基于区块链的智能网联车队协同轨迹预测系统

自动驾驶汽车技术近年来得到了广泛研究与快速发展,但在复杂的交通场景下,自动驾驶汽车面对突然出现的行驶车辆并不能及时避让。针对此问题,基于区块链技术提出智能网联车队的协同轨迹预测系统,智能网联车队中的各个节点与路边基础设施通过长短时记忆网络(LSTM)模型对周边车辆的运动轨迹进行预判,并将得到的结果进行分享,利用区块链技术,智能网联车队与路边基础设施可以对其接收到的信息进行评分,并将汇总后的评分以区块的形式加入存储信誉评分的区块链中。通过该评分,智能网联车队中的车辆可以根据车队中其他节点的信誉值来判断其是否可信,低信誉值节点传来的信息将不予理睬,从而实现了协同驾驶。实验分析表明,所提LSTM模型能够较为准确地预测周边车辆5 s内的行驶轨迹,而所提的系统在提升智能网联车队的行驶安全上起到了明显的效果。     

V2X环境下基于MPC算法的弯道区域CACC车队轨迹跟踪控制策略

针对CACC(cooperative adaptive cruise control)车队在弯道行驶的安全性和稳定性问题,提出一种V2X(vehicle to everything)环境下基于MPC(model predictive control)算法的弯道区域CACC车队行驶轨迹跟踪策略.首先,分析CACC车队在弯道区域的行驶工况以及纵向平衡问题,并基于牛顿第二定律构建车辆在弯道行驶的车辆动力学模型;其次,CACC车队基于V2X技术实现车车之间状态信息的实时交互,并以基于车辆运动学的MPC算法为基础,引入可变间距的车队安全距离控制模型,提出一种适用于弯道区域的轨迹跟踪模型;最后,通过二次规划进行模型求解.实验分析结果表明:V2X环境下的CACC车队在弯道行驶过程中面对不同的行驶工况能够不同程度地保证车车之间的安全性、稳定性以及驾乘人员的舒适性,有效验证了所提V2X环境下基于MPC算法的弯道区域CACC车队轨迹跟踪策略的可行性.     

城市物流配送的混合车辆路径规划模型与优化算法

针对城市部分区域限行、物流系统中燃油车与电动车同时并存的实际情况,综合考虑客户需求量、服务时间、电动车行驶里程、已有充电设施、部分充电策略、燃油车油耗与碳排放等因素,以车辆使用固定成本、驾驶员工资、电动车的充电成本、燃油车的油耗与碳排放成本之和最小为目标构建混合车辆路径规划模型.根据模型特征设计一种改进蚁群算法求解,并采用多类型算例进行实验.实验结果表明,所提方法能在非常短的时间内给出符合决策者目标的混合车辆路径规划方案,有效降低总配送成本,减少燃油车油耗与碳排放,具有合理性、可行性与有效性.     

人驾车辆与网联车辆混合车队控制系统的稳定性分析

针对当前交通中存在的人驾车辆与智能网联车辆混合排布问题,文中提出了一种分布式控制结构。利用人驾车辆和网联车辆分布式控制的思想,基于车-车通信建立了人驾车辆和智能网联车辆模型。考虑到人驾车辆在行驶过程中只能通过前瞻和观看后视镜的方法获得前后车的相关信息,而获得的后车信息往往误差较大,因此在设计人驾车辆控制器时,只考虑相邻前车车辆位置和速度信息。而对于智能网联车辆,在行驶过程中,需考虑其能够与队列中相邻前车通信时的位置信息、速度信息和加速度信息。在此基础上,建立了混合车队车辆模型,设计了相关控制算法,并利用Lyapunov相关理论证明了算法的稳定性。仿真结果表明,在设计的控制律下,跟随车辆能够达到期望间距和期望速度,系统在控制律下达到稳定状态。     

