基于场景划分的智能网联汽车协同换道避障方法

doi:10.19562/j.chinasae.qcgc.2024.05.001

摘要/Abstract

摘要：

为解决传统基于V2V通信的两车协同换道对于前方交通存在未知交通情况，及周围车辆信息获知不准确情况下换道成功率低且无法保证交通效率最优的问题，本文提出了一种基于场景划分的ICV两阶段协同换道避障方法。首先，将换道过程划分为纵向间距调整阶段与横向换道阶段，分别使用四次多项式与五次多项式描述两个阶段ICV的轨迹；其次，根据纵向间距调整结束时刻车辆的相对位置设计了4种场景，并设计以车辆调整末速度、距离与换道时间为目标函数的换道模型，在保证换道成功率的同时减少换道行为对上游交通产生的影响；最后，为了验证算法的有效性，在4种场景下分别设计可行工况，并对间距调整过程进行速度-时间与距离-时间关系图进行分析，证明间距调整过程均满足安全约束；同时，本文通过遍历循环计算换道避障算法的边界值，说明了ICV换道避障成功率与车间距、车辆与障碍物间距之间具有相关性。

关键词: 智能网联汽车, 换道避障, 轨迹规划, 边界分析

Abstract:

In order to solve the problem that the traditional two-vehicle cooperative lane change based on V2V communication has relatively low success rate and cannot guarantee the optimality of traffic efficiency when the condition of front traffic and surrounding vehicles is inaccurate or unknown， an ICV two stage cooperative obstacle-avoidance lane change method based on scene division is proposed in this paper. Firstly， the lane changing process is divided into longitudinal space adjustment stage and lateral lane changing stage， and quartic polynomial and quintic polynomial are used to describe the ICV trajectory of the two stages respectively. Then， four scenarios are designed based on the relative position of the vehicles when the longitudinal space adjustment ends， and a lane change model is designed with the vehicle’s final adjusted speed， distance， and lane change time as the objective functions to ensure the success rate of the lane change while reducing the impact of lane change behavior to the traffic flow. Finally， in order to verify the effectiveness of the algorithm， feasible working conditions are designed in the four scenarios. Through analyzing velocity-time and distance-time relationship diagrams of the spacing adjustment process， it is proved that the spacing adjustment process satisfies the safety constraints. In addition， by calculating the boundary value of the lane-changing obstacle avoidance algorithm by traversing the scenarios， it is illustrated that there exists a correlation between the ICV lane change obstacle avoidance success rate and the distance between vehicles and the distance between vehicles and obstacles.

Key words: intelligent and connected vehicles, obstacle avoidance lane change, trajectory planning, boundary analysis

周俊宇,李克强,任晗啸,于杰,罗禹贡. 基于场景划分的智能网联汽车协同换道避障方法[J]. 汽车工程, 2024, 46(5): 745-753.

Junyu Zhou,Keqiang Li,Hanxiao Ren,Jie Yu,Yugong Luo. A Cooperative Obstacle Avoidance Lane Change Strategy for Intelligent and Connected Vehicles Based on Scene Division[J]. Automotive Engineering, 2024, 46(5): 745-753.

图/表 16

图1

图2

图3

图4

表1

OVM模型参数设置"

$α$	$β$	$s s t o p$ /m	$s g o$ /m	$v m a x$ /（m·s^-1）
0.6	0.9	5	10	15

表1

表2

仿真参数设置"

参数	含义	数值
$t l c$ /s	横向换道时间	6
$ε$ /m	车辆最大安全间距	5
$δ$ /m	车辆与障碍物安全距离缓冲量	0
$w$	优化目标权重系数	0.3
$a m i n$ /（m·s^-2）	最小加速度	-4
$a m a x$ /（m·s^-2）	最大加速度	4
$j m i n$ /（m·s^-3）	最小加加速度	-2
$j m a x$ /（m·s^-3）	最大加加速度	2
$w r o a d$ /m	道路宽度	3.5
$t s t e p$ /s	仿真步长	0.1

表2

表3

4种场景初始参数值 m"

