[发明专利]一种无人车车道级轨迹的线性规划优化方法

说明书

本发明公开了一种无人车车道级轨迹的线性规划优化方法，包括以下步骤：建立DTA模型；建立车辆运行约束；建立冲突约束；建立变换车道约束；建立变量一致性约束；车辆初始及最终状态建立；最大及最小运行时间建立，成对序列变量建立。本发明的优点在于：该DTA模型不仅可以预测出发时间和路线，还可以调整公路上每辆车的整个轨迹，目标是使整条路径上的旅行成本最小。

技术领域

本发明涉及无人车轨迹优化技术领域，特别涉及一种无人车车道级轨迹的线性规划优化方法。

背景技术

全自动无人车技术在工业领域已经得到实现，并且在未来几年内全自动无人车市场会得到极大推广，但是，无人车发展、应用与推广过程中自动车面临着与传统路径规划理论难以解决的重要问题：第一层面目标是安全，即识别道路静态障碍物和动态交通主体，安全完成出行；第二层面目标是单车效率，即混合环境下，无人车送达速度提升，单无人车、单无人车队的安全效率博弈；第三层面目标就是无人车的整体效率，包含了：普通路段行驶轨迹优化、无人车跨车道轨迹优化、无人车匝道汇车轨迹优化、交叉口排队轨迹优化以及无人车最大流量轨迹决策等等。

与发明相关主要有以下现有技术

现有技术一：建立DUO条件和相应变分不等式的解决方案VI(c，Ω)之间等价关系，其中c代表从路线流向路线成本的映射，Ω描述了一组可行的路线流。

现有技术一的缺点在于：

VI配方是非常难以解决的。现有的大部分工作都是基于VI Wei等人的。但是对c的评估依然依赖于动态网络加载(DNL)。根据交通流量的基本表征，DNL的复杂性大不相同，这对DUO解决方案具有主要影响。

现有技术二：

与用户优化模型中假设的自主进路不同，动态系统最优(DSO)模型搜索整个系统的“最佳”网络流模式。现有的DSO模型可以分为基于路线和基于链路或基于单元的模型。基于路线的DSO模型等同于DUO模型(除了必须评估边际路线成本)，因此经常被视为VI问题。链路或基于单元的模型通常被制定为线性或非线性程序。

现有技术二的缺点在于：1)用凸约束表达交通流传播是困难的；2)解变量和约束的数量与网络大小成正比，这给大规模问题带来计算困难。这种方法是对计算量要求很高，并且限制了对现实交通现象建模的能力。

发明内容

本发明针对现有技术的缺陷，提供了一种无人车车道级轨迹的线性规划优化方法，能有效的解决上述现有技术存在的问题。

为了实现以上发明目的，本发明采取的技术方案如下：

一种无人车车道级轨迹的线性规划优化方法，包括如下步骤：

步骤1，建立DTA模型，该模型须处理进入车道和离开车道两种情况。

设单向道路长度为L，K表示车道，R表示车辆跑完全程的道路路径

给定的时间范围中，集合C中的所有车辆打算从各个入口位置行进到期望的道路R的出口位置。

设车辆为c，车辆的轨迹由2个独立的时间同源变量表示：和

是连续变量，记录车辆c从道路的起始位置0到时间t的实际位置C的移动距离。

道路R上的车辆c的行驶时间τ^c可以写为如下公式:

引入另一个二元变量来记录车辆的道路历史使用情况，如果车辆t时刻在道路上，则车辆t时刻不在道路上，则

使用变量，模型能最大限度地减少总旅行成本，其车辆轨迹表述为：

式中α是旅行时间的单位成本，t代表时刻，ρ为一个参数，代表一个足够小的值；