[发明专利]一种多目标智能网联车辆协同优化控制方法

权利要求书

1.一种多目标智能网联车辆协同优化控制方法，其特征在于，基于目标交叉口中各个进道口在预设通信范围内的各个目标车辆，分别针对目标交叉口的各个进道口，根据以下步骤A至步骤D建立跟驰模型，应用跟驰模型，获得各个目标车辆通过目标交叉口的跟驰顺序：

步骤A、采集进道口上对应预设通信范围内各个目标车辆的交通数据信息，基于各个目标车辆分别所对应的交通数据信息，在预设通信范围内随机生成各个目标车辆通过目标交叉口的跟驰序列，随后进入步骤B；

所述步骤A中，目标车辆的交通数据信息包括车辆行驶位置、车辆行驶速度、车辆目标行车道、以及车辆编码；

所述进道口包括预设数量个行车道，步骤A中，将行驶在该进道口所对应各个行车道上的各个目标车辆均映射至相同行车道中，作为主干道，将主干道中的各个目标车辆映射顺序作为各个目标车辆通过目标交叉口的跟驰顺序；

步骤B、分别针对该进道口对应的各个目标车辆，基于目标车辆在跟驰序列中的位置，判断该目标车辆在经过目标交叉口时，与其相邻两车辆之间是否存在交通冲突，筛选出存在交通冲突的各个目标车辆作为该进道口的冲突车辆，随后进入步骤C；

所述步骤B中，根据以下公式：

对目标交叉口内的各个目标车辆进行引导，使得在安全距离下各个目标车辆之间的车间距最小，作为该进道口的冲突车辆，其中，p_i为该目标车辆，p_k为该目标车辆的相邻车辆，t₀为该目标车辆进入冲突区域的时间，t₁为该目标车辆到达冲突区域或停止行驶的时间，Δs为两个目标车辆之间的安全距离，b为布尔变量，为目标车辆p_i在冲突区域中的行驶距离，为给定的安全距离；

步骤C、基于该进道口对应的各个冲突车辆，确定该冲突车辆的在预设通信范围内的冲突区域，构建用于对冲突车辆进行交通冲突预测、并输出冲突车辆在冲突区域的通行时长以及通行顺序的目标预测模块，随后进入步骤D；

所述步骤C中，针对冲突区域，根据以下公式：

获得目标预测模块，其中，f₁(x)为所有目标车辆p_i通过冲突区域的时间消耗函数，f₁(x)＝t_e(CAV_n)，CAV为目标车辆编码，f2(x)为目标车辆p_i通过冲突区域的能源消耗函数，式中，x为车辆的跟驰顺序，x＝[CAV₁，CAV₂，...，CAV_n]，x[k]表示第k个通过冲突区域的车辆，t_e表示为CAV_i离开CR的时间，e(CAV_i)为CAV_i的能源消耗函数，单个CAV编码的定义为：

E_i＝(z_i，v_i，a_i，encode(lane_i))

其中，E_i表示CAV_i的编码，z_i是从车道开始的CAV_i的位置，v_i是CAV_i的速度，a_i表示CAV_i的加速度，同时，z_i，v_i，a_i均为标准化后的值，lane_i为CAV_i所在车道，encode(lane_i)为CAV_i所在车道的编码；

步骤D、针对该进道口，基于目标预测模块，以该进道口对应各个目标车辆的交通数据信息为输入，以冲突车辆通过冲突区域的通过顺序服从帕雷托最优解为目标，以各个目标车辆通过目标交叉口的顺序为输出，对待训练跟驰模型进行训练，获得用于预测各个目标车辆在目标交叉口的通过顺序的跟驰模型；

所述步骤D中，对待训练跟驰模型进行训练，采用帕累托最优解选择最佳通过顺序，当满足以下条件时，帕雷托解占主导地位：

其中，f_j(x⁰)表示目标车辆通过冲突区域的时间消耗量，f_j(x¹)表示目标车辆通过冲突区域的能源消耗量，j为目标函数，j的取值为1或2，筛选出帕雷托解中占非主导低维的帕累托解集，构成帕累托最优解集，获得各个目标车辆通过目标交叉口的跟驰顺序；

利用神经网络对待训练跟驰模型进行构建，在对跟驰模型进行训练的过程中，根据以下公式：

对跟驰模型所获的训练结果进行修正，MSE₁为能耗损失函数，即与f₁(x_i)的均方差，MSE₂为效率损失函数，即与f₂(x_i)的均方差，其中，n为待训练跟驰模型所对应的目标车辆的数量，和为预测通行顺序，而f₁和f₂是真实通行顺序。

2.根据权利要求1所述的一种多目标智能网联车辆协同优化控制方法，其特征在于，所述目标交叉口包括十字路口、道路出入口匝道。