序号	$x C 1$	$x C 2$	$x H 2$	$x o b s$	$v L 1$	$v L 2$
1	0	-20	-60	150	12	12
2	0	-35	-40	150	12	15
3	-10	-30	-20	150	12	15
4	-15	-20	-40	150	10	12

表3

图5

图6

图7

表4

4种场景参数取值范围与组数"

场景	$x C 1 H 1$	$x C 2 H 2$	$x C 1 C 2$	$x C 1 - o b s$
1	［0 m，10 m］， 10	［-20 m，0 m］， 10		［80 m，150 m］， 10
2	［0 m，10 m］， 5	［0 m，10 m］， 5	［30 m， 40 m］， 4	［80 m，150 m］， 10
3	［30 m，50 m］，50			［80 m，150 m］， 20
4	［0 m，20 m］， 10		［0 m，20 m］， 10	［80 m，150 m］， 10

表4

图8

图9

表5

SD-CLC与V2V-CLC评价指标对比"

指标	SD-CLC	V2V-CLC	改善
$a m i n / (m · s - 2)$	1.18	1.66	40.7%
$v m e a n / (m · s - 1)$	13.09	11.51	13.7%

表5

图10

图11

参考文献 14

1	李克强，常雪阳，李家文，等.智能网联汽车云控系统及其实现［J］.汽车工程， 2020， 42（12）：1595-1605.
	LI K Q， CHANG X Y， LI J W， et al. Cloud control system for intelligent and connected vehicles and its application［J］. Automotive Engineering， 2020，42（12）：1595-1605.
2	李克强，戴一凡，李升波，等. 智能网联汽车（ICV）技术的发展现状及趋势［J］. 汽车安全与节能学报， 2017， 8（1）：1-14.
	LI K Q， DAI Y F， LI S B， et al. State-of-the-art and technical trends of intelligent and connected vehicles［J］. Journal of Automotive Safety and Energy， 2017， 8（1）：1-14.
3	CHEN Yuxiao， HUEI Peng， JESSY Grizzle. Obstacle avoidance for low-speed autonomous vehicles with barrier function［J］. IEEE Transactions on Control Systems Technology， 2017， 26（1）： 194-206.
4	罗鹰，冒兴蜂.智能汽车换道避障路径规划与跟踪控制研究［J］.机械设计与制造， 2019（7）：139-143.
	LUO Y， MAO X F. Study on path planning and tracking control of intelligent vehicle obstacle avoidance by changing lanes［J］. Machinery Design & Manufacture， 2019（7）：139-143.
5	唐斌，许占祥，江浩斌，等.基于分段优化的车辆换道避障轨迹规划［J］.汽车工程， 2022， 44（6）：831-841.
	TANG B， XU Z X， JIANG H B， et al. Trajectory planning of intelligent vehicles in lane change for collosion avoidance based on segmented optimization［J］. Automotive Engineering， 2022， 44（6）：831-841.
6	LIN F， WANG K， ZHAO Y， et al. Integrated avoid collision control of autonomous vehicle based on trajectory re-planning and V2V information interaction［J］. Sensors， 2020， 20（4）： 1079.
7	KALA R， WARWICK K. Motion planning of autonomous vehicles in a non-autonomous vehicle environment without speed lanes［J］. Engineering Applications of Artificial Intelligence， 2013， 26（5-6）： 1588-1601.
8	ISHIHARA S. Cooperative lane change control for sudden obstacle avoidance on a multilane road［C］. Proceedings of the ITS Symposium， Ishikawa， Japan， 2019： 12-13.
9	ASANO S， ISHIHARA S. Rule-based cooperative lane change control to avoid a sudden obstacle in a multi-lane road［C］. 2022 IEEE 95th Vehicular Technology Conference：（VTC2022-Spring）. IEEE， 2022： 1-7.
10	AN H， JUNG J. Design of a cooperative lane change protocol for a connected and automated vehicle based on an estimation of the communication delay［J］. Sensors， 2018， 18（10）： 3499.
11	CHOU F C， SHLADOVER S E， BANSAL G. Coordinated merge control based on V2V communication［C］. 2016 IEEE Vehicular Networking Conference （VNC）. IEEE， 2016： 1-8.
12	闫尧，李春书，唐风敏.基于五次多项式模型的自主车辆换道轨迹规划［J］.机械设计， 2019， 36（8）：42-47.
	YAN Y， LI C S， TANG F M. Lane-changing lane-changing trajectory planning of the autonomous vehicle based on the quintic polynomial model［J］. Journal of Machine Design， 2019， 36（8）：42-47.
13	FHWA， Department of Transportation， America. NGSIM： next generation simulation［EB/OL］.（2007-5-5）［2023-04-23］.http：//www.ngsim-community.org/.
14	WANG J， ZHENG Y， LI K， et al. DeeP-LCC： data-enabled predictive leading cruise control in mixed traffic flow［J］. arXiv preprint arXiv：， 2022.