基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略

无人机搭载深度神经网络进行自主电力巡检时由于受到设备本身计算能力、电池容量、深度神经网络计算负载的限制,无法独立处理巡检任务中产生的海量图像数据。为解决该问题,提出了一种基于改进混合粒子群算法和匹配理论的无人机电力巡检卸载策略,该策略将系统成本最小化问题分解为深度神经网络计算任务协同分割和边缘服务器选择两个子问题。针对协同分割子问题,基于深度神经网络计算任务的执行流程提出了一种错时传输方法,通过改进混合粒子群算法求解多无人机任务协同分割层。针对边缘服务器选择子问题,定义无人机与边缘服务器各自偏好函数,根据偏好函数通过匹配理论建立两者间的稳定匹配,得到边缘服务器选择策略。仿真结果表明,与其他卸载策略相比,所提策略能有效降低无人机能耗和计算任务处理时延,促进边缘服务器负载均衡。     

基于粒子群算法的车队滑模控制器参数优化

为保证车辆驾驶过程中的稳定性和安全性,对智能网联式车队控制器参数的优化和选取展开研究.采用领头车-前车跟随策略进行车辆编队,构建网联式车队纵向控制动力学模型,结合滑模控制器规律,利用切换函数,实现网联式车队车辆自适应控制.在此基础上,利用粒子群优化算法,将滑模控制器4个参数设置为空间粒子,通过搜索个体极值和全局极值动态...     

基于网联车多跳传输的移动边缘计算卸载

提出了一种基于网联车多跳传输的移动边缘计算卸载策略,通过对车辆未来行驶轨迹的预测,有效发现车辆网络实时最佳多跳传输路径,以保证在时延要求内成功将计算任务卸载至MEC服务器。仿真实验结果表明,较传统的移动卸载策略,平均任务时延更低,任务成功率更高,各方面性能均优于传统的边缘计算卸载策略。其中,任务卸载成功率平均提升了10.06%,任务时延平均降低了8.62%。     

高速公路智能汽车自动超车控制算法仿真研究

针对传统智能车辆跟随轨迹控制方法所存在的延迟反应问题,基于车辆的实际行驶和理想行驶的状态偏差,建立了智能车辆超车过程中的轨迹跟随运动模型,并将车辆运动学模型和动力学模型相结合,提出了智能车辆超车过程中的控制算法.在PreScan软件和matlab/simulink的联合仿真环境下,实现了智能车辆超车过程中轨迹跟随控制,并进行了60kmn/h、80km/h、100km/h和120km/h速度下的仿真验证.仿真实验结果表明,车辆的行驶速度越高,轨迹跟随的精度也就越精确.     

时间和能量敏感的端——边—云车路协同系统资源调度优化方法

随着信息技术的不断发展,智能交通系统逐渐成为未来交通的发展方向.然而,智能交通系统中时间敏感型和计算密集型应用的日益增多,给资源有限的车辆终端带来了严峻挑战.端—边—云层次性计算架构是应对该挑战的有效手段.在基于端—边—云架构的车路协同系统中,车辆用户可以将时间敏感型任务卸载到附近的路边单元执行以保证应用的实时性,而将计算密集型任务卸载到云以满足其算力需求.但是,任务卸载也会导致额外的传输时延和能量开销.此外,任务在传输过程也可能遭受错误而导致可靠性降低.因此,为保障端—边—云车路协同系统中车辆的用户体验,提出一种基于多智能体强化学习的资源调度方案.该方案通过充分利用端—边—云架构的特点并采用集中训练—分散执行的框架来构建深度神经网络,以制定任务卸载和车路计算资源分配的最优决策,最终实现可靠性约束下的系统时延和能耗优化.为验证所提方案的有效性,实验通过效用值来体现算法在时延和能耗2方面的优化.实验结果表明,与现有算法相比,所提方案在满足可靠性约束的前提下,效用值可以提高到221.9%.     

