的随机数。由此可以计算出从开始状态进入强制换道行为的概率，相应的非强制换道的概率也可以得出。

然而，当前的基于规则的换到决策模型具有如下的不足：基于规则的方法无法穷举完所有的路况，且基于固定的规则不能很好地适用于动态变化的路况，在高流量的路段中效果尤为的不理想，往往容易加大路段的堵塞效应。当前的换道轨迹规划往往将轨迹设计分为有障碍换道轨迹和无障碍换道轨迹，相比于无障碍换道轨迹，有障碍换道轨迹由于障碍物的存在会引入相应的避撞算法，常用的避撞算法为人工势场算法，如图2所示，该算法的核心思想是将待规划ICV等效于在势场中运动的物体，将障碍物等效为在势场中产生斥力场的物体，将目标点等效为在势场中产生引力的物体，斥力和引力在待规划车辆上进行合成，便能得到一条避撞轨迹，引力场U_attaraction(x_c)为：

其中，K_attaraction为引力场系数，d(x_c，x_t)²为待规划ICV的当前位置与目标点位置的平方。上述公式求出的引力场U_attaraction(x_c)是矢量，该矢量的方向为引力中心指向待规划ICV的当前位置。引力函数F_attaraction(x_c)为势场的负梯度，因此其数值大小为：

该公式计算结果也为矢量其方向和势场方向相反，为待规划ICV当前位置指向引力中心的方向。同样，斥力场函数U_repulison(x_c)可定义为其方向为待规划ICV当前位置指向斥力中心：