[1]	吴晓建,廖平伟,雷耀,江会华,王爱春,胡家琦. 面向结构化道路的智能驾驶轨迹规划一致性研究[J]. 汽车工程, 2024, 46(3): 383-395.
[2]	胡林,谷子逸,王丹琦,王方,邹铁方,黄晶. 汽车安全性测评规程现状及趋势展望[J]. 汽车工程, 2024, 46(2): 187-200.
[3]	关书睿,李克强,周俊宇,石佳,孔伟伟,罗禹贡. 面向强制换道场景的智能网联汽车协同换道策略[J]. 汽车工程, 2024, 46(2): 201-210.
[4]	王庞伟,刘程,汪云峰,张名芳. 面向城市道路的智能网联汽车多车道轨迹优化方法[J]. 汽车工程, 2024, 46(2): 241-252.
[5]	刘济铮,王震坡,孙逢春,张雷. 异构智能网联汽车编队延迟补偿控制研究[J]. 汽车工程, 2023, 45(9): 1573-1582.
[6]	吴思宇,于文浩,邢星宇,张玉新,李楚照,李雪轲,古昕昱,李云巍,马小涵,路伟,王政,郝圳茂,王红,李骏. 基于关键场景的预期功能安全双闭环测试验证方法[J]. 汽车工程, 2023, 45(9): 1583-1607.
[7]	左政,王云鹏,麻斌,邹博松,曹耀光,杨世春. 基于AFC-TARA的车载网络组件风险率量化评估分析[J]. 汽车工程, 2023, 45(9): 1553-1562.
[8]	李升波,占国建,蒋宇轩,兰志前,张宇航,邹文俊,陈晨,成波,李克强. 类脑学习型自动驾驶决控系统的关键技术[J]. 汽车工程, 2023, 45(9): 1499-1515.
[9]	边有钢,张田田,谢和平,秦洪懋,杨泽宇. 车辆队列抗扰抗内切协同路径跟踪控制[J]. 汽车工程, 2023, 45(8): 1320-1332.
[10]	朱冰,姜泓屹,赵健,韩嘉懿,刘彦辰. 智能网联汽车协同感知信任度动态计算与评价方法[J]. 汽车工程, 2023, 45(8): 1383-1391.
[11]	李军, 周伟, 唐爽. 基于自适应拟合的智能车换道避障轨迹规划[J]. 汽车工程, 2023, 45(7): 1174-1183.
[12]	关宇昕,冀浩杰,崔哲,李贺,陈丽文. 智能网联汽车车载CAN网络入侵检测方法综述[J]. 汽车工程, 2023, 45(6): 922-935.
[13]	钱立军,陈晨,陈健. 无信控交叉口环境下考虑驾驶员误差的集中式轨迹规划[J]. 汽车工程, 2023, 45(5): 768-776.
[14]	胡耘浩,李克强,向云丰,石佳,罗禹贡. 智能网联汽车通用跨平台实时仿真系统架构及应用[J]. 汽车工程, 2023, 45(3): 372-381.
[15]	张洪昌,宁鹏,杨杰,宋建伟,郝麟,曾娟. 基于双层求解策略的平行泊车轨迹规划[J]. 汽车工程, 2023, 45(12): 2299-2309.