基于轨迹引导的移动机器人导航策略优化算法

针对在杂乱、障碍物密集的复杂环境下移动机器人使用深度强化学习进行自主导航所面临的探索困难,进而导致学习效率低下的问题,提出了一种基于轨迹引导的导航策略优化（TGNPO）算法。首先,使用模仿学习的方法为移动机器人训练一个能够同时提供专家示范行为与导航轨迹预测功能的专家策略,旨在全面指导深度强化学习训练;其次,将专家策略预测的导航轨迹与当前时刻移动机器人所感知的实时图像进行融合,并结合坐标注意力机制提取对移动机器人未来导航起引导作用的特征区域,提高导航模型的学习性能;最后,使用专家策略预测的导航轨迹对移动机器人的策略轨迹进行约束,降低导航过程中的无效探索和错误决策。通过在仿真和物理平台上部署所提算法,实验结果表明,相较于现有的先进方法,所提算法在导航的学习效率和轨迹平滑方面取得了显著的优势。这充分证明了该算法能够高效、安全地执行机器人导航任务。     

基于用户画像及多车协同的环岛车辆换道策略

基于智能网联汽车车-路-环境的协同策略已成为一种解决智能交通领域问题的有效方案。因此通过结合交通环岛的行车特点,提出了一种基于车辆用户画像的交通环岛换道策略。首先为了解决交通环岛中智能网联汽车多源异构数据的混杂问题,定义了车辆用户画像,对智能网联汽车多维数据进行表征。其次,基于随机森林算法对车辆用户画像中标签的权重进行实时更新。再次,根据车辆用户画像及动态权重设计收益函数针对环岛出口位置的内道车辆进行换道决策,实现了决策的场景自适应。最后,利用SUMO对本算法在交通拥堵、正常、稀疏等三种场景中进行仿真测试。实验结果表明本算法使得车辆在交通环岛的通行效率和舒适度均得到有效提升,以此验证了车辆用户画像对于优化决策的场景自适应效果的作用。     

考虑时空特性的动态权重实时地图匹配算法

针对当前实时地图匹配算法难以同时保证匹配高准确性和高实时性的问题,提出一种基于动态权重的实时地图匹配改进算法。首先,算法考虑了相邻全球定位系统（GPS）轨迹点在时间、速度和方向上的约束关系,以及道路网拓扑结构,并基于时空特性分析,建立了距离权重、方位权重、方向权重和连通性权重组成的权重模型;然后,根据GPS轨迹点自身属性信息,建立了动态权重系数模型;最后,根据置信度水平选择最佳匹配路段。用三条总长36 km的重庆城市公交车行驶轨迹进行测试,结果显示：所提算法平均匹配正确率达到97.31%,单个轨迹点匹配平均延迟为17.9 ms。新算法匹配正确率和实时性较高,在Y形路口和平行路段的匹配效果上优于对比算法。     

三阶段优化算法求解带三维装载约束的MDVRP北大核心CSCD

对带三维装载约束的多车场车辆路径问题,以最小化车辆行驶总里程为优化目标,建立问题模型,并提出一种三阶段优化算法进行求解。第一阶段设计带循环平衡的K-medoids聚类算法,将原问题分解成多个带三维装载约束限制的车辆路径子问题。第二阶段提出一种双层结构的超启发式蚁群算法用于求解各子问题,以确定各车辆的配送路径。在该算法中,低层设计9种启发式操作,并将其所构成的排列作为高层个体;同时,高层采用蚁群算法更新高层个体,以引导算法搜索方向。第三阶段以第二阶段所得阶段解作为初始解,设计组合启发式装箱算法对带容积约束的装箱过程进行优化,进而将第二、三阶段确定的解合并为原问题的解。最后,仿真实验和算法比较验证了所提算法的有效性。     

考虑车辆跟驰作用和通信时延的网联车辆队列轨迹跟踪控制

针对智能网联车辆轨迹跟踪问题, 本文通过考虑车辆跟驰作用和车车通信过程中存在的通信时延, 提出了一种分布式非线性轨迹跟踪控制器. 具体来讲, 首先, 提出一种双向领导跟随通信拓扑来描述智能网联环境下车辆间的通信连接. 其次, 考虑车辆跟驰作用和通信时延, 设计一种分布式非线性轨迹跟踪控制器. 然后, 使用Lyapunov方法证明了所设计控制器的稳定性. 最后, 考虑速度干扰作用于领导者车辆, 针对无时延、同质时延和异质时延等三种场景进行数值仿真实验. 仿真结果表明: 本文所设计的控制器不仅保证了车辆位置跟踪误差收敛到原点, 而且车辆运动规律符合交通流理论, 即无负位置跟踪误差和负速度现象.     

网联车辆协同巡航系统快速滚动时域状态估计

考虑云平台监控下的网联车辆协同自动巡航控制(CACC)系统,提出一种快速滚动时域估计方法.采用网联车队纵向动力学模型描述网联车辆CACC系统,降低网联车辆CACC系统的状态能观性要求.再应用块概念设计滚动时域估计算法的噪声块结构,压缩滚动时域估计问题的优化变量个数,从而减少其在线计算量.进一步,应用李雅普诺夫稳定性定理证明估计误差系统的渐近稳定性.最后以5车网联车队系统仿真验证所提算法的有效性.     

基于视频图像序列的车行轨迹提取算法研究

针对目前的交通监控以及驾驶员技能考核等领域的需求,提出了基于视频图像序列的车行轨迹提取算法;该算法是在研究路面图像特点的基础上,利用多目标优化理论,改进SIFT(Scale Invariant Feature Transform)算法中基于欧氏距离的特征匹配机制,提高SIFT特征点的匹配精度,从而提高车辆行驶轨迹提取精度;实验显示,该算法可以有效地提取车辆行驶轨迹,且提取精度为2cm,相对与常用的轨迹提取技术有了较大的进步。     

考虑拥堵区域的多车型绿色车辆路径问题优化

针对降低物流配送过程中产生的碳排放问题,从绿色环保角度出发,提出一种考虑交通拥堵区域的多车型物流配送车辆的绿色车辆路径问题（GVRP）。首先分析不同类型车辆、不同拥堵状况对车辆行驶路线规划的影响,然后引入基于车辆行驶速度和载重的碳排放速率度量函数;其次以车辆管理使用费用和油耗碳排放成本最小作为优化目标,构建双目标绿色车辆路径模型;最后根据模型的特点设计一种融合模拟退火算法的混合差分进化算法对问题进行求解。通过实验仿真验证模型和算法可以有效规避拥堵区域,与只使用单一4 t车型配送相比,所提模型总成本降低了1.5%,油耗碳排放成本降低了4.3%;和以行驶距离最短为目标的模型相比,所提模型的总配送成本降低了8.1%。说明该模型提高物流企业的经济效益也促进了节能减排。同时所提算法与基本差分算法相比,总配送成本可以降低3%~6%;与遗传算法相比,优化效果更明显,总配送成本可以降低4%~11%,证明该算法更具有优越性。综上所提模型和算法可以为物流企业城市配送路径决策提供良好的参考依据。     

基于路网拓扑结构的无方向参数地图匹配算法

利用车辆行驶的连续性,将比较车辆行驶轨迹与地图道路相似性的问题转化为在多组候选道路中选择一条连续的,可能性最大的道路作为匹配结果。充分利用了网络拓扑结构和车辆必定经过确定道路的特性,对不可能的待匹配道路进行剪枝,减小了计算量。此外,在匹配过程中不需要方向参数,算法适用面较广。     

基于GPS的地图匹配算法研究

介绍了GPS的定位原理及GPS定位数据到平面坐标的转换。从理论和工程的角度实现了GPS数据与数字地图的匹配,并使用两种方法实时显示车辆行驶轨迹。最后以太原小店区两幅区域地图为例,验证匹配算法。     

一种求解带时间窗车辆路径问题的混合差分进化算法

对带时间窗的车辆路径问题进行研究,建立以最小化车辆数量和行驶路程为目标的多目标数学模型,提出一种结合改进差分进化算法和变邻域下降搜索的基于Pareto支配的混合差分进化算法。首先重新定义了个体的生成方式。其次,结合双种群策略和变邻域下降搜索技术来平衡算法的全局探索能力和局部开发能力,并在搜索过程中用随机个体替代种群中的重复个体,维持种群的多样性。然后引入Pareto支配的概念来评价个体的优劣性,并采用擂台法则构造非支配解集。最后对18个不同规模的Solomon算例的求解结果表明,算法在行驶路程和车辆数量上的求解质量比人工蜂群算法分别平均提高了2.04%和14.95%,且与已知最优解相比,在车辆数量的求解质量上平均提高了14.53%,验证了所提算法的有效性。